Autoestima, Apoyo Familiar y Rendimiento en Adolescentes Escolares
Estadística Inferencial - Taller #1
Integrantes: Valeria Márquez, Alejandra Jiménez, Danna Sepulveda, Karla Zapata
26/08/2026
1. Resumen
El presente estudio analizó si existen diferencias en el nivel de satisfacción escolar entre los estudiantes que asisten al psicólogo escolar y aquellos que no utilizan este servicio, así como la magnitud práctica de dicha diferencia. Se trabajó con una base de datos de 100 estudiantes y 11 variables relacionadas con características personales, académicas, familiares y psicosociales.
El análisis se realizó en R mediante Posit Cloud e incluyó un Análisis Exploratorio de Datos, medidas de tendencia central, dispersión y posición, tablas de frecuencia, histogramas, gráficos de barras, boxplots, revisión de valores faltantes y valores atípicos, además de la comparación de la satisfacción escolar entre los dos grupos.
La base no presentó valores faltantes ni valores atípicos. La satisfacción escolar tuvo una media general de 5,99 puntos. Los estudiantes que asisten al psicólogo registraron una media de 6,48 puntos, mientras que quienes no asisten presentaron una media de 5,83 puntos. Sin embargo, la prueba de Mann-Whitney no mostró una diferencia estadísticamente significativa (p = 0,413) y el tamaño del efecto fue pequeño (d = 0,22*).
Aunque descriptivamente la satisfacción escolar fue ligeramente mayor entre quienes asisten al psicólogo, los datos no aportan evidencia suficiente para afirmar que exista una diferencia significativa entre ambos grupos.
2. Palabras Clave
Satisfacción escolar, psicología escolar, adolescentes, bienestar estudiantil, acompañamiento psicológico.
3. Introducción
Contextualización del problema
El bienestar de los adolescentes dentro del contexto escolar depende de diferentes factores personales, familiares y sociales. En una institución educativa de Barranquilla, el departamento de Bienestar y Psicología Escolar busca conocer si el acompañamiento psicológico ofrecido a los estudiantes se relaciona con su nivel de satisfacción escolar. Contar con esta información puede ayudar a orientar decisiones sobre el fortalecimiento de los programas de apoyo psicológico dentro de la institución.
Importancia del tema
La satisfacción escolar permite conocer cómo perciben los estudiantes su experiencia dentro de la institución educativa. Analizar este aspecto resulta importante porque puede relacionarse con el apoyo familiar, la autoestima, las relaciones sociales y el acompañamiento psicológico. Por ello, estudiar estas variables puede aportar evidencia útil para comprender mejor el bienestar de los estudiantes y apoyar la toma de decisiones institucionales.
Antecedentes
Malca-Peralta et al. (2026) encontraron que el apoyo familiar y social se relaciona positivamente con la autoestima, la adaptación escolar y la satisfacción con la vida en adolescentes, destacando la importancia del entorno familiar y social en su bienestar.
Cilar et al. (2020), mediante una revisión sistemática, analizaron intervenciones de bienestar mental desarrolladas en instituciones educativas y encontraron resultados favorables en diferentes programas dirigidos a adolescentes, resaltando la importancia de promover estrategias de apoyo psicológico desde la escuela.
Asimismo, Feiss et al. (2019) estudiaron programas escolares orientados a prevenir el estrés, la ansiedad y la depresión en adolescentes. Sus resultados mostraron efectos positivos en algunas intervenciones, aunque estos variaron según las características de cada programa.
Desde una perspectiva académica, Steinberg (2020), en su libro Adolescence, explica que la familia, los grupos de pares y la escuela son contextos fundamentales en el desarrollo psicológico y social de los adolescentes, influyendo en su adaptación y bienestar.
Por su parte, la Organización Mundial de la Salud (OMS, 2024) señala la importancia de fortalecer los servicios de salud mental dirigidos a niños y adolescentes, destacando la necesidad de ofrecer acompañamiento accesible y adecuado para esta población.
3.1 Pregunta problema
¿Existe una diferencia estadísticamente significativa en el nivel de satisfacción escolar entre los estudiantes que asisten al psicólogo escolar y los que no asisten, y qué tan grande es esa diferencia en términos prácticos?
3.2 Objetivo general
Analizar si existe una diferencia estadísticamente significativa en el nivel de satisfacción escolar entre los estudiantes que asisten al psicólogo escolar y aquellos que no asisten, y determinar la magnitud práctica de dicha diferencia mediante el análisis estadístico de los datos disponibles.
4. Marco Teórico
Análisis Exploratorio de Datos
El Análisis Exploratorio de Datos (AED) permite conocer las principales características de una base de datos antes de realizar análisis más específicos. Mediante este proceso se revisa la distribución de las variables, sus valores centrales, la variabilidad, la presencia de datos faltantes y posibles valores atípicos. En este estudio, el AED permitirá conocer las características generales de los estudiantes y observar especialmente el comportamiento de la satisfacción escolar.
Variables cualitativas y cuantitativas
Las variables cualitativas representan características o categorías que no se expresan directamente mediante cantidades. En la base analizada se encuentran variables como el sexo, el grado, el apoyo familiar, las dificultades de aprendizaje, la participación en clases y la asistencia al psicólogo escolar.
Las variables cuantitativas se expresan mediante valores numéricos y permiten realizar operaciones estadísticas. Entre las utilizadas en este estudio se encuentran la edad, el rendimiento académico, el nivel de autoestima, el uso diario de redes sociales y la satisfacción escolar.
Medidas de tendencia central
Las medidas de tendencia central permiten identificar alrededor de qué valores se concentran los datos. Las principales son la media, la mediana y la moda. En este análisis serán útiles para describir variables como la satisfacción escolar, el rendimiento académico y la autoestima.
Medidas de dispersión
Las medidas de dispersión permiten determinar qué tanto varían los datos respecto a sus valores centrales. Entre ellas se encuentran el rango, la varianza, la desviación estándar y el coeficiente de variación. Su aplicación permitirá establecer si los niveles de satisfacción escolar y las demás variables cuantitativas presentan poca o mucha variabilidad entre los estudiantes.
Cuartiles
Los cuartiles dividen los datos ordenados en cuatro partes. El primer cuartil (Q1) representa el 25 % de los datos, el segundo cuartil (Q2) corresponde a la mediana y el tercer cuartil (Q3) representa el 75 %. En este estudio ayudarán a conocer cómo se distribuyen las variables cuantitativas y a identificar la posición de los estudiantes dentro de dicha distribución.
Valores atípicos
Los valores atípicos son observaciones que se encuentran considerablemente alejadas del comportamiento general de los datos. Estos pueden identificarse mediante el rango intercuartílico y gráficos como el boxplot. En la base de datos se revisará su presencia antes de realizar el análisis, teniendo en cuenta que un valor atípico no debe eliminarse automáticamente sin determinar primero si corresponde a un error o a una observación válida.
Tablas de frecuencia
Las tablas de frecuencia permiten organizar y resumir las variables cualitativas indicando cuántos estudiantes pertenecen a cada categoría y qué porcentaje representan. En este análisis se podrán emplear, por ejemplo, para conocer la cantidad de estudiantes que asisten o no al psicólogo escolar y la distribución de categorías como apoyo familiar o participación en clases.
Gráficos estadísticos
Los gráficos estadísticos permiten representar visualmente la información y facilitan la identificación de patrones. Los histogramas serán útiles para observar la distribución de variables cuantitativas como la satisfacción escolar; los gráficos de barras permitirán representar variables cualitativas; y los boxplots facilitarán la observación de la distribución de los datos y la identificación de posibles valores atípicos.
5. Metodología
Origen de los datos
Para el desarrollo del estudio se utilizó la base de datos Base_Psicologia_Educativa.xlsx, suministrada para la realización del taller. Esta contiene información relacionada con características personales, académicas, familiares y psicosociales de estudiantes adolescentes de una institución educativa de Barranquilla.
Población y muestra
La población de interés corresponde a los estudiantes adolescentes de la institución educativa considerada en el estudio. Para el análisis se trabajó con la información disponible de 100 estudiantes, quienes constituyen la muestra analizada. La base de datos no especifica el método mediante el cual fueron seleccionados los estudiantes, por lo cual no se asume un tipo de muestreo específico.
Número de observaciones
La base está conformada por 100 observaciones y 11 variables. Cada observación corresponde a un estudiante y cada columna representa una característica registrada.
Variables analizadas
Las variables incluidas en la base son: edad, sexo, grado, rendimiento académico, apoyo familiar, nivel de autoestima, uso diario de redes sociales, dificultades de aprendizaje, participación en clases, asistencia al psicólogo escolar y satisfacción escolar.
Para responder a la pregunta problema, se prestará especial atención a la satisfacción escolar y a la asistencia al psicólogo escolar, sin dejar de considerar las demás variables durante el análisis exploratorio.
Naturaleza de las variables
Las variables edad, rendimiento académico, nivel de autoestima, uso diario de redes sociales y satisfacción escolar son de naturaleza cuantitativa, debido a que están expresadas mediante valores numéricos.
Por otra parte, sexo, grado, apoyo familiar, dificultades de aprendizaje, participación en clases y asistencia al psicólogo escolar son variables cualitativas. Algunas de ellas presentan categorías con un orden definido, como el grado, el apoyo familiar y la participación en clases.
Procedimientos estadísticos utilizados
Inicialmente se realizará un Análisis Exploratorio de Datos para conocer la estructura y las principales características de la base. Se revisará la existencia de valores faltantes y, para las variables cuantitativas, se calcularán medidas de tendencia central, dispersión y posición. También se analizarán posibles valores atípicos.
Para las variables cualitativas se construirán tablas de frecuencias absolutas, relativas y porcentuales. La información será complementada mediante histogramas, gráficos de barras y boxplots.
Finalmente, para responder a la pregunta problema se compararán los niveles de satisfacción escolar de los estudiantes que asisten al psicólogo escolar con los de aquellos que no asisten. Para ello se revisarán los supuestos estadísticos correspondientes y se evaluará tanto la significancia de la diferencia como su magnitud práctica.
Software empleado
El procesamiento y análisis estadístico de los datos se realizará mediante R en la plataforma Posit Cloud. La base de datos se encuentra en formato Excel y será importada al entorno de trabajo para desarrollar los procedimientos estadísticos y gráficos requeridos.
Procesamiento de los datos
Después de importar la base, se verificará su estructura, el número de filas y columnas, los tipos de variables y la presencia de valores faltantes. Posteriormente, las variables cualitativas serán identificadas como factores y organizadas de acuerdo con sus categorías. Finalmente, se realizarán los cálculos estadísticos, tablas y representaciones gráficas necesarias para describir los datos y responder a la pregunta planteada.
6. Análisis Exploratorio de Datos
6.1 Características generales de la base
La base de datos utilizada para el análisis está conformada por 100 filas de observaciones y 11 columnas, donde cada fila representa a un estudiante y cada columna corresponde a una característica personal, académica, familiar o psicosocial.
Las variables que conforman la base de datos y su tipo son las siguientes: Tabla 1
6.2 Valores faltantes
Se realizó una revisión de los valores faltantes en cada una de las variables de la base de datos. El análisis mostró que ninguna de las 11 variables presenta valores ausentes (NA); es decir, todas registraron 0 valores faltantes.
Por lo tanto, las 100 observaciones se encuentran completas para las variables analizadas y no fue necesario eliminar ni reemplazar información. En consecuencia, los valores faltantes no representan una limitación ni afectan los análisis estadísticos posteriores.
Dado que no se identificaron datos ausentes, se conservaron todas las observaciones de la base de datos para continuar con el análisis exploratorio.
6.3 Variables cuantitativas
Para el análisis se identificaron cinco variables cuantitativas: edad, rendimiento académico, nivel de autoestima, uso diario de redes sociales y satisfacción escolar. Para cada una se calcularon medidas de tendencia central, dispersión y posición.
Medidas de tendencia central
Los resultados muestran que la edad promedio de los estudiantes es de 14,74 años, con una mediana de 14 años y dos modas: 13 y 18 años. El rendimiento académico presenta una media de 3,24, una mediana de 3 y una moda de 4.
El nivel de autoestima registra una media de 5,61, una mediana de 6 y una moda de 7. El uso diario de redes sociales presenta una media de 2,50, una mediana de 2 y una moda de 2. Finalmente, la satisfacción escolar tiene una media de 5,99, una mediana de 6 y una moda de 10.
Medidas de dispersión
La edad presenta la menor variabilidad relativa, con una desviación estándar de 2,29 y un coeficiente de variación de 15,57 %. Por otra parte, el uso diario de redes sociales registra el mayor coeficiente de variación (65,44 %), lo que evidencia una mayor variabilidad entre los estudiantes en esta variable.
La satisfacción escolar presenta una desviación estándar cercana a 3,00 y un coeficiente de variación de 50,03 %, indicando que los niveles de satisfacción muestran una variabilidad considerable entre los estudiantes.
Medidas de posición
En la edad, el primer cuartil es 13 años y el tercer cuartil 17 años. En el rendimiento académico, el 50 % central de las observaciones se encuentra entre 2 y 4. Para el nivel de autoestima, los valores comprendidos entre el primer y tercer cuartil se encuentran entre 3 y 8.
En el uso diario de redes sociales, el primer cuartil corresponde a 1 y el tercero a 4. Finalmente, en satisfacción escolar, el primer cuartil es 3, la mediana es 6 y el tercer cuartil es 9.
El resumen estadístico completo se presenta en la siguiente tabla: Tabla 2
Para complementar estas medidas se utilizarán histogramas y boxplots, los cuales permitirán observar gráficamente la distribución de las variables cuantitativas e identificar posteriormente la posible presencia de valores atípicos. Histogramas 1 Boxplots 1
6.4 Variables cualitativas
Para las variables cualitativas se calcularon las frecuencias absolutas, frecuencias relativas y porcentajes correspondientes a cada categoría.
En la variable sexo, el 51 % de los estudiantes corresponde a la categoría femenino, el 42 % a masculino y el 7 % a otro.
Respecto al grado escolar, el grado con mayor representación es 8.º con 20 estudiantes (20 %), seguido de 9.º con 18 (18 %). Los grados 6.º y 7.º cuentan con 17 estudiantes cada uno (17 %), mientras que 11.º presenta 15 estudiantes (15 %) y 10.º, 13 estudiantes (13 %).
En cuanto al apoyo familiar, se observa una distribución bastante equilibrada: 34 estudiantes presentan apoyo bajo (34 %), 32 apoyo medio (32 %) y 34 apoyo alto (34 %).
Para la variable dificultades de aprendizaje, 72 estudiantes (72 %) indicaron no presentar dificultades, mientras que 28 (28 %) sí las presentan.
En la participación en clases, 35 estudiantes presentan participación alta (35 %), 33 participación media (33 %) y 32 participación baja (32 %), mostrando una distribución similar entre las tres categorías.
Finalmente, respecto a la asistencia al psicólogo escolar, 75 estudiantes (75 %) indicaron no asistir, mientras que 25 estudiantes (25 %) sí asisten. Esta última variable será especialmente importante para responder posteriormente a la pregunta problema del estudio.
Los gráficos de barras permiten complementar estas tablas y observar visualmente cuáles categorías tienen mayor o menor presencia dentro de la muestra. Tabla 3 Tabla 4 Tabla 5 Tabla 6 Tabla 7 Tabla 8 Tabla 9 Grafico de barras 1
6.5 Valores atípicos
Para identificar posibles valores atípicos en las variables cuantitativas se utilizó el resumen de cinco números, el rango intercuartílico (RIC) y la representación mediante boxplots.
El rango intercuartílico se obtiene mediante la diferencia entre el tercer y el primer cuartil: RIC = Q3 - Q1
A partir de este valor se establecieron como límites para detectar posibles valores atípicos: Límite inferior = Q1 - 1,5(RIC) Límite superior = Q3 + 1,5(RIC)
Los resultados obtenidos fueron los siguientes:Tabla 10 Boxplots 2
7.Resultados e interpretación
tabla_variables <- data.frame(
Variable = c(
"edad",
"sexo",
"grado",
"rendimiento_academico",
"apoyo_familiar",
"nivel_autoestima",
"uso_redes_sociales_diario",
"dificultades_aprendizaje",
"participacion_clases",
"asiste_psicologo_escolar",
"satisfaccion_escolar"
),
Tipo_de_dato = c(
"Cuantitativa",
"Cualitativa",
"Cualitativa ordinal",
"Cuantitativa",
"Cualitativa ordinal",
"Cuantitativa",
"Cuantitativa",
"Cualitativa",
"Cualitativa ordinal",
"Cualitativa",
"Cuantitativa"
),
Descripcion = c(
"Edad del estudiante expresada en años",
"Sexo registrado del estudiante",
"Grado escolar que cursa el estudiante",
"Valor numérico correspondiente al rendimiento académico",
"Nivel de apoyo familiar: Bajo, Medio o Alto",
"Valor numérico que representa el nivel de autoestima",
"Cantidad registrada de uso diario de redes sociales",
"Indica si el estudiante presenta o no dificultades de aprendizaje",
"Nivel de participación en clases: Baja, Media o Alta",
"Indica si el estudiante asiste o no al psicólogo escolar",
"Valor numérico que representa el nivel de satisfacción escolar"
)
)
knitr::kable(
tabla_variables,
caption = "Variables incluidas en la base de datos",
align = c("l", "l", "l")
)| Variable | Tipo_de_dato | Descripcion |
|---|---|---|
| edad | Cuantitativa | Edad del estudiante expresada en años |
| sexo | Cualitativa | Sexo registrado del estudiante |
| grado | Cualitativa ordinal | Grado escolar que cursa el estudiante |
| rendimiento_academico | Cuantitativa | Valor numérico correspondiente al rendimiento académico |
| apoyo_familiar | Cualitativa ordinal | Nivel de apoyo familiar: Bajo, Medio o Alto |
| nivel_autoestima | Cuantitativa | Valor numérico que representa el nivel de autoestima |
| uso_redes_sociales_diario | Cuantitativa | Cantidad registrada de uso diario de redes sociales |
| dificultades_aprendizaje | Cualitativa | Indica si el estudiante presenta o no dificultades de aprendizaje |
| participacion_clases | Cualitativa ordinal | Nivel de participación en clases: Baja, Media o Alta |
| asiste_psicologo_escolar | Cualitativa | Indica si el estudiante asiste o no al psicólogo escolar |
| satisfaccion_escolar | Cuantitativa | Valor numérico que representa el nivel de satisfacción escolar |
La base está conformada por 100 estudiantes y 11 variables, de las cuales cinco son cuantitativas y seis cualitativas. Se observa un conjunto de información diverso, debido a que incluye características personales, académicas, familiares y psicosociales. En esta tabla no corresponde analizar concentración o variabilidad numérica, ya que su propósito es describir la estructura de la base; sin embargo, permite identificar que las variables principales para responder a la pregunta problema son satisfacción escolar y asistencia al psicólogo escolar. No se encontraron valores faltantes en ninguna de las variables. Los valores atípicos tampoco se determinan a partir de esta tabla, pues este análisis corresponde únicamente a las variables cuantitativas y se realiza posteriormente. En el contexto del estudio, esta estructura permite desarrollar un análisis integral de las características de los estudiantes y posteriormente comparar su satisfacción escolar según la asistencia al servicio de psicología.
library(readxl)
# Importar la base de datos
datos <- read_excel("Base_Psicologia_Educativa.xlsx")
# Seleccionar las variables cuantitativas
numericas <- datos[
c(
"edad",
"rendimiento_academico",
"nivel_autoestima",
"uso_redes_sociales_diario",
"satisfaccion_escolar"
)
]
# Función para calcular la moda
moda <- function(x) {
frecuencias <- table(x)
modas <- names(frecuencias[frecuencias == max(frecuencias)])
paste(modas, collapse = ", ")
}
# Crear tabla de medidas estadísticas
tabla_cuantitativas <- data.frame(
Variable = c(
"Edad",
"Rendimiento académico",
"Nivel de autoestima",
"Uso de redes sociales diario",
"Satisfacción escolar"
),
Media = sapply(numericas, mean),
Mediana = sapply(numericas, median),
Moda = sapply(numericas, moda),
Rango = sapply(numericas, function(x) max(x) - min(x)),
Varianza = sapply(numericas, var),
Desviacion_estandar = sapply(numericas, sd),
CV_porcentaje = sapply(
numericas,
function(x) (sd(x) / mean(x)) * 100
),
Minimo = sapply(numericas, min),
Q1 = sapply(
numericas,
function(x) quantile(x, 0.25)
),
Q2 = sapply(numericas, median),
Q3 = sapply(
numericas,
function(x) quantile(x, 0.75)
),
Maximo = sapply(numericas, max)
)
# Mostrar la tabla
knitr::kable(
tabla_cuantitativas,
digits = 2,
caption = "Medidas descriptivas de las variables cuantitativas"
)| Variable | Media | Mediana | Moda | Rango | Varianza | Desviacion_estandar | CV_porcentaje | Minimo | Q1 | Q2 | Q3 | Maximo | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| edad | Edad | 14.74 | 14 | 13, 18 | 7 | 5.27 | 2.29 | 15.57 | 11 | 13 | 14 | 17 | 18 |
| rendimiento_academico | Rendimiento académico | 3.24 | 3 | 4 | 4 | 1.90 | 1.38 | 42.56 | 1 | 2 | 3 | 4 | 5 |
| nivel_autoestima | Nivel de autoestima | 5.61 | 6 | 7 | 9 | 9.03 | 3.00 | 53.56 | 1 | 3 | 6 | 8 | 10 |
| uso_redes_sociales_diario | Uso de redes sociales diario | 2.50 | 2 | 2 | 5 | 2.68 | 1.64 | 65.44 | 0 | 1 | 2 | 4 | 5 |
| satisfaccion_escolar | Satisfacción escolar | 5.99 | 6 | 10 | 9 | 8.98 | 3.00 | 50.03 | 1 | 3 | 6 | 9 | 10 |
Las variables cuantitativas presentan comportamientos diferentes. La edad se concentra principalmente entre 13 y 17 años, con una media de 14,74 años y una mediana de 14, siendo la variable con menor variabilidad relativa. El rendimiento académico se concentra entre 2 y 4 puntos, con media de 3,24 y mediana de 3. El nivel de autoestima presenta valores centrales alrededor de 6 puntos, mientras que el uso diario de redes sociales se concentra entre 1 y 4, con mediana de 2. Por último, la satisfacción escolar presenta una media de 5,99 y mediana de 6, concentrándose el 50 % central de los estudiantes entre 3 y 9 puntos.
Comparativamente, la menor variabilidad se presenta en la edad, mientras que el uso diario de redes sociales registra la mayor variabilidad relativa, seguido del nivel de autoestima y la satisfacción escolar. Al tratarse de variables cuantitativas no existen categorías predominantes; sin embargo, los valores más frecuentes fueron 13 y 18 años para edad, 4 para rendimiento académico, 7 para autoestima, 2 para uso de redes sociales y 10 para satisfacción escolar. No se encontraron valores faltantes ni valores atípicos según el criterio del rango intercuartílico. En el contexto del estudio, los resultados muestran que existe una diversidad considerable en características como autoestima y satisfacción escolar, aspecto relevante para comprender las diferencias existentes entre los estudiantes.
library(ggplot2)
nombres <- c(
edad = "Edad",
rendimiento_academico = "Rendimiento académico",
nivel_autoestima = "Nivel de autoestima",
uso_redes_sociales_diario = "Uso diario de redes sociales",
satisfaccion_escolar = "Satisfacción escolar"
)
for (variable in names(numericas)) {
grafico <- ggplot(
datos,
aes(x = .data[[variable]])
) +
geom_histogram(
binwidth = 1,
color = "white"
) +
labs(
title = paste("Distribución de", nombres[variable]),
x = nombres[variable],
y = "Número de estudiantes"
) +
theme_minimal()
print(grafico)
}
Histogramas 1
Figura 1. Edad: Los datos se concentran entre 13 y 17 años, con baja variabilidad. No hay valores faltantes ni atípicos.
Figura 2. Rendimiento académico: Se concentra principalmente entre 3 y 4 puntos, con variabilidad moderada. No hay faltantes ni atípicos.
Figura 3. Nivel de autoestima: Presenta mayor dispersión y concentración en valores medios y altos. No hay faltantes ni atípicos.
Figura 4. Uso diario de redes sociales: Se concentra en valores bajos y medios, pero presenta alta variabilidad. No hay faltantes ni atípicos.
Figura 5. Satisfacción escolar: Se concentra alrededor de 6 puntos, con variabilidad considerable. No hay valores faltantes ni atípicos. En el estudio, esto refleja diferencias en la experiencia escolar de los estudiantes.
for (variable in names(numericas)) {
grafico <- ggplot(
datos,
aes(y = .data[[variable]])
) +
geom_boxplot() +
labs(
title = paste(
"Boxplot de",
nombres[variable]
),
x = "",
y = nombres[variable]
) +
theme_minimal()
print(grafico)
}
Boxplots 1
Figura 6. Boxplot de edad: La mayoría de las edades se concentra entre 13 y 17 años, con baja dispersión. No se observan valores faltantes ni atípicos.
Figura 7. Boxplot de rendimiento académico: El 50 % central de los datos se ubica entre 2 y 4 puntos, con variabilidad moderada. No hay valores faltantes ni atípicos.
Figura 8. Boxplot de nivel de autoesma: Los valores centrales se concentran entre 3 y 8 puntos, mostrando una dispersión considerable. No se presentan valores faltantes ni atípicos.
Figura 9. Boxplot de uso diario de redes sociales: El 50 % central se encuentra entre 1 y 4, con alta variabilidad. No se observan valores faltantes ni atípicos.
Figura 10. Boxplot de satisfacción escolar: Los datos se concentran entre 3 y 9 puntos, con variabilidad considerable. No hay valores faltantes ni atípicos. Este resultado muestra diferencias importantes en la satisfacción escolar de los estudiantes.
tabla_frecuencia <- function(variable) {
frecuencia <- table(variable)
data.frame(
Categoria = names(frecuencia),
Frecuencia_absoluta = as.vector(frecuencia),
Frecuencia_relativa = round(as.vector(prop.table(frecuencia)), 2),
Porcentaje = round(as.vector(prop.table(frecuencia)) * 100, 2)
)
}
knitr::kable(
tabla_frecuencia(datos$sexo),
caption = "Distribución de frecuencias según sexo"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| Femenino | 51 | 0.51 | 51 |
| Masculino | 42 | 0.42 | 42 |
| Otro | 7 | 0.07 | 7 |
La categoría Femenino presenta la mayor frecuencia, con 51 estudiantes (51 %), seguida de Masculino con 42 estudiantes (42 %) y Otro con 7 estudiantes (7 %). Los datos se concentran principalmente en las categorías femenino y masculino, que en conjunto representan el 93 % de la muestra. La distribución presenta cierta variabilidad entre las categorías, especialmente por la menor representación de la categoría Otro. La categoría predominante es Femenino, aunque la diferencia respecto a Masculino no es muy amplia. No se presentan valores faltantes en esta variable. Debido a que sexo es una variable cualitativa, el concepto de valor atípico numérico no es aplicable. En el contexto analizado, la muestra contiene representación de las diferentes categorías registradas, con una ligera mayoría de estudiantes de sexo femenino.
knitr::kable(
tabla_frecuencia(datos$sexo),
caption = "Distribución de frecuencias según sexo"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| Femenino | 51 | 0.51 | 51 |
| Masculino | 42 | 0.42 | 42 |
| Otro | 7 | 0.07 | 7 |
Predomina la categoría Femenino (51 %), seguida de Masculino (42 %) y Otro (7 %). No hay valores faltantes.
knitr::kable(
tabla_frecuencia(datos$grado),
caption = "Distribución de frecuencias según grado"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| 10º | 13 | 0.13 | 13 |
| 11º | 15 | 0.15 | 15 |
| 6º | 17 | 0.17 | 17 |
| 7º | 17 | 0.17 | 17 |
| 8º | 20 | 0.20 | 20 |
| 9º | 18 | 0.18 | 18 |
La distribución es bastante equilibrada; 8.º grado presenta la mayor frecuencia con 20 %, sin una concentración excesiva en un solo grado.
knitr::kable(
tabla_frecuencia(datos$apoyo_familiar),
caption = "Distribución de frecuencias según apoyo familiar"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| Alto | 34 | 0.34 | 34 |
| Bajo | 34 | 0.34 | 34 |
| Medio | 32 | 0.32 | 32 |
Las categorías Bajo y Alto representan 34 % cada una y Medio 32 %, mostrando una distribución muy equilibrada y sin valores faltantes.
knitr::kable(
tabla_frecuencia(datos$dificultades_aprendizaje),
caption = "Distribución de frecuencias según dificultades de aprendizaje"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| No | 72 | 0.72 | 72 |
| Sí | 28 | 0.28 | 28 |
Predomina la categoría No (72 %) frente a Sí (28 %). Esto indica que la mayoría de los estudiantes no reporta dificultades de aprendizaje.
knitr::kable(
tabla_frecuencia(datos$participacion_clases),
caption = "Distribución de frecuencias según participación en clases"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| Alta | 35 | 0.35 | 35 |
| Baja | 32 | 0.32 | 32 |
| Media | 33 | 0.33 | 33 |
La distribución es equilibrada: Alta 35 %, Media 33 % y Baja 32 %. Ninguna categoría predomina ampliamente.
knitr::kable(
tabla_frecuencia(datos$asiste_psicologo_escolar),
caption = "Distribución de frecuencias según asistencia al psicólogo escolar"
)| Categoria | Frecuencia_absoluta | Frecuencia_relativa | Porcentaje |
|---|---|---|---|
| No | 75 | 0.75 | 75 |
| Sí | 25 | 0.25 | 25 |
Predomina la categoría No (75 %) frente a Sí (25 %). Este resultado es importante porque muestra que los grupos de comparación tienen tamaños distintos.
ggplot(datos, aes(x = sexo)) +
geom_bar() +
labs(
title = "Distribución de estudiantes según sexo",
x = "Sexo",
y = "Número de estudiantes"
) +
theme_minimal()
ggplot(datos, aes(x = grado)) +
geom_bar() +
labs(
title = "Distribución de estudiantes según grado",
x = "Grado",
y = "Número de estudiantes"
) +
theme_minimal()
ggplot(datos, aes(x = apoyo_familiar)) +
geom_bar() +
labs(
title = "Distribución según apoyo familiar",
x = "Apoyo familiar",
y = "Número de estudiantes"
) +
theme_minimal()
ggplot(datos, aes(x = dificultades_aprendizaje)) +
geom_bar() +
labs(
title = "Dificultades de aprendizaje",
x = "Presenta dificultades",
y = "Número de estudiantes"
) +
theme_minimal()
ggplot(datos, aes(x = participacion_clases)) +
geom_bar() +
labs(
title = "Participación de los estudiantes en clases",
x = "Nivel de participación",
y = "Número de estudiantes"
) +
theme_minimal()
ggplot(datos, aes(x = asiste_psicologo_escolar)) +
geom_bar() +
labs(
title = "Asistencia al psicólogo escolar",
x = "Asiste al psicólogo escolar",
y = "Número de estudiantes"
) +
theme_minimal()
Grafico de barras
Figura 11. Distribución de estudiantes según sexo: Predomina la categoría Femenino (51 %), seguida de Masculino (42 %) y Otro (7 %). No hay valores faltantes. La muestra presenta una ligera mayoría femenina.
Figura 12. Distribución de estudiantes según grado: La distribución es bastante equilibrada; 8.º grado es el más frecuente con 20 %. No hay valores faltantes ni una concentración excesiva en un solo grado.
Figura 13. Distribución según apoyo familiar: Las categorías Bajo y Alto predominan con 34 % cada una, mientras Medio representa 32 %. La distribución es muy equilibrada y no presenta valores faltantes.
Figura 14. Dificultades de aprendizaje: Predomina claramente la categoría No (72 %) frente a Sí (28 %). No hay valores faltantes. Esto indica que la mayoría no reporta dificultades de aprendizaje.
Figura 15. Participación de los estudiantes en clases: La distribución es equilibrada: Alta 35 %, Media 33 % y Baja 32 %. No hay valores faltantes y ninguna categoría domina ampliamente.
Figura 16. Asistencia al psicólogo escolar: Predomina la categoría No (75 %) frente a Sí (25 %). No existen valores faltantes. Este resultado es importante porque muestra que los grupos comparados en la pregunta problema tienen tamaños diferentes.
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ lubridate 1.9.5 ✔ tibble 3.3.1
## ✔ purrr 1.2.2 ✔ tidyr 1.3.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(dplyr)
variables_numericas <- dplyr::select(datos,
edad,
rendimiento_academico,
nivel_autoestima,
uso_redes_sociales_diario,
satisfaccion_escolar
)
analisis_atipicos <- function(x) {
Q1 <- quantile(x, 0.25)
Q2 <- median(x)
Q3 <- quantile(x, 0.75)
RIC <- IQR(x)
limite_inferior <- Q1 - 1.5 * RIC
limite_superior <- Q3 + 1.5 * RIC
atipicos <- x[
x < limite_inferior |
x > limite_superior
]
c(
Minimo = min(x),
Q1 = Q1,
Mediana = Q2,
Q3 = Q3,
Maximo = max(x),
RIC = RIC,
Limite_inferior = limite_inferior,
Limite_superior = limite_superior,
Numero_atipicos = length(atipicos)
)
}
tabla_atipicos <- as.data.frame(
t(sapply(variables_numericas, analisis_atipicos))
)
knitr::kable(
tabla_atipicos,
digits = 2,
caption = "Análisis de posibles valores atípicos"
)| Minimo | Q1.25% | Mediana | Q3.75% | Maximo | RIC | Limite_inferior.25% | Limite_superior.75% | Numero_atipicos | |
|---|---|---|---|---|---|---|---|---|---|
| edad | 11 | 13 | 14 | 17 | 18 | 4 | 7.0 | 23.0 | 0 |
| rendimiento_academico | 1 | 2 | 3 | 4 | 5 | 2 | -1.0 | 7.0 | 0 |
| nivel_autoestima | 1 | 3 | 6 | 8 | 10 | 5 | -4.5 | 15.5 | 0 |
| uso_redes_sociales_diario | 0 | 1 | 2 | 4 | 5 | 3 | -3.5 | 8.5 | 0 |
| satisfaccion_escolar | 1 | 3 | 6 | 9 | 10 | 6 | -6.0 | 18.0 | 0 |
El análisis mediante el rango intercuartílico muestra que no se identificaron valores atípicos en ninguna de las cinco variables cuantitativas. La satisfacción escolar y la autoestima presentan mayor dispersión, mientras que la edad muestra menor variabilidad. No existen valores faltantes. En el contexto del estudio, esto permite conservar las 100 observaciones sin eliminar datos por valores extremos.
par(mfrow = c(3, 2))
boxplot(
datos$edad,
horizontal = TRUE,
main = "Edad",
xlab = "Años")
boxplot(
datos$rendimiento_academico,
horizontal = TRUE,
main = "Rendimiento académico")
boxplot(
datos$nivel_autoestima,
horizontal = TRUE,
main = "Nivel de autoestima")
boxplot(
datos$uso_redes_sociales_diario,
horizontal = TRUE,
main = "Uso diario de redes sociales")
boxplot(
datos$satisfaccion_escolar,
horizontal = TRUE,
main = "Satisfacción escolar")
par(mfrow = c(1, 1))
Figura 17. Boxplot de edad: La mayor parte de las edades se concentra entre 13 y 17 años, con baja variabilidad. No se observan valores faltantes ni atípicos.
Figura 18. Boxplot de rendimiento académico: El 50 % central se ubica entre 2 y 4 puntos, con variabilidad moderada. No se identifican valores atípicos.
Figura 19. Boxplot de nivel de autoestima: Los datos se concentran entre 3 y 8 puntos, mostrando una dispersión amplia. No se observan valores faltantes ni atípicos.
Figura 20. Boxplot de uso diario de redes sociales: El 50 % central se encuentra entre 1 y 4, con variabilidad considerable. No se identifican valores atípicos.
Figura 21. Boxplot de satisfacción escolar: Los valores se concentran entre 3 y 9 puntos, con alta dispersión. No se presentan valores faltantes ni atípicos. Esto evidencia diferencias importantes en la satisfacción escolar de los estudiantes.
8. Conclusiones
No se encontró evidencia estadística suficiente para afirmar que exista una diferencia significativa en la satisfacción escolar entre los estudiantes que asisten al psicólogo escolar y aquellos que no asisten.* Además, la magnitud práctica de la diferencia fue pequeña, por lo que se cumple el objetivo de establecer tanto su significancia como su importancia práctica.
Aunque los estudiantes que asisten al psicólogo escolar presentaron, descriptivamente, un nivel promedio de satisfacción ligeramente mayor, esta diferencia no fue lo suficientemente marcada para concluir que ambos grupos presentan niveles distintos de satisfacción escolar.
La satisfacción escolar mostró una variabilidad considerable entre los estudiantes, lo que evidencia que la experiencia escolar no es homogénea. Esto sugiere que su comportamiento dentro de la muestra puede estar relacionado con diferentes características personales, familiares y escolares, y no exclusivamente con la asistencia al servicio de psicología.
La base de datos permitió realizar el análisis con la totalidad de los 100 estudiantes, debido a que no se encontraron valores faltantes ni valores atípicos que requirieran la eliminación de observaciones. De esta manera, fue posible conservar toda la información disponible para desarrollar el análisis planteado.
9. Bibliografía
Malca-Peralta, S. S., Ruiz-Mamani, P. G., Miquilena-Reyes, R. Y., Turpo-Chaparro, J., & Palomino-Ccasa, J. (2026). Perceived social support from family and friends, self-esteem, and their associations with school adjustment and life satisfaction in Peruvian adolescents: A structural equation modeling approach. Acta Psychologica, 267, 107125. https://www.sciencedirect.com/science/article/pii/S0001691826009261
Cilar, L., Štiglic, G., Kmetec, S., Barr, O., & Pajnkihar, M. (2020). Effectiveness of school-based mental well-being interventions among adolescents: A systematic review. Journal of Advanced Nursing, 76(8), 2023–2045. https://www.mheducation.co.uk/adolescence-ise-9781260569414-emea
Cilar, L., Štiglic, G., Kmetec, S., Barr, O., & Pajnkihar, M. (2020). Effectiveness of school-based mental well-being interventions among adolescents: A systematic review. Journal of Advanced Nursing, 76(8), 2023–2045. https://pmc.ncbi.nlm.nih.gov/articles/PMC7548227/
10. Declaración sobre el uso de IA
tabla_ia <- data.frame(
Aspecto = c(
"Uso de IA",
"Herramientas",
"Finalidad",
"Porcentaje estimado"
),
Informacion = c(
"Sí",
"ChatGPT y Lucía",
"Apoyo en la redacción, organización del informe, interpretación de resultados y orientación en el código de R.",
"30 %"
)
)
knitr::kable(
tabla_ia,
caption = "Declaración sobre el uso de Inteligencia Artificial",
align = c("l", "l")
)| Aspecto | Informacion |
|---|---|
| Uso de IA | Sí |
| Herramientas | ChatGPT y Lucía |
| Finalidad | Apoyo en la redacción, organización del informe, interpretación de resultados y orientación en el código de R. |
| Porcentaje estimado | 30 % |