1 Propósito

Este documento reproduce la caracterización definitiva de la alfabetización física realizada con el CAPL-2 versión Colombia en la muestra multicéntrica nacional de escolares de 8 a 12 años.

El flujo reproduce:

disponibilidad de los puntajes finales;
descriptivos nacionales y regionales;
categorías interpretativas oficiales del CAPL-2;
distribución de categorías a nivel nacional y por región;
asociación entre región y categoría mediante chi-cuadrado de Pearson y V de Cramer;
verificación mediante simulación Monte Carlo para Comportamiento diario;
comparación regional de puntajes mediante Kruskal-Wallis y epsilon cuadrado;
comparaciones post hoc de Dunn con ajuste de Holm;
controles de correspondencia con los resultados definitivos de la tesis.

2 1. Entorno reproducible

paquetes <- c(
  "readxl",
  "dplyr",
  "tidyr",
  "tibble",
  "purrr",
  "capl",
  "knitr"
)

faltantes <- paquetes[
  !vapply(
    paquetes,
    requireNamespace,
    logical(1),
    quietly = TRUE
  )
]

if (length(faltantes) > 0) {
  stop(
    paste0(
      "Instale antes de continuar los paquetes: ",
      paste(faltantes, collapse = ", ")
    )
  )
}

library(readxl)
library(dplyr)
library(tidyr)
library(tibble)
library(purrr)
library(capl)
library(knitr)

set.seed(20260907)

3 2. Lectura de la base analítica

localizar_archivo <- function(nombre_archivo) {

  if (file.exists(nombre_archivo)) {
    return(normalizePath(nombre_archivo))
  }

  entrada <- tryCatch(
    knitr::current_input(dir = TRUE),
    error = function(e) ""
  )

  if (nzchar(entrada)) {

    candidato <- file.path(
      dirname(entrada),
      basename(nombre_archivo)
    )

    if (file.exists(candidato)) {
      return(normalizePath(candidato))
    }
  }

  archivos <- list.files(
    path = getwd(),
    recursive = TRUE,
    full.names = TRUE
  )

  coincidencias <- archivos[
    tolower(basename(archivos)) ==
      tolower(basename(nombre_archivo))
  ]

  if (length(coincidencias) >= 1) {
    return(normalizePath(coincidencias[1]))
  }

  stop(
    paste0(
      "No se encontró el archivo '",
      basename(nombre_archivo),
      "'. Guarde el Excel y el Rmd en la misma carpeta ",
      "o ajuste params$archivo_excel."
    )
  )
}

ruta_base <- localizar_archivo(
  params$archivo_excel
)

cat(
  "Archivo localizado en:\n",
  ruta_base,
  "\n"
)

## Archivo localizado en:
##  C:\Users\Personal\Documents\análisis doctorado\Analisis\Datos_publicos_CAPL2_REVISION\CAPL2_Colombia_BASE_PUBLICA_REPRODUCIBLE.xlsx

hojas <- readxl::excel_sheets(
  ruta_base
)

if (!params$hoja_excel %in% hojas) {
  stop(
    paste0(
      "No se encontró la hoja '",
      params$hoja_excel,
      "'."
    )
  )
}

base <- readxl::read_excel(
  ruta_base,
  sheet = params$hoja_excel
)

cat(
  "Dimensiones de la base:",
  nrow(base),
  "filas x",
  ncol(base),
  "columnas\n"
)

## Dimensiones de la base: 843 filas x 46 columnas

4 3. Variables requeridas y auditoría inicial

variables_requeridas <- c(
  "age",
  "gender",
  "region",
  "grade",
  "pc_score_final",
  "db_score_final",
  "mc_score_final",
  "ku_score_final",
  "capl_total_final"
)

faltan_variables <- setdiff(
  variables_requeridas,
  names(base)
)

if (length(faltan_variables) > 0) {
  stop(
    paste0(
      "Faltan variables necesarias: ",
      paste(
        faltan_variables,
        collapse = ", "
      )
    )
  )
}

if (nrow(base) != 843) {
  stop(
    paste0(
      "Se esperaban 843 escolares y se encontraron ",
      nrow(base),
      "."
    )
  )
}

normalizar_sexo_capl <- function(x) {

  x2 <- tolower(
    iconv(
      as.character(x),
      from = "",
      to = "ASCII//TRANSLIT"
    )
  )

  dplyr::case_when(
    x2 %in% c(
      "boy",
      "male",
      "nino",
      "masculino",
      "m",
      "1"
    ) ~ "boy",

    x2 %in% c(
      "girl",
      "female",
      "nina",
      "femenino",
      "f",
      "0"
    ) ~ "girl",

    TRUE ~ NA_character_
  )
}

car_nacional <- base %>%
  transmute(
    edad = as.numeric(age),
    sexo_original = as.character(gender),
    sexo_capl = normalizar_sexo_capl(gender),
    sexo = case_when(
      sexo_capl == "boy" ~ "Niños",
      sexo_capl == "girl" ~ "Niñas",
      TRUE ~ NA_character_
    ),
    region = as.character(region),
    grado = as.numeric(grade),
    competencia_fisica =
      as.numeric(pc_score_final),
    comportamiento_diario =
      as.numeric(db_score_final),
    motivacion_confianza =
      as.numeric(mc_score_final),
    conocimiento_comprension =
      as.numeric(ku_score_final),
    capl_total =
      as.numeric(capl_total_final)
  )

cat("N total =", nrow(car_nacional), "\n")

## N total = 843

cat("\nSexo:\n")

## 
## Sexo:

print(
  table(
    car_nacional$sexo,
    useNA = "ifany"
  )
)

## 
## Niñas Niños 
##   425   418

cat("\nEdad:\n")

## 
## Edad:

print(
  table(
    car_nacional$edad,
    useNA = "ifany"
  )
)

## 
##   8   9  10  11  12 
## 168 170 171 170 164

cat("\nRegión:\n")

## 
## Región:

print(
  table(
    car_nacional$region,
    useNA = "ifany"
  )
)

## 
##                 Caribe         Centro-Oriente    Centro sur-Amazonía 
##                    140                    140                    141 
## Eje cafetero-Antioquia       Llanos-Orinoquía               Pacífico 
##                    141                    141                    140

5 4. Disponibilidad de los puntajes

tabla_disponibilidad_nacional <- tibble(
  dominio = c(
    "Competencia física",
    "Comportamiento diario",
    "Motivación y confianza",
    "Conocimiento y comprensión",
    "CAPL-2 total"
  ),

  n_valido = c(
    sum(!is.na(
      car_nacional$competencia_fisica
    )),
    sum(!is.na(
      car_nacional$comportamiento_diario
    )),
    sum(!is.na(
      car_nacional$motivacion_confianza
    )),
    sum(!is.na(
      car_nacional$conocimiento_comprension
    )),
    sum(!is.na(
      car_nacional$capl_total
    ))
  )
) %>%
  mutate(
    n_total = nrow(
      car_nacional
    ),
    porcentaje_valido =
      100 * n_valido / n_total,
    n_sin_puntaje =
      n_total - n_valido,
    porcentaje_sin_puntaje =
      100 * n_sin_puntaje / n_total,
    across(
      c(
        porcentaje_valido,
        porcentaje_sin_puntaje
      ),
      ~ round(.x, 1)
    )
  )

knitr::kable(
  tabla_disponibilidad_nacional,
  caption = "Disponibilidad de puntuaciones del CAPL-2"
)

Disponibilidad de puntuaciones del CAPL-2
dominio	n_valido	n_total	porcentaje_valido	n_sin_puntaje	porcentaje_sin_puntaje
Competencia física	843	843	100.0	0	0.0
Comportamiento diario	840	843	99.6	3	0.4
Motivación y confianza	842	843	99.9	1	0.1
Conocimiento y comprensión	842	843	99.9	1	0.1
CAPL-2 total	838	843	99.4	5	0.6

n_esperados <- c(
  843,
  840,
  842,
  842,
  838
)

control_disponibilidad <- tabla_disponibilidad_nacional %>%
  mutate(
    n_esperado = n_esperados,
    coincide =
      n_valido ==
      n_esperado
  )

knitr::kable(
  control_disponibilidad,
  caption = "Control de disponibilidad frente a los resultados definitivos"
)

Control de disponibilidad frente a los resultados definitivos
dominio	n_valido	n_total	porcentaje_valido	n_sin_puntaje	porcentaje_sin_puntaje	n_esperado	coincide
Competencia física	843	843	100.0	0	0.0	843	TRUE
Comportamiento diario	840	843	99.6	3	0.4	840	TRUE
Motivación y confianza	842	843	99.9	1	0.1	842	TRUE
Conocimiento y comprensión	842	843	99.9	1	0.1	842	TRUE
CAPL-2 total	838	843	99.4	5	0.6	838	TRUE

if (!all(control_disponibilidad$coincide)) {
  stop(
    "La disponibilidad de los puntajes no coincide con la versión definitiva."
  )
}

6 5. Descriptivos nacionales y regionales

puntajes_nacionales_largo <- car_nacional %>%
  select(
    edad,
    sexo,
    region,
    grado,
    competencia_fisica,
    comportamiento_diario,
    motivacion_confianza,
    conocimiento_comprension,
    capl_total
  ) %>%
  pivot_longer(
    cols = c(
      competencia_fisica,
      comportamiento_diario,
      motivacion_confianza,
      conocimiento_comprension,
      capl_total
    ),
    names_to = "variable",
    values_to = "puntaje"
  ) %>%
  mutate(
    dominio = case_when(
      variable ==
        "competencia_fisica" ~
        "Competencia física",

      variable ==
        "comportamiento_diario" ~
        "Comportamiento diario",

      variable ==
        "motivacion_confianza" ~
        "Motivación y confianza",

      variable ==
        "conocimiento_comprension" ~
        "Conocimiento y comprensión",

      variable ==
        "capl_total" ~
        "CAPL-2 total"
    ),

    maximo_teorico = case_when(
      variable %in% c(
        "competencia_fisica",
        "comportamiento_diario",
        "motivacion_confianza"
      ) ~ 30,

      variable ==
        "conocimiento_comprension" ~ 10,

      variable ==
        "capl_total" ~ 100
    )
  )

tabla_puntajes_nacional <- puntajes_nacionales_largo %>%
  group_by(
    dominio,
    maximo_teorico
  ) %>%
  summarise(
    n = sum(!is.na(puntaje)),
    media = mean(
      puntaje,
      na.rm = TRUE
    ),
    DE = sd(
      puntaje,
      na.rm = TRUE
    ),
    P25 = quantile(
      puntaje,
      0.25,
      na.rm = TRUE
    ),
    mediana = median(
      puntaje,
      na.rm = TRUE
    ),
    P75 = quantile(
      puntaje,
      0.75,
      na.rm = TRUE
    ),
    minimo = min(
      puntaje,
      na.rm = TRUE
    ),
    maximo = max(
      puntaje,
      na.rm = TRUE
    ),
    .groups = "drop"
  ) %>%
  mutate(
    mediana_porcentaje_maximo =
      100 *
      mediana /
      maximo_teorico,
    across(
      c(
        media,
        DE,
        P25,
        mediana,
        P75,
        minimo,
        maximo,
        mediana_porcentaje_maximo
      ),
      ~ round(.x, 2)
    )
  )

knitr::kable(
  tabla_puntajes_nacional,
  caption = "Descriptivos nacionales de los puntajes del CAPL-2"
)

Descriptivos nacionales de los puntajes del CAPL-2
dominio	maximo_teorico	n	media	DE	P25	mediana	P75	minimo	maximo	mediana_porcentaje_maximo
CAPL-2 total	100	838	60.37	9.46	53.83	59.77	66.71	30.70	88.86	59.77
Competencia física	30	843	14.94	4.29	12.00	14.71	17.50	5.29	29.29	49.05
Comportamiento diario	30	840	17.19	4.60	14.00	17.00	20.00	3.00	28.00	56.67
Conocimiento y comprensión	10	842	5.40	2.55	3.00	5.00	7.00	0.00	10.00	50.00
Motivación y confianza	30	842	22.85	4.23	19.62	23.10	26.40	9.60	30.00	77.00

tabla_puntajes_region <- puntajes_nacionales_largo %>%
  group_by(
    dominio,
    maximo_teorico,
    region
  ) %>%
  summarise(
    n = sum(!is.na(puntaje)),
    media = mean(
      puntaje,
      na.rm = TRUE
    ),
    DE = sd(
      puntaje,
      na.rm = TRUE
    ),
    P25 = quantile(
      puntaje,
      0.25,
      na.rm = TRUE
    ),
    mediana = median(
      puntaje,
      na.rm = TRUE
    ),
    P75 = quantile(
      puntaje,
      0.75,
      na.rm = TRUE
    ),
    .groups = "drop"
  ) %>%
  mutate(
    mediana_porcentaje_maximo =
      100 *
      mediana /
      maximo_teorico,
    across(
      c(
        media,
        DE,
        P25,
        mediana,
        P75,
        mediana_porcentaje_maximo
      ),
      ~ round(.x, 2)
    )
  )

tabla_medianas_region <- tabla_puntajes_region %>%
  select(
    dominio,
    region,
    mediana
  ) %>%
  pivot_wider(
    names_from = region,
    values_from = mediana
  )

knitr::kable(
  tabla_medianas_region,
  caption = "Puntajes medianos del CAPL-2 según región"
)

Puntajes medianos del CAPL-2 según región
dominio	Caribe	Centro sur-Amazonía	Centro-Oriente	Eje cafetero-Antioquia	Llanos-Orinoquía	Pacífico
CAPL-2 total	56.98	57.81	62.96	56.53	66.46	60.87
Competencia física	14.36	12.43	16.46	17.14	16.71	12.43
Comportamiento diario	15.00	17.00	18.00	18.00	18.00	17.00
Conocimiento y comprensión	4.00	4.00	4.00	4.00	8.00	7.00
Motivación y confianza	23.50	24.50	23.00	18.20	23.60	24.80

control_nacional <- tribble(
  ~dominio, ~mediana_esperada, ~P25_esperado, ~P75_esperado,
  "CAPL-2 total", 59.8, 53.8, 66.7,
  "Competencia física", 14.7, 12.0, 17.5,
  "Comportamiento diario", 17.0, 14.0, 20.0,
  "Motivación y confianza", 23.1, 19.6, 26.4,
  "Conocimiento y comprensión", 5.0, 3.0, 7.0
)

control_nacional <- control_nacional %>%
  left_join(
    tabla_puntajes_nacional %>%
      select(
        dominio,
        mediana,
        P25,
        P75
      ),
    by = "dominio"
  ) %>%
  mutate(
    coincide_mediana =
      abs(
        mediana -
        mediana_esperada
      ) < 0.11,
    coincide_P25 =
      abs(
        P25 -
        P25_esperado
      ) < 0.11,
    coincide_P75 =
      abs(
        P75 -
        P75_esperado
      ) < 0.11
  )

knitr::kable(
  control_nacional,
  caption = "Control de descriptivos nacionales"
)

Control de descriptivos nacionales
dominio	mediana_esperada	P25_esperado	P75_esperado	mediana	P25	P75	coincide_mediana	coincide_P25	coincide_P75
CAPL-2 total	59.8	53.8	66.7	59.77	53.83	66.71	TRUE	TRUE	TRUE
Competencia física	14.7	12.0	17.5	14.71	12.00	17.50	TRUE	TRUE	TRUE
Comportamiento diario	17.0	14.0	20.0	17.00	14.00	20.00	TRUE	TRUE	TRUE
Motivación y confianza	23.1	19.6	26.4	23.10	19.62	26.40	TRUE	TRUE	TRUE
Conocimiento y comprensión	5.0	3.0	7.0	5.00	3.00	7.00	TRUE	TRUE	TRUE

if (
  !all(
    control_nacional$coincide_mediana &
    control_nacional$coincide_P25 &
    control_nacional$coincide_P75
  )
) {
  warning(
    "Algún descriptivo nacional no coincide con la versión definitiva."
  )
}

7 6. Categorías interpretativas oficiales del CAPL-2

Las categorías se obtienen mediante los criterios oficiales del CAPL-2 considerando la edad, el sexo y el puntaje correspondiente.

car_nacional_categorias <- car_nacional %>%
  mutate(
    categoria_pc =
      capl::get_capl_interpretation(
        age = edad,
        gender = sexo_capl,
        score = competencia_fisica,
        protocol = "pc"
      ),

    categoria_db =
      capl::get_capl_interpretation(
        age = edad,
        gender = sexo_capl,
        score = comportamiento_diario,
        protocol = "db"
      ),

    categoria_mc =
      capl::get_capl_interpretation(
        age = edad,
        gender = sexo_capl,
        score = motivacion_confianza,
        protocol = "mc"
      ),

    categoria_ku =
      capl::get_capl_interpretation(
        age = edad,
        gender = sexo_capl,
        score = conocimiento_comprension,
        protocol = "ku"
      ),

    categoria_total =
      capl::get_capl_interpretation(
        age = edad,
        gender = sexo_capl,
        score = capl_total,
        protocol = "capl"
      )
  )

auditoria_categorias <- tibble(
  dominio = c(
    "Competencia física",
    "Comportamiento diario",
    "Motivación y confianza",
    "Conocimiento y comprensión",
    "CAPL-2 total"
  ),

  n_puntaje = c(
    sum(!is.na(
      car_nacional_categorias$competencia_fisica
    )),
    sum(!is.na(
      car_nacional_categorias$comportamiento_diario
    )),
    sum(!is.na(
      car_nacional_categorias$motivacion_confianza
    )),
    sum(!is.na(
      car_nacional_categorias$conocimiento_comprension
    )),
    sum(!is.na(
      car_nacional_categorias$capl_total
    ))
  ),

  n_categoria = c(
    sum(!is.na(
      car_nacional_categorias$categoria_pc
    )),
    sum(!is.na(
      car_nacional_categorias$categoria_db
    )),
    sum(!is.na(
      car_nacional_categorias$categoria_mc
    )),
    sum(!is.na(
      car_nacional_categorias$categoria_ku
    )),
    sum(!is.na(
      car_nacional_categorias$categoria_total
    ))
  )
) %>%
  mutate(
    diferencia =
      n_puntaje -
      n_categoria
  )

knitr::kable(
  auditoria_categorias,
  caption = "Auditoría de las categorías oficiales"
)

Auditoría de las categorías oficiales
dominio	n_puntaje	n_categoria
Competencia física	843	843
Comportamiento diario	840	840
Motivación y confianza	842	842
Conocimiento y comprensión	842	842
CAPL-2 total	838	838

if (
  any(
    auditoria_categorias$diferencia != 0
  )
) {
  stop(
    "Existen puntajes válidos sin categoría oficial reproducida."
  )
}

categorias_largo <- car_nacional_categorias %>%
  select(
    edad,
    sexo,
    region,
    categoria_pc,
    categoria_db,
    categoria_mc,
    categoria_ku,
    categoria_total
  ) %>%
  pivot_longer(
    cols =
      starts_with(
        "categoria_"
      ),
    names_to = "variable",
    values_to = "categoria"
  ) %>%
  mutate(
    dominio = case_when(
      variable ==
        "categoria_pc" ~
        "Competencia física",

      variable ==
        "categoria_db" ~
        "Comportamiento diario",

      variable ==
        "categoria_mc" ~
        "Motivación y confianza",

      variable ==
        "categoria_ku" ~
        "Conocimiento y comprensión",

      variable ==
        "categoria_total" ~
        "CAPL-2 total"
    ),

    categoria =
      factor(
        categoria,
        levels = c(
          "beginning",
          "progressing",
          "achieving",
          "excelling"
        ),
        labels = c(
          "Beginning",
          "Progressing",
          "Achieving",
          "Excelling"
        )
      )
  )

8 7. Distribución nacional y regional de las categorías

tabla_categorias_nacional <- categorias_largo %>%
  filter(
    !is.na(categoria)
  ) %>%
  count(
    dominio,
    categoria,
    name = "n"
  ) %>%
  group_by(
    dominio
  ) %>%
  mutate(
    total = sum(n),
    porcentaje =
      100 * n / total
  ) %>%
  ungroup() %>%
  mutate(
    porcentaje =
      round(
        porcentaje,
        1
      ),
    presentacion =
      paste0(
        n,
        " (",
        format(
          porcentaje,
          nsmall = 1,
          decimal.mark = ","
        ),
        "%)"
      )
  )

tabla_categorias_nacional_ancha <-
  tabla_categorias_nacional %>%
  select(
    dominio,
    total,
    categoria,
    presentacion
  ) %>%
  distinct() %>%
  pivot_wider(
    names_from = categoria,
    values_from = presentacion
  ) %>%
  rename(
    n = total
  )

knitr::kable(
  tabla_categorias_nacional_ancha,
  caption = "Distribución nacional según categorías interpretativas oficiales del CAPL-2"
)

Distribución nacional según categorías interpretativas oficiales del CAPL-2
dominio	n	Beginning	Progressing	Achieving	Excelling
CAPL-2 total	838	115 (13,7%)	545 (65,0%)	123 (14,7%)	55 ( 6,6%)
Competencia física	843	372 (44,1%)	366 (43,4%)	60 ( 7,1%)	45 ( 5,3%)
Comportamiento diario	840	56 ( 6,7%)	645 (76,8%)	126 (15,0%)	13 ( 1,5%)
Conocimiento y comprensión	842	386 (45,8%)	208 (24,7%)	88 (10,5%)	160 (19,0%)
Motivación y confianza	842	55 ( 6,5%)	363 (43,1%)	163 (19,4%)	261 (31,0%)

categorias_esperadas <- tribble(
  ~dominio, ~Beginning, ~Progressing, ~Achieving, ~Excelling,
  "CAPL-2 total", 115, 545, 123, 55,
  "Competencia física", 372, 366, 60, 45,
  "Comportamiento diario", 56, 645, 126, 13,
  "Motivación y confianza", 55, 363, 163, 261,
  "Conocimiento y comprensión", 386, 208, 88, 160
)

categorias_observadas <- tabla_categorias_nacional %>%
  select(
    dominio,
    categoria,
    n
  ) %>%
  pivot_wider(
    names_from = categoria,
    values_from = n,
    values_fill = 0
  )

control_categorias <- categorias_esperadas %>%
  left_join(
    categorias_observadas,
    by = "dominio",
    suffix = c(
      "_esperado",
      "_observado"
    )
  )

for (
  cat_actual in c(
    "Beginning",
    "Progressing",
    "Achieving",
    "Excelling"
  )
) {

  control_categorias[[
    paste0(
      "coincide_",
      cat_actual
    )
  ]] <-
    control_categorias[[
      paste0(
        cat_actual,
        "_esperado"
      )
    ]] ==
    control_categorias[[
      paste0(
        cat_actual,
        "_observado"
      )
    ]]
}

knitr::kable(
  control_categorias,
  caption = "Control de correspondencia de las categorías nacionales"
)

Control de correspondencia de las categorías nacionales
dominio	Beginning_esperado	Progressing_esperado	Achieving_esperado	Excelling_esperado	Beginning_observado	Progressing_observado	Achieving_observado	Excelling_observado	coincide_Beginning	coincide_Progressing	coincide_Achieving	coincide_Excelling
CAPL-2 total	115	545	123	55	115	545	123	55	TRUE	TRUE	TRUE	TRUE
Competencia física	372	366	60	45	372	366	60	45	TRUE	TRUE	TRUE	TRUE
Comportamiento diario	56	645	126	13	56	645	126	13	TRUE	TRUE	TRUE	TRUE
Motivación y confianza	55	363	163	261	55	363	163	261	TRUE	TRUE	TRUE	TRUE
Conocimiento y comprensión	386	208	88	160	386	208	88	160	TRUE	TRUE	TRUE	TRUE

columnas_control <- grep(
  "^coincide_",
  names(
    control_categorias
  ),
  value = TRUE
)

if (
  !all(
    unlist(
      control_categorias[
        columnas_control
      ]
    )
  )
) {
  stop(
    "La distribución de categorías no coincide con los resultados definitivos."
  )
}

tabla_categorias_region <- categorias_largo %>%
  filter(
    !is.na(categoria)
  ) %>%
  count(
    dominio,
    region,
    categoria,
    name = "n"
  ) %>%
  group_by(
    dominio,
    region
  ) %>%
  mutate(
    total_region =
      sum(n),
    porcentaje =
      100 *
      n /
      total_region
  ) %>%
  ungroup() %>%
  mutate(
    porcentaje =
      round(
        porcentaje,
        1
      )
  ) %>%
  arrange(
    dominio,
    region,
    categoria
  )

knitr::kable(
  head(
    tabla_categorias_region,
    40
  ),
  caption = "Ejemplo de la distribución de categorías oficiales según región"
)

Ejemplo de la distribución de categorías oficiales según región
dominio	region	categoria	n	total_region	porcentaje
CAPL-2 total	Caribe	Beginning	28	140	20.0
CAPL-2 total	Caribe	Progressing	98	140	70.0
CAPL-2 total	Caribe	Achieving	11	140	7.9
CAPL-2 total	Caribe	Excelling	3	140	2.1
CAPL-2 total	Centro sur-Amazonía	Beginning	29	139	20.9
CAPL-2 total	Centro sur-Amazonía	Progressing	85	139	61.2
CAPL-2 total	Centro sur-Amazonía	Achieving	20	139	14.4
CAPL-2 total	Centro sur-Amazonía	Excelling	5	139	3.6
CAPL-2 total	Centro-Oriente	Beginning	14	138	10.1
CAPL-2 total	Centro-Oriente	Progressing	84	138	60.9
CAPL-2 total	Centro-Oriente	Achieving	33	138	23.9
CAPL-2 total	Centro-Oriente	Excelling	7	138	5.1
CAPL-2 total	Eje cafetero-Antioquia	Beginning	23	141	16.3
CAPL-2 total	Eje cafetero-Antioquia	Progressing	112	141	79.4
CAPL-2 total	Eje cafetero-Antioquia	Achieving	6	141	4.3
CAPL-2 total	Llanos-Orinoquía	Beginning	11	140	7.9
CAPL-2 total	Llanos-Orinoquía	Progressing	65	140	46.4
CAPL-2 total	Llanos-Orinoquía	Achieving	30	140	21.4
CAPL-2 total	Llanos-Orinoquía	Excelling	34	140	24.3
CAPL-2 total	Pacífico	Beginning	10	140	7.1
CAPL-2 total	Pacífico	Progressing	101	140	72.1
CAPL-2 total	Pacífico	Achieving	23	140	16.4
CAPL-2 total	Pacífico	Excelling	6	140	4.3
Competencia física	Caribe	Beginning	65	140	46.4
Competencia física	Caribe	Progressing	64	140	45.7
Competencia física	Caribe	Achieving	8	140	5.7
Competencia física	Caribe	Excelling	3	140	2.1
Competencia física	Centro sur-Amazonía	Beginning	94	141	66.7
Competencia física	Centro sur-Amazonía	Progressing	45	141	31.9
Competencia física	Centro sur-Amazonía	Achieving	2	141	1.4
Competencia física	Centro-Oriente	Beginning	39	140	27.9
Competencia física	Centro-Oriente	Progressing	83	140	59.3
Competencia física	Centro-Oriente	Achieving	12	140	8.6
Competencia física	Centro-Oriente	Excelling	6	140	4.3
Competencia física	Eje cafetero-Antioquia	Beginning	29	141	20.6
Competencia física	Eje cafetero-Antioquia	Progressing	83	141	58.9
Competencia física	Eje cafetero-Antioquia	Achieving	17	141	12.1
Competencia física	Eje cafetero-Antioquia	Excelling	12	141	8.5
Competencia física	Llanos-Orinoquía	Beginning	48	141	34.0
Competencia física	Llanos-Orinoquía	Progressing	48	141	34.0

9 8. Asociación entre región y categoría oficial

analizar_asociacion <- function(datos) {

  datos <- datos %>%
    filter(
      !is.na(region),
      !is.na(categoria)
    )

  tab <- table(
    datos$region,
    datos$categoria
  )

  prueba <- suppressWarnings(
    chisq.test(
      tab,
      correct = FALSE
    )
  )

  n_total <- sum(tab)

  filas <- nrow(tab)
  columnas <- ncol(tab)

  v_cramer <- sqrt(
    as.numeric(
      prueba$statistic
    ) /
    (
      n_total *
      min(
        filas - 1,
        columnas - 1
      )
    )
  )

  tibble(
    n = n_total,
    chi2 =
      as.numeric(
        prueba$statistic
      ),
    gl =
      as.numeric(
        prueba$parameter
      ),
    p =
      prueba$p.value,
    v_cramer =
      v_cramer,
    esperado_minimo =
      min(
        prueba$expected
      ),
    porcentaje_esperados_menor_5 =
      100 *
      mean(
        prueba$expected < 5
      )
  )
}

tabla_asociacion_region_categoria <- categorias_largo %>%
  filter(
    !is.na(categoria)
  ) %>%
  group_by(
    dominio
  ) %>%
  group_modify(
    ~ analizar_asociacion(.x)
  ) %>%
  ungroup() %>%
  mutate(
    chi2 = round(
      chi2,
      3
    ),
    v_cramer =
      round(
        v_cramer,
        3
      ),
    esperado_minimo =
      round(
        esperado_minimo,
        3
      ),
    porcentaje_esperados_menor_5 =
      round(
        porcentaje_esperados_menor_5,
        3
      )
  )

knitr::kable(
  tabla_asociacion_region_categoria,
  digits = 3,
  caption = "Asociación entre región y categorías interpretativas oficiales"
)

Asociación entre región y categorías interpretativas oficiales
dominio	n	chi2	gl	v_cramer	esperado_minimo	porcentaje_esperados_menor_5
CAPL-2 total	838	144.74	15	0.240	9.057	0
Competencia física	843	184.96	15	0.270	7.473	0
Comportamiento diario	840	83.46	15	0.182	2.151	25
Conocimiento y comprensión	842	321.75	15	0.357	14.527	0
Motivación y confianza	842	194.61	15	0.278	9.080	0

9.1 8.1. Monte Carlo para Comportamiento diario

set.seed(20260907)

datos_db_cat <- categorias_largo %>%
  filter(
    dominio ==
      "Comportamiento diario",
    !is.na(region),
    !is.na(categoria)
  )

tabla_db_cat <- table(
  datos_db_cat$region,
  datos_db_cat$categoria
)

chi_db_mc <- chisq.test(
  tabla_db_cat,
  simulate.p.value = TRUE,
  B = 100000
)

n_db <- sum(
  tabla_db_cat
)

v_cramer_db <- sqrt(
  as.numeric(
    chi_db_mc$statistic
  ) /
  (
    n_db *
    min(
      nrow(
        tabla_db_cat
      ) - 1,
      ncol(
        tabla_db_cat
      ) - 1
    )
  )
)

resultado_db_mc <- tibble(
  dominio =
    "Comportamiento diario",
  n = n_db,
  chi2 =
    as.numeric(
      chi_db_mc$statistic
    ),
  p_monte_carlo =
    chi_db_mc$p.value,
  B = 100000,
  v_cramer =
    v_cramer_db
) %>%
  mutate(
    chi2 =
      round(
        chi2,
        3
      ),
    v_cramer =
      round(
        v_cramer,
        3
      )
  )

knitr::kable(
  resultado_db_mc,
  digits = 4,
  caption = "Verificación Monte Carlo para Comportamiento diario"
)

Verificación Monte Carlo para Comportamiento diario
dominio	n	chi2	p_monte_carlo	B	v_cramer
Comportamiento diario	840	83.46	0	100000	0.182

asociacion_esperada <- tribble(
  ~dominio, ~n_esperado, ~chi2_esperado, ~v_esperado,
  "CAPL-2 total", 838, 145.0, 0.240,
  "Competencia física", 843, 185.0, 0.270,
  "Comportamiento diario", 840, 83.5, 0.182,
  "Motivación y confianza", 842, 195.0, 0.278,
  "Conocimiento y comprensión", 842, 322.0, 0.357
)

control_asociacion <- asociacion_esperada %>%
  left_join(
    tabla_asociacion_region_categoria %>%
      select(
        dominio,
        n,
        chi2,
        v_cramer
      ),
    by = "dominio"
  ) %>%
  mutate(
    coincide_n =
      n ==
      n_esperado,
    coincide_chi2 =
      abs(
        chi2 -
        chi2_esperado
      ) < 0.11,
    coincide_v =
      abs(
        v_cramer -
        v_esperado
      ) < 0.002
  )

knitr::kable(
  control_asociacion,
  caption = "Control de correspondencia de la asociación región × categoría"
)

Control de correspondencia de la asociación región × categoría
dominio	n_esperado	chi2_esperado	v_esperado	n	chi2	v_cramer	coincide_n	coincide_chi2	coincide_v
CAPL-2 total	838	145.0	0.240	838	144.74	0.240	TRUE	FALSE	TRUE
Competencia física	843	185.0	0.270	843	184.96	0.270	TRUE	TRUE	TRUE
Comportamiento diario	840	83.5	0.182	840	83.46	0.182	TRUE	TRUE	TRUE
Motivación y confianza	842	195.0	0.278	842	194.61	0.278	TRUE	FALSE	TRUE
Conocimiento y comprensión	842	322.0	0.357	842	321.75	0.357	TRUE	FALSE	TRUE

if (
  !all(
    control_asociacion$coincide_n &
    control_asociacion$coincide_chi2 &
    control_asociacion$coincide_v
  )
) {
  warning(
    "Algún resultado de asociación no coincide con el redondeo de la versión definitiva."
  )
}

10 9. Comparación regional mediante Kruskal-Wallis

analizar_kw <- function(datos) {

  datos <- datos %>%
    filter(
      !is.na(puntaje),
      !is.na(region)
    )

  prueba <- kruskal.test(
    puntaje ~ region,
    data = datos
  )

  H <- as.numeric(
    prueba$statistic
  )

  k <- length(
    unique(
      datos$region
    )
  )

  n_total <- nrow(
    datos
  )

  epsilon2 <-
    (
      H -
      k +
      1
    ) /
    (
      n_total -
      k
    )

  epsilon2 <- max(
    0,
    epsilon2
  )

  tibble(
    n = n_total,
    H = H,
    gl =
      as.numeric(
        prueba$parameter
      ),
    p =
      prueba$p.value,
    epsilon2 =
      epsilon2
  )
}

tabla_kw_definitiva <- puntajes_nacionales_largo %>%
  group_by(
    dominio
  ) %>%
  group_modify(
    ~ analizar_kw(.x)
  ) %>%
  ungroup() %>%
  mutate(
    H = round(
      H,
      3
    ),
    epsilon2 =
      round(
        epsilon2,
        3
      ),
    magnitud = case_when(
      epsilon2 <
        0.01 ~
        "Despreciable",

      epsilon2 <
        0.06 ~
        "Pequeña",

      epsilon2 <
        0.14 ~
        "Moderada",

      TRUE ~
        "Grande"
    )
  )

knitr::kable(
  tabla_kw_definitiva,
  digits = 3,
  caption = "Comparación de los puntajes del CAPL-2 entre regiones"
)

Comparación de los puntajes del CAPL-2 entre regiones
dominio	n	H	gl	epsilon2	magnitud
CAPL-2 total	838	97.12	5	0.111	Moderada
Competencia física	843	167.62	5	0.194	Grande
Comportamiento diario	840	41.46	5	0.044	Pequeña
Conocimiento y comprensión	842	294.98	5	0.347	Grande
Motivación y confianza	842	210.35	5	0.246	Grande

kw_esperado <- tribble(
  ~dominio, ~n_esperado, ~H_esperado, ~epsilon_esperado, ~magnitud_esperada,
  "CAPL-2 total", 838, 97.1, 0.111, "Moderada",
  "Competencia física", 843, 168.0, 0.194, "Grande",
  "Comportamiento diario", 840, 41.5, 0.044, "Pequeña",
  "Motivación y confianza", 842, 210.0, 0.246, "Grande",
  "Conocimiento y comprensión", 842, 295.0, 0.347, "Grande"
)

control_kw <- kw_esperado %>%
  left_join(
    tabla_kw_definitiva %>%
      select(
        dominio,
        n,
        H,
        epsilon2,
        magnitud
      ),
    by = "dominio"
  ) %>%
  mutate(
    coincide_n =
      n ==
      n_esperado,
    coincide_H =
      abs(
        H -
        H_esperado
      ) < 0.11,
    coincide_epsilon =
      abs(
        epsilon2 -
        epsilon_esperado
      ) < 0.002,
    coincide_magnitud =
      magnitud ==
      magnitud_esperada
  )

knitr::kable(
  control_kw,
  caption = "Control de correspondencia de Kruskal-Wallis"
)

Control de correspondencia de Kruskal-Wallis
dominio	n_esperado	H_esperado	epsilon_esperado	magnitud_esperada	n	H	epsilon2	magnitud	coincide_n	coincide_H	coincide_epsilon	coincide_magnitud
CAPL-2 total	838	97.1	0.111	Moderada	838	97.12	0.111	Moderada	TRUE	TRUE	TRUE	TRUE
Competencia física	843	168.0	0.194	Grande	843	167.62	0.194	Grande	TRUE	FALSE	TRUE	TRUE
Comportamiento diario	840	41.5	0.044	Pequeña	840	41.46	0.044	Pequeña	TRUE	TRUE	TRUE	TRUE
Motivación y confianza	842	210.0	0.246	Grande	842	210.35	0.246	Grande	TRUE	FALSE	TRUE	TRUE
Conocimiento y comprensión	842	295.0	0.347	Grande	842	294.98	0.347	Grande	TRUE	TRUE	TRUE	TRUE

if (
  !all(
    control_kw$coincide_n &
    control_kw$coincide_H &
    control_kw$coincide_epsilon &
    control_kw$coincide_magnitud
  )
) {
  warning(
    "Algún resultado de Kruskal-Wallis no coincide con la versión definitiva."
  )
}

11 10. Comparaciones post hoc de Dunn con ajuste de Holm

La implementación reproduce la corrección por empates utilizada en el análisis definitivo.

dunn_holm <- function(datos) {

  datos <- datos %>%
    filter(
      !is.na(puntaje),
      !is.na(region)
    )

  x <- datos$puntaje
  g <- factor(
    datos$region
  )

  N <- length(x)

  rangos <- rank(
    x,
    ties.method =
      "average"
  )

  niveles <- levels(g)

  n_grupo <- table(g)

  rango_medio <- tapply(
    rangos,
    g,
    mean
  )

  mediana_grupo <- tapply(
    x,
    g,
    median
  )

  frecuencias_empates <- table(
    x
  )

  termino_empates <- sum(
    frecuencias_empates^3 -
    frecuencias_empates
  )

  varianza_dunn <-
    N *
    (
      N + 1
    ) /
    12 -
    termino_empates /
    (
      12 *
      (
        N - 1
      )
    )

  pares <- combn(
    niveles,
    2,
    simplify = FALSE
  )

  resultados <- lapply(
    pares,
    function(par) {

      g1 <- par[1]
      g2 <- par[2]

      diferencia_rangos <-
        rango_medio[g1] -
        rango_medio[g2]

      error_estandar <- sqrt(
        varianza_dunn *
        (
          1 /
          n_grupo[g1] +
          1 /
          n_grupo[g2]
        )
      )

      z <- as.numeric(
        diferencia_rangos /
        error_estandar
      )

      p <- 2 *
        pnorm(
          -abs(z)
        )

      if (
        rango_medio[g1] >=
        rango_medio[g2]
      ) {

        grupo_mayor <- g1
        grupo_menor <- g2

      } else {

        grupo_mayor <- g2
        grupo_menor <- g1
      }

      tibble(
        grupo_1 = g1,
        grupo_2 = g2,
        grupo_mayor =
          grupo_mayor,
        grupo_menor =
          grupo_menor,
        mediana_1 =
          as.numeric(
            mediana_grupo[g1]
          ),
        mediana_2 =
          as.numeric(
            mediana_grupo[g2]
          ),
        z = z,
        p_sin_ajuste = p
      )
    }
  ) %>%
    bind_rows()

  resultados %>%
    mutate(
      p_ajustada = p.adjust(
        p_sin_ajuste,
        method = "holm"
      ),
      abs_z = abs(z),
      significativo =
        p_ajustada < 0.05,
      contraste = paste(
        grupo_mayor,
        ">",
        grupo_menor
      )
    )
}

tabla_dunn_completa <- puntajes_nacionales_largo %>%
  group_by(
    dominio
  ) %>%
  group_modify(
    ~ dunn_holm(.x)
  ) %>%
  ungroup() %>%
  mutate(
    z = round(
      z,
      3
    ),
    abs_z = round(
      abs_z,
      3
    ),
    mediana_1 = round(
      mediana_1,
      2
    ),
    mediana_2 = round(
      mediana_2,
      2
    )
  )

tabla_dunn_significativas <- tabla_dunn_completa %>%
  filter(
    significativo
  ) %>%
  arrange(
    dominio,
    p_ajustada,
    desc(abs_z)
  )

auditoria_dunn <- tabla_dunn_completa %>%
  group_by(
    dominio
  ) %>%
  summarise(
    comparaciones_totales =
      n(),
    comparaciones_significativas =
      sum(
        significativo
      ),
    .groups = "drop"
  )

knitr::kable(
  auditoria_dunn,
  caption = "Número de comparaciones post hoc significativas por resultado"
)

Número de comparaciones post hoc significativas por resultado
dominio	comparaciones_totales	comparaciones_significativas
CAPL-2 total	15	9
Competencia física	15	11
Comportamiento diario	15	5
Conocimiento y comprensión	15	10
Motivación y confianza	15	5

tabla_dunn_principales <- tabla_dunn_significativas %>%
  group_by(
    dominio
  ) %>%
  slice_max(
    order_by = abs_z,
    n = 3,
    with_ties = FALSE
  ) %>%
  ungroup() %>%
  arrange(
    dominio,
    desc(abs_z)
  ) %>%
  select(
    dominio,
    contraste,
    mediana_1,
    mediana_2,
    abs_z,
    p_ajustada
  )

knitr::kable(
  tabla_dunn_principales,
  digits = 3,
  caption = "Principales comparaciones post hoc entre regiones"
)

Principales comparaciones post hoc entre regiones
dominio	contraste	mediana_1	mediana_2	abs_z	p_ajustada
CAPL-2 total	Llanos-Orinoquía > Eje cafetero-Antioquia	56.53	66.46	8.128	0.000
CAPL-2 total	Llanos-Orinoquía > Caribe	56.98	66.46	7.299	0.000
CAPL-2 total	Llanos-Orinoquía > Centro sur-Amazonía	57.81	66.46	6.015	0.000
Competencia física	Eje cafetero-Antioquia > Pacífico	17.14	12.43	9.341	0.000
Competencia física	Eje cafetero-Antioquia > Centro sur-Amazonía	12.43	17.14	9.002	0.000
Competencia física	Centro-Oriente > Pacífico	16.46	12.43	7.887	0.000
Comportamiento diario	Llanos-Orinoquía > Caribe	15.00	18.00	5.778	0.000
Comportamiento diario	Centro-Oriente > Caribe	15.00	18.00	4.668	0.000
Comportamiento diario	Eje cafetero-Antioquia > Caribe	15.00	18.00	4.039	0.001
Conocimiento y comprensión	Llanos-Orinoquía > Eje cafetero-Antioquia	4.00	8.00	13.222	0.000
Conocimiento y comprensión	Pacífico > Eje cafetero-Antioquia	4.00	7.00	11.891	0.000
Conocimiento y comprensión	Llanos-Orinoquía > Caribe	4.00	8.00	11.337	0.000
Motivación y confianza	Centro sur-Amazonía > Eje cafetero-Antioquia	24.50	18.20	12.463	0.000
Motivación y confianza	Pacífico > Eje cafetero-Antioquia	18.20	24.80	11.981	0.000
Motivación y confianza	Caribe > Eje cafetero-Antioquia	23.50	18.20	10.232	0.000

dunn_esperado <- tribble(
  ~dominio, ~significativas_esperadas,
  "CAPL-2 total", 9,
  "Competencia física", 11,
  "Comportamiento diario", 5,
  "Conocimiento y comprensión", 10,
  "Motivación y confianza", 5
)

control_dunn <- dunn_esperado %>%
  left_join(
    auditoria_dunn %>%
      select(
        dominio,
        comparaciones_totales,
        comparaciones_significativas
      ),
    by = "dominio"
  ) %>%
  mutate(
    total_correcto =
      comparaciones_totales ==
      15,
    significativas_correctas =
      comparaciones_significativas ==
      significativas_esperadas
  )

knitr::kable(
  control_dunn,
  caption = "Control de correspondencia de las comparaciones de Dunn"
)

Control de correspondencia de las comparaciones de Dunn
dominio	significativas_esperadas	comparaciones_totales	comparaciones_significativas	total_correcto	significativas_correctas
CAPL-2 total	9	15	9	TRUE	TRUE
Competencia física	11	15	11	TRUE	TRUE
Comportamiento diario	5	15	5	TRUE	TRUE
Conocimiento y comprensión	10	15	10	TRUE	TRUE
Motivación y confianza	5	15	5	TRUE	TRUE

if (
  !all(
    control_dunn$total_correcto &
    control_dunn$significativas_correctas
  )
) {
  warning(
    "El número de comparaciones significativas no coincide con la versión definitiva."
  )
}

12 11. Exportación de resultados reproducibles

write.csv(
  tabla_disponibilidad_nacional,
  "CAPL2_CARACTERIZACION_DISPONIBILIDAD.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_puntajes_nacional,
  "CAPL2_CARACTERIZACION_PUNTAJES_NACIONAL.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_puntajes_region,
  "CAPL2_CARACTERIZACION_PUNTAJES_REGION.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_categorias_nacional,
  "CAPL2_CARACTERIZACION_CATEGORIAS_NACIONAL.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_categorias_region,
  "CAPL2_CARACTERIZACION_CATEGORIAS_REGION.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_asociacion_region_categoria,
  "CAPL2_CARACTERIZACION_ASOCIACION_REGION_CATEGORIAS.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  resultado_db_mc,
  "CAPL2_CARACTERIZACION_MONTE_CARLO_DB.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_kw_definitiva,
  "CAPL2_CARACTERIZACION_KRUSKAL_WALLIS.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_dunn_completa,
  "CAPL2_CARACTERIZACION_DUNN_COMPLETO.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

write.csv(
  tabla_dunn_principales,
  "CAPL2_CARACTERIZACION_DUNN_PRINCIPALES.csv",
  row.names = FALSE,
  fileEncoding = "UTF-8"
)

13 12. Control final

control_final <- tibble(
  componente = c(
    "N total",
    "Disponibilidad",
    "Categorías nacionales",
    "Asociación región × categoría",
    "Kruskal-Wallis",
    "Dunn"
  ),
  estado = c(
    nrow(car_nacional) == 843,
    all(
      control_disponibilidad$coincide
    ),
    all(
      unlist(
        control_categorias[
          columnas_control
        ]
      )
    ),
    all(
      control_asociacion$coincide_n &
      control_asociacion$coincide_chi2 &
      control_asociacion$coincide_v
    ),
    all(
      control_kw$coincide_n &
      control_kw$coincide_H &
      control_kw$coincide_epsilon &
      control_kw$coincide_magnitud
    ),
    all(
      control_dunn$total_correcto &
      control_dunn$significativas_correctas
    )
  )
)

knitr::kable(
  control_final,
  caption = "Control final de correspondencia con los resultados definitivos"
)

Control final de correspondencia con los resultados definitivos
componente	estado
N total	TRUE
Disponibilidad	TRUE
Categorías nacionales	TRUE
Asociación región × categoría	FALSE
Kruskal-Wallis	FALSE
Dunn	TRUE

if (!all(control_final$estado)) {
  warning(
    "Existe al menos una discrepancia con los resultados definitivos. Revise antes de publicar."
  )
}

14 13. Información de sesión

sessionInfo()

## R version 4.5.1 (2025-06-13 ucrt)
## Platform: x86_64-w64-mingw32/x64
## Running under: Windows 11 x64 (build 26200)
## 
## Matrix products: default
##   LAPACK version 3.12.1
## 
## locale:
## [1] LC_COLLATE=Spanish_Colombia.utf8  LC_CTYPE=Spanish_Colombia.utf8   
## [3] LC_MONETARY=Spanish_Colombia.utf8 LC_NUMERIC=C                     
## [5] LC_TIME=Spanish_Colombia.utf8    
## 
## time zone: America/Bogota
## tzcode source: internal
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
## [1] knitr_1.50   capl_1.42    purrr_1.1.0  tibble_3.3.0 tidyr_1.3.1 
## [6] dplyr_1.2.0  readxl_1.4.5
## 
## loaded via a namespace (and not attached):
##  [1] gtable_0.3.6       jsonlite_2.0.0     compiler_4.5.1     tidyselect_1.2.1  
##  [5] stringr_1.5.1      jquerylib_0.1.4    scales_1.4.0       yaml_2.3.10       
##  [9] fastmap_1.2.0      ggplot2_4.0.1      R6_2.6.1           generics_0.1.4    
## [13] lubridate_1.9.4    bslib_0.9.0        pillar_1.11.0      RColorBrewer_1.1-3
## [17] rlang_1.2.0        stringi_1.8.7      cachem_1.1.0       xfun_0.55         
## [21] sass_0.4.10        S7_0.2.1           timechange_0.3.0   cli_3.6.6         
## [25] withr_3.0.2        magrittr_2.0.3     digest_0.6.37      grid_4.5.1        
## [29] rstudioapi_0.17.1  lifecycle_1.0.5    vctrs_0.7.1        writexl_1.5.4     
## [33] evaluate_1.0.4     glue_1.8.0         farver_2.1.2       cellranger_1.1.0  
## [37] rmarkdown_2.29     tools_4.5.1        pkgconfig_2.0.3    htmltools_0.5.8.1

CAPL-2 Colombia: Caracterización de la alfabetización física — análisis reproducible

Muestra multicéntrica de escolares colombianos de 8 a 12 años

Equipo de investigación

09/09/2026