DOI: https://doi.org/10.56712/latam.v4i4.
1242
Histograma y distribución normal: Shapiro-Wilk y
Kolmogorov Smirnov aplicado en SPSS
Histogram and normal distribution: Shapiro-Wilk and Kolmogorov
Smirnov applied in SPSS
Héctor Alberto Luzuriaga Jaramillo
[email protected] https://orcid.org/0000-0002-7844-1805
Universidad Técnica de Ambato
Ambato – Ecuador
Carlos Alberto Espinosa Pinos
[email protected] https://orcid.org/0000-0002-7841-8090
Universidad Indoamérica
Ambato – Ecuador
Alexander Fernando Haro Sarango
[email protected] https://orcid.org/0000-0001-7398-2760
Instituto Superior Tecnológico España
Ambato – Ecuador
Hermel David Ortiz Román
[email protected] https://orcid.org/0000-0003-3529-3571
Universidad Técnica de Ambato
Ambato – Ecuador
Artículo recibido: 28 de septiembre del 2023. Aceptado para publicación: 13 de octubre de 2023.
Conflictos de Interés: Ninguno que declarar.
Resumen
En el ámbito de los estudios relacionados con la administración, la economía y la sociedad, los
histogramas se pueden emplear con el propósito de visualizar la distribución de los datos, por
otra parte, las distribuciones normales son frecuentemente utilizadas para modelar fenómenos
que ocurren en la vida real para efectuar predicciones basadas en análisis estadísticos viables y
sólidos. Por la relevancia, el estudio tiene como objetivo generar una guía para el análisis de la
normalidad de una variable específica utilizando métodos estadísticos y gráficos aplicados en
SPSS. El método aplicado en este estudio posibilitó un examen minucioso de una variable
específica piloteada empleando enfoques tanto estadísticos como visuales. Los histogramas
revelaron la disposición de las frecuencias y los esquemas de los datos, en contraste, los gráficos
Q-Q ofrecieron una confrontación directa con una distribución normal de referencia. Las pruebas
de Shapiro-Wilk y Kolmogorov-Smirnov resultaron en la obtención de valores "p" que se cotejaron
con niveles predefinidos de significancia, lo cual contribuyó a la identificación de la conformidad
de los datos con una distribución normal.
Palabras clave: estadística, histograma, datos, normalidad
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 596.
Abstract
In the field of studies related to management, economics and society, histograms can be
employed for the purpose of visualizing the distribution of data, on the other hand, normal
distributions are frequently used to model phenomena occurring in real life to make predictions
based on viable and robust statistical analysis. Because of the relevance, the study aims to
generate a guide for the analysis of the normality of a specific variable using statistical methods
and graphics applied in SPSS. The method applied in this study enabled a thorough examination
of a specific piloted variable using both statistical and visual approaches. Histograms revealed
the arrangement of frequencies and data patterns, in contrast, Q-Q plots offered a direct
confrontation with a reference normal distribution. Shapiro-Wilk and Kolmogorov-Smirnov tests
resulted in p-values that were checked against predefined levels of significance, which
contributed to the identification of the conformity of the data with a normal distribution.
Keywords: statistics, histogram, data, normality
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,
publicados en este sitio está disponibles bajo Licencia Creative Commons .
Como citar: Luzuriaga Jaramillo, H. A., Espinosa Pinos, C. A., Haro Sarango, A. F. & Oriz Román,
H. D. (2023). Histograma y distribución normal: Shapiro-Wilk y Kolmogorov Smirnov aplicado en
SPSS. LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades 4(4), 596– 607.
https://doi.org/10.56712/latam.v4i4.1242
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 597.
INTRODUCCIÓN
El histograma y la distribución normal son conceptos importantes en estadística y análisis de
datos. Permiten comprender la distribución de frecuencias y la forma de los datos (Tauber, 2001).
Para evaluar la normalidad de una distribución, se suelen utilizar pruebas estadísticas como la
prueba de Shapiro-Wilk y la prueba de Kolmogorov-Smirnov. Estas pruebas ayudan a determinar
si un conjunto de datos sigue una distribución normal o se desvía significativamente de ella
(Pedrosa et al., 2015).
Los histogramas y las distribuciones normales se utilizan habitualmente en estudios
administrativos, económicos y sociales. Un histograma es una representación gráfica de la
distribución de un conjunto de datos, en la que los datos se dividen en intervalos y la frecuencia
de cada intervalo se representa en el eje Y (Hederich Martínez, 2023). Una distribución normal,
también conocida como distribución de Gauss, es una distribución de probabilidad simétrica y
en forma de campana, con la mayoría de los datos agrupados en torno a la media (Tomás-
Sábado, 2010).
En estudios administrativos, económicos y sociales, los histogramas pueden utilizarse para
visualizar la distribución de datos, como los ingresos o las notas de los exámenes, y para
identificar patrones o valores atípicos (Haro Sarango et al., 2023; Roldán Molina, 2019). Las
distribuciones normales se utilizan a menudo para modelizar fenómenos del mundo real, como
la distribución de alturas o pesos en una población, y para hacer predicciones basadas en análisis
estadísticos (Guachimboza-Villalva et al., 2021; Pinkovetskaia et al., 2021). Además de los
histogramas y las distribuciones normales, en los estudios administrativos, económicos y
sociales suelen utilizarse otras herramientas estadísticas, como parámetros como la media y la
desviación típica, y técnicas como los gráficos de control y el diseño experimental, un ejemplo,
es el estudio ejecutado en el sector cooperativo de Altamirano et al. (2023).
La prueba de Shapiro-Wilk es una prueba paramétrica que mide la correlación entre los datos y
las puntuaciones normales correspondientes. Calcula un estadístico de prueba (W) y lo compara
con los valores críticos para determinar si los datos se desvían significativamente de la
normalidad (Juárez Manayay, 2021). Por otro lado, la prueba de Kolmogorov-Smirnov es una
prueba no paramétrica que compara la función de distribución empírica de una muestra con una
distribución de referencia, como una distribución normal. Cuantifica la diferencia máxima (D)
entre las dos funciones de distribución acumulativa (Platas García, 2021).
Ambas pruebas desempeñan un papel crucial en la evaluación de la normalidad de los datos y
se utilizan a menudo en diversos campos, como la investigación, las finanzas y el control de
calidad. Sin embargo, es importante señalar que los resultados de estas pruebas no siempre
coinciden con las evaluaciones visuales, como los histogramas. Las discrepancias pueden
deberse a factores como el tamaño de la muestra, la forma de la distribución subyacente y la
sensibilidad de las pruebas.
Entrando en contexto, el histograma y la distribución normal son herramientas fundamentales en
el análisis de datos. La prueba de Shapiro-Wilk y la prueba de Kolmogorov-Smirnov son pruebas
estadísticas utilizadas para evaluar la normalidad de una distribución. Combinando
representaciones visuales como los histogramas con estas pruebas, los investigadores pueden
obtener una comprensión exhaustiva de la distribución de sus datos y tomar decisiones
fundamentadas basándose en los resultados. Por aquello, el estudio plantea como base generar
una guía para el análisis de la normalidad de una variable específica utilizando métodos
estadísticos y gráficos aplicados en SPSS.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 598.
MÉTODO
Diseño del Estudio
Para lograr el propósito del estudio, se aplicaron las pruebas de normalidad de Shapiro-Wilk y
Kolmogorov-Smirnov, así como la creación de histogramas y gráficos Q-Q en el software
estadístico SPSS (Statistical Package for the Social Sciences).
Muestra
La muestra utilizada en este estudio consiste en una selección de una base de datos piloto,
resultando en un tamaño de muestra de 100 datos respectivamente. Estos datos fueron
elaborados de forma proactiva para divisar el proceso de ejecución y como se da lectura a los
resultados.
Procedimiento
Preparación de los datos: Los datos fueron importados en formato electrónico al software SPSS
para su posterior análisis.
Creación de Histogramas: Se generaron histogramas para visualizar la distribución de la variable
de interés. Los histogramas proporcionan una representación gráfica de la frecuencia de los
valores en intervalos específicos, lo que ayuda a evaluar la forma general de la distribución.
Prueba de Shapiro-Wilk: Se realizó la prueba de normalidad de Shapiro-Wilk para verificar si los
datos se ajustan a una distribución normal. El p-valor resultante de esta prueba se comparó con
un nivel de significancia predefinido para determinar si se rechaza o no la hipótesis nula de
normalidad.
Prueba de Kolmogorov-Smirnov: Se aplicó la prueba de normalidad de Kolmogorov-Smirnov para
evaluar la normalidad de los datos. Al igual que en la prueba de Shapiro-Wilk, el p-valor obtenido
se comparó con un nivel de significancia para tomar una decisión sobre la normalidad.
Gráficos Q-Q (Quantile-Quantile): Se generaron gráficos Q-Q para comparar los cuantiles de los
datos con los cuantiles esperados de una distribución normal. Estos gráficos proporcionan una
visualización adicional de la normalidad y pueden revelar desviaciones en la distribución de los
datos.
Análisis de Datos
El análisis de los resultados se basó en la interpretación de los histogramas, los valores de p-
valor obtenidos de las pruebas de normalidad y la observación de los gráficos Q-Q. Se
compararon los resultados de ambas pruebas de normalidad y se consideró la validez de la
hipótesis nula de normalidad en función de los p-valores obtenidos.
RESULTADOS
En primera instancia cargamos los datos en el sistema SPSS, recordemos que, para el cálculo de
los test de normalidad Shapiro-Wilk y el test de Kolmogorov-Smirnov son pruebas estadísticas
utilizadas para evaluar si una muestra de datos sigue una distribución normal (gaussiana) o no.
Sin embargo, estas pruebas están diseñadas principalmente para datos continuos, no
categóricos. Se detalla la visualización de la data en el software:
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 599.
Figura 1
Carga de los datos
Posteriormente, en la barra de opciones nos dirigimos en >Analizar< luego >Estadísticos
descriptivos< finalmente en la opción >Explorar<.
Figura 2
Direccionando a la opción
Consecutivamente, nos aparecerá la siguiente ventana en la opción >Explorar<, donde, en la
>Lista de independientes< procedemos a insertar la variable cuantitativa continua y, manteniendo
la opción >Ambos< en la parte inferior para un mejor detalle.
Figura 3
Ventana explorar
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 600.
Consecutivamente, explicaremos los distintos botones que nos ofrece la opción >Explorar<, en
el primero denominado >Estadísticos< donde, por preferencia, dejamos las opciones que están
marcadas y >Continuar<.
Figura 4
Ventana explorar: Estadísticos
Inmediatamente, explicaremos en el siguiente botón que nos ofrece la opción >Explorar<, en el
denominado >Gráficos< donde, por preferencia, dejamos las opciones que están marcadas y,
adicional, seleccionamos la casilla >Histograma< y >Gráficos de normalidad con pruebas<,
>Continuar< y, en la primera ventana, >Aceptar<.
Figura 5
Ventana explorar: Gráficos
Luego de haber dado click en la opción >Aceptar< se despliega todo el modelo tal y con las
especificaciones mencionadas. En primera instancia saldrá el >Resumen de procesamiento de
casos< en donde podemos visualizar la cantidad de datos procesados en el análisis y la cantidad
de datos omitidos por algún error encontrado, un ejemplo podría ser cuadros vacíos o datos fuera
de las especificaciones adecuadas.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 601.
Tabla 1
Resumen de procesamiento de casos
Consecutivamente, se genera una tabla de >Descriptivos< donde se genera un resumen del
comportamiento de la variable en distintas especificidades como, medidas de tendencia central,
dispersión o de forma. Se procede a dar lectura a los datos de la tabla y su forma de
interpretación:
Media: La media aritmética de la variable "Edad", que es la suma de todas las edades dividida por
el número de observaciones. En este caso, la media es de aproximadamente 41,39 años.
95% Intervalo de Confianza para la Media: Un intervalo estimado en el que se espera que esté la
verdadera media poblacional con un 95% de confianza. En este caso, se estima que la verdadera
media de la población de edades se encuentra entre aproximadamente 39,513 y 43,267 años.
Media Recortada al 5%: La media calculada después de eliminar el 5% de los valores extremos
más altos y bajos. En este caso, tiene aproximadamente 41,522 años.
Mediana: El valor medio cuando los datos se ordenan en orden ascendente. En este caso, la
mediana es 41 años, lo que significa que al menos la mitad de las edades son iguales o menores
que 41, y al menos la mitad son iguales o mayores que 41.
Varianza: Una medida de cuánto se dispersan los datos alrededor de la media. En este caso, la
varianza es aproximadamente 89,513.
Desviación Estándar: La raíz cuadrada de la varianza, que representa la dispersión promedio de
los datos alrededor de la media. Aquí, tiene aproximadamente 9,4611 años.
Mínimo: El valor más bajo en la variable "Edad". En este caso, es 12 años.
Máximo: El valor más alto en la variable "Edad". Aquí, tiene 61 años.
Rango: La diferencia entre el valor máximo y el valor mínimo. En este caso, tiene 49 años.
Rango Intercuartil: La diferencia entre el tercer cuartil y el primer cuartil. Representa el rango que
abarca el 50% central de los datos. En este escenario, es 11,8 años.
Asimetría: Mide la asimetría de la distribución. Un valor negativo indica una asimetría hacia la
izquierda (cola larga a la izquierda). En este conjunto de datos, es aproximadamente -0,197, lo
que sugiere una leve asimetría hacia la izquierda.
Nota: sí el valor de asimetría es (0) indica la existencia de una distribución simétrica, sí es
negativa (-) indica una cola larga a la izquierda, sí resulta positivo (+) es una cola larga a la
derecha.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 602.
Curtosis: Mide la forma de la distribución y cuánto se desvía de la distribución normal. Un valor
positivo indica una distribución más puntiaguda que la normal. En este cálculo, es
aproximadamente 0,179, indicando una curtosis relativamente baja y cercana a la normalidad.
Nota: sí el valor de curtosis es (>0) es distribución leptocúrtica, colas más pesadas y puntas más
agudas que la distribución normal (mesocúrtica). Las observaciones se agrupan más cerca de la
media y las colas de la distribución son más pronunciadas. (0) distribución mesocúrtica (o
normal), tiene una curtosis igual a cero, lo que indica que las colas y las puntas son similares a
las de una distribución normal. (<0) distribución platicúrtica, las observaciones tienden a ser
menos extremas y la distribución puede parecer más dispersa en comparación con una
distribución normal.
Tabla 2
Descriptivos
Por consiguiente, damos interpretación a las pruebas de normalidad de Shapiro-Wilk y
Kolmogorov Smirnov de manera individual:
Prueba de Kolmogorov-Smirnov
El p-valor (0,200) es mayor que un nivel de significancia típico de 0,05. Esto sugiere que no tienes
suficiente evidencia para rechazar la hipótesis nula de que los datos siguen una distribución
normal. En otras palabras, los datos de edad en tu conjunto de datos no muestran desviaciones
significativas de la normalidad según la prueba de Kolmogorov-Smirnov.
Prueba de Shapiro-Wilk
Al igual que en la prueba de Kolmogorov-Smirnov, el p-valor (0,598) es mayor que un nivel de
significancia comúnmente utilizado, como 0,05. Esto también indica que no hay suficiente
evidencia para rechazar la hipótesis nula de normalidad según la prueba de Shapiro-Wilk.
En sinopsis, según los resultados de ambas pruebas, no se tiene suficiente evidencia para afirmar
que los datos de edad en tu conjunto de datos se desvían significativamente de una distribución
normal. Esto sugiere que los datos podrían considerarse razonablemente aproximados a una
distribución normal en términos de su forma.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 603.
Tabla 3
Pruebas de normalidad
Finalmente, se generarán diversos gráficos para generar una visualización de la información, en
este caso el histograma el eje horizontal representa los valores de la variable y se divide en
intervalos (bins). El eje vertical muestra la frecuencia o el recuento de observaciones en cada
intervalo. El histograma permite visualizar la forma de la distribución de tus datos, si son
simétricos, sesgados, bimodales, etc. En este caso, podemos visualizar una línea negra que
superpone al gráfico de barras, esto implica un ejemplo de cómo debería estar la distribución de
las barras para que sea un gráfico normal.
Gráfico 1
Histograma
Adicional, se generan tres gráficos más:
Gráfico Q-Q Normal (Normal Q-Q Plot): El gráfico Q-Q normal compara los cuantiles de tus datos
con los cuantiles esperados de una distribución normal. Si los puntos en el gráfico caen
aproximadamente en una línea recta diagonal, esto sugiere que tus datos se ajustan a una
distribución normal. Si los puntos se desvían de esta línea, podrían indicar desviaciones de la
normalidad.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 604.
Gráfico Q-Q Normal Sin Tendencia (Normal Q-Q Plot without Trend): A veces, los datos pueden
tener tendencias o patrones que afectan la interpretación del gráfico Q-Q. El gráfico Q-Q normal
sin tendencia elimina estos patrones, permitiéndote evaluar la normalidad más directamente.
Puede ser útil cuando hay una fuerte tendencia en los datos que podría distorsionar la evaluación
de la normalidad.
Diagrama de Caja (Box Plot): Un diagrama de caja es un gráfico que muestra la distribución de
los datos a través de un rectángulo (la "caja") que representa el rango intercuartil (IQR), con líneas
(los "bigotes") que se extienden hasta los valores mínimo y máximo. Los puntos fuera de los
bigotes se consideran valores atípicos. Los diagramas de caja son útiles para visualizar la
dispersión de los datos y detectar valores extremos.
Gráfico 2
Q-Q norml, Q-Q normal sin tendencia y diagrama de caja
CONCLUSIÓN
Este estudio ha explorado y analizado la importancia de los histogramas y la distribución normal
en el análisis de datos, proporcionando herramientas cruciales para comprender la forma y la
frecuencia de las observaciones. Las pruebas estadísticas de Shapiro-Wilk y Kolmogorov-
Smirnov se utilizan para evaluar la normalidad de los datos y se complementaron con la creación
de gráficos Q-Q y diagramas de caja para una comprensión más completa.
El método empleado en este estudio permitió un análisis exhaustivo de una variable específica
utilizando tanto enfoques estadísticos como visuales. Los histogramas revelaron la distribución
de frecuencias y los patrones de los datos, mientras que los gráficos Q-Q proporcionaron una
comparación directa con una distribución normal ideal. La prueba de Shapiro-Wilk y la prueba de
Kolmogorov-Smirnov dieron lugar a p-valores que se compararon con niveles de significancia
predefinidos, lo que ayudó a determinar si los datos se ajustaban a una distribución normal.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 605.
Los resultados obtenidos en este caso piloteado de las pruebas sugieren que, para la variable
analizada en este estudio, no existe suficiente evidencia para afirmar que los datos se desvían
significativamente de una distribución normal. Tanto la prueba de Shapiro-Wilk como la prueba
de Kolmogorov-Smirnov indicaron que los datos podrían considerarse razonablemente
aproximados a una distribución normal en términos de su forma.
La combinación de enfoques estadísticos y visuales proporciona una evaluación más sólida de
la normalidad de los datos, lo que es esencial para tomar decisiones informadas basadas en el
análisis de datos. En el ámbito de los estudios administrativos, económicos y sociales, esta
metodología puede ser valiosa para comprender la distribución de variables críticas y tomar
decisiones estratégicas basadas en resultados confiables.
En última instancia, este estudio subraya la relevancia de comprender y aplicar adecuadamente
las técnicas de evaluación de normalidad en el análisis de datos. A través de la combinación de
enfoques estadísticos y visuales, los investigadores pueden obtener una perspectiva completa
de la distribución de sus datos y fortalecer la base para la toma de decisiones informadas en
diversas disciplinas.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 606.
REFERENCIAS
Altamirano, G. E. P., Sarango, A. F. H., Romo, H. E. M., Pérez, M. E. A., & Acuña, L. G. V. (2023).
Cartera de crédito en las cooperativas de ahorro y crédito: Un estudio del efecto pandemia: Credit
unions’ loan portfolio: a study of the pandemic effect. LATAM Revista Latinoamericana de
Ciencias Sociales y Humanidades, 4(1), Article 1. https://doi.org/10.56712/latam.v4i1.442
Guachimboza-Villalva, M. V., Guachimbosa-Villalba, V. H., Luzuriaga Jaramillo, H. A., & Sánchez-
Guerrero, J. (2021). Web Application for the Management of Reagents, Based on MEAN Stack
Tools. En M. Botto-Tobar, M. Zambrano Vizuete, & A. Díaz Cadena (Eds.), Innovation and Research
(pp. 319–333). Springer International Publishing. https://doi.org/10.1007/978-3-030-60467-7_27
Haro Sarango, A., López Solís, O., Córdova Pacheco, A., & Pérez Briceño, J. (2023). El teorema
Modigliani-Miller: Un análisis desde la estructura de capital mediante modelos Data Mining en
pymes del sector comercio. Revista Finanzas y Política Económica, 15(1), 45–66.
Hederich Martínez, C. (2023). Análisis cuantitativo de datos para la investigación educativa y
social. Universidad Pedagógica Nacional.
http://repository.pedagogica.edu.co/handle/20.500.12209/18427
Juárez Manayay, A. M. (2021). Sistema de información gerencial para el proceso de
administración de ventas en el área gerencia de negocios telefónica de Teleatento del Perú S.A.C.
Repositorio Institucional - UCV. https://repositorio.ucv.edu.pe/handle/20.500.12692/70122
Pedrosa, I., Juarros-Basterretxea, J., Robles-Fernández, A., Basteiro, J., & García-Cueto, E. (2015).
Pruebas de bondad de ajuste en distribuciones simétricas, ¿qué estadístico utilizar? Universitas
Psychologica, 14(1), 245–254. https://doi.org/10.11144/Javeriana.upsy13-5.pbad
Pinkovetskaia, I. S., Nuretdinova, Y. V., Nuretdinov, I., & Lipatova, N. (2021). Mathematical
modeling on the base of functions density of normal distribution. Revista de La Universidad Del
Zulia, 12(33), 34–49.
Platas García, V. (2021). Contrastes de normalidad.
https://minerva.usc.es/xmlui/handle/10347/28978
Roldán Molina, L. E. (2019). Aplicación de pruebas no paramétricas para k-muestras para
identificar cambios en la distribución del Ingreso en Ecuador en el periodo 2006-2016 por
provincia y actividad económica [bachelorThesis, Quito, 2019.].
http://bibdigital.epn.edu.ec/handle/15000/20538
Tauber, L. M. (2001). La construcción del significado de la distribución normal a partir de
actividades de análisis de datos [Http://purl.org/dc/dcmitype/Text, Universidad de Sevilla].
https://dialnet.unirioja.es/servlet/tesis?codigo=13551
Tomás-Sábado, J. (2010). Fundamentos de bioestadística y análisis de datos para enfermería.
Univ. Autònoma de Barcelona.
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este
sitio está disponibles bajo Licencia Creative Commons .
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.
ISSN en línea: 2789-3855, octubre, 2023, Volumen IV, Número 4 p 607.
