La estadística ordinal es la rama de la estadística que se encarga del análisis de datos ordenados, es decir, aquellos valores que poseen una jerarquía natural pero no necesariamente una distancia cuantitativa uniforme entre sí. A diferencia de los datos numéricos simples, en los datos ordinales importa el orden de los elementos más que la magnitud exacta de la diferencia entre ellos.
Este tipo de medición es fundamental en ciencias sociales, psicología y mercados porque permite cuantificar fenómenos subjetivos, como la satisfacción del cliente o la intensidad de un dolor. Comprender sus propiedades evita errores comunes al aplicar fórmulas matemáticas diseñadas para escalas de intervalo o razón sobre datos que solo indican "mayor que" o "menor que".
Definición y concepto
Las variables ordinales constituyen un nivel de medición fundamental en la estadística descriptiva e inferencial. Se definen por poseer un orden intrínseco entre sus categorías, lo que permite afirmar que un valor es mayor, menor o igual a otro. Sin embargo, a diferencia de los niveles de medición más precisos, las distancias entre estas categorías no son necesariamente iguales ni constantes. Esta característica distingue a los datos ordinales tanto de las variables nominales, que solo clasifican sin ordenar, como de las variables de intervalo y razón, donde la magnitud de la diferencia entre valores es cuantificable y uniforme.
Diferenciación de niveles de medición
Comprender la naturaleza ordinal requiere contrastarla con otros tipos de datos. Las variables nominales, como el color de ojos o la nacionalidad, permiten agrupar elementos, pero decir que "azul" es mayor que "verde" carece de sentido matemático. En cambio, en una variable ordinal, el orden importa. Por ejemplo, en niveles de educación (primaria, secundaria, universitaria), la universidad implica un nivel superior a la secundaria. Pero hay un matiz crucial: la diferencia en tiempo o contenido entre primaria y secundaria no es idéntica a la diferencia entre secundaria y universidad. Esa desigualdad en las distancias es la limitación principal de este nivel de medición.
Dato curioso: La distinción entre ordinal e intervalo es tan sutil que muchos investigadores tratan erróneamente las escalas de Likert como si fueran de intervalo, lo que permite usar la media aritmética con mayor frecuencia de lo que la teoría estricta sugiere.
Propiedades matemáticas y ejemplos
La propiedad de orden permite el uso de símbolos de comparación como mayor que (>) y menor que (<). Si asignamos números a las categorías, por ejemplo, 1 para "Bajo", 2 para "Medio" y 3 para "Alto", estos números funcionan como etiquetas ordenadas. Sin embargo, no se puede afirmar que el nivel "Alto" (3) sea exactamente el doble del nivel "Medio" (2) en términos de magnitud subyacente, a menos que se demuestre lo contrario mediante análisis específicos. Esta falta de unidad de medida constante limita las operaciones algebraicas directas.
Los ejemplos más cotidianos ilustran esta propiedad. Las escalas de Likert, ampliamente usadas en encuestas de satisfacción ("Muy insatisfecho" a "Muy satisfecho"), son el estándar de oro de las variables ordinales. Las notas de calificación en educación (Sobresaliente, Notable, Aprobado, Suspenso) también lo son. En cada caso, sabemos qué nota es mejor, pero no cuánto mejor es una sobre otra en unidades absolutas. Esta estructura de datos exige métodos estadísticos específicos que respeten el orden sin asumir equidistancia perfecta.
¿Qué diferencia a los datos ordinales de los datos de intervalo?
La confusión entre datos ordinales y de intervalo es una de las fuentes más comunes de error en el análisis estadístico básico. Aunque ambos tipos de variables permiten ordenar los datos de menor a mayor, la estructura matemática subyacente difiere sustancialmente. Comprender esta distinción evita aplicar pruebas estadísticas demasiado complejas para datos simples, o viceversa, tratar datos complejos como si fueran simples etiquetas.
Propiedades estructurales comparadas
La diferencia fundamental radica en el significado de la distancia entre dos puntos en la escala. En una variable de intervalo, la diferencia entre 10 y 20 es idéntica a la diferencia entre 30 y 40. En una variable ordinal, la distancia entre la categoría 1 y la 2 puede ser muy distinta a la distancia entre la 3 y la 4.
| Propiedad | Dato Ordinal | Dato de Intervalo |
|---|---|---|
| Orden intrínseco | Sí (ej. Primero, Segundo) | Sí (ej. 10°C, 20°C) |
| Distancia igual entre categorías | No necesariamente | Sí (la unidad es constante) |
| Cero absoluto (significado real) | A menudo arbitrario | No tiene cero absoluto (el 0 no significa "nada") |
| Operaciones válidas | Mayor que / Menor que | Suma y Resta |
El cero en las escalas de intervalo, como la temperatura en grados Celsius, es un punto de referencia arbitrario. Cero grados no significa ausencia total de calor. En cambio, aunque las escalas ordinales no suelen tener un cero absoluto definido, su problema principal no es el origen, sino la magnitud de los pasos.
Debate actual: En ciencias sociales, es frecuente tratar las escalas de Likert (del 1 al 5) como datos de intervalo para simplificar el cálculo de la media. Sin embargo, esto asume que el esfuerzo psicológico para pasar de "De acuerdo" a "Muy de acuerdo" es idéntico al de pasar de "Neutral" a "De acuerdo". Esta suposición rara vez se verifica empíricamente.
El problema de la suma arbitraria
Tratar los datos ordinales como si fueran de intervalo conduce a operaciones matemáticas que carecen de sentido lógico sin una transformación previa. Si asignamos números a las categorías de satisfacción: 1 = Malo, 2 = Regular, 3 = Bueno, 4 = Muy Bueno, 5 = Excelente, surge una pregunta crítica: ¿Qué significa sumar "Bueno" (3) y "Muy Bueno" (4)?
El resultado es 7. Pero, ¿qué categoría representa el 7? ¿Es mejor que dos veces un "Excelente" (10)? La suma es arbitraria porque la distancia entre "Malo" y "Regular" podría ser subjetivamente mayor que la distancia entre "Muy Bueno" y "Excelente". Sin definir esas distancias, la operación aritmética pierde su interpretación directa.
Este error es particularmente peligroso al calcular la media aritmética. Si un grupo de estudiantes califica una película con notas de 1 a 5, calcular una media de 3.4 implica que existe una nota intermedia precisa. Sin embargo, si las notas son puramente ordinales, la mediana (3) es una medida más robusta porque solo refleja la posición central, sin asumir que las distancias entre las notas son iguales.
La consecuencia es directa: al forzar datos ordinales en fórmulas diseñadas para intervalos, se introduce ruido estadístico. Para comparaciones de grupos, es preferible utilizar pruebas no paramétricas como la prueba de Mann-Whitney U, que se basa en los rangos (el orden) más que en los valores brutos, respetando así la naturaleza de la variable.
Medidas de tendencia central y dispersión en datos ordinales
La mediana como medida central
La mediana es la medida de tendencia central más robusta para datos ordinales porque respeta el orden sin exigir equidistancia. Al ordenar las observaciones, la mediana identifica el valor que divide el conjunto en dos mitades iguales. No importa si la distancia entre "Regular" y "Bueno" es mayor que la entre "Bueno" y "Excelente"; la posición relativa se mantiene. Esta propiedad la hace superior a otras medidas cuando las categorías no tienen una escala numérica estricta.
El cálculo es directo: se ordenan los datos y se selecciona el valor central. Si el número de observaciones es par, se promedian los dos valores centrales. Este proceso no altera la naturaleza ordinal de la variable, manteniendo la interpretación intuitiva del "punto medio" del conjunto.
El papel de la moda
La moda, definida como la categoría más frecuente, es también válida para datos ordinales. Es útil cuando hay una categoría dominante clara, como "Satisfecho" en una encuesta de clientes. Sin embargo, la moda puede ser menos informativa si la distribución es plana o multimodal, es decir, si varias categorías compiten por la mayor frecuencia. En estos casos, la mediana ofrece una visión más estable del centro de los datos.
La moda es especialmente relevante cuando se busca identificar la categoría típica o más común en un grupo. Por ejemplo, en una escala de Likert, si la mayoría de los encuestados eligen "De acuerdo", esa es la moda. Esto ayuda a resumir la opinión predominante sin necesidad de cálculos complejos.
Controversia sobre la media aritmética
El uso de la media aritmética con datos ordinales es frecuente pero controvertido. La media requiere asumir que las distancias entre categorías son iguales, lo cual no siempre es cierto. Calcular la media de una escala ordinal implica tratar las categorías como si fueran valores numéricos equidistantes, lo que puede distorsionar la interpretación si las distancias subjetivas varían.
La media se calcula sumando todos los valores y dividiendo por el número de observaciones. Para datos ordinales, esto solo es aceptable si se asume una naturaleza cuasi-intervalo, es decir, que las distancias entre categorías son aproximadamente iguales. De lo contrario, la media puede resultar en un valor que no corresponde a ninguna categoría real, como "3.5" en una escala de 1 a 5.
Debate actual: Algunos estadísticos argumentan que la media es útil para la comparabilidad entre estudios, mientras que otros insisten en que la mediana es más fiel a la naturaleza ordinal. La elección depende del contexto y de la precisión requerida.
Medidas de dispersión
Para medir la dispersión en datos ordinales, el rango intercuartílico (RIC) es la medida más adecuada. El RIC indica la amplitud del 50% central de los datos, eliminando los valores extremos. Se calcula restando la primera cuartila (Q1) de la tercera cuartila (Q3). Esta medida es robusta y refleja la variabilidad central sin asumir equidistancia.
El rango, definido como la diferencia entre el valor máximo y el mínimo, es otra medida simple de dispersión. Es útil para obtener una visión rápida de la extensión de los datos, pero puede ser sensible a valores atípicos. En datos ordinales, el rango ayuda a entender la amplitud de las categorías utilizadas.
La desviación estándar se usa con cautela. Requiere asumir que los datos tienen una naturaleza cuasi-intervalo, es decir, que las distancias entre categorías son aproximadamente iguales. Si esta suposición no se cumple, la desviación estándar puede sobreestimar o subestimar la dispersión real. Por lo tanto, su uso debe justificarse en cada caso específico.
¿Cómo se analizan estadísticamente las variables ordinales?
Pruebas no paramétricas para datos ordenados
El análisis de variables ordinales requiere métodos que respeten la jerarquía de las categorías sin asumir que las distancias entre ellas son iguales. Las pruebas no paramétricas son la herramienta estándar para este fin. Estas pruebas se basan frecuentemente en los "rangos" (la posición ordenada) de los datos más que en sus valores brutos. Esto permite comparar grupos con mayor robustez que al usar la media aritmética, que puede distorsionarse si las categorías están desiguales.
Comparación de grupos independientes
Cuando se comparan dos grupos independientes, la prueba de Mann-Whitney U es el método más utilizado. Evalúa si una distribución tiende a tener valores mayores que la otra. Si se analizan más de dos grupos, se emplea la prueba de Kruskal-Wallis. Esta última actúa como una extensión de la prueba anterior, verificando si al menos uno de los grupos difiere significativamente de los demás en términos de rango.
Datos emparejados y tendencias
Para datos emparejados (como mediciones antes y después del tratamiento), la prueba de Wilcoxon para muestras relacionadas es la opción adecuada. Mide la diferencia en los rangos de las diferencias individuales. Por otro lado, la prueba de Chi-cuadrado de tendencia es específica para detectar si existe una relación lineal entre una variable ordinal y otra categórica o continua. Esto es útil, por ejemplo, al evaluar si la frecuencia de un síntoma aumenta con la edad.
Correlación entre variables ordinales
Para medir la fuerza de la relación entre dos variables ordinales, se utilizan coeficientes de correlación de rangos. La correlación de Spearman es la más común; calcula la diferencia entre los rangos de cada par de observaciones. La correlación de Kendall es otra opción robusta, especialmente útil cuando hay muchos empates (valores repetidos) en los datos. Ambos métodos indican si, al aumentar una variable, tiende a aumentar o disminuir la otra.
Dato curioso: A menudo se confunde la prueba de Mann-Whitney U con la prueba de Wilcoxon de suma de rangos. En el caso de dos grupos de igual tamaño, ambas pruebas son prácticamente equivalentes, pero su origen histórico es distinto.
Selección del método estadístico
Elegir entre un método paramétrico y no paramético depende de la naturaleza de los datos. Los métodos paramétricos son más potentes si los datos cumplen ciertos supuestos, pero los no paramétricos son más flexibles. La siguiente tabla resume las equivalencias más comunes para facilitar la selección.
| Tipo de Comparación | Prueba Paramétrica | Prueba No Paramétrica (Ordinal) |
|---|---|---|
| Dos grupos independientes | Prueba t de Student | Mann-Whitney U |
| Más de dos grupos independientes | ANOVA de un factor | Kruskal-Wallis |
| Dos grupos emparejados | Prueba t para muestras pareadas | Wilcoxon (signos-rangos) |
| Más de dos grupos emparejados | ANOVA de medidas repetidas | Friedman |
La elección correcta evita errores de interpretación. Usar una prueba paramétrica sobre datos ordinales mal distribuidos puede llevar a concluir que hay diferencias donde no las hay, o viceversa. La precisión en el método es tan importante como la calidad de los datos recolectados.
Modelos estadísticos para variables ordinales
Las pruebas de hipótesis, como las mencionadas previamente, son útiles para comparar grupos, pero a menudo resulta necesario cuantificar la influencia de múltiples factores sobre una variable ordinal. Aquí es donde los modelos de regresión entran en juego. Usar una regresión lineal simple (como la de mínimos cuadrados) en datos ordinales es una práctica común pero frecuentemente criticada. El problema radica en que la regresión lineal asume que las distancias entre las categorías son iguales. Si clasificamos la satisfacción como "Baja", "Media" y "Alta", la regresión lineal trata la distancia entre "Baja" y "Media" como idéntica a la de "Media" y "Alta". En muchos casos, esta suposición es arbitraria.
La solución más robusta son los modelos de vínculos acumulativos, conocidos técnicamente como modelos de razones de ventajas acumuladas. Estos modelos no predicen la categoría específica directamente, sino que modelan la probabilidad acumulada de estar en una categoría o por debajo de ella. Para entender esto, imagina una variable de satisfacción con tres niveles: 1 (Baja), 2 (Media) y 3 (Alta). El modelo calcula la probabilidad de que la satisfacción sea menor o igual a 2, comparada con ser mayor que 2. Luego hace lo mismo para el corte entre 1 y 2.
El concepto de umbral y la función logística
La mecánica central de estos modelos se basa en los "umbrales" o "cortes". Cada umbral representa el punto de inflexión entre dos categorías adyacentes. Matemáticamente, se utiliza una función de enlace, siendo las más comunes la logística (logit) y la normal acumulada (probit). La función logística transforma las probabilidades acumuladas en una escala lineal a través de la razón de ventajas.
La ecuación general para un modelo logístico ordinal con una variable explicativa x se expresa como:
logit(P(Y≤j∣x))=αj−βxEn esta fórmula, Y es la variable ordinal, j representa cada categoría posible, αj son los parámetros de umbral específicos para cada corte y β es el coeficiente de la variable explicativa. El signo menos ante β indica que, a medida que x aumenta, la probabilidad acumulada de estar en categorías inferiores disminuye, lo que tiene sentido intuitivo.
Dato curioso: La elección entre usar un enlace "logit" o "probit" rara vez cambia la interpretación sustancial de los datos, aunque el "logit" suele ser preferido en ciencias sociales por la facilidad para interpretar los coeficientes como cambios en la razón de ventajas.
La interpretación de β es directa pero requiere atención. Un coeficiente positivo indica que un aumento en la variable independiente aumenta la probabilidad de encontrar a la observación en categorías superiores de la variable dependiente. No dice cuánto sube la categoría, sino cómo se desplazan las probabilidades a lo largo de la escala ordenada.
Cuándo preferir estos modelos frente a la regresión lineal
La decisión entre usar una regresión lineal simple o un modelo ordinal depende de la naturaleza de los datos y la precisión requerida. La regresión lineal es más sencilla de calcular e interpretar para audiencias no técnicas, especialmente si la variable ordinal tiene muchas categorías (por ejemplo, una escala de Likert de 7 puntos). En esos casos, los datos se comportan casi como si fueran continuos.
Sin embargo, si la variable ordinal tiene pocas categorías (tres o cuatro) o si la suposición de distancias iguales es claramente arbitraria, los modelos de vínculos acumulativos ofrecen una mayor precisión. Estos modelos capturan la esencia del orden sin imponer una métrica lineal rígida. Ignorar la naturaleza ordinal puede llevar a errores estándar incorrectos y a una pérdida de poder estadístico. La complejidad adicional del modelo ordinal se paga con una representación más fiel de la realidad subyacente de los datos.
Ejercicios resueltos
Los ejercicios prácticos permiten consolidar la comprensión de cómo se comportan los datos ordinales. A diferencia de los datos numéricos continuos, aquí el orden importa más que la distancia exacta entre valores. Los siguientes ejemplos muestran los pasos lógicos para analizar este tipo de variables.
Cálculo de la mediana y el rango intercuartílico
Supongamos una encuesta de satisfacción con una escala de 1 a 5 (1 = Muy malo, 5 = Excelente). Tenemos las siguientes respuestas de 10 clientes: 1, 2, 3, 3, 4, 4, 4, 5, 5, 5. El primer paso es ordenar los datos, lo cual ya está hecho. Para hallar la mediana, identificamos el valor central. Como hay 10 datos (par), tomamos los dos del medio (el quinto y el sexto) y calculamos su promedio. Ambos son 4, por lo que la mediana es 4.
Para el rango intercuartílico, dividimos los datos en dos mitades. La primera mitad es 1, 2, 3, 3, 4. Su mediana (primer cuartil, Q1) es 3. La segunda mitad es 4, 4, 5, 5, 5. Su mediana (tercer cuartil, Q3) es 5. El rango intercuartílico se calcula restando Q1 de Q3:
Rango=Q3−Q1=5−3=2Esto indica que el 50% central de las respuestas está concentrado en un rango de 2 puntos.
Selección de la prueba estadística adecuada
Imagina que comparamos la satisfacción de dos grupos: clientes de tienda física y clientes online. Ambos usan la misma escala de 1 a 5. ¿Qué prueba usar? Si asumimos que las distancias entre "3" y "4" son idénticas a las de "4" y "5", podríamos usar la prueba t de Student. Sin embargo, en datos ordinales, esa igualdad de distancia es a menudo una suposición arriesgada.
La prueba de Mann-Whitney U es generalmente más robusta porque no requiere esa suposición de normalidad ni de intervalos iguales. Se basa en los rangos de los datos combinados. Si tuviéramos tres grupos (física, online y app), usaríamos la prueba de Kruskal-Wallis. La elección depende de la cantidad de grupos y de qué tan estrictos queramos ser con las suposiciones matemáticas.
Dato curioso: La prueba de Mann-Whitney U fue desarrollada independientemente por Frank Wilcoxon, Henry Leonard Whitney y Milton Howard Mann en la década de 1940. Es un clásico que sigue vigente.
Interpretación de la correlación de Spearman
El coeficiente de correlación de Spearman mide la relación monotónica entre dos variables ordinales. No busca una línea recta perfecta como Pearson, sino que cuando una sube, la otra tiende a subir (o bajar). El valor varía entre -1 y 1.
Si obtenemos un coeficiente de 0.8, indica una fuerte relación positiva. Por ejemplo, a mayor antigüedad del cliente, mayor es su satisfacción reportada. Un valor de -0.5 sugeriría una relación moderada inversa. Es crucial recordar que Spearman usa los rangos de los datos, no los valores crudos, lo que lo hace resistente a valores atípicos. La interpretación siempre debe considerar el contexto de las categorías ordenadas.
Aplicaciones prácticas y errores comunes
Las variables ordinales son fundamentales en campos donde la medición exacta es difícil pero la jerarquía es clara. En psicología, las escalas de Likert son el estándar para medir actitudes. Un encuestado elige entre "Totalmente de acuerdo" y "Totalmente en desacuerdo". Esto permite ordenar las respuestas, aunque la distancia psicológica entre "de acuerdo" y "neutral" puede variar entre sujetos. La aplicación es masiva en encuestas de satisfacción y estudios de opinión pública.
En medicina, la precisión del orden salva vidas. Las escalas de dolor, como la escala visual analógica adaptada a categorías, permiten clasificar la intensidad del síntoma. Los estadios del cáncer (I, II, III, IV) siguen una progresión lógica de gravedad. Un paciente en estadio III tiene, por definición, una carga tumoral mayor que uno en estadio II, aunque no necesariamente el doble. Esta estructura jerárquica guía las decisiones terapéuticas de forma directa.
Sabías que: En ciencias sociales, clasificar los ingresos en "bajo", "medio" y "alto" es más común que usar el salario exacto. Esto simplifica el análisis, pero oculta la desigualdad dentro de cada grupo.
El error más frecuente al analizar estos datos es tratarlos como si fueran de intervalo continuo sin justificación matemática. Esto ocurre cuando se asume que la distancia entre categorías es idéntica. Si se asignan valores numéricos arbitrarios (1, 2, 3) y se calcula la media, el resultado puede ser engañoso. La media aritmética implica una simetría que las variables ordinales no siempre poseen. Usar la media sin verificar la distribución de los datos introduce sesgos significativos en la interpretación.
Otro fallo común es ignorar el orden intrínseco al aplicar pruebas estadísticas simples. La prueba de Chi-cuadrado de independencia evalúa la relación entre dos variables categóricas, pero no siempre captura la tendencia del orden. Si se usa una Chi-cuadrado simple sin considerar la secuencia, se puede perder información valiosa sobre la dirección de la asociación. Esto lleva a conclusiones parciales o incluso contradictorias.
Para comparar grupos con datos ordinales, los métodos no paramétricos son más robustos. La prueba de Mann-Whitney U compara dos grupos independientes, evaluando si una distribución tiende a tener valores mayores que la otra. La prueba de Kruskal-Wallis extiende esta lógica a tres o más grupos. Estas pruebas se basan en los rangos de los datos, lo que minimiza el impacto de valores atípicos y aprovecha la naturaleza ordenada de las variables. La elección del método adecuado depende de la estructura de los datos y de la hipótesis de investigación.
La precisión en el análisis ordinal requiere entender que el orden es la propiedad principal, pero no la única. Las distancias entre categorías pueden ser desiguales, y la media puede ser una medida secundaria. Evitar estos errores comunes mejora la validez de los resultados en investigación aplicada. La consecuencia es directa: mejores decisiones basadas en datos más claros.
Preguntas frecuentes
¿Puedo calcular la media aritmética de datos ordinales?
Técnicamente sí, pero su interpretación puede ser engañosa. La media asume que la distancia entre el valor 1 y el 2 es igual que entre el 2 y el 3, lo cual no siempre es cierto en escalas ordinales. Se prefiere usar la mediana o la moda.
¿Cuál es la diferencia entre una escala ordinal y una de intervalo?
En una escala ordinal, solo importa el orden (ej. 1.º, 2.º, 3.º puesto). En una escala de intervalo, además del orden, las diferencias entre valores son significativas y constantes (ej. temperatura en grados Celsius, donde la diferencia entre 10° y 20° es igual que entre 20° y 30°).
¿Qué medida de tendencia central es mejor para datos ordinales?
La mediana es generalmente la medida más robusta, ya que representa el valor central de la distribución sin depender de los valores extremos. La moda también es útil, especialmente cuando hay varios valores que comparten el mismo rango.
¿Se puede usar la desviación estándar con datos ordinales?
Sí, se usa frecuentemente, pero con cautela. La desviación estándar mide la dispersión alrededor de la media. Si la media es una buena representación, la desviación estándar también lo es, pero si los espacios entre categorías no son uniformes, la interpretación se vuelve más compleja.
¿Qué prueba estadística se usa para comparar dos grupos con datos ordinales?
La prueba de Mann-Whitney U es la opción más común para comparar dos grupos independientes con datos ordinales. Si hay más de dos grupos, se suele utilizar la prueba de Kruskal-Wallis.
Resumen
Los datos ordinales representan una categoría de medición intermedia que combina características cualitativas y cuantitativas. Su análisis requiere métodos específicos que respeten la naturaleza jerárquica de los datos, priorizando la mediana sobre la media y utilizando pruebas no paramétricas o modelos de regresión logística ordenada para obtener resultados precisos.
Entender las limitaciones de las escalas ordinales permite evitar errores de interpretación en investigaciones diversas, desde encuestas de satisfacción hasta escalas clínicas, asegurando que las conclusiones estadísticas reflejen fielmente la realidad medida.
Véase también
- Qué es una ecuación y cómo se resuelve
- Cálculo y geometría analítica
- Cómo funcionan los logaritmos
- Álgebra abstracta
- Tecnicatura Universitaria en Gestión Integral de Bioterios
- Resta de vectores
- Geometría diferencial
- Teorema de Pitágoras: definición, demostraciones y aplicaciones