Professional Documents
Culture Documents
con SPSS
Transversal
Encuestas
Experimentación
Panel
Sesiones de grupo
Técnicas proyectivas
Distribución frecuencias
Nominal La moda
Representación gráfica
Atributo
Distribución frecuencias
La moda
Ordinal
Cuartiles
Representación gráfica
Tendencia central
Caracte- Dispersión
rística Asimetría
Discreta Intervalo
Curtosis
Representación gráfica
Variable
Tendencia central
Dispersión
Continua Razón Asimetría
Curtosis
Representación gráfica
Tabulación cruzada
Descriptivo Coeficiente de correlación
Gráficas
Análisis de
Bivariado
datos
Diferencia de medidas tend cent
Inferencial Regresión simple
ANOVA
Analizar →
Estadísticas descriptivas →
Frecuencias
La opción de estadísticas
permite diversos análisis
estadísticos como:
• Valores percentiles
• Medidas de dispersión
• Medidas de tendencia
central
• Gráficas de distribución
Seleccionamos:
Estadísticas
Seleccionamos:
Moda →
Continuar…
Seleccionamos:
Gráfica
Seleccionamos:
Gráfica de barras →
Frecuencias →
Continuar…
Cuando no existen
valores perdidos el
porcentaje y el
porcentaje válido son
los mismos
La ventana de Propiedades
permite modificar
• Etiquetas y valor de
datos
• Categorías (fusionar,
excluir o cambiar de
orden)
• Modificar los colores del
relleno y del borde de las
barras y del texto
• Cambiar el tamaño del
gráfico
En el cuadro de diálogo de
Estadísticas podemos
seleccionamos:
• La Moda
• Cuartiles
En el cuadro de diálogo
Gráficas, seleccionamos:
Gráfica de Pie→
Porcentajes →
Continuar…
Menú de Análisis
En el menú principal
seleccionamos:
Menú de Gráficas
Gráficas→
Pie→
Resumen para grupos de
casos →
En la casilla de opciones
asegurarse que no está
activa la celda “Mostrar
grupos definidos por
valores perdidos”
Seleccionamos:
Estadísticas
Statistics
p5_1
N Valid 185
Missing 0
Mean 77.02
Std. Error of Mean 17.942
Median 5.00
Mode 0
Std. Deviation 244.040
Variance 59555.695
Skewness 3.535 Sesgada a la derecha
Std. Error of Skewness .179
Kurtosis 10.683 Muy agrupadas a la media pero los datos se
Std. Error of Kurtosis .355
Range
encuentran extendidos
999
Minimum 0
Maximum 999
Sum 14249
Percentiles 25 .00
50 5.00
75 30.00
Rasgos fundamentales
f(x)
• Perfectamente simétrica, con eje de
simetría en la vertical que para por la
media (coeficiente de asimetría = 0)
• Dominio de la variable X de -∞ a + ∞
• Asintótica al eje de abcisas (f(x)>0)
• Mesocúrvica (coeficiente de curtosis=0).
X-m
• Tipificar la variable Z=
δ
En el menú principal
seleccionamos:
Análisis→
Estadísticas descriptivas→
Descriptivos
•Media
•Suma
•Dispersión
•Desv. Estand.
•Mínimo
•Máx
•Varianza
•Rango
•Error Estand de la
media
•Distribución
•Asimetría
•Curtosis
Descriptive Statistics
En el menú de diálogo
seleccionamos la variable a
graficar….
Seleccionamos:
- Gráficas
- Boxplot
En el menú de diálogo:
- Simple
- Resumen por grupos de
casos
Seleccionamos la variable
y la categoría….
El gráfico muestra el
comportamiento estacional de la
variable en el año..
Región de aceptación de H0
Rechazar H0 cuando
α > p value
Todas estas pruebas requieren que los datos sean por lo menos de escala de
INTERVALO, NORMALMENTE DISTRIUIDAS e IGUAL VARIANZA.
Supongamos que obtenemos una muestra de una población normal con media µ y
varianza δ…
H0: mx= m
La hipótesis que probaremos es que la media de nuestra muestra es igual a una media
que nosotros creemos…
En el menú principal:
Análisis→
Comparar medias →
Prueba T para una media
Por lo tanto, podemos afirmar que la media poblacional es igual a la media muestral
One-Sample Test
Test Value = 1
95% Confidence
Interval of the
Mean Difference Con 95% de confianza
t df Sig. (2-tailed) Difference Lower Upper sabemos que la
Nicotina -1.745 24 .094 -.12360 -.2697 .0225
diferencia entre la media
poblacional y la muestral
Regla de rechazo: es de -.2697 y 0.225
α > p value
Para un nivel de confianza del 95%,
rechazamos hipótesis nula si,
0.05 >0.094
H0: m1 = m2
Es posible para construir las dos poblaciones utilizar tanto un atributo (SI/NO) como una
variable (edad: <18 / >=18)
Para verificar la hipótesis nula existen dos estadísticos de prueba diferentes de acuerdo a:
• Igualdad de varianza
• Desigualdad de varianza
Por lo tanto, es necesario realizar una prueba de hipótesis sobre la igualdad de las
varianza a través de la prueba de Levene
En el menú principal:
Análisis→
Comparar medias →
Prueba T para muestras
independientes
Seleccionamos la variable a
comparar, y…
H0 : m1 = m2=m3= m4=….=mn
1. Factor único de clasificación. Los experimentos que utilizan sólo una variables
independiente y una variable dependiente se analizan mediante varianza de un factor
o unidireccional (one way).
2. El análisis de Varianza con dos factores de clasificación utilizado para examinar el
efecto de dos factores en una variable observada.
En el menú principal:
Análisis→
Comparar medias →
ANOVA de un factor
En el cuadro de diálogo
seleccionamos como:
Factor: Región
Mean
(I) Region or (J) Region or Difference 95% Confidence Interval
economic group economic group (I-J) Std. Error Sig. Lower Bound Upper Bound
OECD East Europe
Pacific/Asia
4.095*
12.683*
.393
2.653
.000
.003
2.84
3.61
5.35
21.76
Recordemos que la Hipótesis Nula es:
Africa 25.832* 1.848 .000 19.64 32.03
Middle East
Latn America
8.507*
8.333*
1.122
1.633
.000
.001
4.72
2.95
12.29
13.72
H0 : mi = mj
East Europe OECD -4.095* .393 .000 -5.35 -2.84
Pacific/Asia 8.588 2.657 .073 -.50 17.67
Africa 21.737* 1.854 .000 15.53 27.94
Middle East 4.412* 1.131 .015 .61 8.21
Latn America 4.238 1.639 .228 -1.16 9.64
Pacific/Asia OECD -12.683* 2.653 .003 -21.76 -3.61
East Europe -8.588 2.657 .073 -17.67 .50 Para cada uno de los casos:
Africa 13.149* 3.213 .005 2.91 23.39
Middle East -4.176 2.857 .925 -13.59 5.23
Latn America -4.350 3.094 .940 -14.28 5.58
Africa OECD
East Europe
-25.832* 1.848 .000 -32.03 -19.64 Regla de rechazo:
-21.737* 1.854 .000 -27.94 -15.53
α > p value
Pacific/Asia -13.149* 3.213 .005 -23.39 -2.91
Middle East -17.325* 2.131 .000 -24.12 -10.53
Latn America -17.499* 2.439 .000 -25.13 -9.86
Middle East OECD
East Europe
-8.507* 1.122 .000 -12.29 -4.72 Para un nivel de confianza del 99%,
-4.412* 1.131 .015 -8.21 -.61
Pacific/Asia 4.176 2.857 .925 -5.23 13.59 rechazamos hipótesis nula si,
Africa
Latn America
17.325*
-.174
2.131
1.947
.000
1.000
10.53
-6.31
24.12
5.96
0.01 >p value
Latn America OECD -8.333* 1.633 .001 -13.72 -2.95
East Europe -4.238 1.639 .228 -9.64 1.16
Pacific/Asia 4.350 3.094 .940 -5.58 14.28
Africa 17.499* 2.439 .000 9.86 25.13
Middle East .174 1.947 1.000 -5.96 6.31
*. The mean difference is significant at the .05 level.
Filas:
H0: m1= m2 = m3 = … = mf
La media de las f poblaciones contempladas en las filas son iguales, es decir, no hay un
efecto por el primer factor
Columnas:
H0: m1= m2 = m3 = … = mc
La media de las c poblaciones contempladas en las columnas son iguales, es decir, no
hay un efecto por el segundo factor
Interacción:
En el menú principal:
Análisis→
Modelo Lineal General→
Univariado
Regla de rechazo:
α > p value
Para un nivel de confianza del 99%,
rechazamos hipótesis nula si,
0.01 >p value
Análisis estadístico con SPSS Ricardo Rojas Montero
rrmmex@netscape.net
Análisis de Tablas de
Contingencia
1) La significancia en la asociación y
2) La fortaleza de la asociación
Variable independiente
Hombre Mujer
Se puede observar que existe
una diferencia en el ingreso por
0-10 25% 50%
la variable de sexo..
e l ba i r a V
e t ne i dne pe d
En el menú principal:
Análisis→
Estadísticas descriptivas→
Tablas de contingencia
En el botón de “Celdas” es
donde se debe especificar cómo
será presentado el porcentaje de
nuestra tabla
p1 * tipo Crosstabulation
El estadístico de prueba para verificar esta hipótesis es el denominado Ji-cuadrada de Pearson, el cual
presenta la forma:
(FO-FT)2
El nivel de confianza está dado
Σ FT por:
1- α
La probabilidad de aceptar la
hipótesis nula cuando es
verdadera.
Pruebas de independencia
Chi-Square Tests
Para un nivel de confianza del
Asymp. Sig.
Value df (2-sided) 90%, rechazamos hipótesis nula
Pearson C hi-Square .608 a 4 .962 si,
Likelihood Ratio .609 4 .962
Linear-by-Linear
1-p value > 90%
.314 1 .575
Association 3.8% >90%
N of Valid Cases 185
a. 4 cells (40.0%) have expected count less than 5. The
minimum expected count is .89.
Por lo tanto no podemos
rechazar la Ho…
p1 * p15 Crosstabulation
% within p15
p15
"(1) Nada "(2) Poco "(3) "(4) Muy
Productiva" Productiva" Productiva" Productiva" Total
p1 "(1) Muy malo" .9% 1.5% 1.1% Por lo que es necesario
"(2) Malo" 10.0% 3.7% 2.7%
recodificar las variables
"(3) Regular" 30.0% 18.3% 6.2% 14.6%
"(4) Bueno" 100.0% 50.0% 56.9% 36.9% 49.7%
"(5) Muy bueno" 10.0% 20.2% 55.4% 31.9%
Total 100.0% 100.0% 100.0% 100.0% 100.0%
En el cuadro de diálogo de
“Recodificar en la misma
variable” introducimos la variable
a recodificar y el botón “Viejos y
nuevos valores”
p1 * p15 Crosstabulation
% within p15
p15 Para un nivel de confianza del
"(2) 90%, rechazamos hipótesis nula
"(1) Nada Productiva/
/Poco Muy
si,
Productiva" Productiva" Total 1- p value > 1-α
p1 "(1) Muy malo/Malo" 36.4% 17.2% 18.4%
"(3) Bueno/Muy Bueno" 63.6% 82.8% 81.6%
1-(.082) >90%
Total 100.0% 100.0% 100.0% 91.8%>90%
• Nominal.
• Medidas de asociación
•Coeficiente de contingencia.
•V deCramer.
•Medidas de reducción al error (predicción)
• Lambda.
•Coeficiente de incertidumbre.
• Ordinal
•Medidas de asociación
•Gamma
•Tau de Kendall
•Medidas de reducción al error (predicción)
•D de Sommers
• Nominal por intervalo
•Eta. Análisis de una variable categórica
codificada numéricamente y una variable
cuantitativa
P(I1) – P(I2)
λ=
P(I1)
Donde:
y= f(x),
Se utiliza el análisis de correlación simple
y= f(x,z,w,….)
Se utiliza el análisis de correlación Múltiple
La fiabilidades está relacionado con el tema empírico y la validez con el tema teórico.
Si los datos tienen una estructura multidimensional el Alfa de Conbach será bajo
Donde:
K : Número de ítems en la escala
cov: Covarianza media entre ítem
var: Varianza media de los ítems
En el menú principal
seleccionamos:
Análisis→
Escala→
Análisis de fiabilidad
En el menú de estadísticas
podemos encontrar una mayor
interactividad con la prueba, así
como una mayor versatilidad de
análisis:
• Estadísticas descriptivas
• Estadísticas de resumen
• ANOVA
• Estadísticas Inter-ítem
Estadísticas adicionales
Reliability Statistics
Donde:
K : Número de ítems en la escala (13)
cov: Covarianza media entre ítem (.752)
var: Varianza media de los ítems (2.835)
El modelo será generado a partir de una base de datos con información sobre el contenido de
alquitrán, de nicotina, de monóxido de carbono producidos en la combustión y el peso de un
cigarrillo para 25 marcas de cigarros diferentes.
*Fuente: Federal Trade Commision. “Tar”, nicotine and carbon monoxide of the smoke of 1294 varieties of domestic cigarretes for the year
1998
Modelo Hipótesis:
2. Matriz de correlaciones.
**Significante al 0.01; *
Significante al 0.05
C. Correlación C. Correlación
0.95** 0.92**
C. Correlación C. Correlación
0.97** 0.46*
Para nuestro modelo inicial se consideraron todas las variables descritas anteriormente, para
el número total de observaciones.
^ ^ ^ ^ ^
Y=β +β X1 + β X2 + β
^
0 1 2 3 X3 + ε
En el menú principal
seleccionamos:
Análisis→
Regresión→
Lineal
Model Summaryb
Sum of
Model Squares df Mean Square F Sig. Regla de rechazo:
1 Regression 495.255 2 247.628 124.110 .000 a
Residual 43.895 22 1.995 α > p value
Total 539.150 24
a. Predictors: (Constant), Nicotina, Alquitrán Para un nivel de confianza del 99%,
b. Dependent Variable: Monoxido
rechazamos hipótesis nula si,
0.01 >0.00
Coefficientsa
Unstandardized Standardized
Coefficients Coefficients Collinearity Statistics
Model B Std. Error Beta t Sig. Tolerance VIF
1 (Constant) 3.090 .844 3.662 .001
Alquitrán .962 .237 1.151 4.067 .001 .046 21.627
Nicotina -2.646 3.787 -.198 -.699 .492 .046 21.627
a. Dependent Variable: Monoxido
Variance Proportions
Previo al análisis de regresión realizar un
Condition
Model Dimension Eigenvalue Index (Constant) Alquitrán Nicotina análisis de correlación, o
1 1 2.891 1.000 .01 .00 .00
2 .106 5.229 .71 .02 .01
3 .004 28.710 .28 .98 .99
a. Dependent Variable: Monoxido Realizar en el análisis de regresión un
diagnóstico de colinearidad…
Entre mayor sea el ajuste a una curva normal Entre mayor sea el ajuste a línea recta de los
de los residuales mejor será nuestro modelo residuales mejor será nuestro modelo para
para predecir valores predecir valores
El análisis del primer modelo (Monoxido = Intercepto + Nicotina + Alquitrán + Peso + Error)
muestra que Nicotina y Peso pueden no funcionar para nuestro objetivo.
Resultados
Resumen del Modelo
Resumen del Modelo
R2
.919 1. El modelo tiene una excelente bondad. La
D-W 2.860
proporción de variación total en Y explicada
por el modelo es del 91.9%
2. No Existe autocorrelación. No debe esperarse
ANOVA que el efecto de un incremento en el alquitran
Sig. 0.00 Residual 43.89 de un cigarrillo incida sobre la producción de
otro cigarrillo.
Regresión 495.25 Total 539.15 Anova
1. Rechazo la hipótesis de
Beta P-value Tolerancia β 0=β 1=β 2=β 3=0; por lo que almenos
una β es diferente de cero.
Constante 3.202 .365 Coeficientes
Alquitrán 0.963
1. Sólo alquitran rechaza la hipótesis de β j=0.
.001 .046 2. Esto puede deberse a que alquitrán y nicotina
Nicotina -2.632 .507 .046 están linealmente relacionados
(multicolinealidad). Una variable con poca
Peso -.130 .974 .750 tolerancia contribuye con poca información al
Análisis estadístico con SPSS modelo. Peso se elimina Ricardo Rojas Montero
Ricardo Rojas Montero
rrmmex@netscape.net
Modelo 2
Debido a que Nicotina y Alquitrán muestraron una alta correlación es necesario probar las
variables por separado (Monoxido = Intercepto + Nicotina + Error)
Resultados
Resumen del Modelo
R2 .857
Resumen del Modelo
1. La proporción de variación total en Y explicada
D-W 2.674 por el modelo es del 85.7%
2. No Existe autocorrelación. No debe esperarse
ANOVA que el efecto de un incremento en la Nicotina
de un cigarrillo incida sobre la producción de
Sig. 0.00 Residual 76.89 otro cigarrillo.
Regresión 462.25 Total 539.15 Anova
1. Rechazo la hipótesis de β 0=β 1=0; por lo
Beta P-value que almenos una β es diferente de cero.
Coeficientes
Constante 1.665 .107 1. Sólo Nicotina rechaza la hipótesis de β j=0.
2. El valor medio de los residuos es cercano a
Nicotina 12.395 .000 cero por lo que tiene buena bondad de ajuste
Resultados
Resumen del Modelo
R2 .917
Resumen del Modelo
1. La proporción de variación total en Y explicada
D-W 2.893 por el modelo es del 91.7%. Mayor que en el
modelo 2.
ANOVA 2. No Existe autocorrelación. No debe esperarse
que el efecto de un incremento en el alquitran
Sig. 0.00 Residual 44.86 de un cigarrillo incida sobre la producción de
Regresión 494.28 Total 539.15 otro cigarrillo.
Anova
1. Rechazo la hipótesis de β 0=β 1=0; por lo
Beta P-value
que almenos una β es diferente de cero.
Constante 2.743 .000 Coeficientes
1. Ambas variables rechazan la hipótesis de
Alquitrán 0.801 .000 β j=0.
2. La media de los residuos es menor que con el
Media de residuos 3.730E-15 modelo 2.
• El modelo con mejor ajuste fue el que consideraba Alquitrán como variable
explicativa.
Los factores comunes son variables hipotéticas no directamente observadas. Por ejemplo:
• Personalidad de marca
• Competitividad
• Creatividad
• Percepción de calidad
• Entre otras…
• Principio de Parsiomonia
• Interpretabilidad
simple e interpretable
identifica sujetos que demuestran un patrón similar en las variables incluidas en el análisis
Supuestos:
• Normalidad en las datos si es el análisis va a ser utilizado para significancia de los
factores
• Multicolinearidad: Pues el objetivo del análisis es identificar conjunto de variables
interrelacionadas.
Regla:
Si existen factores reales en la muestra los valores serán pequeños… si no existen
factores reales los valores serán altos.
El análisis de factores comunes es usado para identificar los actores o dimensiones que
reflejan lo que las variables tienen en común. Considera en el análisis la varianza que
existe en común en las variables.
El objeto del análisis factorial es expresar cada variable como una combinación lineal de
una serie de factores comunes F1, F2,…,Fm (m<n) y un factor único.
Para evitar problemas ocasionados por las dimensiones de las diferentes variables es
recomendable tipificarlas previo al análisis.
Componentes principales.
Se trata de obtener unas nuevas variables o componentes como combinación lineal de las
variables observadas. Este método transforma un conjunto de variables correlacionadas
en un conjunto de variables incorrelacionadas
Ejes principales.
Rotación ortogonal. Tiene por objetivo reducir la Matriz Factorial a una estructura simple.
El coseno del ángulo que determinan los vectores asociados a las variables permite establecer una
correlación entre factores..
Cosα = r
-1≤ cos α ≤ +1
-1≤ r ≤ +1
Si el ángulo de los dos vectores Si el ángulo de los dos vectores Si el ángulo de los dos vectores
es 00 es 900 es 1800
Correlación perfecta entre No hay Correlación entre Correlación perfecta negativa
variables (Cos 00= 1) variables (Cos 900= 0) entre variables (Cos 1800= -1)
2a. En México ¿Quién tiene facultad para aprobar las reformas a la Constitución?
2c. ¿Cuál partido político propone cobrar IVA a medicinas, alimentos y colegiaturas?
2d. En la Cámara de Diputados ¿Qué partido tiene el mayor número de representantes?
2f. ¿Sabe usted cuanto tiempo duran los diputados federales en el cargo?
2g. ¿Cómo se llama el Gobernador de este Estado?
2h. ¿A qué partido pertenece el Gobernador de este Estado?
4a.1 En escala donde 1 es nada y 5 mucho ¿Qué tanto cree usted que los diputados se preocupan por
las necesidades de la gente?
4d. ¿Usted confía en el Gobierno Federal?
4e. ¿Usted cree que la corrupción es de los políticos, de los ciudadanos o de ambos?
4h. ¿Considera usted que durante los últimos años ha disminuido las diferencias entre los mexicanos?
4f. ¿Quién cree usted que respeta menos las leyes: los gobernantes, los ciudadanos o ambos?
Reliability Statistics
Item-Total Statistics
Cronbach's
Alpha N of Items Scale Corrected Cronbach's
.783 9 Scale Mean if Variance if Item-Total Alpha if Item
Item Deleted Item Deleted Correlation Deleted
¿Qué tanto cree usted que los diputados se
28.34 217.358 .454 .765
preocupan por las necesidades de la gente?
¿Qué tanto cree usted que los diputados se
30.27 210.486 .459 .763
preocupan por las necesidades de la gente?
¿Usted cree que la corrupción es de los
30.75 227.779 .453 .768
políticos, de los ciudadanos o de ambos?
¿Quién cree usted que respeta menos las
leyes: los gobernantes, los ciudadanos o 29.66 230.643 .403 .773
ambos?
¿Considera usted que durante los últimos años
ha disminuido las diferencias entre los 28.96 210.844 .464 .763
mexicanos?
¿Cuál partido político propone cobrar IVA a
29.46 192.024 .523 .755
medicinas, alimentos y colegiaturas?
En México ¿Quién tiene facultad para aprobar
29.50 202.371 .511 .756
las reformas a la Constitución?
En la Cámara de Diputados ¿Qué partido tiene
28.53 187.456 .546 .751
el mayor número de representantes?
¿Sabe usted cuanto tiempo duran los diputados
28.69 204.192 .462 .763
federales en el cargo?
En el menú principal
seleccionamos:
Incluimos las variables a analizar
Análisis→
Reducción de datos→
Factor
En el cuadro de estadísticas
descriptivas seleccionamos
Solución inicial (muestra el
porcentaje de varianza extraída
de cada variable
En el cuadro de extracción
seleccionamos el método a
utilizar, en este caso
“Componentes principales”
Debemos seleccionar un
método de rotación para
poder interpretar los
resultados..
Initial Eigenvalues Extraction Sums of Squared Loadings Rotation Sums of Squared Loadings
Component Total % of Variance Cumulative % Total % of Variance Cumulative % Total % of Variance Cumulative %
1 3.366 37.396 37.396 3.366 37.396 37.396 2.416 26.845 26.845
2 1.241 13.789 51.185 1.241 13.789 51.185 2.191 24.340 51.185
3 .857 9.526 60.711
4 .706 7.845 68.556
5 .687 7.637 76.193
6 .624 6.933 83.126
7 .595 6.616 89.741
8 .513 5.696 95.438
9 .411 4.562 100.000
Extraction Method: Principal Component Analysis.
La varianza explicada de
nuestros doscomponentes
es de 51.185%
Component
1 2
¿Sabe usted cuanto tiempo duran los diputados federales
.677 .112
en el cargo? Para el componente 1, estas
¿Cuál partido político propone cobrar IVA a medicinas,
alimentos y colegiaturas?
.711 .166 son las variables a las que
En la Cámara de Diputados ¿Qué partido tiene el mayor “extrae” mayor varianza
.766 .129
número de representantes?
En México ¿Quién tiene facultad para aprobar las reformas
.670 .197
a la Constitución?
¿Qué tanto cree usted que los diputados se preocupan por
.376 .468
las necesidades de la gente?
¿Qué tanto cree usted que los diputados se preocupan por
.329 .543
las necesidades de la gente?
¿Usted cree que la corrupción es de los políticos, de los
Para el componente 2, estas
ciudadanos o de ambos?
.090 .825 son las variables a las que
¿Quién cree usted que respeta menos las leyes: los
.022 .829 “extrae” mayor varianza
gobernantes, los ciudadanos o ambos?
¿Considera usted que durante los últimos años ha
.399 .462
disminuido las diferencias entre los mexicanos?
Extraction Method: Principal Component Analysis.
Rotation Method: Varimax with Kaiser Normalization.
a. Rotation converged in 3 iterations.
b)
b) Existe correlación entre
P2d y P2f, es decir, el
hecho que no conozcan el
periodo de duración de los
diputados está relacionado
también con el
desconocimiento de quien
tiene mayoria en la cámara