diff --git a/episodes/EnfermedadX.Rmd b/episodes/EnfermedadX.Rmd
index c3de98d..2715777 100644
--- a/episodes/EnfermedadX.Rmd
+++ b/episodes/EnfermedadX.Rmd
@@ -884,13 +884,14 @@ seed = mcmc_control$seed)
 
 Ahora observe los resultados.
 
-```{r gamma check res, results=FALSE}
-
+```{r gamma check res}
 # Verificar convergencia de las cadenas MCMC 
 converg_diag_gamma <- check_cdt_samples_convergence(si_fit_gamma@samples)
 converg_diag_gamma
+```
 
 
+```{r gamma check res}
 # Guardar las muestras MCMC en un dataframe
 si_samples_gamma <- data.frame(
 type = 'Symptom onset',
@@ -918,7 +919,10 @@ sd_l_ci = quantile(sd,probs=.025),
 sd_u_ci = quantile(sd,probs=.975)
 )
 si_summary_gamma
+```
 
+
+```{r gamma check res, echo=TRUE, results=FALSE}
 # Obtenga las mismas estadísticas de resumen para los parámetros de la distribución
 si_samples_gamma |>
 summarise(
@@ -929,7 +933,10 @@ scale_mean = quantile(scale, probs=.5),
 scale_l_ci = quantile(scale, probs=.025),
 scale_u_ci = quantile(scale, probs=.975)
 )
+```
+
 
+```{r gamma check res, results=FALSE}
 # Necesita esto para hacer gráficos más tarde
 gamma_shape <- si_fit_gamma@ests['shape',][1]
 gamma_rate <- 1 / si_fit_gamma@ests['scale',][1]
@@ -978,12 +985,14 @@ seed = mcmc_control$seed)
 
 Revise los resultados.
 
-```{r log normal res, results=FALSE}
+```{r log normal res}
 # Revise la convergencia de las cadenas MCMC 
 converg_diag_lnorm <- check_cdt_samples_convergence(si_fit_lnorm@samples)
 converg_diag_lnorm
+```
 
 
+```{r log normal res, results=FALSE}
 # Guarde las muestras de MCMC en un dataframe
 si_samples_lnorm <- data.frame(
 type = 'Symptom onset',
@@ -997,7 +1006,10 @@ mutate( # La ecuación para la conversión está aquí https://en.wikipedia.org/
 mean = exp(meanlog + (sdlog^2/2)), 
 sd = sqrt((exp(sdlog^2)-1) * (exp(2*meanlog + sdlog^2)))
 )
+```
+
 
+```{r log normal res}
 # Obtenga la media, desviación estándar e intervalo de credibilidad del 95% 
 si_summary_lnorm <- 
   si_samples_lnorm %>%
@@ -1010,7 +1022,10 @@ sd_l_ci = quantile(sd,probs=.025),
 sd_u_ci = quantile(sd,probs=.975)
 )
 si_summary_lnorm
+```
 
+
+```{r log normal res}
 # Obtenga las estadísticas resumen para los parámetros de la distribución
 si_samples_lnorm |>
 summarise(
@@ -1021,7 +1036,10 @@ sdlog_mean = quantile(sdlog, probs=.5),
 sdlog_l_ci = quantile(sdlog, probs=.025),
 sdlog_u_ci = quantile(sdlog, probs=.975)
 )
+```
 
+
+```{r log normal res}
 lognorm_meanlog <- si_fit_lnorm@ests['meanlog',][1]
 lognorm_sdlog <- si_fit_lnorm@ests['sdlog',][1]
 
@@ -1074,8 +1092,10 @@ Revise los resultados.
 # Revise covengencia
 converg_diag_weibull <- check_cdt_samples_convergence(si_fit_weibull@samples)
 converg_diag_weibull
+```
 
 
+```{r weibull check res}
 # Guarde las muestra MCMC en un dataframe
 si_samples_weibull <- data.frame(
 type = 'Symptom onset',
@@ -1088,8 +1108,11 @@ scale = si_fit_weibull@samples$var2)) |>
 mutate( # La ecuación para conversión está aquí https://en.wikipedia.org/wiki/Weibull_distribution
 mean = scale*gamma(1+1/shape),
 sd = sqrt(scale^2*(gamma(1+2/shape)-(gamma(1+1/shape))^2))
-) 
+)
+```
+
 
+```{r weibull check res, echo=TRUE}
 # Obtenga las estadísticas resumen
 si_summary_weibull <- 
   si_samples_weibull %>%
@@ -1102,7 +1125,10 @@ sd_l_ci = quantile(sd,probs=.025),
 sd_u_ci = quantile(sd,probs=.975)
 )
 si_summary_weibull
+```
+
 
+```{r weibull check res, echo=TRUE}
 # Obtenga las estadísticas resumen para los parámetros de la distribución.
 si_samples_weibull |>
 summarise(
@@ -1113,7 +1139,10 @@ scale_mean = quantile(scale, probs=.5),
 scale_l_ci = quantile(scale, probs=.025),
 scale_u_ci = quantile(scale, probs=.975)
 )
+```
+
 
+```{r weibull check res}
 weibull_shape <- si_fit_weibull@ests['shape',][1]
 weibull_scale <- si_fit_weibull@ests['scale',][1]
 
diff --git a/episodes/EnfermedadX2.Rmd b/episodes/EnfermedadX2.Rmd
index 7cae2d2..ca09899 100644
--- a/episodes/EnfermedadX2.Rmd
+++ b/episodes/EnfermedadX2.Rmd
@@ -494,7 +494,6 @@ Recuerde que el interés principal es considerar tres distribuciones de probabil
 
 `Stan` es un programa de software que implementa el algoritmo Monte Carlo Hamiltoniano (HMC por su siglas en inglés de Hamiltonian Monte Carlo). HMC es un método de Monte Carlo de cadena de Markov (MCMC) para ajustar modelos complejos a datos utilizando estadísticas bayesianas.
 
-
 #### **7.1.1. Corra el modelo en Stan**
 
 Ajuste las tres distribuciones en este bloque de código.
@@ -885,13 +884,14 @@ seed = mcmc_control$seed)
 
 Ahora observe los resultados.
 
-```{r gamma check res, results=FALSE}
-
+```{r gamma check res}
 # Verificar convergencia de las cadenas MCMC 
 converg_diag_gamma <- check_cdt_samples_convergence(si_fit_gamma@samples)
 converg_diag_gamma
+```
 
 
+```{r gamma check res}
 # Guardar las muestras MCMC en un dataframe
 si_samples_gamma <- data.frame(
 type = 'Symptom onset',
@@ -919,7 +919,10 @@ sd_l_ci = quantile(sd,probs=.025),
 sd_u_ci = quantile(sd,probs=.975)
 )
 si_summary_gamma
+```
+
 
+```{r gamma check res, echo=TRUE, results=FALSE}
 # Obtenga las mismas estadísticas de resumen para los parámetros de la distribución
 si_samples_gamma |>
 summarise(
@@ -930,7 +933,10 @@ scale_mean = quantile(scale, probs=.5),
 scale_l_ci = quantile(scale, probs=.025),
 scale_u_ci = quantile(scale, probs=.975)
 )
+```
+
 
+```{r gamma check res, results=FALSE}
 # Necesita esto para hacer gráficos más tarde
 gamma_shape <- si_fit_gamma@ests['shape',][1]
 gamma_rate <- 1 / si_fit_gamma@ests['scale',][1]
@@ -979,12 +985,14 @@ seed = mcmc_control$seed)
 
 Revise los resultados.
 
-```{r log normal res, results=FALSE}
+```{r log normal res}
 # Revise la convergencia de las cadenas MCMC 
 converg_diag_lnorm <- check_cdt_samples_convergence(si_fit_lnorm@samples)
 converg_diag_lnorm
+```
 
 
+```{r log normal res, results=FALSE}
 # Guarde las muestras de MCMC en un dataframe
 si_samples_lnorm <- data.frame(
 type = 'Symptom onset',
@@ -998,7 +1006,10 @@ mutate( # La ecuación para la conversión está aquí https://en.wikipedia.org/
 mean = exp(meanlog + (sdlog^2/2)), 
 sd = sqrt((exp(sdlog^2)-1) * (exp(2*meanlog + sdlog^2)))
 )
+```
+
 
+```{r log normal res}
 # Obtenga la media, desviación estándar e intervalo de credibilidad del 95% 
 si_summary_lnorm <- 
   si_samples_lnorm %>%
@@ -1011,7 +1022,10 @@ sd_l_ci = quantile(sd,probs=.025),
 sd_u_ci = quantile(sd,probs=.975)
 )
 si_summary_lnorm
+```
 
+
+```{r log normal res}
 # Obtenga las estadísticas resumen para los parámetros de la distribución
 si_samples_lnorm |>
 summarise(
@@ -1022,7 +1036,10 @@ sdlog_mean = quantile(sdlog, probs=.5),
 sdlog_l_ci = quantile(sdlog, probs=.025),
 sdlog_u_ci = quantile(sdlog, probs=.975)
 )
+```
 
+
+```{r log normal res}
 lognorm_meanlog <- si_fit_lnorm@ests['meanlog',][1]
 lognorm_sdlog <- si_fit_lnorm@ests['sdlog',][1]
 
@@ -1075,8 +1092,10 @@ Revise los resultados.
 # Revise covengencia
 converg_diag_weibull <- check_cdt_samples_convergence(si_fit_weibull@samples)
 converg_diag_weibull
+```
 
 
+```{r weibull check res}
 # Guarde las muestra MCMC en un dataframe
 si_samples_weibull <- data.frame(
 type = 'Symptom onset',
@@ -1089,8 +1108,11 @@ scale = si_fit_weibull@samples$var2)) |>
 mutate( # La ecuación para conversión está aquí https://en.wikipedia.org/wiki/Weibull_distribution
 mean = scale*gamma(1+1/shape),
 sd = sqrt(scale^2*(gamma(1+2/shape)-(gamma(1+1/shape))^2))
-) 
+)
+```
+
 
+```{r weibull check res, echo=TRUE}
 # Obtenga las estadísticas resumen
 si_summary_weibull <- 
   si_samples_weibull %>%
@@ -1103,7 +1125,10 @@ sd_l_ci = quantile(sd,probs=.025),
 sd_u_ci = quantile(sd,probs=.975)
 )
 si_summary_weibull
+```
+
 
+```{r weibull check res, echo=TRUE}
 # Obtenga las estadísticas resumen para los parámetros de la distribución.
 si_samples_weibull |>
 summarise(
@@ -1114,7 +1139,10 @@ scale_mean = quantile(scale, probs=.5),
 scale_l_ci = quantile(scale, probs=.025),
 scale_u_ci = quantile(scale, probs=.975)
 )
+```
+
 
+```{r weibull check res}
 weibull_shape <- si_fit_weibull@ests['shape',][1]
 weibull_scale <- si_fit_weibull@ests['scale',][1]