Ads 468x60px

Featured Posts

domingo, 6 de marzo de 2016

Influencia Tecnológica en la Superación Personal.

¿Cuántos de nosotros estando en la niñez o en la adolescencia soñó en hacer algo a favor de otras personas o de si mismo, y que no fue posible debido a la ausencia de una herramienta que le facilitara dicha acción?


Pero para poder llevar a cabo eso que una vez pensó, debía existir un punto de partida en el ámbito tecnológico que en aquel entonces se lo impidió, mientras que hoy en día esos sueños pueden hacerse realidad con relación a otros y en cuanto a la superación personal de nosotros, esto gracias a la tecnología, cosas que hoy se crean para hacernos la vida más fácil y a crecer como mejores personas.

Este crecimiento es indudable e innegable, y para ello debemos estar actualizados y preparados mentalmente para asimilar los cambios que nos alcanzan, para que el tren de tecnología no nos deje atrás y así, estar acorde de las exigencias del mundo, con un coeficiente listo para experimentar cosas nuevas y enriquecedoras. 

Si quiere conocer más y ampliar tus conocimiento sobre el tema, mas abajo les dejo un enlace al que pueden acceder y así, documentarse y dárselo a conocer a otros. 

Tarea Evaluable T3.

Tarea Evaluable T3


En la siguiente entrada voy  darle respuesta al planteamiento presentado de la Tarea evaluable T3, que fue asignada por el profesor del master Oskar Casquero.

Pasos

1. Observar los datos y reflexionar acerca de la relación que existe entre las variables calificación, grupo y sexo.


Abrí el fichero en donde aparecen los datos de dicha asignación del programa de Hojas de cálculo de Google.

Los resultados mostrados en el gráfico y las reflexiones hechas anteriormente son consistentes para ambos casos, ya que se muestra claramente que el estudio se hace entre dos grupos de estudiantes: unos que utilizan el entorno virtual Moodle y el otro, el entorno virtual Google Apps. Siendo los de Moodle el grupo A y los de Google Apps el grupo B.
Entre los dos grupos forman un total de 40 estudiantes, distribuidos en 20 miembros para cada grupo. Moodle tiene 10 estudiantes del género femenino y 10 estudiantes del género masculino; de igual forma Google Apps tiene 10 estudiantes del género femenino y 10 estudiantes del género masculino.

 2Dibujar en Excel o Google Sheets un gráfico de interacción (http://courses.washington.edu/smartpsy/interactions.htm) de las medias de las calificaciones combinando las variables grupo y sexo, es decir: Moodle-Male, Moodle-Female, GoogleApps-Male, GoogleApps-Female. ¿Coinciden los resultados mostrados en el gráfico con tus reflexiones del apartado anterior?


Para comprobar lo dicho anteriormente, procedí a utilizar la hoja de cálculo de Google. En donde obtuve las medias de las combinaciones Moodle-Male, Moodle-Female, GoogleApps-Male, GoogleApps-Female.


> Notas.2grupos.v3 <- read.csv("C:/Users/Usuario/Dropbox/Notas-2grupos-v3.csv", sep=";")
>   View(Notas.2grupos.v3)
> mv<-subset(Notas.2grupos.v3, grupo=="Moodle")
> mvsf<-subset(mv, sexo=="F")
> mean(mvsf$nota)
[1] 5.9
> mvsm<-subset(mv, sexo=="M")
> mean(mvsm$nota)
[1] 4.6
>
> gv<-subset(Notas.2grupos.v3, grupo=="Google Apps")
> gvsf<-subset(gv, sexo=="F")
> mean(gvsf$nota)
[1] 6.6
> gvsm<-subset(gv, sexo=="M")
> mean(gvsm$nota)
[1] 7.9

Luego, elaboré el gráfico de interacción.


Al hacer el análisis de observación de inicio y luego en el de la gráfica, se pudo verificar o comprobar que las estudiantes  de Moodle obtuvieron calificaciones más altas que los estudiantes; en cambio los estudiantes de Google Apps sacaron calificaciones más altas que las estudiantes.

Pero cuando comparamos ambos grupos: Moodle y Google Apps se puede concluir diciendo, según los resultados obtenidos, que los que usaron el entorno virtual Google Apps obtuvieron un mejor rendimiento que los que usaron Moodle.

Hay una interacción, ya que el resultado de las variables depende de la altura de la otra variable. El cambio de entorno virtual de Moodle a Google Apps aumenta para el proceso femenino igual que para el masculino, esto muestra una influencia por el sexo, porque en una de las partes aumenta la cantidad y en el otro igual, pero en menor proporción. Por lo que pude deducir que es primordial el efecto del grupo y en cuanto al sexo no tiene la misma influencia.

3      3.  Analiza si existen diferencias estadísticamente significativas en las           calificaciones en función del grupo y del sexo.

-En este punto, al igual que en la tarea evaluable t2, fue abierto el fichero R.

-Luego, se dividieron los datos con relación al grupo y sexo.

> evm <- subset(Notas.2grupos.v3, grupo=="Moodle")
> evg <- subset(Notas.2grupos.v3, grupo=="Google Apps")

-Después, los datos son comparados para confirmar o descartar cualquier margen de error.

t.test(evm$nota, evg$nota)

        Welch Two Sample t-test

data:  evm$nota and evg$nota
t = -5.6569, df = 38, p-value = 1.683e-06
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -2.715731 -1.284269
sample estimates:
mean of x mean of y
     5.25      7.25


Los resultados arrojan una diferencia estadísticamente significativa entre los estudiantes de ambos grupos, este margen de error es de 5% menor, porque el p-value=1.683e-06→0.000001683, mostrando como referencia existente la probabilidad de que estos mismo datos puedan ser diferentes con otro estudio igual, con igual número de participantes.

 -A continuación se sigue con el proceso de verificar los resultados según el sexo, que se ejecutará utilizando el siguiente comando:
                                > t.test(evmsm$nota, evgsm$nota)

 Que servirá para los dos grupos del sexo masculino.


> t.test(evmsm$nota, evgsm$nota)

        Welch Two Sample t-test

data:  evmsm$nota and evgsm$nota
t = -8.0037, df = 17.829, p-value = 2.603e-07
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -4.16683 -2.43317
sample estimates:
mean of x mean of y
      4.6       7.9


Gráfica y resultados de sexo femenino.




> t.test(evmsf$nota, evgsf$nota)

        Welch Two Sample t-test

data:  evmsf$nota and evgsf$nota
t = -1.6977, df = 17.829, p-value = 0.1069
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -1.5668295  0.1668295
sample estimates:
mean of x mean of y
      5.9       6.6

 Según estos resultados, puedo destacar que para el análisis entre los sexos masculinos y femeninos no existe una diferencia estadísticamente significativa, puesto que para el sexo masculino el p-value=2.603e-07→0.0000002603, por esto el margen de error al equivocarnos es muy mínimo, ya que 0.0000002603% < 5%.La diferencia para los estudiantes del sexo masculino de ambos grupos no es significativa.
Para el sexo femenino de los dos grupos no aparenta ser una diferencia significativa, ya que su p-value=0.1069 →10.69%. Por esto, reconozco que el margen de error o riesgo, según su p-value es grande 10.69>5%
Al finalizar, creo que para ambos sexos femeninos no es estadísticamente significativa.

1            4. Utilizar la función aov() de R para saber si existe una interacción estadísticamente significativa entre las variables grupo y sexo.
Para este análisis me fue necesario utilizar la sentencia summary() y la función aov() que aparece dentro de ella, para confirmar la interacción que hay entre cada variable del grupo y sexo: también se utilizan los símbolos (“~”, “*”).

> aov.pp <- aov(nota~sexo*grupo,Notas.2grupos.v3)
> summary(aov.pp)

            Df Sum Sq Mean Sq F value   Pr(>F)   
sexo         1    0.0    0.00    0.00        1   
grupo        1   40.0   40.00   47.06 5.02e-08 ***
sexo:grupo   1   16.9   16.90   19.88 7.74e-05 ***
Residuals   36   30.6    0.85                    
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

> plot(Notas.2grupos.v3$grupo,Notas.2grupos.v3$nota, xlab="Grupos", ylab="Notas", type="n")

El margen de error es menor del 5%, puesto que en la reflexión de dichos resultados muestran que la interacción entre ellos del grupo y sexo es de 7.74e-05→0.0000774=0.00774%.
















Tarea Evaluable T2.


Tarea Evaluable T2


Esta entrada tiene por objetivo darle respuesta al planteamiento presentado en la: Tarea evaluable T2, relacionada con lo dado en la clase de Introducción a R studio.

Pasos

Año 1:

  Bajé  los ficheros de datos con los que voy trabajar:


Luego, abrí la interfaz R studio y cargué el fichero de datos del año 1 desde la cuadrícula superior derecha: Import Dataset, después seleccioné From text file.



Posteriormente, abro el contenido del fichero el cual voy a utilizar, estos se cargaran en R. El fichero muestra el tipo de separador que se utiliza entre variables, que es el punto y coma (;), el carácter utilizado para separar la parte entera de la parte decimal de los números es el punto (.). Para que la estructura de datos se realice  sin problemas.


 Estos datos se presentan en una  estructura dividida en cuatro partes que recibe el nombre de cuadrícula.

Aparece una que carga datos y visualiza las variables de trabajo.



 Otra  presenta el contenido de dichas variables.


La que se utiliza para introducir los comandos para procesar y analizar los datos.



Y la que se utiliza para visualizar gráficas.



El  siguiente paso consiste en filtrar  los datos del año 1.

 Para lograr esto, filtré los sujetos por tipo de entorno, utilizando los siguientes comandos:

 > m1 <- subset(Notas.2grupos.v1, grupo=="Moodle")
> g1 <- subset(Notas.2grupos.v1, grupo=="Google Apps")


Al ejecutar esta acción, se crearon dos nuevas variables: Moodle (m1) y Google Apps (g1).


El próximo paso es hacer la representación gráfica por sexo, cuya longitud abarcando el rango de valores de las variables (grupo y nota) e introduje el siguiente comando en la consola:

> plot(Notas.2grupos.v1$grupo,Notas.2grupos.v1$nota,xlab="Grupos", ylab="Notas", type="n")



Este paso consiste en comprobar si existe una diferencia significativa entre los grupos. Dicho análisis se realizará con el comando presentado a continuación:
> t.test(m1$nota, g1$nota)

               Welch Two Sample t-test

data:  m1$nota and g1$nota
t = -2.8284, df = 38, p-value = 0.007427
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -1.7157314 -0.2842686
sample estimates:
mean of x mean of y
     6.25      7.25

Al obtener el resultado, puedo concluir diciendo que este indica diferencias significativas para ambos grupos de estudiantes, puesto que el p-value es
0.007427, siendo su equivalente 0.7427% de posibilidades de que se obtenga el mismo resultado al utilizarse nuevamente con un mismo grupo, puesto que el resultado está por debajo del margen acordado por la comunidad de científicos del cual es 0.05 → 5%.


Pasos

Año 2:

Como anteriormente, en el año 1, habia descargado el fichero, se realizará el mismo procedimiento. Luego, el siguiente paso es:

Abrir la interfaz R studio, que ya está  instalada en el computador, y cargar el fichero de datos del año 2 desde la cuadrícula superior derecha: Import Dataset, luego selecciono From text file.

Más abajo aparece una ventana en la que se muestra el contenido del fichero de texto y la estructura de datos que se cargará en R. El fichero incluye una cabecera, el tipo de separador que utiliza entre variables es el símbolo de número (#), el carácter utilizado para separar la parte entera de la parte decimal de los números es el espacio en blanco (whitespace). 

Para lograr que la estructura de datos se cree sin problemas, ya que se presentó, observé que el símbolo de número no está disponible entre las opciones en el Import Dataset, resuelvo el problema con los siguientes pasos:

  •          Voy a la Consola que está en la cuadrícula inferior izquierda.
  •           Hago clic debajo del comando de color azul.
  •      Presiono la flecha hacia arriba de la tecla de dirección.
  •            Coloco el símbolo de número (#) entre las comillas de sep=” ”, que está en el    comando de color azul.
  •          Luego, ejecuto la tecla de Enter.

Y asunto resuelto.

 El paso siguiente consiste en filtrar  los datos del año 2. Para esto, filtré los sujetos por tipo de entorno utilizando los siguientes comandos:

 > m2 <- subset(Notas.2grupos.v2, grupo=="Moodle")
> g2 <- subset(Notas.2grupos.v2, grupo=="Google Apps")

Al colocar estos dos comandos en la consola se crearon dos nuevas variables: Moodle (m2) y Google Apps (g2).

Para obtener la representación gráfica utilice el siguiente comando, que abarca el sexo, el grupo y la nota.

> plot(Notas.2grupos.v2$grupo,Notas.2grupos.v2$nota,xlab="Grupos", ylab="Notas", type="n")


Para la realización del Análisis Diferencial Estadísticamente Significativa Entre Las Calificaciones, se prosigue a:

Escribir el siguiente comando: 
> t.test(m2$nota, g2$nota)

Welch Two Sample t-test

data:  m2$nota and g2$nota
t = -1.7514, df = 36.284, p-value = 0.08832
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -1.5103499  0.1103499
sample estimates:
mean of x mean of y
     6.55      7.25

Los resultados demuestran que no hay una diferencia significativa entre ambos grupos  de estudiantes, puesto que p-value=0.08832→8.832%, destacando una posibilidad de adquirir resultados diferente si se lleva a cabo el mismo procedimiento para igual cantidad de alumnos, destacando que mayor que el permitido por la comunidad científica que es de 5%.

Este análisis de interpretación de datos para mi significó un reto, puesto que como no soy de la área de tecnología, los comandos utilizados en el mismo eran de desconocimiento para mí, tuve que leer bastante, ver algunos tutoriales, reunirme en muchas ocasiones con compañeros y en un momento quise tirar la toalla, pero no me di por vencida.

 Me queda la satisfacción de haber salido a camino, el conocer a más profundidad el R studio y su valor que tiene el cual no sabía, pude darlo a conocer a otras personas de mi centro educativo y aprendí a utilizar el lenguaje tecnológico un poco más.























 

Sample text

Sample Text

Sample Text

 
Blogger Templates