miércoles, 6 de abril de 2016
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.
2. Dibujar 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.
Suscribirse a:
Entradas (Atom)
