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%.