Después de descargar el fichero https://www.dropbox.com/s/d4egha6ag2hgt9i/Notas-2grupos-v3.csv?dl=0 en la computadora, le doy clic al archivo y aparece una página de Excel con los datos del fichero.
Punto 1. Observar los datos y reflexionar acerca de la relación
que existe entre las variables CALIFICACION,
GRUPO y SEXO
Observando la página de Excel me pude percatar que los de sexos masculinos de Google Apps obtuvieron calificaciones más altas que los de sexo masculino de Moodle. Sobre el sexo femenino, tienen iguales calificaciones con 6, pero las de Google Apps obtuvieron notas más altas que las del otro grupo. Además, se puede decir que está formado por dos grupos o entornos virtuales: Moodle y Google Apps. Hay un total de 40 estudiantes 20 para Moodle y 20 para Google Apps. Ambos están divididos en 10 estudiantes de sexo masculino y 10 estudiantes del sexo femenino,
> evm <- subset(Notas.2grupos.v3, grupo=="Moodle")
> evmsm <- subset(evm, sexo=="M")
> mean(evmsm$nota)
[1] 4.6
> evmsf <- subset(evm, sexo=="F")
> mean(evmsf$nota)
[1] 5.9
> evg <- subset(Notas.2grupos.v3, grupo=="Google Apps")
> evgsm <- subset(evg, sexo=="M")
> mean(evgsm$nota)
[1] 7.9
>
> evgsf <- subset(evg, sexo=="F")
> mean(evgsf$nota)
[1] 6.6
>
Punto 2 . Dibujar en Excel o Google Sheets un gráfico de interacción de las medias de las
calificaciones combinado las variables GRUPO
y SEXO, es decir: MOODLE-M,
MOODLE-F, GOOGLE APPS-M, GOOGLE
APPS-F. ¿Coinciden los resultados mostrados en el gráfico con tus
reflexiones del punto 1?
Observando el gráfico en Excel y la reflexión hecha en el punto 1 concluyo diciendo que hubo una coincidencia en cuanto a que los estudiantes de ambos sexos de Google Apps obtuvieron calificaciones más altas que los estudiantes de ambos sexos que utilizaron Moodle. Los de sexo masculino de Google Apps sobrepasaron en calificación a las femeninas del mismo grupo. En Moodle sucede lo contrario las del sexo femenino obtuvieron mejores calificaciones que los del sexo masculino de este entorno virtual.
Punto 3: Analizar si existen diferencias
estadísticamente significativas en las CALIFICACIONES
en función del GRUPO y del SEXO.
Para realizar el análisis en función del grupo y sexo, ejecuté en la consola el siguiente comando para el sexo masculino de ambos grupos:
> t.test(evmsm$nota, evgsm$nota)
Y obtenemos el resultado del análisis lo siguiente:
> 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
Aquí se presentan los resultados de los dos grupos: Moodle (representado por la variable evmsm) y Google Apps (representado por la variable evgsm), y del sexo masculino.
En este estudio se puede observar que la media de la variable X correspondiente a Moodle (evmsm$nota) es de 4.6, mientras que la variable Y perteneciente a Google Apps (evgsm$nota) tiene una media de 7.9. La diferencia entre los grupos es de 3.3 puntos sobre 100, lo que me indica que no parece significativa entre los grupos. El p-value = 2.603e-07 = 0.0000002603%, por consiguiente el margen de riesgo a equivocarme es pequeño, porque 0.0000002603% < 5%.
En conclusión:
En este estudio no percibimos una diferencia significativa entre los valores de las medias de cada grupo.
La diferencia entre las calificaciones de los estudiantes masculinos de uno y otro grupo no es estadísticamente significativa.
Ahora, ejecuto el comando t.test(evmsf$nota, evgsf$nota)
para obtener el análisis del sexo femenino de ambos grupos.
Aparece el siguiente resultado del análisis:
> 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
En este resultado el grupo Moodle (evmsf) le corresponde la variable X, y a Google Apps (evgsf) la Y.
La media de la variable x (evmsf) es de 5.9 y la variable y tiene una media de 6.6. La diferencia entre ambos grupos no parece significativa porque es tan sólo de 0.7 puntos (sobre 100). En este caso, el valor de p-value = 0.1069 = 10.69%. Por consiguiente, el margen de riesgo a equivocarme es grande porque 10.69% > 5%.
En consecuencia, en lo que respecta a la calificación final de los dos grupos del sexo femenino deduzco que:
No percibo una diferencia significativa entre los valores de las medias de cada grupo.
La diferencia entre las calificaciones de las estudiantes de uno y de otro grupo no es estadísticamente significativa.
Punto 4. Utilizar la función aov() de R para saber si existe
una interacción estadísticamente significativa entre las variables GRUPO y SEXO.
> aov.ns <- aov(nota~sexo*grupo,Notas.2grupos.v3)
> summary(aov.ns)
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
>
Observando los resultados de la función
aov() de R se puede decir que las variables grupo y sexo tienen un Pr (>F) de 7.74e-05 que será igual a 0.0000774 = 0.00774%.
Como 0.00774% < 5% el margen de
riesgo a equivocarme es pequeño. Entonces, si hay una interacción estadísticamente
significativa entre las dos variables antes mencionadas.
No hay comentarios.:
Publicar un comentario