A continuación presento un análisis estadístico en el cual determino si existe una diferencia significativa entre las calificaciones que obtuvieron los estudiantes de un grupo de 40 personas, el cual fue dividido en partes iguales para trabajar en dos entornos virtuales de aprendizaje distintos (uno Moodle y el otro Google Apps).
1. Pasos para el análisis de datos a través
de R-Studio.
2. En el presente análisis muestro los pasos
necesarios para evaluar si existía una
diferencia estadísticamente significativa
entre las calificaciones que obtuvieron los
estudiantes de un grupo de 40 personas, el
cual fue dividido en partes iguales para
trabajar en dos entornos virtuales de
aprendizaje distintos (uno Moodle y el otro
Google Apps).
3. Este estudio se realizó por 2 años
consecutivos; los datos evaluados a
continuación corresponden al primer año.
8. En la imagen siguiente podremos ver en la
parte superior de la ventana un cuadro de
texto (Input File) el cual muestra los datos
como están originalmente en el archivo, y en
la parte inferior en otro cuadro de texto
(Data Frame) vemos los datos como serán
mostrados luego de ser cargados a R-Studio.
12. Además nos podemos percatar de que en
la ventana inferior izquierda
que dice Console aparece un texto en
color azul que antes no estaba, este es el
llamado a los datos.
13. Ahora vamos a la ventana Console e ingresamos
los siguientes códigos para filtrar los datos de la
tabla y crear una nueva a partir del elemento
(Moodle o Google Apps).
datosMoodle <-subset(Notas.2grupos.v1,
grupo=="Moodle")
Como resultado de ingresar esta línea de código
nos arroja una tabla con 20 elementos filtrados
a partir del elemento Moodle.
14. Notas.2grupos.v1 es el nombre de la tabla
original de la cual filtramos los datos y creamos
la nueva tabla llamada datosMoodle
15. Si utilizáramos este código para otros datos
tendríamos que cambiar las siguientes partes:
datosMoodle: es el nombre de la tabla nueva
que vamos a crear.
Notas.2grupos.v1: es el nombre de la tabla que
cargamos previamente y de donde haremos el
filtrado.
grupo=="Moodle": (grupo) es el nombre de la
columna y (Moodle) es el elemento que filtrará.
16. Ahora ingresamos otra línea de código.
datosGoogleApps <- subset(Notas.2grupos.v1,
grupo=="Google Apps")
Que nos dará como resultado otra tabla con 20
elementos pero con la diferencia de que estos
fueron filtrados a partir del elemento Google
Apps.
17. De nuevo (Notas.2grupos.v1) es el nombre de
la tabla original de la cual filtramos los datos y
creamos la nueva tabla llamada
datosGoogleApps
18. Ahora vamos a hacer la representación
gráfica, y para ello ingresamos el
siguiente código.
plot(Notas.2grupos.v1$grupo,
Notas.2grupos.v1$nota,
xlab="Grupos", ylab="Notas",
type="n")
19.
20. Ahora el análisis diferencial entre grupos, y
para ello usamos el siguiente código.
with(Notas.2grupos.v1, tapply(nota,
list(grupo), mean))
21. Aquí podemos ver que la nota media de los
estudiantes que utilizaron la interfaz virtual
de Google Apps fue de (7.25) y del grupo
de Moodle fue de (6.25).
22. y ya para el final analizaremos si existe una
diferencia estadísticamente significativa
entre las calificaciones.
Para lo cual ingresaremos el siguiente código.
t.test(datosMoodle$nota,
datosGoogleApps$nota)
23.
24. y como resultado obtenemos que
P-value = 0.007427
Al llevar este valor a porcentaje nos arroja:
0.007427 * 100 = 0.7427%
Por consiguiente, como conclusión podemos
decir que sí existe una diferencia
estadísticamente significativa entre las notas
de los dos grupos.