Introducción TFGs-Ejercicio de memoria. Curso 24-25
diciembre 05, 2024
1 Introducción a los TFGs
Álvaro Alonso Fernández
Departamento de Ciencias de la Vida
Universidad de Alcalá (España)
ASIGNATURA: Introducción a los TFGs orientados a la
investigación
Transversal Ciencias Ambientales
Se puede reproducir íntegro para usos no
comerciales, sin modificar y citando a los autores. Sugerencia de
cita:
Alonso A (2025) Introducción TFGs-Ejercicio de memoria. RPubs. https://rpubs.com/aafernandez1976
2 RESULTADOS DE NUESTRO ESTUDIO
Hemos seguido el método científico. Ahora toca explorar nuestros datos y ver si tenemos alguna tendencia clara.
3 NUESTROS DATOS
setwd(dir = "G:/R/MARKDOWN-Clases/IntroTFG24-25/")
datos<-read.table("results_digital_paper.csv", sep = ";", header = TRUE, dec = ".")
datos## individuo fecha hora estudios edad mujer hombre AD_DA DA_AD por_A_t1
## 1 S1 02/12/2024 17:30 biol_sanit 21 0 1 1 0 50
## 2 B2 02/12/2024 17:30 biolo 22 1 0 0 1 60
## 3 B1 02/12/2024 17:30 biolo 22 0 1 1 0 50
## 4 E1 02/12/2024 17:45 econo 24 0 1 0 1 70
## 5 Q3 02/12/2024 18:00 quim 22 0 1 0 1 80
## 6 Q4 02/12/2024 17:30 quim 22 0 1 1 0 60
## 7 Q1 02/12/2024 17:30 quim 22 0 1 1 0 50
## 8 Q2 02/12/2024 17:30 quim 23 0 1 0 1 50
## por_D_t1 por_D_t2 por_A_t2 dif_A_D_t1 dif_A_D_t2
## 1 60 90 80 -10 -10
## 2 30 60 70 30 10
## 3 70 60 60 -20 0
## 4 50 50 60 20 10
## 5 60 80 90 20 10
## 6 50 60 50 10 -10
## 7 50 60 70 0 10
## 8 90 70 60 -40 -10str(datos)## 'data.frame': 8 obs. of 15 variables:
## $ individuo : chr "S1" "B2" "B1" "E1" ...
## $ fecha : chr "02/12/2024" "02/12/2024" "02/12/2024" "02/12/2024" ...
## $ hora : chr "17:30" "17:30" "17:30" "17:45" ...
## $ estudios : chr "biol_sanit" "biolo" "biolo" "econo" ...
## $ edad : int 21 22 22 24 22 22 22 23
## $ mujer : int 0 1 0 0 0 0 0 0
## $ hombre : int 1 0 1 1 1 1 1 1
## $ AD_DA : int 1 0 1 0 0 1 1 0
## $ DA_AD : int 0 1 0 1 1 0 0 1
## $ por_A_t1 : int 50 60 50 70 80 60 50 50
## $ por_D_t1 : int 60 30 70 50 60 50 50 90
## $ por_D_t2 : int 90 60 60 50 80 60 60 70
## $ por_A_t2 : int 80 70 60 60 90 50 70 60
## $ dif_A_D_t1: int -10 30 -20 20 20 10 0 -40
## $ dif_A_D_t2: int -10 10 0 10 10 -10 10 -104 BOXPLOT de las variables dependientes
library(ggplot2)
gr00<-ggplot(datos, aes(x=0, y=por_A_t1))+ geom_boxplot(color="red", fill="orange")+
labs(x='Tratamiento Papel t1', y='Porcentaje de recuerdo')
gr11<-ggplot(datos, aes(x=0, y=por_D_t1))+ geom_boxplot(color="darkgreen", fill="green")+
labs(x='Tratamiento Móvil t1', y='Porcentaje de recuerdo')
gr12<-ggplot(datos, aes(x=0, y=por_A_t2))+ geom_boxplot(color="red", fill="orange")+
labs(x='Tratamiento Papel t2', y='Porcentaje de recuerdo')
gr13<-ggplot(datos, aes(x=0, y=por_D_t2))+ geom_boxplot(color="darkgreen", fill="green")+
labs(x='Tratamiento Móvil t2', y='Porcentaje de recuerdo')
library(patchwork)
(gr00|gr11)
(gr12|gr13)
grDifs<-ggplot(datos, aes(x=0, y=dif_A_D_t1))+ geom_boxplot(width = 0.10, color="black", fill="orange")+
xlim(-0.5, 0.5) +
labs(x='Población de estudio', y='Diferencias de recuerdo A_D_t1')+
geom_hline(yintercept = 0, # Línea horizontal en y = 0
linetype = "dashed", # Tipo de línea
color = "red", # Color de la línea
size = 0.8)
grDifs
grDifs2<-ggplot(datos, aes(x=0, y=dif_A_D_t2))+ geom_boxplot(width = 0.10, color="black", fill="green")+
xlim(-0.5, 0.5)+
labs(x='Población de estudio', y='Diferencias de recuerdo A_D_t2')+
geom_hline(yintercept = 0, # Línea horizontal en y = 0
linetype = "dashed", # Tipo de línea
color = "red", # Color de la línea
size = 0.8)
grDifs2
5 GRÁFICO DE DISPERSIÓN de las variables dependientes y significación del modelo
###Grafico de dispersión Papel vs movil
plot(por_A_t1~por_D_t1,data=datos,pch=16)
abline(lm(por_A_t1~por_D_t1,data=datos),col="red")
plot(por_A_t2~por_D_t2,data=datos,pch=16)
abline(lm(por_A_t2~por_D_t2,data=datos),col="red")
###Veamos la regresión lineal
model_t1<-lm(por_A_t1~por_D_t1,data=datos)
summary(model_t1)##
## Call:
## lm(formula = por_A_t1 ~ por_D_t1, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.233 -6.773 -3.256 2.267 21.744
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 70.1163 14.9222 4.699 0.00333 **
## por_D_t1 -0.1977 0.2496 -0.792 0.45849
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 11.57 on 6 degrees of freedom
## Multiple R-squared: 0.09466, Adjusted R-squared: -0.05623
## F-statistic: 0.6274 on 1 and 6 DF, p-value: 0.4585model_t2<-lm(por_A_t2~por_D_t2,data=datos)
summary(model_t2)##
## Call:
## lm(formula = por_A_t2 ~ por_D_t2, data = datos)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.1579 -5.5263 0.3158 6.8421 12.9474
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 21.4737 19.1666 1.120 0.3054
## por_D_t2 0.6947 0.2845 2.442 0.0504 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 9.805 on 6 degrees of freedom
## Multiple R-squared: 0.4984, Adjusted R-squared: 0.4148
## F-statistic: 5.962 on 1 and 6 DF, p-value: 0.050366 MODELO LIBRE de las variables dependientes
library(ggplot2)
qplot(datos$por_A_t1,datos$por_D_t1,geom = c("point", "smooth"))+
xlim(0, 100) + # Limitar el eje X entre 00 y 100
ylim(0, 100) # Limitar el eje Y entre 00 y 100## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
qplot(datos$por_A_t2,datos$por_D_t2,geom = c("point", "smooth"))+
xlim(0, 100) + # Limitar el eje X entre 00 y 100
ylim(0, 100) # Limitar el eje Y entre 00 y 100## `geom_smooth()` using method = 'loess' and formula = 'y ~ x'
7 ESTADÍSTICA
7.1 Normalidad
###NORMALIDAD DE LAS VARIABLES
shapiro.test(datos$por_A_t1)##
## Shapiro-Wilk normality test
##
## data: datos$por_A_t1
## W = 0.80891, p-value = 0.03563shapiro.test(datos$por_D_t1)##
## Shapiro-Wilk normality test
##
## data: datos$por_D_t1
## W = 0.93959, p-value = 0.607shapiro.test(datos$por_A_t2)##
## Shapiro-Wilk normality test
##
## data: datos$por_A_t2
## W = 0.93805, p-value = 0.592shapiro.test(datos$por_D_t2)##
## Shapiro-Wilk normality test
##
## data: datos$por_D_t2
## W = 0.87745, p-value = 0.178shapiro.test(datos$dif_A_D_t1)##
## Shapiro-Wilk normality test
##
## data: datos$dif_A_D_t1
## W = 0.95167, p-value = 0.7281shapiro.test(datos$dif_A_D_t2)##
## Shapiro-Wilk normality test
##
## data: datos$dif_A_D_t2
## W = 0.73599, p-value = 0.0057117.2 Homocedasticidad
###VARIANZAS
var.test(datos$por_A_t1,datos$por_D_t1)##
## F test to compare two variances
##
## data: datos$por_A_t1 and datos$por_D_t1
## F = 0.41279, num df = 7, denom df = 7, p-value = 0.2659
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.08264228 2.06185206
## sample estimates:
## ratio of variances
## 0.4127907var.test(datos$por_A_t2,datos$por_D_t2)##
## F test to compare two variances
##
## data: datos$por_A_t2 and datos$por_D_t2
## F = 0.96842, num df = 7, denom df = 7, p-value = 0.9673
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.1938816 4.8371752
## sample estimates:
## ratio of variances
## 0.9684211#Se cumplen todos los requisitos7.3 t-test no pareado
Para esta figura haremos un test no pareado, es decir se compararán todos los valores de una variable con todos los valores de la otra:
library(patchwork)
(gr00|gr11)
###Test de t-student no pareada:
t.test(datos$por_A_t1,datos$por_D_t1, var.equal=TRUE, paired=FALSE)##
## Two Sample t-test
##
## data: datos$por_A_t1 and datos$por_D_t1
## t = 0.16973, df = 14, p-value = 0.8677
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -14.54604 17.04604
## sample estimates:
## mean of x mean of y
## 58.75 57.50(gr12|gr13)
###Test de t-student no pareada:
t.test(datos$por_A_t2,datos$por_D_t2, var.equal=TRUE, paired=FALSE)##
## Two Sample t-test
##
## data: datos$por_A_t2 and datos$por_D_t2
## t = 0.19348, df = 14, p-value = 0.8494
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
## -12.60689 15.10689
## sample estimates:
## mean of x mean of y
## 67.50 66.257.4 t-test pareado
Ahora haremos lo mismo pero con un test pareado, es decir se compara el resultado de cada individuo:
###Test de t-student pareada:
t.test(datos$por_A_t1,datos$por_D_t1, var.equal=TRUE, paired=TRUE)##
## Paired t-test
##
## data: datos$por_A_t1 and datos$por_D_t1
## t = 0.15003, df = 7, p-value = 0.885
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
## -18.45168 20.95168
## sample estimates:
## mean difference
## 1.25###Test de t-student pareada:
t.test(datos$por_A_t2,datos$por_D_t2, var.equal=TRUE, paired=TRUE)##
## Paired t-test
##
## data: datos$por_A_t2 and datos$por_D_t2
## t = 0.35675, df = 7, p-value = 0.7318
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
## -7.035228 9.535228
## sample estimates:
## mean difference
## 1.257.5 t-test diferencias cero
Para esta figura haremos una comparación entre los valores y cero, es decir se compararán si ese conjunto de datos difiere de cero o no:
grDifs
grDifs2
###Test t-student diferencias igual a cero
t.test(datos$dif_A_D_t1)##
## One Sample t-test
##
## data: datos$dif_A_D_t1
## t = 0.15003, df = 7, p-value = 0.885
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -18.45168 20.95168
## sample estimates:
## mean of x
## 1.25t.test(datos$dif_A_D_t2)##
## One Sample t-test
##
## data: datos$dif_A_D_t2
## t = 0.35675, df = 7, p-value = 0.7318
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
## -7.035228 9.535228
## sample estimates:
## mean of x
## 1.258 ¿Qué podemos discutir? ¿Conclusiones?
ahora toca pensar, ¿qué se puede discutir? ¿es correcto lo que hemos hecho? ¿se puede sacar alguna conclusión?
9 CRÉDITOS
Departamento de Ciencias de la Vida
Universidad de Alcalá (España)
