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
Resultados de las prácticas del diseño y ejecución de un trabajo experimental. Nuestra pregunta es: ¿Tenemos mejor capacidad de recordar palabras si las escribimos en papel o si las escribimos en un móvil?
Partimos de la hipótesis que el papel nos ayudará más que el móvil. Vamos a ver si se cumple esta hipótesis.




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.


Veamos que ocurre con nuestra memoria


3 NUESTROS DATOS

setwd(dir = "G:/R/MARKDOWN-Clases/IntroTFG25-26/")
datos<-read.table("resultados_memoria_25_26.csv", sep = ";", header = TRUE, dec = ".")
datos
##      code        dia  hora edad sexo  estudios papel movil result_papel
## 1  AST-86 01/12/2025 17:30   20    M biol_sant     2     1           50
## 2   Z4S35 01/12/2025 17:45   20    F biol_sant     1     2           90
## 3  ZWQ-67 01/12/2025 17:45   20    F biol_sant     1     2           70
## 4  COT-24 01/12/2025 17:45   20    F biol_sant     1     2           70
## 5  ZWQ-67 01/12/2025 17:45   20    F biol_sant     2     1           70
## 6  COT-24 01/12/2025 17:45   20    F biol_sant     2     1           60
## 7  ZWQ-71 01/12/2025 17:35   22    M biol_sant     2     1           60
## 8  MMM-26 04/12/2025 11:27   59    F      biol     1     2           70
## 9  LEM-55 04/12/2025 11:40   20    F  ciencias     1     2           60
## 10 ZWQ-73 01/12/2025 17:46   20    F biol_sant     1     2           60
## 11 ZXW-02 01/12/2025 17:40   20    F biol_sant     1     2           50
## 12 ZXW-02 01/12/2025 17:40   20    F biol_sant     2     1           30
## 13 ZYS-36 01/12/2025 17:40   20    F biol_sant     1     2           50
## 14 ZYS-36 01/12/2025 17:40   20    F biol_sant     2     1           40
## 15 ZXW-01 01/12/2025 17:46   20    M biol_sant     1     2           70
## 16 AST-87 01/12/2025 17:46   20    M biol_sant     2     1           80
## 17 AST-85 01/12/2025 17:45   20    F biol_sant     1     2           50
## 18 ZYS-37 01/12/2025 17:45   20    F biol_sant     2     1           60
## 19 AST-88 01/12/2025 17:46   20    F biol_sant     1     2           60
## 20 ZWQ-72 01/12/2025 17:46   20    F biol_sant     2     1           70
## 21 ZYS-34 01/12/2025 17:00   20    F biol_sant     1     2           50
## 22 YRS-03 01/12/2025 17:00   23    M biol_sant     2     1           40
## 23  55918 01/12/2025 21:00   49    F      <NA>     1     2           50
## 24  38382 01/12/2025 21:00   50    M      <NA>     2     1           40
##    result_mov dif_p_m
## 1          50       0
## 2          50      40
## 3          50      20
## 4          40      30
## 5          60      10
## 6          60       0
## 7          60       0
## 8          40      30
## 9          50      10
## 10         60       0
## 11         50       0
## 12         50     -20
## 13         70     -20
## 14         70     -30
## 15         50      20
## 16         50      30
## 17         40      10
## 18         60       0
## 19         50      10
## 20         60      10
## 21         60     -10
## 22         60     -20
## 23         70     -20
## 24         60     -20
str(datos)
## 'data.frame':    24 obs. of  11 variables:
##  $ code        : chr  "AST-86" "Z4S35" "ZWQ-67" "COT-24" ...
##  $ dia         : chr  "01/12/2025" "01/12/2025" "01/12/2025" "01/12/2025" ...
##  $ hora        : chr  "17:30" "17:45" "17:45" "17:45" ...
##  $ edad        : int  20 20 20 20 20 20 22 59 20 20 ...
##  $ sexo        : chr  "M" "F" "F" "F" ...
##  $ estudios    : chr  "biol_sant" "biol_sant" "biol_sant" "biol_sant" ...
##  $ papel       : int  2 1 1 1 2 2 2 1 1 1 ...
##  $ movil       : int  1 2 2 2 1 1 1 2 2 2 ...
##  $ result_papel: int  50 90 70 70 70 60 60 70 60 60 ...
##  $ result_mov  : int  50 50 50 40 60 60 60 40 50 60 ...
##  $ dif_p_m     : int  0 40 20 30 10 0 0 30 10 0 ...
library(gt)

datos %>%
  head(25) %>% 
  gt() %>% 
  tab_header(
    title = "Tabla datos brutos",
    subtitle = "Experimento Memoria"
  )
Tabla datos brutos
Experimento Memoria
code dia hora edad sexo estudios papel movil result_papel result_mov dif_p_m
AST-86 01/12/2025 17:30 20 M biol_sant 2 1 50 50 0
Z4S35 01/12/2025 17:45 20 F biol_sant 1 2 90 50 40
ZWQ-67 01/12/2025 17:45 20 F biol_sant 1 2 70 50 20
COT-24 01/12/2025 17:45 20 F biol_sant 1 2 70 40 30
ZWQ-67 01/12/2025 17:45 20 F biol_sant 2 1 70 60 10
COT-24 01/12/2025 17:45 20 F biol_sant 2 1 60 60 0
ZWQ-71 01/12/2025 17:35 22 M biol_sant 2 1 60 60 0
MMM-26 04/12/2025 11:27 59 F biol 1 2 70 40 30
LEM-55 04/12/2025 11:40 20 F ciencias 1 2 60 50 10
ZWQ-73 01/12/2025 17:46 20 F biol_sant 1 2 60 60 0
ZXW-02 01/12/2025 17:40 20 F biol_sant 1 2 50 50 0
ZXW-02 01/12/2025 17:40 20 F biol_sant 2 1 30 50 -20
ZYS-36 01/12/2025 17:40 20 F biol_sant 1 2 50 70 -20
ZYS-36 01/12/2025 17:40 20 F biol_sant 2 1 40 70 -30
ZXW-01 01/12/2025 17:46 20 M biol_sant 1 2 70 50 20
AST-87 01/12/2025 17:46 20 M biol_sant 2 1 80 50 30
AST-85 01/12/2025 17:45 20 F biol_sant 1 2 50 40 10
ZYS-37 01/12/2025 17:45 20 F biol_sant 2 1 60 60 0
AST-88 01/12/2025 17:46 20 F biol_sant 1 2 60 50 10
ZWQ-72 01/12/2025 17:46 20 F biol_sant 2 1 70 60 10
ZYS-34 01/12/2025 17:00 20 F biol_sant 1 2 50 60 -10
YRS-03 01/12/2025 17:00 23 M biol_sant 2 1 40 60 -20
55918 01/12/2025 21:00 49 F NA 1 2 50 70 -20
38382 01/12/2025 21:00 50 M NA 2 1 40 60 -20

4 BOXPLOT de las variables dependientes

library(ggplot2)
gr00<-ggplot(datos, aes(x=0, y=datos$result_papel))+ geom_boxplot(color="red", fill="orange")+
  labs(x='Tratamiento Papel', y='Porcentaje de recuerdo')+
  ylim(0, 100) + geom_jitter(width = 0.1, size = 2, alpha = 0.8, color = "black")

gr11<-ggplot(datos, aes(x=0, y=datos$result_mov))+ geom_boxplot(color="darkgreen", fill="green")+
  labs(x='Tratamiento Móvil', y='Porcentaje de recuerdo')+
  ylim(0, 100) + geom_jitter(width = 0.1, size = 2, alpha = 0.8, color = "black")

library(patchwork)
(gr00|gr11)

grDifs<-ggplot(datos, aes(x=0, y=datos$dif_p_m))+ geom_boxplot(width = 0.10, color="black", fill="orange")+
  xlim(-0.5, 0.5) +
  ylim(-40, 40)+
  labs(x='Población de estudio', y='Diferencias de recuerdo papel-movil')+
  geom_hline(yintercept = 0,            # Línea horizontal en y = 0
             linetype = "dashed",       # Tipo de línea
             color = "red",             # Color de la línea
             size = 0.8) + geom_jitter(width = 0.1, size = 2, alpha = 0.8, color = "black")
grDifs

5 GRÁFICO DE DISPERSIÓN de las variables dependientes y significación del modelo

###Grafico de dispersión Papel vs movil
plot(datos$result_papel~datos$result_mov, pch=16)
abline(lm(datos$result_papel~datos$result_mov,data=datos),col="red")

###Veamos la regresión lineal
model_t1<-lm(datos$result_papel~datos$result_mov,data=datos)
summary(model_t1)
## 
## Call:
## lm(formula = datos$result_papel ~ datos$result_mov, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -31.111 -10.278   1.667   5.556  28.889 
## 
## Coefficients:
##                  Estimate Std. Error t value Pr(>|t|)    
## (Intercept)       88.8889    17.6463   5.037 4.81e-05 ***
## datos$result_mov  -0.5556     0.3169  -1.753   0.0935 .  
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 13.45 on 22 degrees of freedom
## Multiple R-squared:  0.1225, Adjusted R-squared:  0.08266 
## F-statistic: 3.073 on 1 and 22 DF,  p-value: 0.09355

6 MODELO LIBRE de las variables dependientes

library(ggplot2)
qplot(datos$result_papel,datos$result_mov,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 Orden a la hora de recordar

7.1 Memoria de primero papel con segundo papel

library(ggplot2)
datos$papel <- as.factor(datos$papel)
ggplot(datos, aes(x = papel, y = result_papel)) +
  geom_boxplot() +
  labs(x = "Papel", y = "Memoria") + geom_boxplot(color="red", fill="orange")

7.2 Memoria de primero móvil con segundo móvil

library(ggplot2)
datos$movil <- as.factor(datos$movil)
ggplot(datos, aes(x = movil, y = result_mov)) +
  geom_boxplot() +
  labs(x = "Móvil", y = "Memoria")+ geom_boxplot(color="darkgreen", fill="green")

8 ESTADÍSTICA

8.1 Normalidad

###NORMALIDAD DE LAS VARIABLES
shapiro.test(datos$result_papel)
## 
##  Shapiro-Wilk normality test
## 
## data:  datos$result_papel
## W = 0.9572, p-value = 0.3848
shapiro.test(datos$result_mov)
## 
##  Shapiro-Wilk normality test
## 
## data:  datos$result_mov
## W = 0.88445, p-value = 0.01023

8.2 Homocedasticidad

###VARIANZAS
var.test(datos$result_papel,datos$result_mov)
## 
##  F test to compare two variances
## 
## data:  datos$result_papel and datos$result_mov
## F = 2.5185, num df = 23, denom df = 23, p-value = 0.03123
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
##  1.089494 5.821910
## sample estimates:
## ratio of variances 
##           2.518519
#No se cumplen todos los requisitos

8.3 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$result_papel,datos$result_mov, var.equal=TRUE, paired=FALSE)
## 
##  Two Sample t-test
## 
## data:  datos$result_papel and datos$result_mov
## t = 0.98408, df = 46, p-value = 0.3302
## alternative hypothesis: true difference in means is not equal to 0
## 95 percent confidence interval:
##  -3.484838 10.151504
## sample estimates:
## mean of x mean of y 
##  58.33333  55.00000

8.4 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$result_papel,datos$result_mov, var.equal=TRUE, paired=TRUE)
## 
##  Paired t-test
## 
## data:  datos$result_papel and datos$result_mov
## t = 0.8579, df = 23, p-value = 0.3998
## alternative hypothesis: true mean difference is not equal to 0
## 95 percent confidence interval:
##  -4.704305 11.370972
## sample estimates:
## mean difference 
##        3.333333

8.5 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:

###Test t-student diferencias igual a cero
t.test(datos$dif_p_m)
## 
##  One Sample t-test
## 
## data:  datos$dif_p_m
## t = 0.8579, df = 23, p-value = 0.3998
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  -4.704305 11.370972
## sample estimates:
## mean of x 
##  3.333333

9 ¿Qué podemos discutir? ¿Conclusiones?

Ahora toca pensar, ¿qué se puede discutir? ¿es correcto lo que hemos hecho? ¿se puede sacar alguna conclusión? ¿se podría mejorar el diseño experimental? ¿cómo lo haríamos?

10 CRÉDITOS

Álvaro Alonso Fernández

mi Web de R

Departamento de Ciencias de la Vida

Universidad de Alcalá (España)