Aviso. Este documento es un ejercicio metodológico. Todos los datos fueron simulados para ilustrar el procedimiento de análisis, por lo que los resultados no constituyen evidencia sobre el comportamiento de personas reales.

Introducción

Este estudio evalúa el impacto de la composición disciplinaria de los equipos de trabajo (Grupos Homogéneos vs. Grupos Heterogéneos) sobre el rendimiento académico y la dinámica colaborativa en la Maestría en Estadística Aplicada.

La muestra se compone de 32 estudiantes distribuidos en 8 grupos de 4 integrantes:

4 Grupos Homogéneos (GHO): conformados por profesionales de una misma disciplina (Ciencias Exactas, Tecnología e Informática, Ciencias Sociales o Ciencias de la Vida).
4 Grupos Heterogéneos (GHE / Mixtos): conformados por un representante de cada disciplina.

Durante el programa, los grupos desarrollaron asignaciones prácticas (A1–A3, B1–B3) con complejidad creciente. La dosificación temática buscó generar frustración controlada en los grupos homogéneos (al asignarles tareas ajenas a su área) y promover el liderazgo rotativo del “especialista residente” en los grupos mixtos. Un observador (figura negra) evaluó la interacción grupal y la autogestión en WhatsApp (mensajes técnicos, llamadas síncronas y documentos compartidos).

El análisis utiliza datos simulados para responder seis preguntas de investigación mediante la formulación y comprobación de hipótesis estadísticas.

Datos simulados

Los datos simulados reproducen el escenario del experimento y quedan fijados en el siguiente bloque de código, de modo que los resultados son idénticos en cada compilación.

n_estudiantes <- 32
id_estudiante <- sprintf("EST_%02d", 1:n_estudiantes)
id_grupo      <- c(rep(sprintf("GHO_%d", 1:4), each = 4), rep(sprintf("GHE_%d", 1:4), each = 4))
composicion   <- c(rep("GHO", 16), rep("GHE", 16))

disciplina <- c("Ciencias Exactas", "Ciencias Exactas", "Ciencias Exactas", "Ciencias Exactas",
  "Ciencias Sociales", "Ciencias Sociales", "Ciencias Sociales", "Ciencias Sociales",
  "Tecnología e Informática", "Tecnología e Informática", "Tecnología e Informática",
  "Tecnología e Informática", "Ciencias de la Vida", "Ciencias de la Vida", "Ciencias de la Vida",
  "Ciencias de la Vida", "Ciencias Exactas", "Tecnología e Informática", "Ciencias Sociales",
  "Ciencias de la Vida", "Ciencias Exactas", "Tecnología e Informática", "Ciencias Sociales",
  "Ciencias de la Vida", "Ciencias Exactas", "Tecnología e Informática", "Ciencias Sociales",
  "Ciencias de la Vida", "Ciencias Exactas", "Tecnología e Informática", "Ciencias Sociales",
  "Ciencias de la Vida")

calificacion_asignaciones <- c(89.29, 94.49, 92.71, 88.23, 77.24, 79.09, 83.72, 76.71, 89.62, 89.56,
  86.01, 84.16, 92.66, 87.33, 87.8, 89.26, 90.55, 85.21, 80.58, 93.23, 96.13, 87.47, 78.41, 87.9,
  85.93, 80.19, 80.23, 88.39, 90.93, 86.53, 72.6, 88.41)

interaccion_cualitativa <- c(7, 7, 7, 7, 8, 8, 9, 7, 7, 9, 7, 8, 7, 8, 9, 8, 9, 9, 9, 9, 9, 8, 10,
  9, 9, 10, 8, 9, 9, 9, 9, 9)

interaccion_wa_rate <- c(27.43, 21.19, 26.3, 26.79, 26.79, 23.08, 25.62, 25.15, 21.92, 22.82, 26.58,
  22.77, 25.94, 24.8, 23.75, 24.87, 27.99, 27.05, 27.44, 29.22, 26.23, 27.55, 26.14, 28.25, 26.41,
  29.33, 30.71, 21.95, 31.72, 30.97, 24.1, 35.21)

tematica_tf <- c("Exactas", "Exactas", "Exactas", "Exactas", "Sociales", "Sociales", "Sociales",
  "Sociales", "Tecnología", "Tecnología", "Tecnología", "Tecnología", "Ciencias de la Vida",
  "Ciencias de la Vida", "Ciencias de la Vida", "Ciencias de la Vida", "Tecnología", "Tecnología",
  "Tecnología", "Tecnología", "Tecnología", "Tecnología", "Ciencias de la Vida",
  "Ciencias de la Vida", "Tecnología", "Tecnología", "Exactas", "Exactas", "Tecnología",
  "Tecnología", "Sociales", "Sociales")

ponderacion_trabajo_final <- c(86.77, 92.48, 92.92, 87.79, 78.66, 81.05, 83.11, 78.54, 88.21, 87.05,
  85.64, 85.22, 92.17, 87.22, 90.5, 89.37, 91.14, 88.11, 79.94, 91, 96.8, 86.39, 79.68, 89, 87.11,
  83.27, 82.99, 89.41, 89.36, 87.5, 75.09, 86.56)

calificacion_individual <- c(87.78, 93.28, 92.84, 87.97, 78.09, 80.27, 83.35, 77.81, 88.77, 88.05,
  85.79, 84.8, 92.37, 87.26, 89.42, 89.33, 90.9, 86.95, 80.2, 91.89, 96.53, 86.82, 79.17, 88.56,
  86.64, 82.04, 81.89, 89, 89.99, 87.11, 74.09, 87.3)

aporte_participacion_ind <- c(9.5, 8.9, 8.8, 9.3, 8, 8, 8, 8, 7.8, 7.8, 8.3, 8.3, 8.7, 8.6, 8.5,
  9.1, 9.6, 8.5, 8, 8.7, 9.1, 8.8, 8, 8.1, 10, 8.6, 7, 8.6, 9.5, 8.4, 8, 9.1)

datos_experimento <- data.frame(
  id_estudiante, id_grupo,
  composicion = factor(composicion, levels = c("GHE", "GHO")),
  disciplina  = factor(disciplina),
  calificacion_asignaciones, interaccion_cualitativa, interaccion_wa_rate,
  tematica_tf = factor(tematica_tf),
  ponderacion_trabajo_final, calificacion_individual, aporte_participacion_ind,
  stringsAsFactors = FALSE
)

asignaciones_nombres <- c("A1", "A2", "A3", "B1", "B2", "B3")
notas_matriz <- matrix(c(
  86.09, 88.23, 91.49, 89.28, 89.64, 91.01,
  93.71, 96.04, 93.86, 92.02, 94.69, 96.62,
  91.27, 90.57, 95.38, 91.42, 92.55, 95.07,
  85.74, 86.25, 91.81, 86.73, 88.39, 90.46,
  77.28, 79.01, 78.49, 77.63, 73.95, 77.09,
  79.38, 76.1, 81.58, 80.36, 78.84, 78.28,
  81.76, 84.55, 85.09, 82.49, 86.48, 81.96,
  73.82, 80.14, 77.26, 77.81, 76.39, 74.85,
  91.59, 87.7, 92.4, 90.69, 88.45, 86.9,
  88.03, 87.07, 93.67, 89.83, 91.8, 86.96,
  86.5, 88.5, 85.47, 88.2, 83.97, 83.41,
  84.26, 82.74, 84.79, 79.55, 84.93, 88.7,
  93.56, 93.68, 93.97, 89.89, 94.46, 90.4,
  85.85, 89.19, 85.24, 87.71, 88.73, 87.26,
  85.92, 88, 92.58, 84.62, 88.11, 87.56,
  88.33, 89.58, 91.3, 87.55, 89.71, 89.09,
  92.37, 90.3, 89.43, 89.22, 89.91, 92.07,
  85.56, 84.69, 82.94, 87.65, 87.08, 83.33,
  78.52, 80.42, 82.7, 80.83, 81.28, 79.74,
  93.33, 95.51, 91.94, 92.7, 92.92, 92.98,
  94.68, 93.75, 95.46, 97.84, 98.61, 96.44,
  89.59, 86.55, 86.88, 86.45, 87.11, 88.25,
  79.74, 76.61, 81.46, 76.22, 78.57, 77.86,
  85.77, 87.72, 86.39, 88.02, 88.68, 90.82,
  86.21, 84.38, 84.81, 85.88, 85.78, 88.52,
  84.18, 80.67, 80.29, 76.27, 80.29, 79.43,
  79.43, 80.93, 80.5, 80.08, 80.54, 79.89,
  90.11, 83.25, 89.18, 89.49, 89.03, 89.28,
  91.41, 88.81, 94.4, 91.38, 89.99, 89.59,
  86.24, 84.59, 86.23, 86.97, 87.58, 87.58,
  71.88, 69.6, 71.09, 75.65, 74.22, 73.17,
  87.94, 89.47, 86.96, 88.36, 88.98, 88.74
), nrow = 32, ncol = 6, byrow = TRUE)

datos_experimento_largo <- data.frame(
  id_estudiante = rep(datos_experimento$id_estudiante, each = 6),
  id_grupo      = rep(datos_experimento$id_grupo, each = 6),
  composicion   = rep(datos_experimento$composicion, each = 6),
  disciplina    = rep(datos_experimento$disciplina, each = 6),
  asignacion    = factor(rep(asignaciones_nombres, times = 32), levels = asignaciones_nombres),
  calificacion_asignacion = as.vector(t(notas_matriz))
)

stopifnot(nrow(datos_experimento) == 32,
          nrow(datos_experimento_largo) == 192,
          all(table(datos_experimento$id_grupo) == 4),
          all(abs(rowMeans(notas_matriz) - datos_experimento$calificacion_asignaciones) < 0.01))

Variables de la base:

Variable	Tipo / escala	Descripción
`id_estudiante`	Nominal	Identificador del estudiante (EST_01 a EST_32)
`id_grupo`	Nominal	Equipo de trabajo (GHO_1 a GHO_4, GHE_1 a GHE_4)
`composicion`	Nominal	GHO (homogéneo) o GHE (heterogéneo)
`disciplina`	Nominal	Área de formación de pregrado
`calificacion_asignaciones`	Cuantitativa (0–100)	Promedio de las asignaciones A1–A3 y B1–B3
`interaccion_cualitativa`	Ordinal (1–10)	Ponderación cualitativa del observador
`interaccion_wa_rate`	Cuantitativa continua	Índice de interacción en WhatsApp
`tematica_tf`	Nominal	Temática elegida para el trabajo final
`ponderacion_trabajo_final`	Cuantitativa (0–100)	Nota del trabajo final
`calificacion_individual`	Cuantitativa (0–100)	40 % asignaciones + 60 % trabajo final
`aporte_participacion_ind`	Ordinal (1–10)	Aporte y participación individual (rúbrica)

kable(head(datos_experimento, 8), digits = 2, caption = "Primeras filas de la base (hoja Base)")

Primeras filas de la base (hoja Base)
id_estudiante	id_grupo	composicion	disciplina	calificacion_asignaciones	interaccion_cualitativa	interaccion_wa_rate	tematica_tf	ponderacion_trabajo_final	calificacion_individual	aporte_participacion_ind
EST_01	GHO_1	GHO	Ciencias Exactas	89.29	7	27.43	Exactas	86.77	87.78	9.5
EST_02	GHO_1	GHO	Ciencias Exactas	94.49	7	21.19	Exactas	92.48	93.28	8.9
EST_03	GHO_1	GHO	Ciencias Exactas	92.71	7	26.30	Exactas	92.92	92.84	8.8
EST_04	GHO_1	GHO	Ciencias Exactas	88.23	7	26.79	Exactas	87.79	87.97	9.3
EST_05	GHO_2	GHO	Ciencias Sociales	77.24	8	26.79	Sociales	78.66	78.09	8.0
EST_06	GHO_2	GHO	Ciencias Sociales	79.09	8	23.08	Sociales	81.05	80.27	8.0
EST_07	GHO_2	GHO	Ciencias Sociales	83.72	9	25.62	Sociales	83.11	83.35	8.0
EST_08	GHO_2	GHO	Ciencias Sociales	76.71	7	25.15	Sociales	78.54	77.81	8.0

kable(table(datos_experimento$id_grupo, datos_experimento$disciplina),
      caption = "Estructura del diseño: integrantes por grupo y disciplina")

Estructura del diseño: integrantes por grupo y disciplina
	Ciencias de la Vida	Ciencias Exactas	Ciencias Sociales	Tecnología e Informática
GHE_1	1	1	1	1
GHE_2	1	1	1	1
GHE_3	1	1	1	1
GHE_4	1	1	1	1
GHO_1	0	4	0	0
GHO_2	0	0	4	0
GHO_3	0	0	0	4
GHO_4	4	0	0	0

resumen_comp <- aggregate(cbind(calificacion_asignaciones, interaccion_cualitativa, interaccion_wa_rate,
                                ponderacion_trabajo_final, calificacion_individual,
                                aporte_participacion_ind) ~ composicion,
                          data = datos_experimento, FUN = mean)
kable(resumen_comp, digits = 2, caption = "Medias de las variables cuantitativas por composición")

Medias de las variables cuantitativas por composición
composicion	calificacion_asignaciones	interaccion_cualitativa	interaccion_wa_rate	ponderacion_trabajo_final	calificacion_individual	aporte_participacion_ind
GHE	85.79	9.00	28.14	86.46	86.19	8.62
GHO	86.74	7.69	24.74	86.67	86.70	8.47

Preguntas de investigación

Con el propósito de orientar la evaluación del diseño experimental y el análisis estadístico de los datos simulados, se establecen las siguientes preguntas de investigación, fundamentadas en la problemática planteada:

¿Existe efecto de la composición (Grupos Homogéneos (GHO) vs. Grupos Heterogéneos (GHE)) en la ponderación de calificaciones obtenidas?
Tomando en cuenta que los observadores (individuos de color negro en la Figura 1) ponderan las interacciones para cada asignación de forma cualitativa, ¿cuáles son los grupos (GHO o GHE) que mejor ponderación obtienen? Asimismo, empleando una variable cuantitativa simulada referente a la interacción del grupo para cada asignación, ¿existen diferencias o no entre los grupos?
Tomando solo los grupos homogéneos y los grupos heterogéneos como “Grupo Mixto”, ¿qué disciplina académica posee mejores resultados?
Asumiendo que el trabajo final es de elección según conveniencia y que los grupos homogéneos eligen su propia disciplina académica, al evaluar únicamente los grupos heterogéneos, ¿existe alguna preferencia temática por los grupos mixtos? ¿Existe algún efecto de la selección temática en la ponderación académica? ¿La dosificación de las asignaciones (A1–A3, B1–B3) pudo tener un efecto en la selección de la temática?
¿Cuál es el grado de relación entre el promedio de las asignaciones (A1–A3, B1–B3) y las ponderaciones del Trabajo Final?
Si consideramos la ponderación individual de cada estudiante, ¿cuál es la disciplina con mayor éxito en la obtención de mejores ponderaciones académicas en este programa?

Planteamiento de hipótesis y análisis

En todas las pruebas se utiliza un nivel de significancia \(\alpha = 0.05\) y la regla de decisión: rechazar \(H_0\) si el valor \(p \leq 0.05\).

Pregunta 1: Efecto de la composición (GHO vs. GHE) en las calificaciones

Hipótesis de investigación: Los Grupos Heterogéneos (GHE) obtienen mejores calificaciones promedio en las asignaciones que los Grupos Homogéneos (GHO) debido a la complementariedad disciplinar.

Hipótesis estadística:

\(H_0: \mu_{GHE} \leq \mu_{GHO}\) Los Grupos Heterogéneos no obtienen mejores calificaciones promedio en las asignaciones que los Grupos Homogéneos.
\(H_1: \mu_{GHE} > \mu_{GHO}\) Los Grupos Heterogéneos obtienen mejores calificaciones promedio en las asignaciones que los Grupos Homogéneos.

Prueba seleccionada: prueba t de Student para muestras independientes (unilateral), si se cumplen los supuestos de normalidad y homogeneidad de varianzas.

y_gho <- datos_experimento$calificacion_asignaciones[datos_experimento$composicion == "GHO"]
y_ghe <- datos_experimento$calificacion_asignaciones[datos_experimento$composicion == "GHE"]

desc_q1 <- data.frame(Grupo = c("GHE", "GHO"),
                      n = c(length(y_ghe), length(y_gho)),
                      Media = c(mean(y_ghe), mean(y_gho)),
                      `Desv. est.` = c(sd(y_ghe), sd(y_gho)),
                      check.names = FALSE)
kable(desc_q1, digits = 3, caption = "Calificación promedio de asignaciones por composición")

Calificación promedio de asignaciones por composición
Grupo	n	Media	Desv. est.
GHE	16	85.793	6.061
GHO	16	86.743	5.349

Prueba de normalidad

shapiro_gho <- shapiro.test(y_gho)
shapiro_ghe <- shapiro.test(y_ghe)

kable(data.frame(Grupo = c("GHO", "GHE"),
                 W = c(unname(shapiro_gho$statistic), unname(shapiro_ghe$statistic)),
                 `Valor p` = c(shapiro_gho$p.value, shapiro_ghe$p.value),
                 check.names = FALSE),
      digits = 4, caption = "Prueba de normalidad de Shapiro-Wilk por grupo")

Prueba de normalidad de Shapiro-Wilk por grupo
Grupo	W	Valor p
GHO	0.9205	0.1720
GHE	0.9659	0.7688

Gráficos de normalidad (Q-Q y campana)

parametros <- data.frame(composicion = factor(c("GHE", "GHO"), levels = c("GHE", "GHO")),
                         media = c(mean(y_ghe), mean(y_gho)),
                         sd = c(sd(y_ghe), sd(y_gho)))
x_seq <- seq(min(datos_experimento$calificacion_asignaciones) - 3,
             max(datos_experimento$calificacion_asignaciones) + 3, length.out = 200)
curva_normal <- do.call(rbind, lapply(seq_len(nrow(parametros)), function(i) {
  data.frame(composicion = parametros$composicion[i], x = x_seq,
             y = dnorm(x_seq, parametros$media[i], parametros$sd[i]))
}))

p_qq <- ggplot(datos_experimento, aes(sample = calificacion_asignaciones, color = composicion)) +
  stat_qq(size = 2) +
  stat_qq_line(linetype = "dashed", color = "grey30") +
  facet_wrap(~ composicion) +
  scale_color_manual(values = colores) +
  labs(title = "Gráfico Q-Q normal", x = "Cuantiles teóricos", y = "Cuantiles muestrales") +
  tema_doc

p_densidad <- ggplot(datos_experimento, aes(x = calificacion_asignaciones)) +
  geom_histogram(aes(y = after_stat(density), fill = composicion), bins = 6, alpha = 0.4, color = "white") +
  geom_density(aes(color = composicion), linewidth = 1) +
  geom_line(data = curva_normal, aes(x = x, y = y), linetype = "dashed", color = "grey30", linewidth = 0.8) +
  facet_wrap(~ composicion) +
  scale_fill_manual(values = colores) +
  scale_color_manual(values = colores) +
  labs(title = "Densidad observada vs. campana normal (línea discontinua)",
       x = "Calificación promedio de asignaciones", y = "Densidad") +
  tema_doc

grid.arrange(p_qq, p_densidad, ncol = 1)

Nota de interpretación. Los resultados conjuntos respaldan el supuesto de normalidad en ambos grupos. Las pruebas de Shapiro-Wilk no rechazan la hipótesis nula (GHO: p = 0.172; GHE: p = 0.769; ambos > 0.05) y los puntos del gráfico Q-Q siguen razonablemente la recta de referencia. La densidad observada se aproxima a la campana normal teórica. Por lo tanto, no se encontró evidencia en contra de la normalidad.

Prueba de Levene (homogeneidad de varianzas)

levene_res <- leveneTest(calificacion_asignaciones ~ composicion, data = datos_experimento)
kable(as.data.frame(levene_res), digits = 4, caption = "Prueba de Levene (centrada en la mediana)")

Prueba de Levene (centrada en la mediana)
	Df	F value	Pr(>F)
group	1	0.1955	0.6616
	30

p_levene <- levene_res$`Pr(>F)`[1]
f_levene <- levene_res$`F value`[1]

ggplot(datos_experimento, aes(x = composicion, y = calificacion_asignaciones, fill = composicion)) +
  geom_boxplot(alpha = 0.45, outlier.shape = NA, color = "#222222", linewidth = 0.4) +
  geom_jitter(width = 0.1, size = 2, alpha = 0.7) +
  scale_fill_manual(values = colores) +
  labs(title = "Dispersión de las calificaciones por composición",
       x = "Composición", y = "Calificación promedio de asignaciones") +
  tema_doc

Prueba t de Welch (análisis de sensibilidad)

welch_res <- t.test(calificacion_asignaciones ~ composicion, data = datos_experimento,
                    var.equal = FALSE)
print(welch_res)

## 
##  Welch Two Sample t-test
## 
## data:  calificacion_asignaciones by composicion
## t = -0.46976, df = 29.544, p-value = 0.642
## alternative hypothesis: true difference in means between group GHE and group GHO is not equal to 0
## 95 percent confidence interval:
##  -5.079408  3.180658
## sample estimates:
## mean in group GHE mean in group GHO 
##          85.79313          86.74250

w_t  <- unname(welch_res$statistic)
w_gl <- unname(welch_res$parameter)
w_p  <- welch_res$p.value
w_ic <- welch_res$conf.int

Nota de interpretación. La prueba de Levene no rechaza la hipótesis de igualdad de varianzas (F(1, 30) = 0.195; p = 0.662), y la prueba t de Welch, aplicada como análisis de sensibilidad (bilateral), es coherente con este resultado (t(29.54) = -0.470; p = 0.642; IC 95 % de la diferencia GHE − GHO: [-5.079, 3.181]). Por lo tanto, no se encontró evidencia de heterocedasticidad entre los grupos GHE y GHO, y se cumple el supuesto de homogeneidad de varianzas. Junto con la normalidad verificada previamente, los datos cumplen los supuestos para la aplicación de pruebas paramétricas. Se procede a aplicar la prueba t de Student para dos muestras independientes para evaluar las diferencias entre ambos grupos, bajo las hipótesis planteadas.

Prueba t de Student para muestras independientes

t_student <- t.test(calificacion_asignaciones ~ composicion, data = datos_experimento,
                    var.equal = TRUE, alternative = "greater")
print(t_student)

## 
##  Two Sample t-test
## 
## data:  calificacion_asignaciones by composicion
## t = -0.46976, df = 30, p-value = 0.679
## alternative hypothesis: true difference in means between group GHE and group GHO is greater than 0
## 95 percent confidence interval:
##  -4.379479       Inf
## sample estimates:
## mean in group GHE mean in group GHO 
##          85.79313          86.74250

d_cohen <- cohen_d(y_ghe, y_gho)

st_t  <- unname(t_student$statistic)
st_gl <- unname(t_student$parameter)
st_p  <- t_student$p.value

cat("\nt de Student - t:", round(st_t, 3), "| gl:", st_gl,
    "| p-value (unilateral):", round(st_p, 4), "\n")

## 
## t de Student - t: -0.47 | gl: 30 | p-value (unilateral): 0.679

cat("d de Cohen:", round(d_cohen, 3), "\n")

## d de Cohen: -0.166

Conclusión estadística. La prueba t de Student para muestras independientes no rechaza la hipótesis nula (t(30) = -0.470; p = 0.679, unilateral; d = -0.166). No se encontró evidencia de que los Grupos Heterogéneos (GHE) obtengan mejores calificaciones promedio en las asignaciones que los Grupos Homogéneos (GHO). El tamaño del efecto fue muy pequeño.

Efecto de la composición (GHO vs. GHE). Las calificaciones medias no presentaron diferencias significativas (\(\bar{X}_{GHE}\) = 85.79 vs. \(\bar{X}_{GHO}\) = 86.74). La presencia del “especialista residente” en los GHE se vio neutralizada por sesgos de personalidad o falta de asunción de responsabilidad (efecto espectador interno), mientras que en los GHO la alta iniciativa investigativa compensó la falta de dominio del tema.

Pregunta 2: Ponderación cualitativa e interacción cuantitativa

Hipótesis de investigación: Los grupos heterogéneos obtienen mayor puntuación cualitativa del observador y mayor tasa de interacción en WhatsApp debido a la coordinación de llamadas síncronas y discusiones impulsadas por el especialista temático.

Hipótesis estadística (bilateral):

\(H_0: \text{Mediana}_{GHO} = \text{Mediana}_{GHE}\)
\(H_1: \text{Mediana}_{GHO} \neq \text{Mediana}_{GHE}\)

Revisión de supuestos y ruta de selección:

Variable cualitativa (ordinal 1–10): prueba de Mann-Whitney (W).
Tasa cuantitativa de WhatsApp: prueba t de Student o prueba t de Welch, según la verificación previa de Shapiro-Wilk y Levene.

Ponderación cualitativa del observador

kable(as.data.frame.matrix(table(datos_experimento$composicion, datos_experimento$interaccion_cualitativa)),
      caption = "Frecuencia de cada puntuación del observador por composición")

Frecuencia de cada puntuación del observador por composición
	7	8	9	10
GHE	0	2	12	2
GHO	8	5	3	0

med_cual <- tapply(datos_experimento$interaccion_cualitativa, datos_experimento$composicion, median)

mw_res <- wilcox.test(interaccion_cualitativa ~ composicion, data = datos_experimento, exact = FALSE)
print(mw_res)

## 
##  Wilcoxon rank sum test with continuity correction
## 
## data:  interaccion_cualitativa by composicion
## W = 227, p-value = 6.991e-05
## alternative hypothesis: true location shift is not equal to 0

n_ghe <- sum(datos_experimento$composicion == "GHE")
n_gho <- sum(datos_experimento$composicion == "GHO")
mw_W  <- unname(mw_res$statistic)
mw_p  <- mw_res$p.value
r_rb  <- 2 * mw_W / (n_ghe * n_gho) - 1

ggplot(datos_experimento, aes(x = factor(interaccion_cualitativa), fill = composicion)) +
  geom_bar(position = position_dodge(preserve = "single")) +
  scale_fill_manual(values = colores) +
  labs(title = "Ponderación del observador por composición",
       x = "Puntuación del observador (1–10)", y = "Número de estudiantes", fill = "Composición") +
  tema_doc + theme(legend.position = "bottom")

Tasa de interacción en WhatsApp

wa_ghe <- datos_experimento$interaccion_wa_rate[datos_experimento$composicion == "GHE"]
wa_gho <- datos_experimento$interaccion_wa_rate[datos_experimento$composicion == "GHO"]

sh_wa_ghe <- shapiro.test(wa_ghe)
sh_wa_gho <- shapiro.test(wa_gho)
lev_wa    <- leveneTest(interaccion_wa_rate ~ composicion, data = datos_experimento)
p_lev_wa  <- lev_wa$`Pr(>F)`[1]

kable(data.frame(Prueba = c("Shapiro-Wilk GHE", "Shapiro-Wilk GHO", "Levene"),
                 `Valor p` = c(sh_wa_ghe$p.value, sh_wa_gho$p.value, p_lev_wa),
                 check.names = FALSE),
      digits = 4, caption = "Supuestos para la tasa de interacción en WhatsApp")

Supuestos para la tasa de interacción en WhatsApp
Prueba	Valor p
Shapiro-Wilk GHE	0.9315
Shapiro-Wilk GHO	0.3584
Levene	0.2454

var_igual_wa <- p_lev_wa > 0.05
t_wa <- t.test(interaccion_wa_rate ~ composicion, data = datos_experimento, var.equal = var_igual_wa)
print(t_wa)

## 
##  Two Sample t-test
## 
## data:  interaccion_wa_rate by composicion
## t = 3.7011, df = 30, p-value = 0.000862
## alternative hypothesis: true difference in means between group GHE and group GHO is not equal to 0
## 95 percent confidence interval:
##  1.525844 5.282906
## sample estimates:
## mean in group GHE mean in group GHO 
##          28.14187          24.73750

wa_t  <- unname(t_wa$statistic)
wa_gl <- unname(t_wa$parameter)
wa_p  <- t_wa$p.value
d_wa  <- cohen_d(wa_ghe, wa_gho)

ggplot(datos_experimento, aes(x = composicion, y = interaccion_wa_rate, fill = composicion)) +
  geom_boxplot(alpha = 0.45, outlier.shape = NA, color = "#222222", linewidth = 0.4) +
  geom_jitter(width = 0.1, size = 2, alpha = 0.7) +
  scale_fill_manual(values = colores) +
  labs(title = "Tasa de interacción en WhatsApp por composición",
       x = "Composición", y = "Índice de interacción") +
  tema_doc

Conclusión. En la ponderación cualitativa, la prueba de Mann-Whitney rechaza \(H_0\) (W = 227.0; p < 0.001): los GHE obtuvieron mayor puntuación del observador (mediana 9 vs. 7.5 en los GHO; correlación biserial por rangos = 0.77). En la tasa de interacción en WhatsApp, con varianzas homogéneas según Levene se aplicó la t de Student (t(30) = 3.701; p < 0.001; d = 1.31), con una media mayor en los GHE (28.14) que en los GHO (24.74). Se rechaza \(H_0\) en ambas variables.

Fundamento. Los resultados son coherentes con la hipótesis de investigación: en los GHE la complementariedad disciplinar pudo favorecer la convocatoria de llamadas síncronas y las discusiones guiadas por el especialista temático, lo que el observador percibió como mayor iniciativa y cohesión.

Pregunta 3: Rendimiento por disciplina en los grupos mixtos

Hipótesis de investigación: Dentro de los grupos mixtos, el trabajo colaborativo equipara el desempeño individual, por lo que no existen diferencias significativas en las calificaciones según la disciplina de origen.

Hipótesis estadística:

\(H_0: \mu_{Exactas} = \mu_{Tecnología} = \mu_{Sociales} = \mu_{Vida}\)
\(H_1:\) al menos una disciplina difiere en su calificación media.

Prueba seleccionada: ANOVA de un factor con prueba post-hoc de Tukey HSD, previa verificación de normalidad de los residuos (Shapiro-Wilk) y homogeneidad de varianzas (Levene y Bartlett).

ghe <- droplevels(subset(datos_experimento, composicion == "GHE"))

desc_p3 <- aggregate(calificacion_asignaciones ~ disciplina, data = ghe,
                     FUN = function(x) c(n = length(x), media = mean(x), sd = sd(x)))
desc_p3 <- do.call(data.frame, desc_p3)
names(desc_p3) <- c("Disciplina", "n", "Media", "Desv. est.")
kable(desc_p3, digits = 2, caption = "Calificación promedio de asignaciones por disciplina en los GHE")

Calificación promedio de asignaciones por disciplina en los GHE
Disciplina	n	Media	Desv. est.
Ciencias de la Vida	4	89.48	2.51
Ciencias Exactas	4	90.89	4.17
Ciencias Sociales	4	77.96	3.69
Tecnología e Informática	4	84.85	3.24

anova_disc <- aov(calificacion_asignaciones ~ disciplina, data = ghe)
sh_disc  <- shapiro.test(residuals(anova_disc))
lev_disc <- leveneTest(calificacion_asignaciones ~ disciplina, data = ghe)
bar_disc <- bartlett.test(calificacion_asignaciones ~ disciplina, data = ghe)

kable(data.frame(Prueba = c("Shapiro-Wilk (residuos)", "Levene", "Bartlett"),
                 `Valor p` = c(sh_disc$p.value, lev_disc$`Pr(>F)`[1], bar_disc$p.value),
                 check.names = FALSE),
      digits = 4, caption = "Supuestos del ANOVA (P3)")

Supuestos del ANOVA (P3)
Prueba	Valor p
Shapiro-Wilk (residuos)	0.5239
Levene	0.8988
Bartlett	0.8738

print(summary(anova_disc))

##             Df Sum Sq Mean Sq F value   Pr(>F)    
## disciplina   3  407.5  135.82   11.35 0.000808 ***
## Residuals   12  143.5   11.96                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

a3 <- anova_vals(anova_disc)

tukey_disc <- TukeyHSD(anova_disc)
kable(as.data.frame(tukey_disc$disciplina), digits = 3, caption = "Comparaciones múltiples de Tukey HSD (P3)")

Comparaciones múltiples de Tukey HSD (P3)
	diff	lwr	upr	p adj
Ciencias Exactas-Ciencias de la Vida	1.403	-5.858	8.663	0.938
Ciencias Sociales-Ciencias de la Vida	-11.528	-18.788	-4.267	0.002
Tecnología e Informática-Ciencias de la Vida	-4.633	-11.893	2.628	0.281
Ciencias Sociales-Ciencias Exactas	-12.930	-20.191	-5.669	0.001
Tecnología e Informática-Ciencias Exactas	-6.035	-13.296	1.226	0.116
Tecnología e Informática-Ciencias Sociales	6.895	-0.366	14.156	0.065

ggplot(ghe, aes(x = disciplina, y = calificacion_asignaciones, fill = disciplina)) +
  geom_boxplot(alpha = 0.55, outlier.shape = NA, color = "#222222", linewidth = 0.4) +
  geom_jitter(width = 0.1, size = 2) +
  scale_fill_manual(values = pal_disc) +
  scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
  labs(title = "Calificación de asignaciones por disciplina (grupos heterogéneos)",
       x = "Disciplina", y = "Calificación promedio de asignaciones") +
  tema_doc

Conclusión. Los supuestos del ANOVA no muestran incumplimientos. El ANOVA rechaza \(H_0\) (F(3, 12) = 11.354; p < 0.001): el trabajo colaborativo no equiparó el desempeño entre disciplinas.

Fundamento. Ciencias Exactas (X̄ = 90.9) y Ciencias de la Vida (X̄ = 89.5) alcanzaron los mejores promedios en las asignaciones cuantitativas, seguidas de Tecnología e Informática (X̄ = 84.8) y Ciencias Sociales (X̄ = 78.0). En la prueba de Tukey, las diferencias significativas son las de Ciencias Sociales frente a Ciencias Exactas y frente a Ciencias de la Vida; las demás comparaciones no alcanzan significancia al 5 %.

Pregunta 4: Preferencia temática, efecto en las notas y dosificación

Hipótesis de investigación: Los grupos mixtos no distribuyen sus elecciones de forma uniforme entre las temáticas disponibles, sino que se concentran en aquellas de mayor afinidad con el componente analítico del curso, sin que la temática elegida se asocie con la calificación obtenida en el trabajo final.

Hipótesis estadística:

Preferencia: \(H_0: p_1 = p_2 = p_3 = p_4 = 0.25\) vs. \(H_1:\) las proporciones difieren de una distribución uniforme.
Efecto en la nota: \(H_0: \mu_{Tema 1} = \mu_{Tema 2} = \mu_{Tema 3} = \mu_{Tema 4}\) vs. \(H_1:\) al menos un tema presenta media diferente.

Pruebas seleccionadas: chi-cuadrado de bondad de ajuste (con simulación de Monte Carlo) y ANOVA de un factor (con Kruskal-Wallis como verificación no paramétrica).

Preferencia temática en los grupos heterogéneos

tabla_tema <- table(ghe$tematica_tf)
kable(as.data.frame(tabla_tema), col.names = c("Temática", "Frecuencia"),
      caption = "Temática elegida por los estudiantes de los GHE")

Temática elegida por los estudiantes de los GHE
Temática	Frecuencia
Ciencias de la Vida	2
Exactas	2
Sociales	2
Tecnología	10

prob_unif <- rep(1 / length(tabla_tema), length(tabla_tema))
chi_tema  <- chisq.test(tabla_tema, p = prob_unif)
set.seed(2026)
chi_tema_mc <- chisq.test(tabla_tema, p = prob_unif, simulate.p.value = TRUE, B = 10000)
print(chi_tema)

## 
##  Chi-squared test for given probabilities
## 
## data:  tabla_tema
## X-squared = 12, df = 3, p-value = 0.007383

print(chi_tema_mc)

## 
##  Chi-squared test for given probabilities with simulated p-value (based
##  on 10000 replicates)
## 
## data:  tabla_tema
## X-squared = 12, df = NA, p-value = 0.009399

chi_x2 <- unname(chi_tema$statistic)
chi_gl <- unname(chi_tema$parameter)
chi_p  <- chi_tema$p.value

ggplot(as.data.frame(tabla_tema), aes(x = reorder(Var1, -Freq), y = Freq)) +
  geom_col(fill = "#B5D5C0", color = "#222222", linewidth = 0.3) +
  geom_hline(yintercept = sum(tabla_tema) / length(tabla_tema), linetype = "dashed", color = "grey30") +
  labs(title = "Preferencia temática en GHE (línea: frecuencia esperada bajo uniformidad)",
       x = "Temática", y = "Frecuencia") +
  tema_doc

Efecto de la temática en la nota del trabajo final

desc_p4 <- aggregate(ponderacion_trabajo_final ~ tematica_tf, data = ghe,
                     FUN = function(x) c(n = length(x), media = mean(x), sd = sd(x)))
desc_p4 <- do.call(data.frame, desc_p4)
names(desc_p4) <- c("Temática", "n", "Media", "Desv. est.")
kable(desc_p4, digits = 2, caption = "Nota del trabajo final por temática (GHE)")

Nota del trabajo final por temática (GHE)
Temática	n	Media	Desv. est.
Ciencias de la Vida	2	84.34	6.59
Exactas	2	86.20	4.54
Sociales	2	80.83	8.11
Tecnología	10	88.06	4.58

anova_tema <- aov(ponderacion_trabajo_final ~ tematica_tf, data = ghe)
sh_tema    <- shapiro.test(residuals(anova_tema))
kw_tema    <- kruskal.test(ponderacion_trabajo_final ~ tematica_tf, data = ghe)
print(summary(anova_tema))

##             Df Sum Sq Mean Sq F value Pr(>F)
## tematica_tf  3   98.3   32.76   1.233  0.341
## Residuals   12  318.9   26.58

a4 <- anova_vals(anova_tema)

kable(data.frame(Prueba = c("Shapiro-Wilk (residuos)", "Kruskal-Wallis"),
                 `Valor p` = c(sh_tema$p.value, kw_tema$p.value), check.names = FALSE),
      digits = 4, caption = "Verificaciones complementarias (P4)")

Verificaciones complementarias (P4)
Prueba	Valor p
Shapiro-Wilk (residuos)	0.9918
Kruskal-Wallis	0.4097

Dosificación de las asignaciones (descriptivo)

Calificación media de cada asignación (A1–A3, B1–B3) según la composición del grupo.

medias_asig <- aggregate(calificacion_asignacion ~ composicion + asignacion,
                         data = datos_experimento_largo, FUN = mean)
kable(reshape(medias_asig, idvar = "composicion", timevar = "asignacion", direction = "wide"),
      digits = 2, col.names = c("Composición", "A1", "A2", "A3", "B1", "B2", "B3"),
      caption = "Calificación media por asignación y composición")

Calificación media por asignación y composición
Composición	A1	A2	A3	B1	B2	B3
GHE	86.06	84.83	85.67	85.81	86.29	86.11
GHO	85.82	86.71	88.40	85.99	86.94	86.60

ggplot(medias_asig, aes(x = asignacion, y = calificacion_asignacion, color = composicion, group = composicion)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2.5) +
  scale_color_manual(values = colores) +
  labs(title = "Calificación media por asignación", x = "Asignación",
       y = "Calificación media", color = "Composición") +
  tema_doc + theme(legend.position = "bottom")

Conclusión. Se rechaza la hipótesis de distribución uniforme (χ²(3) = 12.00; p = 0.007; con simulación de Monte Carlo, p = 0.009): los estudiantes de los grupos mixtos se concentraron en Tecnología (10 de 16 elecciones). La temática elegida no mostró efecto significativo en la nota del trabajo final (F(3, 12) = 1.233; p = 0.341).

Fundamento. La concentración en Tecnología es consistente con la afinidad de esa temática con el componente analítico del curso. Las medias por asignación se mantienen en una banda estrecha, sin un patrón claro a lo largo de A1–A3 y B1–B3.

Pregunta 5: Relación entre el promedio de asignaciones y el trabajo final

Hipótesis de investigación: Existe una asociación lineal positiva fuerte entre la evaluación continua en asignaciones (A1–A3, B1–B3) y la nota del Trabajo Final.

Hipótesis estadística:

\(H_0: \rho = 0\)
\(H_1: \rho \neq 0\)

Revisión de supuestos y ruta de selección: verificación de normalidad y linealidad con diagramas de dispersión y Shapiro-Wilk.

Prueba seleccionada: coeficiente de correlación de Pearson (r) y regresión lineal simple (o correlación de Spearman si se incumple la normalidad).

sh_asig <- shapiro.test(datos_experimento$calificacion_asignaciones)
sh_tf   <- shapiro.test(datos_experimento$ponderacion_trabajo_final)

modelo_lin <- lm(ponderacion_trabajo_final ~ calificacion_asignaciones, data = datos_experimento)
sh_res_lin <- shapiro.test(residuals(modelo_lin))

kable(data.frame(Prueba = c("Shapiro-Wilk: asignaciones", "Shapiro-Wilk: trabajo final", "Shapiro-Wilk: residuos de la regresión"),
                 `Valor p` = c(sh_asig$p.value, sh_tf$p.value, sh_res_lin$p.value), check.names = FALSE),
      digits = 4, caption = "Supuestos de normalidad (P5)")

Supuestos de normalidad (P5)
Prueba	Valor p
Shapiro-Wilk: asignaciones	0.2541
Shapiro-Wilk: trabajo final	0.5155
Shapiro-Wilk: residuos de la regresión	0.7283

cor_res <- cor.test(~ calificacion_asignaciones + ponderacion_trabajo_final,
                    data = datos_experimento, method = "pearson")
print(cor_res)

## 
##  Pearson's product-moment correlation
## 
## data:  calificacion_asignaciones and ponderacion_trabajo_final
## t = 19.135, df = 30, p-value < 2.2e-16
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  0.9216676 0.9811667
## sample estimates:
##       cor 
## 0.9613901

print(summary(modelo_lin))

## 
## Call:
## lm(formula = ponderacion_trabajo_final ~ calificacion_asignaciones, 
##     data = datos_experimento)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -2.2826 -1.0608 -0.1864  1.0503  2.6743 
## 
## Coefficients:
##                           Estimate Std. Error t value Pr(>|t|)    
## (Intercept)               15.53008    3.71994   4.175 0.000236 ***
## calificacion_asignaciones  0.82341    0.04303  19.135  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 1.352 on 30 degrees of freedom
## Multiple R-squared:  0.9243, Adjusted R-squared:  0.9217 
## F-statistic: 366.1 on 1 and 30 DF,  p-value: < 2.2e-16

r_val <- unname(cor_res$estimate)
r_p   <- cor_res$p.value
r2    <- summary(modelo_lin)$r.squared
coefs <- coef(modelo_lin)

ggplot(datos_experimento, aes(x = calificacion_asignaciones, y = ponderacion_trabajo_final)) +
  geom_point(aes(color = composicion), size = 2.5, alpha = 0.8) +
  geom_smooth(method = "lm", se = TRUE, color = "grey30", linewidth = 0.8) +
  scale_color_manual(values = colores) +
  labs(title = "Asignaciones vs. trabajo final", x = "Calificación promedio de asignaciones",
       y = "Nota del trabajo final", color = "Composición") +
  tema_doc + theme(legend.position = "bottom")

Conclusión. Se verifican la normalidad de ambas variables y de los residuos, y la relación es lineal según el diagrama de dispersión. La correlación de Pearson es muy fuerte, positiva y significativa (r = 0.961; p < 0.001). El modelo de regresión lineal simple explica una proporción alta de la variabilidad de la nota del trabajo final (R² = 0.924), con una pendiente de 0.82: cada punto adicional en el promedio de asignaciones se asocia con 0.82 puntos más en el trabajo final.

Fundamento. Las asignaciones continuas se asocian fuertemente con el desempeño en el trabajo final, lo que es compatible con la idea de que sirvieron como entrenamiento previo.

Pregunta 6: Disciplina individual con mayor éxito global

Hipótesis de investigación: A nivel individual global (32 estudiantes), los profesionales de Ciencias Exactas y Tecnología e Informática alcanzan mayores promedios ponderados consolidados al cierre del programa.

Hipótesis estadística:

\(H_0: \mu_{Exactas} = \mu_{Tecnología} = \mu_{Sociales} = \mu_{Vida}\)
\(H_1:\) al menos una disciplina presenta un promedio acumulado distinto.

Revisión de supuestos y ruta de selección: normalidad de los residuos (Shapiro-Wilk) y prueba de varianzas de Bartlett.

Prueba seleccionada: ANOVA de un factor complementado con la prueba post-hoc de Tukey HSD para comparaciones múltiples (o Kruskal-Wallis con prueba de Dunn en el enfoque no paramétrico).

desc_p6 <- aggregate(calificacion_individual ~ disciplina, data = datos_experimento,
                     FUN = function(x) c(n = length(x), media = mean(x), sd = sd(x)))
desc_p6 <- do.call(data.frame, desc_p6)
names(desc_p6) <- c("Disciplina", "n", "Media", "Desv. est.")
kable(desc_p6, digits = 2, caption = "Calificación individual por disciplina (32 estudiantes)")

Calificación individual por disciplina (32 estudiantes)
Disciplina	n	Media	Desv. est.
Ciencias de la Vida	8	89.39	1.89
Ciencias Exactas	8	90.74	3.34
Ciencias Sociales	8	79.36	2.82
Tecnología e Informática	8	86.29	2.11

anova_ind <- aov(calificacion_individual ~ disciplina, data = datos_experimento)
sh_ind  <- shapiro.test(residuals(anova_ind))
bar_ind <- bartlett.test(calificacion_individual ~ disciplina, data = datos_experimento)

kable(data.frame(Prueba = c("Shapiro-Wilk (residuos)", "Bartlett"),
                 `Valor p` = c(sh_ind$p.value, bar_ind$p.value), check.names = FALSE),
      digits = 4, caption = "Supuestos del ANOVA (P6)")

Supuestos del ANOVA (P6)
Prueba	Valor p
Shapiro-Wilk (residuos)	0.9876
Bartlett	0.4397

print(summary(anova_ind))

##             Df Sum Sq Mean Sq F value   Pr(>F)    
## disciplina   3  619.0  206.34   30.42 5.93e-09 ***
## Residuals   28  189.9    6.78                     
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

a6 <- anova_vals(anova_ind)

tukey_ind <- TukeyHSD(anova_ind)
kable(as.data.frame(tukey_ind$disciplina), digits = 3, caption = "Comparaciones múltiples de Tukey HSD (P6)")

Comparaciones múltiples de Tukey HSD (P6)
	diff	lwr	upr	p adj
Ciencias Exactas-Ciencias de la Vida	1.350	-2.206	4.906	0.730
Ciencias Sociales-Ciencias de la Vida	-10.032	-13.588	-6.477	0.000
Tecnología e Informática-Ciencias de la Vida	-3.100	-6.656	0.456	0.104
Ciencias Sociales-Ciencias Exactas	-11.382	-14.938	-7.827	0.000
Tecnología e Informática-Ciencias Exactas	-4.450	-8.006	-0.894	0.010
Tecnología e Informática-Ciencias Sociales	6.932	3.377	10.488	0.000

ggplot(datos_experimento, aes(x = disciplina, y = calificacion_individual, fill = disciplina)) +
  geom_boxplot(alpha = 0.55, outlier.shape = NA, color = "#222222", linewidth = 0.4) +
  geom_jitter(width = 0.1, size = 2) +
  scale_fill_manual(values = pal_disc) +
  scale_x_discrete(guide = guide_axis(n.dodge = 2)) +
  labs(title = "Calificación individual por disciplina", x = "Disciplina",
       y = "Calificación individual") +
  tema_doc

Variable adicional: aporte y participación individual

La variable aporte_participacion_ind (escala de 1 a 10) mide el grado de proactividad, creatividad e iniciativa individual de cada participante en los entregables.

desc_ap <- aggregate(aporte_participacion_ind ~ disciplina, data = datos_experimento,
                     FUN = function(x) c(n = length(x), media = mean(x), sd = sd(x)))
desc_ap <- do.call(data.frame, desc_ap)
names(desc_ap) <- c("Disciplina", "n", "Media", "Desv. est.")
kable(desc_ap, digits = 2, caption = "Aporte y participación individual por disciplina (escala 1-10)")

Aporte y participación individual por disciplina (escala 1-10)
Disciplina	n	Media	Desv. est.
Ciencias de la Vida	8	8.67	0.32
Ciencias Exactas	8	9.34	0.40
Ciencias Sociales	8	7.88	0.35
Tecnología e Informática	8	8.31	0.36

anova_ap <- aov(aporte_participacion_ind ~ disciplina, data = datos_experimento)
print(summary(anova_ap))

##             Df Sum Sq Mean Sq F value  Pr(>F)    
## disciplina   3  9.182  3.0608   23.82 7.3e-08 ***
## Residuals   28  3.597  0.1285                    
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

a7 <- anova_vals(anova_ap)
kw_ap <- kruskal.test(aporte_participacion_ind ~ disciplina, data = datos_experimento)

Conclusión. Se rechaza \(H_0\) a nivel global (F(3, 28) = 30.416; p < 0.001). Los supuestos de normalidad de los residuos y de homogeneidad de varianzas no muestran incumplimientos. Ciencias Exactas obtuvo el mayor promedio (90.7), seguida de Ciencias de la Vida (89.4), Tecnología e Informática (86.3) y Ciencias Sociales (79.4). En Tukey, Ciencias Sociales es significativamente menor que las otras tres disciplinas, y Ciencias Exactas supera a Tecnología e Informática; Exactas y Vida no difieren entre sí, ni Vida y Tecnología. La hipótesis de investigación se respalda solo en parte: Exactas lidera, pero Tecnología e Informática no supera a Ciencias de la Vida.

El aporte individual también difiere entre disciplinas (F(3, 28) = 23.823; p < 0.001; Kruskal-Wallis p < 0.001), con el mismo orden general de las calificaciones: Ciencias Exactas muestra los aportes más altos y Ciencias Sociales los más bajos.

Fundamento. Los resultados reflejan la exigencia técnico-estadística del programa, donde Exactas y Vida sobresalen en la precisión metodológica.

Resumen del comportamiento de los datos simulados

resumen <- data.frame(
  Pregunta = c("P1. Composición (GHE > GHO)", "P2a. Ponderación del observador", "P2b. Tasa de interacción WhatsApp",
               "P3. Disciplina en GHE", "P4a. Preferencia temática", "P4b. Temática y nota final",
               "P5. Asignaciones y trabajo final", "P6. Disciplina individual"),
  Prueba = c("t de Student (unilateral)", "Mann-Whitney", ifelse(var_igual_wa, "t de Student", "t de Welch"),
             "ANOVA de un factor", "Chi-cuadrado de bondad de ajuste", "ANOVA de un factor",
             "Correlación de Pearson", "ANOVA de un factor"),
  Resultado = c(
    sprintf("t(%s) = %s; p %s", fmt(st_gl, 0), fmt(st_t), fp(st_p)),
    sprintf("W = %s; p %s", fmt(mw_W, 1), fp(mw_p)),
    sprintf("t(%s) = %s; p %s", fmt(wa_gl, ifelse(var_igual_wa, 0, 2)), fmt(wa_t), fp(wa_p)),
    sprintf("F(%s, %s) = %s; p %s", fmt(a3["df1"], 0), fmt(a3["df2"], 0), fmt(a3["F"]), fp(a3["p"])),
    sprintf("X2(%s) = %s; p %s", fmt(chi_gl, 0), fmt(chi_x2, 2), fp(chi_p)),
    sprintf("F(%s, %s) = %s; p %s", fmt(a4["df1"], 0), fmt(a4["df2"], 0), fmt(a4["F"]), fp(a4["p"])),
    sprintf("r = %s; p %s", fmt(r_val), fp(r_p)),
    sprintf("F(%s, %s) = %s; p %s", fmt(a6["df1"], 0), fmt(a6["df2"], 0), fmt(a6["F"]), fp(a6["p"]))),
  Decisión = c("No se rechaza H0", "Se rechaza H0", "Se rechaza H0", "Se rechaza H0",
               "Se rechaza H0", "No se rechaza H0", "Se rechaza H0", "Se rechaza H0"),
  check.names = FALSE
)
kable(resumen, caption = "Resumen de resultados por pregunta de investigación")

Resumen de resultados por pregunta de investigación
Pregunta	Prueba	Resultado	Decisión
P1. Composición (GHE > GHO)	t de Student (unilateral)	t(30) = -0.470; p = 0.679	No se rechaza H0
P2a. Ponderación del observador	Mann-Whitney	W = 227.0; p < 0.001	Se rechaza H0
P2b. Tasa de interacción WhatsApp	t de Student	t(30) = 3.701; p < 0.001	Se rechaza H0
P3. Disciplina en GHE	ANOVA de un factor	F(3, 12) = 11.354; p < 0.001	Se rechaza H0
P4a. Preferencia temática	Chi-cuadrado de bondad de ajuste	X2(3) = 12.00; p = 0.007	Se rechaza H0
P4b. Temática y nota final	ANOVA de un factor	F(3, 12) = 1.233; p = 0.341	No se rechaza H0
P5. Asignaciones y trabajo final	Correlación de Pearson	r = 0.961; p < 0.001	Se rechaza H0
P6. Disciplina individual	ANOVA de un factor	F(3, 28) = 30.416; p < 0.001	Se rechaza H0

Efecto de la composición (GHO vs. GHE). No se rechaza \(H_0\). Las calificaciones medias fueron similares (GHE = 85.79 vs. GHO = 86.74). Fundamento: la presencia del “especialista residente” en los GHE se vio neutralizada por sesgos de personalidad o falta de asunción de responsabilidad (efecto espectador interno), mientras que en los GHO la alta iniciativa investigativa compensó la falta de dominio del tema.

Interacción y ponderación del observador. Se rechaza \(H_0\) en ambas variables: los GHE obtuvieron mejor ponderación del observador y una mayor tasa de interacción en WhatsApp. Es coherente con una dinámica de coordinación de llamadas síncronas y discusiones impulsadas por el especialista temático.

Rendimiento por disciplina en grupos mixtos (GHE). Se rechaza \(H_0\). Ciencias Exactas y Ciencias de la Vida alcanzaron los mejores promedios en las asignaciones, por encima de Tecnología e Informática y Ciencias Sociales; las diferencias significativas fueron las de Sociales frente a Exactas y a Vida.

Preferencia temática y efecto en la ponderación. Se rechaza la hipótesis de distribución uniforme: los grupos mixtos se concentraron en Tecnología. No hubo efecto significativo de la temática sobre la nota del trabajo final.

Relación entre asignaciones y trabajo final. Correlación muy fuerte y altamente significativa (r = 0.961; p < 0.001; R² = 0.924).

Disciplina individual con mayor éxito y variable adicional. Se rechaza \(H_0\) a nivel global (F = 30.416; p < 0.001). La variable aporte_participacion_ind (escala de 1 a 10) también difiere entre disciplinas, con los aportes más altos en Ciencias Exactas y los más bajos en Ciencias Sociales.

Efecto de la composición disciplinaria en equipos de trabajo: ejercicio metodológico con datos simulados

Juan Diaz, Itzel A Lasso, Euclides Martínez, Junior Benítez

13 de noviembre de 2026

Introducción

Datos simulados

Preguntas de investigación

Planteamiento de hipótesis y análisis

Pregunta 1: Efecto de la composición (GHO vs. GHE) en las calificaciones

Prueba de normalidad

Gráficos de normalidad (Q-Q y campana)

Prueba de Levene (homogeneidad de varianzas)

Prueba t de Welch (análisis de sensibilidad)

Prueba t de Student para muestras independientes

Pregunta 2: Ponderación cualitativa e interacción cuantitativa

Ponderación cualitativa del observador

Tasa de interacción en WhatsApp

Pregunta 3: Rendimiento por disciplina en los grupos mixtos

Pregunta 4: Preferencia temática, efecto en las notas y dosificación

Preferencia temática en los grupos heterogéneos

Efecto de la temática en la nota del trabajo final

Dosificación de las asignaciones (descriptivo)

Pregunta 5: Relación entre el promedio de asignaciones y el trabajo final

Pregunta 6: Disciplina individual con mayor éxito global

Variable adicional: aporte y participación individual

Resumen del comportamiento de los datos simulados