Dani Vera

los packages para el analisis

library("RCurl")

Loading required package: bitops

library("RCurl")
library("tidyverse")

Loading tidyverse: ggplot2
Loading tidyverse: tibble
Loading tidyverse: tidyr
Loading tidyverse: readr
Loading tidyverse: purrr
Loading tidyverse: dplyr
package 'dplyr' was built under R version 3.4.2Conflicts with tidy packages -------------------------------------------------------------------------
complete(): tidyr, RCurl
filter():   dplyr, stats
lag():      dplyr, stats

library("RCurl")
library("tidyverse")
library("ggthemes")

cargo mi df de la pagina web

df <- read.csv("https://docs.google.com/spreadsheets/d/e/2PACX-1vSu1mAck6z3cQ1vJ4eLmNPtNWGR8nbsFr7SLPb9Ow7zHFFEdfQgfRnNwt0Rm93-C97qwUK6BzzE6Vmp/pub?gid=520457029&single=true&output=csv")

Error in read.table(file = file, header = header, sep = sep, quote = quote,  : 
  no lines available in input

datos generales

summary(df)

   Estudiante       Curso           Sexo        Diente        Tiempo      Cajon_oclusal_vestibular
 Min.   : 1.0   Segundo:60   Femenino :84   Min.   :3.5   Min.   : 4.00   Min.   :0.0000          
 1st Qu.: 3.0   Sexto  :60   Masculino:36   1st Qu.:3.5   1st Qu.: 8.00   1st Qu.:1.0000          
 Median : 5.5                               Median :4.1   Median :11.00   Median :1.0000          
 Mean   : 5.5                               Mean   :4.1   Mean   :11.34   Mean   :0.7833          
 3rd Qu.: 8.0                               3rd Qu.:4.7   3rd Qu.:15.00   3rd Qu.:1.0000          
 Max.   :10.0                               Max.   :4.7   Max.   :22.00   Max.   :1.0000          
 Cajon_oclusal_lingual Cajon_oclusal_proximal Cajon_proximal_vestibular Cajon_proximal_lingual
 Min.   :0.0000        Min.   :0.0000         Min.   :0.0000            Min.   :0.0           
 1st Qu.:1.0000        1st Qu.:1.0000         1st Qu.:0.0000            1st Qu.:0.0           
 Median :1.0000        Median :1.0000         Median :1.0000            Median :1.0           
 Mean   :0.8333        Mean   :0.7917         Mean   :0.7417            Mean   :0.6           
 3rd Qu.:1.0000        3rd Qu.:1.0000         3rd Qu.:1.0000            3rd Qu.:1.0           
 Max.   :1.0000        Max.   :1.0000         Max.   :1.0000            Max.   :1.0           
 Cajon_proximal_gingival Total_cajon_oclusal Total_cajon_proximal  Total_final      Sesion.n.  
 Min.   :0.0000          Min.   :0.000       Min.   :0.000        Min.   :1.000   Min.   :1.0  
 1st Qu.:0.0000          1st Qu.:2.000       1st Qu.:1.000        1st Qu.:3.750   1st Qu.:1.0  
 Median :1.0000          Median :3.000       Median :2.000        Median :4.000   Median :1.5  
 Mean   :0.5417          Mean   :2.408       Mean   :1.883        Mean   :4.292   Mean   :1.5  
 3rd Qu.:1.0000          3rd Qu.:3.000       3rd Qu.:3.000        3rd Qu.:5.000   3rd Qu.:2.0  
 Max.   :1.0000          Max.   :3.000       Max.   :3.000        Max.   :6.000   Max.   :2.0  
     Sesion     Intento.n.    Intento  
 Primera:60   Min.   :1    Primero:40  
 Segunda:60   1st Qu.:1    Segundo:40  
              Median :2    Tercero:40  
              Mean   :2                
              3rd Qu.:3                
              Max.   :3                

Agrupo para datos generales (sumo valores, promedio puntaje total y sd)

Graficos generales entre curso y valor final

Graficos generales entre curso y valor final del cajon oclusal

Graficos generales entre curso y valor final del cajon proximal

le doy estructura a los datos para curso y los tipos de cajones oclusales

r{r}

<!-- rnb-source-end -->

<!-- rnb-output-begin eyJkYXRhIjoiRXJyb3I6IHNlIGludGVudGEgdXNhciB1biBub21icmUgZGUgdmFyaWJsZSBkZSBsb25naXR1ZCBjZXJvXG4ifQ== -->

Error: se intenta usar un nombre de varible de longitud cero ```

Grafico para el cajon oclusal y totales segun curso

Grafico para el curso segun tipo de cajon

Existe diferencias entre el curso y los puntajes totales para cajon oclusal

t.test(df1$Total_cajon_oclusal~df1$Curso)#Existen diferencias

    Welch Two Sample t-test

data:  df1$Total_cajon_oclusal by df1$Curso
t = -3.8154, df = 322.58, p-value = 0.000163
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.4799513 -0.1533820
sample estimates:
mean in group Segundo   mean in group Sexto 
             2.250000              2.566667 

le doy estructura a los datos para curso y los tipos de cajones proximales

df2 <- df %>% 
gather(key = "Tipo de cajon proximal", value = "Valor", Cajon_proximal_vestibular:Cajon_proximal_gingival)

Grafico para el cajon proximal y totales segun curso

Existe diferencias entre el curso y los puntajes totales para cajon proximal

t.test(df1$Total_cajon_proximal~df1$Curso)#Existen diferencias, y son mayores que para el cajon oclusal. 

    Welch Two Sample t-test

data:  df1$Total_cajon_proximal by df1$Curso
t = -8.2316, df = 343.07, p-value = 3.905e-15
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
 -0.8672623 -0.5327377
sample estimates:
mean in group Segundo   mean in group Sexto 
             1.533333              2.233333 

grafico para ver relacion entre el numero de intento y el puntaje total obtenido

lo mismo ahora por curso

grafico para ver relacion entre el numero de intento y el puntaje total obtenido en el cajon oclusal

df1 %>% 
   ggplot(aes(x =Intento.n., y = Total_cajon_oclusal)) + 
  geom_point()+
  theme_minimal()+
     geom_smooth()

lo mismo por curso

grafico para ver relacion entre el numero de intento y el puntaje total obtenido en el cajon proximal

df1 %>% 
   ggplot(aes(x =Intento.n., y = Total_cajon_proximal)) + 
  geom_point()+
  theme_minimal()+
     geom_smooth()

lo mismo por curso

veamos los intentos

df4 <- df %>% 
gather(key = "Tipo de cajon", value = "Valor", Cajon_oclusal_vestibular:Cajon_proximal_gingival)

La grafica para los intentos y total general

df4 %>% 
  ggplot(aes(x=Intento, y=Total_final)) +
 geom_boxplot()+
  theme_classic() 

La grafica ahora filtrado por curso

df4 %>% 
  ggplot(aes(x=Intento, y=Total_final, fill=Curso)) +
 geom_boxplot()+
  theme_classic() 

ahora creo objeto para realizar mi ANOVA y ver si existen diferencias entre los intentos

aov <- aov(df4$Total_final~df4$Intento)
summary(aov)#EXISTEN DIFERENCIAS

             Df Sum Sq Mean Sq F value   Pr(>F)    
df4$Intento   2   51.1  25.550   15.72 2.09e-07 ***
Residuals   717 1165.7   1.626                     
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Donde tengo diferencias en los intentos ??

TukeyHSD(aov)#tengo diferencias para los primeros 2 intentos y entre tercero y segundo NO tengo

  Tukey multiple comparisons of means
    95% family-wise confidence level

Fit: aov(formula = df4$Total_final ~ df4$Intento)

$`df4$Intento`
                 diff         lwr       upr     p adj
Segundo-Primero 0.375 0.101636565 0.6483634 0.0038039
Tercero-Primero 0.650 0.376636565 0.9233634 0.0000001
Tercero-Segundo 0.275 0.001636565 0.5483634 0.0482579

df4 %>% 
  ggplot(aes(x=Intento, y=Total_final, fill=Curso)) +
 geom_boxplot()+
  theme_classic() +
  facet_wrap(~Curso)

intetos segun sexo

Existen diferencias entre el numero de intento y el sexo ???

chisq.test(df4$Sexo,df4$Intento)

    Pearson's Chi-squared test

data:  df4$Sexo and df4$Intento
X-squared = 0, df = 2, p-value = 1