Comparaciones entre grupos
Cargando datos
elvia_para <-
elvia_LM %>%
mutate(genero = genero)
Error: Problem with `mutate()` input `genero`.
x Input `genero` can't be recycled to size 1.
ℹ Input `genero` is `genero`.
ℹ Input `genero` must be size 1, not 1100.
ℹ Did you mean: `genero = list(genero)` ?
ℹ The error occurred in row 1.
Run `rlang::last_error()` to see where the error occurred.
¿Existen diferencias significativas entre el género?
Cuál es el promedio académico de hombres y mujeres
Parece que los hombres tienen mejor desempeño académico.
Normalidad
ks.test(elvia_femenico$rend_aca,
"pnorm",
mean(elvia_femenico$rend_aca),
sd(elvia_femenico$rend_aca))
ties should not be present for the Kolmogorov-Smirnov test
One-sample Kolmogorov-Smirnov test
data: elvia_femenico$rend_aca
D = 0.25807, p-value < 2.2e-16
alternative hypothesis: two-sided
Si p-valor es menor a 0.05 es normal.
ks.test(elvia_masculino$rend_aca,
"pnorm",
mean(elvia_masculino$rend_aca),
sd(elvia_masculino$rend_aca))
ties should not be present for the Kolmogorov-Smirnov test
One-sample Kolmogorov-Smirnov test
data: elvia_masculino$rend_aca
D = 0.26699, p-value < 2.2e-16
alternative hypothesis: two-sided
Si p-valor es menor a 0.05 es normal.
Diferencias significativas entre ellos - Anova
Procedemos a aplicar una anova para determinar si hay diferencias significativas entre ellos.
Aplicamos una anova.
summary(elvia_para.anova)
Df Sum Sq Mean Sq F value Pr(>F)
elvia_para$genero 1 0.4 0.3759 0.623 0.43
Residuals 1098 662.7 0.6035
Si hay diferencias porque el Pr(>F) dio mayor a 0.05, por lo tanto no hay diferencias significativas en el desempeño entre hombres y mujeres.
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