1 Bibliotecas

library(tidyverse)

2 Objetivos del experimento

  • Determinar qué frecuencia en Hz es considerada una voz agradable o atractiva.
  • Analizar las distintas frecuencias del tono de la voz y comparar cómo varía el mismo entre hombres y mujeres.

3 Marco teórico

La voz puede representar nuestra personalidad y nos permite relacionarnos socialmente, por lo que el tono y otras cualidades acústicas de la voz son importantes, pues “los estudios también demuestran que aunque alguien nos guste al principio, la atracción puede desaparecer enseguida, por su forma de comunicación,especialmente a causa de su voz, porque lo más importante no es qué alguien dice sino cómo lo dice” (Glass, 1994: 205-206).

Emma Rodero Antón (2001) expone en su trabajo “El tono de la voz masculina y femenina en los informativos radiofónicos: un análisis comparativo” la diferencia que puede haber entre hombres y mujeres en el tono de voz que siempre logra ser marcado, además, para el contexto de su trabajo en el caso de la voz masculina, la voz más grave fue la más atractiva para los oyentes radiofónicos ya que les representaba credibilidad, seguridad, etc, en el caso de las mujeres los resultados fueron más variables, pero se puedo concluir que la elegida para los oyentes fue las voz más grave. Esa variación en la voz se da por una diferenciación durante la pubertad, es por ello que la voz masculina tiende a ser más grave y con un tono más bajo, porque poseen cuerdas vocales más largas y más gruesas que las de las mujeres.

Rodero Antón, Emma, and Universidad Pontificia de Salamanca. El tono de la voz masculina y femenina en los informativos radiofónicos: un análisis comparativo. Noviembre 2001, https://www.researchgate.net/profile/Emma-Rodero/publication/287491072_La_voz_masculina_y_femenina_en_los_informativos_radiofonicos/links/56771bab08ae502c99d2efd6/La-voz-masculina-y-femenina-en-los-informativos-radiofonicos.pdf.

4 Hipótesis:

  • Nosotras suponemos que la voz más grave en los hombres va a ser más atractiva para las mujeres y la voz más aguda en las mujeres va a ser más atractiva para los hombres.
  • Deducimos que va a haber una amplia diferencia entre el tono de voz de ambos géneros.
  • Suponemos que va a haber más variación en los tonos de voz de los hombres que en las mujeres.
  • Que un tono con frecuencia baja es el usado para persuadir a una persona.

5 Marco Metodológico

  • Se le medirán el tono de voz a 20 personas (10 hombres y 10 mujeres) con el sensor de Arduino Science Journal y simultáneamente se les grabara la voz.
  • Por medio de la media se clasificarán los tonos de voz de la más grave a la más aguda.
  • Después de clasificar los tonos de voz, se les pondrá a varias personas a escuchar las voces para que decidan qué voz les agrada más y ¿por qué?
  • Luego, sacaremos los resultados con respecto a que tono de voz masculino es más atractivo para las mujeres y viceversa, al igual que tanta discordancia hay entre los tonos de voz en el mismo género.
  • Por último, realizaremos las conclusiones con respecto a nuestra hipótesis.

6 Variable respuesta

Nuestra variable respuesta es el tono. Como sabemos, el tono es la sensación auditiva o atributo psicológico de los sonidos que los caracteriza por ser más agudos o más graves en función de la frecuencia, cuyas propiedades son físicas.

Desde hace un tiempo nos hemos preguntado qué tanto influye el tono de la voz sobre otras personas, sin son las voces graves o agudas las que más atractivas se le hacen tanto a hombres como mujeres, por lo que nos surgieron las siguientes preguntas: ¿Es el tono de voz un determinante a la hora de conseguir pareja o persuadir a una persona?, ¿Cuál es el rango de frecuencia que es más atractivo en ambos casos y cómo discrepa el tono en el mismo género? Es por ello que deseamos investigar dentro de qué frecuencia se encuentran estas voces, comparando nuestros resultados con investigaciones anteriores.

7 Variables de control

  • Vamos a medir como es el comportamiento de la frecuencia del tono entre géneros (Mujeres Vs Hombres)

8 Resultados parciales

8.1 Datos Hombres

voz1_hombre <- read.csv("voz_hombre1.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz1")

voz2_hombre <- read.csv("voz_hombre2.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz2")

voz3_hombre <- read.csv("voz_hombre3.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz3")

voz4_hombre <- read.csv("voz_hombre4.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz4")

8.2 Datos Mujeres

voz1_mujer <- read.csv("voz_mujer1.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz1")

voz2_mujer <- read.csv("voz_mujer2.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz2")

voz3_mujer <- read.csv("voz_mujer3.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz3")

voz4_mujer <- read.csv("voz_mujer4.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz4")

8.3 Datos completos

datos_completos <- bind_rows(voz1_hombre, voz2_hombre, voz3_hombre, voz4_hombre, voz1_mujer, voz2_mujer, voz3_mujer, voz4_mujer) %>% rename(tono = PitchSensor)

datos_completos %>% head

9 Hombres

datos_completos %>% 
  filter( voz == "voz_hombre" ) %>% 
  ggplot(aes(x = timestamp, y = tono, color = frecuencia)) +
  facet_wrap(~frecuencia, scales = "free") +
  geom_line()

10 Mujeres

datos_completos %>% 
  filter( voz == "voz_mujer" ) %>% 
  ggplot(aes(x = timestamp, y = tono, color = frecuencia)) +
  facet_wrap(~frecuencia, scales = "free") +
  geom_line()

11 Distribuciones

  • ¿Son similares las frecuencias del tono entre hombres y mujeres, o varían mucho?
datos_completos %>% 
  ggplot(aes(x = tono, color = voz)) +
  geom_density() 

  • ¿Qué pasa si aplicamos un logaritmo?
datos_completos %>% 
  ggplot(aes(x = tono, color = voz)) +
  geom_density() +
  scale_x_log10()

12 Conclusiones parciales

  • Promedio de la frecuencia del tono en hombres
datos_completos %>% filter(voz == "voz_hombre") %>% summarise(frecuencia = mean(tono))
  • Promedio de la frecuencia del tono en mujeres
datos_completos %>% filter(voz == "voz_mujer") %>% summarise(frecuencia = mean(tono))
  • Nota: por ahora podemos decir que el tono de los hombres y de las mujeres presentan una significativa diferencia, esto lo podemos observar a través del promedio y tambien podemos recalcar que los promedios obtenidos se encuentran dentro de los rangos estableciodos de frecuencia para hombre y mujeres adultos.

  • Hombres: rango entre 85 a 180 Hz

  • Mujeres: rango entre 165 a 255 Hz

---
title: "Experimento Tono"
subtitle: "Variación de tono entre hombres y mujeres"
author: "Aylin Cristina Echavarria Mendoza y Sara Melisa Palacio Regino"
date: "7-11-2022"
output:
  html_document:
    toc: true
    toc_depth: 5
    toc_float: true
    number_sections: true
    theme: cosmo
    highlight: breezedark
    df_print: paged
    code_folding: hide
    code_download: true
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, eval = TRUE, fig.align = "center",
                      fig.width = 5.5, fig.height = 4.5, warning = FALSE,
                      message = FALSE)
```


# Bibliotecas

```{r}
library(tidyverse)
```

# Objetivos del experimento

- Determinar qué frecuencia en Hz es considerada una voz agradable o atractiva.
- Analizar las distintas frecuencias del tono de la voz y comparar cómo varía el mismo entre hombres y mujeres.

# Marco teórico

La voz puede representar nuestra personalidad y nos permite relacionarnos socialmente, por lo que el tono y otras cualidades acústicas de la voz son importantes, pues “los estudios también demuestran que aunque alguien nos guste al principio, la atracción puede desaparecer enseguida, por su forma de comunicación,especialmente a causa de su voz, porque lo más importante no es qué alguien dice sino cómo lo dice” (Glass, 1994: 205-206).

Emma Rodero Antón (2001) expone en su trabajo  “El tono de la voz masculina y femenina en los informativos radiofónicos: un análisis comparativo” la diferencia que puede haber entre hombres y mujeres en el tono de voz que siempre logra ser marcado, además, para el contexto de su trabajo en el caso de la voz masculina, la voz más grave fue la más atractiva para los oyentes radiofónicos ya que les representaba credibilidad, seguridad, etc, en el caso de las mujeres los resultados fueron más variables, pero se puedo concluir que la elegida para los  oyentes fue las voz más grave.
Esa variación en la voz se da por una diferenciación durante la pubertad, es por ello que la voz masculina tiende a ser más grave y con un tono más bajo, porque poseen cuerdas vocales más largas y más gruesas que las de las mujeres. 

Rodero Antón, Emma, and Universidad Pontificia de Salamanca. El tono de la voz masculina y femenina en los informativos radiofónicos: un análisis comparativo. Noviembre 2001, https://www.researchgate.net/profile/Emma-Rodero/publication/287491072_La_voz_masculina_y_femenina_en_los_informativos_radiofonicos/links/56771bab08ae502c99d2efd6/La-voz-masculina-y-femenina-en-los-informativos-radiofonicos.pdf.

# Hipótesis:

- Nosotras suponemos que la voz más grave en los hombres va a ser más atractiva para las mujeres y la voz más aguda en las mujeres va a ser más atractiva para los hombres. 
- Deducimos que va a haber una amplia diferencia entre el tono de voz de ambos géneros.
- Suponemos que va a haber más variación en los tonos de voz de los hombres que en las mujeres.
- Que un tono con frecuencia baja es el usado para persuadir a una persona.


# Marco Metodológico

- Se le medirán el tono de voz a 20 personas (10 hombres y 10 mujeres) con el sensor de Arduino Science Journal y simultáneamente se les grabara la voz.
- Por medio de la media se clasificarán los tonos de voz de la más grave a la más aguda.
- Después de clasificar los tonos de voz, se les pondrá a varias personas a escuchar las voces para que decidan qué voz les agrada más y ¿por qué?
- Luego, sacaremos los resultados con respecto a que tono de voz masculino es más atractivo para las mujeres y viceversa, al igual que tanta discordancia hay entre los tonos de voz en el mismo género.
- Por último, realizaremos las conclusiones con respecto a nuestra hipótesis.

# Variable respuesta

**Nuestra variable respuesta es el tono**. Como sabemos, el tono es la sensación auditiva o atributo psicológico de los sonidos que los caracteriza por ser más agudos o más graves en función de la frecuencia, cuyas propiedades son físicas. 

Desde hace un tiempo nos hemos preguntado qué tanto influye el tono de la voz sobre otras personas, sin son las voces graves o agudas las que más atractivas se le hacen tanto a hombres como mujeres, por lo que nos surgieron las siguientes preguntas: ¿Es el tono de voz un determinante a la hora de conseguir pareja o persuadir a una persona?, ¿Cuál es el rango de frecuencia que es más atractivo en ambos casos y cómo discrepa el tono en el mismo género? Es por ello que deseamos investigar dentro de qué frecuencia se encuentran estas voces, comparando nuestros resultados con investigaciones anteriores.

# Variables de control

- Vamos a medir como es el comportamiento de la frecuencia del tono entre géneros (Mujeres Vs Hombres) 

# Resultados parciales

## Datos Hombres

```{r}
voz1_hombre <- read.csv("voz_hombre1.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz1")

voz2_hombre <- read.csv("voz_hombre2.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz2")

voz3_hombre <- read.csv("voz_hombre3.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz3")

voz4_hombre <- read.csv("voz_hombre4.csv") %>% 
  mutate( voz = "voz_hombre",
         frecuencia = "voz4")
```

## Datos Mujeres
```{r}
voz1_mujer <- read.csv("voz_mujer1.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz1")

voz2_mujer <- read.csv("voz_mujer2.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz2")

voz3_mujer <- read.csv("voz_mujer3.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz3")

voz4_mujer <- read.csv("voz_mujer4.csv") %>% 
  mutate( voz = "voz_mujer",
         frecuencia = "voz4")
```

## Datos completos
```{r}
datos_completos <- bind_rows(voz1_hombre, voz2_hombre, voz3_hombre, voz4_hombre, voz1_mujer, voz2_mujer, voz3_mujer, voz4_mujer) %>% rename(tono = PitchSensor)

datos_completos %>% head
```

# Hombres

```{r}
datos_completos %>% 
  filter( voz == "voz_hombre" ) %>% 
  ggplot(aes(x = timestamp, y = tono, color = frecuencia)) +
  facet_wrap(~frecuencia, scales = "free") +
  geom_line()

```

# Mujeres

```{r}
datos_completos %>% 
  filter( voz == "voz_mujer" ) %>% 
  ggplot(aes(x = timestamp, y = tono, color = frecuencia)) +
  facet_wrap(~frecuencia, scales = "free") +
  geom_line()
```

# Distribuciones

- ¿Son similares las frecuencias del tono entre hombres y mujeres, o varían mucho?

```{r}
datos_completos %>% 
  ggplot(aes(x = tono, color = voz)) +
  geom_density() 
```

- ¿Qué pasa si aplicamos un logaritmo?

```{r}
datos_completos %>% 
  ggplot(aes(x = tono, color = voz)) +
  geom_density() +
  scale_x_log10()
```

# Conclusiones parciales

- Promedio de la frecuencia del tono en hombres

```{r}
datos_completos %>% filter(voz == "voz_hombre") %>% summarise(frecuencia = mean(tono))

```

- Promedio de la frecuencia del tono en mujeres

```{r}
datos_completos %>% filter(voz == "voz_mujer") %>% summarise(frecuencia = mean(tono))

```

- **Nota:** por ahora podemos decir que el tono de los hombres y de las mujeres presentan una significativa diferencia, esto lo podemos observar a través del promedio y tambien podemos recalcar que los promedios obtenidos se encuentran dentro de los rangos estableciodos de frecuencia para hombre y mujeres adultos.

- **Hombres:** rango entre 85 a 180 Hz
- **Mujeres:** rango entre 165 a 255 Hz

