← News

Reporte Evaluación 2

info
mail-UCursos
Posted

martes noviembre 19, 2024 at 12:00 AM

Este reporte realiza un análisis de la Evaluación 2 sobre la Unidad 2: Bivariada

Pauta y recorrecciones

La pauta de evaluación se puede revisar aquí

Librerías, datos y ajustes

pacman::p_load(tidyverse, sjmisc, sjPlot, kableExtra, sjlabelled, readxl, here, googlesheets4, janitor)
 [1] "Nº"                    "Persona"               "RUT"                  
 [4] "Puntaje P1_1"          "Puntaje P1_2"          "Puntaje P2_1"         
 [7] "Puntaje P2_2A"         "Puntaje P2_2B"         "Puntaje P2_2C"        
[10] "Puntaje P2_2"          "Puntaje P3_1"          "Puntaje P3_2"         
[13] "P1_total"              "P2_total"              "P3_total"             
[16] "Puntaje total"         "Nota"                  "Asistida"             
[19] "Asistida_ult_practico" "Nota_p1"

Etiquetados

# Label variables

prueba2$puntaje_p1_1 <- set_label(x = prueba2$puntaje_p1_1, 
                         label = "Correlación: Código")
prueba2$puntaje_p1_2 <- set_label(x = prueba2$puntaje_p1_2, 
                         label = "Correlación: Intepretación")
prueba2$puntaje_p2_1 <- set_label(x = prueba2$puntaje_p2_1, 
                         label = "Matriz cor: Código")
prueba2$puntaje_p2_2a <- set_label(x = prueba2$puntaje_p2_2a, 
                         label = "Matriz cor: Interpretación significación")
prueba2$puntaje_p2_2b <- set_label(x = prueba2$puntaje_p2_2b, 
                         label = "Matriz cor: Interpretación perdidos")
prueba2$puntaje_p2_2c <- set_label(x = prueba2$puntaje_p2_2c, 
                         label = "Matriz cor: Interpretación tipo")                                                  
prueba2$puntaje_p2_2 <- set_label(x = prueba2$puntaje_p2_2, 
                         label = "Matriz cor: Interpretación total")
prueba2$puntaje_p3_1 <- set_label(x = prueba2$puntaje_p3_1, 
                         label = "Chi: Código")
prueba2$puntaje_p3_2 <- set_label(x = prueba2$puntaje_p3_2, 
                         label = "Chi: Interpretación")
prueba2$p1_total <- set_label(x = prueba2$p1_total, 
                         label = "Pregunta 1")
prueba2$p2_total <- set_label(x = prueba2$p2_total, 
                         label = "Pregunta 2")
prueba2$p3_total <- set_label(x = prueba2$p3_total, 
                         label = "Pregunta 3")
prueba2$nota <- set_label(x = prueba2$nota, 
                         label = "Nota") 

# Cambiar inasistentes a NA
filas_a_modificar <- which(!is.na(prueba2$nota) & prueba2$nota == 1)
filas_a_modificar
[1] 18 19
  # Asignamos NA a todas las columnas de las filas identificadas
prueba2[filas_a_modificar, ] <- NA

Descriptivos

Tabla descriptiva

prueba2 %>% descr(., show = c("label","range", "mean", "sd", "n"))%>% kable(.,"markdown", digits=2)
var label n mean sd range
8 puntaje_p1_1 Correlación: Código 83 0.85 0.22 0.75 (0.25-1)
9 puntaje_p1_2 Correlación: Intepretación 83 2.25 0.81 3 (0-3)
10 puntaje_p2_1 Matriz cor: Código 83 0.80 0.34 1 (0-1)
12 puntaje_p2_2a Matriz cor: Interpretación significación 83 0.54 0.38 1 (0-1)
13 puntaje_p2_2b Matriz cor: Interpretación perdidos 83 0.65 0.36 1 (0-1)
14 puntaje_p2_2c Matriz cor: Interpretación tipo 83 0.63 0.49 1 (0-1)
11 puntaje_p2_2 Matriz cor: Interpretación total 83 1.82 0.89 3 (0-3)
15 puntaje_p3_1 Chi: Código 82 0.64 0.39 1 (0-1)
16 puntaje_p3_2 Chi: Interpretación 82 1.35 1.24 3 (0-3)
5 p1_total Pregunta 1 83 3.10 0.91 3.75 (0.25-4)
6 p2_total Pregunta 2 83 2.53 1.10 4 (0-4)
7 p3_total Pregunta 3 83 1.97 1.53 4 (0-4)
17 puntaje_total puntaje_total 83 7.60 2.88 10 (2-12)
3 nota Nota 83 4.80 1.44 5 (2-7)
1 asistida asistida 83 74.75 15.84 70.8 (29.2-100)
2 asistida_ult_practico asistida_ult_practico 84 0.54 0.50 1 (0-1)
4 nota_p1 nota_p1 70 4.50 1.43 6 (1-7)

Nota

media_nota <- mean(prueba2$nota, na.rm = TRUE)
sd_nota <- sd(prueba2$nota, na.rm = TRUE)
hist(prueba2$nota, prob = TRUE, col = "lightblue",
     main = "Histograma de Notas",
     xlab = "Nota", ylab = "Densidad")
abline(v = media_nota, col = "red", lwd = 2, lty = 2)

prueba2 <- prueba2 %>%  mutate(notas_cat=cut(nota, breaks=c(-Inf,4,5,6, Inf), labels=c("Menor a 4.0","4.0-5.0","5.0-6.0","6.0-7.0")))

frq(prueba2$notas_cat, out="browser", show.na = FALSE, title = "Rangos de notas")
Rangos de notas
val frq raw.prc valid.prc cum.prc
Menor a 4.0 29 32.58 34.94 34.94
4.0-5.0 14 15.73 16.87 51.81
5.0-6.0 20 22.47 24.10 75.90
6.0-7.0 20 22.47 24.10 100.00
total N=83 · valid N=63 · x̄=2.37 · σ=1.20 
prueba2 <- prueba2 %>% dplyr::select(-notas_cat)

Preguntas

# violin plot
prueba2_long <- prueba2 %>% 
  pivot_longer(cols=starts_with("p"),
               names_to = "Prueba",
               values_to = "Valor")

  
prueba2_long %>% filter(Prueba=="p1_total" |Prueba=="p2_total" | Prueba=="p3_total") %>%   
ggplot(., aes(x = Prueba, y = Valor, fill = Prueba)) +
  geom_violin(trim = FALSE) +
  geom_boxplot(width = 0.1, fill = "white", outlier.shape = NA) +
  theme_minimal() +
  labs(title = "Comparación de Preguntas",
       x = "Preguntas",
       y = "Valor") +
  theme(legend.position = "none")

prueba2_long %>% filter(Prueba=="puntaje_p1_1" |Prueba=="puntaje_p2_1" | Prueba=="puntaje_p3_1") %>%   
ggplot(., aes(x = Prueba, y = Valor, fill = Prueba)) +
  geom_violin(trim = FALSE) +
  geom_boxplot(width = 0.1, fill = "white", outlier.shape = NA) +
  theme_minimal() +
  labs(title = "Comparación de Puntajes en Código",
       x = "Preguntas Código",
       y = "Valor") +
  theme(legend.position = "none")

prueba2_long %>% filter(Prueba=="puntaje_p1_2" |Prueba=="puntaje_p2_2" | Prueba=="puntaje_p3_2") %>%   
ggplot(., aes(x = Prueba, y = Valor, fill = Prueba)) +
  geom_violin(trim = FALSE) +
  geom_boxplot(width = 0.1, fill = "white", outlier.shape = NA) +
  theme_minimal() +
  labs(title = "Comparación de Puntajes en Interpretación",
       x = "Preguntas Código",
       y = "Valor") +
  theme(legend.position = "none")

Asociaciones

M1 <- prueba2 %>% select(puntaje_p1_1, puntaje_p1_2, puntaje_p2_1, puntaje_p2_2, puntaje_p3_1, puntaje_p3_2) %>% cor(., use = "complete.obs")
diag(M1) <- NA
corrplot::corrplot(M1,
                   method = "color",
                   addCoef.col = "black",
                   type = "upper",
                   tl.col = "black",
                   col = colorRampPalette(c("#E16462", "white", "#0D0834"))(10),
                   bg = "white",
                   na.label = "-") 

M2 <- prueba2 %>% select(p1_total, p2_total, p3_total, nota) %>% cor(., use = "complete.obs")
diag(M2) <- NA
corrplot::corrplot(M2,
                   method = "color",
                   addCoef.col = "black",
                   type = "upper",
                   tl.col = "black",
                   col = colorRampPalette(c("#E16462", "white", "blue"))(10),
                   bg = "white",
                   na.label = "-")

Asistencia

cor(prueba2$nota, prueba2$asistida,use = "complete.obs")
[1] 0.3438108
ggplot(prueba2, aes(x = asistida, y = nota)) + 
  geom_jitter(width = 0.2, color = "red", size = 2) + 
  labs(title = "Relación entre asistencia y notas en Evaluación 2 (r=0.34)") + 
  labs(x = "Asistencia", y = "Nota") + 
  theme(axis.title = element_text(size = 12),        # Tamaño de las etiquetas de los ejes
        axis.text = element_text(size = 12)) +       # Tamaño del texto de los ejes
  theme(aspect.ratio = 1/1.5) +
  theme(plot.title = element_text(size = 12,         # Tamaño del título
                                  face = "bold",     # Tipo de letra (negrita)
                                  hjust = 0.5)) 

prueba2 <- prueba2 %>%  mutate(asist_total_cat=cut(asistida, breaks=c(-Inf,40,50,60,70,80,90,Inf), labels=c("Menos de 40%","50%","60%","70%","80%","90%", "100%")))

frq(prueba2$asist_total_cat, out="browser", show.na = FALSE, title = "Asistencia")
Asistencia
val frq raw.prc valid.prc cum.prc
Menos de 40% 2 2.25 2.41 2.41
50% 6 6.74 7.23 9.64
60% 9 10.11 10.84 20.48
70% 10 11.24 12.05 32.53
80% 25 28.09 30.12 62.65
90% 17 19.10 20.48 83.13
100% 14 15.73 16.87 100.00
total N=83 · valid N=69 · x̄=4.89 · σ=1.58 
prueba2 %>% # se especifica la base de datos
  dplyr::select(asist_total_cat, nota)  %>% # se seleccionan las variables
  dplyr::group_by(Asistencia=sjlabelled::as_label(asist_total_cat)) %>% # se agrupan por la variable categórica y se usan sus etiquetas con as_label
  dplyr::summarise(Obs.=n(),Promedio=round(mean(nota),2),SD=round(sd(nota),2)) %>% # se agregan las operaciones a presentar en la tabla
  kable(, format = "markdown") # se genera la tabla
Asistencia Obs. Promedio SD
Menos de 40% 2 3.31 0.62
50% 6 3.44 0.81
60% 9 4.31 1.73
70% 10 5.66 1.45
80% 25 4.30 1.46
90% 17 5.07 0.93
100% 14 5.85 0.89
NA 6 NA NA 
prueba2 <- prueba2 %>% dplyr::select(-asist_total_cat)

Correlación entre evaluaciones

cor(prueba2$nota, prueba2$nota_p1, use = "complete.obs")
[1] 0.4392045
ggplot(prueba2, aes(x = nota_p1, y = nota)) + 
  geom_jitter(width = 0.2, color = "red", size = 2) + 
  labs(title = "Relación entre Evaluación 1 y Evaluación 2 (r=0.4.4)") + 
  labs(x = "Evaluación 1", y = "Evaluación 2") + 
  theme(axis.title = element_text(size = 12),        # Tamaño de las etiquetas de los ejes
        axis.text = element_text(size = 12)) +       # Tamaño del texto de los ejes
  theme(aspect.ratio = 1/1.5) +
  theme(plot.title = element_text(size = 12,         # Tamaño del título
                                  face = "bold",     # Tipo de letra (negrita)
                                  hjust = 0.5))