Laboratorio No. 2 (Análisis Exploratorio de Datos) - Profesor Jaime Mosquera Restrepo
2024-04-30
El salario acumulado en nueve meses de 2008-09 para profesores asistentes, profesores asociados y profesores en una universidad en los EE. UU. Los datos se recogieron como parte del esfuerzo continuo de la administración de la universidad para monitorear las diferencias salariales entre los miembros masculinos y femeninos de la facultad. La hoja de datos Salaries.csv contiene la información de 397 profesores con el registro de 6 variables. rank: Factor ordinal con niveles AssocProf AsstProf Prof discipline: Factor con niveles A (“teórica”) o B (“aplicado”). yrs.since.phd: Años transcurrido desde la obtención del doctorado. yrs.service: Años de servicio. sex: Factor nominal con niveles Female (Femenino) o Male (Masculino) salary: Salario de nueve meses, en dólares. Se espera que usted construya un informe sintético (no más de 6 paginas), en el cual, a través de una visualización contundente de los datos y el contraste adecuado de indicadores resumen, contribuya a la institución a responder las siguientes dos preguntas. 1. ¿Se evidencia una diferencia salarial entre hombres y mujeres? 2. ¿Las diferencias salariales son atribuibles exclusivamente al género de los profesores? O ¿existen otras características – factores de confusión, que pueden explicar la diferencia salarial? Para responder la pregunta 2 se sugiere que usted: a. Compare las caracteristicas de antiguedad y experiencia academica de hombres y mujeres. Compare tambien la distriucion de hombes y mujeres en el escalafon docent y entre las areas teoricas/aplicada. b. Verifique si esas caracteristicas diferenciales entre hombres y mujeres están también relacionadas con el salario
Cargar el archivo de datos
salaries <- read.csv("C:\\Users\\dione\\Downloads\\Datos Práctica AED-20240430\\Salaries.csv", sep =";")
salaries## rank discipline yrs.since.phd yrs.service sex salary
## 1 Prof B 19 18 Male 139750
## 2 Prof B 20 16 Male 173200
## 3 AsstProf B 4 3 Male 79750
## 4 Prof B 45 39 Male 115000
## 5 Prof B 40 41 Male 141500
## 6 AssocProf B 6 6 Male 97000
## 7 Prof B 30 23 Male 175000
## 8 Prof B 45 45 Male 147765
## 9 Prof B 21 20 Male 119250
## 10 Prof B 18 18 Female 129000
## 11 AssocProf B 12 8 Male 119800
## 12 AsstProf B 7 2 Male 79800
## 13 AsstProf B 1 1 Male 77700
## 14 AsstProf B 2 0 Male 78000
## 15 Prof B 20 18 Male 104800
## 16 Prof B 12 3 Male 117150
## 17 Prof B 19 20 Male 101000
## 18 Prof A 38 34 Male 103450
## 19 Prof A 37 23 Male 124750
## 20 Prof A 39 36 Female 137000
## 21 Prof A 31 26 Male 89565
## 22 Prof A 36 31 Male 102580
## 23 Prof A 34 30 Male 93904
## 24 Prof A 24 19 Male 113068
## 25 AssocProf A 13 8 Female 74830
## 26 Prof A 21 8 Male 106294
## 27 Prof A 35 23 Male 134885
## 28 AsstProf B 5 3 Male 82379
## 29 AsstProf B 11 0 Male 77000
## 30 Prof B 12 8 Male 118223
## 31 Prof B 20 4 Male 132261
## 32 AsstProf B 7 2 Male 79916
## 33 Prof B 13 9 Male 117256
## 34 AsstProf B 4 2 Male 80225
## 35 AsstProf B 4 2 Female 80225
## 36 AsstProf B 5 0 Female 77000
## 37 Prof B 22 21 Male 155750
## 38 AsstProf B 7 4 Male 86373
## 39 Prof B 41 31 Male 125196
## 40 AssocProf B 9 9 Male 100938
## 41 Prof B 23 2 Male 146500
## 42 AssocProf B 23 23 Male 93418
## 43 Prof B 40 27 Male 101299
## 44 Prof B 38 38 Male 231545
## 45 Prof B 19 19 Male 94384
## 46 Prof B 25 15 Male 114778
## 47 Prof B 40 28 Male 98193
## 48 Prof B 23 19 Female 151768
## 49 Prof B 25 25 Female 140096
## 50 AsstProf B 1 1 Male 70768
## 51 Prof B 28 28 Male 126621
## 52 Prof B 12 11 Male 108875
## 53 AsstProf B 11 3 Female 74692
## 54 Prof B 16 9 Male 106639
## 55 AssocProf B 12 11 Male 103760
## 56 AssocProf B 14 5 Male 83900
## 57 Prof B 23 21 Male 117704
## 58 AssocProf B 9 8 Male 90215
## 59 AssocProf B 10 9 Male 100135
## 60 AsstProf B 8 3 Male 75044
## 61 AssocProf B 9 8 Male 90304
## 62 AsstProf B 3 2 Male 75243
## 63 Prof B 33 31 Male 109785
## 64 AssocProf B 11 11 Female 103613
## 65 AsstProf B 4 3 Male 68404
## 66 AssocProf B 9 8 Male 100522
## 67 Prof B 22 12 Male 101000
## 68 Prof B 35 31 Male 99418
## 69 Prof B 17 17 Female 111512
## 70 Prof B 28 36 Male 91412
## 71 Prof B 17 2 Male 126320
## 72 Prof B 45 45 Male 146856
## 73 Prof B 29 19 Male 100131
## 74 Prof B 35 34 Male 92391
## 75 Prof B 28 23 Male 113398
## 76 AsstProf B 8 3 Male 73266
## 77 Prof B 17 3 Male 150480
## 78 Prof B 26 19 Male 193000
## 79 AsstProf B 3 1 Male 86100
## 80 AsstProf B 6 2 Male 84240
## 81 Prof B 43 28 Male 150743
## 82 Prof B 17 16 Male 135585
## 83 Prof B 22 20 Male 144640
## 84 AsstProf B 6 2 Male 88825
## 85 Prof B 17 18 Female 122960
## 86 Prof B 15 14 Male 132825
## 87 Prof B 37 37 Male 152708
## 88 AsstProf B 2 2 Male 88400
## 89 Prof B 25 25 Male 172272
## 90 AssocProf B 9 7 Male 107008
## 91 AsstProf B 10 5 Female 97032
## 92 AssocProf B 10 7 Male 105128
## 93 AssocProf B 10 7 Male 105631
## 94 Prof B 38 38 Male 166024
## 95 Prof B 21 20 Male 123683
## 96 AsstProf B 4 0 Male 84000
## 97 AssocProf B 17 12 Male 95611
## 98 Prof B 13 7 Male 129676
## 99 Prof B 30 14 Male 102235
## 100 Prof B 41 26 Male 106689
## 101 Prof B 42 25 Male 133217
## 102 Prof B 28 23 Male 126933
## 103 Prof B 16 5 Male 153303
## 104 Prof B 20 14 Female 127512
## 105 AssocProf A 18 10 Male 83850
## 106 Prof A 31 28 Male 113543
## 107 AssocProf A 11 8 Male 82099
## 108 AssocProf A 10 8 Male 82600
## 109 AssocProf A 15 8 Male 81500
## 110 Prof A 40 31 Male 131205
## 111 Prof A 20 16 Male 112429
## 112 AssocProf A 19 16 Male 82100
## 113 AsstProf A 3 1 Male 72500
## 114 Prof A 37 37 Male 104279
## 115 Prof A 12 0 Female 105000
## 116 Prof A 21 9 Male 120806
## 117 Prof A 30 29 Male 148500
## 118 Prof A 39 36 Male 117515
## 119 AsstProf A 4 1 Male 72500
## 120 AsstProf A 5 3 Female 73500
## 121 Prof A 14 14 Male 115313
## 122 Prof A 32 32 Male 124309
## 123 Prof A 24 22 Male 97262
## 124 AssocProf A 25 22 Female 62884
## 125 Prof A 24 22 Male 96614
## 126 Prof A 54 49 Male 78162
## 127 Prof A 28 26 Male 155500
## 128 AsstProf A 2 0 Female 72500
## 129 Prof A 32 30 Male 113278
## 130 AsstProf A 4 2 Male 73000
## 131 AssocProf A 11 9 Male 83001
## 132 Prof A 56 57 Male 76840
## 133 AssocProf A 10 8 Female 77500
## 134 AsstProf A 3 1 Female 72500
## 135 Prof A 35 25 Male 168635
## 136 Prof A 20 18 Male 136000
## 137 Prof A 16 14 Male 108262
## 138 Prof A 17 14 Male 105668
## 139 AssocProf A 10 7 Male 73877
## 140 Prof A 21 18 Male 152664
## 141 AssocProf A 14 8 Male 100102
## 142 AssocProf A 15 10 Male 81500
## 143 Prof A 19 11 Male 106608
## 144 AsstProf B 3 3 Male 89942
## 145 Prof B 27 27 Male 112696
## 146 Prof B 28 28 Male 119015
## 147 AsstProf B 4 4 Male 92000
## 148 Prof B 27 27 Male 156938
## 149 Prof B 36 26 Female 144651
## 150 AsstProf B 4 3 Male 95079
## 151 Prof B 14 12 Male 128148
## 152 AsstProf B 4 4 Male 92000
## 153 Prof B 21 9 Male 111168
## 154 AssocProf B 12 10 Female 103994
## 155 AsstProf B 4 0 Male 92000
## 156 Prof B 21 21 Male 118971
## 157 AssocProf B 12 18 Male 113341
## 158 AsstProf B 1 0 Male 88000
## 159 AssocProf B 6 6 Male 95408
## 160 Prof B 15 16 Male 137167
## 161 AsstProf B 2 2 Male 89516
## 162 Prof B 26 19 Male 176500
## 163 AssocProf B 22 7 Male 98510
## 164 AsstProf B 3 3 Male 89942
## 165 AsstProf B 1 0 Male 88795
## 166 Prof B 21 8 Male 105890
## 167 Prof B 16 16 Male 167284
## 168 Prof B 18 19 Male 130664
## 169 AssocProf B 8 6 Male 101210
## 170 Prof B 25 18 Male 181257
## 171 AsstProf B 5 5 Male 91227
## 172 Prof B 19 19 Male 151575
## 173 Prof B 37 24 Male 93164
## 174 Prof B 20 20 Male 134185
## 175 AssocProf B 17 6 Male 105000
## 176 Prof B 28 25 Male 111751
## 177 AssocProf B 10 7 Male 95436
## 178 AssocProf B 13 9 Male 100944
## 179 Prof B 27 14 Male 147349
## 180 AsstProf B 3 3 Female 92000
## 181 Prof B 11 11 Male 142467
## 182 Prof B 18 5 Male 141136
## 183 AssocProf B 8 8 Male 100000
## 184 Prof B 26 22 Male 150000
## 185 Prof B 23 23 Male 101000
## 186 Prof B 33 30 Male 134000
## 187 AssocProf B 13 10 Female 103750
## 188 Prof B 18 10 Male 107500
## 189 AssocProf B 28 28 Male 106300
## 190 Prof B 25 19 Male 153750
## 191 Prof B 22 9 Male 180000
## 192 Prof B 43 22 Male 133700
## 193 Prof B 19 18 Male 122100
## 194 AssocProf B 19 19 Male 86250
## 195 AssocProf B 48 53 Male 90000
## 196 AssocProf B 9 7 Male 113600
## 197 AsstProf B 4 4 Male 92700
## 198 AsstProf B 4 4 Male 92000
## 199 Prof B 34 33 Male 189409
## 200 Prof B 38 22 Male 114500
## 201 AsstProf B 4 4 Male 92700
## 202 Prof B 40 40 Male 119700
## 203 Prof B 28 17 Male 160400
## 204 Prof B 17 17 Male 152500
## 205 Prof B 19 5 Male 165000
## 206 Prof B 21 2 Male 96545
## 207 Prof B 35 33 Male 162200
## 208 Prof B 18 18 Male 120000
## 209 AsstProf B 7 2 Male 91300
## 210 Prof B 20 20 Male 163200
## 211 AsstProf B 4 3 Male 91000
## 212 Prof B 39 39 Male 111350
## 213 Prof B 15 7 Male 128400
## 214 Prof B 26 19 Male 126200
## 215 AssocProf B 11 1 Male 118700
## 216 Prof B 16 11 Male 145350
## 217 Prof B 15 11 Male 146000
## 218 AssocProf B 29 22 Male 105350
## 219 AssocProf B 14 7 Female 109650
## 220 Prof B 13 11 Male 119500
## 221 Prof B 21 21 Male 170000
## 222 Prof B 23 10 Male 145200
## 223 AssocProf B 13 6 Male 107150
## 224 Prof B 34 20 Male 129600
## 225 Prof A 38 35 Male 87800
## 226 Prof A 20 20 Male 122400
## 227 AsstProf A 3 1 Male 63900
## 228 AssocProf A 9 7 Male 70000
## 229 Prof A 16 11 Male 88175
## 230 Prof A 39 38 Male 133900
## 231 Prof A 29 27 Female 91000
## 232 AssocProf A 26 24 Female 73300
## 233 Prof A 38 19 Male 148750
## 234 Prof A 36 19 Female 117555
## 235 AsstProf A 8 3 Male 69700
## 236 Prof A 28 17 Male 81700
## 237 Prof A 25 25 Male 114000
## 238 AsstProf A 7 6 Female 63100
## 239 Prof A 46 40 Male 77202
## 240 Prof A 19 6 Male 96200
## 241 AsstProf A 5 3 Male 69200
## 242 Prof A 31 30 Male 122875
## 243 Prof A 38 37 Male 102600
## 244 Prof A 23 23 Male 108200
## 245 Prof A 19 23 Male 84273
## 246 Prof A 17 11 Female 90450
## 247 Prof A 30 23 Male 91100
## 248 Prof A 21 18 Male 101100
## 249 Prof A 28 23 Male 128800
## 250 Prof A 29 7 Male 204000
## 251 Prof A 39 39 Male 109000
## 252 Prof A 20 8 Male 102000
## 253 Prof A 31 12 Male 132000
## 254 AsstProf A 4 2 Female 77500
## 255 Prof A 28 7 Female 116450
## 256 AssocProf A 12 8 Male 83000
## 257 Prof A 22 22 Male 140300
## 258 AssocProf A 30 23 Male 74000
## 259 AsstProf A 9 3 Male 73800
## 260 Prof A 32 30 Male 92550
## 261 AssocProf A 41 33 Male 88600
## 262 Prof A 45 45 Male 107550
## 263 Prof A 31 26 Male 121200
## 264 Prof A 31 31 Male 126000
## 265 Prof A 37 35 Male 99000
## 266 Prof A 36 30 Male 134800
## 267 Prof A 43 43 Male 143940
## 268 Prof A 14 10 Male 104350
## 269 Prof A 47 44 Male 89650
## 270 Prof A 13 7 Male 103700
## 271 Prof A 42 40 Male 143250
## 272 Prof A 42 18 Male 194800
## 273 AsstProf A 4 1 Male 73000
## 274 AsstProf A 8 4 Male 74000
## 275 AsstProf A 8 3 Female 78500
## 276 Prof A 12 6 Male 93000
## 277 Prof A 52 48 Male 107200
## 278 Prof A 31 27 Male 163200
## 279 Prof A 24 18 Male 107100
## 280 Prof A 46 46 Male 100600
## 281 Prof A 39 38 Male 136500
## 282 Prof A 37 27 Male 103600
## 283 Prof A 51 51 Male 57800
## 284 Prof A 45 43 Male 155865
## 285 AssocProf A 8 6 Male 88650
## 286 AssocProf A 49 49 Male 81800
## 287 Prof A 28 27 Male 115800
## 288 AsstProf A 2 0 Male 85000
## 289 Prof A 29 27 Male 150500
## 290 AsstProf A 8 5 Male 74000
## 291 Prof A 33 7 Male 174500
## 292 Prof A 32 28 Male 168500
## 293 Prof A 39 9 Male 183800
## 294 AssocProf A 11 1 Male 104800
## 295 Prof A 19 7 Male 107300
## 296 Prof A 40 36 Male 97150
## 297 Prof A 18 18 Male 126300
## 298 Prof A 17 11 Male 148800
## 299 Prof A 49 43 Male 72300
## 300 AssocProf A 45 39 Male 70700
## 301 Prof A 39 36 Male 88600
## 302 Prof A 27 16 Male 127100
## 303 Prof A 28 13 Male 170500
## 304 Prof A 14 4 Male 105260
## 305 Prof A 46 44 Male 144050
## 306 Prof A 33 31 Male 111350
## 307 AsstProf A 7 4 Male 74500
## 308 Prof A 31 28 Male 122500
## 309 AsstProf A 5 0 Male 74000
## 310 Prof A 22 15 Male 166800
## 311 Prof A 20 7 Male 92050
## 312 Prof A 14 9 Male 108100
## 313 Prof A 29 19 Male 94350
## 314 Prof A 35 35 Male 100351
## 315 Prof A 22 6 Male 146800
## 316 AsstProf B 6 3 Male 84716
## 317 AssocProf B 12 9 Female 71065
## 318 Prof B 46 45 Male 67559
## 319 Prof B 16 16 Male 134550
## 320 Prof B 16 15 Male 135027
## 321 Prof B 24 23 Male 104428
## 322 AssocProf B 9 9 Male 95642
## 323 AssocProf B 13 11 Male 126431
## 324 Prof B 24 15 Female 161101
## 325 Prof B 30 31 Male 162221
## 326 AsstProf B 8 4 Male 84500
## 327 Prof B 23 15 Male 124714
## 328 Prof B 37 37 Male 151650
## 329 AssocProf B 10 10 Male 99247
## 330 Prof B 23 23 Male 134778
## 331 Prof B 49 60 Male 192253
## 332 Prof B 20 9 Male 116518
## 333 Prof B 18 10 Female 105450
## 334 Prof B 33 19 Male 145098
## 335 AssocProf B 19 6 Female 104542
## 336 Prof B 36 38 Male 151445
## 337 Prof B 35 23 Male 98053
## 338 Prof B 13 12 Male 145000
## 339 Prof B 32 25 Male 128464
## 340 Prof B 37 15 Male 137317
## 341 Prof B 13 11 Male 106231
## 342 Prof B 17 17 Female 124312
## 343 Prof B 38 38 Male 114596
## 344 Prof B 31 31 Male 162150
## 345 Prof B 32 35 Male 150376
## 346 Prof B 15 10 Male 107986
## 347 Prof B 41 27 Male 142023
## 348 Prof B 39 33 Male 128250
## 349 AsstProf B 4 3 Male 80139
## 350 Prof B 27 28 Male 144309
## 351 Prof B 56 49 Male 186960
## 352 Prof B 38 38 Male 93519
## 353 Prof B 26 27 Male 142500
## 354 Prof B 22 20 Male 138000
## 355 AsstProf B 8 1 Male 83600
## 356 Prof B 25 21 Male 145028
## 357 Prof A 49 40 Male 88709
## 358 Prof A 39 35 Male 107309
## 359 Prof A 28 14 Female 109954
## 360 AsstProf A 11 4 Male 78785
## 361 Prof A 14 11 Male 121946
## 362 Prof A 23 15 Female 109646
## 363 Prof A 30 30 Male 138771
## 364 AssocProf A 20 17 Male 81285
## 365 Prof A 43 43 Male 205500
## 366 Prof A 43 40 Male 101036
## 367 Prof A 15 10 Male 115435
## 368 AssocProf A 10 1 Male 108413
## 369 Prof A 35 30 Male 131950
## 370 Prof A 33 31 Male 134690
## 371 AssocProf A 13 8 Male 78182
## 372 Prof A 23 20 Male 110515
## 373 Prof A 12 7 Male 109707
## 374 Prof A 30 26 Male 136660
## 375 Prof A 27 19 Male 103275
## 376 Prof A 28 26 Male 103649
## 377 AsstProf A 4 1 Male 74856
## 378 AsstProf A 6 3 Male 77081
## 379 Prof A 38 38 Male 150680
## 380 AssocProf A 11 8 Male 104121
## 381 AsstProf A 8 3 Male 75996
## 382 Prof A 27 23 Male 172505
## 383 AssocProf A 8 5 Male 86895
## 384 Prof A 44 44 Male 105000
## 385 Prof A 27 21 Male 125192
## 386 Prof A 15 9 Male 114330
## 387 Prof A 29 27 Male 139219
## 388 Prof A 29 15 Male 109305
## 389 Prof A 38 36 Male 119450
## 390 Prof A 33 18 Male 186023
## 391 Prof A 40 19 Male 166605
## 392 Prof A 30 19 Male 151292
## 393 Prof A 33 30 Male 103106
## 394 Prof A 31 19 Male 150564
## 395 Prof A 42 25 Male 101738
## 396 Prof A 25 15 Male 95329
## 397 AsstProf A 8 4 Male 81035Extraer estadisticas de resumen
str(salaries)## 'data.frame': 397 obs. of 6 variables:
## $ rank : chr "Prof" "Prof" "AsstProf" "Prof" ...
## $ discipline : chr "B" "B" "B" "B" ...
## $ yrs.since.phd: int 19 20 4 45 40 6 30 45 21 18 ...
## $ yrs.service : int 18 16 3 39 41 6 23 45 20 18 ...
## $ sex : chr "Male" "Male" "Male" "Male" ...
## $ salary : int 139750 173200 79750 115000 141500 97000 175000 147765 119250 129000 ...salaries$rank <- as.factor(salaries$rank)
salaries$discipline <- as.factor(salaries$discipline)
salaries$sex <- as.factor(salaries$sex)
summary(salaries)## rank discipline yrs.since.phd yrs.service sex
## AssocProf: 64 A:181 Min. : 1.00 Min. : 0.00 Female: 39
## AsstProf : 67 B:216 1st Qu.:12.00 1st Qu.: 7.00 Male :358
## Prof :266 Median :21.00 Median :16.00
## Mean :22.31 Mean :17.61
## 3rd Qu.:32.00 3rd Qu.:27.00
## Max. :56.00 Max. :60.00
## salary
## Min. : 57800
## 1st Qu.: 91000
## Median :107300
## Mean :113706
## 3rd Qu.:134185
## Max. :231545MenTotal <- salaries[salaries$sex == "Male",c(1,2,3,4,6)]
FemTotal <- salaries[salaries$sex == "Female",c(1,2,3,4,6)]
MenInd1 <- round(c(mean(MenTotal$yrs.since.phd),median(MenTotal$yrs.since.phd),sd(MenTotal$yrs.since.phd),sd(MenTotal$yrs.since.phd)*100/mean(MenTotal$yrs.since.phd)),2)
MenInd2 <- round(c(mean(MenTotal$yrs.service),median(MenTotal$yrs.service),sd(MenTotal$yrs.service),sd(MenTotal$yrs.service)*100/mean(MenTotal$yrs.service)),2)
MenInd3 <- round(c(mean(MenTotal$salary),median(MenTotal$salary),sd(MenTotal$salary),sd(MenTotal$salary)*100/mean(MenTotal$salary)),2)
FemInd1 <- round(c(mean(FemTotal$yrs.since.phd),median(FemTotal$yrs.since.phd),sd(FemTotal$yrs.since.phd),sd(FemTotal$yrs.since.phd)*100/mean(FemTotal$yrs.since.phd)),2)
FemInd2 <- round(c(mean(FemTotal$yrs.service),median(FemTotal$yrs.service),sd(FemTotal$yrs.service),sd(FemTotal$yrs.service)*100/mean(FemTotal$yrs.service)),2)
FemInd3 <- round(c(mean(FemTotal$salary),median(FemTotal$salary),sd(FemTotal$salary),sd(FemTotal$salary)*100/mean(FemTotal$salary)),2)
ResumenMen <- cbind(MenInd1, MenInd2,MenInd3)
colnames(ResumenMen) <- c("Phd Experience", "Years Service", "Salary")
row.names(ResumenMen) <- c("Media","Mediana", "Desv. Est.", "Coef. Var.")
print("El resumen de los datos de los hombres es:")## [1] "El resumen de los datos de los hombres es:"ResumenMen## Phd Experience Years Service Salary
## Media 22.95 18.27 115090.42
## Mediana 22.00 18.00 108043.00
## Desv. Est. 13.04 13.23 30436.93
## Coef. Var. 56.81 72.38 26.45TablaRankMen <- round(prop.table(table(MenTotal$rank))*100,2)
TablaRankMen##
## AssocProf AsstProf Prof
## 15.08 15.64 69.27TablaDiscMen <- round(prop.table(table(MenTotal$discipline))*100,2)
TablaDiscMen##
## A B
## 45.53 54.47ResumenFem <- cbind(FemInd1, FemInd2,FemInd3)
colnames(ResumenFem) <- c("Phd Experience", "Years Service", "Salary")
row.names(ResumenFem) <- c("Media","Mediana", "Desv. Est.", "Coef. Var.")
print("El resumen de los datos de las mujeres es:")## [1] "El resumen de los datos de las mujeres es:"ResumenFem## Phd Experience Years Service Salary
## Media 16.51 11.56 101002.41
## Mediana 17.00 10.00 103750.00
## Desv. Est. 9.78 8.81 25952.13
## Coef. Var. 59.25 76.21 25.69TablaRankFem <- round(prop.table(table(FemTotal$rank))*100,2)
TablaRankFem##
## AssocProf AsstProf Prof
## 25.64 28.21 46.15TablaDiscFem <- round(prop.table(table(FemTotal$discipline))*100,2)
TablaDiscFem##
## A B
## 46.15 53.85Analisis descriptivo grafico
hist(MenTotal$yrs.service, col = "blue", xlim = c(min(MenTotal$yrs.service, FemTotal$yrs.service), max(MenTotal$yrs.service, FemTotal$yrs.service)), ylim = c(0, 80), main = "Anos Servicio (Hombres Vs Mujeres)", xlab = "Anos Servicio", ylab = "Frecuencia")
hist(FemTotal$yrs.service, col = "red", add = TRUE)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
hist(MenTotal$yrs.since.phd, col = "blue", xlim = c(min(MenTotal$yrs.since.phd, FemTotal$yrs.since.phd), max(MenTotal$yrs.since.phd, FemTotal$yrs.since.phd)), ylim = c(0, 50), main = "Anos Phd (Hombres Vs Mujeres)",xlab = "Anos Phd", ylab = "Frecuencia")
hist(FemTotal$yrs.since.phd, col = "red", add = TRUE)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
hist(MenTotal$salary, col = "blue", xlim = c(min(MenTotal$salary, FemTotal$salary), max(MenTotal$salary, FemTotal$salary)), ylim = c(0, 120), main = "Salario (Hombres Vs Mujeres)", xlab = "Salario", ylab = "Frecuencia")
hist(FemTotal$salary, col = "red", add = TRUE)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
Analisis Comparativo
datos <- list(MenTotal$salary, FemTotal$salary)
boxplot(datos, main = "Analisis comparativo de Salario por sexo ",col = c("blue", "red"), ylab = "Salario", names = c("Hombres", "Mujeres"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
datos <- list(MenTotal$yrs.since.phd, FemTotal$yrs.since.phd,MenTotal[MenTotal$discipline == "A",c(3)], FemTotal[FemTotal$discipline == "A",c(3)],MenTotal[MenTotal$discipline == "B",c(3)], FemTotal[FemTotal$discipline == "B",c(3)] )
boxplot(datos, main = "Analisis comparativo de Anos Phd por sexo - Disciplina",col = c("blue", "red","blue", "red","blue", "red"), ylab = "Anos Phd", names = c("TotalHombre", "TotalMujer","Dis_A_Hombre", "Dis_A_Mujer","Dis_B_Hombre", "Dis_B_Mujer"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
datos <- list(MenTotal$yrs.service, FemTotal$yrs.service,MenTotal[MenTotal$discipline == "A",c(4)], FemTotal[FemTotal$discipline == "A",c(4)],MenTotal[MenTotal$discipline == "B",c(4)], FemTotal[FemTotal$discipline == "B",c(4)] )
boxplot(datos, main = "Analisis comparativo de Anos Experiencia por sexo - Disciplina",col = c("blue", "red","blue", "red","blue", "red"), ylab = "Anos Experiencia", names = c("TotalHombre", "TotalMujer","Dis_A_Hombre", "Dis_A_Mujer","Dis_B_Hombre", "Dis_B_Mujer"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
datos <- list(MenTotal$salary, FemTotal$salary,MenTotal[MenTotal$discipline == "A",c(5)], FemTotal[FemTotal$discipline == "A",c(5)],MenTotal[MenTotal$discipline == "B",c(5)], FemTotal[FemTotal$discipline == "B",c(5)] )
boxplot(datos, main = "Analisis comparativo de salario por sexo - Disciplina",col = c("blue", "red","blue", "red","blue", "red"), ylab = "Salario", names = c("TotalHombre", "TotalMujer","Dis_A_Hombre", "Dis_A_Mujer","Dis_B_Hombre", "Dis_B_Mujer"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
datos <- list(MenTotal[MenTotal$rank == "AssocProf",c(3)], FemTotal[FemTotal$rank == "AssocProf",c(3)],MenTotal[MenTotal$rank == "AsstProf",c(3)], FemTotal[FemTotal$rank == "AsstProf",c(3)],MenTotal[MenTotal$rank == "Prof",c(3)], FemTotal[FemTotal$rank == "Prof",c(3)] )
boxplot(datos, main = "Analisis comparativo de Anos Phd por sexo - Rank",col = c("blue", "red","blue", "red","blue", "red"), ylab = "Anos Phd", names = c("Assoc_Hombre", "Assoc_Mujer","Asst_Hombre", "Asst_Mujer","Prof_Hombre", "Prof_Mujer"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
datos <- list(MenTotal[MenTotal$rank == "AssocProf",c(4)], FemTotal[FemTotal$rank == "AssocProf",c(4)],MenTotal[MenTotal$rank == "AsstProf",c(4)], FemTotal[FemTotal$rank == "AsstProf",c(4)],MenTotal[MenTotal$rank == "Prof",c(4)], FemTotal[FemTotal$rank == "Prof",c(4)] )
boxplot(datos, main = "Analisis comparativo de Anos Experiencia por sexo - Rank",col = c("blue", "red","blue", "red","blue", "red"), ylab = "Anos Experiencia", names = c("Assoc_Hombre", "Assoc_Mujer","Asst_Hombre", "Asst_Mujer","Prof_Hombre", "Prof_Mujer"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
datos <- list(MenTotal[MenTotal$rank == "AssocProf",c(5)], FemTotal[FemTotal$rank == "AssocProf",c(5)],MenTotal[MenTotal$rank == "AsstProf",c(5)], FemTotal[FemTotal$rank == "AsstProf",c(5)],MenTotal[MenTotal$rank == "Prof",c(5)], FemTotal[FemTotal$rank == "Prof",c(5)] )
boxplot(datos, main = "Analisis comparativo de salario por sexo - Rank",col = c("blue", "red","blue", "red","blue", "red"), ylab = "Salario", names = c("Assoc_Hombre", "Assoc_Mujer","Asst_Hombre", "Asst_Mujer","Prof_Hombre", "Prof_Mujer"), cex.axis = 0.6)
legend("topright", legend = c("Hombres", "Mujeres"), fill = c("blue", "red"))
means <- sapply(datos, mean)
points(1:length(datos), means, col = "orange", pch = 19)
groups <- salaries[,c(5)]
data <- salaries[,c(3,4,6)]
pairs(data,
labels = colnames(data),
pch = 21,
bg = rainbow(3)[groups],
col = rainbow(3)[groups],
main = "Salarios",
row1attop = TRUE,
gap = 1,
cex.labels = NULL,
font.labels = 1)
library(PerformanceAnalytics)## Warning: package 'PerformanceAnalytics' was built under R version 4.3.3## Loading required package: xts## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legend
data <- MenTotal[,c(3,4,5)]
print("Analisis de datos de salarios de los hombres")## [1] "Analisis de datos de salarios de los hombres"chart.Correlation(data, method = "pearson")## Warning in par(usr): argument 1 does not name a graphical parameter## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
data <- FemTotal[,c(3,4,5)]
print("Analisis de datos de salarios de las mujeres")## [1] "Analisis de datos de salarios de las mujeres"chart.Correlation(data, method = "pearson")## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
print("1. ¿Se evidencia una diferencia salarial entre hombres y mujeres?
En mi opinion no existen diferencias significativas entre los salarios de los Hombresn y las mujeres en este contexto. Al comparar los graficos de caja y bigotes de los salarios discrimados por sexo, y los datos tabulados se observa que hay una ligera diferencia en el promedio de salario en ambos casos. Esta diferencia se puede deber a algunos datos atipicos en el caso de los hombres que inducen un mayor sesgo positivo en la distribucion. Por otro lado la mediana es casi igual, lo que seria un indicio de igualdad ya que al ser casi iguales implicaria que la mitad de los profesores hombres y mujeres estan por debajo de ese valor y la otra mitad en ambos sexos estaria por encima. Por otro lado, el rango de variacion del total de la serie es casi el mismo y la mediana tambien es practicamente la misma.Es decir que en el global no existiria una diferencia significativa en salario. Sin embargo, se puede evidenciar que existe una diferencia significativa en el numero de profesores hombres y mujeres. En total en la muestra hay 39 mujeres y 358 hombres, asi que la diferencia podria ser mas bien en participacion. Es decir una relacion cercana a 9:1 entre hombres y mujeres. Por otro lado se evidencia que existe una diferencia de 6 anos aproximada entre los anos con doctorado y la experiencia entre hombre y mujeres, teniendo los hombres mas experiencia que las mujeres. Estas diferencias aproximadas de 6 anos se conservan incluso comparando las medianas.")## [1] "1. ¿Se evidencia una diferencia salarial entre hombres y mujeres?\nEn mi opinion no existen diferencias significativas entre los salarios de los Hombresn y las mujeres en este contexto. Al comparar los graficos de caja y bigotes de los salarios discrimados por sexo, y los datos tabulados se observa que hay una ligera diferencia en el promedio de salario en ambos casos. Esta diferencia se puede deber a algunos datos atipicos en el caso de los hombres que inducen un mayor sesgo positivo en la distribucion. Por otro lado la mediana es casi igual, lo que seria un indicio de igualdad ya que al ser casi iguales implicaria que la mitad de los profesores hombres y mujeres estan por debajo de ese valor y la otra mitad en ambos sexos estaria por encima. Por otro lado, el rango de variacion del total de la serie es casi el mismo y la mediana tambien es practicamente la misma.Es decir que en el global no existiria una diferencia significativa en salario. Sin embargo, se puede evidenciar que existe una diferencia significativa en el numero de profesores hombres y mujeres. En total en la muestra hay 39 mujeres y 358 hombres, asi que la diferencia podria ser mas bien en participacion. Es decir una relacion cercana a 9:1 entre hombres y mujeres. Por otro lado se evidencia que existe una diferencia de 6 anos aproximada entre los anos con doctorado y la experiencia entre hombre y mujeres, teniendo los hombres mas experiencia que las mujeres. Estas diferencias aproximadas de 6 anos se conservan incluso comparando las medianas."print("2. ¿Las diferencias salariales son atribuibles exclusivamente al género de los profesores?
O ¿existen otras características – factores de confusión, que pueden explicar la
diferencia salarial?
Para responder la pregunta 2 se sugiere que usted:
a. Compare las caracteristicas de antiguedad y experiencia academica de hombres y
mujeres. Compare tambien la distriucion de hombes y mujeres en el escalafon docent y
entre las areas teoricas/aplicada.
b. Verifique si esas caracteristicas diferenciales entre hombres y mujeres están también
relacionadas con el salario.
Una vez realizados analisis del salario por escalafon docente se pudo evidenciar que en las tres categorias Profesor, Asociado, y Asistente no existen diferencias pudiendo evidenciar que la mediana en estos casos es practicamente igual en ambos sexos y las pequenas diferencias que existen en la media se deben principalmente a datos atipicos. Estas diferencias igualmente son muy pequenas. Por otro lado, en relacion con las disciplinas se observan diferencias entre la media y la mediana en ambos sexos, tantos en la disciplina A como en la B, sin embargo estas dierencias podrian deberse a la evidente mayor experiencia que tienen los hombres en general. Adicionalmente analizando los correlogramas se puede concluir que la correlacion de los anos de experiencia y los anos de doctorado tienen una correlacion mayor con la variable salario, lo que genera que los salarios de las mujeres sean ligeramente menores ya que tienen menos anos de experiencia y menos anos desde que completaron el doctorado en general. Se recomienda depurar y comparar datos de hombres y mujeres con iguales experiencias para llegar a conclusiones mas claras.
") ## [1] "2. ¿Las diferencias salariales son atribuibles exclusivamente al género de los profesores?\nO ¿existen otras características – factores de confusión, que pueden explicar la\ndiferencia salarial?\nPara responder la pregunta 2 se sugiere que usted:\na. Compare las caracteristicas de antiguedad y experiencia academica de hombres y\nmujeres. Compare tambien la distriucion de hombes y mujeres en el escalafon docent y\nentre las areas teoricas/aplicada.\nb. Verifique si esas caracteristicas diferenciales entre hombres y mujeres están también\nrelacionadas con el salario.\nUna vez realizados analisis del salario por escalafon docente se pudo evidenciar que en las tres categorias Profesor, Asociado, y Asistente no existen diferencias pudiendo evidenciar que la mediana en estos casos es practicamente igual en ambos sexos y las pequenas diferencias que existen en la media se deben principalmente a datos atipicos. Estas diferencias igualmente son muy pequenas. Por otro lado, en relacion con las disciplinas se observan diferencias entre la media y la mediana en ambos sexos, tantos en la disciplina A como en la B, sin embargo estas dierencias podrian deberse a la evidente mayor experiencia que tienen los hombres en general. Adicionalmente analizando los correlogramas se puede concluir que la correlacion de los anos de experiencia y los anos de doctorado tienen una correlacion mayor con la variable salario, lo que genera que los salarios de las mujeres sean ligeramente menores ya que tienen menos anos de experiencia y menos anos desde que completaron el doctorado en general. Se recomienda depurar y comparar datos de hombres y mujeres con iguales experiencias para llegar a conclusiones mas claras. \n"