1. Introdução.

A Escola Oliveira é um Colégio e Curso administrado por Rodrigo Oliveira. O relatório sobre a Escola Oliveira tem o intuito de investigar a alegação de discriminação racial feita por professores da escola, como os Professores João, Washington e Michel. O objetivo do estudo é investigar e observar se de fato há discriminação racial na Escola Oliveira, por meio da base de dados. Através de dados como o salário dos professores, estado civil, idade, raça, sexo, desempenho e tempo de trabalho, descobriremos quais são as responsabilidades da escola, diante do caso relatado pelos professores.

  1. Defenção ao Racismo.

O racismo é uma prática de discriminação ou preconceito contra alguém de uma raça diferente, na qual desumaniza e separa indivíduos com base em características raciais. Diante disso, é essencial entender e reconhecer que todos os indivíduos são iguais e merecem respeito, independente de raça ou gênero. O combate ao racismo é uma ação conjunta e continua entre todos os seres humanos, promovendo a educação, inclusão, empatia, respeito e reconhecimento. Assim, os indivíduos poderão viver em uma sociedade justa e harmoniosa. Racismo e Injúria Racial é crime!

  1. Métodos.

Base de dados: As etapas que formam o Relatório da pesquisa desenvolvida neste trabalho serão expostas neste tópico.

Inicialmente, foi necessário selecionar e carregar a base de dados para o ambiente do RStudio. A fonte selecionada é uma base de dados da Escola Oliveira, na qual possui informações sobre o salário, estado civil, idade, raça, sexo, desempenho e tempo de trabalho dos professores, relacionada a Escola Oliveira.

A seguir, está a base de dados utilizada.

library(readxl)
EO <- read_excel("C:/Users/ACER/Downloads/Escola_Oliveira.csv (1).xlsx")
EO$casado = ifelse(EO$casado==0,"Solteiro","Casado")
EO$sexo = ifelse(EO$sexo==0,"Feminino","Masculino")
EO$raca = ifelse(EO$raca==0,"Não minoria","Minoria")
EO$anos_trabalho = gsub (",",".", EO$anos_trabalho)
EO$anos_trabalho = as.numeric(EO$anos_trabalho)
EO$grau_pagamento = ifelse(EO$grau_pagamento==1,"Professor Assistente",
                           ifelse(EO$grau_pagamento==2,"Professor Adjunto",
                                  "Professor Titular"))
library(tidyr)
EO = EO %>% drop_na (idade)

3.1. Ferramentas:

Primeiramente, foram elaboradas e utilizadas as ferramentas, como as médias e medianas das variáveis quantitativas para melhor análise. Em seguida, foram executados os gráficos e também, foram elaboradas as tabelas para observar melhor se há discriminação racial. Junto as tabelas, há comentários para melhor precisão de conclusão.

Além da construção e análise de dados, o estudo abrangeu testes de hipóteses.

3.1.1. Média:

Foram feitas as médias de todas as variáveis quantitativas da Base de Dados da Escola Oliveira. Confira a seguir:

mean(EO$anos_trabalho)
## [1] 2.965468
mean(EO$salario)
## [1] 1552.998
mean(EO$idade)
## [1] 27.25899
mean(EO$desempenho)
## [1] 6.122302

3.1.2. Mediana:

Além disso, foram feitas as medianas de todas as variáveis quantitativas da Base de Dados da Escola Oliveira. Confira a seguir:

median(EO$anos_trabalho)
## [1] 3
median(EO$salario)
## [1] 1410
median(EO$idade)
## [1] 25
median(EO$desempenho)
## [1] 6
median(EO$grau_pagamento)
## [1] "Professor Assistente"

3.1.3. Tabela com comentários:

A seguir, iremos verificar alguns gráficos feitos e analisados a partir da Base de Dados da Escola:

tabela = table(EO$grau_pagamento)
barplot(tabela, 
        col=c("whitesmoke","skyblue","blue"),
        ylim = c(0,200),
        main = "Gráfico 1 - Grau dos Professores")

A partir do Gráfico 1, observa-se que o grau dominante é Professor Assistente e que a quantidade de Professores Adjuntos e Professores Titulares é próxima. A segunda análise foi com a Raça.

tabela = table(EO$raca)
barplot(tabela, col=c("#A40E0E","#D45757"),
        ylim = c(0,250),
        main = "Gráfico 2 - Raça dos Professores")

A partir do Gráfico 2, observa-se que a raça dominante é Não minoria, podendo haver discriminação racial na Escola. Entretanto, tendo somente esses dados, a resposta ainda torna-se vaga. A terceira análise foi com o Gênero.

tabela = table(EO$sexo)
barplot(tabela, col=c("#BA87F4","#B4FF9D"),
        ylim = c(0,250),
        main = "Gráfico 3 - Gênero dos Professores")

A partir do Gráfico 3, observa-se que o gênero dominante é o Masculino. A quarta análise foi com o Estado Civil.

tabela = table(EO$casado)
barplot(tabela, col=c("#FFD913","#FFEE98"),
        ylim = c(0,250),
        main = "Gráfico 4 - Estado civil dos Professores")

A partir do Gráfico 4, observa-se que o Estado civil dominante é o Casado.

  1. Análise de dados: Posteriormente, foram elaborados os gráficos do tipo Boxplot entre as variáveis qualitativas Grau de Pagamento e Raça e a variável quantitativa salário.

Em seguida, foi executada a matriz de correlação entre as variáveis salário, idade, anos de trabalho e desempenho da Escola Oliveira.

Além da construção e análise de dados, o estudo abrangeu testes de hipóteses.

4.1. Boxplot:

Agora, pode-se observar o gráfico boxplot elaborado para visualização da relação entre os dados, Salário, Grau de Pagamento e Raça. Veja abaixo:

CODE: ggplot(EO, aes(x = grau_pagamento, y = salario, fill = raca)) + geom_boxplot() + labs(title = “Boxplot relacionado à raça, salário e grau de pagamento.”, x = “Grau de Pagamento”, y = “Salário”)

A partir do gráfico, observa-se que não há desigualdades salariais na Escola. No grau 1 - Professor Assistente, a média salarial da Minoria é maior que da Não minoria. Entretanto, no grau 2 - Professor Adjunto, a média salarial da Minoria é maior que da Não minoria. Além disso, no grau 3 - Professor Titular, a média salarial da Minoria é igual a da Não minoria.

4.2. Diagrama de dispersão:

Através do diagrama de dispersão, conseguimos visualizar de forma gráfica o valor numérico do coeficiente de correlação entre as variáveis. A primeira análise foi com as variáveis Desempenho e Salário.

plot(EO$salario,EO$desempenho,pch=19,col="#A40E0E",
     ylab = "Desempenho do Professor(a)",xlab = "Salário")
abline(lsfit(EO$salario,EO$desempenho),lwd=2,col="darkblue")

cor(EO$salario,EO$desempenho)
## [1] 0.8318623

A partir dos gráficos, observa-se que há uma correlação forte e positiva entre o salário e desempenho, algo completamente coerente. A segunda análise foi com as variáveis Salário e Anos de Trabalho.

plot(EO$salario,EO$anos_trabalho,pch=19,col="#A40E0E",
     ylab = "Anos de Trabalho",xlab = "Salário")
abline(lsfit(EO$salario,EO$anos_trabalho),lwd=2,col="darkblue")

cor(EO$salario,EO$anos_trabalho)
## [1] 0.7465443

A partir dos gráficos, observa-se que há uma correlação forte e positiva entre o salário e anos de trabalho, algo completamente coerente. A terceira análise foi com as variáveis Salário e Idade.

plot(EO$salario,EO$idade,pch=19,col="#A40E0E",
     ylab = "Idade",xlab = "Salário")
abline(lsfit(EO$salario,EO$idade),lwd=2,col="darkblue")

cor(EO$salario,EO$idade)
## [1] 0.09012435

A partir dos gráficos, observa-se que não há uma relação entre o salário e idade, algo completamente coerente.

4.3. Matriz de correlação: Uma matriz de correlação analítica permite a visualização gráfica e do valor numérico do coeficiente de correlação entre variáveis. Veja a seguir:

library(dplyr)
## 
## Anexando pacote: 'dplyr'
## Os seguintes objetos são mascarados por 'package:stats':
## 
##     filter, lag
## Os seguintes objetos são mascarados por 'package:base':
## 
##     intersect, setdiff, setequal, union
library(corrplot)
## corrplot 0.92 loaded
EO %>% 
  select(idade,salario,anos_trabalho,desempenho) %>% 
  na.omit() %>% cor() %>% round(3) %>% corrplot(addCoef.col=TRUE)

Como observado anteriormente, é possível verificar que as variáveis Salário e Idade possuem um fraco grau de associação, algo já esperado. Os pares Salário e Desempenho e Salário e Anos de Trabalho possuem um forte grau de associação. Uma vez que o Salário considera o desempenho do Professor no cálculo do pagamento, deve-se observar uma intensa relação. Em resumo, à medida que se aumenta o desempenho do Professor, maior tende a ser o salário.

  1. Conclusão:

De acordo com a pesquisa, os relatórios e a análise de dados, percebemos que não há discriminação racial na Escola Oliveira e que as responsabilidades da escola são compridas e realizadas como firmadas com os Professores.