#Cargar las librerías necesarias
options(repos = c(CRAN = "https://cran.rstudio.com/"))
install.packages("tidyr", repos = "https://cran.rstudio.com/")
## package 'tidyr' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\Yulissa Lozano\AppData\Local\Temp\RtmpSMOR5I\downloaded_packages
install.packages("tidyr")
## package 'tidyr' successfully unpacked and MD5 sums checked
## 
## The downloaded binary packages are in
##  C:\Users\Yulissa Lozano\AppData\Local\Temp\RtmpSMOR5I\downloaded_packages
library(tidyr)
library(ggplot2)
library(dplyr)
library(readr)
library(RColorBrewer)
library(tibble)
En el presente análisis, se exploran diversas variables relacionadas con la discriminación que enfrentan las mujeres en diferentes contextos sociales y laborales. Las encuesta utilizada Encuesta Nacional sobre Discriminación 2022 proporcionan una visión clara de las percepciones sobre el respeto a los derechos de las mujeres, así como de las causas y ámbitos en los que experimentan discriminación. A través de gráficos y análisis descriptivos, buscamos ilustrar la magnitud y los factores que influyen en estas experiencias, con el fin de contribuir al entendimiento de las problemáticas de discriminación y de género en la sociedad actual.

1. Gráfico de barras de respeto a los derechos de las mujeres

#Leer los datos
diccionario <- read_csv("C:/Users/Yulissa Lozano/Downloads/diccionario_de_datos_tmujer_enadis2022.csv")
data <- read_csv("C:/Users/Yulissa Lozano/Downloads/conjunto_de_datos_tmujer_enadis2022.csv")
data <- as_tibble(data)

# Este gráfico muestra el porcentaje de mujeres que perciben respeto a sus derechos
data %>%
  filter(!is.na(PM8_1)) %>%  # Filtrar datos válidos
  mutate(PM8_1_text = recode(PM8_1, 
                             `1` = "Mucho", 
                             `2` = "Algo", 
                             `3` = "Poco", 
                             `4` = "Casi nada", 
                             `9` = "Nada")) %>%  # Recodificar los valores numéricos a texto
  group_by(PM8_1_text) %>%
  summarize(count = n()) %>%
  mutate(percentage = count / sum(count) * 100) %>%
  ggplot(aes(x = PM8_1_text, y = percentage, fill = PM8_1_text)) +
  geom_bar(stat = "identity", color = "black") +
  scale_fill_brewer(palette = "Pastel1") +
  labs(title = "Percepción del respeto a los derechos de las mujeres",
       x = "Nivel de respeto percibido",
       y = "Porcentaje",
       fill = "Respeto") +
  theme_minimal()

Percepción del respeto a los derechos de las mujeres, muestra cómo se percibe el respeto a los derechos, ayudando a identificar posibles problemas de negación de derechos.
Usar una paleta de colores suaves y barras simples facilita la interpretación rápida.

2. Gráfico de barras sobre ámbitos de discriminación

#Este gráfico destaca en qué ámbitos las mujeres han experimentado discriminación
#Reorganizar los datos y asignar los nuevos nombres
data_long <- data %>%
  filter(!is.na(PM9_7_1) | !is.na(PM9_7_2) | !is.na(PM9_7_3) | !is.na(PM9_7_4) | 
           !is.na(PM9_7_5) | !is.na(PM9_7_6) | !is.na(PM9_7_7) | !is.na(PM9_7_8) | 
           !is.na(PM9_7_9)) %>%
  pivot_longer(cols = starts_with("PM9_7"), 
               names_to = "Ambito",
               values_to = "Discriminacion") %>%
  filter(!is.na(Discriminacion)) %>%
  #Cambiar nombres de las variables "Ambito"
  mutate(Ambito = recode(Ambito,
                         "PM9_7_1" = "Trabajo o escuela",
                         "PM9_7_2" = "Familia",
                         "PM9_7_3" = "Servicios médicos",
                         "PM9_7_4" = "Oficinas de gobierno",
                         "PM9_7_5" = "Negocios, centros comerciales o bancos",
                         "PM9_7_6" = "Calle o transporte público",
                         "PM9_7_7" = "Redes Sociales",
                         "PM9_7_8" = "Policía, ministerios públicos o fiscalías",
                         "PM9_7_9" = "Otro")) %>%
  #Cambiar niveles de "Discriminacion"
  mutate(Discriminacion = recode(Discriminacion,
                                 `1` = "Poco",
                                 `2` = "Algo",
                                 `3` = "Mucho"))

#Gráfico de barras apiladas para los distintos ámbitos de discriminación
data_long %>%
  group_by(Ambito, Discriminacion) %>%
  summarize(count = n()) %>%
  mutate(percentage = count / sum(count) * 100) %>%
  ggplot(aes(x = reorder(Ambito, -percentage), y = percentage, fill = as.factor(Discriminacion))) +
  geom_bar(stat = "identity", color = "black") +
  scale_fill_brewer(palette = "Set3") +
  labs(title = "Ámbitos de discriminación experimentados por mujeres",
       x = "Ámbito de discriminación",
       y = "Porcentaje",
       fill = "Nivel de discriminación") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

En este caso, se utilizó un gráfico de barras apiladas para mostrar la distribución de la discriminación experimentada por las mujeres en distintos ámbitos de la vida cotidiana (por ejemplo, trabajo, familia, servicios médicos, etc.). Este tipo de gráfico es ideal para visualizar de manera clara las proporciones de discriminación en cada contexto y comparar fácilmente los diferentes ámbitos.
Se utilizó la paleta de colores “Set3” de RColorBrewer para asegurar una diferenciación clara entre los niveles de discriminación (“Poco”, “Algo” y “Mucho”). Los colores suaves y diferenciados permiten que el lector distinga rápidamente entre las categorías de discriminación, haciendo el gráfico más accesible y fácil de interpretar.

3. Gráfico de barras sobre causas de discriminación

#Reorganizar los datos y asignar los nuevos nombres
data_long <- data %>%
  filter(!is.na(PM9_5_7_1) | !is.na(PM9_5_7_2) | !is.na(PM9_5_7_3) | !is.na(PM9_5_7_4) | 
           !is.na(PM9_5_7_5) | !is.na(PM9_5_7_6) | !is.na(PM9_5_7_7) | !is.na(PM9_5_7_8)) %>%
  pivot_longer(cols = starts_with("PM9_5_7"), 
               names_to = "Causa",
               values_to = "Discriminacion") %>%
  filter(!is.na(Discriminacion)) %>%
  #Cambiar nombres de las variables "Causa"
  mutate(Causa = recode(Causa,
                        "PM9_5_7_1" = "Por ser persona indígena",
                        "PM9_5_7_2" = "Por ser persona afrodescendiente",
                        "PM9_5_7_3" = "Por ser persona con discapacidad",
                        "PM9_5_7_4" = "Por nacer en el extranjero o cambiar de residencia",
                        "PM9_5_7_5" = "Por su religión",
                        "PM9_5_7_6" = "Por su edad",
                        "PM9_5_7_7" = "Por ser mujer",
                        "PM9_5_7_8" = "Por otra situación")) %>%
  #Cambiar niveles de "Discriminacion"
  mutate(Discriminacion = recode(Discriminacion,
                                 `1` = "Poco",
                                 `2` = "Algo",
                                 `9` = "Mucho"))

#Gráfico de barras sobre causas de discriminación
data_long %>%
  group_by(Causa, Discriminacion) %>%
  summarize(count = n()) %>%
  mutate(percentage = count / sum(count) * 100) %>%
  ggplot(aes(x = reorder(Causa, -percentage), y = percentage, fill = as.factor(Discriminacion))) +
  geom_bar(stat = "identity", color = "black") +
  scale_fill_brewer(palette = "Blues") +
  labs(title = "Causas de discriminación contra mujeres",
       x = "Causa de Discriminación",
       y = "Porcentaje",
       fill = "Nivel de Discriminación") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

Similar al gráfico 2, se empleó un gráfico de barras apiladas para mostrar las principales causas de discriminación que enfrentan las mujeres. Este tipo de visualización es apropiado para comparar cómo se distribuyen las diferentes causas de discriminación (como la edad, el género, la discapacidad, entre otras) y la intensidad con la que las mujeres perciben estas discriminaciones.
En este gráfico, se utilizó la paleta “Blues” de RColorBrewer, que proporciona una gama de tonos azules. Estos colores fueron seleccionados para transmitir una sensación de seriedad y claridad, al mismo tiempo que facilitan la distinción de las categorías de discriminación en los distintos niveles (Poco, Algo, Mucho). Los tonos azules son una elección apropiada para un tema sensible como la discriminación, ya que no son demasiado intensos, pero mantienen la atención del espectador sin distraerlo del mensaje central.