Introducción

En este estudio se propone analizar, mediante un análisis ANOVA si existen diferencias significativas en los hábitos y preferencias sexuales de estudiantes universitarios de tres carreras distintas: economía, administración y contaduría. Paralelamente, se explora si la provincia (Valencia, Castellón y Alicante) de residencia en la Comunidad Valenciana impacta en los salarios semanales de sus habitantes. El objetivo del ANOVA es identificar y cuantificar si las variaciones observadas en estos comportamientos y resultados económicos están asociados con factores como la formación académica y la ubicación geográfica.

Para el análisis del primer caso de estudio, se emplean datos de encuestas realizadas por el departamento de Psicología de una universidad en Colombia sobre hábitos, preferencias y satisfacción sexual. Se busca conocer si los estudiantes de las carreras de economía, administración y contaduría presentan diferencias significativas en la frecuencia mensual de relaciones sexuales. A través de este análisis se busca comprender los patrones de comportamiento sexual en jóvenes universitarios, y diseñar políticas públicas en el ámbito de salud y bienestar estudiantil, fomentando programas de educación sexual adaptados a las necesidades de cada uno.

En cuanto al análisis para el caso de la diferencia salarial, se lleva a cabo en la Comunidad Valenciana, donde se encuestaron a 50 personas en cada una de las tres provincias (Valencia, Castellón y Alicante) para evaluar sus ingresos semanales. Por medio, este análisis se busca determinar si la ubicación geográfica afecta los niveles salariales y así, comprender e identificar estas variaciones para llevar a cabo la toma de decisiones que favorezcan un equilibrio en el ingreso entre provincias.

Ambos análisis, en conjunto, permiten observar cómo la educación y el lugar de residencia influyen en comportamientos y resultados económicos de distintos grupos. A través de estos estudios, se pretende generar un marco de referencia para el diseño de políticas públicas y programas de intervención que respondan a las características y necesidades específicas de cada población o escenario, fomentando un desarrollo social y económico más equitativo y sostenible

Ejercicio 1

Relaciones sexuales entre jóvenes universitarios, en 3 carreras diferentes.

El departamento de Psicología de una Universidad de Colombia ha realizado un estudio sobre hábitos, preferencias y satisfacción sexual en estudiantes universitarios. Hemos utilizado los datos que recogieron en sus encuestas y queremos conocer si existen diferencias entre la frecuencia mensual de relaciones sexuales de estudiantes universitarios pertenecientes a tres titulaciones universitarias diferentes:

Economía: 11 14 7 15 11 13 11 16 10 15 18 12 9 9 10 10 15 10 14 10 10 12 14 12 15 7 13 6 10 15 20 10 13 10 6 14 8 10 8 11

Administración: 13 10 12 7 5 10 10 16 9 7 7 2 6 9 9 8 8 10 3 6 5 2 9 3 4 5 10 8 5 9 10 8 13 10 0 2 1 1 0 4

Contaduría: 6 7 3 5 9 6 1 6 0 2 5 6 11 6 7 0 5 7 5 4 7 4 2 8 9 6 1 4 7 7 8 9 7 5 1 6 9 4 7 6

knitr::opts_chunk$set(echo = TRUE)

Economia<- c( 11, 14, 7, 15, 11, 13, 11, 16, 10, 15, 18, 12, 9, 9, 10, 10, 15, 10, 14, 10, 10, 12, 14, 12, 15, 7, 13, 6, 10, 15,
20, 10, 13, 10, 6, 14, 8, 10, 8, 11)
Administracion<- c(13, 10, 12, 7, 5, 10, 10, 16, 9, 7, 7, 2, 6, 9, 9, 8, 8, 10, 3, 6, 5, 2, 9, 3, 4, 5, 10, 8, 5, 9, 10, 8, 13, 10, 0, 2,
1, 1, 0, 4)
Contaduria<- c(6, 7, 3, 5, 9, 6, 1, 6, 0, 2, 5, 6, 11, 6, 7, 0, 5, 7, 5, 4, 7, 4, 2, 8, 9, 6, 1, 4, 7, 7, 8, 9, 7, 5, 1, 6, 9, 4, 7, 6)
relaciones<- data.frame(frecuencia= c(Economia,Administracion,Contaduria),
carrera=(c(rep(c("Economia", "Administracion", "Contaduria"), each =40))))
attach(relaciones)
head(relaciones)
##   frecuencia  carrera
## 1         11 Economia
## 2         14 Economia
## 3          7 Economia
## 4         15 Economia
## 5         11 Economia
## 6         13 Economia
# Crear un data frame con los datos
relaciones <- data.frame(
  frecuencia = c(Economia, Administracion, Contaduria),
  carrera = rep(c("Economia", "Administracion", "Contaduria"), each = 40)
)

# Crear el boxplot con colores personalizados
boxplot(frecuencia ~ carrera, col = c("pink", "purple", "blue"),
        ylab = "Número de frecuencia que los estudiantes tienen relaciones",
        data = relaciones)

Este gráfico de boxplot muestra la frecuencia con la que los estudiantes de Administración, Contaduría y Economía tienen relaciones sexuales en una universidad de Colombia. Al observar cada uno de los datos podemos notar que existen diferencias notables tanto en los valores promedios como en la variabilidad de la frecuencia entre los tres grupos, por lo tanto, podemos inferir que los estudiantes de economía presentan un mayor rango intercuartilico, lo que demuestra una mayor frecuencia al momento de mantener relaciones sexuales comparado con los otros dos grupos, esto nos indica que hay una mayor variabilidad y una media más alta en esta carrera, por su parte, los estudiantes de administración presentan un rango intercuartilico intermedio, es decir, menor que los de economía pero a su vez mayor que los de contaduría, esto indica que se presenta una variabilidad en la frecuencia de manera promedio al momento de mantener relaciones sexuales, lo que sugiere que su media puede estar más cerca de la mediana, por otro lado, los estudiantes de contaduría registran un menor rango intercuartilico y que su variabilidad es relativamente baja comparado con los otros dos grupos y que posiblemente su media esté más cerca de la mediana, lo que cuál significa que tienen una baja frecuencia al momento de tener relaciones sexuales.

tapply(frecuencia, carrera, mean)
## Administracion     Contaduria       Economia 
##           6.90           5.45          11.60
anova = aov( lm(frecuencia ~ carrera) )
options(scipen=999)
summary(anova)
##              Df Sum Sq Mean Sq F value            Pr(>F)    
## carrera       2  826.9   413.4   38.98 0.000000000000107 ***
## Residuals   117 1241.1    10.6                              
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

El análisis de varianza (ANOVA) de un factor es un método estadístico para examinar las diferencias en las medias de tres o más grupos. En este caso, existe un p-valor de 0.000000000000107 lo cuál es extremadamente pequeño, indicando que existe evidencia suficiente para rechazar la hipótesis nula, esto sugiere que todas la medias de las carreras son iguales, esto significa que al menos una de las medias de las carreras essignificativamente diferente de las demás. Por otro lado, la estadística f alta ( 38.98) sugiere que la variabilidad entre los grupos es considerablemente mayor que la variabilidad dentro de los grupos, lo cual respalda la existencia de diferencias significativas entre las medias.

plot(anova$residuals)

El gráfico anterior muestra la dispersión que existe entre los residuos, es decir, la diferencia de los valores que hay en el modelo, en este sentido podemos evidenciar que los residuos se encuentran distribuidos de una manera aleatoria e independiente, sin seguir un patrón entre los rangos de -5 y 5, por lo tanto, esto significa que se satisface el supuesto de independencia en el modelo

# Histograma de los residuos con color personalizado
hist(anova$residuals, col = "pink",  # color rosado
     main = "Histograma de Residuos",
     xlab = "Residuos")

# Gráfico Q-Q con colores personalizados
qqnorm(anova$residuals, col = "purple",  # color morado para los puntos
       main = "Gráfico Q-Q de Residuos")
qqline(anova$residuals, col = "#1C518F", lwd = 2)  # color azul para la línea y línea más gruesa

Se presentan dos gráficos de residuos dado el test de ANOVA para nuestro modelo explicado, entre estos tenemos, un histograma y un gráfico Q-Q.

- En el histograma podemos evidenciar valores extremos, tantos positivos y negativos indicando que no hay una distribución normal en el gráfico, así mismo, se puede ver que la mayoría de los residuos se agrupan alrededor de cero, lo que hace que haya cierta asimetría, es decir, no es totalmente asimétrico el gráfico.

- En el gráfico Q-Q se comparan principalmente los cuartiles de los residuos con los cuartiles teóricos de la distribución normal, por lo cuál, en este gráfico vemos que los puntos siguen la línea recta en la mayoría del rango central, lo que sugiere una distracción normal. Sin embargo, en los extremos podemos observar que algunos puntos se desvían de la línea, lo cuál nos indica la presencia de valores atípicos.

shapiro.test(anova$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  anova$residuals
## W = 0.98473, p-value = 0.1945

Puesto que el p-valor es de 0,1945, no hay suficiente evidencia para rechazar la hipótesis nula de que los errores siguen una distribución normal. Esto sugiere que el modelo ANOVA cumple con el supuesto de normalidad de los errores.

diferencias = TukeyHSD(anova)
diferencias
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = lm(frecuencia ~ carrera))
## 
## $carrera
##                            diff       lwr       upr     p adj
## Contaduria-Administracion -1.45 -3.178861 0.2788605 0.1189269
## Economia-Administracion    4.70  2.971139 6.4288605 0.0000000
## Economia-Contaduria        6.15  4.421139 7.8788605 0.0000000

COMPARACIÓN: Este test sirve para comparar las medias de la variable frecuencia entre diferentes niveles de la variable carrera, por lo cuál tenemos:

- Contaduría - Administración: Existe una diferencia promedio entre las carreras de -1.45 con un intervalo de confianza de 95% para está diferencia de -3.18 a 0.28, además el valor p tiene un valor fe 0.1189. Esto indica que no hay evidencia suficiente para rechazar la hipótesis nula, es decir, no hay una diferencia estadísticamente significativa entre ambas carreras.

- Economía - Administración: Existe una diferencia promedio entre las carreras de 4.70 con un intervalo de confianza de 2.97 a 6.43, así mismo el valor p esta ajustado a 0.0000 lo cuál nos indica que hay una diferencia estadísticamente significativamente entre las dos carreras.

- Economía - Contaduría: Existe una diferencia promedio de 6.15 con un intervalo de confianza de 4.42 a 7.88, así mismo tiene un valor p ajustado a 0.0000, esto significa que hay una diferencia significativa entre ambas carreras, aunque también se puede evidenciar que economía ha mostrado una frecuencia significa mayor a contaduría. Lo anterior indica que dado a qué dos comparaciones la cuál es de economía con administración y contaduría la diferencia entre estás son significativas, por otro lado no hay diferencia significativa entre contaduría y administración según el análisis de Tukey.

Polticas públicas: Al analizar los resultados de las diferentes carreras universitarias, se tiene que la carrera Economía, presenta mayor regularidad sexual, por ende, se recomiendan políticas publicas enfocadas en mejorar la educación y el bienestar sexual de los estudiantes en el ámbito universitario. Dado que las necesidades y comportamientos pueden variar según la carrera o el entorno académico, se propone como estrategia la implementación de programas de educación sexual más personalizados, que aborden temas como la salud sexual, las relaciones afectivas y la prevención de riesgos. Estos programas pueden adaptarse a los patrones observados en cada grupo estudiado, fomentando una vida sexual saludable y segura.

Así mismo, con la ayuda de departamento de psicología de la universidad, se pretende, dar apoyo psicológico y asesorías a los estudiantes o carreras para promover una visión más integral del bienestar de los jóvenes. La orientación psicológica puede jugar un papel importante para atender inquietudes personales, mejorar las habilidades para la toma de decisiones y reforzar la educación en temas de autocuidado y bienestar emocional. A través de servicios de apoyo que sean accesibles y confidenciales, se podría contribuir a que los estudiantes desarrollen relaciones más saludables, con una mayor comprensión y responsabilidad respecto a su propia vida sexual.

Ejercicio 2

Diferencias entre los salario según el tipo de ubicación

Nos gustaría saber si el salario varía en alguna de las 3 provincias de la Comunidad Valenciana. Para ello, se realizó un estudio con 50 personas por provincia a las que se preguntó su salario en euros por semana.

Valencia 299 313 300 321 308 312 300 310 281 308 309 300 303 303 311 308 291 298 276 290 310 308 295 310 286 295 289 293 291 297 297 287 297 302 298 301 313 290 306 313 294 308 295 303 316 299 313 296 290 299

Castellón: 252 248 232 229 256 233 240 237 248 232 230 246 236 250 238 243 245 241 235 249 238 231 230 239 261 243 242 245 249 258 245 236 244 242 229 246 244 244 255 247 236 252 237 259 248 237 236 252 236 239

Alicante: 272 268 285 274 278 287 297 275 269 281 270 284 282 281 280 286 265 283 281 272 269 286 268 288 284 282 304 280 283 281 281 286 287 288 278 272 268 287 269 272 270 271 291 265 280 280 275 294 269 277

valencia<- c(299,313,300,321,308,312,300,310,281,308,309,300,303,303,311,308,291,298,276,290,310,308,295,310,286,295,289,293,291,297,297,287,297,302,298,301,313,290,306,313,294,308,295,303,316,299,313,296,290,299)
castellon<- c(252,248,232,229,256,233,240,237,248,232,230,246,236,250,238,243,245,241,235,249,238,231,230,239,261,243,242,245,249,258,245,236,244,242,229,246,244,244,255,247,236,252,237,259,248,237,236,252,236,239)
alicante<- c(272,268,285,274,278,287,297,275,269,281,270,284,282,281,280,286,265,283,281,272,269,286,268,288,284,282,304,280,283,281,281,286,287,288,278,272,268,287,269,272,270,271,291,265,280,280,275,294,269,277)
salario<- data.frame(frecuencia= c(valencia,castellon,alicante),
provincia=(c(rep(c("valencia", "castellon", "alicante"), each =50))))
attach(salario)
## The following object is masked from relaciones:
## 
##     frecuencia
head(salario)
##   frecuencia provincia
## 1        299  valencia
## 2        313  valencia
## 3        300  valencia
## 4        321  valencia
## 5        308  valencia
## 6        312  valencia
# Ajustar los margenes para dejar espacio a la derecha
par(mar = c(5, 5, 4, 8)) 

# Crear el boxplot con nuevos colores personalizados
boxplot(frecuencia ~ provincia, col = c("#4F98C4", "#F6796A", "#B980A7"),
        ylab = "Diferencias entre los salarios segun el tipo de ubicacion",
        data = salario)

# Agregar la leyenda fuera del grafico
legend("topright", inset = c(-0.35, 0), legend = c("Valencia", "Alicante", "Castellon"),
       fill = c("#4F98C4", "#F6796A", "#B980A7"), xpd = TRUE, cex = 0.8)

El gráfico de cajas y bigotes anterior muestra la diferencia existente en los salarios dado el tipo de ubicación de tres provincias de España, es decir, Alicante, Castellón y Valencia. De esta forma, se evidencia que la provincia de Valencia cuenta con los salarios más altos, con una mediana cercana a 300 y un rango que varía entre 280 y 300 aproximadamente, presentando mayor dispersión en los salarios, es decir, una mayor variabilidad en los tipos de salario dentro de la provincia, por ejemplo, el salario en Valencia es bien remunerado debido al crecimiento de sectores como las finanzas, la tecnología y la salud. En 2022, el salario medio anual por trabajador en la Comunidad Valenciana fue de 26.948,87 euros, un 4,1% superior al año anterior. De otro modo, Alicante cuenta con una mediana de salarios un poco inferior a la de la provincia anteriormente mencionada, rondando a los 280, y así mismo, con un rango que de encuentra entre 260 y 300, reflejando una menor dispersión en los salarios comparado con Valencia pero mayor a la de Castellón.

Por último, Castellón muestra una mediana con salarios mucho más bajos, esto alrededor de 240, así mismo, con un rango que varía aproximadamente entre 230 y 250; de esta forma, contando con la dispersión en salarios más baja de las tres provincias, mostrando que esta cuenta con los salarios más uniformes. Por ejemplo, el salario medio bruto en Castellón al primer trimestre de 2024 es de 2.059,60 euros, lo que representa un aumento de 42,66 euros (2,76%) respecto al mismo periodo del año anterior. Asi bien, este incremento se debe a las subidas del salario mínimo interprofesional (SMI) y a los acuerdos alcanzados en los convenios. Sin embargo, el índice de precios al consumo (IPC) en la provincia ha sido de un 3,3% interanual en junio, lo que significa que los trabajadores no pierden poder adquisitivo, pero

La situación que anteriormente se describe, es decir, las diferencias entre las medianas de los salarios en las tres provincias, se da principalmente porque Valencia cuenta con un mercado laboral mucho más diversificado y además con empleos que ofrecen un salario mucho más alto; por otro lado, en la provincia Castellón la situación es diferente debido a la ausencia de industria, es decir, a la falta de oportunidades laborales.

tapply(frecuencia, provincia, mean)
##  alicante castellon  valencia 
##    279.10    242.40    300.64
anova = aov( lm(frecuencia ~ provincia) )
options(scipen=999)
summary(anova)
##              Df Sum Sq Mean Sq F value              Pr(>F)    
## provincia     2  86713   43356     558 <0.0000000000000002 ***
## Residuals   147  11422      78                                
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

El test de ANOVA constituye la herramienta básica para el estudio del efecto de uno o más factores sobre la media de una variable continua, en este caso, dado el test realizado a las 3 provincias, se obtuvo un p valor de 0.0000000000000002, indicando un valor por debajo de 0.05, por lo cual existen evidencias suficientes para rechazar la hipótesis nula de que las medias son iguales en todas las poblaciones. Por otro lado, dado un valor F de 558, indicando la relación entre la variable explicada por el modelo y la variabilidad residual; este valor tan alto nos refleja la presencia de una diferencia significativa entre al menos dos de las provincias, como por ejemplo, la diferencia entre Valencia y Castellón.

plot(anova$residuals)

El anterior gráfico muestra la dispersión que existe en los residuos del modelo de ANOVA, es decir, la diferencia entre los valores observados y los predichos dentro del modelo. Según lo evidenciado, los residuos parecen estar distribuidos de manera aleatoria en torno a cero, sin ninguna estructura o algún patrón claro. De esta forma, los residuos se presentan en un rango aproximado de -20 y 20 pero alrededor de cero con máxima presencia; por lo cual no se observa ninguna tendencia ascendente o descendente indicando que los puntos implica una relación lineal entre las variables.

# Histograma de los residuos con color personalizado
hist(anova$residuals, col = "#AC64B9",  # lila
     main = "Histograma de Residuos",
     xlab = "Residuos")

# Gráfico Q-Q con colores personalizados
qqnorm(anova$residuals, col = "#9900CC",  # púrpura para los puntos
       main = "Grafico Q-Q de Residuos")
qqline(anova$residuals, col = "gray", lwd = 2)  # línea azul y más gruesa

Se presentan dos gráficos de residuos dado el test de ANOVA para nuestro modelo explicado, entre estos tenemos, un histograma y un grafico de Q-Q, de esta forma:

- En el histograma se evidencia una distribución en forma asimétrica de los residuos centrada al rededor de 0, indicando de una buena manera que los residuos pueden aproximarse a una distribución normal, pero parece haber una ligera asimetría hacia la derecha, es decir, que algunos valores son positivos más alejados de 0 con respecto a los negativos.

- En el gráfico Q-Q, se compara principalmente los cuantiles de los residuos con los cuantiles teóricos de la distribución normal. Por lo cual, en este caso, el modelo sigue perfectamente una distribución normal, por que todos los puntos están alineados sobre la línea gris, principalmente el rango central. Sin embargo, algunos puntos se alejan de la línea, indicando cierta desviación de la normalidad en las colas pero con poca significancia, es decir, leves desviaciones.

shapiro.test(anova$residuals)
## 
##  Shapiro-Wilk normality test
## 
## data:  anova$residuals
## W = 0.99194, p-value = 0.5574

Dado que el p-valor es de 0,5574, no hay suficiente evidencia para rechazar la hipótesis nula de que los errores siguen una distribución normal. Esto sugiere que el modelo ANOVA cumple con el supuesto de normalidad de los errores.

diferencias = TukeyHSD(anova)
diferencias
##   Tukey multiple comparisons of means
##     95% family-wise confidence level
## 
## Fit: aov(formula = lm(frecuencia ~ provincia))
## 
## $provincia
##                      diff       lwr       upr p adj
## castellon-alicante -36.70 -40.87415 -32.52585     0
## valencia-alicante   21.54  17.36585  25.71415     0
## valencia-castellon  58.24  54.06585  62.41415     0

COMPARACIÓN: Este test, sirve para comparar las medias de la variable frecuencia entre diferentes niveles de la variable provincia, por lo cual tenemos:

- Castellón - Alicante: Existe una diferencia en la media de -36.70, es decir, Castellón tiene una media frecuencia de 36.70 puntos menores. De esta forma, dado un p valor de 0 indica que existe una diferencia estadística significativa.

- Valencia - Alicante: Existe una diferencia de media de 21.54, es decir, Valencia tiene una media de 21.54 puntos mayores que Alicante, de esta forma un p valor de 0, indicando que la diferencia es estadísticamente significativa.

- Valencia - Castellano: Existe una diferencia de media de 58.24, es decir, Valencia tiene una media de 48?25 mayores que Castellón, de esta forma, dado un p valor de 0, indica que existe una diferencia de media significativa.

Lo anterior indica que dado a que todas las comparaciones tienen un p valor de 0, significa que ninguna de las medias es igual en las provincias y son significativas, es decir, todas las observaciones tienen un efecto notable en la variable frecuencia.

Decisiones que es gobierno podria toma para afrontar la brecha salarial

Al analizar los resultados se observa disparidades salariales en las provincias de Valencia, Alicante y Castellón, siendo Valencia la provincia con mejor nivel salarial. Para afrontar esta desigualdad salarial, el gobierno debería implementar políticas que fomenten el desarrollo económico en Castellón y Alicante, elevando las condiciones salariales en estas provincias. Para ello, se podría incentivar la diversificación económica en Castellón y Alicante, promoviendo sectores como la tecnología, la innovación y el industrial que tienden a ofrecer mejores salarios. Esto podría lograrse mediante subvenciones a empresas que inviertan en investigación y desarrollo, como en la provincia de Valencia.

Por otro lado, mejorar la infraestructura de transporte y la conectividad entre las tres provincias permitiría una mayor movilidad laboral, lo que podría equilibrar las oportunidades salariales al facilitar que los habitantes de Alicante y Castellón accedan a empleos en Valencia, y viceversa. Así mismo, fomentar la educación y la capacitación es esencial para reducir la brecha salarial. Aumentar la oferta de formación universitaria y técnica en Alicante y Castellón en áreas como la ingeniería, la informática o la biotecnología, alineadas con las necesidades del mercado laboral, permitiría a los residentes de estas provincias acceder a empleos de mayor calidad en el mercado laboral.

CONCLUSIÓN

En el análisis ANOVA del primer caso de estudio, se observó una diferencia estadísticamente significativa en la frecuencia de relaciones sexuales entre estudiantes de las carreras de economía, administración y contaduría. En particular, los estudiantes de la carrera de economía presentaron una mayor frecuencia en la actividad en comparación con los estudiantes de administración y contaduría. Este hallazgo, obtenido a través de un análisis ANOVA, permite concluir que la elección de carrera podría estar correlacionada con ciertos comportamientos y patrones sociales, en este caso, en relación con la vida sexual de los estudiantes.

En el segundo caso de estudio, se encontró una variación significativa en el nivel salarial entre las provincias de Valencia, Alicante y Castellón, siendo Valencia la provincia con mayor nivel salarial. Esto sugiere que las diferencias en el desarrollo económico, las oportunidades laborales y posiblemente la inversión en sectores de alto valor agregado en cada provincia está contribuyendo a esta disparidad salarial. El análisis econométrico de estos datos podría ayudar a identificar los factores específicos que impulsan los salarios en Valencia en comparación con las otras dos provincias. Lo anterior se debe a que Valencia está caracterizado por su actividad económica en sectores industriales y de servicios con mayor remuneración, una mayor demanda de habilidades especializadas y economía diversificada (Monserrate, 2023).

En ambos estudios, el análisis ANOVA permitió detectar diferencias significativas en variables relevantes, resaltando cómo factores individuales o regionales pueden impactar aspectos importantes como los patrones de comportamiento social en estudiantes y las condiciones salariales en distintas regiones.