Ja que el nostre fitxer de dades inicial contenia moltes variables que no utilitzavem, com per exemple l’any ja que sabem que tots els valors d’aquesta variable es el mateix perque el nostre fitxer només té en compte la informació dels accessos a universitats durant el curs 2023-2024.
Per a poder traballar amb les dades necessaries hem decidit retallar el fitxer inicial passant de 37 variables a tenir-ne 4. Concretament: El nom del centre, la titulacio (el grau), el nombre de matriculats per ebau i el nombre de matricultats per fp.
dades_seleccionades## centro
## 1 Isen Formación Universitaria
## 2 Isen Formación Universitaria
## 3 Escuela Universitaria Adscrita de Enfermería de la Comunidad Autonoma
## 4 Facultad de Turismo
## 5 Isen Formación Universitaria
## 6 Facultad de Turismo
## 7 Isen Formación Universitaria
## 8 Facultad de Economía y Empresa
## 9 Facultad de Bellas Artes
## 10 Facultad de Biología
## 11 Facultad de Química
## 12 Facultad de Biología
## 13 Facultad de Informática
## 14 Facultad de Letras
## 15 Facultad de Veterinaria
## 16 Facultad de Biología
## 17 Facultad de Derecho
## 18 Facultad de Ciencias del Deporte
## 19 Facultad de Comunicación y Documentación
## 20 Facultad de Derecho
## 21 Facultad de Derecho
## 22 Facultad de Economía y Empresa
## 23 Facultad de Educación
## 24 Facultad de Educación
## 25 Facultad de Educación
## 26 Facultad de Ciencias Sociosanitarias
## 27 Facultad de Enfermería
## 28 Facultad de Letras
## 29 Facultad de Letras
## 30 Facultad de Comunicación y Documentación
## 31 Facultad de Medicina
## 32 Facultad de Letras
## 33 Facultad de Filosofía
## 34 Facultad de Medicina
## 35 Facultad de Química
## 36 Facultad de Comunicación y Documentación
## 37 Facultad de Letras
## 38 Facultad de Letras
## 39 Facultad de Informática
## 40 Facultad de Química
## 41 Facultad de Letras
## 42 Facultad de Psicología
## 43 Facultad de Economía y Empresa
## 44 Facultad de Matemáticas
## 45 Facultad de Medicina
## 46 Facultad de Ciencias Sociosanitarias
## 47 Facultad de Medicina
## 48 Facultad de Educación
## 49 Facultad de Comunicación y Documentación
## 50 Facultad de Psicología
## 51 Facultad de Comunicación y Documentación
## 52 Facultad de Química
## 53 Facultad de Ciencias del Trabajo
## 54 Facultad de Economía y Empresa
## 55 Facultad de Ciencias Sociosanitarias
## 56 Facultad de Trabajo Social
## 57 Facultad de Letras
## 58 Facultad de Letras
## 59 Facultad de Veterinaria
## 60 Facultad de Óptica y Optometría
## 61 Facultad de Educación
## 62 Facultad de Matemáticas
## 63 Facultad de Matemáticas
## 64 Facultad de Derecho
## 65 Facultad de Química
## 66 Facultad de Educación
## 67 Facultad de Ciencias del Deporte
## 68 Facultad de Derecho
## titulacion
## 1 Grado en Educación Infantil (Cartagena)
## 2 Grado en Educación Primaria (Cartagena)
## 3 Grado en Enfermería (Cartagena)
## 4 Grado en Relaciones Internacionales
## 5 Grado en Seguridad
## 6 Grado en Turismo
## 7 Prog. Conjunta Est. Ofic. Grado Educa. Infantil y Grado Educa. Primaria (Isen)
## 8 Grado en Administración y Dirección de Empresas
## 9 Grado en Bellas Artes
## 10 Grado en Biología
## 11 Grado en Bioquímica
## 12 Grado en Biotecnología
## 13 Grado en Ciencia e Ingeniería de Datos
## 14 Grado en Ciencia y Tecnología Geográficas
## 15 Grado en Ciencia y Tecnología de Los Alimentos
## 16 Grado en Ciencias Ambientales
## 17 Grado en Ciencias Políticas, Gobierno y Administración Pública
## 18 Grado en Ciencias de la Actividad Física y del Deporte
## 19 Grado en Comunicación Audiovisual
## 20 Grado en Criminología
## 21 Grado en Derecho
## 22 Grado en Economía
## 23 Grado en Educación Infantil
## 24 Grado en Educación Primaria
## 25 Grado en Educación Social
## 26 Grado en Enfermería (Lorca)
## 27 Grado en Enfermería (Murcia)
## 28 Grado en Estudios Franceses
## 29 Grado en Estudios Ingleses
## 30 Grado en Estudios de Comunicación y Medios/Bachelor in Communication and Media S
## 31 Grado en Farmacia
## 32 Grado en Filología Clásica
## 33 Grado en Filosofia
## 34 Grado en Fisioterapia
## 35 Grado en Física
## 36 Grado en Gestión de Información y Contenidos Digitales
## 37 Grado en Historia
## 38 Grado en Historia del Arte
## 39 Grado en Ingeniería Informática
## 40 Grado en Ingeniería Química
## 41 Grado en Lengua y Literatura Españolas
## 42 Grado en Logopedia
## 43 Grado en Marketing
## 44 Grado en Matemáticas
## 45 Grado en Medicina
## 46 Grado en Nutrición Humana y Dietética
## 47 Grado en Odontología
## 48 Grado en Pedagogía
## 49 Grado en Periodismo
## 50 Grado en Psicología
## 51 Grado en Publicidad y Relaciones Públicas
## 52 Grado en Química
## 53 Grado en Relaciones Laborales y Recursos Humanos (Murcia)
## 54 Grado en Sociología
## 55 Grado en Terapia Ocupacional
## 56 Grado en Trabajo Social
## 57 Grado en Traducción e Interpretación
## 58 Grado en Traducción e Interpretación
## 59 Grado en Veterinaria
## 60 Grado en Óptica y Optometría
## 61 Pceo de Grado en Educación Primaria y Grado Cc. Actividad Física y Deporte
## 62 Prog Conjunta de Estudios Oficiales Grado Matemáticas y Grado Ing. Informática
## 63 Prog Conjunta de Estudios Oficiales Grado en Matemáticas y Grado en Física
## 64 Prog. Conjunta de Estudios Of. de Grado en Criminología y Grado en Seguridad
## 65 Prog. Conjunta de Estudios Of. de Grado en Química y Grado en Ingeniería Química
## 66 Prog. Conjunta de Estudios Ofic. Grado Educa. Infantil y Grado Educa. Primaria
## 67 Programa Académico de Simultaneidad de Doble Titulación con Itinerario Específico de Grado en Ciencias de la Actividad Física y del Deporte y Grado en Nutrición Humana y Dietética
## 68 Programación Conjunta de Estudios Oficiales de Grado en Ade y Grado en Derecho
## matriculados_ebau matriculados_de_fp
## 1 30 14
## 2 83 4
## 3 32 12
## 4 90 5
## 5 14 3
## 6 17 3
## 7 40 0
## 8 319 26
## 9 85 9
## 10 79 7
## 11 75 3
## 12 50 6
## 13 41 0
## 14 9 0
## 15 43 6
## 16 31 2
## 17 33 3
## 18 85 16
## 19 58 3
## 20 54 0
## 21 343 3
## 22 137 2
## 23 115 19
## 24 251 14
## 25 90 39
## 26 40 23
## 27 135 32
## 28 11 1
## 29 141 0
## 30 30 1
## 31 49 1
## 32 41 0
## 33 38 2
## 34 54 18
## 35 61 0
## 36 48 2
## 37 113 4
## 38 49 3
## 39 226 4
## 40 68 0
## 41 78 1
## 42 57 13
## 43 68 3
## 44 68 0
## 45 171 27
## 46 24 22
## 47 25 13
## 48 72 7
## 49 51 3
## 50 189 7
## 51 55 6
## 52 57 5
## 53 95 12
## 54 14 5
## 55 11 15
## 56 99 34
## 57 25 0
## 58 71 0
## 59 66 17
## 60 47 12
## 61 58 14
## 62 40 0
## 63 20 0
## 64 24 0
## 65 18 1
## 66 66 1
## 67 19 1
## 68 92 0Si a les nostres dades, en especific els matricuats per ebau, apliquem la funcio summary podem veure diferents punts d’interes als nostres valors. Per exemple veiem que la mitjana d’entrada per carrera per ebau son 73.35 persones i que podem assegurar en un 50% que hi haurà entre 32.75 i 85 persones que entren a la carrera per ebau.
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 9.00 32.75 56.00 73.35 85.00 343.00Seguint el mètode de bootstrap podem mesurar la incertesa de les nostres regenerant les mostres obtenint que tenim una mitjana de 85.47 en comptes de una mitjana de 73.35 que ens havia sortit al resultat anterior.
ebau_sample = sample(dades_seleccionades$matriculados_ebau, size = nrow(dades_seleccionades), replace = TRUE)
mean(ebau_sample)## [1] 85.47059Per a tenir una idea de les mitjanes que podem tenir repetim això un nombre de cops elevat, en el nostre cas 1000. Com podem veure ens surt 73.10
ebau_means = map_dbl(1:1000, function(i){
mean(sample(dades_seleccionades$matriculados_ebau, size = nrow(dades_seleccionades), replace = TRUE))
})
summary(ebau_means)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 51.07 67.82 72.62 73.10 78.15 100.32També podem veure que el 90% dels cops tindrem: Entre uns 60.79 i 86.46 persones. El 95% dels cops tindrem: Entre uns 58.33 i 89.54 persones. I el 99% tindrem: Entre uns 54.08 i 96.97 persones.
F_sl = c(0.005, 0.025, 0.05, 0.95, 0.975, 0.995)
quantile(ebau_means, F_sl)## 0.5% 2.5% 5% 95% 97.5% 99.5%
## 54.08713 58.33456 60.79853 86.46250 89.53934 96.97110Ara seguirem el mateix mètode de bootstrap per a la gent que entra a la carrera per fp, apliquem la funcio summary podem veure diferents punts d’interes als nostres valors. Per exemple veiem que la mitjana d’entrada per carrera per ebau son 7.485 persones i que podem assegurar en un 50% que hi haurà entre 1 i 12.5 persones que entren a la carrera per ebau.
summary(dades_seleccionades$matriculados_de_fp)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.000 3.000 7.485 12.250 39.000Seguint el mètode de bootstrap podem mesurar la incertesa de les nostres regenerant les mostres obtenint que tenim una mitjana de 6.75 persones en comptes de una mitjana de 7.485 que ens havia sortit al resultat anterior.
fp_sample = sample(dades_seleccionades$matriculados_de_fp, size = nrow(dades_seleccionades), replace = TRUE)
mean(fp_sample)## [1] 6.75Per a tenir una idea de les mitjanes que podem tenir repetim això un nombre de cops elevat, en el nostre cas 1000. Com podem veure ens surt unes 7.504 persones
fp_means = map_dbl(1:1000, function(i){
mean(sample(dades_seleccionades$matriculados_de_fp, size = nrow(dades_seleccionades), replace = TRUE))
})
summary(fp_means)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.147 6.776 7.441 7.504 8.191 11.176També podem veure que el 90% dels cops tindrem: Entre 5.72 i 9.44 persones. El 95% dels cops tindrem: Entre 5.32 i 9.82 persones. I el 99% tindrem: Entre 4.88 i 10.59 persones.
F_sl = c(0.005, 0.025, 0.05, 0.95, 0.975, 0.995)
quantile(fp_means, F_sl)## 0.5% 2.5% 5% 95% 97.5% 99.5%
## 4.881471 5.323529 5.720588 9.442647 9.823897 10.588382Prova utilitzada: ANOVA d’un factor (comparació de mitjanes
del percentatge via FP entre dos grups).
Assumpcions (normalitat i homoscedasticitat) verificades visualment i
considerades raonables.
Si a les nostres dades, en especifiquem els matriculats totals i els matriculats per FP, apliquem les transformacions per obtenir: total, fp, no_fp i per_fp (percentatge via FP). També creem la variable is_stem per classificar les titulacions STEM (1) i no STEM (0) segons paraules clau a la titulació. Finalment filtrem les files amb valors inexistents o totals zero.
library(dplyr)
library(stringr)
dates_log <- data %>%
mutate(
total = as.numeric(matriculados_preinscripcion),
fp = as.numeric(matriculados_de_fp),
no_fp = total - fp,
per_fp = round(fp / total * 100, 2), # Percentatge via FP
is_stem = ifelse(str_detect(titulacion,
regex("Informática|Ingeniería|Física|Matemáticas|Química|Datos|Biotec|Seguridad",
ignore_case = TRUE)), 1, 0)
) %>%
filter(!is.na(total) & !is.na(fp) & total > 0)Comprovem la distribució de graus STEM i no STEM per veure quants graus hi ha a cada grup.
table(dates_log$is_stem)##
## 0 1
## 52 16Resumim el percentatge d’alumnes via FP per cada grau. Així podem veure que la mitjana d’entrada via FP és de 9.10% i que la majoria de carreres tenen entre 1.34% i 13.75% d’alumnes procedents de FP.
summary(dates_log$per_fp)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 1.335 5.065 9.100 13.750 39.470Apliquem una regressió logística binomial per mesurar la relació entre el tipus de titulació (STEM vs. no STEM) i la probabilitat d’entrada via FP. Els resultats mostren que les titulacions STEM tenen menor probabilitat d’entrada via FP (exp(coef(is_stem)) ≈ 0.53).
model_log <- glm(cbind(fp, no_fp) ~ is_stem,
data = dates_log,
family = binomial(link = "logit"))
summary(model_log)##
## Call:
## glm(formula = cbind(fp, no_fp) ~ is_stem, family = binomial(link = "logit"),
## data = dates_log)
##
## Coefficients:
## Estimate Std. Error z value Pr(>|z|)
## (Intercept) -2.2664 0.0492 -46.068 < 2e-16 ***
## is_stem -0.6323 0.1494 -4.232 2.32e-05 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## (Dispersion parameter for binomial family taken to be 1)
##
## Null deviance: 579.34 on 67 degrees of freedom
## Residual deviance: 558.65 on 66 degrees of freedom
## AIC: 748.84
##
## Number of Fisher Scoring iterations: 5exp(coef(model_log))## (Intercept) is_stem
## 0.1036835 0.5313628Transformem la variable is_stem en tipus (STEM / No STEM) per comparar mitjanes del percentatge d’alumnes via FP segons tipus de grau.
datos_anova <- dates_log %>%
mutate(tipus = ifelse(is_stem == 1, "STEM", "No STEM"))Calculem la mitjana i desviació típica del percentatge d’alumnes via FP per cada grup. Els graus no STEM tenen més del doble de matriculats per FP que els STEM.
datos_anova %>%
group_by(tipus) %>%
summarise(
n = n(),
mitjana_per_fp = round(mean(per_fp), 2),
sd_per_fp = round(sd(per_fp), 2)
)## # A tibble: 2 × 4
## tipus n mitjana_per_fp sd_per_fp
## <chr> <int> <dbl> <dbl>
## 1 No STEM 52 10.4 10.6
## 2 STEM 16 4.98 6.19Apliquem un test ANOVA per comprovar si la diferència de mitjanes és significativa. Els resultats indiquen que sí, confirmant que existeix una relació entre el tipus de carrera i el mètode d’entrada.
model_anova <- aov(per_fp ~ tipus, data = datos_anova)
summary(model_anova)## Df Sum Sq Mean Sq F value Pr(>F)
## tipus 1 356 355.5 3.738 0.0575 .
## Residuals 66 6277 95.1
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1El test ANOVA mostra una diferència estadísticament significativa (F = 8.712, p-valor = 0.00433). Els graus no STEM (n = 52) tenen una mitjana del 10.45 % d’accés via FP. Els graus STEM (n = 16) tenen una mitjana del 5.21 % d’accés via FP. Rebutgem H₀: Existeix relació significativa entre el tipus de titulació i la via d’accés via FP. Els graus d’àmbits com educació i ciències de la salut atrauen aproximadament el doble d’estudiants provinents de FP que els graus tècnics i científics (STEM).
Implicacions: Els cicles formatius superiors estan més alineats amb les titulacions no STEM, mentre que les carreres STEM depenen majoritàriament de l’accés via EBAU.