Cargamos el documento

datosedu<-read.csv ("datos/10A-mydata.csv",header = TRUE,sep = ";")

Medidas de tendencia central

summary(datosedu)

##        id        sexo        fechanac        educ           catlab     
##  Min.   :  1.0   h:258   04/02/34:  2   Min.   : 8.00   Min.   :1.000  
##  1st Qu.:119.2   m:216   05/04/66:  2   1st Qu.:12.00   1st Qu.:1.000  
##  Median :237.5           08/02/62:  2   Median :12.00   Median :1.000  
##  Mean   :237.5           10/11/65:  2   Mean   :13.49   Mean   :1.411  
##  3rd Qu.:355.8           11/05/65:  2   3rd Qu.:15.00   3rd Qu.:1.000  
##  Max.   :474.0           12/02/64:  2   Max.   :21.00   Max.   :3.000  
##                          (Other) :462                                  
##     salario           salini         tiempem         expprev      
##  Min.   : 15750   Min.   : 9000   Min.   :63.00   Min.   :  0.00  
##  1st Qu.: 24000   1st Qu.:12488   1st Qu.:72.00   1st Qu.: 19.25  
##  Median : 28875   Median :15000   Median :81.00   Median : 55.00  
##  Mean   : 34420   Mean   :17016   Mean   :81.11   Mean   : 95.86  
##  3rd Qu.: 36938   3rd Qu.:17490   3rd Qu.:90.00   3rd Qu.:138.75  
##  Max.   :135000   Max.   :79980   Max.   :98.00   Max.   :476.00  
##                                                                   
##     minoria      
##  Min.   :0.0000  
##  1st Qu.:0.0000  
##  Median :0.0000  
##  Mean   :0.2194  
##  3rd Qu.:0.0000  
##  Max.   :1.0000  
## 

Aqui observaremos las medidas de tendencia central por genero

attach(datosedu)
summary(sexo)

##   h   m 
## 258 216

Aqui observamos las medidas de tendencia central por nivel educativo

summary(educ)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    8.00   12.00   12.00   13.49   15.00   21.00

Las medidas de dispersion seran las siguientes de pendiendo de su clasifiacion : Educacion :

sd(datosedu[,4])

## [1] 2.884846

var (datosedu[,4])

## [1] 8.322339

Salario :

sd(datosedu[,5])

## [1] 0.7732014

var (datosedu[,5])

## [1] 0.5978403

Salini :

sd(datosedu[,7])

## [1] 7870.638

var (datosedu[,7])

## [1] 61946945

Tiempem :

sd(datosedu[,8])

## [1] 10.06094

var (datosedu[,8])

## [1] 101.2226

Exprevv :

sd(datosedu[,9])

## [1] 104.5862

var (datosedu[,9])

## [1] 10938.28

Regresión entre salario inicial y salario con su respectivo ajuste de regresión para pronóstico

regresion <- lm(salini ~ salario , data = datosedu)
regresion

## 
## Call:
## lm(formula = salini ~ salario, data = datosedu)
## 
## Coefficients:
## (Intercept)      salario  
##   3053.0955       0.4057

Hipotesis

Podemos ver que educativamente los estudiantes tenemos un minimo de 8 y un maximo de 21, tambien vemos que el primer cuartil tiene un 12 y el tercer cuartil tiene un 15 tanto su mediana es de 12 y su media a su 13.49. En su salario tenemos tenemos un minimo de 15750 y su maximo ess un 13500, tanto que en su primer cuartil tenemos 24000 y su tercer cuartil un 36938, su mediana es de 28 y su media es de 34420 y a comparacion de salario inicial se ve que tenemos valores bajos y en salario tiene un mayor crecimiento. Se puede ve que en mayor eduacion se obtiene un mejor salario dependiendo el genero.

Conclusiones

Que dependiendo el sexo, nivel educativo y su experiencia laboral junto con sus datos que los acompañan la persona tendra un mayor ingreso salarial, en cual tambien vemos que su ingreso salaria al inicio es un basico que se pone dependiendo el puesto y con su tiempo de labor se tendra un aumento dependiendo los años en la empresa o su experiencialaboral, tambien el nivel educativo influye bastante para su ingreso salarial.