1. Preparación del entorno (librerías)

library(tidyverse) # manipulación, limpieza, transformación y visualización de datos y dplyr

## Warning: package 'dplyr' was built under R version 4.5.2

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.1     ✔ stringr   1.5.2
## ✔ ggplot2   4.0.0     ✔ tibble    3.3.0
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.1.0     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(readxl) # permite importar archivos Excel (.xls y .xlsx)
library(janitor) # ayuda a limpiar nombres de columnas, detectar columnas vacías, eliminar espacios y formatear datos.

## 
## Adjuntando el paquete: 'janitor'
## 
## The following objects are masked from 'package:stats':
## 
##     chisq.test, fisher.test

library(caret) # limpia, transforma, entrena y valida modelos de forma estandarizada.

## Warning: package 'caret' was built under R version 4.5.2

## Cargando paquete requerido: lattice
## 
## Adjuntando el paquete: 'caret'
## 
## The following object is masked from 'package:purrr':
## 
##     lift

library(dplyr) #Manipulación de datos

2. Descarga y filtrado de información

# Cargar el archivo CSV
datos <- read.csv("ITER_19CSV20.csv")

# Filtrar registros por Mier y Noriega
mier_noriega <- datos %>%
  filter(NOM_MUN == "Mier y Noriega")

3. Exploración y limpieza de datos

Comprensión de variables clave:

POBTOT: Población total
POBFEM: Población femenina
POBMAS: Población masculina
P_15YMAS: Población de 15 años y más
P_18YMAS: Población de 18 años y más
P_18YMAS_F: Población femenina de 18 años y más
P_18YMAS_M: Población masculina de 18 años y más
PNACENT: Población nacida en la entidad
PNACOE: Población nacida en otra entidad
PCON_DISC: Población con discapacidad
P15YM_AN: Población de 15 años y más analfabeta
P15SEC_IN: Población de 15 años y más con secundaria incompleta
P18YM_PB: Población de 18 años y más con educación posbásica
GRAPROES: Grado promedio de escolaridad
PEA: Población de 12 años y más económicamente activa
PSINDER: Población sin afiliación a servicios de salud
PAFIL_IPRIV: Población afiliada a servicios de salud en una institución privada
VIVTOT: Total de viviendas
VPH_PISODT: Viviendas particulares habitadas con piso de material diferente de tierra
VPH_PISOTI: Viviendas particulares habitadas con piso de tierra
VPH_C_SERV: Viviendas particulares habitadas que disponen de energía eléctrica, agua entubada de la red pública y drenaje
VPH_DSADMA: Viviendas particulares que disponen de drenaje y sanitario con admisión de agua
VPH_SINLTC: Viviendas particulares habitadas sin línea telefónica fija ni teléfono celular
VPH_SINCINT: Viviendas particulares habitadas sin computadora ni Internet

_Fuente:INEGI (2021) Principales Resultados por Localidad (ITER) https://www.inegi.org.mx/app/scitel/doc/descriptor/fd_iter_cpv2020.pdf_

Tratamiento de datos:

# Convertir * en missing values y hacer variables numéricas donde corresponden
mier_noriega_2 <- mier_noriega %>%
  
  # Paso 1: convertir todo a character
  mutate(across(everything(), as.character)) %>%
  
  # Paso 2: reemplazar "*" por NA real
  mutate(across(everything(), ~na_if(.x, "*"))) %>%
  
  # Paso 3: reconvertir automáticamente tipos de variables
  mutate(across(everything(), ~type.convert(.x, as.is = TRUE)))

4. Análisis de la estructura poblacional y educativa

Resumen municipal

# Suma de la población municipal por localidad 
pob_municipal <- mier_noriega_2 %>%
  filter(!LOC %in% c(0, 9998, 9999)) %>%  
    # Se excluyeron los registros correspondientes a LOC = 0 (Total del Municipio), 9998 (localidades agrupadas con menos de dos habitantes) y 9999 (no especificado), con el fin de evitar doble contabilización y distorsiones en el análisis territorial.
  
  summarise(total = sum(POBTOT, na.rm = TRUE)) %>% 
  #crea total como la suma de POBTOT
  
  pull(total)


cat("Población municipal total de Mier y Noriega:" , pob_municipal, "personas")

## Población municipal total de Mier y Noriega: 7652 personas

Con 7,652 habitantes en 2020, Mier y Noriega representa apenas el 0.1% de la población total de Nuevo León (Data México, s.f.). Su baja densidad demográfica subraya su carácter rural y una tendencia a la despoblación, situación acentuada por su ubicación geográfica en el extremo sur del estado, colindando con Tamaulipas.

Indicadores de educación:

# Analfabetismo por localidad
mier_noriega_2 <- mier_noriega_2 %>%
  mutate(
    pct_analfabetismo = ifelse(
      # Se crea una nueva variable para saber el porcentaje de analfabetismo por localidad
      
      is.na(P_15YMAS) | P_15YMAS == 0, NA_real_,
      # Evitar NAs
      
      (P15YM_AN / P_15YMAS) * 100
      # Hacer la operación
    )
  ) 

# Grado promedio de escolaridad
    #Ya existe en la base de datos el grado promedio de escolaridad, separado por localidad. La variable se llama GRAPROES

alf_grapoe <- mier_noriega_2 |>
  dplyr::select(
    NOM_LOC,
    pct_analfabetismo,
    GRAPROES
  )

alf_grapoe

##                                      NOM_LOC pct_analfabetismo GRAPROES
## 1                        Total del Municipio         11.623364     6.59
## 2                             Mier y Noriega          9.880952     7.27
## 3                                 La Cardona         23.839009     5.30
## 4                             Cerros Blancos          9.809264     6.65
## 5                                    Dolores          5.497382     7.46
## 6                                 El Gallito         12.080537     5.44
## 7       Jesús María del Terrero (El Lindero)          7.432432     6.51
## 8                         La Joya del Zacate          3.333333     6.13
## 9                        Lagunita de Taberna          8.888889     5.87
## 10                     Las Mesas de San Juan          6.849315     6.58
## 11                    Las Palomas (Lajillas)          8.600000     6.71
## 12 La Presita de Cerros Blancos (La Presita)         20.454545     5.83
## 13              El Refugio de Cerros Blancos         11.173184     6.64
## 14                   San Antonio de Alamitos          6.115108     6.80
## 15                                 San Elías         11.111111     6.11
## 16                                San Isidro         22.448980     5.69
## 17                San José de Cuatro Caminos         13.636364     5.98
## 18      San José de Medina (Rancho de Abajo)         12.500000     6.13
## 19                San Rafael de los Martínez          6.511628     7.47
## 20                             Tapona Moreña         14.571429     6.27
## 21                                 San Diego                NA       NA
## 22                   Falfurrias (San Carlos)                NA       NA
## 23                                La Tortuga                NA       NA
## 24      La Puerta de Guadalupe (Los Mireles)                NA       NA
## 25                               Tanque Roto                NA       NA
## 26                                Los García                NA       NA
## 27               Localidades de una vivienda          0.000000     5.17
## 28              Localidades de dos viviendas         16.666667     4.42

A nivel agregado, el porcentaje municipal de analfabetismo es de 11.62%, con un grado promedio de escolaridad de 6.59 años, lo que indica que, en promedio, la población ha concluido la educación primaria pero no alcanza plenamente el nivel de secundaria. Naturalmente, a mayor porcentaje de analfabetismo, menor grado promedio de escolaridad.

Visualización del rezago educativo De acuerdo con la Secretaria de Educación Pública (2023), se calcula el total de la población en rezago educativo de 15 años y más como:

Fórmula:

𝑹𝑬𝟏𝟓+ = 𝑨𝟏𝟓+ (+) 𝑺𝑷𝟏𝟓+ (+) 𝑺𝑺𝟏𝟓+

Donde: 𝑹𝑬𝟏𝟓+ = Población en rezago educativo de 15 años y más

𝑨𝟏𝟓+ = Población analfabeta de 15 años y más

𝑺𝑷𝟏𝟓+ = Población sin primaria terminada de 15 años y más

𝑺𝑺𝟏𝟓+ = Población sin secundaria terminada de 15 años y más

_Fuente: SEP(2023) METODOLOGÍA PARA EL CÁLCULO DEL REZAGO EDUCATIVO DE LA POBLACIÓN DE 15 AÑOS Y MÁS DEL CENSO DE POBLACIÓN Y VIVIENDA 2020 https://www.gob.mx/cms/uploads/attachment/file/889757/Metodologia_Rez_Edu_Censo_2020_vf__1_.pdf_

# Crear variable de rezago educativo
mier_noriega_2 <- mier_noriega_2 %>%
  mutate(
    rez_ed = rowSums(
      select(., P15YM_AN, P15PRI_IN, P15SEC_IN), # Suma las variables
      na.rm = TRUE # Evita los NA
    )
  )

# Crear tabla que muestra qué localidades tienen mayor rezago educativo en Mier y Noriega
tabla_rezago <- mier_noriega_2 %>%
  select(LOC, NOM_LOC, rez_ed) %>%
  arrange(desc(rez_ed))

knitr::kable(
  tabla_rezago,
  digits = 2,
  col.names = c("#", "Localidad", "Rezago educativo (15+)")
)

#	Localidad	Rezago educativo (15+)
0	Total del Municipio	1895
1	Mier y Noriega	242
13	Las Palomas (Lajillas)	184
3	La Cardona	180
15	La Presita de Cerros Blancos (La Presita)	160
4	Cerros Blancos	147
20	San Isidro	143
17	El Refugio de Cerros Blancos	140
25	Tapona Moreña	137
24	San Rafael de los Martínez	118
5	Dolores	100
18	San Antonio de Alamitos	93
7	El Gallito	64
8	Jesús María del Terrero (El Lindero)	58
10	Lagunita de Taberna	43
21	San José de Cuatro Caminos	31
12	Las Mesas de San Juan	24
9	La Joya del Zacate	11
19	San Elías	8
9999	Localidades de dos viviendas	7
22	San José de Medina (Rancho de Abajo)	3
9998	Localidades de una vivienda	2
38	San Diego	0
46	Falfurrias (San Carlos)	0
48	La Tortuga	0
49	La Puerta de Guadalupe (Los Mireles)	0
53	Tanque Roto	0
55	Los García	0

La cabecera municipal, Mier y Noriega, concentra 242 personas en rezago, siendo la localidad con mayor número absoluto. Sin embargo, esto se explica en parte por su mayor tamaño poblacional.

5. Análisis de vivienda y servicios

Cálculo de carencias e índice de “Carencia de Servicios”:

# Análisis de Vivienda y Servicios: carencias e índice simple

carencias_servicios <- mier_noriega_2 %>%
  mutate(
    # Porcentajes de carencia (sobre total de viviendas VIVTOT)
    pct_no_agua   = ifelse(is.na(VIVTOT) | VIVTOT == 0, NA_real_, (VPH_AGUAFV  / VIVTOT) * 100),
    pct_no_dren   = ifelse(is.na(VIVTOT) | VIVTOT == 0, NA_real_, (VPH_NODREN  / VIVTOT) * 100),
    pct_no_int    = ifelse(is.na(VIVTOT) | VIVTOT == 0, NA_real_, (VPH_SINCINT / VIVTOT) * 100),

    # Índice simple aditivo de carencia (0–300)
    indice_carencia_serv = pct_no_agua + pct_no_dren + pct_no_int
  ) %>%
  select(NOM_LOC, VIVTOT, pct_no_agua, pct_no_dren, pct_no_int, indice_carencia_serv) %>%
  arrange(desc(indice_carencia_serv))

# Mostrar tabla (ordenada por mayor vulnerabilidad)
knitr::kable(
  carencias_servicios,
  digits = 2,
  col.names = c("Localidad", "Viviendas totales", "% sin agua entubada", "% sin drenaje", "% sin internet", "Índice carencia (suma %)")
)

Localidad	Viviendas totales	% sin agua entubada	% sin drenaje	% sin internet	Índice carencia (suma %)
Las Mesas de San Juan	27	81.48	81.48	77.78	240.74
Localidades de dos viviendas	8	50.00	50.00	75.00	175.00
Lagunita de Taberna	56	16.07	76.79	73.21	166.07
Tapona Moreña	151	40.40	43.05	78.15	161.59
La Presita de Cerros Blancos (La Presita)	168	22.02	66.67	72.62	161.31
Dolores	170	13.53	65.88	80.00	159.41
Las Palomas (Lajillas)	238	29.83	55.04	73.95	158.82
San Elías	10	60.00	20.00	70.00	150.00
Jesús María del Terrero (El Lindero)	56	1.79	60.71	85.71	148.21
El Refugio de Cerros Blancos	175	5.14	70.29	70.29	145.71
Cerros Blancos	159	3.14	61.64	72.96	137.74
San Rafael de los Martínez	192	5.73	42.19	76.04	123.96
Localidades de una vivienda	5	40.00	20.00	60.00	120.00
El Gallito	84	9.52	45.24	64.29	119.05
Total del Municipio	2662	14.61	38.43	61.95	114.99
San Isidro	182	42.31	18.68	53.85	114.84
San Antonio de Alamitos	117	2.56	47.01	61.54	111.11
La Joya del Zacate	26	46.15	3.85	38.46	88.46
San José de Cuatro Caminos	36	2.78	0.00	72.22	75.00
La Cardona	223	5.83	6.73	58.30	70.85
Mier y Noriega	561	2.32	8.73	34.40	45.45
San José de Medina (Rancho de Abajo)	18	5.56	16.67	16.67	38.89
San Diego	2	NA	NA	NA	NA
Falfurrias (San Carlos)	1	NA	NA	NA	NA
La Tortuga	2	NA	NA	NA	NA
La Puerta de Guadalupe (Los Mireles)	3	NA	NA	NA	NA
Tanque Roto	2	NA	NA	NA	NA
Los García	3	NA	NA	NA	NA

El índice simple de carencia de servicios, construido a partir de la suma de los porcentajes de viviendas sin agua entubada, sin drenaje y sin acceso a internet, permite identificar las zonas con mayor vulnerabilidad estructural. A nivel agregado, el municipio presenta; 14.61% de viviendas sin agua entubada, 38.43% sin drenaje, 61.95% sin acceso a internet y un índice de carencia promedio: 114.99. Esto evidencia que la principal brecha estructural se encuentra en la conectividad digital y el drenaje sanitario, más que en el acceso al agua.

6. Análisis comparativo: Cabecera vs. Localidades Rurales

# Crear una variable categórica que separa la cabecera municipal con las demás localidades rurales
mier_noriega_2 <- mier_noriega_2 %>%
  mutate(
    tipo_localidad = ifelse(
      NOM_LOC == "Mier y Noriega",
      "Cabecera Municipal",
      "Localidades Rurales"
    )
  )

Comparación de medias

comparacion_medias <- mier_noriega_2 %>%
  group_by(tipo_localidad) %>%
  summarise(
    media_graproes = mean(GRAPROES, na.rm = TRUE),

    media_no_agua = mean((VPH_AGUAFV / VIVTOT) * 100, na.rm = TRUE),
    media_no_dren = mean((VPH_NODREN / VIVTOT) * 100, na.rm = TRUE),
    media_no_int  = mean((VPH_SINCINT / VIVTOT) * 100, na.rm = TRUE),

    .groups = "drop"
  )

knitr::kable(comparacion_medias, digits = 2)

tipo_localidad	media_graproes	media_no_agua	media_no_dren	media_no_int
Cabecera Municipal	7.27	2.32	8.73	34.40
Localidades Rurales	6.18	23.74	42.40	66.33

El grado promedio de escolaridad en la cabecera municipal es de 7.27 años, mientras que en las localidades rurales es de 6.18 años. Esto implica una brecha de 1.09 años de escolaridad promedio, lo que sugiere que en las comunidades rurales la población tiende a abandonar el sistema educativo antes de concluir la secundaria. Se puede observar también que, el acceso al agua entubada es prácticamente universal en la cabecera, pero aún constituye una carencia relevante en zonas rurales, así como el drenje y la conectividad digital.

7. Exportación y documentación

Conclusión:

De por sí carente, Mier y Noriega muestra un municipio con marcadas desigualdades territoriales internas. El promedio municipal refleja una realidad intermedia; sin embargo, al desagregar por localidad se observa que el rezago educativo y las carencias en servicios se concentran principalmente en comunidades todavía más pequeñas y dispersas.

Radiografía de la marginación: Análisis de Mier y Noriega, NL (Censo 2020)

Nicole Velazquez

2026-02-13