Radiografía de la marginación: Análisis de Mier y Noriega, NL (Censo 2020)
Alfonso Nava
2026-02-13
Fuente de Datos: INEGI, Censo de Población y Vivienda 2020 (ITER).
dt=read.csv("ITER_19CSV20.csv")#Liberia para metódos estadisticos
library(dplyr) ##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionIntroducción
El presente reporte analiza las condiciones de vida en el municipio de Mier y Noriega (Clave 036), enfocándose en el rezago educativo y el acceso a servicios básicos. Se procesaron los datos a nivel localidad.
#Se filtra la base de datos al Municipio Mier y Noriega
dt_filtrado <- dt %>%
filter(MUN == 36)
head(dt_filtrado,2)## ENTIDAD NOM_ENT MUN NOM_MUN LOC NOM_LOC
## 1 19 Nuevo León 36 Mier y Noriega 0 Total del Municipio
## 2 19 Nuevo León 36 Mier y Noriega 1 Mier y Noriega
## LONGITUD LATITUD ALTITUD POBTOT POBFEM POBMAS P_0A2 P_0A2_F
## 1 NA 7652 3857 3795 493 242
## 2 100°07'10.810" W 23°25'23.230" N 1669 1180 604 576 59 36
## P_0A2_M P_3YMAS P_3YMAS_F P_3YMAS_M P_5YMAS P_5YMAS_F P_5YMAS_M P_12YMAS
## 1 251 7159 3615 3544 6807 3424 3383 5663
## 2 23 1121 568 553 1068 540 528 904
## P_12YMAS_F P_12YMAS_M P_15YMAS P_15YMAS_F P_15YMAS_M P_18YMAS P_18YMAS_F
## 1 2856 2807 5119 2587 2532 4661 2365
## 2 468 436 840 436 404 789 406
## P_18YMAS_M P_3A5 P_3A5_F P_3A5_M P_6A11 P_6A11_F P_6A11_M P_8A14 P_8A14_F
## 1 2296 524 277 247 972 482 490 1224 597
## 2 383 82 42 40 135 58 77 159 72
## P_8A14_M P_12A14 P_12A14_F P_12A14_M P_15A17 P_15A17_F P_15A17_M P_18A24
## 1 627 544 269 275 458 222 236 767
## 2 87 64 32 32 51 30 21 93
## P_18A24_F P_18A24_M P_15A49_F P_60YMAS P_60YMAS_F P_60YMAS_M REL_H_M POB0_14
## 1 408 359 1757 1130 530 600 98.39 2533
## 2 45 48 267 238 119 119 95.36 340
## POB15_64 POB65_MAS P_0A4 P_0A4_F P_0A4_M P_5A9 P_5A9_F P_5A9_M P_10A14
## 1 4252 867 845 433 412 811 404 407 877
## 2 641 199 112 64 48 122 58 64 106
## P_10A14_F P_10A14_M P_15A19 P_15A19_F P_15A19_M P_20A24 P_20A24_F P_20A24_M
## 1 433 444 712 351 361 513 279 234
## 2 46 60 81 42 39 63 33 30
## P_25A29 P_25A29_F P_25A29_M P_30A34 P_30A34_F P_30A34_M P_35A39 P_35A39_F
## 1 489 264 225 454 251 203 419 211
## 2 74 46 28 74 40 34 69 38
## P_35A39_M P_40A44 P_40A44_F P_40A44_M P_45A49 P_45A49_F P_45A49_M P_50A54
## 1 208 446 240 206 372 161 211 311
## 2 31 69 41 28 73 27 46 51
## P_50A54_F P_50A54_M P_55A59 P_55A59_F P_55A59_M P_60A64 P_60A64_F P_60A64_M
## 1 164 147 273 136 137 263 125 138
## 2 27 24 48 23 25 39 22 17
## P_65A69 P_65A69_F P_65A69_M P_70A74 P_70A74_F P_70A74_M P_75A79 P_75A79_F
## 1 211 94 117 193 100 93 193 92
## 2 48 19 29 42 23 19 33 17
## P_75A79_M P_80A84 P_80A84_F P_80A84_M P_85YMAS P_85YMAS_F P_85YMAS_M PROM_HNV
## 1 101 131 61 70 139 58 81 3.2
## 2 16 40 22 18 36 16 20 3.03
## PNACENT PNACENT_F PNACENT_M PNACOE PNACOE_F PNACOE_M PRES2015 PRES2015_F
## 1 7203 3575 3628 389 246 143 6671 3356
## 2 1025 512 513 140 83 57 1027 523
## PRES2015_M PRESOE15 PRESOE15_F PRESOE15_M P3YM_HLI P3YM_HLI_F P3YM_HLI_M
## 1 3315 90 57 33 5 4 1
## 2 504 31 17 14 4 3 1
## P3HLINHE P3HLINHE_F P3HLINHE_M P3HLI_HE P3HLI_HE_F P3HLI_HE_M P5_HLI
## 1 0 0 0 5 4 1 5
## 2 0 0 0 4 3 1 4
## P5_HLI_NHE P5_HLI_HE PHOG_IND POB_AFRO POB_AFRO_F POB_AFRO_M PCON_DISC
## 1 0 5 13 33 13 20 472
## 2 0 4 8 12 5 7 59
## PCDISC_MOT PCDISC_VIS PCDISC_LENG PCDISC_AUD PCDISC_MOT2 PCDISC_MEN PCON_LIMI
## 1 196 193 74 108 72 105 989
## 2 31 28 9 21 11 12 148
## PCLIM_CSB PCLIM_VIS PCLIM_HACO PCLIM_OAUD PCLIM_MOT2 PCLIM_RE_CO PCLIM_PMEN
## 1 327 651 76 212 50 190 71
## 2 50 104 7 32 5 32 11
## PSIND_LIM P3A5_NOA P3A5_NOA_F P3A5_NOA_M P6A11_NOA P6A11_NOAF P6A11_NOAM
## 1 6162 182 90 92 22 8 14
## 2 968 20 8 12 4 1 3
## P12A14NOA P12A14NOAF P12A14NOAM P15A17A P15A17A_F P15A17A_M P18A24A P18A24A_F
## 1 61 31 30 266 129 137 81 52
## 2 4 1 3 34 23 11 18 10
## P18A24A_M P8A14AN P8A14AN_F P8A14AN_M P15YM_AN P15YM_AN_F P15YM_AN_M P15YM_SE
## 1 29 26 9 17 595 293 302 520
## 2 8 1 0 1 83 46 37 98
## P15YM_SE_F P15YM_SE_M P15PRI_IN P15PRI_INF P15PRI_INM P15PRI_CO P15PRI_COF
## 1 245 275 1086 493 593 902 477
## 2 52 46 143 69 74 124 61
## P15PRI_COM P15SEC_IN P15SEC_INF P15SEC_INM P15SEC_CO P15SEC_COF P15SEC_COM
## 1 425 214 92 122 1632 859 773
## 2 63 16 6 10 249 128 121
## P18YM_PB P18YM_PB_F P18YM_PB_M GRAPROES GRAPROES_F GRAPROES_M PEA PEA_F
## 1 583 328 255 6.59 6.82 6.36 2356 531
## 2 183 101 82 7.27 7.43 7.11 285 93
## PEA_M PE_INAC PE_INAC_F PE_INAC_M POCUPADA POCUPADA_F POCUPADA_M PDESOCUP
## 1 1825 3277 2321 956 2263 526 1737 93
## 2 192 606 375 231 275 91 184 10
## PDESOCUP_F PDESOCUP_M PSINDER PDER_SS PDER_IMSS PDER_ISTE PDER_ISTEE
## 1 5 88 541 7108 179 82 35
## 2 2 8 72 1107 41 39 23
## PAFIL_PDOM PDER_SEGP PDER_IMSSB PAFIL_IPRIV PAFIL_OTRAI P12YM_SOLT P12YM_CASA
## 1 2 6806 10 13 8 1609 3534
## 2 2 987 9 12 6 238 540
## P12YM_SEPA PCATOLICA PRO_CRIEVA POTRAS_REL PSIN_RELIG TOTHOG HOGJEF_F
## 1 520 6514 659 0 474 1881 520
## 2 126 1075 75 0 29 335 145
## HOGJEF_M POBHOG PHOGJEF_F PHOGJEF_M VIVTOT TVIVHAB TVIVPAR VIVPAR_HAB
## 1 1361 7652 1888 5764 2662 1881 2658 1877
## 2 190 1180 491 689 561 335 558 332
## VIVPARH_CV TVIVPARHAB VIVPAR_DES VIVPAR_UT OCUPVIVPAR PROM_OCUP PRO_OCUP_C
## 1 1881 1881 505 276 7652 4.07 1.16
## 2 335 335 175 51 1180 3.52 0.87
## VPH_PISODT VPH_PISOTI VPH_1DOR VPH_2YMASD VPH_1CUART VPH_2CUART VPH_3YMASC
## 1 1830 51 710 1171 110 351 1420
## 2 331 4 128 207 8 52 275
## VPH_C_ELEC VPH_S_ELEC VPH_AGUADV VPH_AEASP VPH_AGUAFV VPH_TINACO VPH_CISTER
## 1 1841 40 1492 1269 389 550 331
## 2 326 9 322 315 13 141 88
## VPH_EXCSA VPH_LETR VPH_DRENAJ VPH_NODREN VPH_C_SERV VPH_NDEAED VPH_DSADMA
## 1 531 1275 858 1023 723 18 469
## 2 255 77 286 49 276 3 252
## VPH_NDACMM VPH_SNBIEN VPH_REFRI VPH_LAVAD VPH_HMICRO VPH_AUTOM VPH_MOTO
## 1 832 69 1581 1393 509 1001 214
## 2 117 20 295 265 177 216 43
## VPH_BICI VPH_RADIO VPH_TV VPH_PC VPH_TELEF VPH_CEL VPH_INTER VPH_STVP
## 1 294 839 1627 99 172 1288 183 1253
## 2 99 190 297 56 78 281 123 250
## VPH_SPMVPI VPH_CVJ VPH_SINRTV VPH_SINLTC VPH_SINCINT VPH_SINTIC TAMLOC
## 1 22 19 193 538 1649 139 *
## 2 17 17 32 43 193 23 4Comprension de Variables
Aqui se identifican y agrupan varibales de manera categorica para el ánalisis. Todas esta variables claves nos permiten tener datos de vivienda, población, educación, economia y salud. Lo que nos perimite acotar el ánalisis a temas especificos de nuestro interés que reflejen la situación en el municipio neoleoneses de Mier y Noriega.
#Población
pob_v <-c("POBTOT", "POBFEM", "POBMAS", "P_0A2", "P_0A2_F", "P_0A2_M",
"P_15YMAS", "P_60YMAS", "REL_H_M", "POB0_14", "POB15_64",
"POB65_MAS")
#Eduación
edu_v <- c("P3A5_NOA", "P6A11_NOA", "P12A14NOA",
"P15YM_AN", "P15YM_AN_F", "P15YM_AN_M",
"P15YM_SE", "P15PRI_IN", "P15PRI_CO",
"P15SEC_IN", "P15SEC_CO", "P18YM_PB",
"GRAPROES", "GRAPROES_F", "GRAPROES_M")
#Economía
eco_v <- c("PEA", "PEA_F", "PEA_M",
"PE_INAC", "POCUPADA", "PDESOCUP")
#Salud
sal_v<- c("PSINDER", "PDER_SS", "PDER_IMSS", "PDER_ISTE",
"PAFIL_PDOM", "PDER_SEGP", "PDER_IMSSB")
#Vivienda
vivie_v <- c("VIVTOT", "TVIVHAB", "VIVPAR_HAB", "OCUPVIVPAR", "PROM_OCUP",
"VPH_PISODT", "VPH_PISOTI",
"VPH_C_ELEC", "VPH_S_ELEC",
"VPH_AGUADV", "VPH_AEASP", "VPH_AGUAFV",
"VPH_DRENAJ", "VPH_NODREN",
"VPH_C_SERV", "VPH_SNBIEN",
"VPH_REFRI", "VPH_LAVAD", "VPH_AUTOM",
"VPH_CEL", "VPH_INTER", "VPH_PC")
cat("Variables de clave seleccionadas;",
length (c(pob_v,edu_v,eco_v,sal_v,vivie_v)), "\n")## Variables de clave seleccionadas; 62Tratamiento de datos
El ITER utiliza asteriscos (*) para datos protegidos por confidencialidad. La desición fue convertir los asteriscos en NA.Si bien INEGI protege ciertos datos de localidades de una o dos viviendas lo que oculta son sus ubicaciones pero no su datos en si. Asi que aunque hay un par de viviendas que no estan en localidades en especifico las tomamos en cuenta. Ya que excluirlas estaria sesgando el ánalisis.
# Reemplazar asteriscos por NA para no tener problemas despues
dt_filtrado[dt_filtrado == "*"] <- NAResumen Municipal
#Nos aseguramos que los datos que utlicemos sean numericos
dt_localidades <- dt_filtrado %>%
filter(LOC != "0" & LOC != "0000") #Eliminamos la fila numero 0 donde es a nivel municipio no localidad
dt_localidades <- dt_localidades %>%
mutate(
# Primero: Asegurar que las columnas sean números
P15YM_AN = as.numeric(P15YM_AN), # Población mayor de 15 que no saben leer ni escribir
P_15YMAS = as.numeric(P_15YMAS), # Población
GRAPROES = as.numeric(GRAPROES), # Grado de escolaridad
POBTOT = as.numeric(POBTOT), # Población Total
TVIVPAR = as.numeric(TVIVPAR), # Total de viviendas
VPH_AGUADV = as.numeric(VPH_AGUADV), # Agua dentro
VPH_AGUAFV = as.numeric(VPH_AGUAFV), # Agua fuera
VPH_AEASP = as.numeric(VPH_AEASP), # Agua de red pública
VPH_NODREN = as.numeric(VPH_NODREN), # Sin drenaje
VPH_INTER = as.numeric(VPH_INTER), # Con Internet
)Análisis de la Estructura Poblacional y Educativa
Se suman las poblaciones totales de cada localidad, considerando aquellas viviendas que no tiene localidad especificada.Esto ya que es que sea posible que estas viviendas estan en lo limites de 2 localidades por lo que no se identifican dentro de una u otro tal vez de ambas, siendo dificil agruparlas en una.
poblacion_total_myn <- sum(dt_localidades$POBTOT, na.rm = TRUE)
print(paste("Población Total contando viviendas fuera de localidades:", poblacion_total_myn))## [1] "Población Total contando viviendas fuera de localidades: 7671"Porcentaje de analfabetismo
dt_localidades <- dt_localidades %>%
mutate(pct_analfabetismo = (P15YM_AN /P_15YMAS) * 100)
#Para sacar el porcentaje utilizamos las variables P_15YMAS - Población de 15 o más y P15YM_AN - Población mayor de 15 o más que no saben leer ni escribirdt_localidades %>%
select(NOM_LOC, POBTOT, P15YM_AN, pct_analfabetismo) %>%
arrange(desc(pct_analfabetismo)) %>%
head(28)## NOM_LOC POBTOT P15YM_AN pct_analfabetismo
## 1 La Cardona 479 77 23.839009
## 2 San Isidro 414 66 22.448980
## 3 La Presita de Cerros Blancos (La Presita) 515 72 20.454545
## 4 Localidades de dos viviendas 13 2 16.666667
## 5 Tapona Moreña 519 51 14.571429
## 6 San José de Cuatro Caminos 84 9 13.636364
## 7 San José de Medina (Rancho de Abajo) 14 1 12.500000
## 8 El Gallito 206 18 12.080537
## 9 El Refugio de Cerros Blancos 531 40 11.173184
## 10 San Elías 30 2 11.111111
## 11 Mier y Noriega 1180 83 9.880952
## 12 Cerros Blancos 586 36 9.809264
## 13 Lagunita de Taberna 208 12 8.888889
## 14 Las Palomas (Lajillas) 865 43 8.600000
## 15 Jesús María del Terrero (El Lindero) 215 11 7.432432
## 16 Las Mesas de San Juan 124 5 6.849315
## 17 San Rafael de los Martínez 657 28 6.511628
## 18 San Antonio de Alamitos 412 17 6.115108
## 19 Dolores 549 21 5.497382
## 20 La Joya del Zacate 45 1 3.333333
## 21 Localidades de una vivienda 6 0 0.000000
## 22 San Diego 4 NA NA
## 23 Falfurrias (San Carlos) 1 NA NA
## 24 La Tortuga 1 NA NA
## 25 La Puerta de Guadalupe (Los Mireles) 4 NA NA
## 26 Tanque Roto 4 NA NA
## 27 Los García 5 NA NAAl analizar la tabla de analfabetismo, localidades como La Cardona, San Isidro y La Presita de Cerros Blancos presentan tasas de analfabetismo superiores al 20%. Esto significa que en estas comunidades, 1 de cada 5 personas mayores de 15 años no sabe leer ni escribir, una cifra muy por encima de la media estatal de Nuevo León.
Rezago educativo
# Creamos la tabla de rezago educativo
# Seleccionamos las columnas más importantes para nuestro análisis
tabla_rezago <- dt_localidades %>%
select(NOM_LOC, POBTOT, GRAPROES, pct_analfabetismo) %>%
# Ordenamos por escolaridad de menor a mayor (más rezago primero)
arrange(GRAPROES)
# 3. Mostrar las primeras 15 localidades con mayor rezago
head(tabla_rezago, 15)## NOM_LOC POBTOT GRAPROES pct_analfabetismo
## 1 Localidades de dos viviendas 13 4.42 16.666667
## 2 Localidades de una vivienda 6 5.17 0.000000
## 3 La Cardona 479 5.30 23.839009
## 4 El Gallito 206 5.44 12.080537
## 5 San Isidro 414 5.69 22.448980
## 6 La Presita de Cerros Blancos (La Presita) 515 5.83 20.454545
## 7 Lagunita de Taberna 208 5.87 8.888889
## 8 San José de Cuatro Caminos 84 5.98 13.636364
## 9 San Elías 30 6.11 11.111111
## 10 La Joya del Zacate 45 6.13 3.333333
## 11 San José de Medina (Rancho de Abajo) 14 6.13 12.500000
## 12 Tapona Moreña 519 6.27 14.571429
## 13 Jesús María del Terrero (El Lindero) 215 6.51 7.432432
## 14 Las Mesas de San Juan 124 6.58 6.849315
## 15 El Refugio de Cerros Blancos 531 6.64 11.173184# Promedio simple de todas las localidades
promedio_escolaridad_myn <- mean(dt_localidades$GRAPROES, na.rm = TRUE)
print(paste("El grado promedio de escolaridad en el municipio es de:",
round(promedio_escolaridad_myn, 2), "años"))## [1] "El grado promedio de escolaridad en el municipio es de: 6.21 años"El promedio de escolaridad del municipio es de apenas 6.21 años, lo que equivale a tener la primaria apenas terminada. Sin embargo, este promedio esconde realidades más duras en comunidades específicas ya que siempre habra factores que no se podran tomar en cuenta, como la asistencia durnate sus años escolares y la calidad de la educación.
Análisis de Vivienda y Servicios Básicos
La calidad de vida está intrínsecamente ligada a los servicios en la vivienda. Para medir esto, construimos un Índice de Carencia sumando los porcentajes de falta de agua entubada, drenaje e internet.
# Calcular los indicadores de Carencia Porcentajes
#Recordando que TVIVPAR es total de viviendas
dt_vivienda <- dt_localidades %>%
mutate(
# A. Carencia de Agua Entubada (Total):
# Sumamos las que tienen tanto agua dentro y fuera. El resto NO tiene agua entubada.
# La Fórmula que utilizaremos es: 100 - (% con agua dentro + % con agua fuera)
pct_sin_agua_entubada = 100 - (((VPH_AGUADV + VPH_AGUAFV) / TVIVPAR) * 100),
# B. Dependencia de Agua NO Pública (Opcional pero útil dada tu variable VPH_AEASP):
# Porcentaje de casas que NO reciben agua de la red pública
pct_sin_agua_red_publica = 100 - ((VPH_AEASP / TVIVPAR) * 100),
#Ya que esto muestra las capacidades del sector publico, como la calidad de la atencion a servicios basico por parte del municipio.
# C. Carencia de Drenaje:
# Aquí usamos directo VPH_NODREN, es más exacto.
pct_sin_drenaje = (VPH_NODREN / TVIVPAR) * 100,
# D. Carencia de Internet:
pct_sin_internet = 100 - ((VPH_INTER / TVIVPAR) * 100),
# E. Índice de Vulnerabilidad de Servicios (Suma simple)
# Sumamos las 3 carencias principales
indice_carencia = pct_sin_agua_entubada + pct_sin_drenaje + pct_sin_internet
)
# Visualizar las localidades más vulnerables
tabla_servicios <- dt_vivienda %>%
select(NOM_LOC, TVIVPAR, pct_sin_agua_entubada, pct_sin_drenaje, pct_sin_internet, indice_carencia, pct_sin_agua_red_publica) %>%
arrange(desc(indice_carencia)) # Ordenamos de la más afectada a la menos
# Mostramos
head(tabla_servicios,(28))## NOM_LOC TVIVPAR pct_sin_agua_entubada
## 1 Lagunita de Taberna 56 23.214286
## 2 Las Mesas de San Juan 27 18.518519
## 3 San José de Medina (Rancho de Abajo) 18 83.333333
## 4 El Refugio de Cerros Blancos 175 26.285714
## 5 La Presita de Cerros Blancos (La Presita) 168 23.214286
## 6 Cerros Blancos 159 23.270440
## 7 El Gallito 84 35.714286
## 8 Dolores 170 16.470588
## 9 Localidades de dos viviendas 8 25.000000
## 10 Jesús María del Terrero (El Lindero) 56 8.928571
## 11 Tapona Moreña 151 21.854305
## 12 Las Palomas (Lajillas) 238 16.386555
## 13 San Isidro 181 43.646409
## 14 Localidades de una vivienda 5 40.000000
## 15 San Rafael de los Martínez 192 19.270833
## 16 La Joya del Zacate 26 53.846154
## 17 San Antonio de Alamitos 117 21.367521
## 18 San Elías 10 30.000000
## 19 La Cardona 223 41.255605
## 20 San José de Cuatro Caminos 36 27.777778
## 21 Mier y Noriega 558 39.964158
## 22 San Diego NA NA
## 23 Falfurrias (San Carlos) NA NA
## 24 La Tortuga NA NA
## 25 La Puerta de Guadalupe (Los Mireles) NA NA
## 26 Tanque Roto NA NA
## 27 Los García NA NA
## pct_sin_drenaje pct_sin_internet indice_carencia pct_sin_agua_red_publica
## 1 76.785714 100.00000 200.0000 39.28571
## 2 81.481481 100.00000 200.0000 100.00000
## 3 16.666667 100.00000 200.0000 88.88889
## 4 70.285714 98.28571 194.8571 58.85714
## 5 66.666667 99.40476 189.2857 47.02381
## 6 61.635220 99.37107 184.2767 27.04403
## 7 45.238095 100.00000 180.9524 45.23810
## 8 65.882353 98.23529 180.5882 31.17647
## 9 50.000000 100.00000 175.0000 75.00000
## 10 60.714286 98.21429 167.8571 12.50000
## 11 43.046358 100.00000 164.9007 98.67550
## 12 55.042017 91.59664 163.0252 51.68067
## 13 18.784530 97.79006 160.2210 91.71271
## 14 20.000000 100.00000 160.0000 80.00000
## 15 42.187500 96.87500 158.3333 26.04167
## 16 3.846154 96.15385 153.8462 100.00000
## 17 47.008547 82.90598 151.2821 92.30769
## 18 20.000000 100.00000 150.0000 90.00000
## 19 6.726457 100.00000 147.9821 47.53363
## 20 0.000000 100.00000 127.7778 30.55556
## 21 8.781362 77.95699 126.7025 43.54839
## 22 NA NA NA NA
## 23 NA NA NA NA
## 24 NA NA NA NA
## 25 NA NA NA NA
## 26 NA NA NA NA
## 27 NA NA NA NAHallazgos Principales:
La brecha digital es casi absoluta. En la mayoría de las localidades rurales, la falta de internet (pct_sin_internet) roza el 100%.
Comunidades como Lagunita de Taberna, Las Mesas de San Juan y San José de Medina aparecen como las más vulnerables en nuestro índice sumatorio, alcanzando un puntaje de 200. Esto indica una carencia simultánea y crítica de múltiples servicios básicos, lo que las coloca en una situación de alta marginación.
Análisis Comparativo: Cabecera vs. Localidades Rurales
Uno de los puntos más reveladores del estudio es la comparación entre el centro administrativo (La Cabecera, Mier y Noriega) y la periferia (Resto Rural).
# Crear la variable categórica "tipo_localidad"
# Usamos as.numeric(LOC) == 1 para atrapar tanto "0001" como "1"
dt_comparativa <- dt_vivienda %>%
mutate(
tipo_localidad = if_else(as.numeric(LOC) == 1, "Cabecera Municipal", "Resto (Rural)")
)
# Calculamos las medias (promedios) por grupo
# Esto nos mostrará la "brecha" entre el centro y la periferia
tabla_brechas <- dt_comparativa %>%
group_by(tipo_localidad) %>%
summarise(
# Contexto: Cuántas localidades hay en cada grupo
total_localidades = n(),
# Educación: ¿Dónde hay más rezago?
promedio_analfabetismo = mean(pct_analfabetismo, na.rm = TRUE),
promedio_escolaridad = mean(GRAPROES, na.rm = TRUE),
# Servicios: % Promedio de viviendas que NO tienen el servicio
carencia_agua = mean(pct_sin_agua_entubada, na.rm = TRUE),
carencia_drenaje = mean(pct_sin_drenaje, na.rm = TRUE),
carencia_internet = mean(pct_sin_internet, na.rm = TRUE),
# Índice General de Vulnerabilidad
vulnerabilidad_promedio = mean(indice_carencia, na.rm = TRUE)
)
# 3. Mostramos la tabla comparativa
print(tabla_brechas, width = Inf)## # A tibble: 2 × 8
## tipo_localidad total_localidades promedio_analfabetismo
## <chr> <int> <dbl>
## 1 Cabecera Municipal 1 9.88
## 2 Resto (Rural) 26 11.1
## promedio_escolaridad carencia_agua carencia_drenaje carencia_internet
## <dbl> <dbl> <dbl> <dbl>
## 1 7.27 40.0 8.78 78.0
## 2 6.16 30.0 42.6 97.9
## vulnerabilidad_promedio
## <dbl>
## 1 127.
## 2 171.La tabla comparativa revela contrastes interesantes:
Drenaje: La Cabecera tiene una cobertura mucho mejor (solo 8.7% de carencia) frente al 42.6% de carencia en zonas rurales.
Agua: Curiosamente, los datos muestran una carencia de agua entubada alta incluso en la Cabecera (39.9%), lo que sugiere un problema sistémico de infraestructura hídrica en toda la región, no solo en las rancherías.
Desigualdad Educativa
COn propósito de profundizar el ánalisis hacemos un gráfico sobre la disgualdad educativa que nos ayuda a comprende r de mejor manera la brecha.
# Comparación visual del Grado de Escolaridad
boxplot(GRAPROES ~ tipo_localidad, data = dt_comparativa,
main = "Desigualdad Educativa: Cabecera vs Rural",
ylab = "Años de Escolaridad (Promedio)",
col = c("lightblue", "orange"))
La gráfica generada muestra claramente la disparidad. Mientras que la Cabecera mantiene un grado de escolaridad cercano a los 7.27 años (1er año de secundaria), las localidades rurales muestran una dispersión mucho mayor y una media significativamente más baja (6.15 años). La “caja” del sector rural se extiende hacia abajo, indicando que hay comunidades donde la escolaridad promedio cae hasta los 5 años o menos.
Conclusiones
El análisis de datos del Censo 2020 para Mier y Noriega confirma que se trata de un municipio con profundos retos estructurales. No se trata de una pobreza homogénea, sino de una desigualdad centro-periferia.
Mientras que la cabecera municipal cuenta con mejores indicadores de saneamiento y educación, las comunidades rurales como La Cardona o Lagunita de Taberna enfrentan un aislamiento severo: sin drenaje, con baja escolaridad y desconectadas digitalmente. Cualquier política pública destinada a este municipio no puede ser generalizada; debe focalizarse urgentemente en llevar servicios básicos a estas localidades satélite que muestran los índices de vulnerabilidad más altos del estado.