1 Propósito

En las prácticas anteriores conocimos la base de la ENBIARE 2025 y comenzamos a comparar grupos.

En esta práctica construiremos y organizaremos distintas variables que podrían estar relacionadas con la satisfacción con la vida.

La pregunta que guiará el trabajo será:

¿Qué características y condiciones de las personas podrían estar relacionadas con su satisfacción con la vida?

Para cada variable seguiremos una misma secuencia:

identificar qué mide y cómo está codificada;
construir o etiquetar la variable;
obtener frecuencias absolutas y relativas;
calcular la satisfacción media para sus categorías;
obtener un intervalo de confianza del 95% (IC95%);
representar gráficamente la media y su IC95%;
interpretar descriptivamente el patrón observado.

Importante: todavía no utilizaremos pruebas de significancia estadística. Los intervalos de confianza se introducirán de manera gráfica y descriptiva. Más adelante estudiaremos formalmente su interpretación.

2 1. Preparar el directorio de trabajo

Comience revisando el directorio actual.

getwd()

## [1] "C:/Users/andyz/Desktop/clase del viernes/ll"

Defina ahora la carpeta en la que guardó la base correspondiente a su entidad.

setwd("C:/Users/andyz/Desktop/clase del viernes/ll")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "AMBIENTE PRACTICA 2.RData"                         
##  [2] "base_col.rds"                                      
##  [3] "instruccionnes practica 3.RData"                   
##  [4] "nota_base_datos_enbiare_2025.txt"                  
##  [5] "Practica_1_corregida.html"                         
##  [6] "Practica_1_corregida.Rmd"                          
##  [7] "Practica_2_ENAH_ENBIARE.html"                      
##  [8] "Practica_2_ENAH_ENBIARE.Rmd"                       
##  [9] "Practica_3_ENAH_ENBIARE_construccion_variables.Rmd"
## [10] "rsconnect"                                         
## [11] "TENBIARE.csv"                                      
## [12] "THOGAR.csv"                                        
## [13] "TSDEM.csv"                                         
## [14] "TVIVIENDA.csv"

Pregunta 1. ¿Cuál es su directorio de trabajo?

“C:/Users/andyz/Desktop/clase del viernes/ll”

3 2. Leer la base de la entidad

Cada estudiante utilizará el archivo .rds correspondiente a la entidad seleccionada.

A partir de esta práctica, independientemente del nombre del archivo, llamaremos base al objeto con el que trabajaremos.

Modifique el nombre del archivo en el siguiente código.

base <- readRDS("base_col.rds")

Una vez leído el archivo, compruebe sus dimensiones.

dim(base)

## [1] 991 275

Pregunta 2.

**Entidad:colima
**Nombre del archivo:base
**Número de casos:991
**Número de variables:275

4 3. Nuestra variable principal: satisfacción con la vida

La variable PA1 registra la satisfacción actual con la vida en una escala de 0 a 10.

Primero revise cómo se encuentra almacenada.

str(base$PA1)

##  chr [1:991] "09" "08" "10" "08" "08" "10" "10" "07" "10" "10" "05" "10" ...

table(base$PA1, useNA = "ifany")

## 
##  00  01  02  03  04  05  06  07  08  09  10 
##   4   1   1   3   5  48  33  75 218 205 398

base$PA1 <-as.numeric(base$PA1)

Construya una variable numérica llamada satisf_vida.

base$satisf_vida <- as.numeric(base$PA1)

summary(base$satisf_vida)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   8.000   9.000   8.642  10.000  10.000

Pregunta 3. Registre:

**Media:8.642
**Mediana:9.0
**Mínimo:0.00
**Máximo:10.00

En esta práctica consideraremos satisf_vida como la variable que queremos comprender o explicar.

5 4. Una función que utilizaremos durante toda la práctica

Vamos a construir una función para calcular:

número de casos;
media;
límite inferior del IC95%;
límite superior del IC95%.

Por ahora utilizaremos el IC95% principalmente para visualizar la precisión de las medias. Su interpretación estadística formal se revisará posteriormente.

IC_media <- function(x){
  x <- x[!is.na(x)]
  n <- length(x)
  media <- mean(x)
  error <- qt(0.975, df = n - 1) * sd(x) / sqrt(n)

  c(
    n = n,
    media = media,
    LI = media - error,
    LS = media + error
  )
}

Compruebe la función con satisfacción con la vida.

IC_media(base$satisf_vida)

##          n      media         LI         LS 
## 991.000000   8.641776   8.542246   8.741306

6 5. Sexo y satisfacción con la vida

6.1 5.1 Revisar la variable original

table(base$SEXO, useNA = "ifany")

## 
##   1   2 
## 473 518

Aunque R almacene SEXO mediante números, esos números representan categorías, no cantidades.

6.2 5.2 Construir la variable

base$sexo_f <- factor(
  base$SEXO,
  levels = c(1, 2),
  labels = c("Hombre", "Mujer")
)

table(base$sexo_f)

## 
## Hombre  Mujer 
##    473    518

6.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    473    518

round(prop.table(freq_sexo) * 100, 1)

## 
## Hombre  Mujer 
##   47.7   52.3

Complete:

Sexo	n	%
Hombre	473	47.7
Mujer	518	52.3
Total	991	100

6.4 5.4 Satisfacción con la vida según sexo

tapply(
  base$satisf_vida,
  base$sexo_f,
  mean,
  na.rm = TRUE
)

##   Hombre    Mujer 
## 8.718816 8.571429

Obtenga ahora media e IC95%.

grupos <- split(base$satisf_vida, base$sexo_f)
res <- t(sapply(grupos, IC_media))
round(res, 2)

##          n media   LI   LS
## Hombre 473  8.72 8.56 8.87
## Mujer  518  8.57 8.44 8.70

6.5 5.5 Gráfica de media e IC95%

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8,10),
  xaxt = "n",
  xlab = "Sexo",
  ylab = "Satisfacción con la vida",
  main = "grafica 1. satisfacción con la vida segun sexo, colima 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res))

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 4. ¿Qué observa? ¿Las medias son semejantes o diferentes? Observe también la amplitud de los intervalos.

Respuesta: Las medias son semejantes entre hombres y mujeres. Los intervalos son pequeños. los intervalos se cruzan lo que quiere decir que no hay diferencias significativas

7 6. Edad: de una variable cuantitativa a grupos de edad

EDAD es una variable cuantitativa. Revise primero su distribución.

summary(base$EDAD)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   18.00   30.00   42.00   43.59   55.00   92.00

Ahora construiremos grupos de edad.

base$grupo_edad <- cut(
  base$EDAD,
  breaks = c(17, 29, 44, 59, 74, Inf),
  labels = c("18-29", "30-44", "45-59", "60-74", "75+")
)

7.1 6.1 Frecuencias

freq_edad <- table(base$grupo_edad)

freq_edad

## 
## 18-29 30-44 45-59 60-74   75+ 
##   246   299   254   146    46

round(prop.table(freq_edad) * 100, 1)

## 
## 18-29 30-44 45-59 60-74   75+ 
##  24.8  30.2  25.6  14.7   4.6

Pregunta 5. ¿Cuál es el grupo más numeroso? ¿Cuál es el menos numeroso?

Respuesta:El mas numeroso es el grupo de 30-44 años (299,30.2%) Menos numeroso es el grupo de 75+ (46, 4.6%)

Pregunta 6. ¿Qué ganamos y qué información perdemos al transformar la edad exacta en grupos de edad?

Respuesta: Ganamos que podemos comparar entre grupos de edad y perderdemos la variable cuantitativa y ahora es una variable categorica ordinal

7.2 6.2 Satisfacción según grupos de edad

grupos <- split(base$satisf_vida, base$grupo_edad)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##         n media   LI   LS
## 18-29 246  8.56 8.36 8.76
## 30-44 299  8.78 8.61 8.95
## 45-59 254  8.70 8.49 8.90
## 60-74 146  8.43 8.15 8.71
## 75+    46  8.52 8.04 9.01

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 10),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Grafica2.Satisfaccion con la vida según grupo de edad, COLIMA,2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res))

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 7. ¿Se observa algún patrón entre edad y satisfacción con la vida? ¿Algún grupo tiene un intervalo considerablemente más amplio? ¿Qué podría explicar esa mayor amplitud?

Respuesta: Hubo mas variacion de respuestas en el grupo de 75+ y menos variabilidad en el grupo de 30-44. Esto puede explicar porque el grupo de 75+ tiene una muestra más pequeña. edades intermedias(30-44 y 45-49) tienen una mayor satisfaccion de vida.

8 7. Salud autopercibida

PB1 corresponde a salud autopercibida.

Primero revise las categorías originales.

table(base$PB1, useNA = "ifany")

## 
##   1   2   3   4   5 
##  14  39 292 446 200

Construya una variable con etiquetas.

base$salud_f <- factor(
  base$PB1,
  levels = 1:5,
  labels = c(
    "Muy mala",
    "Mala",
    "Regular",
    "Buena",
    "Muy buena"
  ),
  ordered = TRUE
)

base$salud_4 <- factor(
  ifelse(base$PB1 %in% c(1, 2), "Mala",
         ifelse(base$PB1 == 3, "Regular",
                ifelse(base$PB1 == 4, "Buena", "Muy buena"))),
  levels = c("Mala", "Regular", "Buena", "Muy buena"),
  ordered = TRUE
)

8.1 7.1 Frecuencias

freq_salud <- table(base$salud_4)

freq_salud

## 
##      Mala   Regular     Buena Muy buena 
##        53       292       446       200

round(prop.table(freq_salud) * 100, 1)

## 
##      Mala   Regular     Buena Muy buena 
##       5.3      29.5      45.0      20.2

Pregunta 8. ¿Cuál es la categoría de salud más frecuente?

Respuesta: La categoria BUENA es la mas frecuente con 446 (45%)

8.2 7.2 Salud y satisfacción con la vida

grupos <- split(base$satisf_vida, base$salud_4)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##             n media   LI   LS
## Mala       53  6.98 6.36 7.61
## Regular   292  8.22 8.02 8.42
## Buena     446  8.86 8.73 8.98
## Muy buena 200  9.21 9.03 9.40

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6,10),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main ="Grafica 3. satisfaccion con la vida segun la salud autopercibida, colima 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res))

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 9. ¿Parece existir un gradiente entre salud autopercibida y satisfacción con la vida?

Respuesta: A mejor salud autopercibida, mayor es la satisfaccion con la vida

9 8. Soledad

Trabajaremos ahora con PB4, frecuencia con que la persona reporta haberse sentido sola.

Antes de construir la variable, observe los códigos.

table(base$PB4, useNA = "ifany")

## 
##   1   2   3   4   5 
## 549 230 132  42  38

Construya la variable etiquetada.

base$soledad_f <- factor(
  base$PB4,
  levels = 1:5,
  labels = c(
    "Nunca",
    "Pocas veces",
    "Algunas veces",
    "La mayor parte del tiempo",
    "Todo el tiempo"
  ),
  ordered = TRUE
)

9.1 8.1 Frecuencias

freq_soledad <- table(base$soledad_f)

freq_soledad

## 
##                     Nunca               Pocas veces             Algunas veces 
##                       549                       230                       132 
## La mayor parte del tiempo            Todo el tiempo 
##                        42                        38

round(prop.table(freq_soledad) * 100, 1)

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      55.4                      23.2                      13.3 
## La mayor parte del tiempo            Todo el tiempo 
##                       4.2                       3.8

9.2 8.2 Soledad y satisfacción

grupos <- split(base$satisf_vida, base$soledad_f)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##                             n media   LI   LS
## Nunca                     549  9.01 8.89 9.12
## Pocas veces               230  8.49 8.30 8.68
## Algunas veces             132  7.89 7.58 8.21
## La mayor parte del tiempo  42  7.95 7.34 8.57
## Todo el tiempo             38  7.63 6.92 8.34

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6,10),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Grafica 4.Satisfacción con la vida según frecuencia de soledad, Colima 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res), las = 2)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 10. Conforme aumenta la frecuencia de soledad, ¿qué sucede descriptivamente con la satisfacción con la vida?

Respuesta: Conforme aumenta la frecuencia de soledad hay masvariablidad en las respuestas en cuanto a la satisfaccion de la vida , además de que disminuye la satisfaccion con la vida si hay mayor fecuencia de soledad.

10 9. Capacidad económica

Trabajaremos con PC1, relacionada con la capacidad del hogar para llegar a fin de mes.

Antes de etiquetar sus categorías, consulte el descriptor de ENBIARE y escriba exactamente qué significa cada código.

table(base$PC1, useNA = "ifany")

## 
##   1   2   3   4   5   6 
##  46  80 176 178 356 155

Pregunta 11. Escriba el significado de las categorías de PC1.

Respuesta: Capacidad del hogar de llegar a fin de mes, 1:con mucha dificultad 2:con dificultad 3:con poca dificultad 4:con poca facilidad 5:con facilidad 6:con mucha facilidad

Construya ahora una variable factor utilizando las etiquetas verificadas en el descriptor.

base$fin_mes_f <- factor(
  base$PC1,
  levels = c(1,2,3,4,5,6),
  labels = c("Mucha dificultad","Dificultad","Poca dificultad","Poca facilidad","Facilidad","Mucha facilidad"),
  ordered= TRUE
)

Obtenga frecuencias absolutas y relativas.

freq_economia <- table(base$fin_mes_f)

freq_economia
round(prop.table(freq_economia) * 100, 1)

Calcule la satisfacción media y los IC95%.

grupos <- split(base$satisf_vida, base$fin_mes_f)
res <- t(sapply(grupos, IC_media))

round(res, 2)

Utilice el mismo procedimiento de las secciones anteriores para construir una gráfica de media e IC95%.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6,10),
  xaxt = "n",
  xlab = "capacidad del hogar para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Grafica5. Satisfacción con la vida según capacidad economica, colima 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res), las = 2)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 12. ¿Observa algún patrón entre la capacidad económica y la satisfacción con la vida?

Respuesta: Entre mayor facilidad economica mayor satisfaccion con la vida

11 10. Confianza interpersonal

PF1_1 se refiere a la confianza en la mayoría de la gente.

Revise primero la variable.

str(base$PF1_1)

##  chr [1:991] "08" "00" "03" "02" "01" "09" "00" "02" "05" "00" "00" "09" ...

table(base$PF1_1, useNA = "ifany")

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 187  39  84  97  61 193  83 111  92  20  24

base$confianza<- as.numeric(base$PF1_1)

str(base$confianza)

##  num [1:991] 8 0 3 2 1 9 0 2 5 0 ...

table(base$confianza, useNA = "ifany")

## 
##   0   1   2   3   4   5   6   7   8   9  10 
## 187  39  84  97  61 193  83 111  92  20  24

Pregunta 13. De acuerdo con el descriptor, ¿cómo está medida PF1_1?

Respuesta: Como caracter, a pesar de que son numeros

F1. En general, ¿cuánto confía en la mayoría de la gente?

00 Nada en absoluto 01 - 09 Nivel de confianza 10 Completamente

Antes de modificarla, piense:

¿Conviene conservar todos sus valores o agruparlos?

Si decide agruparla, deberá justificar los puntos de corte. Un agrupamiento simplifica la interpretación, pero también implica pérdida de información.

Decisión tomada: Agrupar en 3 grupos 0, 1-5,6-10

Justificación: ambos grupos de confianza (media y alta) cubren rangos de igual amplitud (5 valores cada uno), lo cual facilita la interpretación y comparación y se vuelven más simetricos los grupos, ya que son muy variables el numero de respuestas en cada valor. Ademas de que facilita el resumen de 11 variables.

Construya la variable que utilizará, obtenga sus frecuencias absolutas y relativas y posteriormente calcule la satisfacción media y su IC95%.

12 Escriba aquí su código

base$nivel<- cut(
  base$confianza,
  breaks = c(-1, 0, 5, 10),
  labels = c("Nada en absoluto", "confianza media", "confianza alta"),
  ordered_result = TRUE
)

table(base$nivel)

## 
## Nada en absoluto  confianza media   confianza alta 
##              187              474              330

freq_confianza <- table(base$nivel)

freq_confianza
round(prop.table(freq_confianza)* 100, 1)

grupos <- split(base$satisf_vida, base$nivel)
res <- t(sapply(grupos, IC_media))

round(res, 2)

Construya también la gráfica correspondiente.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8,10),
  xaxt = "n",
  xlab = "confianza en la gente",
  ylab = "Satisfacción con la vida",
  main = "Grafica 6. Satisfacción con la vida según confianza en la gente, colima 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res), las = 2)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 14. ¿Qué relación descriptiva observa entre confianza interpersonal y satisfacción con la vida?

Respuesta: Las personas con una confianza alta en las personas tienen una mayor satisfaccion de vida.

13 11. Una variable adicional

Seleccione una variable adicional de ENBIARE que considere que podría estar relacionada con la satisfacción con la vida.

Antes de analizarla complete:

En las últimas cuatro semanas, ¿con qué frecuencia ha convivido con su familia o acudido a reuniones familiares?
1 Nunca 2 Pocas veces 3 Algunas veces 4 La mayor parte del tiempo 5 Todo el tiempo

Variable original: PE3_09
¿Qué mide?: En las últimas cuatro semanas, ¿con qué frecuencia ha convivido con su familia o acudido a reuniones familiares?
Tipo de variable: Categorica cualitativa
¿Cómo está codificada?: NUMERICA
¿Necesita recodificación o agrupamiento?: NO
¿Por qué podría relacionarse con satisfacción con la vida?: La satisfaccion con la vida puede relacionarse con las relaciones sociales, ya que fungen como una red de apoyo que pueden cumplir con funciones de ayuda,

Ahora siga la misma secuencia utilizada durante la práctica:

construya o etiquete la variable;

str(base$PE3_09)

##  num [1:991] 4 4 3 4 5 5 5 4 5 3 ...

table(base$PE3_09,useNA = "ifany")

## 
##   1   2   3   4   5 
## 131 165 343 205 147

base$convivencia<- (base$PE3_09)

obtenga frecuencias absolutas;
obtenga frecuencias relativas;

freq_convivencia<- table(base$convivencia)

freq_convivencia

## 
##   1   2   3   4   5 
## 131 165 343 205 147

round(prop.table(freq_convivencia)*100,1)

## 
##    1    2    3    4    5 
## 13.2 16.6 34.6 20.7 14.8

calcule satisfacción media por categoría;

grupos <- split(base$satisf_vida, base$convivencia)
res <- t(sapply(grupos, IC_media))

round(res, 2)

calcule IC95%;
construya la gráfica de media e IC95%.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8,10),
  xaxt = "n",
  xlab = "convivencia con familia",
  ylab = "Satisfacción con la vida",
  main = "Grafica 7 Satisfacción con la vida según frecuencia de convivencia familiar, colima, 2025",
  pch = 19
)

axis(1, at = 1:nrow(res), labels = rownames(res), las = 2)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 15. ¿Qué patrón encontró?

Respuesta: A mayor frecuencia en la convivencia con familia aunmento la satisfaccion con la vida

14 12. Integración de resultados

Hasta ahora hemos examinado posibles relaciones entre satisfacción con la vida y:

sexo;
edad;
salud autopercibida;
soledad;
capacidad económica;
confianza interpersonal;
una variable seleccionada por usted.

Complete la siguiente tabla.

Posible factor	Variable utilizada	¿Qué patrón descriptivo observó?
Sexo	`sexo_f`
Curso de vida	`grupo_edad`
Salud	`salud_f`
Soledad	`soledad_f`
Capacidad económica	`fin_mes_f`
Confianza interpersonal `nivel`
convivencia familiar	`convivencia`

15 13. Interpretación antropológica

Observe conjuntamente sus resultados y gráficas.

Redacte un comentario de 200 a 250 palabras que responda:

¿Qué variables parecen mostrar diferencias más claras en satisfacción con la vida?
¿En cuáles las medias parecen muy semejantes?
¿En alguna observa un posible gradiente?
¿Qué explicaciones sociales, culturales o demográficas podrían plantearse como hipótesis?
¿Qué aspectos importantes para comprender la satisfacción con la vida no pueden conocerse solamente mediante estas variables?
¿Qué podría aportar una aproximación cualitativa o etnográfica?

Interpretación final:

16 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

Entidad:
Variable seleccionada:
Patrón observado:
Una posible interpretación antropológica:

Finalmente responda:

¿Que dos intervalos de confianza se superpongan significa necesariamente que no existe una diferencia entre los grupos?

Por ahora no es necesario resolver formalmente esta pregunta. La retomaremos cuando estudiemos inferencia estadística.

17 Cierre

Al terminar esta práctica deberá poder:

iniciar un análisis desde la lectura del archivo de datos;
distinguir entre códigos numéricos y variables cuantitativas;
construir y etiquetar variables;
agrupar una variable cuando exista una justificación;
obtener frecuencias absolutas y relativas;
calcular medias por grupos;
representar medias mediante intervalos de confianza del 95%;
identificar descriptivamente patrones y gradientes;
distinguir entre un resultado observado y una posible explicación;
relacionar decisiones estadísticas con preguntas antropológicas.

Nota metodológica: continuamos trabajando descriptivamente con los registros de la muestra de ENBIARE correspondientes a cada entidad. Los intervalos de confianza utilizados en esta práctica tienen una finalidad introductoria. Posteriormente incorporaremos el factor de expansión y el diseño complejo de la encuesta para realizar estimaciones poblacionales y estudiaremos formalmente la inferencia estadística.

Práctica 3. Construcción de variables relacionadas con la satisfacción con la vida

ENBIARE 2025

Andrea Zurita sandoval

Fecha:18/09/2026