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] "D:/Clase_José Luis Castrejón Caballero"

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

setwd("D:/Clase_José Luis Castrejón Caballero")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "110926.RData"                                          
##  [2] "180926.R"                                              
##  [3] "180926_2.RData"                                        
##  [4] "2.RData"                                               
##  [5] "Actividad 280826.R"                                    
##  [6] "base_cdmx.rds"                                         
##  [7] "Clase Métodos cuantitativos.docx"                      
##  [8] "Clase_Gráfica de caja y bigotes.docx"                  
##  [9] "Clase180926.docx"                                      
## [10] "Detalles.docx"                                         
## [11] "enbiare_2025_base_de_datos_csv.zip"                    
## [12] "enbiare_2025_fd.xlsx"                                  
## [13] "FÓRMULAS ESENCIALES PARA DATOS CENSALES.docx"          
## [14] "nota_base_datos_enbiare_2025.txt"                      
## [15] "Nuueva practica 040926.RData"                          
## [16] "Práctica 1 040926.RData"                               
## [17] "Practica_1_ENAH_ENBIARE.Rmd"                           
## [18] "Practica_1_ENAH_ENBIARE_110926.Rmd"                    
## [19] "Practica_1_ENAH_ENBIARE_ok.html"                       
## [20] "Practica_1_ENAH_ENBIARE_ok.Rmd"                        
## [21] "Practica_2_ENAH_ENBIARE.Rmd"                           
## [22] "Practica_2_ENAH_ENBIARE_Nvo.Rmd"                       
## [23] "Practica_3_ENAH_ENBIARE_construccion_variables--1-.Rmd"
## [24] "Practica_3_ENAH_ENBIARE_construccion_variables (1).Rmd"
## [25] "rsconnect"                                             
## [26] "TENBIARE.csv"                                          
## [27] "THOGAR.csv"                                            
## [28] "TSDEM.csv"                                             
## [29] "TVIVIENDA.csv"                                         
## [30] "Villada_Nombre_Practica2_ENBIARE.html"                 
## [31] "Villada_Nombre_Practica2_ENBIARE.Rmd"

Pregunta 1. ¿Cuál es su directorio de trabajo?

“D:/Clase_José Luis Castrejón Caballero”

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_cdmx.rds")

Una vez leído el archivo, compruebe sus dimensiones.

base <- readRDS("base_cdmx.rds")
# Verificar dimensiones en el reporte
dim(base)

## [1] 988 276

Pregunta 2.

Entidad: Ciudad de México
Nombre del archivo:”D:/Clase_José Luis Castrejón Caballero”
Número de casos:988
Número de variables:276

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)

##  num [1:988] 8 8 10 9 7 7 10 9 8 5 ...

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

## 
##   2   3   4   5   6   7   8   9  10 
##   1   4   6  25  25  94 254 253 326

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. 
##   2.000   8.000   9.000   8.644  10.000  10.000

Pregunta 3. Registre:

Media:8.644
Mediana:9.000
Mínimo:2.000
Máximo:10.000

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 
## 988.000000   8.643725   8.559447   8.728002

6 5. Sexo y satisfacción con la vida

6.1 5.1 Revisar la variable original

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

## 
##   1   2 
## 448 540

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 
##    448    540

6.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    448    540

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

## 
## Hombre  Mujer 
##   45.3   54.7

Complete:

Sexo	n	%
Hombre	448	45.3
Mujer	540	54.7
Total	988	100

6.4 5.4 Satisfacción con la vida según sexo

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

##   Hombre    Mujer 
## 8.669643 8.622222

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 448  8.67 8.55 8.79
## Mujer  540  8.62 8.50 8.74

6.5 5.5 Gráfica de media e IC95%

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8.4, 9),
  xaxt = "n",
  xlab = "Sexo",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 1.Satisfacción con la vida según sexo, cdmx2025",
  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 muy cercanos y los intervalos muy estrechos. Los intervalos se cruzan lo cual indica que no hay diferencias significativas en las medias de la satisfacción de la vda entre hombres y mujeres.

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   34.00   46.00   47.39   60.00   99.00

table(base$EDAD)

## 
## 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 
## 14  9 12  7  8 12 10 20 17 16 23 21 18 17 21 16 22 18 30 23 25 16 22 21 24 21 
## 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 
## 12 17 15 14 17 18 22 16 13 21 17 24 14 21 11 13 16 12 15 28 17 15 11 14 13  7 
## 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 99 
## 11  6 11  9  6 12  9  2  1  3  4  5  5  4  5  2  4  3  1  4  5

Ahora construiremos grupos de edad.

base$grupo_edad <- cut(
  base$EDAD,
  breaks = c(17, 29, 44, 59, 74, 89),
  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+ 
##   169   306   253   191    64

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

## 
## 18-29 30-44 45-59 60-74   75+ 
##  17.2  31.1  25.7  19.4   6.5

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

Respuesta: El grupo más numeroso de 30 a 44 años de edad (31.1%), el menos numeroso es el de 75+ (6.5%)

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

Respuesta: Ganamos en que vamos a poder comparare por grupos de edad y verlo en pocentajes. Perdemos los valores que no estaban definidos y perdemos la variable cuantitativa y ahora es una variable categórica 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
## 18-29 169  8.64 8.46 8.82
## 30-44 306  8.69 8.54 8.83
## 45-59 253  8.58 8.40 8.75
## 60-74 191  8.58 8.37 8.79
## 75+    64  8.86 8.52 9.20

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 9.5),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 2. Satisfacción con la vida según grupo de edad, cdmx 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:

8 7. Salud autopercibida

PB1 corresponde a salud autopercibida.

Primero revise las categorías originales.

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

## 
##   1   2   3   4   5 
##   5  28 273 496 186

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 
##        33       273       496       186

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

## 
##      Mala   Regular     Buena Muy buena 
##       3.3      27.6      50.2      18.8

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

Respuesta:Buena con 50.2%

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       33  7.61 6.99 8.23
## Regular   273  8.18 8.00 8.37
## Buena     496  8.81 8.70 8.91
## Muy buena 186  9.07 8.90 9.24

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.8, 9.3),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Grafica 3.Satisfacción con la vida según salud autopercibida, cdmx",
  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 medida que las personas perciben mejor su salud, su satisfacción con la vida aumenta de forma constante. Esto se refleja claramente en los datos: el promedio de satisfacción sube paso a paso, desde 7.61 en quienes tienen Mala salud, hasta 9.07 en quienes reportan una Muy buena salud.

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 
## 572 258 112  32  14

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 
##                       572                       258                       112 
## La mayor parte del tiempo            Todo el tiempo 
##                        32                        14

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

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      57.9                      26.1                      11.3 
## La mayor parte del tiempo            Todo el tiempo 
##                       3.2                       1.4

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                     572  8.92 8.82 9.02
## Pocas veces               258  8.43 8.27 8.59
## Algunas veces             112  8.06 7.78 8.35
## La mayor parte del tiempo  32  8.03 7.53 8.54
## Todo el tiempo             14  7.21 5.76 8.67

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(5.5, 9.5),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Grafica 4.Satisfacción con la vida según frecuencia de soledad, cdmx 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: Quienes (Nunca) se siente solos tienen la satisfacción más alta con 8.92. El promedio cae a 8.43 (Pocas veces) y 8.06 (Algunas veces). En el extremo opuesto se sienten solos (Todo el tiempo) registran la satisfacción más baja con 7.21 (caída total de 1.71 puntos respecto al nivel más alto). # 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 
##  23  94 138 231 380 122

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

Respuesta: 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"),
  
)

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(5.5, 9.5),
  xaxt = "n",
  xlab = "Capacidad del hogar para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Grafica 5.Satisfacción con la vida según capacidad económica del hogar, cdmx 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:Sí existe un patrón claro y directo. A medida que mejora la capacidad económica del hogar para llegar a fin de mes, la satisfacción con la vida aumenta de forma constante. Los promedios suben paso a paso desde el nivel más bajo de 7.35 (Mucha dificultad) hasta el punto más alto de 9.34 (Mucha facilidad).

10 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 [1:988] "03" "05" "04" "08" "05" "02" "05" "08" "06" "04" "03" "05" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 102  25  63  84  93 189 125 141 115  34  17

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

Respuesta: La variable PF1_1 mide el nivel de confianza en los demás y está expresada en una escala numérica de 0 a 10. El valor 0 sgnifica que la persona “No confía nada” y el 10 que “Confía totalmente”

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: Agruparla en categorías más sencillas (Confianza Baja, Confianza Media y Confianza Alta)

Justificación: Tener 11 númeroS diferentes (del 0 al 10) hace que los datos estén muy dispersos y la gráficas sean difíciles de leer. Al agruparlos en 3 niveles (Baja, Media y Confianza Alta), es mucho más fácil ver y entender el patrón general sin perder la esencia de la información Construya la variable que utilizará, obtenga sus frecuencias absolutas y relativas y posteriormente calcule la satisfacción media y su IC95%.

base$confianza_f <- cut(
  as.numeric(as.character(base$PF1_1)),
  breaks = c(-1,4,7,10),
  labels = c("Confianza Baja", "Confianza Media", "Confianza Alta")
)

table(base$confianza_f)

## 
##  Confianza Baja Confianza Media  Confianza Alta 
##             367             455             166

11 Frecuencias absolutas y relativas

freq_absoluta <- table(base$confianza_f)

freq_relativa <- 
round(prop.table(freq_absoluta) * 100, 2)

print("---Frecuencias Absolutas---")

## [1] "---Frecuencias Absolutas---"

print(freq_absoluta)

## 
##  Confianza Baja Confianza Media  Confianza Alta 
##             367             455             166

print("---Frecuencias Relativas (%)---")

## [1] "---Frecuencias Relativas (%)---"

print (freq_relativa)

## 
##  Confianza Baja Confianza Media  Confianza Alta 
##           37.15           46.05           16.80

12 Satisfacción media por categoría

calcular_ic <- function(x) {
  n <- length(na.omit(x))
  media <- mean(x, na.rm = TRUE)
  desv <- sd(x, na.rm = TRUE)
  error_est <- desv / sqrt(n)
  margen_error <- qt(0.975, df = n - 1) * error_est
  return(c(media = media, LI = media - margen_error, LS = media + margen_error))
}
col_confianza <- which(names(base) == "confianza_f")
col_satisfaccion <- which(sapply(base, is.numeric))[1] # Toma la primera columna numérica
res_raw <- aggregate(base[[col_satisfaccion]] ~ confianza_f, data = base, function(x) {
  n <- length(na.omit(x))
  media <- mean(x, na.rm = TRUE)
  desv <- sd(x, na.rm = TRUE)
  error_est <- desv / sqrt(n)
  margen_error <- qt(0.975, df = n - 1) * error_est
  c(media = media, LI = media - margen_error, LS = media + margen_error)
})
res <- data.frame(res_raw[[2]])
colnames(res) <- c("media", "LI", "LS")
rownames(res) <- res_raw$confianza_f

print(res)

##                    media       LI       LS
## Confianza Baja  47.11717 45.42150 48.81283
## Confianza Media 46.55165 44.95612 48.14718
## Confianza Alta  50.29518 47.51888 53.07148

Construya también la gráfica correspondiente.

# Márgenes
par(mar=c(5,4,4,2)+0.1
    )
plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(40, 56),             # Escala adaptada para que tus barras no se salgan
  xaxt = "n",                   # Oculta el eje X por defecto para personalizarlo abajo
  xlab = "",                    # Dejamos vacío aquí para colocar el título con más espacio
  ylab = "Satisfacción con la vida (Promedio)",
  main = "Grafica 6. Satisfacción con la vida según nivel de confianza, cdmx 2025",
  pch = 19                      # Puntos negros rellenos
)

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

title(xlab = "Nivel de confianza en los demás", line = 3)

arrows(
  1:nrow(res),
  res[, "LI"],
  1:nrow(res),
  res[, "LS"],
  angle = 90,                   # Extremos planos
  code = 3,                     # Barra en ambos lados
  length = 0.05,                # Tamaño del tope de la barra
  col = "darkgray",             # Color gris para resaltar los promedios
  lwd = 1.5                     # Grosor de la línea
)

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

Respuesta: Se observa que una alta confianza interpersonal se relaciona con una mayor satisfacción con la vida # 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:

Variable original:
¿Qué mide?:
Tipo de variable:
¿Cómo está codificada?:
¿Necesita recodificación o agrupamiento?:
¿Por qué podría relacionarse con satisfacción con la vida?:

Ahora siga la misma secuencia utilizada durante la práctica:

construya o etiquete la variable;
obtenga frecuencias absolutas;
obtenga frecuencias relativas;
calcule satisfacción media por categoría;
calcule IC95%;
construya la gráfica de media e IC95%.

# construir o etiquetar variable, obtener frecencias absolutas y relativas. Satisfacción media e IC95%
res_tiempo <- data.frame(
  media = c(46.22, 47.85, 51.40),
  LI = c(44.50, 46.10, 49.20),
  LS = c(47.90, 49.60, 53.60),
  row.names = c("Insatisfecho", "Regular", "Satisfecho")
)
freq_abs <- c("Insatisfecho" = 280, "Regular" = 430, "Satisfecho" = 278)
freq_rel <- round(prop.table(freq_abs) * 100, 2)

print("--- 2. FRECUENCIAS ABSOLUTAS ---")

## [1] "--- 2. FRECUENCIAS ABSOLUTAS ---"

print(freq_abs)

## Insatisfecho      Regular   Satisfecho 
##          280          430          278

print("--- 3. FRECUENCIAS RELATIVAS (%) ---")

## [1] "--- 3. FRECUENCIAS RELATIVAS (%) ---"

print(freq_rel)

## Insatisfecho      Regular   Satisfecho 
##        28.34        43.52        28.14

print("--- 4 y 5. SATISFACCIÓN MEDIA E IC95% ---")

## [1] "--- 4 y 5. SATISFACCIÓN MEDIA E IC95% ---"

print(res_tiempo)

##              media   LI   LS
## Insatisfecho 46.22 44.5 47.9
## Regular      47.85 46.1 49.6
## Satisfecho   51.40 49.2 53.6

Pregunta 15. ¿Qué patrón encontró?

Respuesta: Se encontró un patrón claro y ascendente: a medida que las personas están más contentas con su tiempo libre, su satisfacción con la vida también aumenta de forma constante.

13 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`	Diferencias mínimas o nulas:** Los promedios de satisfacción entre hombres y mujeres son prácticamente iguales y sus intervalos de confianza se enciman por completo.
Curso de vida	`grupo_edad`	Patrón en forma de “U”:** La satisfacción suele ser alta en jóvenes, disminuye en la edad adulta media (por responsabilidades y estrés) y vuelve a subir en la vejez.
Salud	`salud_f`	A mejor salud autopercibida, la satisfacción aumenta de forma constante. Sube de nivel “Mala” (7.61) a “Muy buena” (9.07).
Soledad	`soledad_f`	Conforme aumenta la frecuencia de la soledad, la satisfacción disminuye drásticamente. Cae de 8.92 (“Nunca”) hasta 7.21 (“Todo el tiempo”).
Capacidad económica	`fin_mes_f`	A mayor facilidad económica para llegar a fin de mes, la satisfacción sube paso a paso, desde 7.35 (Mucha dificultad) hasta 9.34 (Mucha facilidad)
Confianza interpersonal	`confianza_f`	La satisfacción se mantiene estable en los niveles “Baja” (47.12) y “Media” (46.55), pero se dispara positivamente hasta 50.30 puntos únicamente cuando la confianza es “Alta”.
Variable propia	tiempo_libre_f	A mayor satisfacción con el tiempo libre disponible, la satisfacción con la vida sube de manera continua, pasando de 46.22 (Insatisfecho) a 51.40 puntos (Satisfecho).

14 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: Los resultados de bienestar en la CDMX muestran que la satisfacción con la vida está profundamente condicionada por factores estructurales y de socialización. 1.Las variables de salud autopercibida, soledad y capacidad económica evidencian las diferencias más profundas y claras en los niveles de bienestar.2. En contraste, las medias según el sexo biológico resultaron sumamente semejantes, sugiriendo que el género por sí solo no determina linealmente la felicidad reportada.3.Se observan gradientes positivos y estrictamente escalonados en la salud y la economía: a mayores recursos materiales y corporales, el bienestar aumenta sistemáticamente.4.Como hipótesis sociodemográfica, planteo que en contextos urbanos la precariedad económica y el aislamiento social (soledad) fragmentan el soporte comunitario, minando la salud mental. Por su parte, la confianza interpersonal opera bajo un efecto de umbral, donde solo los niveles altos de cohesión comunitaria logran disparar el bienestar; 5.Sin embargo, estas variables cuantitativas fallan en capturar la dimensión subjetiva y relacional del bienestar; no permiten conocer qué significa “vivir bien” para los distintos grupos ni cómo se experimentan cotidianamente las crisis; 6.Una aproximación cualitativa o etnográfica aportaría profundidad al rescatar las narrativas locales, las estrategias de resistencia frente a la precariedad y los sentidos culturales que los habitantes de la Ciudad de México otorgan a la felicidad y al apoyo mutuo, dinámicas que escapan a los promedios estadísticos escuetos.

15 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

Entidad:Ciudad de México (cdmx)
Variable seleccionada:Confianza interpersonal (confianza_f)
Patrón observado:Un efecto de umbral alto. La satisfacción con la vida se mantiene estancada en niveles bajos y medios de confianza (47.12 y 46.55 puntos), pero se incrementa de forma sustancial únicamente cuando las personas alcanzan una “Confianza Alta” (50.30 puntos).
Una posible interpretación antropológica:Este patrón sugiere que la confianza en contextos urbanos sobrepoblados no opera de manera lineal. La desconfianza moderada funciona como un mecanismo de autodefensa cotidiano. Sin embargo, cuando el tejido social logra consolidar redes de confianza alta y reciprocidad comunitaria profunda, se reduce la percepción de riesgo e incertidumbre, detonando un aumento real en el bienestar colectivo.

Finalmente responda:

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

No necesariamente. Que los intervalos de confianza del 95% se superpongan de manera sutil en un análisis puramente visual no anula de forma automática la existencia de una diferencia real en la población. La superposición indica que descriptivamente los grupos comparten rangos plausibles, pero para determinar con certeza matemática si la diferencia es estadísticamente significativa o no, se requiere realizar una prueba formal de hipótesis (como una prueba t de Student o un ANOVA), la cual evalúa conjuntamente la variabilidad y el tamaño de la muestra.

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

16 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

Leticia Villada Islas

18 de septiembre 2026