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/HP Envy/Desktop/Tanya María/1 ENAH 2026/Maestría/materias/Metodologia cuanti"

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

setwd("C:/Users/HP Envy/Desktop/Tanya María/1 ENAH 2026/Maestría/materias/Metodologia cuanti")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "02_USUARIOS_01.XLS"                                 
##  [2] "02_USUARIOS_08.XLS"                                 
##  [3] "base ejercicio 3.RData"                             
##  [4] "base tbc y base original.RData"                     
##  [5] "base.RData"                                         
##  [6] "base_tbc,rds"                                       
##  [7] "base_tbc.RData"                                     
##  [8] "base_tbc.rds"                                       
##  [9] "Bases del ejercicio 2.RData"                        
## [10] "conjunto_de_datos_enbiare_2025_csv.zip"             
## [11] "ejercicio tabasco.RData"                            
## [12] "enbiare ejercicio.R"                                
## [13] "enbiare_2025_base_de_datos_csv.zip"                 
## [14] "enbiare_2025_fd.xlsx"                               
## [15] "enbiare_2025_tab_ef_xlsx.zip"                       
## [16] "enbiare_2025_tab_xlsx.zip"                          
## [17] "figure-html"                                        
## [18] "Fragoso_Tanya_Practica_1_ENBIARE.html"              
## [19] "Fragoso_Tanya_Practica_1_ENBIARE.Rmd"               
## [20] "Fragoso_Tanya_Practica_2_ENBIARE.html"              
## [21] "Fragoso_Tanya_Practica_2_ENBIARE.Rmd"               
## [22] "Fragoso_Tanya_Practica_3_ENBIARE.html"              
## [23] "Fragoso_Tanya_Practica_3_ENBIARE.Rmd"               
## [24] "Niños en albergue para menores en DF.xlsx"          
## [25] "Practica_3_ENAH_ENBIARE_construccion_variables.html"
## [26] "Practica_3_ENAH_ENBIARE_construccion_variables.Rmd" 
## [27] "rsconnect"                                          
## [28] "Tablas con salud.RData"                             
## [29] "TENBIARE.csv"

Pregunta 1. ¿Cuál es su directorio de trabajo?

“C:/Users/HP Envy/Desktop/Tanya María/1 ENAH 2026/Maestría/materias/Metodologia cuanti”

load("C:/Users/HP Envy/Desktop/Tanya María/1 ENAH 2026/Maestría/materias/Metodologia cuanti/base_tbc.RData")
 dim(base_tbc)

## [1] 1029  276

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_tbc.rds")

Una vez leído el archivo, compruebe sus dimensiones.

load("C:/Users/HP Envy/Desktop/Tanya María/1 ENAH 2026/Maestría/materias/Metodologia cuanti/base ejercicio 3.RData")
dim(base)

## [1] 1029  276

Pregunta 2.

**Entidad: Tabasco
**Nombre del archivo:base
**Número de casos:1029
**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 [1:1029] 8 10 10 10 6 8 10 9 10 10 ...

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

## 
##   0   1   2   3   4   5   6   7   8   9  10 
##   8   3   4  12  10  64  34  93 249 208 344

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   8.325  10.000  10.000

Pregunta 3. Registre:

**Media:8.32
**Mediana:9
**Mínimo:0
**Máximo:10

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 
## 1029.000000    8.324587    8.211013    8.438160

6 5. Sexo y satisfacción con la vida

6.1 5.1 Revisar la variable original

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

## 
##   1   2 
## 478 551

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 
##    478    551

6.3 5.3 Frecuencias absolutas y relativas (promedio)

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    478    551

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

## 
## Hombre  Mujer 
##   46.5   53.5

Complete:

Sexo	n	%
Hombre	478	46.5
Mujer	551	53.5
Total	1029	100

6.4 5.4 Satisfacción con la vida según sexo

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

##   Hombre    Mujer 
## 8.430962 8.232305

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 478  8.43 8.27 8.59
## Mujer  551  8.23 8.07 8.39

6.5 5.5 Gráfica de media e IC95%

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 8.7),
  xaxt = "n",
  xlab = "Sexo",
  ylab = "Satisfacción con la vida",
  main = "Grafica 1. Satisfacción con la vida 
  según sexo, Tabasco 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 muy cercanas y los intervalos muy estrechos. Redujimos el rango, para que se viera más de cerca (de 0-10, a 8-9). Los intervalos se cruzan, por lo que no hay diferencias significativas n las medias de la satisfacción de la vida 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   31.00   43.00   45.23   59.00   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 
## 22 11 16 19 17 28 10 21 19 20 17 18 15 29 24 22 17 19 28 25 27 25 24 22 19 16 
## 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 
## 24 16 17 15 23 14 22 13 16 19 11 14  9 18  9 13 17 19 17 16  9 13 11 10  6 13 
## 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 91 92 94 99 
## 16  9 14  7  6 12  6  4  6  6  3  1  2  3  2  3  3  3  2  1  2  1  1  2

Ahora construiremos grupos de edad.

base$grupo_edad <- cut(
  base$EDAD,
  breaks = c(17, 29, 44, 59, 74, 94),
  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+ 
##   218   336   229   183    61

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

## 
## 18-29 30-44 45-59 60-74   75+ 
##  21.2  32.7  22.3  17.8   5.9

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

Respuesta: de 30 a 44 años de edad es el más numeroso (336) y el menos numeroso fue el de 75+ (5.9%)

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

Respuesta: ya no es una variable numérica sino ordinal, lo cual permite comparar grupos de edad y verlo en porcentajes

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
## 18-29 218  8.50 8.27 8.73
## 30-44 336  8.40 8.23 8.58
## 45-59 229  8.19 7.94 8.44
## 60-74 183  8.19 7.86 8.51
## 75+    61  8.23 7.72 8.74

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7.7, 8.8),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 2. Satisfacción con la vida 
  según grupo de edad, Tabasco 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?

Que va disminuyendo conforme avanzan los años (de 18 a 45), después se mantiene en ese nivel durante los proximos años (hasta 74) y posteriormete vuelve a subir un poco, en el intervalo de 75+

8 7. Salud autopercibida

PB1 corresponde a salud autopercibida.

Primero revise las categorías originales.

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

## 
##   1   2   3   4   5 
##  10  46 392 414 167

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 
##        56       392       414       167

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

## 
##      Mala   Regular     Buena Muy buena 
##       5.4      38.1      40.2      16.2

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

Buena con 40.2%

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       56  6.73 6.14 7.32
## Regular   392  7.85 7.65 8.05
## Buena     414  8.70 8.56 8.84
## Muy buena 167  9.05 8.82 9.28

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 9.2),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 3.Satisfacción con la vida 
  según salud autopercibida. Tabasco 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?

A mayor salud autopercibida, mayor satisfacción con la vida (no causal sino de relación)

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 
## 519 231 170  56  53

1 - Nunca (N) 2 - Pocas veces (PV) 3 -Algunas veces (AV) 4 - La mayor parte del tiempo (MPT) 5 - Todo el tiempo (TT)

Construya la variable etiquetada.

base$soledad_f <- factor(
  base$PB4,
  levels = 1:5,
  labels = c(
    "N",
    "PV",
    "AV",
    "MPT",
    "TT"
  ),
  ordered = TRUE
)

9.1 8.1 Frecuencias

freq_soledad <- table(base$soledad_f)

freq_soledad

## 
##   N  PV  AV MPT  TT 
## 519 231 170  56  53

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

## 
##    N   PV   AV  MPT   TT 
## 50.4 22.4 16.5  5.4  5.2

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
## N   519  8.75 8.61 8.88
## PV  231  8.35 8.16 8.55
## AV  170  7.69 7.34 8.03
## MPT  56  7.32 6.79 7.85
## TT   53  7.17 6.41 7.93

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 9),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 4. Satisfacción con la vida 
  según frecuencia de soledad, Tabasco 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 10. Conforme aumenta la frecuencia de soledad, ¿qué sucede descriptivamente con la satisfacción con la vida?

A menor percepción de soledad, la tendencia es que refieran mayor satisfacción con la vida

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.

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

1 Con mucha dificultad - MD 2 Con dificultad - D 3 Con poca dificultad - PD 4 Con poca facilidad - PF 5 Con facilidad F 6 Con mucha facilidad - MF

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

str(base$PC1)

##  num [1:1029] 4 5 5 5 3 2 2 4 5 5 ...

base$fin_mes_f <- as.numeric(base$PC1)

IC_media(base$fin_mes_f)

##           n       media          LI          LS 
## 1029.000000    3.582119    3.490058    3.674180

base$fin_mes_f <- factor(
  base$PC1,
  levels = c(1:6),
  labels = c("MD", "D", 
             "PD", "PF", 
             "F", "MF"),
ordered = TRUE
)

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

## 
##  MD   D  PD  PF   F  MF 
## 107 178 198 196 255  95

Obtenga frecuencias absolutas y relativas.

freq_economia <- table(base$fin_mes_f)

freq_economia

## 
##  MD   D  PD  PF   F  MF 
## 107 178 198 196 255  95

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

## 
##   MD    D   PD   PF    F   MF 
## 10.4 17.3 19.2 19.0 24.8  9.2

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)

##      n media   LI   LS
## MD 107  7.29 6.80 7.78
## D  178  7.94 7.67 8.22
## PD 198  8.21 7.96 8.46
## PF 196  8.37 8.14 8.60
## F  255  8.96 8.79 9.13
## MF  95  8.64 8.25 9.03

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

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.4, 9.5),
  xaxt = "n",
  xlab = "Frecuencia de capacidad del hogar para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 5. Satisfacción con la vida 
  según la capacidad del hogar para llegar a fin de mes, Tabasco 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 12.

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

Si, va incrementando. Una mayor capacidad del hogar para llegar a fin de mes, está relacionada con una mayor la satisfacción de 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 [1:1029] "06" "04" "07" "10" "06" "01" "08" "07" "05" "09" "05" "09" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 155  40  68  89  80 214 126 113  94  24  26

NOTA: Salvaremos en ocasiones la “base”, que en este caso proviene de la “base_.rds”

saveRDS(base, "base_tbc,rds")

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

Confianza en las demás personas: variable caracter

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 Sí lo agrupé

Justificación Porque noté que había cierta semejanza en algunos de los valores, por lo que no perdía infromación importante

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

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

summary(base$confianza)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   0.000   2.000   5.000   4.478   6.000  10.000

IC95%:

IC_media(base$confianza)

##           n       media          LI          LS 
## 1029.000000    4.478134    4.310274    4.645994

base$grupo_confianza <- cut(
  base$confianza,
  breaks = c(1:8),
  labels = c("o", "1-2", "3-4", "5", "6-7", "8-9", "10")
)

Medias por categoría:

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

##        o      1-2      3-4        5      6-7      8-9       10 
## 8.073529 7.876404 8.137500 8.397196 8.317460 8.407080 9.042553

Frecuencias absolutas y relativas por categoría:

freq_confianza <- table(base$grupo_confianza)

freq_confianza

## 
##   o 1-2 3-4   5 6-7 8-9  10 
##  68  89  80 214 126 113  94

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

## 
##    o  1-2  3-4    5  6-7  8-9   10 
##  8.7 11.4 10.2 27.3 16.1 14.4 12.0

Satisfacción media por cada categoría de satisfacción con la salud mental y emocional;

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

round(res, 2)

##       n media   LI   LS
## o    68  8.07 7.66 8.49
## 1-2  89  7.88 7.47 8.29
## 3-4  80  8.14 7.69 8.59
## 5   214  8.40 8.16 8.63
## 6-7 126  8.32 8.01 8.62
## 8-9 113  8.41 8.13 8.69
## 10   94  9.04 8.81 9.27

Construya también la gráfica correspondiente.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7.2, 9.4),
  xaxt = "n",
  xlab = "Frecuencia de confianza en las demás personas",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 6.Satisfacción con la vida según 
  la confianza en las demás personas, Tabasco 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 14. ¿Qué relación descriptiva observa entre confianza interpersonal y satisfacción con la vida?

Respuesta: A grandes rasgos, podemos ver que una mayor satisfacción de vida, está relacionada con un nivel mayor de confianza en las demás personas

12 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: PA3_03
**¿Qué mide?:* Nivel de satisfacción con la salud mental y emocional
**Tipo de variable: Categórica
**¿Cómo está codificada?: 00 Totalmente insatisfecho(a) 01 - 09 Nivel de satisfacción 10 Totalmente satisfecho(a)
**¿Necesita recodificación o agrupamiento?: POdría resultar útil, ya que el itervalo del 1 al 9 tiene resultados muy diversos y sólo lo agrupan en 1
**¿Por qué podría relacionarse con satisfacción con la vida?: Porque la salud mental y emocional es indispensable para poder alcanzar un nivel de satisfacción de vida alto

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%.

str(base$PA3_03)

##  chr [1:1029] "10" "10" "08" "10" "08" "07" "09" "10" "10" "10" "10" "09" ...

base$saludmental <- as.numeric(base$PA3_03)

str(base$saludmental)

##  num [1:1029] 10 10 8 10 8 7 9 10 10 10 ...

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

## 
##   0   1   2   3   4   5   6   7   8   9  10 
##   4   3  15  17  28  61  54 107 216 225 299

base$grupo_saludmental <- factor(
  base$saludmental,
  levels = c(0:10),
  labels = c("0", "1", "2", "3", "4", "5", "6", "7", "8", "9", "10")
)

Medias por categoría:

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

##        0        1        2        3        4        5        6        7 
## 4.250000 5.333333 4.933333 6.235294 6.535714 7.295082 7.444444 7.644860 
##        8        9       10 
## 8.129630 8.800000 9.260870

IC95%:

IC_media(base$saludmental)

##           n       media          LI          LS 
## 1029.000000    8.082604    7.960410    8.204799

Frecuencias absolutas y relativas:

freq_saludmental <- table(base$grupo_saludmental)

freq_saludmental

## 
##   0   1   2   3   4   5   6   7   8   9  10 
##   4   3  15  17  28  61  54 107 216 225 299

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

## 
##    0    1    2    3    4    5    6    7    8    9   10 
##  0.4  0.3  1.5  1.7  2.7  5.9  5.2 10.4 21.0 21.9 29.1

Satisfacción media por categoría;

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

##      n media    LI    LS
## 0    4  4.25 -1.76 10.26
## 1    3  5.33 -0.92 11.58
## 2   15  4.93  3.42  6.45
## 3   17  6.24  5.11  7.36
## 4   28  6.54  5.63  7.44
## 5   61  7.30  6.75  7.84
## 6   54  7.44  6.92  7.97
## 7  107  7.64  7.30  7.99
## 8  216  8.13  7.92  8.34
## 9  225  8.80  8.63  8.97
## 10 299  9.26  9.11  9.41

Construya la gráfica correspondiente:

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(-2, 12),
  xaxt = "n",
  xlab = "Satisfacción con la salud mental y emocional",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 7.Satisfacción con la vida según 
  la satisfacción con la salud mental y emocional, Tabasco 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 15. ¿Qué patrón encontró?

**Respuesta: Que va aumentando. Que conforme sube el nivel de satisfacción con la vida, el nivel de satisfacción con la salud mental y emocional también aumenta. También puede notarse que las desviaciones van disminuyendo, conforme aumenta el nivel de satisfacción con la salud mental y emocional.Es decir, que las personas que refirieron tener un nivel bajo de satisfacción con la salud mental y emocionnal, pudieron tener menor o mayor satisfacción con la vida. Mientras que los que respondieron tener alta satisfacción con la salud mental y emocional, en su mayoría refirieron experimentar un nivel alte de satisfacción con la vida.

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`	Las medias son muy cercanas y los intervalos muy estrechos. Redujimos el rango, para que se viera más de cerca (de 0-10, a 8-9). Los intervalos se cruzan, por lo que no hay diferencias significativas n las medias de la satisfacción de la vida entre hombres y mujeres
Curso de vida	`grupo_edad`	Que va disminuyendo conforme avanzan los años (de 18 a 45), después se mantiene en ese nivel durante los proximos años (hasta 74) y posteriormete vuelve a subir un poco, en el intervalo de 75+
Salud	`salud_f`	Un nivel mayor de salud autopercibida, se relaciona con un nivel mayor de satisfacción con la vida
Soledad	`soledad_f`	A menor percepción de soledad, se refiere mayor satisfacción con la vida
Capacidad económica	`fin_mes_f`	A mayor capacidad del hogar para llegar a fin de mes, es mayor la satisfacción de vida
Confianza interpersonal	`PF1_1`	Una mayor satisfacción de vida, está relacionada con un nivel mayor de confianza en las demás personas
Satisfacción con la salud mental y emocional	`saludmental`	Que va aumentando. Que conforme sube el nivel de satisfacción con la vida, el nivel de satisfacción con la salud mental y emocional también aumenta. También puede notarse que las desviaciones van disminuyendo, conforme aumenta el nivel de satisfacción con la salud mental y emocional.Es decir, que las personas que refirieron tener un nivel bajo de satisfacción con la salud mental y emocionnal, pudieron tener menor o mayor satisfacción con la vida. Mientras que los que respondieron tener alta satisfacción con la salud mental y emocional, en su mayoría refirieron experimentar un nivel alte de satisfacción con la vida.

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:

Las diferencias más claras en satisfacción con la vida aparecen en salud autopercibida (de 6.73 en “mala” a 9.05 en “muy buena”), soledad (de 8.75 en “nunca” a 7.17 en “todo el tiempo”) y satisfacción con la salud mental (de ~6 a ~9). En cambio, las medias por sexo son muy semejantes (8.43 hombres vs. 8.23 mujeres), con intervalos que se cruzan. Se observa un posible gradiente en salud, soledad, capacidad económica y confianza interpersonal: a mayor salud, menor soledad, mayor capacidad económica y más confianza, mayor satisfacción. La edad muestra un patrón curvilíneo: baja de los 18-29 a los 45-59 y repunta en 75+.

Como hipótesis, cabe pensar en desigualdades socioeconómicas, redes de apoyo debilitadas, aislamiento urbano, precariedad laboral y diferencias generacionales en expectativas. Sin embargo, estas variables no captan significados, trayectorias biográficas, vínculos familiares, pertenencia comunitaria ni expectativas culturales. Una aproximación cualitativa o etnográfica aportaría narrativas, matices y contextos que explican por qué alguien con condiciones similares evalúa su vida de forma distinta.

15 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

**Entidad:Tabasco
**Variable seleccionada: EDAD y satisfacción de vida
**Patrón observado:El nivel de satisfacción va disminuyendo, hasta que alcanzaun límite y vuelve a subir en el +75
**Una posible interpretación antropológica: El que vaya disminuyendo ha de estar relacionado con la consolidación de la vida adulta, con todas las dificutades que implica, en esta época moderna. Sin embargo, al llegar a cierta edad, algunos afortunados pueden dejar de trabajar y vivir con su pensión. Por lo que incementan levemente su nivel de satisfacción.

Finalmente responda:

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

RESPUESTA Así es. Para que haya una diferencia significativa, los intervalos deben estar separados. A mayor distancia, mayor significancia.

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.

NOTA: No irnos sin salvar una vez más la “base”, que en este caso proviene de la “base_.rds”

saveRDS(base, "base_tbc,rds")

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

ENBIARE 2025

Tanya María Fragoso López

18 septiembre 2026