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] "240326.RData"                                                 
##  [6] "250926.RData"                                                 
##  [7] "Actividad 280826.R"                                           
##  [8] "base_cdmx.rds"                                                
##  [9] "Clase Métodos cuantitativos.docx"                             
## [10] "Clase_Gráfica de caja y bigotes.docx"                         
## [11] "Clase180926.docx"                                             
## [12] "Detalles.docx"                                                
## [13] "enbiare_2025_base_de_datos_csv.zip"                           
## [14] "enbiare_2025_fd.xlsx"                                         
## [15] "FÓRMULAS ESENCIALES PARA DATOS CENSALES.docx"                 
## [16] "nota_base_datos_enbiare_2025.txt"                             
## [17] "Nuueva practica 040926.RData"                                 
## [18] "Práctica 1 040926.RData"                                      
## [19] "Practica_1_ENAH_ENBIARE.Rmd"                                  
## [20] "Practica_1_ENAH_ENBIARE_110926.Rmd"                           
## [21] "Practica_1_ENAH_ENBIARE_ok.html"                              
## [22] "Practica_1_ENAH_ENBIARE_ok.Rmd"                               
## [23] "Practica_2_ENAH_ENBIARE.Rmd"                                  
## [24] "Practica_2_ENAH_ENBIARE_Nvo.Rmd"                              
## [25] "Practica_3-1-_ENAH_ENBIARE_construccion_variables--2-.html"   
## [26] "Practica_3-2-_ENAH_ENBIARE_construccion_variables--2-.html"   
## [27] "Practica_3(1)_ENAH_ENBIARE_construccion_variables (2).Rmd"    
## [28] "Practica_3(2)_ENAH_ENBIARE_construccion_variables (2).Rmd"    
## [29] "Practica_3_ENAH_ENBIARE_construccion_variables--1-.html"      
## [30] "Practica_3_ENAH_ENBIARE_construccion_variables (1).Rmd"       
## [31] "rsconnect"                                                    
## [32] "TENBIARE.csv"                                                 
## [33] "THOGAR.csv"                                                   
## [34] "TSDEM.csv"                                                    
## [35] "TVIVIENDA.csv"                                                
## [36] "Villada_Leticia_Practica_3ENBIARE_construccion_variables.html"
## [37] "Villada_Leticia_Practica_3ENBIARE_construccion_variables.Rmd" 
## [38] "Villada_Nombre_Practica2_ENBIARE.html"                        
## [39] "Villada_Nombre_Practica2_ENBIARE.Rmd"

base <- readRDS ("base_cdmx.rds")

Pregunta 1. ¿Cuál es su directorio de trabajo?

Respuesta:”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.

Una vez leído el archivo, compruebe sus dimensiones.

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:9.0
Mínimo:2.0
Máximo:10.0

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",
  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 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   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 de 30-44 años de edad es el más numeroso (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:Agrupar la edad facilita identificar patrones generales, resumir los datos en tablas comprensibles y crear gráficos limpios de manera descriptiva; Sin embargo, al agrupar perdemos la edad exacta de cada persona.

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(6, 9.5),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 2.Satisfacción con la vida según grupo de edad",
  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:La satisfacción se mantiene casi igual durante la mayor parte de la vida, pero sube al final. Desde los 18 hasta los 74 años, los promedios son muy similares (alrededor de 8.6). Sin embargo, el grupo 75 años o más muestra un aumento notable, alcanzando la satisfacción más alta (8.86), Sobre el intervalo tiene una amplitud de 0.68 puntos (de 8.52 a 9.20), lo cual es casi el doble de amplio que el de los demás grupos, que rondan entre 0.29 y 0.42. Sobre la amplitud. El grupo de 75+ tiene una muestra muy pequeña (n=64) en comparación con los otros grupos (que tienen más de 160). Al haber menos datos, el calculo es menos preciso y el intervalos se vuelve más grande

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
)

8.1 7.1 Frecuencias

freq_salud <- table(base$salud_f)

freq_salud

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##         5        28       273       496       186

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

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##       0.5       2.8      27.6      50.2      18.8

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

Respuesta:50.2%

8.2 7.2 Salud y satisfacción con la vida

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

round(res, 2)

##             n media   LI   LS
## Muy mala    5  5.80 3.41 8.19
## Mala       28  7.93 7.33 8.52
## 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(0, 10),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 3. Satisfacción con la vida según salud autopercibida",
  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:Sí, existe un claro gradiente positivo. A medida que mejora la salud autopercibida, la satisfacción con la vida aumenta de manera constante y paso a paso. El promedio de satisfacción comienza en un nivel bajo de 5.80 para quienes reportan una salud “Muy mala” y asciende de forma continua hasta alcanzar un máximo de 9.07 en las personas con una salud “Muy buena”.

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, 9.5),
  xaxt = "n",
  xlab = "Capacidad del hogar para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Grafica 4. Satisfacción con la vida según frecuencia de soledad",
  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, la satisfacción con la vida disminuye de forma constante: Quienes nunca siente soledad tienen la satisfacción más alta (8.92), Conforme la soledad aparece más seguido (“Pocas veces” a la mayor parte del tiempo”), la satisfacción cae sostenidamente hasta rondar los 8.0 puntos. Quienes la siente todo el tiempo registran la satisfacción más baja de la tabla (7.21)

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 
##  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"),
  ordered = TRUE
)

Obtenga frecuencias absolutas y relativas.

freq_economia <- table(base$fin_mes_f)

freq_economia

## 
## Mucha dificultad       Dificultad  Poca dificultad   Poca facilidad 
##               23               94              138              231 
##        Facilidad  Mucha facilidad 
##              380              122

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

## 
## Mucha dificultad       Dificultad  Poca dificultad   Poca facilidad 
##              2.3              9.5             14.0             23.4 
##        Facilidad  Mucha facilidad 
##             38.5             12.3

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
## Mucha dificultad  23  7.35 6.55 8.15
## Dificultad        94  7.94 7.58 8.29
## Poca dificultad  138  8.28 8.04 8.53
## Poca facilidad   231  8.54 8.39 8.69
## Facilidad        380  8.87 8.75 8.99
## Mucha facilidad  122  9.34 9.17 9.50

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.5, 9.7),
  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 fmes",
  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
)

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

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

Respuesta:Sí, se observa un patrón directo y lineal: a mayor capacidad económica, mayor es la satisfacción con la vida.Descriptivamente, los datos muestran que:El dinero y el bienestar suben juntos: La media de satisfacción aumenta de forma constante en cada nivel, comenzando en un 7.35 para quienes llegan a fin de mes con “Mucha dificultad” y alcanzando un máximo de 9.34 en quienes lo hacen con “Mucha facilidad”.Concentración de la población: La gran mayoría de las personas se concentra en los niveles más cómodos. El 38.5% de la muestra (380 personas) reporta llegar con “Facilidad” y tiene una satisfacción muy alta de 8.87.Precisión de los datos: A medida que la situación económica mejora, los intervalos de confianza se vuelven más estrechos y precisos debido a que hay más personas en esos grupos. Por el contrario, el grupo de “Mucha dificultad” es el más pequeño (n = 23) y por eso su intervalo es el más amplio (de 6.55 a 8.15).

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 [1:988] "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%

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

12 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

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

round(res, 2)

##                   n media   LI   LS
## Confianza Baja  367  8.55 8.40 8.70
## Confianza Media 455  8.61 8.49 8.73
## Confianza Alta  166  8.95 8.77 9.12

Construya también la gráfica correspondiente.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8.30, 9.20),
  xaxt = "n",
  xlab = "Confianza en las personas",
  ylab = "Satisfacción con la vida",
  main = "Grafica 6. Satisfacción con la vida según su confianzacapacidad",
  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: La satisfacción se mantiene en niveles muy similares entre quienes tienen confianza “Baja” (8.55) y “Media” (8.61). Sin embargo, cuando las personas alcanzan una confianza “Alta”, la satisfacción con la vida sube notablemente hasta un promedio de 8.95.Precisión de los datos: Los tres grupos cuentan con muestras robustas (todas mayores a 160 personas), lo que permite que sus intervalos de confianza sean estrechos y bien definidos. Incluso en el límite inferior del grupo de “Confianza Alta” (8.77), el bienestar es superior al promedio de los otros dos grupos, confirmando que una alta confianza se vincula con una mayor calidad de vida. Se observa que una alta confianza interpersonal se relaciona con una mayor satisfacción con la 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:

Variable original:PE3_03
¿Qué mide?:Trabajo voluntario
Tipo de variable:Cualitativa ordinal
¿Cómo está codificada?:Está codifica en 5 niveles de frecuencia: 1. Nunca, 2. Pocas veces, 3. Algunas veces, 4. La mayor parte del tiempo, 5. Todo el tiempo
¿Necesita recodificación o agrupamiento?:Sí. Es necesario transformarla en un factor ordenado
¿Por qué podría relacionarse con satisfacción con la vida?: Podría estar relaciona las labores altruistas (trabajo voluntario para la comunidad) Para una mayor satisfacción de 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%.

base$trabajo_vol <- factor(
  base$PE3_03,
  levels = c("1", "2", "3", "4", "5"),
  labels = c("Nunca", "Pocas veces", "Algunas veces", "La mayor parte del tiempo", "Todo el tiempo")
)

freq_trabajo_vol <- table(base$trabajo_vol)
freq_trabajo_vol

## 
##                     Nunca               Pocas veces             Algunas veces 
##                       870                        71                        31 
## La mayor parte del tiempo            Todo el tiempo 
##                        11                         5

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

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      88.1                       7.2                       3.1 
## La mayor parte del tiempo            Todo el tiempo 
##                       1.1                       0.5

grupos <- split(base$satisf_vida, base$trabajo_vol)

res <- t(sapply(grupos, 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)
}))

round(res, 2)

##                             n media   LI    LS
## Nunca                     870  8.66 8.57  8.75
## Pocas veces                71  8.54 8.18  8.89
## Algunas veces              31  8.45 7.93  8.98
## La mayor parte del tiempo  11  8.73 7.87  9.58
## Todo el tiempo              5  8.20 6.36 10.04

plot(
  1:5, res[, "media"],
  ylim = range(res[, c("LI", "LS")]),
  xaxt = "n",
  xlab = "Frecuencia de trabajo voluntario",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 7. Satisfacción con la vida según expresión en redes sociales. Chi 2025",
  pch = 19
)

axis(
  1, at = 1:5,
  labels = rownames(res)
)

arrows(
  1:5, res[, "LI"],
  1:5, res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 15. ¿Qué patrón encontró?

Respuesta:La tendencia principal: Quienes nunca se deprimen representan a la gran mayoría de la población (88.1%) y registran la satisfacción más alta (8.66). Conforme los síntomas pasan a “Pocas veces” y “Algunas veces”, el bienestar promedio disminuye de forma constante (8.54 y 8.45).La distorsión por muestras pequeñas: Las categorías “La mayor parte del tiempo” y “Todo el tiempo” concentran a muy pocas personas (11 y 5 casos respectivamente). Esto provoca que sus promedios (como el aparente repunte a 8.73) no sean estadísticamente confiables, lo cual se refleja en sus intervalos de confianza gigantescos (por ejemplo, de 6.36 a 10.04).

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`	Muestra promedios de satisfacción muy cercanos entre hombres y mujeres, con diferencias mínimas o variaciones según el margen de error.
Curso de vida	`grupo_edad`	Estabilidad entre los 18 y 74 años (alrededor de 8.6). Sube notablemente en el grupo de 75+ años (8.86), el cual presenta el intervalo más amplio por su muestra pequeña (n = 64).
Salud	`salud_f`	Gradiente positivo perfecto: A mejor salud, mayor satisfacción. Sube paso a paso desde 5.80 (Muy mala) hasta 9.07 (Muy buena). El grupo “Muy mala” es poco preciso (n = 5).
Soledad	`soledad_f`	Relación inversa: A mayor frecuencia de soledad, menor satisfacción. Cae de un máximo de 8.92 (Nunca) a un mínimo de 7.21 (Todo el tiempo).
Capacidad económica	`fin_mes_f`	Gradiente lineal directo: A mayor capacidad económica, mayor satisfacción. Sube constantemente en cada nivel, desde 7.35 (Mucha dificultad) hasta 9.34 (Mucha facilidad). El 38.5% se concentra en “facilidad”
Confianza interpersonal	`nivel_confianza`	Relación directa y positiva: La satisfacción es similar entre confianza “Baja” (8.55) y “Media” (8.61), pero muestra un repunte notable en confianza “Alta” (8.95) Todos los grupos tienen muestras grandes y precisas
Variable propia	`depresión_f`	Tendencia a la baja con alta incertidumbre. Quienes “Nunca” se deprimen tienen la mayor satisfacción (8.66). Las frecuencias más altas presentan promedios inestables e intervalos gigantescos por muestras extremadamente pequeñas (n=11 y n=5).

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: El análisis conjunto revela que las variables socioeconómicas y de salud emocional muestran las diferencias más claras en la satisfacción con la vida. Específicamente, la capacidad económica (fin_mes_f) y la salud autopercibida (salud_f) exhiben un claro gradiente positivo perfecto, donde cada mejora escalonada eleva directamente el bienestar promediado. En contraste, las medias resultan muy semejantes al segmentar por sexo (sexo_f) o durante el curso de vida adulto entre los 18 y 74 años.Como hipótesis cultural y demográfica, proponemos que en la vejez avanzada (75+) el aparente repunte de satisfacción coexiste con una alta heterogeneidad en las condiciones reales de salud y redes de apoyo, lo que dilata significativamente el error estadístico debido a muestras pequeñas. Asimismo, el impacto inverso de la soledad y la depresión confirma que el bienestar en México está profundamente ligado a soportes colectivos y afectivos.Sin embargo, aspectos cruciales para comprender esta satisfacción escapan al alcance puramente cuantitativo, tales como el significado subjetivo que los participantes otorgan a “estar deprimido”, las presiones estructurales de la vida cotidiana o las estrategias comunitarias de resiliencia frente a la precariedad material.Una aproximación cualitativa o etnográfica permitiría profundizar en la dimensión humana detrás de los números. Aportaría narrativas íntimas y observaciones contextuales para descifrar cómo se experimenta el bienestar en el día a día, rescatando las voces y vivencias de aquellos grupos reducidos, como el de salud muy mala o vejez extrema, que la estadística estandarizada suele difuminar bajo amplios márgenes de incertidumbre.

16 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

Entidad: Individuos encuestados en México mediante la Encuesta Nacional de Bienesta Autorreportado (ENBIARE) del INEGI.
Variable seleccionada:salud_f
Patrón observado:Se identificó un gradiente positivo perfecto. A medida que la autoevaluación de la salud mejora de categoría en categoría, ell promedio de satisfacción con la vida se eleva consistentemente y sin interrupciones, partiendo desde su punto más bajo en 5.80 (“Muy mala”) hasta su cumbre en 9.07 (“Muy buena”).
Una posible interpretación antropológica: Desde una perspectiva antropologia médica y del cuerpo, la salud no es meramente la ausencia de enfermedad biológica, sino una experiencia encarnada y profundamente sociocultural. En contextos urbanos y de precariedad estructural, “sentirse sano” impacta directamente en el sentido de agencia, la autonomía y la capacidad productiva del individuo para sostener sus redes familiares. El fuerte gradiente delata que el cuerpo es el territorio primario donde se evalúa el bienestar: un cuerpo limitado físicamente restringe la participación en la vida comunitaria y los afectos, socabando radicalmente la noción subjetiva de una “buena vida”.

Finalmente responda:

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

No, no lo significa necesariamente. Es un error común pensar que si los intervalos se cruzan o superponen, las poblaciones son idénticas. Determinar diferencias observando solo la superposición visual de los intervalos de confianza es un enfoque conservador.

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.

base <- readRDS ("base_cdmx.rds")

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

ENBIARE 2025

Leticia Villada Islas

24 de septiembre de 2026