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] "/Users/sethvizcarra/Desktop/METODOLOGÍA CUANTITATIVA/ejercicio ENBIARE"

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

setwd("/Users/sethvizcarra/Desktop/METODOLOGÍA CUANTITATIVA/ejercicio ENBIARE")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "ambiente practica 3 pendiente.RData"               
##  [2] "base_gto.rds"                                      
##  [3] "base.rds"                                          
##  [4] "Medina_Ismael_environment_ Practica3.1.RData"      
##  [5] "Medina_Ismael_environment_Practica1_ENBIARE.RData" 
##  [6] "Medina_Ismael_environment_Practica2_ ENBIARE.RData"
##  [7] "Medina_Ismael_environment_Practica3_ENBIARE.RData" 
##  [8] "Medina_Ismael_Practica1_ENBIARE.html"              
##  [9] "Medina_Ismael_Practica1_ENBIARE.Rmd"               
## [10] "Medina_Ismael_Practica2_ENBIARE.html"              
## [11] "Medina_Ismael_Practica2_ENBIARE.Rmd"               
## [12] "Medina_Ismael_Practica3_ENBIARE_.Rmd"              
## [13] "nota_base_datos_enbiare_2025.txt"                  
## [14] "PRÁCTICA 1 ENBIARE.R"                              
## [15] "Practica 1 environment gto.RData"                  
## [16] "Practica_2_ENAH_ENBIARE.Rmd"                       
## [17] "Práctica_2_Environment_ENBIARE_ Ismael.RData"      
## [18] "Practica_3_ENAH_ENBIARE_construccion_variables.Rmd"
## [19] "rsconnect"                                         
## [20] "TENBIARE.csv"                                      
## [21] "THOGAR.csv"                                        
## [22] "TSDEM.csv"                                         
## [23] "TVIVIENDA.csv"

Pregunta 1. ¿Cuál es su directorio de trabajo?

“/Users/sethvizcarra/Desktop/METODOLOGÍA CUANTITATIVA/ejercicio ENBIARE”

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_gto.rds")

Una vez leído el archivo, compruebe sus dimensiones.

dim(base)

## [1] 1013  276

Pregunta 2.

Entidad: Guanajuato
Nombre del archivo: base
Número de casos: 1013
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 [1:1013] 3 10 10 10 8 9 9 9 9 9 ...

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

## 
##   0   1   2   3   4   5   6   7   8   9  10 
##   5   5   3   8  11  47  30  77 219 200 408

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   8.554  10.000  10.000

Pregunta 3. Registre:

Media: 8.55
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 
## 1013.000000    8.553801    8.444332    8.663269

6 5. Sexo y satisfacción con la vida

6.1 5.1 Revisar la variable original

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

## 
##   1   2 
## 434 579

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 
##    434    579

6.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    434    579

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

## 
## Hombre  Mujer 
##   42.8   57.2

Complete:

Sexo	n	%
Hombre	434	42.8
Mujer	579	57.2
Total	1013	100

6.4 5.4 Satisfacción con la vida según sexo

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

##   Hombre    Mujer 
## 8.732719 8.419689

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 434  8.73 8.58 8.89
## Mujer  579  8.42 8.27 8.57

6.5 5.5 Gráfica de media e IC95%

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 9),
  xaxt = "n",
  xlab = "Sexo",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 1.Satisfacción con la vida según sexo,Gto 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: La diferencia de las medias entre hombres y mujeres es mínima. Los límites NO se cruzan pero la diferencia es mínima entre el LI de los hombres y el LS de las 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   45.17   57.00   90.00

Ahora construiremos grupos de edad.

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

7.1 6.1 Frecuencias

freq_edad <- table(base$grupo_edad)

freq_edad

## 
## 18-29 30-44 45-59 60-74   75+ 
##   221   307   263   154    68

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

## 
## 18-29 30-44 45-59 60-74   75+ 
##  21.8  30.3  26.0  15.2   6.7

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

Respuesta: El grupo más numero es el de 30-44 (30.3%) y el grupo menos numeroso es el de 75+ (6.7%)

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

Respuesta: Se vuelve una variable categorica ordinal. Ganamos poder ver el porcentaje de participación por edades, pero perdemos aquellos valores que no estaban definidos.

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
## 18-29 221  8.64 8.44 8.85
## 30-44 307  8.74 8.56 8.92
## 45-59 263  8.41 8.18 8.64
## 60-74 154  8.55 8.28 8.83
## 75+    68  8.01 7.39 8.64

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7, 9),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 2.Satisfacción con la vida según grupo de edad, Gto 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: El grupo de edad que muestra mayor satisfacción de vida en Guanajuato es en el de 30-44. El grupo con mayor amplitud en su intervalo es el de 75+, es el grupo con menos casos y el intervalo es más amplio ya que contestan un número menos de particpantes. # 7. Salud autopercibida

PB1 corresponde a salud autopercibida.

Primero revise las categorías originales.

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

## 
##   1   2   3   4   5 
##  13  30 323 453 194

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
)

7.3 7.1 Frecuencias

freq_salud <- table(base$salud_4)

freq_salud

## 
##      Mala   Regular     Buena Muy buena 
##        43       323       453       194

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

## 
##      Mala   Regular     Buena Muy buena 
##       4.2      31.9      44.7      19.2

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

Respuesta: Buena con 453 personas, representadas con 44.7%

7.4 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       43  6.72 5.80 7.64
## Regular   323  8.07 7.87 8.28
## Buena     453  8.75 8.60 8.89
## Muy buena 194  9.31 9.14 9.47

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(5.5, 9.5),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 3.Satisfacción con la vida según salud autopercibida, Gto 2025",
  pch = 19
)

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

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

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

Respuesta: Si, la gráfica expresa que a mayor salud percibida, existe una mayor satisfacción la vida. Esto se puede interpretar como que la salud es un aspecto de la vida que es de suma importancia, es de tal relevancia que es fundamental para considerar la satisfacción de vida que tienen las personas de Guanajuato.

8 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 
## 629 180 130  41  33

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
)

8.1 8.1 Frecuencias

freq_soledad <- table(base$soledad_f)

freq_soledad

## 
##                     Nunca               Pocas veces             Algunas veces 
##                       629                       180                       130 
## La mayor parte del tiempo            Todo el tiempo 
##                        41                        33

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

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      62.1                      17.8                      12.8 
## La mayor parte del tiempo            Todo el tiempo 
##                       4.0                       3.3

8.2 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                     629  8.95 8.84 9.07
## Pocas veces               180  8.35 8.13 8.57
## Algunas veces             130  7.78 7.40 8.15
## La mayor parte del tiempo  41  7.63 6.93 8.34
## Todo el tiempo             33  6.27 5.33 7.22

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(5, 9.3),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 4.Satisfacción con la vida según frecuencia de soledad, Gto 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: Se entiende que, aunque no es una relación causal, inferimos que en Guanajuato a mayor percepción de soledad que tengan los individuos, tienen menor satisfacción con la vida.

9 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 
##  59 152 181 206 309 106

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(1:6),
  labels = c(
    "Con mucha dificultad",
    "Con dificultad",
    "Con poca dificultad",
    "Con poca facilidad",
    "Con facilidad",
    "Con mucha facilidad"
  ),
  ordered = TRUE
)

Obtenga frecuencias absolutas y relativas.

freq_economia <- table(base$fin_mes_f)

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

Calcule la satisfacción media y los IC95%.

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

round(res, 2)

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

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 9.3),
  xaxt = "n",
  xlab = "Capacidad del hogar para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 5.Satisfacción con la vida según capacidad del hogar para llegar a fin de mes, Gto 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, la gráfica nos demuestra que entre más díficl le es a las personas en Guanajuato llegar a fin de mes en términos económicos, más baja es su satisfacción de vida. Esto demuestra, como el análisis anterior, que el aspecto económico de las personas influye en que tan satisfechos se sientes con su vida.

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 [1:1013] "00" "10" "02" "05" "02" "08" "07" "05" "04" "02" "02" "04" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 148  23  70  84  73 220  99 126 111  32  27

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

Respuesta: 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: Conservar los valores

Justificación: Considero que es importante conservarlos dado que la distribución de las respues es hasta el número 10, que representa la total confianza en la gente y es el segundo valor menor. Y evidentemente conservar el 00 es igual de relevante para el análisis.

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

freq_confianza <- table(base$confianza)

freq_confianza

## 
##   0   1   2   3   4   5   6   7   8   9  10 
## 148  23  70  84  73 220  99 126 111  32  27

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

## 
##    0    1    2    3    4    5    6    7    8    9   10 
## 14.6  2.3  6.9  8.3  7.2 21.7  9.8 12.4 11.0  3.2  2.7

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

round(res, 2)

##      n media   LI   LS
## 0  148  8.33 7.97 8.69
## 1   23  7.78 6.82 8.75
## 2   70  8.30 7.85 8.75
## 3   84  8.26 7.86 8.66
## 4   73  8.18 7.76 8.59
## 5  220  8.75 8.54 8.96
## 6   99  8.62 8.36 8.87
## 7  126  8.64 8.34 8.95
## 8  111  8.86 8.61 9.12
## 9   32  9.28 8.81 9.75
## 10  27  8.63 7.59 9.67

Construya también la gráfica correspondiente.

plot(
  0:10,
  res[, "media"],
  ylim = c(6, 10),
  xaxt = "n",
  xlab = "Nivel de confianza interpersonal",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 6.Satisfacción con la vida según confianza interpersonal. Guanajuato 2025",
  pch = 19
)

axis(1, at = 0:10, labels = 0:10)

arrows(
  0:10,
  res[, "LI"],
  0:10,
  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 gráfica nos refleja que, de acuerdo con los datos recabados de Guanajuato, hay una relación intrínseca entre la confianza autopercibida y la satisfacción de vida. Igualmente llama la atención que en el nivel de confianza 1 y el 10 esta más amplio el intervalo, lo cual nos indica que en estos valores son los que menos respuestas hubo registradas.

11 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: PI2_1 Padecimiento de diabetes, hipertensión o problemas cardiacos
¿Qué mide?: Padecimiento de diabetes, hipertensión o problemas cardiacos
Tipo de variable: Cuantitativa
¿Cómo está codificada?: 1 Sí, 2 No
¿Necesita recodificación o agrupamiento?: No
¿Por qué podría relacionarse con satisfacción con la vida?: México es uno de los países con las tasas de diabetes e hipertensión más altas, y la salud impacta directamente en la satisfacción de la vida en general.

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$pad_diabhip <- factor(
  base$PI2_1,
  levels = c("1", "2"),
  labels = c("Si", "No")
)

freq_pad_diabhip <- table(base$pad_diabhip)
freq_pad_diabhip

## 
##  Si  No 
## 281 732

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

## 
##   Si   No 
## 27.7 72.3

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

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
## Si 281  8.40 8.17 8.62
## No 732  8.61 8.49 8.74

plot(
  1:2, res[, "media"],
  ylim = range(res[, c("LI", "LS")]),
  xaxt = "n",
  xlab = "Padecimiento de diabetes, hipertensión o problemas cardiacos",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 7. Satisfacción con la vida según Padecimiento de diabetes, hipertensión o problemas cardiacos. Guanajuato, 2025",
  pch = 19
)

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

arrows(
  1:2, res[, "LI"],
  1:2, res[, "LS"],
  angle = 90,
  code = 3,
  length = 0.05
)

Pregunta 15. ¿Qué patrón encontró?

Respuesta: En esta gráfica podemos observar que si no existen padecimientos de diabetes, hipertensión o problemas cardiacos si impacta inmediatamente en una satisfacción de vida alta. Como habíamos dicho previamente, la salud es in factor imprescindible para que los habitantes de Guanajuato perciban una satisfacción de vida en general.

12 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`	En GTO se tuvieron registro de 1013 personas intervenidas para la encuesta, de las cuales el 42.8% eran hombres (434 hombres) y el 57.2% eran mujeres (579 mujeres)
Curso de vida	`grupo_edad`	Del total de participantes (1013) encontramos que el rango de edad en donde se concentra la mayoría de ellos y ellas es en el de 30-44 años con 30.3% (307 personas) y en el que menos se tiene registro es en el de 75+ con 6.7% (68 personas)
Salud	`salud_f`	La mayoría de la población de GTO (453 personas) perciben su salud como BUENA con un 44.7%. Solo 13 personas -que es el grupo menor- percibe su salud como MUY MALA.
Soledad	`soledad_f`	La mayoría de la población en GTO (629 personas) declararon NUNCA sentirse solos, con un 62-1%. La minoría de la población -que fueron 33 personas- dijeron sentirse solos LA MAYOR PARTE DEL TIEMPO con un 4%.
Capacidad económica	`fin_mes_f`	La mayoría de gente en GTO (309 personas) dijo llegar con FACILIDAD a fin de mes en términos económicos, con un 30.5%. El menos porcentaje de personas -el 5.8%- dijo llegar CON MUCHA DIFICULTAD a fin de mes. Interpretamos pues que, entré más sea el ingreso y distribución sin llegar a los límites de ingreso al hogar, más satisfacción se tiene con la vida. EL factor económico es findamental para percibir una satisfacción con la vida.
Confianza interpersonal	`base_confianza`	La gente en GTO tiene un nivel de confianza con respecto a los otros de 5, en una escala de 0 al 10, siendo este el valor más alto con 220 casos que respresentan el 21.7 % de la población. Seguido por el valor 00 (que representa NADA DE CONFIANZA) con 14.6% y en tercer lugar el 7con 12.4%
Variable propia	`pad_diabhip`	El 72.3% de la gente en GTO (representado por 732 personas) negó tener diabetes o hipertensión, mientras que el 27.7% afirmó contar con alguno o varios de estos padecimientos de salud (281 personas). Similar a la reflexión anterior, la salud es un factor relevante para la satisfacción en la vida y esta se ve reflejaado directamente en los datos aquí recopilados.

13 13. Interpretación antropológica

Observe conjuntamente sus resultados y gráficas.

Redacte un comentario de 200 a 250 palabras que responda:

Guanajuato ha sido un estado de la república muy interesante de analizar e interpretar mediante el método cuantitativo. De acuerdo a lo recabado, parece que las variables que muestran más diferencias evidentes en la satisfacción de la vida es la salud, soledad y en los padecimientos de diabetes o hipertensión; encuentro una relación entre estas variables puesto que si bien la soledad esta relacionada a la salud mental, las personas en GTO muestran una buena satisfacción de vida dada una buena salud. En el análisis, me atrevo a decir que las medias son muy cercanas entre si, siendo que todas estan rondando el 8 en la media, con algunas variaciones hacia abajo con valores de 7 u 8, y hacia arriba con valores de 9. De igual forma se puede divisar un gradiente en las variables de “llegar a fin de mes” y “salud autopercibida”, pues en todas la media, conforme estan desplegadas las respuestas de la pregunta, muestran una tendencia ascendente.

La hipótesis antropológica que planteamos al analizar Guanajuato es que, a los habitantes les atraviesan muchos aspectos que impactan en su satisfacción de vida y que son fundamentales como la salud y salud mental, economía, etc. La preocupación por enfermar o cubrir los gastos del hogar se reflejan en que tranquilos se sienten con su vida, y soprendentemente en GTO parace haber buena percepción de la salud y económica, entendiento que es por que el grupo de edad con mayor presencia en GTO es de 30 a 44 años de acuerdo a lo estudiado.

El sentido y propósito de vida, la calidad profunda de los vínculos afectivos y el tejido social/comunitario, los procesos de adaptación o resignación son algunos aspectos que resultan importantes para comprender a fondo la satisfacción de la vida, aportando así el registro y análisis de testimonios vivenciales por parte de los ciudadanos de Guanajuato.

¿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:

14 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

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

Finalmente responda:

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

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

15 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.

saveRDS(base, "base.rds")
base <- readRDS("base.rds")

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

ENBIARE 2025

Nombre: Ismael Seth Medina Vizcarra

Fecha: 18 de septiembre de 2026