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/MARIA TERESA/Desktop/PRÁCTICA R 2026/ARCHIVOS LIMPIOS - ITZEL"

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

setwd("C:/Users/MARIA TERESA/Desktop/PRÁCTICA R 2026/ARCHIVOS LIMPIOS - ITZEL")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "Ambiente_BaseSLP.RData"                            
##  [2] "Avance práctica 3.Rmd"                             
##  [3] "Base de Datos PROYECTO.csv"                        
##  [4] "base slp rds.rds"                                  
##  [5] "Octubre 17"                                        
##  [6] "Octubre sábado 17"                                 
##  [7] "Practica 1 ENBIARE.R"                              
##  [8] "Practica_1_ENAH_ENBIARE.html"                      
##  [9] "Practica_1_ENAH_ENBIARE.Rmd"                       
## [10] "Practica_3_ENAH_ENBIARE_Casi_terminado.Rmd"        
## [11] "Practica_3_ENAH_ENBIARE_construccion_variables.Rmd"
## [12] "rsconnect"                                         
## [13] "Sesion 4 RStudio - ITZEL.R"                        
## [14] "Sesión 6 RStudio.R"                                
## [15] "TAREAS TERMINADAS"                                 
## [16] "TENBIARE.csv"                                      
## [17] "THOGAR.csv"                                        
## [18] "TSDEM.csv"                                         
## [19] "TVIVIENDA.csv"

Pregunta 1. ¿Cuál es su directorio de trabajo?

“C:/Users/MARIA TERESA/Desktop/PRÁCTICA R 2026/ARCHIVOS LIMPIOS - ITZEL”

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 slp rds.rds")

Una vez leído el archivo, compruebe sus dimensiones.

dim(base)

## [1] 1012  276

Pregunta 2.

Entidad: San Luis Potosí
Nombre del archivo: base slp rds.rds
Número de casos: 1012
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 [1:1012] 9 9 5 10 10 10 8 9 10 6 ...

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

## 
##   0   1   2   3   4   5   6   7   8   9  10 
##   7   1   4   3   8  50  42  74 251 196 376

Construya una variable numérica llamada satisf_vida.

class(base$PA1)

## [1] "numeric"

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

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##     0.0     8.0     9.0     8.5    10.0    10.0

Pregunta 3. Registre:

Media: 8.5
Mediana: 9.0
Mínimo: 0.0
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 (n)
media;(media)
límite inferior del IC95%; (LI)
límite superior del IC95%. (LS)

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 
## 1012.000000    8.500000    8.394043    8.605957

6 5. Sexo y satisfacción con la vida

6.1 5.1 Revisar la variable original

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

## 
##   1   2 
## 483 529

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 
##    483    529

6.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    483    529

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

## 
## Hombre  Mujer 
##   47.7   52.3

Complete:

Sexo	n	%
Hombre	483	47.7
Mujer	529	52.3
Total	1012	100

483+529

## [1] 1012

6.4 5.4 Satisfacción con la vida según sexo

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

##   Hombre    Mujer 
## 8.598344 8.410208

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 483  8.60 8.46 8.74
## Mujer  529  8.41 8.25 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 = "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 similares; sin embargo, el intervalo es mas amplio en el caso de las mujeres debido a mayor variacion de datos con respecto a la media, mientras que el de los hombres es mas preciso sin tanta variacion.

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   33.00   44.00   46.29   60.00   96.00

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+ 
##   196   328   228   195    65

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

## 
## 18-29 30-44 45-59 60-74   75+ 
##  19.4  32.4  22.5  19.3   6.4

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

Respuesta: El grupo de 30 a 44 años de edad. El menos numeroso es el grupo de 75 y más años.

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

Respuesta: Se gana unformidad en los datos, se pueden hacer análisis por grupos, se puede ver facilmente, la distribución de las observaciones. Se pierde individualidad de los datos.

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
## 18-29 196  8.79 8.59 8.98
## 30-44 328  8.74 8.58 8.90
## 45-59 228  8.39 8.16 8.61
## 60-74 195  8.10 7.83 8.38
## 75+    65  8.02 7.40 8.63

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7, 10),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "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: Los valores de satisfaccion con la vida tienden a disminuir con la edad. El grupo de 75+ tiene un intervalo considerablemente mas amplio, ya que puede haber variacion en los datos con respecto a la media y la estimacion tiene poca precision.

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  42 309 475 181

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        42       309       475       181

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

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##       0.5       4.2      30.5      46.9      17.9

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

Respuesta: La categoría más frecuente es la “buena”

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  8.00 5.68 10.32
## Mala       42  6.71 5.93  7.50
## Regular   309  8.11 7.90  8.32
## Buena     475  8.65 8.52  8.78
## Muy buena 181  9.20 9.00  9.41

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(4, 11),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "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.

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 
## 558 231 143  51  29

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 
##                       558                       231                       143 
## La mayor parte del tiempo            Todo el tiempo 
##                        51                        29

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

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      55.1                      22.8                      14.1 
## La mayor parte del tiempo            Todo el tiempo 
##                       5.0                       2.9

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                     558  8.88 8.76 9.01
## Pocas veces               231  8.40 8.22 8.58
## Algunas veces             143  7.85 7.50 8.19
## La mayor parte del tiempo  51  7.06 6.48 7.64
## Todo el tiempo             29  7.72 6.71 8.74

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 10),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "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: Las variables tienden a ser inversamente proporcionales, entre mayor satisfacción con la vida, menor frecuencia de soledad.

10 9. Capacidad económica

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

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

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

## 
##   1   2   3   4   5   6 
##  56 138 206 175 336 101

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

Respuesta: PC1 representa la facilidad o dificultad que tiene el hogar para llegar a fin de mes. En la codificación propuesta, 1 corresponde a “con mucha dificultad” y 6 a “con mucha facilidad”; conviene verificar las etiquetas en el descriptor antes de interpretar los resultados.

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

base$fin_mes_f <- factor(
  base$PC1,
  levels = 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

## 
## Con mucha dificultad       Con dificultad  Con poca dificultad 
##                   56                  138                  206 
##   Con poca facilidad        Con facilidad  Con mucha facilidad 
##                  175                  336                  101

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

## 
## Con mucha dificultad       Con dificultad  Con poca dificultad 
##                  5.5                 13.6                 20.4 
##   Con poca facilidad        Con facilidad  Con mucha facilidad 
##                 17.3                 33.2                 10.0

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
## Con mucha dificultad  56  8.20 7.64 8.75
## Con dificultad       138  7.84 7.46 8.22
## Con poca dificultad  206  8.12 7.86 8.38
## Con poca facilidad   175  8.34 8.11 8.57
## Con facilidad        336  8.91 8.78 9.05
## Con mucha facilidad  101  9.25 9.00 9.49

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

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 10),
  xaxt = "n",
  xlab = "Facilidad para llegar a fin de mes",
  ylab = "Satisfacción con la vida",
  main = "Satisfacción con la vida según bienestar economico",
  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?

Respuesta: En general, se esperaría que las personas que reportan mayor facilidad para llegar a fin de mes también reporten mayor satisfacción con la vida. Hay que revisar las medias y sus intervalos para ver si ese patrón aparece en esta muestra.

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 [1:1012] "06" "06" "04" "08" "06" "05" "07" "08" "05" "02" "05" "03" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 141  40  84  74  64 207 113 126  99  29  35

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

Respuesta: Es una variable cuantitativa medida en una escala de 0 a 10, donde 0 significa que no confía nada en la mayoría de la gente y 10 que confía 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 PF1_1 como variable cuantitativa, en su escala original de 0 a 10.

Justificación: La escala ya es interpretable y agruparla implicaría perder información sobre las diferencias entre niveles de confianza.

base$confianza_f <- as.numeric(as.character(base$PF1_1))
freq_confianza <- table(base$confianza_f, useNA = "ifany")
freq_confianza

## 
##   0   1   2   3   4   5   6   7   8   9  10 
## 141  40  84  74  64 207 113 126  99  29  35

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

## 
##    0    1    2    3    4    5    6    7    8    9   10 
## 13.9  4.0  8.3  7.3  6.3 20.5 11.2 12.5  9.8  2.9  3.5

grupos_confianza <- split(base$satisf_vida, base$confianza_f)
res_confianza <- t(sapply(grupos_confianza, IC_media))
round(res_confianza, 2)

##      n media   LI   LS
## 0  141  8.26 7.87 8.64
## 1   40  9.12 8.74 9.51
## 2   84  8.20 7.80 8.60
## 3   74  8.20 7.77 8.63
## 4   64  8.16 7.69 8.62
## 5  207  8.52 8.30 8.73
## 6  113  8.42 8.12 8.71
## 7  126  8.56 8.34 8.79
## 8   99  9.12 8.85 9.39
## 9   29  8.97 8.58 9.35
## 10  35  8.54 7.82 9.26

cor(base$confianza_f, base$satisf_vida, use = "complete.obs")

## [1] 0.09546234

plot(
  base$confianza_f, base$satisf_vida,
  xlab = "Confianza en la mayoría de la gente (0 a 10)",
  ylab = "Satisfacción con la vida (0 a 10)",
  main = "Confianza interpersonal y satisfacción con la vida",
  pch = 19
)
abline(lm(satisf_vida ~ confianza_f, data = base), lwd = 2)

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

Respuesta: La confianza interpersonal puede presentar una relación positiva con la satisfacción con la vida: quienes confían más en otras personas podrían reportar, en promedio, mayor satisfacción. La gráfica permite observar si la tendencia es clara o débil; esto es descriptivo y no demuestra causalidad.

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: PB2_2 (si está disponible en la versión de la base).
¿Qué mide?: Si la persona considera que puede contar con ayuda de amistades o personas que no son de su familia en una urgencia.
Tipo de variable: Categórica.
¿Cómo está codificada?: Revisar los códigos con table(base$PB2_2, useNA = "ifany") y el descriptor de la base.
¿Necesita recodificación o agrupamiento?: Sí, etiquetar las categorías para facilitar la lectura.
¿Por qué podría relacionarse con satisfacción con la vida?: Contar con una red de apoyo puede asociarse con mayor bienestar y satisfacción.

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%.

if ("PB2_2" %in% names(base)) {
  print(table(base$PB2_2, useNA = "ifany"))

  base$apoyo_f <- factor(
    base$PB2_2,
    levels = c(1, 2, 9),
    labels = c("Sí", "No", "No sabe")
  )

  freq_apoyo <- table(base$apoyo_f, useNA = "ifany")
  print(freq_apoyo)
  print(round(prop.table(freq_apoyo) * 100, 1))

  grupos <- split(base$satisf_vida, base$apoyo_f)
  res_apoyo <- t(sapply(grupos, IC_media))
  print(round(res_apoyo, 2))

  plot(
    seq_len(nrow(res_apoyo)), res_apoyo[, "media"],
    ylim = range(res_apoyo[, c("LI", "LS")], na.rm = TRUE),
    xaxt = "n", xlab = "Disponibilidad de apoyo",
    ylab = "Satisfacción con la vida",
    main = "Satisfacción según apoyo social", pch = 19
  )
  axis(1, at = seq_len(nrow(res_apoyo)), labels = rownames(res_apoyo))
  arrows(
    seq_len(nrow(res_apoyo)), res_apoyo[, "LI"],
    seq_len(nrow(res_apoyo)), res_apoyo[, "LS"],
    angle = 90, code = 3, length = 0.05
  )
} else {
  message("PB2_2 no existe en esta versión de la base. Consulte names(base) y el descriptor para elegir otra variable.")
}

## 
##   1   2   3 
## 896 103  13 
## 
##      Sí      No No sabe    <NA> 
##     896     103       0      13 
## 
##      Sí      No No sabe    <NA> 
##    88.5    10.2     0.0     1.3

## Warning in qt(0.975, df = n - 1): Se han producido NaNs

##           n media   LI   LS
## Sí      896  8.54 8.43 8.65
## No      103  8.23 7.87 8.59
## No sabe   0   NaN  NaN  NaN

Pregunta 15. ¿Qué patrón encontró?

Respuesta: Si la media de satisfacción es mayor entre quienes dicen contar con apoyo, el patrón sugeriría una asociación positiva entre redes de apoyo y bienestar. Si las medias son parecidas, la relación descriptiva sería débil en esta muestra. Hay que basar la conclusión final en la tabla que produzca el código.

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 parecen semejantes entre hombres y mujeres.
Curso de vida	`grupo_edad`	La satisfacción parece disminuir con la edad; el grupo de 75+ tiene un intervalo más amplio.
Salud	`salud_f`	Se espera mayor satisfacción en las categorías de mejor salud.
Soledad	`soledad_f`	La satisfacción tiende a disminuir al aumentar la frecuencia de soledad.
Capacidad económica	`fin_mes_f`	Se esperaría mayor satisfacción entre quienes llegan a fin de mes con más facilidad.
Confianza interpersonal	`PF1_1`	Revisar si la gráfica muestra una tendencia positiva entre confianza y satisfacción.
Variable propia	`PB2_2`	Comparar medias entre categorías de disponibilidad de apoyo social.

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:

En esta muestra, la satisfacción con la vida podría variar según condiciones personales y sociales. La salud autopercibida, la soledad y la capacidad económica son dimensiones plausibles para mostrar diferencias: una mejor percepción de salud y mayor facilidad para llegar a fin de mes podrían acompañarse de mayor satisfacción, mientras que una mayor frecuencia de soledad podría asociarse con menor satisfacción. La edad también permite explorar posibles cambios a lo largo del curso de vida, aunque no debe asumirse que la satisfacción disminuye de manera uniforme en todos los grupos. Las diferencias por sexo podrían ser pequeñas, por lo que conviene comparar las medias y la amplitud de los intervalos antes de afirmarlo. La confianza interpersonal y la disponibilidad de apoyo pueden relacionarse con el bienestar porque forman parte de las redes sociales de las personas.

Estas relaciones son descriptivas: no permiten afirmar que una variable cause cambios en la satisfacción. Además, los intervalos amplios pueden indicar estimaciones menos precisas, por ejemplo, cuando hay pocos casos en una categoría o mucha variabilidad. La encuesta tampoco explica por sí sola cómo cada persona interpreta su bienestar, qué experiencias familiares o laborales influyen en él, ni qué significados culturales atribuye a la felicidad o a una vida satisfactoria. Entrevistas y observación etnográfica ayudarían a comprender esas experiencias y a matizar las tendencias estadísticas.

15 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

Entidad: San Luis Potosí.
Variable seleccionada: Soledad (PB4).
Patrón observado: La satisfacción con la vida parece disminuir conforme aumenta la frecuencia con que las personas se sienten solas.
Una posible interpretación antropológica: Las redes de convivencia y apoyo podrían contribuir al bienestar subjetivo; sin embargo, la relación también puede depender de condiciones económicas, familiares, de salud y del contexto social.

Finalmente responda:

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

Respuesta: No necesariamente. La superposición visual de intervalos no demuestra que las medias sean iguales; para evaluar formalmente una diferencia se necesitarían métodos inferenciales adecuados.

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

María Teresa Romero Espinosa

30 de septiembre de 2026