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 0. Seleccionar la entidad de estudio, ejemplo Michoacán (clave ==16)

# Seleccionar la entidad
#base <- enbiare[enbiare$CVE_ENT == "11", ]

base <- readRDS("base_gto.rds")

# Comprobar
dim(base)

## [1] 1013  282

table(base$CVE_ENT)

## 
##   11 
## 1013

saveRDS(base,"gto.rds")

3 1. Preparar el directorio de trabajo

Comience revisando el directorio actual.

getwd()

## [1] "C:/Users/ACA A-111.INFORMATICA.000/Documents/gado/enbiare_2025_base_de_datos_csv"

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

setwd( "C:/Users/ACA A-111.INFORMATICA.000/Documents/gado/enbiare_2025_base_de_datos_csv")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

##  [1] "base_gto.rds"                                         
##  [2] "gto.rds"                                              
##  [3] "nota_base_datos_enbiare_2025.txt"                     
##  [4] "Practica__1_FCPyS_ENBIARE_construccion_variables.html"
##  [5] "Practica__1_FCPyS_ENBIARE_construccion_variables.Rmd" 
##  [6] "Practica_2_FCPyS_ENBIARE_pruebas_hipotesis.html"      
##  [7] "Practica_2_FCPyS_ENBIARE_pruebas_hipotesis.Rmd"       
##  [8] "prctica 1.R"                                          
##  [9] "rsconnect"                                            
## [10] "TENBIARE.csv"                                         
## [11] "THOGAR.csv"                                           
## [12] "TSDEM.csv"                                            
## [13] "TVIVIENDA.csv"

Pregunta 1. ¿Cuál es su directorio de trabajo?

Respuesta:”C:/Users/ACA A-111.INFORMATICA.000/Documents/gado/enbiare_2025_base_de_datos_csv”

4 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  282

Pregunta 2.

Entidad:Guanajuto
Nombre del archivo:base_gto.rds
Número de casos:1013
Número de variables:275

5 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)

##  chr [1:1013] "03" "10" "10" "10" "08" "09" "09" "09" "09" "09" "08" "08" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  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:8.554
Mediana:9
Mínimo:0
Máximo:10

En esta práctica consideraremos satisf_vida como la variable que queremos comprender o explicar.

6 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

7 5. Sexo y satisfacción con la vida

7.1 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.

7.2 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

7.3 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

7.4 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

7.5 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 = "Grafica.Satisfacción con la vida según sexo,Guanajuato 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 media de hombres es mayor que las de mujeres, sin embargo los intervalos se cruzan, por lo cual se infiere que en Guanajuato la media de satisfaccion de vida con la vida mo es significativamente diferente entre hombres y mujeres

8 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

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 
## 15 18 24 10 16 14 21 19 24 23 18 19 25 18 13 17 28 27 15 20 22 26 16 23 21 18 
## 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 
## 18 29 17 19 18 21 18 16 18 13 17 13 21 16 14 13 12 11  8 13 15 13 15 11  8  9 
## 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 
## 14  9  4  7  5  9 12  3  7  3  6  4  1  3  4  6  3  3  1  1  2

Ahora construiremos grupos de edad.

base$grupo_edad <- cut(
  base$EDAD,
  breaks = c(17, 29, 44, 59, 74, 90),
  labels = c("18-29", "30-44", "45-59", "60-74", "75+")
)

8.1 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 mas numeroso es el de 30-44 y el mas menos numeroso es el de 75+

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

Respuesta:Una variable cuantitaviva la convertimos en categorias ordinal, ya no podemos obtener estadisticos descrptivos, ganamos que podemos comparar grupos de edad.

8.2 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(7.3, 9),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Grafica 2.Satisfacción con la vida según grupo de edad,Guanajuato 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:No hay ninungun patron, y el intervalo del grupo +75 es mas amplio. Los numerosos de casos, los caules son menos a conparacion de los otros grupos.

9 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
)

9.1 7.1 Frecuencias

freq_salud <- table(base$salud_f)

freq_salud

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##        13        30       323       453       194

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

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##       1.3       3.0      31.9      44.7      19.2

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

Respuesta:Buena

9.2 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   13  7.15 5.20 9.11
## Mala       30  6.53 5.45 7.62
## 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, 9.5),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Satisfacción con la vida según salud autopercibida, Guanajuato 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:

10 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
)

10.1 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

10.2 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(5.3, 9.1),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Satisfacción con la vida según frecuencia de soledad, Guanajuato 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:Mientras mnos soledad se perciba, mejor satisfaccion con la vida

11 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: Con mucha dificultad Con dificultad Con poca dificultad Con poca facilidad Con facilidad Con mucha facilidad

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 dificulta",
    "Con difulcutad",
    "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(6.8, 9.3),
  xaxt = "n",
  xlab = "Capacidad Economica",
  ylab = "Capacidad Economica",
  main = "Satisfacción con la vida según la capacidad Economica, Guanajuato 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:Mientras mejor capacidad economica, mas satisfaccion con la vida. Peor capacidad economica, menor satisfaccion con la vida. Y son pocos datos en algunos casos, lo que no la hace tan confiable

12 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:Es una variable alfanumerica en la base de datos en la que estamos trabajando, pero se puede considerar numerica

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:Vamos a conservar cada uno de los valores

Justificación:Porque al agruparlos se perderian los datos

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

base$confianza <- factor(
  base$PF1_1,
   
    
)

freq_confianza <- table(base$confianza)

freq_confianza

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

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

## 
##   00   01   02   03   04   05   06   07   08   09   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
## 00 148  8.33 7.97 8.69
## 01  23  7.78 6.82 8.75
## 02  70  8.30 7.85 8.75
## 03  84  8.26 7.86 8.66
## 04  73  8.18 7.76 8.59
## 05 220  8.75 8.54 8.96
## 06  99  8.62 8.36 8.87
## 07 126  8.64 8.34 8.95
## 08 111  8.86 8.61 9.12
## 09  32  9.28 8.81 9.75
## 10  27  8.63 7.59 9.67

Construya también la gráfica correspondiente.

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

Respuesta:

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

Ahora siga la misma secuencia utilizada durante la práctica:

construya o etiquete la variable;

base$redes <- factor(
  base$PI4_4,
  levels = c(1,2),
  labels = c("Si","No")
    
)

obtenga frecuencias absolutas;
obtenga frecuencias relativas;

freq_redes <- table(base$redes)

freq_redes

## 
##  Si  No 
##  60 951

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

## 
##   Si   No 
##  5.9 94.1

calcule satisfacción media por categoría;
calcule IC95%;

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

round(res, 2)

##      n media   LI   LS
## Si  60  8.00 7.55 8.45
## No 951  8.59 8.48 8.70

construya la gráfica de media e IC95%.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7.50, 8.80),
  xaxt = "n",
  xlab = "afectacion en sus actividades por uso de redes sociales",
  ylab = "Confianza en las personas",
  main = "Grfica7, Satisfacción con la vida segun la afectacion en sus actividades debido al uso de redes sociales , Guanajuato 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
)

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7.50, 10),
  xaxt = "n",
  xlab = "Confianza en las personas",
  ylab = "Confianza en las personas",
  main = "Satisfacción con la vida según la confianza de las personas, Guanajuato 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 15. ¿Qué patrón encontró?

Respuesta:Que los que pusieron que “No” que tienen una mayor satisfaccion de vida.

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`
Curso de vida	`grupo_edad`
Salud	`salud_f`
Soledad	`soledad_f`
Capacidad económica	`fin_mes_f`
Confianza interpersonal
Variable propia

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:

16 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.

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.

Práctica 1. Construcción de variables relacionadas con la satisfacción con la vida

ENBIARE 2025

Nombre:Suarez Gallardo Carlos Ivan

Fecha:18 de Septiembre del 2026