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 == "03",]
base <- readRDS("base_bcs.rds")
# Comprobar
dim(base)

## [1] 938 275

table(base$CVE_ENT)

## 
##  03 
## 938

3 Guardar archivo

saveRDS(base, "base_bcs.rds")

4 1. Preparar el directorio de trabajo

Comience revisando el directorio actual.

getwd()

## [1] "/Users/pittalyth/Documents/estadistica 3/Ejercicios_bcs"

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

setwd("/Users/pittalyth/Documents/estadistica 3/Ejercicios_bcs")

Compruebe qué archivos se encuentran en esa carpeta.

list.files()

## [1] "base_bcs.rds"                                        
## [2] "enbiare_2025_fd.xlsx"                                
## [3] "nota_base_datos_enbiare_2025.txt"                    
## [4] "Practica__1_FCPyS_ENBIARE_construccion_variables.Rmd"
## [5] "TENBIARE.csv"                                        
## [6] "THOGAR.csv"                                          
## [7] "TSDEM.csv"                                           
## [8] "TVIVIENDA.csv"                                       
## [9] "Untitled.RData"

Pregunta 1. ¿Cuál es su directorio de trabajo?

Respuesta: /Users/pittalyth/Documents/estadistica 3/Ejercicios_bcs

5 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_bcs.rds")

Una vez leído el archivo, compruebe sus dimensiones.

dim(base)

## [1] 938 275

Pregunta 2.

Entidad: Baja California Sur
Nombre del archivo: base_bcs.rds
Número de casos: 938
Número de variables: 275

6 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 [1:938] "08" "09" "09" "10" "10" "10" "08" "10" "07" "10" "10" "10" ...

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

## 
##  00  02  03  04  05  06  07  08  09  10 
##   2   2   4   4  33  31  73 209 170 410

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   8.738  10.000  10.000

Pregunta 3. Registre:

Media: 8.738
Mediana: 9.0
Mínimo: 0.0
Máximo: 10.0

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

7 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 
## 938.000000   8.737740   8.640507   8.834972

8 5. Sexo y satisfacción con la vida

8.1 5.1 Revisar la variable original

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

## 
##   1   2 
## 467 471

Aunque R almacene SEXO mediante números, esos números representan categorías, no cantidades.

8.2 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 
##    467    471

8.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    467    471

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

## 
## Hombre  Mujer 
##   49.8   50.2

Complete:

Sexo	n	%
Hombre	467	49.8
Mujer	471	50.2
Total	938	100

8.4 5.4 Satisfacción con la vida según sexo

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

##   Hombre    Mujer 
## 8.740899 8.734607

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 467  8.74 8.61 8.88
## Mujer  471  8.73 8.59 8.88

8.5 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 semejantes y la amplitud de los intervalos es también semejante va desde en 8.6 al 8.88

9 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   40.00   42.87   54.00   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+")
)

9.1 6.1 Frecuencias

freq_edad <- table(base$grupo_edad)

freq_edad

## 
## 18-29 30-44 45-59 60-74   75+ 
##   212   334   234   124    34

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

## 
## 18-29 30-44 45-59 60-74   75+ 
##  22.6  35.6  24.9  13.2   3.6

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

Respuesta: El más numeroso es el grupo de 30-44 con 35.6 y el menor es de 75+ con 3.6

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

Respuesta: Logramos identificar frecuencias de edad pero perdemos información de edades específicas

9.2 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
## 18-29 212  8.76 8.57 8.95
## 30-44 334  8.69 8.52 8.87
## 45-59 234  8.86 8.69 9.03
## 60-74 124  8.68 8.38 8.98
## 75+    34  8.41 7.75 9.08

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7.5, 9.5),
  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: No se observa un patron en específico, el grupo de 75+ es considerablemente más amplio a los demás y lo podría explicar que los casos estén más dispersos entre sí

10 7. Salud autopercibida

PB1 corresponde a salud autopercibida.

Primero revise las categorías originales.

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

## 
##   1   2   3   4   5 
##   5  31 225 443 234

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
)

10.1 7.1 Frecuencias

freq_salud <- table(base$salud_f)

freq_salud

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##         5        31       225       443       234

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

## 
##  Muy mala      Mala   Regular     Buena Muy buena 
##       0.5       3.3      24.0      47.2      24.9

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

Respuesta: La categoría más frecuente es “muy buena” con 234 casos y una frecuencia del 24.9%

10.2 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  4.60 0.07 9.13
## Mala       31  7.58 6.91 8.25
## Regular   225  8.27 8.06 8.48
## Buena     443  8.82 8.70 8.94
## Muy buena 234  9.27 9.10 9.44

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(0, 10),
  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: Parece aumentar progresivamente la satisfacción con la vida respecto a la salud autopercibida

11 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 
## 557 188 111  47  35

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
)

11.1 8.1 Frecuencias

freq_soledad <- table(base$soledad_f)

freq_soledad

## 
##                     Nunca               Pocas veces             Algunas veces 
##                       557                       188                       111 
## La mayor parte del tiempo            Todo el tiempo 
##                        47                        35

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

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      59.4                      20.0                      11.8 
## La mayor parte del tiempo            Todo el tiempo 
##                       5.0                       3.7

11.2 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                     557  9.13 9.03 9.24
## Pocas veces               188  8.47 8.28 8.67
## Algunas veces             111  8.14 7.87 8.41
## La mayor parte del tiempo  47  7.68 7.04 8.33
## Todo el tiempo             35  7.14 6.33 7.96

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 9.5),
  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: La satisfacción con la vida es menor conforme aumenta la frecuencia de soledad

12 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 
##  38  82  98 159 341 220

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

Respuesta: Con qué dificultad puede llegar a fin de mes cubriendo sus gastos habituales

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"
    )
)

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(7, 9.5),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Dificultad para llegar a fin de mes",
  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: Se ve una progresión entre capacidad económica y satisfacción con la vida

13 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 [1:938] "05" "08" "05" "05" "05" "10" "07" "04" "01" "05" "03" "04" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 120  41  47  79  65 197 103 122 116  28  20

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

Respuesta: En una progresión de 1-10

Antes de modificarla, piense:

¿Conviene conservar todos sus valores o agruparlos? En mi opinión, conviene no agruparlos para evitar perder información entre grupos colaterales.

Si decide agruparla, deberá justificar los puntos de corte. Un agrupamiento simplifica la interpretación, pero también implica pérdida de información.

Decisión tomada: No agruparlos

Justificación: No conviene agruparlos para evitar perder información entre grupos colaterales.

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)

freq_confianza <- table(base$PF1_1)

freq_confianza

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 120  41  47  79  65 197 103 122 116  28  20

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

## 
##   00   01   02   03   04   05   06   07   08   09   10 
## 12.8  4.4  5.0  8.4  6.9 21.0 11.0 13.0 12.4  3.0  2.1

grupos <- split(base$satisf_vida, base$PF1_1)
res <- t(sapply(grupos, IC_media))

round(res, 2)

##      n media   LI    LS
## 00 120  8.51 8.17  8.84
## 01  41  8.63 7.98  9.28
## 02  47  8.62 8.17  9.07
## 03  79  8.47 8.12  8.82
## 04  65  8.75 8.41  9.09
## 05 197  8.64 8.41  8.87
## 06 103  8.73 8.49  8.96
## 07 122  8.66 8.43  8.90
## 08 116  9.28 9.10  9.45
## 09  28  8.96 8.35  9.57
## 10  20  9.65 9.19 10.11

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6, 10),
  xaxt = "n",
  xlab = "Confianza",
  ylab = "Satisfacción con la vida",
  main = "Confianza",
  pch = 19
)

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

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

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

Respuesta: No se observa una relación clara

14 11. Una variable adicional

Seleccione una variable adicional de ENBIARE que considere que podría estar relacionada con la satisfacción con la vida. #Elejí comparar satisfacción con la vida y si se encuentra en una relación de pareja

Antes de analizarla complete:

Variable original: PK1
¿Qué mide?: Si se encuentra en una relación de pareja
Tipo de variable: Es una variable cualitativa
¿Cómo está codificada?: 1 ->sí 2->no
¿Necesita recodificación o agrupamiento?: No
¿Por qué podría relacionarse con satisfacción con la vida?: Por que el vivir en pareja es un factor que socialmente se ha relacionado con una mayor 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%.

#11.1 Revisar la variable original

table(base$PK1, useNA = "ifany")

## 
##   1   2 
## 590 348

14.1 11.2 Construir la variable

base$pareja_f <- factor(
  base$PK1,
  levels = c(1, 2),
  labels = c("Sí", "No")
)

table(base$pareja_f)

## 
##  Sí  No 
## 590 348

14.2 11.3 Frecuencias absolutas y relativas

freq_PK1 <- table(base$pareja_f)

freq_PK1

## 
##  Sí  No 
## 590 348

round(prop.table(freq_PK1) * 100, 1)

## 
##   Sí   No 
## 62.9 37.1

14.3 11.4 Satisfacción con la vida según pareja

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

##       Sí       No 
## 8.854237 8.540230

Obtenga ahora media e IC95%.

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

##      n media   LI   LS
## Sí 590  8.85 8.73 8.97
## No 348  8.54 8.38 8.70

14.4 11.5 Gráfica de media e IC95%

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 10),
  xaxt = "n",
  xlab = "PK1",
  ylab = "Satisfacción con la vida",
  main = "Satisfacción con la vida según pareja",
  pch = 19
)

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

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

Pregunta 15. ¿Qué patrón encontró?

Respuesta: Se observa una satisfacción con la vida más alta al tener pareja que al no tenerla, sin embargo no se sabe si es significativamente más alta.

15 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`	Se observan semejantes
Curso de vida	`grupo_edad`	No se observa un patron en específico
Salud	`salud_f`	Parece aumentar progresivamente la satisfacción con la vida respecto a la salud autopercibida
Soledad	`soledad_f`	La satisfacción con la vida es menor conforme aumenta la frecuencia de soledad
Capacidad económica	`fin_mes_f`	Se observa un aumento de satisfacción con la vida a medidia que es más fácil llegar a fin de mes
Confianza interpersonal	`confianza`	No hay una relación clara
Pareja	`pareja_f`	Sí hay una relación

16 13. Interpretación antropológica

Observe conjuntamente sus resultados y gráficas.

Redacte un comentario de 200 a 250 palabras que responda:

¿Qué variables parecen mostrar diferencias más claras en satisfacción con la vida?
¿En cuáles las medias parecen muy semejantes?
¿En alguna observa un posible gradiente?
¿Qué explicaciones sociales, culturales o demográficas podrían plantearse como hipótesis?
¿Qué aspectos importantes para comprender la satisfacción con la vida no pueden conocerse solamente mediante estas variables?
¿Qué podría aportar una aproximación cualitativa o etnográfica?

Interpretación final: Las variables que parecen ser más relacionales respecto a satisfacción con la vida son salud autopercibida, soledad y facilidad economica de llegar a fin de mes, las medias se parecen mucho en cuanto al sexo, podría plantearse que las variables económicas, de salud y relacionales impactan directamente en la satisfacción con la vida, el aspecto que yo considere (la pareja) no puede ser determinante solo con estas variables. La aproximación etnografica daria una persectiva más amplia sobre las causalidades, efectos y percepciones que tienen las personas sobre lo que vemos en estas variables cualitativas.

17 14. Para discutir en clase

Seleccione una gráfica que considere especialmente interesante.

Prepare para compartir:

Entidad: Baja California Sur
Variable seleccionada: Capacidad económica de llegar a fin de mes.
Patrón observado: Se observa un aumento de satisfacción con la vida a medidia que es más fácil llegar a fin de mes
Una posible interpretación antropológica: La capacidad económica de la gente impacta significativamente su percepcion de bienestar y calidad de vida y por ende, su satisfacción con la misma

Finalmente responda:

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

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

18 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: Lilith Gutiérrez Pitta

Fecha: octubre 2026