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 == "09", ]
base <- readRDS("base_cdmx.rds")
# Comprobar
dim(base)

## [1] 988 282

table(base$CVE_ENT)

## 
##  09 
## 988

3 Guardar archivo

#saveRDS(base, "base_cdmx.rds")

4 1. Preparar el directorio de trabajo

Comience revisando el directorio actual.

#getwd()

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

#setwd("C:/Users/ACA A-111.INFORMATICA/Desktop/Estadistica 3 RStudio/enbiare_2025_base_de_datos_csv")

Compruebe qué archivos se encuentran en esa carpeta.

#list.files()

Pregunta 1. ¿Cuál es su directorio de trabajo?

Respuesta: “C:/Users/ACA A-111.INFORMATICA/Desktop/Estadistica 3 RStudio/enbiare_2025_base_de_datos_csv”

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_cdmx.rds")

Una vez leído el archivo, compruebe sus dimensiones.

dim(base)

## [1] 988 282

Pregunta 2.

Entidad: Ciudad de Mexico
Nombre del archivo: base_cdmx.rds
Número de casos: 988
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 [1:988] "08" "08" "10" "09" "07" "07" "10" "09" "08" "05" "10" "08" ...

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

## 
##  02  03  04  05  06  07  08  09  10 
##   1   4   6  25  25  94 254 253 326

Construya una variable numérica llamada satisf_vida.

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

summary(base$satisf_vida)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##   2.000   8.000   9.000   8.644  10.000  10.000

Pregunta 3. Registre:

Media: 8.644
Mediana: 9.000
Mínimo: 2.000
Máximo: 10.000

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 
## 988.000000   8.643725   8.559447   8.728002

8 5. Sexo y satisfacción con la vida

8.1 5.1 Revisar la variable original

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

## 
##   1   2 
## 448 540

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

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 
##    448    540

8.3 5.3 Frecuencias absolutas y relativas

freq_sexo <- table(base$sexo_f)

freq_sexo

## 
## Hombre  Mujer 
##    448    540

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

## 
## Hombre  Mujer 
##   45.3   54.7

Complete:

Sexo	n	%
Hombre	448	45.3
Mujer	540	54.7
Total	988	100

8.4 5.4 Satisfacción con la vida según sexo

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

##   Hombre    Mujer 
## 8.669643 8.622222

Obtenga ahora media e IC95%.

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

##          n media   LI   LS
## Hombre 448  8.67 8.55 8.79
## Mujer  540  8.62 8.50 8.74

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 = "Gráfica 1. Satisfacción con la vida según sexo, Ciudad de México 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: Las medias son diferentes por muy poco, los intervalos son parecidos de largo y se cruzan, por lo que no se puede decir que la satisfacción con la vida en Ciudad de México sea significativamente diferente entre hombres y mujeres.

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   34.00   46.00   47.39   60.00   99.00

table(base$EDAD)

## 
## 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 
## 14  9 12  7  8 12 10 20 17 16 23 21 18 17 21 16 22 18 30 23 25 16 22 21 24 21 
## 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 
## 12 17 15 14 17 18 22 16 13 21 17 24 14 21 11 13 16 12 15 28 17 15 11 14 13  7 
## 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 99 
## 11  6 11  9  6 12  9  2  1  3  4  5  5  4  5  2  4  3  1  4  5

Ahora construiremos grupos de edad.

base$grupo_edad <- cut(
  base$EDAD,
  breaks = c(17, 29, 44, 59, 74, 89),
  labels = c("18-29", "30-44", "45-59", "60-74", "75+")
)

9.1 6.1 Frecuencias

freq_edad <- table(base$grupo_edad)

freq_edad

## 
## 18-29 30-44 45-59 60-74   75+ 
##   169   306   253   191    64

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

## 
## 18-29 30-44 45-59 60-74   75+ 
##  17.2  31.1  25.7  19.4   6.5

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

Respuesta: El más numeroso es el de 30-44 (31.1%) y el menos numeroso es el de 75+, con un 6.5%

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

Respuesta: Ya no es una variable cuantitativa, se convierte en categórica, ordinal. Ya no podemos obtener estadísticos descriptivos. Ganamos el poder comparar grupos de edad.

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
## 18-29 169  8.64 8.46 8.82
## 30-44 306  8.69 8.54 8.83
## 45-59 253  8.58 8.40 8.75
## 60-74 191  8.58 8.37 8.79
## 75+    64  8.86 8.52 9.20

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 10),
  xaxt = "n",
  xlab = "Grupo de edad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 2. Satisfacción con la vida según grupo etario, Ciudad de México 2025",
  pch = 
)

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: (PATRÓN). Sí se observa un patrón: que la satisfacción con la vida se mantiene relativamente estable entre los grupos de edad,especialmente para los grupos de 18 a 74 años. Sin embargo, en el grupo de 75 años y más se aprecia un ligero incremento en el intervalo, alcanzando aproximadamente 8.9 puntos. Esto podría indicar que las personas de mayor edad reportan una satisfacción con la vida ligeramente superior.

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  28 273 496 186

Construya una variable con etiquetas.

base$salud_f <- factor(
  base$PB1,
  levels = 1:5,
  labels = c(
    "Muy mala",
    "Mala",
    "Regular",
    "Buena",
    "Muy buena"
  ),
  ordered = TRUE
)

10.1 7.1 Frecuencias

freq_salud <- table(base$salud_f)

freq_salud

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

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

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

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

Respuesta: La categoría de salud más frecuente en la Ciudad de México es “Buena”, con 50.2%

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  5.80 3.41 8.19
## Mala       28  7.93 7.33 8.52
## Regular   273  8.18 8.00 8.37
## Buena     496  8.81 8.70 8.91
## Muy buena 186  9.07 8.90 9.24

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(3, 9.50),
  xaxt = "n",
  xlab = "Salud autopercibida",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 3. Satisfacción con la vida según salud autopercibida, Ciudad de México 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: Sí hay un gradiente, entre todas las variables, excepto en “muy mala” 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 
## 572 258 112  32  14

Construya la variable etiquetada.

base$soledad_f <- factor(
  base$PB4,
  levels = 1:5,
  labels = c(
    "Nunca",
    "Pocas veces",
    "Algunas veces",
    "La mayor parte del tiempo",
    "Todo el tiempo"
  ),
  ordered = TRUE
)

11.1 8.1 Frecuencias

freq_soledad <- table(base$soledad_f)

freq_soledad

## 
##                     Nunca               Pocas veces             Algunas veces 
##                       572                       258                       112 
## La mayor parte del tiempo            Todo el tiempo 
##                        32                        14

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

## 
##                     Nunca               Pocas veces             Algunas veces 
##                      57.9                      26.1                      11.3 
## La mayor parte del tiempo            Todo el tiempo 
##                       3.2                       1.4

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                     572  8.92 8.82 9.02
## Pocas veces               258  8.43 8.27 8.59
## Algunas veces             112  8.06 7.78 8.35
## La mayor parte del tiempo  32  8.03 7.53 8.54
## Todo el tiempo             14  7.21 5.76 8.67

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(5, 9.50),
  xaxt = "n",
  xlab = "Frecuencia de soledad",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 4. Satisfacción con la vida según frecuencia de soledad, Ciudad de México 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: Conforme hay más soledad percibida, más se extienden los valores de satisfacción con la vida, más que nada para valores menores.

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 
##  23  94 138 231 380 122

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

Respuesta: 1 Con mucha dificultad 2 Con dificultad 3 Con poca dificultad 4 Con poca facilidad 5 Con facilidad 6 Con mucha facilidad

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

base$fin_mes_f <- factor(
  base$PC1,
  levels = c(1,2,3,4,5,6),
  labels = c("Mucha dificultad", "Dificultad", "Poca dificultad", "Poca facilidad", "Facilidad", "Mucha facilidad")
)

Obtenga frecuencias absolutas y relativas.

freq_economia <- table(base$fin_mes_f)

freq_economia

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

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

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

Calcule la satisfacción media y los IC95%.

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

round(res, 2)

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

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

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(6.50, 9.50),
  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 económica del hogar, Ciudad de México 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, los niveles de “con mucha dificultad” y “con dificultad” son parecidos aunque, el intervalo con “mucha dificultad” se extiende hacia abajo en satisfacción. En las categorías de Mucha dificultad y Poca dificultad los valores de satisfacción con la vida son parecidos, y están medianamente altos.

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 [1:988] "03" "05" "04" "08" "05" "02" "05" "08" "06" "04" "03" "05" ...

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

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 102  25  63  84  93 189 125 141 115  34  17

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

Respuesta: Es una variable alfanumérica o caractér en la base de datos pero se puede considerar que es numérica.

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: Individual

Justificación: Cada valor representa información importante ya que hay variaciones importantes entre tan sólo una variable de diferencia, así que al mantenerlos por individual se representará más fielmente las respuestas proporcionadas por la muestra encuestada.

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,)

Frecuencias absolutas y relativas.

freq_confianza <- table(base$PF1_1)

freq_confianza

## 
##  00  01  02  03  04  05  06  07  08  09  10 
## 102  25  63  84  93 189 125 141 115  34  17

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

## 
##   00   01   02   03   04   05   06   07   08   09   10 
## 10.3  2.5  6.4  8.5  9.4 19.1 12.7 14.3 11.6  3.4  1.7

Medias.

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

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

round(res, 2)

##      n media   LI   LS
## 00 102  8.79 8.50 9.09
## 01  25  8.36 7.68 9.04
## 02  63  8.38 7.98 8.78
## 03  84  8.52 8.18 8.87
## 04  93  8.48 8.24 8.73
## 05 189  8.46 8.24 8.67
## 06 125  8.62 8.41 8.82
## 07 141  8.80 8.62 8.99
## 08 115  8.89 8.68 9.09
## 09  34  9.18 8.81 9.55
## 10  17  8.88 8.18 9.58

Construya también la gráfica correspondiente.

saveRDS(base, "base_cdmx.rds")

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(7, 10),
  xaxt = "n",
  xlab = "Nivel de Confianza en la gente",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 6. Satisfacción con la vida según el nivel de confianza con las personas, Ciudad de México 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 14. ¿Qué relación descriptiva observa entre confianza interpersonal y satisfacción con la vida?

Respuesta: Es curioso, ya que, viendo las medias, no hay un cambio tan notorio entre quienes no confían y sí confían en las demás personas; en la Ciudad de México, según lo que nos dice esta gráfica,el promedio del nivel de satisfacción con la vida se mantiene alto, casi en los mismos niveles, aunque la confianza sea poca o mucha. Lo que es curioso son los intervalos de cada nivel de confianza, ya que, mientras que el promedio del nivel 01 es 8.38, y el nivel 10 es 8.88, ambos intervalos son alargados, los únicos parecidos entre los otros datos, ya que, por ejemplo, incluso con el nivel de confianza 00 “nada en absoluto”, el intervalo es corto y la satisfacción es alta. Esto puede ser debido a la naturaleza del entorno de la Ciudad de México, donde en una ciudad tan grande, las personas se pueden percibir más seguras al no interactuar ni confiar en otros.

14 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("Sí", "No")
)

obtenga frecuencias absolutas;
obtenga frecuencias relativas;

freq_redes <- table(base$redes)

freq_redes

## 
##  Sí  No 
##  53 933

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

## 
##   Sí   No 
##  5.4 94.6

calcule satisfacción media por categoría;

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

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

round(res, 2)

##      n media   LI   LS
## Sí  53  8.49 8.08 8.90
## No 933  8.65 8.56 8.74

calcule IC95%;
construya la gráfica de media e IC95%.

plot(
  1:nrow(res),
  res[, "media"],
  ylim = c(8, 9),
  xaxt = "n",
  xlab = "Afectación por uso de redes sociales",
  ylab = "Satisfacción con la vida",
  main = "Gráfica 7. Satisfacción con la vida según el afectación por redes sociales, Ciudad de México 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: Respecto a las medias, encontramos que no hay una diferencia significativa entre las respuestas “sí” y “no”, pero es muy curioso como el intervalo de la respuesta “sí” es tan grande, mientras que el de “no”, es muy reducido. Pero al final, estos resultados nos muestran que, quienes NO perciben que el uso de las redes sociales haya generado dificultades con el resto de su vida, tienen una pequeña mayor satisfacción con su vida, sobre todo, respecto a la amplitud de los intervalos (los niveles de satisfacción relacionados con la respuesta “No”).

#saveRDS(base, "base_cdmx.rds")

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

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:

17 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.

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: Rebeca del Carmen Hernández Granados

Fecha: 1 de septiembre, 2026 al 9 de octubre, 2026