Tiempo
& cuidado
ENUT 2024–2025
Emmanuel Duque Colonia
Eliana Orozco Fernández
Análisis Cuantitativo · Parcial 2
Segundo parcial · Análisis Cuantitativo

Tiempo en salud y autocuidado: ¿compiten por las mismas horas?

Tiempos de acceso y atención en salud y autocuidado en adultos atendidos en Colombia, con y sin diagnóstico cardiovascular.

Autores Emmanuel Duque Colonia · Eliana Orozco FernándezMuestra 2.692 adultosExtensión 2.145 palabras
98,4%de los atendidos queda en el análisis (2.692)
64,3%son mujeres
38,0%tiene diagnóstico cardiovascular
35,7%tiene 65 años o más
70,7%vive en estratos 1 y 2
28,5%descansó sin hacer nada más ese día

Fuente: microdatos de la ENUT 2024–2025 (DANE), sin factor de expansión. Los resultados describen la muestra analizada y no se generalizan automáticamente a Colombia. Los gráficos son interactivos: pase el cursor para ver el detalle y haga clic en la leyenda para ocultar grupos.

00

Resumen ejecutivo

Más tiempo en atención no se asocia con menos autocuidado

Entre 2.692 adultos atendidos el día de referencia, la atención presenta una asociación positiva débil con el autocuidado; la del desplazamiento es negativa y casi nula. Estas asociaciones no establecen causalidad.

  1. Una atención más larga coincide con un poco más de autocuidado (ρ = 0,15); la asociación disminuye al descontar el tiempo en cama.
  2. El desplazamiento casi no se relaciona con el autocuidado (ρ = -0,04). Con diagnóstico, la asociación es algo más negativa.
  3. Quienes tienen diagnóstico dedican 00:20 más al autocuidado, pero son 17 años mayores. Por grupos de edad, las diferencias medias son pequeñas.
01

Pregunta y enfoque

¿Compite la atención en salud con el cuidado personal?

¿Qué relación existe entre el tiempo de desplazamiento y la duración de la atención en salud y las horas de autocuidado del mismo día en adultos atendidos en Colombia, y difiere esa relación entre quienes tienen y no tienen diagnóstico cardiovascular?

Definición del diagnóstico. En todo el informe, “diagnóstico cardiovascular” incluye enfermedad cardiovascular o hipertensión, según P1170S2. Esta variable no identifica por sí sola la gravedad de la enfermedad.

Dormir, comer, asearse y descansar son la base del bienestar diario, pero ese tiempo compite con otras obligaciones. Una de ellas, poco estudiada desde el uso del tiempo, es la atención en salud: desplazarse hasta un centro médico y ser atendido puede ocupar varias horas de un mismo día, y esa carga no se reparte igual. Las personas con enfermedades cardiovasculares o hipertensión necesitan controles periódicos, usan con más frecuencia los servicios y suelen ser mayores, así que podrían vivir esa tensión de manera distinta. La ENUT 2024–2025 permite observar, para un mismo día de referencia, los tiempos de acceso y atención y las actividades de cuidado personal. Eso permite explorar la relación sin pretender establecer causas. El sexo, la edad y el estrato se usan para describir a los grupos y matizar la comparación.

Expectativa inicial. Se esperaba que más tiempo de desplazamiento y de atención se asociara con menos horas de autocuidado, porque ambas actividades compiten por las mismas 24 horas. También se esperaba que el patrón fuera más marcado entre quienes tienen diagnóstico cardiovascular.

02

Datos y preparación

Una misma jornada vista desde dos módulos

La unidad de análisis es la persona. La subpoblación son los adultos de 18 años o más que recibieron atención médica u odontológica el día de referencia. Ambos módulos se refieren al mismo día; el Anexo documenta el procesamiento.

Figura 1

De la base completa a la muestra analizada

Lectura. La selección avanza de arriba abajo; se excluyen 45 atendidos por estrato no válido. Los porcentajes corresponden a la etapa anterior. Los tamaños son esquemáticos, no proporcionales al número de personas.

Tabla 1. Diccionario de variables
Nombre original Nombre en el informe Significado Tipo Unidad
P6040 Edad Años cumplidos Numérica discreta Años
P6020 Sexo Sexo registrado en la encuesta Categórica nominal Hombre / Mujer
P1170S2 Diagnóstico cardiovascular Diagnóstico de enfermedad cardiovascular o hipertensión Categórica nominal Sí / No
P4030S1A1 Estrato Estrato para la tarifa de energía eléctrica Categórica ordinal 1 a 6
P1166S1A1 + A2 Tiempo de acceso Desplazamiento de ida al lugar de atención Numérica continua hh:mm
P1166S2A1 + A2 Tiempo de atención Duración de la atención recibida Numérica continua hh:mm
P1144S1A1 a S6A2 Tiempo de autocuidado Dormir, comer, aseo, peluquería, guardar cama y descansar Numérica continua (construida) hh:mm

Cada duración viene en horas (A1) y minutos adicionales (A2). Se convirtieron a horas decimales (horas + minutos/60) para calcular y se presentan en formato hh:mm: 01:30 es una hora y media. El autocuidado suma las seis actividades de cuidado personal de la pregunta I1. Incluye guardar cama, pertinente para personas que buscaron atención ese día. Es una construcción del análisis: no mide la calidad del cuidado y, si hubo actividades simultáneas, no es necesariamente una parte excluyente de las 24 horas.

Cero, no aplica y sin información

Figura 2

La participación en las actividades de autocuidado es desigual

Lectura. Dormir, comer y asearse son frecuentes; peluquería y guardar cama son menos comunes. Esto exige distinguir no participación de falta de información.

Tabla 2. Marcar la actividad y tener tiempo registrado (adultos atendidos)
Actividad Marcaron Marcaron sin tiempo No marcaron, con tiempo Vacíos que serían NA
Dormir 2.707 0 0 30
Comer 2.713 0 0 24
Asearse y arreglarse 2.689 0 0 48
Peluquería o spa 54 0 0 2.683
Guardar cama 313 0 0 2.424
Descansar 783 0 0 1.954

En I1, de selección múltiple, se comprobaron códigos 1 o vacíos, respuesta a alguna actividad en todos los atendidos y coherencia de las marcas con horas y minutos (Tabla 2). Se asigna cero únicamente a actividades no marcadas con ambos tiempos vacíos; la información incompleta o contradictoria conserva NA. Tratar como faltantes los vacíos de dormir, comer, asearse y descansar eliminaría 1.973 atendidos. Para quienes no recibieron atención, los tiempos de salud no aplican y quedan fuera del análisis.

Revisión de los totales superiores a 24 horas

La suma supera 24 horas en 5 personas (0,19 % de la muestra). Ninguna actividad individual de estos casos presenta horas o minutos fuera de rango ni una duración superior a 24 horas. La suma reproduce los tiempos declarados, pero no demuestra que las respuestas sean correctas ni que las actividades se hayan superpuesto. El archivo no permite reconstruir horarios para establecer la causa del exceso.

Revisión de casos · Duraciones hh:mm; etiquetas internas sin identificadores personales
Caso Dormir Comer Aseo Peluquería Cama Descanso Total
Caso 1 08:00 00:30 00:30 00:00 18:00 00:00 27:00
Caso 2 15:00 03:00 00:30 00:00 00:00 06:00 24:30
Caso 3 10:00 00:20 01:00 00:00 12:00 01:30 24:50
Caso 4 12:00 00:40 01:20 00:00 07:20 03:00 24:20
Caso 5 04:00 02:00 01:00 00:00 20:00 00:00 27:00

Cuatro de los cinco casos incluyen guardar cama; al restar ese componente, sus sumas quedan por debajo de 24 horas. Otro caso suma 15 horas de sueño, 3 de alimentación, 30 minutos de aseo y 6 de descanso: 24:30 aun sin tiempo en cama. Descontar cama no resuelve todos los excesos ni demuestra que exista doble conteo.

Decisión analítica. Se conservan los registros originales y la muestra principal de 2.692 personas; se identifican los excesos y se presenta un análisis alternativo con 2.687 personas. No se fuerza el total a 24 horas ni se redistribuyen actividades sin evidencia. El indicador se interpreta como suma de duraciones declaradas, no como horas exclusivas de un día.

No hay duplicados (0). Se excluyen 45 atendidos (1,6 %), únicamente por estrato vacío o fuera de 1 a 6. La proporción es pequeña, pero no descarta sesgo de selección.

03

Estadística descriptiva

La comparación por diagnóstico cambia al considerar la edad

Figura 3

¿Quiénes integran la muestra?

Lectura. Predominan mujeres y estratos 1 y 2. Los porcentajes describen los 2.692 casos completos y contextualizan las comparaciones.

Pase el cursor para consultar los segmentos pequeños.

Tabla 3. Frecuencias y porcentajes (denominador: n = 2.692)
Variable Categoría n %
Sexo Hombre 961 35,7
Mujer 1.731 64,3
Diagnóstico Sin diagnóstico 1.670 62,0
Con diagnóstico 1.022 38,0
Grupo de edad 18 a 44 759 28,2
45 a 64 972 36,1
65 o más 961 35,7
Estrato 1 1.124 41,8
2 780 29,0
3 483 17,9
4 200 7,4
5 62 2,3
6 43 1,6
Tabla 4. Resumen de las variables numéricas
Variable n válido Media Mediana DE Q1–Q3 Mín.–máx.
Tiempo de acceso (hh:mm) 2.692 01:17 01:00 01:32 00:30–01:30 00:00–12:00
Tiempo de atención (hh:mm) 2.692 01:37 01:00 02:01 00:30–02:00 00:01–12:30
Tiempo de autocuidado (hh:mm) 2.692 10:27 10:00 03:10 08:40–12:00 00:30–27:00
· Dormir (hh:mm) 2.692 07:30 08:00 01:55 06:30–08:00 00:00–18:00
· Descansar (hh:mm) 2.692 00:41 00:00 01:28 00:00–01:00 00:00–12:30
· Guardar cama (hh:mm) 2.692 00:30 00:00 01:49 00:00–00:00 00:00–20:00
Edad (años) 2.692 55,5 58 18,3 42–69 18–100

Tiempos en hh:mm por persona el día de referencia. DE: desviación estándar. Q1 y Q3: primer y tercer cuartil.

El 64,3 % de la muestra son mujeres y el 38,0 % reporta diagnóstico cardiovascular (Figura 3). La edad mediana es de 58 años. El desplazamiento de ida tiene una mediana de 01:00, pero la media (01:17) es mayor por una cola larga que llega a 12:00. 57 personas reportan cero minutos; aquí no se identifica el motivo. La atención es igual de asimétrica, con casos de hasta 12:30 (sin identificar aquí el tipo de servicio). El autocuidado es más simétrico, con una mediana de 10:00, y el sueño es su mayor componente promedio. 5 casos superan las 24 horas; podrían reflejar simultaneidad o inconsistencias. Se conservan y se evalúa su influencia en las correlaciones.

Tabla 5. Comparación según diagnóstico cardiovascular (tiempos en hh:mm)
Grupo n Edad media Autocuidado (media) Autocuidado (mediana) Acceso (mediana) Atención (mediana) % guardó cama
Sin diagnóstico 1.670 49,0 10:19 10:00 01:00 01:00 10,3
Con diagnóstico 1.022 66,1 10:39 10:00 01:00 01:00 12,8

Figura 4

El diagnóstico cardiovascular se concentra en las edades mayores

Lectura. El diagnóstico es más frecuente a edades mayores; comparar grupos sin considerar su composición etaria puede ocultar diferencias relevantes.

Tabla 6. Autocuidado por grupo de edad y diagnóstico (hh:mm)
Grupo de edad Diagnóstico n Autocuidado (media) Autocuidado (mediana)
18 a 44 Sin diagnóstico 695 10:14 10:00
Con diagnóstico 64 10:05 09:27
45 a 64 Sin diagnóstico 618 10:05 09:45
Con diagnóstico 354 10:04 09:50
65 o más Sin diagnóstico 357 10:52 10:20
Con diagnóstico 604 11:03 10:22

A primera vista, el diagnóstico parece importar: quienes lo tienen dedican en promedio 00:20 más al autocuidado, con la misma mediana, y sus tiempos de acceso y atención son casi iguales a los del otro grupo (Tabla 5). Pero son 17,1 años mayores: el diagnóstico pasa del 8,4 % entre los de 18 a 44 años al 62,9 % entre los de 65 o más (Figura 4). Las diferencias medias son pequeñas dentro de los grupos de edad (Tabla 6), compatible con una influencia de la composición etaria, sin demostrar que explique toda la brecha.

Tabla 7. Tiempos según estrato (hh:mm)
Estrato n Acceso (media) Atención (media) Autocuidado (media)
1 1.124 01:21 01:49 10:41
2 780 01:22 01:33 10:30
3 483 01:11 01:25 10:02
4 200 01:07 01:23 09:58
5 62 00:45 01:06 10:02
6 43 00:50 01:20 10:32

El acceso medio varía por estrato: 01:21 en promedio en estrato 1 y menos de una hora en los estratos 5 y 6, que tienen pocos casos (Tabla 7). Entre hombres (10:41) y mujeres (10:19) la diferencia de autocuidado es pequeña.

04

Visualización

Cuatro miradas sobre la misma jornada

Figura 5 · Distribución

La mayoría dedica entre 08:00 y 12:00 al autocuidado el día de la atención

Lectura. El autocuidado se concentra entre 08:00 y 12:00 y ambos grupos se superponen casi por completo. La cola derecha muestra tiempos altos; el histograma no identifica sus causas.

Figura 6 · Composición

¿En qué se va el autocuidado? Promedio por actividad

Detalle de la Figura 6 · Promedios hh:mm, incluidos los segmentos pequeños
Diagnóstico (incluye hipertensión) Dormir Comer Asearse y arreglarse Peluquería o spa Guardar cama Descansar
Sin diagnóstico 07:28 01:01 00:44 00:02 00:27 00:38
Con diagnóstico 07:34 00:59 00:43 00:01 00:35 00:46

Lectura. Dormir ocupa la mayor parte en ambos grupos. Quienes tienen diagnóstico suman algo más de descanso y de tiempo en cama, y casi lo mismo en las demás actividades.

Figura 7 · Comparación

Las distribuciones se superponen dentro de los grupos de edad

Lectura. Las cajas se superponen y los mayores presentan tiempos más altos. La edad ayuda a contextualizar las diferencias; estos grupos amplios no equivalen a un ajuste estadístico ni prueban igualdad entre diagnósticos.

Figura 8 · Relación

Tiempo en salud y autocuidado: una nube sin pendiente clara

Los botones cambian el eje horizontal; las líneas indican tendencias lineales.

Lectura. El 71,1 % tuvo atenciones inferiores a dos horas y el 76,8 % desplazamientos inferiores a dos horas. La dispersión es amplia y las pendientes pequeñas. Los puntos tienen un desplazamiento visual mínimo; las líneas y los cálculos usan los tiempos originales.

05

Correlaciones

Asociaciones débiles, y una en sentido contrario

ρ = 0,146
Atención y autocuidado · Spearman · 2.692 pares · positiva y débil
−10+1
ρ = -0,092
Acceso y autocuidado con diagnóstico · 1.022 pares · negativa y muy débil
−10+1

Se reportan Pearson y Spearman, pero la interpretación usa Spearman. Los tiempos de acceso y atención son muy asimétricos (asimetría de 3,7 y 3,1), alcanzan 12:00 y 12:30, respectivamente. Además, varias personas reportan la misma duración (Figura 8). Spearman evalúa asociación monótona mediante rangos y es menos sensible a la magnitud de los extremos.

Figura 9

Todos los coeficientes quedan cerca de cero

Lectura. Los coeficientes son pequeños y sus signos varían por relación, grupo y método.

Tabla 8. Correlaciones con el tiempo de autocuidado
Relación Grupo Pares válidos Pearson r Spearman ρ p (Spearman)
Atención – autocuidado Total 2.692 0,121 0,146 < 0,001
Sin diagnóstico 1.670 0,141 0,176 < 0,001
Con diagnóstico 1.022 0,092 0,099 0,001
Acceso – autocuidado Total 2.692 0,018 -0,040 0,040
Sin diagnóstico 1.670 0,075 -0,009 0,725
Con diagnóstico 1.022 -0,074 -0,092 0,003

Atención y autocuidado. La relación es positiva y débil, contraria a lo esperado. Es algo mayor sin diagnóstico (ρ = 0,176) que con diagnóstico (ρ = 0,099). Una posible explicación es la gravedad del episodio, que aquí no se mide. La duración de la atención se correlaciona con el tiempo en cama (ρ = 0,151), y sin ese componente la relación baja a ρ = 0,092. Esto es compatible con una influencia del estado de salud, pero no la demuestra.

Desplazamiento y autocuidado. La relación es casi nula en el total (ρ = -0,040) y sin diagnóstico (ρ = -0,009). Con diagnóstico es negativa y muy débil; su magnitud es pequeña. Sin diagnóstico, Pearson es positivo mientras Spearman es casi cero (Figura 9): la discrepancia aconseja cautela y no identifica por sí sola la influencia de los extremos.

Sensibilidad al excluir los totales mayores de 24 horas

Sensibilidad · Mismo procedimiento, con y sin los cinco totales señalados
Indicador Muestra completa Sin totales >24 h
Personas 2.692 2.687
Autocuidado medio (hh:mm) 10:27 10:25
Mediana (hh:mm) 10:00 10:00
Spearman: atención 0,146 0,144
Spearman: acceso -0,040 -0,041

Lectura. El promedio baja 1,68 minutos y la mediana se mantiene. La asociación de atención sigue siendo positiva y débil (ρ = 0,144); la de acceso sigue siendo negativa y casi nula (ρ = -0,041). Los cinco casos no explican el sentido de los hallazgos principales. Esta estabilidad no valida los registros ni elimina las limitaciones del indicador.

Las diferencias entre coeficientes por diagnóstico son descriptivas: no se ha realizado una prueba formal de diferencia entre correlaciones poblacionales. Los valores p son exploratorios y no incorporan el diseño muestral.

Estas asociaciones no permiten afirmar que el tiempo en salud cause cambios en el autocuidado; la edad o la gravedad de la enfermedad podrían explicar parte de ellas.

06

Explora los resultados

Tablero interactivo

El siguiente tablero permite explorar los resultados por sexo, diagnóstico, grupo de edad y estrato socioeconómico. Los gráficos y las tablas responden a los filtros; las interpretaciones escritas y las pruebas de hipótesis corresponden a la muestra completa.

El tablero requiere conexión a internet y permiso de acceso al informe. Si no se muestra dentro del documento, abrir el tablero en una nueva pestaña.

07

Conclusión

No se observa una asociación negativa clara con la atención

La pregunta fue si mayores tiempos de desplazamiento y atención se relacionan con menos autocuidado entre adultos atendidos, y si la relación difiere por diagnóstico cardiovascular. En esta muestra no aparece una asociación negativa clara para la atención; para el desplazamiento, la asociación es negativa y muy débil. Esto no demuestra que la atención nunca limite el autocuidado.

El primer hallazgo es una asociación positiva débil entre atención y autocuidado (ρ = 0,15; Tabla 8 y Figura 8). Al descontar el tiempo en cama, baja a 0,09: la composición del autocuidado importa, aunque no permite identificar una causa. El segundo es que el desplazamiento presenta una asociación casi nula en el total (ρ = -0,04) y algo más negativa entre quienes tienen diagnóstico (ρ = -0,09; Figura 9). Las diferencias entre coeficientes son descriptivas y no prueban que las relaciones poblacionales sean distintas. El tercero es que la brecha media de autocuidado por diagnóstico (00:20) se reduce al comparar por grupos de edad (Tabla 6). Esto sugiere una influencia de la composición etaria, sin demostrar que explique toda la diferencia.

La expectativa de una relación negativa recibe poco respaldo: la atención presenta el signo contrario y el desplazamiento una magnitud pequeña. La nube de puntos y los coeficientes describen asociaciones débiles, no ausencia de restricciones individuales de tiempo.

Limitaciones

  • Los resultados corresponden a una muestra sin expansión; las exclusiones por estrato podrían introducir sesgo.
  • Los tiempos son reportados para un día, pueden superponerse y el acceso mide solo la ida.
  • No se ajusta por gravedad ni por otras diferencias entre grupos; agrupar edades no elimina la confusión.
</>

Anexo reproducible

El código completo, bloque por bloque

Todas las cifras, tablas y figuras se generan desde el archivo .Rmd. Los bloques 1 a 9 documentan la preparación de los datos; los siguientes producen los resultados.

Ver el código en R
# ============================================================
# OPCIONES GENERALES Y PAQUETES
# ============================================================
# En el informe no se muestra el código; todo aparece en el Anexo.
# Si falta plotly, instálelo una vez en la consola: install.packages("plotly")
knitr::opts_chunk$set(echo = FALSE, message = FALSE, warning = FALSE)

library(haven)    # importar archivos de Stata (.dta)
library(dplyr)    # rename(), filter(), mutate(), summarise() y %>%
library(knitr)    # tablas con kable()
library(plotly)   # gráficos interactivos

# Números con coma decimal y punto de miles
fmt <- function(x, d = 2) {
  formatC(x, format = "f", digits = d, big.mark = ".", decimal.mark = ",")
}

# Tablas en HTML simple (el estilo lo pone el CSS del informe)
tabla <- function(df, caption, align = NULL) {
  kable(df, format = "html", caption = caption, align = align,
        escape = TRUE, table.attr = "", row.names = FALSE)
}

# Paleta lila y beige
LILA <- "#8E6CC4"; LILA_OSC <- "#5B3F86"; LILA_SUAVE <- "#C9B6E8"
CARAMELO <- "#C59A6D"; ARENA <- "#E9DCC7"; TINTA <- "#2E2440"
colores_dx <- c("Sin diagnóstico" = LILA, "Con diagnóstico" = CARAMELO)

# Color de texto legible sobre un fondo dado
color_texto <- function(hex) {
  sapply(hex, function(h) {
    v <- col2rgb(h) / 255
    if (0.299 * v[1] + 0.587 * v[2] + 0.114 * v[3] > 0.62) TINTA else "#FFFFFF"
  }, USE.NAMES = FALSE)
}

# Estilo común de los gráficos interactivos
estilo <- function(p, ...) {
  p %>%
    layout(
      font = list(family = "DM Sans, Segoe UI, Arial, sans-serif", color = TINTA, size = 13),
      paper_bgcolor = "rgba(0,0,0,0)", plot_bgcolor = "rgba(0,0,0,0)",
      separators = ",.",
      margin = list(l = 10, r = 20, t = 30, b = 10),
      legend = list(orientation = "h", x = 0, y = 1.12),
      hoverlabel = list(bgcolor = TINTA, bordercolor = TINTA,
                        font = list(color = "#FFFFFF", family = "DM Sans, Arial"))
    ) %>%
    layout(...) %>%   # las opciones propias de cada gráfico reemplazan las generales
    config(displayModeBar = FALSE)
}
# ============================================================
# BLOQUE 1. CARGAR LA BASE
# ============================================================
# Solo se importan las columnas necesarias para que la carga sea rápida.
# El archivo .dta debe estar en la misma carpeta que este .Rmd.
vars_usadas <- c(
  "DIRECTORIO", "SECUENCIA_P", "ORDEN",
  "P6040", "P6020", "P1166", "P1170S2", "P4030S1A1",
  "P1166S1A1", "P1166S1A2", "P1166S2A1", "P1166S2A2",
  paste0("P1144S", 1:6),                               # marcó la actividad (1) o no (vacío)
  paste0("P1144S", rep(1:6, each = 2), c("A1", "A2"))  # horas (A1) y minutos (A2)
)
enut <- read_dta("ENUT_2024_2025_integrada.dta", col_select = all_of(vars_usadas))

# zap_labels() quita las etiquetas de Stata y deja los códigos numéricos.
enut <- zap_labels(enut)

# Cada fila debe ser una persona: no debe haber llaves repetidas (debe dar 0).
duplicados <- sum(duplicated(enut[, c("DIRECTORIO", "SECUENCIA_P", "ORDEN")]))
stopifnot(duplicados == 0)
# ============================================================
# BLOQUE 2. CREAR UNA COPIA Y CAMBIAR NOMBRES
# ============================================================
# Copia de trabajo para conservar intacta la base original.
trabajo_enut <- enut

# rename() cambia nombres, no valores. Se escribe nombre_nuevo = nombre_original.
trabajo_enut <- trabajo_enut %>%
  rename(
    edad = P6040,
    sexo = P6020,
    diagnostico_cardiovascular = P1170S2,
    estrato_socioeconomico = P4030S1A1,
    recibio_atencion = P1166
  )
# ============================================================
# BLOQUE 3. APLICAR LOS FILTROS DE LA SUBPOBLACIÓN
# ============================================================
# Adultos: 18 años o más.
enut_adultos <- subset(trabajo_enut, edad >= 18)

# recibio_atencion: 1 = Sí, 2 = No. Se conservan quienes fueron atendidos.
enut_atendidos <- subset(enut_adultos, recibio_atencion == 1)
# ============================================================
# BLOQUE 4. REVISAR LOS CÓDIGOS ANTES DE RECODIFICAR
# ============================================================
# useNA = "always" muestra también los vacíos.
table(enut_atendidos$sexo, useNA = "always")                        # 1 y 2, sin vacíos
table(enut_atendidos$diagnostico_cardiovascular, useNA = "always")  # 1 y 2, sin vacíos
table(enut_atendidos$estrato_socioeconomico, useNA = "always")      # hay 8, 9 y vacíos
# ============================================================
# BLOQUE 5. CONSTRUIR LOS TIEMPOS EN HORAS DECIMALES
# ============================================================
# Conversión: horas + minutos / 60. Ejemplo: 2 h 30 min = 2 + 30/60 = 2,5 horas.
enut_atendidos <- enut_atendidos %>%
  mutate(
    tiempo_acceso   = P1166S1A1 + P1166S1A2 / 60,   # ida al lugar de atención
    tiempo_atencion = P1166S2A1 + P1166S2A2 / 60    # duración de la atención
  )

# Verificar códigos y rangos antes de interpretar los vacíos de I1.
marcas_I1 <- unlist(enut_atendidos[paste0("P1144S", 1:6)], use.names = FALSE)
stopifnot(all(is.na(marcas_I1) | marcas_I1 == 1))
cols_h <- c("P1166S1A1", "P1166S2A1", paste0("P1144S", 1:6, "A1"))
cols_m <- c("P1166S1A2", "P1166S2A2", paste0("P1144S", 1:6, "A2"))
stopifnot(all(vapply(enut_atendidos[cols_h], function(x)
  all(is.na(x) | (x >= 0 & x <= 24)), logical(1))))
stopifnot(all(vapply(enut_atendidos[cols_m], function(x)
  all(is.na(x) | (x >= 0 & x < 60)), logical(1))))
# Auditoría individual: regla analítica, no corrección automática.
# Horas enteras 0..24, minutos enteros 0..59 y duración <=24 h.
# Si se incumple, detener y revisar la fuente; los vacíos se tratan aparte.
validacion_rangos <- do.call(rbind, lapply(seq_along(cols_h), function(i) {
  h <- enut_atendidos[[cols_h[i]]]; m <- enut_atendidos[[cols_m[i]]]
  data.frame(Actividad = c("Acceso", "Atención", "Dormir", "Comer", "Aseo",
    "Peluquería o spa", "Guardar cama", "Descansar")[i],
    `Horas inválidas` = sum(!is.na(h) & (!is.finite(h) | h < 0 | h > 24 | h != floor(h))),
    `Minutos inválidos` = sum(!is.na(m) & (!is.finite(m) | m < 0 | m >= 60 | m != floor(m))),
    `Duraciones mayores de 24 h` = sum(h + m / 60 > 24, na.rm = TRUE),
    check.names = FALSE)
}))
stopifnot(all(as.matrix(validacion_rangos[-1]) == 0))

# I1 es de selección múltiple: 1 = marcó la actividad; vacío = no la marcó.
# La persona respondió I1 si marcó al menos una de las seis actividades.
enut_atendidos <- enut_atendidos %>%
  mutate(respondio_I1 = !is.na(P1144S1) | !is.na(P1144S2) | !is.na(P1144S3) |
                        !is.na(P1144S4) | !is.na(P1144S5) | !is.na(P1144S6))

# Regla para cada actividad (justificada en el Bloque 6):
#   marcó la actividad            -> horas + minutos / 60
#   no la marcó y respondió I1    -> 0 (no la realizó)
#   no respondió I1               -> NA (sin información)
tiempo_act <- function(marca, h, m, respondio) {
  # Un vacío contradictorio (con horas o minutos) se conserva como NA.
  case_when(
    marca == 1 ~ h + m / 60,
    is.na(marca) & respondio & is.na(h) & is.na(m) ~ 0,
    TRUE ~ NA_real_
  )
}

enut_atendidos <- enut_atendidos %>%
  mutate(
    tiempo_sueno        = tiempo_act(P1144S1, P1144S1A1, P1144S1A2, respondio_I1),
    tiempo_alimentacion = tiempo_act(P1144S2, P1144S2A1, P1144S2A2, respondio_I1),
    tiempo_aseo         = tiempo_act(P1144S3, P1144S3A1, P1144S3A2, respondio_I1),
    tiempo_peluqueria   = tiempo_act(P1144S4, P1144S4A1, P1144S4A2, respondio_I1),
    tiempo_cama         = tiempo_act(P1144S5, P1144S5A1, P1144S5A2, respondio_I1),
    tiempo_descanso     = tiempo_act(P1144S6, P1144S6A1, P1144S6A2, respondio_I1),
    # Autocuidado = suma de las seis actividades de cuidado personal (I1)
    tiempo_autocuidado  = tiempo_sueno + tiempo_alimentacion + tiempo_aseo +
                          tiempo_peluqueria + tiempo_cama + tiempo_descanso
  )
# ============================================================
# BLOQUE 6. VALORES PERDIDOS: CERO, NO APLICA Y SIN INFORMACIÓN
# ============================================================
# ¿El vacío del tiempo coincide exactamente con no haber marcado la actividad?
actividades <- c("Dormir", "Comer", "Asearse y arreglarse", "Peluquería o spa",
                 "Guardar cama", "Descansar")
marca <- function(i) enut_atendidos[[paste0("P1144S", i)]]
horas <- function(i) enut_atendidos[[paste0("P1144S", i, "A1")]]
minutos <- function(i) enut_atendidos[[paste0("P1144S", i, "A2")]]

verificacion <- data.frame(
  Actividad = actividades,
  `Marcaron` = sapply(1:6, function(i) sum(!is.na(marca(i)))),
  `Marcaron sin tiempo` = sapply(1:6, function(i) sum(!is.na(marca(i)) & (is.na(horas(i)) | is.na(minutos(i))))),
  `No marcaron, con tiempo` = sapply(1:6, function(i) sum(is.na(marca(i)) & (!is.na(horas(i)) | !is.na(minutos(i))))),
  `Vacíos que serían NA` = sapply(1:6, function(i) sum(is.na(horas(i)) | is.na(minutos(i)))),
  check.names = FALSE
)
# Personas que se perderían con la definición anterior (vacío = faltante)
# Cuatro actividades básicas, para comparar con la definición previa.
na_ingenuo <- sum(!complete.cases(cbind(sapply(c(1, 2, 3, 6), horas),
                                      sapply(c(1, 2, 3, 6), minutos))))
sin_I1 <- sum(!enut_atendidos$respondio_I1)
stopifnot(sin_I1 == 0,
          all(verificacion$`Marcaron sin tiempo` == 0),
          all(verificacion$`No marcaron, con tiempo` == 0))
# ============================================================
# BLOQUE 7. RECODIFICAR LAS VARIABLES CATEGÓRICAS
# ============================================================
# factor() convierte los códigos en categorías con etiquetas.
enut_atendidos$sexo <- factor(enut_atendidos$sexo, levels = c(1, 2),
                              labels = c("Hombre", "Mujer"))

# Diagnóstico: 1 = Sí, 2 = No. "Sin diagnóstico" queda como categoría de referencia.
enut_atendidos$diagnostico_cardiovascular <- factor(
  enut_atendidos$diagnostico_cardiovascular, levels = c(2, 1),
  labels = c("Sin diagnóstico", "Con diagnóstico"))

# Estrato ordinal 1 a 6; los códigos 8, 9 y vacíos quedan como NA (aquí no se borran).
enut_atendidos$estrato_original <- enut_atendidos$estrato_socioeconomico
enut_atendidos$estrato_socioeconomico <- factor(enut_atendidos$estrato_original,
                                                levels = 1:6, ordered = TRUE)
# ============================================================
# BLOQUE 8. CREAR EL DATA FRAME DE LAS SIETE VARIABLES
# ============================================================
enut_analisis <- subset(
  enut_atendidos,
  select = c(edad, sexo, diagnostico_cardiovascular, estrato_socioeconomico,
             tiempo_acceso, tiempo_atencion, tiempo_autocuidado,
             # componentes del autocuidado, solo para describir
             tiempo_sueno, tiempo_alimentacion, tiempo_aseo,
             tiempo_peluqueria, tiempo_cama, tiempo_descanso)
)

# Casos completos en las siete variables del análisis
siete <- c("edad", "sexo", "diagnostico_cardiovascular", "estrato_socioeconomico",
           "tiempo_acceso", "tiempo_atencion", "tiempo_autocuidado")
enut_completos <- enut_analisis[complete.cases(enut_analisis[, siete]), ]

# Grupos de edad para comparar personas de edades similares
enut_completos$grupo_edad <- cut(enut_completos$edad, breaks = c(17, 44, 64, Inf),
                                 labels = c("18 a 44", "45 a 64", "65 o más"))

n <- nrow(enut_completos)
n_excl <- nrow(enut_analisis) - n
faltantes_por_variable <- colSums(is.na(enut_analisis[, siete]))
# Comprobar que las exclusiones se deben únicamente al estrato.
stopifnot(all(faltantes_por_variable[setdiff(siete, "estrato_socioeconomico")] == 0),
          faltantes_por_variable["estrato_socioeconomico"] == n_excl)

control_filtros <- data.frame(
  Etapa = c("Base integrada ENUT", "18 años o más",
            "Recibieron atención", "Casos completos"),
  Observaciones = c(nrow(trabajo_enut), nrow(enut_adultos), nrow(enut_atendidos), n)
)
# ============================================================
# BLOQUE 9. MOSTRAR LOS TIEMPOS COMO HH:MM
# ============================================================
# Solo para presentar: recibe horas decimales y devuelve texto "HH:MM".
formato_hhmm <- function(horas) {
  minutos <- round(horas * 60)
  resultado <- rep(NA_character_, length(horas))
  validos <- !is.na(minutos)
  resultado[validos] <- sprintf("%02d:%02d",
                                as.integer(minutos[validos] %/% 60),   # horas completas
                                as.integer(minutos[validos] %% 60))    # minutos restantes
  resultado
}
hh <- formato_hhmm   # nombre corto

# Ejes de los gráficos en hh:mm
eje_hh <- function(titulo, valores) {
  list(title = titulo, tickvals = valores, ticktext = hh(valores), zeroline = FALSE,
       gridcolor = "#EFE6DA")
}
# ============================================================
# CÁLCULOS QUE SE CITAN EN EL TEXTO
# ============================================================
a <- enut_completos
pct <- function(cond) 100 * mean(cond)

pct_mujer  <- pct(a$sexo == "Mujer")
pct_dx     <- pct(a$diagnostico_cardiovascular == "Con diagnóstico")
pct_estr12 <- pct(a$estrato_socioeconomico %in% c("1", "2"))
pct_65     <- pct(a$grupo_edad == "65 o más")
pct_desc   <- pct(a$tiempo_descanso > 0)
pct_incl   <- 100 * n / nrow(enut_atendidos)
n_acc0  <- sum(a$tiempo_acceso == 0)
n_mas24 <- sum(a$tiempo_autocuidado > 24)

edad_dx <- tapply(a$edad, a$diagnostico_cardiovascular, mean)
auto_dx <- tapply(a$tiempo_autocuidado, a$diagnostico_cardiovascular, mean)
dif_auto_dx <- unname(auto_dx[2] - auto_dx[1])
dif_edad_dx <- unname(edad_dx[2] - edad_dx[1])
dx_por_edad <- 100 * prop.table(table(a$grupo_edad, a$diagnostico_cardiovascular), 1)
acc_estr  <- tapply(a$tiempo_acceso, a$estrato_socioeconomico, mean)
auto_sexo <- tapply(a$tiempo_autocuidado, a$sexo, mean)

# Correlaciones de Spearman (exact = FALSE evita avisos por empates)
rho <- function(df, x, y = "tiempo_autocuidado") {
  unname(cor.test(df[[x]], df[[y]], method = "spearman", exact = FALSE)$estimate)
}
sin_dx <- filter(a, diagnostico_cardiovascular == "Sin diagnóstico")
con_dx <- filter(a, diagnostico_cardiovascular == "Con diagnóstico")

rho_ate     <- rho(a, "tiempo_atencion")
rho_ate_sin <- rho(sin_dx, "tiempo_atencion")
rho_ate_con <- rho(con_dx, "tiempo_atencion")
rho_acc     <- rho(a, "tiempo_acceso")
rho_acc_sin <- rho(sin_dx, "tiempo_acceso")
rho_acc_con <- rho(con_dx, "tiempo_acceso")

# Sensibilidad: autocuidado sin el tiempo en cama
a$autocuidado_sin_cama <- a$tiempo_autocuidado - a$tiempo_cama
rho_sin_cama <- rho(a, "tiempo_atencion", "autocuidado_sin_cama")
rho_cama     <- rho(a, "tiempo_atencion", "tiempo_cama")
# Sensibilidad a los totales de autocuidado superiores a 24 horas.
sin_mas24 <- filter(a, tiempo_autocuidado <= 24)
rho_ate_24 <- rho(sin_mas24, "tiempo_atencion")
rho_acc_24 <- rho(sin_mas24, "tiempo_acceso")
pct_ate_menos2 <- pct(a$tiempo_atencion < 2)
pct_acc_menos2 <- pct(a$tiempo_acceso < 2)

asimetria <- function(x) mean((x - mean(x))^3) / sd(x)^3
r3 <- function(x) fmt(x, 3)   # coeficientes con tres decimales
r2 <- function(x) fmt(x, 2)
css <- function(x) sprintf("%.1f", x)      # números para el CSS: siempre con punto decimal
pos <- function(r) css(50 + 50 * r)          # posición en el medidor de -1 a 1 (en %)
# Pirámide esquemática: las áreas no representan cantidades proporcionales.
local({
  op <- par(mar = c(0, 0, 0, 0), family = "sans", bg = "#FFFDFB")
  on.exit(par(op))
  plot.new()
  plot.window(xlim = c(0, 12), ylim = c(0, 10), xaxs = "i", yaxs = "i")
  centro <- 4
  superior <- c(9.3, 7.1, 4.9, 2.7)
  inferior <- c(7.65, 5.45, 3.25, 0.5)
  ancho_arriba <- c(7, 5.7, 4.4, 3.3)
  ancho_abajo <- c(5.7, 4.4, 3.3, 0)
  colores <- c("#DCCEF0", "#BCA3DF", "#8E6CC4", "#5B3F86")
  ns <- control_filtros$Observaciones
  porcentajes <- c(100, 100 * ns[-1] / ns[-length(ns)])
  for (i in 1:4) {
    polygon(c(centro - ancho_arriba[i]/2, centro + ancho_arriba[i]/2,
              centro + ancho_abajo[i]/2, centro - ancho_abajo[i]/2),
            c(superior[i], superior[i], inferior[i], inferior[i]),
            col = colores[i], border = NA)
    y_texto <- if (i == 4) superior[i] - .55 else mean(c(superior[i], inferior[i]))
    tinta <- if (i >= 3) "#FFFFFF" else TINTA
    text(centro, y_texto, fmt(ns[i], 0), col = tinta, cex = 1.5, font = 2)
    # Etiquetas externas para que el último nivel siga siendo legible.
    segments(centro + ancho_arriba[i]/2 + .18, y_texto, 7.75, y_texto,
             col = "#D8CBE7", lwd = 1)
    text(7.95, y_texto + .23, control_filtros$Etapa[i],
         adj = 0, col = TINTA, cex = .92, font = 2)
    detalle <- if (i == 1) "Personas en la base de partida" else
      paste0(fmt(porcentajes[i], 1), " % de la etapa anterior")
    text(7.95, y_texto - .25, detalle, adj = 0, col = "#6E6680", cex = .78)
  }
})
htmltools::div(class = "tabla-caja", htmltools::HTML(tabla(data.frame(
  `Nombre original` = c("P6040", "P6020", "P1170S2", "P4030S1A1",
                        "P1166S1A1 + A2", "P1166S2A1 + A2", "P1144S1A1 a S6A2"),
  `Nombre en el informe` = c("Edad", "Sexo", "Diagnóstico cardiovascular", "Estrato",
                             "Tiempo de acceso", "Tiempo de atención", "Tiempo de autocuidado"),
  Significado = c("Años cumplidos", "Sexo registrado en la encuesta",
                  "Diagnóstico de enfermedad cardiovascular o hipertensión",
                  "Estrato para la tarifa de energía eléctrica",
                  "Desplazamiento de ida al lugar de atención",
                  "Duración de la atención recibida",
                  "Dormir, comer, aseo, peluquería, guardar cama y descansar"),
  Tipo = c("Numérica discreta", "Categórica nominal", "Categórica nominal",
           "Categórica ordinal", "Numérica continua", "Numérica continua",
           "Numérica continua (construida)"),
  Unidad = c("Años", "Hombre / Mujer", "Sí / No", "1 a 6", "hh:mm", "hh:mm", "hh:mm"),
  check.names = FALSE
), "Tabla 1. Diccionario de variables", align = rep("l", 5))))
act <- data.frame(actividad = verificacion$Actividad, marcaron = verificacion$Marcaron)
act$pct <- 100 * act$marcaron / nrow(enut_atendidos)
plot_ly(act, x = ~pct, y = ~actividad, type = "bar", orientation = "h", height = 320,
        marker = list(color = c(LILA_OSC, LILA, LILA, CARAMELO, CARAMELO, LILA_SUAVE)),
        text = ~paste0(fmt(pct, 1), " %"), textposition = "outside",
        hovertext = ~paste0("<b>", actividad, "</b><br>", fmt(marcaron, 0), " de ",
                            fmt(nrow(enut_atendidos), 0), " atendidos la marcaron"),
        hoverinfo = "text") %>%
  estilo(xaxis = list(title = "% de adultos atendidos que marcó la actividad", range = c(0, 112),
                      ticksuffix = " %", gridcolor = "#EFE6DA"),
         yaxis = list(title = "", categoryorder = "array", categoryarray = rev(actividades)),
         margin = list(l = 160, r = 20, t = 10, b = 40))
v <- verificacion
v[, -1] <- lapply(v[, -1], fmt, d = 0)
htmltools::div(class = "tabla-caja", htmltools::HTML(
  tabla(v, "Tabla 2. Marcar la actividad y tener tiempo registrado (adultos atendidos)")))
casos24 <- a[a$tiempo_autocuidado > 24, ]
campos24 <- c("tiempo_sueno", "tiempo_alimentacion", "tiempo_aseo",
              "tiempo_peluqueria", "tiempo_cama", "tiempo_descanso", "tiempo_autocuidado")
detalle24 <- as.data.frame(lapply(casos24[campos24], hh))
names(detalle24) <- c("Dormir", "Comer", "Aseo", "Peluquería", "Cama", "Descanso", "Total")
detalle24 <- cbind(Caso = paste("Caso", seq_len(nrow(casos24))), detalle24)
tabla(detalle24, "Revisión de casos · Duraciones hh:mm; etiquetas internas sin identificadores personales")
frecuencias <- function(x, nombre) {
  t <- table(x)
  data.frame(Variable = nombre, Categoría = names(t), n = as.vector(t),
             pct = 100 * as.vector(t) / sum(t), check.names = FALSE)
}
comp <- rbind(
  frecuencias(a$sexo, "Sexo"),
  frecuencias(a$diagnostico_cardiovascular, "Diagnóstico"),
  frecuencias(a$grupo_edad, "Grupo de edad"),
  frecuencias(a$estrato_socioeconomico, "Estrato")
)
comp$color <- c(LILA_SUAVE, LILA,                          # sexo
                LILA, CARAMELO,                            # diagnóstico
                "#E3D6F3", "#B49AD9", "#6E4FA3",           # grupo de edad
                "#EADFCB", "#D9C3A5", CARAMELO, "#B49AD9", LILA, LILA_OSC)  # estrato 1 a 6
comp$etiqueta <- ifelse(comp$Variable == "Estrato", paste("Estrato", comp$Categoría), comp$Categoría)

p <- plot_ly(height = 300)
for (i in seq_len(nrow(comp))) {
  p <- add_trace(p, type = "bar", orientation = "h",
                 x = comp$pct[i], y = comp$Variable[i], name = comp$etiqueta[i],
                 marker = list(color = comp$color[i], line = list(color = "#FFFDFB", width = 2)),
                 text = paste0(comp$etiqueta[i], "<br>", fmt(comp$pct[i], 1), " %"),
                 textposition = "inside", insidetextanchor = "middle",
                 textfont = list(color = color_texto(comp$color[i]), size = 12),
                 hovertext = paste0("<b>", comp$etiqueta[i], "</b><br>", fmt(comp$n[i], 0),
                                    " personas · ", fmt(comp$pct[i], 1), " %"),
                 hoverinfo = "text", showlegend = FALSE)
}
p %>% estilo(barmode = "stack", uniformtext = list(minsize = 10, mode = "hide"),
             xaxis = list(title = paste0("% sobre n = ", fmt(n, 0)), ticksuffix = " %",
                          range = c(0, 100), gridcolor = "#EFE6DA"),
             yaxis = list(title = "", categoryorder = "array",
                          categoryarray = rev(c("Sexo", "Diagnóstico", "Grupo de edad", "Estrato"))),
             margin = list(l = 110, r = 20, t = 10, b = 40))
tab_cat <- comp[, c("Variable", "Categoría", "n", "pct")]
tab_cat$n <- fmt(tab_cat$n, 0); tab_cat$pct <- fmt(tab_cat$pct, 1)
names(tab_cat)[4] <- "%"
tab_cat$Variable[duplicated(tab_cat$Variable)] <- ""
htmltools::div(class = "tabla-caja", htmltools::HTML(tabla(tab_cat,
  paste0("Tabla 3. Frecuencias y porcentajes (denominador: n = ", fmt(n, 0), ")"),
  align = c("l", "l", "r", "r"))))
fila_t <- function(x, nombre) {
  data.frame(Variable = nombre, `n válido` = fmt(sum(!is.na(x)), 0),
             Media = hh(mean(x)), Mediana = hh(median(x)), DE = hh(sd(x)),
             `Q1–Q3` = paste0(hh(quantile(x, .25)), "–", hh(quantile(x, .75))),
             `Mín.–máx.` = paste0(hh(min(x)), "–", hh(max(x))), check.names = FALSE)
}
q <- quantile(a$edad, c(.25, .75))
tab_num <- rbind(
  fila_t(a$tiempo_acceso, "Tiempo de acceso (hh:mm)"),
  fila_t(a$tiempo_atencion, "Tiempo de atención (hh:mm)"),
  fila_t(a$tiempo_autocuidado, "Tiempo de autocuidado (hh:mm)"),
  fila_t(a$tiempo_sueno, "· Dormir (hh:mm)"),
  fila_t(a$tiempo_descanso, "· Descansar (hh:mm)"),
  fila_t(a$tiempo_cama, "· Guardar cama (hh:mm)"),
  data.frame(Variable = "Edad (años)", `n válido` = fmt(n, 0), Media = fmt(mean(a$edad), 1),
             Mediana = fmt(median(a$edad), 0), DE = fmt(sd(a$edad), 1),
             `Q1–Q3` = paste0(fmt(q[1], 0), "–", fmt(q[2], 0)),
             `Mín.–máx.` = paste0(fmt(min(a$edad), 0), "–", fmt(max(a$edad), 0)), check.names = FALSE)
)
htmltools::div(class = "tabla-caja", htmltools::HTML(
  tabla(tab_num, "Tabla 4. Resumen de las variables numéricas")))
tab_dx <- a %>%
  group_by(Grupo = diagnostico_cardiovascular) %>%
  summarise(n = fmt(n(), 0),
            `Edad media` = fmt(mean(edad), 1),
            `Autocuidado (media)` = hh(mean(tiempo_autocuidado)),
            `Autocuidado (mediana)` = hh(median(tiempo_autocuidado)),
            `Acceso (mediana)` = hh(median(tiempo_acceso)),
            `Atención (mediana)` = hh(median(tiempo_atencion)),
            `% guardó cama` = fmt(pct(tiempo_cama > 0), 1))
htmltools::div(class = "tabla-caja", htmltools::HTML(
  tabla(tab_dx, "Tabla 5. Comparación según diagnóstico cardiovascular (tiempos en hh:mm)")))
dx_edad <- data.frame(grupo = rownames(dx_por_edad), pct = dx_por_edad[, "Con diagnóstico"],
                      n = as.vector(table(a$grupo_edad)))
plot_ly(dx_edad, x = ~grupo, y = ~pct, type = "bar", height = 320,
        marker = list(color = c(LILA_SUAVE, LILA, LILA_OSC)),
        text = ~paste0(fmt(pct, 1), " %"), textposition = "outside",
        hovertext = ~paste0("<b>", grupo, " años</b><br>", fmt(pct, 1),
                            " % con diagnóstico<br>(sobre ", fmt(n, 0), " personas)"),
        hoverinfo = "text") %>%
  estilo(xaxis = list(title = "Grupo de edad (años)"),
         yaxis = list(title = "% con diagnóstico cardiovascular", ticksuffix = " %",
                      range = c(0, 80), gridcolor = "#EFE6DA"),
         margin = list(l = 60, r = 20, t = 10, b = 50))
tab_edad_dx <- a %>%
  group_by(`Grupo de edad` = grupo_edad, Diagnóstico = diagnostico_cardiovascular) %>%
  summarise(n = fmt(n(), 0), `Autocuidado (media)` = hh(mean(tiempo_autocuidado)),
            `Autocuidado (mediana)` = hh(median(tiempo_autocuidado)), .groups = "drop")
tab_edad_dx$`Grupo de edad` <- as.character(tab_edad_dx$`Grupo de edad`)
tab_edad_dx$`Grupo de edad`[duplicated(tab_edad_dx$`Grupo de edad`)] <- ""
htmltools::div(class = "tabla-caja", htmltools::HTML(
  tabla(tab_edad_dx, "Tabla 6. Autocuidado por grupo de edad y diagnóstico (hh:mm)",
        align = c("l", "l", "r", "r", "r"))))
tab_estr <- a %>%
  group_by(Estrato = estrato_socioeconomico) %>%
  summarise(n = fmt(n(), 0), `Acceso (media)` = hh(mean(tiempo_acceso)),
            `Atención (media)` = hh(mean(tiempo_atencion)),
            `Autocuidado (media)` = hh(mean(tiempo_autocuidado)))
htmltools::div(class = "tabla-caja", htmltools::HTML(
  tabla(tab_estr, "Tabla 7. Tiempos según estrato (hh:mm)")))
med <- tapply(a$tiempo_autocuidado, a$diagnostico_cardiovascular, median)
p <- plot_ly(height = 380)
for (g in names(colores_dx)) {
  p <- add_histogram(p, data = filter(a, diagnostico_cardiovascular == g),
                     x = ~tiempo_autocuidado, name = g, histnorm = "percent",
                     xbins = list(start = 0, end = 28, size = 0.5),
                     marker = list(color = colores_dx[[g]], line = list(color = "#FFFDFB", width = 1)),
                     opacity = 0.72,
                     hovertemplate = paste0("<b>", g, "</b><br>%{y:.1f} % del grupo<extra></extra>"))
}
p %>% estilo(barmode = "overlay",
             xaxis = eje_hh("Tiempo de autocuidado (hh:mm)", seq(0, 28, 4)),
             yaxis = list(title = "% de personas del grupo", ticksuffix = " %", gridcolor = "#EFE6DA"),
             shapes = list(list(type = "line", x0 = median(a$tiempo_autocuidado),
                                x1 = median(a$tiempo_autocuidado), y0 = 0, y1 = 1, yref = "paper",
                                line = list(color = TINTA, dash = "dot", width = 1.5))),
             annotations = list(list(x = median(a$tiempo_autocuidado), y = 1, yref = "paper",
                                     text = paste0("Mediana total: ", hh(median(a$tiempo_autocuidado))),
                                     showarrow = FALSE, xanchor = "left", xshift = 6,
                                     font = list(size = 12, color = TINTA))))
comp_auto <- a %>%
  group_by(diagnostico_cardiovascular) %>%
  summarise(Dormir = mean(tiempo_sueno), Comer = mean(tiempo_alimentacion),
            `Asearse y arreglarse` = mean(tiempo_aseo), `Peluquería o spa` = mean(tiempo_peluqueria),
            `Guardar cama` = mean(tiempo_cama), Descansar = mean(tiempo_descanso))
colores_act <- c(Dormir = LILA_OSC, Comer = LILA, `Asearse y arreglarse` = LILA_SUAVE,
                 `Peluquería o spa` = "#EADFCB", `Guardar cama` = CARAMELO, Descansar = "#D9C3A5")
p <- plot_ly(height = 280)
for (act_i in names(colores_act)) {
  p <- add_trace(p, type = "bar", orientation = "h",
                 x = comp_auto[[act_i]], y = as.character(comp_auto$diagnostico_cardiovascular),
                 name = act_i, marker = list(color = colores_act[[act_i]],
                                             line = list(color = "#FFFDFB", width = 1.5)),
                 hovertext = paste0("<b>", act_i, "</b><br>", comp_auto$diagnostico_cardiovascular,
                                    ": ", hh(comp_auto[[act_i]]), " en promedio"),
                 hoverinfo = "text")
}
p %>% estilo(barmode = "stack",
             xaxis = eje_hh("Tiempo promedio (hh:mm)", seq(0, 12, 2)),
             yaxis = list(title = ""),
             legend = list(orientation = "h", x = 0, y = 1.28),
             margin = list(l = 130, r = 20, t = 50, b = 40))
comp_legible <- as.data.frame(comp_auto)
comp_legible[-1] <- lapply(comp_legible[-1], hh)
names(comp_legible)[1] <- "Diagnóstico (incluye hipertensión)"
tabla(comp_legible, "Detalle de la Figura 6 · Promedios hh:mm, incluidos los segmentos pequeños")
plot_ly(a, x = ~grupo_edad, y = ~tiempo_autocuidado, color = ~diagnostico_cardiovascular,
        colors = colores_dx, type = "box", height = 400,
        marker = list(opacity = 0.35, size = 4), line = list(width = 1.5)) %>%
  estilo(boxmode = "group",
         xaxis = list(title = "Grupo de edad (años)"),
         yaxis = eje_hh("Tiempo de autocuidado (hh:mm)", seq(0, 28, 4)),
         margin = list(l = 60, r = 20, t = 30, b = 50))
set.seed(2026)   # el desplazamiento aleatorio de los puntos es reproducible
vars_x <- c(tiempo_atencion = "Duración de la atención (hh:mm)",
            tiempo_acceso = "Tiempo de desplazamiento de ida (hh:mm)")
p <- plot_ly(height = 460)
for (vx in names(vars_x)) {
  for (g in names(colores_dx)) {
    d <- filter(a, diagnostico_cardiovascular == g)
    xj <- d[[vx]] + runif(nrow(d), -0.06, 0.06)
    yj <- d$tiempo_autocuidado + runif(nrow(d), -0.06, 0.06)
    p <- add_markers(p, x = xj, y = yj, name = g, legendgroup = g,
                     showlegend = TRUE, visible = (vx == "tiempo_atencion"),
                     marker = list(color = colores_dx[[g]], size = 6, opacity = 0.45),
                     hovertext = paste0("<b>", g, "</b><br>", sub(" \\(hh:mm\\)", "", vars_x[[vx]]), ": ",
                                        hh(d[[vx]]), "<br>Autocuidado: ", hh(d$tiempo_autocuidado),
                                        "<br>Edad: ", d$edad, " años"),
                     hoverinfo = "text")
    ajuste <- lm(d$tiempo_autocuidado ~ d[[vx]])
    xs <- range(d[[vx]])
    p <- add_lines(p, x = xs, y = coef(ajuste)[1] + coef(ajuste)[2] * xs, name = paste("Tendencia", g),
                   legendgroup = g, showlegend = FALSE, visible = (vx == "tiempo_atencion"),
                   line = list(color = colores_dx[[g]], width = 3, dash = "dash"), hoverinfo = "skip")
  }
}
vis_ate <- c(TRUE, TRUE, TRUE, TRUE, FALSE, FALSE, FALSE, FALSE)
botones <- list(
  list(label = "Duración de la atención", method = "update",
       args = list(list(visible = vis_ate),
                   list(xaxis = eje_hh(vars_x[["tiempo_atencion"]], seq(0, 12, 2))))),
  list(label = "Tiempo de desplazamiento", method = "update",
       args = list(list(visible = !vis_ate),
                   list(xaxis = eje_hh(vars_x[["tiempo_acceso"]], seq(0, 12, 2)))))
)
p %>% estilo(xaxis = eje_hh(vars_x[["tiempo_atencion"]], seq(0, 12, 2)),
             yaxis = eje_hh("Tiempo de autocuidado (hh:mm)", seq(0, 28, 4)),
             legend = list(orientation = "h", x = 1, xanchor = "right", y = 1.14),
             updatemenus = list(list(type = "buttons", direction = "right", x = 0, y = 1.18,
                                     xanchor = "left", yanchor = "top", showactive = TRUE,
                                     bgcolor = "#F1EAFA", bordercolor = LILA_SUAVE,
                                     font = list(color = LILA_OSC), buttons = botones)),
             margin = list(l = 60, r = 20, t = 70, b = 50))
fila_cor <- function(df, x, relacion, grupo) {
  p <- cor.test(df[[x]], df$tiempo_autocuidado, method = "pearson")
  s <- cor.test(df[[x]], df$tiempo_autocuidado, method = "spearman", exact = FALSE)
  data.frame(Relación = relacion, Grupo = grupo,
             pares = sum(complete.cases(df[[x]], df$tiempo_autocuidado)),
             pearson = unname(p$estimate), spearman = unname(s$estimate), p_s = s$p.value)
}
cors <- rbind(
  fila_cor(a,      "tiempo_atencion", "Atención – autocuidado", "Total"),
  fila_cor(sin_dx, "tiempo_atencion", "Atención – autocuidado", "Sin diagnóstico"),
  fila_cor(con_dx, "tiempo_atencion", "Atención – autocuidado", "Con diagnóstico"),
  fila_cor(a,      "tiempo_acceso",   "Acceso – autocuidado",   "Total"),
  fila_cor(sin_dx, "tiempo_acceso",   "Acceso – autocuidado",   "Sin diagnóstico"),
  fila_cor(con_dx, "tiempo_acceso",   "Acceso – autocuidado",   "Con diagnóstico")
)
cors$etiqueta <- paste0(sub(" – autocuidado", "", cors$Relación), " · ", cors$Grupo)
orden <- rev(cors$etiqueta)
plot_ly(cors, height = 360) %>%
  add_segments(x = ~spearman * 0, xend = ~spearman, y = ~etiqueta, yend = ~etiqueta, showlegend = FALSE,
               line = list(color = LILA_SUAVE, width = 6), hoverinfo = "skip") %>%
  add_markers(x = ~spearman, y = ~etiqueta, name = "Spearman ρ",
              marker = list(color = LILA_OSC, size = 14),
              hovertext = ~paste0("<b>", etiqueta, "</b><br>Spearman ρ = ", r3(spearman),
                                  "<br>", fmt(pares, 0), " pares válidos"), hoverinfo = "text") %>%
  add_markers(x = ~pearson, y = ~etiqueta, name = "Pearson r",
              marker = list(color = "#FFFDFB", size = 12, line = list(color = CARAMELO, width = 3)),
              hovertext = ~paste0("<b>", etiqueta, "</b><br>Pearson r = ", r3(pearson)), hoverinfo = "text") %>%
  estilo(xaxis = list(title = "Coeficiente de correlación", range = c(-0.25, 0.25),
                      zeroline = TRUE, zerolinecolor = TINTA, zerolinewidth = 1.5, gridcolor = "#EFE6DA"),
         yaxis = list(title = "", categoryorder = "array", categoryarray = orden),
         margin = list(l = 210, r = 20, t = 30, b = 50))
tab_cor <- data.frame(Relación = ifelse(duplicated(cors$Relación), "", cors$Relación),
                      Grupo = cors$Grupo, `Pares válidos` = fmt(cors$pares, 0),
                      `Pearson r` = r3(cors$pearson), `Spearman ρ` = r3(cors$spearman),
                      `p (Spearman)` = ifelse(cors$p_s < 0.001, "< 0,001", r3(cors$p_s)),
                      check.names = FALSE)
htmltools::div(class = "tabla-caja", htmltools::HTML(
  tabla(tab_cor, "Tabla 8. Correlaciones con el tiempo de autocuidado",
        align = c("l", "l", "r", "r", "r", "r"))))
resumen24 <- function(d) c(nrow(d), mean(d$tiempo_autocuidado), median(d$tiempo_autocuidado),
  rho(d, "tiempo_atencion"), rho(d, "tiempo_acceso"))
r_completa <- resumen24(a); r_sin24 <- resumen24(sin_mas24)
tabla(data.frame(
  Indicador = c("Personas", "Autocuidado medio (hh:mm)", "Mediana (hh:mm)",
                "Spearman: atención", "Spearman: acceso"),
  `Muestra completa` = c(fmt(r_completa[1],0),hh(r_completa[2:3]),r3(r_completa[4:5])),
  `Sin totales >24 h` = c(fmt(r_sin24[1],0),hh(r_sin24[2:3]),r3(r_sin24[4:5])),
  check.names=FALSE), "Sensibilidad · Mismo procedimiento, con y sin los cinco totales señalados")

Emmanuel Duque Colonia y Eliana Orozco Fernández · Análisis Cuantitativo · Fuente: DANE, Encuesta Nacional de Uso del Tiempo (ENUT) 2024–2025, microdatos.