Ingresos laborales: medias, medianas y distribuciones ponderadas

En los ingresos de la GEIH los errores más comunes no hacen fallar ningún programa. Un promedio calculado sobre filas en lugar de personas devuelve un número verosímil; una variable de ingreso tomada sin mirar su periodo de referencia también. Este capítulo recorre primero qué ingresos pregunta la encuesta y con qué alcance, se detiene después en INGLABO, la variable de ingreso laboral que trae la base pública, y dedica el resto a calcular medias, medianas y percentiles con el factor de expansión. El caso empírico central es el Magdalena en 2025, donde la mediana sin ponderar y la ponderada difieren en $300.000. Al final se explica por qué ninguno de estos cálculos es una medición de pobreza monetaria, aunque la GEIH sea la encuesta con que el DANE la produce.

El capítulo supone conocido lo que es un factor de expansión y por qué la muestra no reproduce en miniatura la población (capítulo 2, Cómo funciona la encuesta), y cómo se leen las bases anuales sin perder ceros a la izquierda ni meses (capítulo 3, Los microdatos por dentro). Todas las cifras están en pesos corrientes de cada año: el libro no deflacta, porque los materiales con que se construyó no incluyen un deflactor, y por eso los niveles de años distintos no se comparan aquí en términos reales.

Qué ingresos pregunta la GEIH#

El objetivo general de la encuesta, en su metodología vigente, nombra los ingresos junto al mercado laboral: «Proveer información estadística relacionada con mercado laboral, ingresos y pobreza monetaria, así como de las características sociodemográficas de la población residente en Colombia» (Metodología GEIH V11, p. 5). Entre los objetivos específicos figura «generar información estadística relacionada con el ingreso de los hogares, y con los indicadores de pobreza monetaria y pobreza monetaria extrema» (misma página). La consecuencia práctica es que el cuestionario pregunta por muchas fuentes de ingreso, de las personas ocupadas y de las que no lo están, y que esas preguntas alimentan después un proceso de agregación que el DANE hace por su cuenta.

La presentación del rediseño enumera las fuentes de ingreso que el DANE agrega a partir de la GEIH. Se reproducen en la tabla 7.1 con las observaciones que trae la propia lámina. La segunda columna es una clasificación del autor que sigue la lógica de los capítulos del cuestionario: laboral, no laboral y, aparte, el autoconsumo, que no es un pago sino un consumo valorado a precio de compra.

Tres hechos de la tabla importan para el resto del capítulo. El primero es que varias fuentes no salen únicamente de la encuesta: las pensiones y las ayudas institucionales se completan con registros administrativos, de modo que el ingreso que el DANE usa en sus publicaciones de ingreso y pobreza no puede reconstruirse por completo con los microdatos públicos. El segundo, que los desocupados y la población fuera de la fuerza de trabajo también tienen una fuente de ingreso monetario propia, coherente con que el capítulo de no ocupados indague por «trayectoria laboral, ingresos y seguridad social» (Metodología GEIH V11, p. 9). Se clasifica como laboral porque ya en el formulario del marco 2005 la pregunta a desocupados e inactivos era si habían recibido o ganado el mes pasado ingresos por concepto de trabajo (Metodología GEIH V9, pp. 79-80). El tercero es que el autoconsumo figura como fuente aparte, separada del ingreso en especie.

Empleo principal y empleo secundario#

Para los asalariados, el ingreso monetario de la primera actividad se arma con el salario y una lista larga de componentes: horas extras, subsidios educativo, de alimentación, de transporte y familiar, primas técnicas, de navidad, de vacaciones y de servicios, bonificaciones, viáticos permanentes y pagos por accidentes de trabajo. Para los independientes la lámina dice solo «honorarios o ganancia neta» (Enfoque conceptual GEIH 2022, p. 54). El rediseño agregó una pregunta que separa a los independientes en tres grupos (trabajo por honorarios o prestación de servicios; trabajo por obra, piezas, destajo, comisiones o en su oficio; y negocio de industria, comercio, servicios o finca), y para los que tienen negocio pide ingresos y gastos con el fin de obtener ingresos netos. La misma lámina aclara que «en la GEIH Marco 2005 no existía esta desagregación» (Enfoque conceptual GEIH 2022, p. 55).

El empleo secundario se indaga aparte, con horas, posición ocupacional, remuneración mensual, tamaño de la empresa y sitio de trabajo (Metodología GEIH V11, p. 9). Para quien analiza ingresos esto tiene una implicación inmediata: el salario declarado en la pregunta del empleo principal no es el ingreso laboral total de la persona, y cualquier variable que sume componentes tiene que decir cuáles suma.

Pagos en especie y autoconsumo#

Los pagos en especie de los asalariados se preguntaban ya en el formulario del marco 2005, con un monto estimado para alimentos, vivienda, transporte de la empresa y otros bienes recibidos como parte de pago (Metodología GEIH V9, p. 69). El rediseño los extendió a los independientes, con dos preguntas sobre alimentos y vivienda que no se aplican a quienes tienen negocio o finca. La misma lámina precisa que en el marco 2005 esas preguntas no se hacían a los independientes y advierte que «el proceso de construcción del Ingreso en Especie debe tener en cuenta la diferenciación asalariados e independientes» (Enfoque conceptual GEIH 2022, p. 56). De ahí se sigue que, para los independientes, el ingreso en especie de 2022 en adelante no tiene contraparte en las bases del marco anterior.

La pregunta de autoconsumo, la 44 del capítulo de ocupados, se hace a los independientes que tienen negocio propio en el sector agropecuario: si en el mes anterior ellos o algún miembro del hogar tomaron algo de lo que cultivaron, produjeron o extrajeron para consumo del hogar (Metodología GEIH V11, p. 11), y cuánto tendrían que pagar si tuvieran que comprarlo (Enfoque conceptual GEIH 2022, p. 57). Las fuentes revisadas no dicen si ese valor entra en alguna variable de ingreso individual de la base pública. Quien compare ingresos de cabeceras con los de centros poblados y rural disperso debe tenerlo presente, porque en estos últimos se concentran las actividades agropecuarias a las que apunta la pregunta.

Ingresos no laborales#

El capítulo del cuestionario que antes se llamaba «Otros ingresos» pasó a llamarse «Otros ingresos e impuestos» porque incorporó seis preguntas de impuestos «asociadas a la medición del ingreso disponible» (Metodología GEIH V11, p. 12). En ese capítulo «se determina cuáles personas recibieron otros ingresos distintos a los laborales» (Metodología GEIH V11, p. 11), que corresponden a las fuentes no laborales de la tabla 7.1: intereses y dividendos, pensiones, pensión alimenticia y ayudas de otros hogares, ayudas institucionales, cesantías y arriendos. Ninguna entra en el ingreso laboral que se estudia en el resto de este capítulo. La composición del bloque de ayudas en dinero, además, cambió en la base de 2025 frente a las anteriores, como se documenta en la sección del capítulo 3 sobre las columnas que cambian entre años, así que una serie de transferencias exige revisar las variables año por año.

Periodos de referencia que no se suman sin cuidado#

La metodología fija periodos distintos según el tipo de ingreso. El «mes pasado» es «el mes inmediatamente anterior al que se está realizando la encuesta y aplica para la información relacionada con los ingresos laborales»; el «último mes y los últimos doce meses» aplica, entre otras cosas, a «la identificación de los ingresos no laborales» (Metodología GEIH V11, p. 14). Dentro de los laborales también hay excepciones: los gastos de los negocios no agropecuarios se preguntan para el mes anterior y los de actividades agropecuarias y mineras para los últimos doce meses (Metodología GEIH V11, p. 11). El problema no es nuevo: en el formulario del marco 2005 las primas de servicios, de navidad y de vacaciones se preguntaban como montos recibidos en los últimos 12 meses, aparte del salario del mes pasado (Metodología GEIH V9, p. 71).

Sumar un ingreso mensual con uno anual sin convertirlo produce un total que no corresponde a ningún periodo. Para llegar a un ingreso mensual comparable hay que mensualizar los componentes anuales, decidir qué hacer con los meses sin pago y evitar el doble conteo de componentes que el encuestado ya incluyó en su salario (el formulario pregunta expresamente si ciertos montos se incluyeron en lo ya declarado (Metodología GEIH V9, p. 69)). Esas decisiones son parte de la construcción del ingreso total del hogar, y su regla oficial no está en los documentos metodológicos revisados para este libro. Por eso el capítulo trabaja con una sola variable, ya construida por el DANE, y no intenta armar un ingreso total.

Lo que se sabe de INGLABO y lo que no#

La base pública trae una columna, INGLABO, que el diccionario etiqueta como «Ingresos laborales» sin describir cómo se construye. Ninguno de los documentos metodológicos del DANE revisados para este libro la menciona. Lo que se sabe de ella viene de examinar los microdatos, y hay que separarlo con cuidado de lo que se supone.

Lo verificado en las cuatro bases es lo siguiente. INGLABO solo tiene valor para ocupados: no hay ninguna fila fuera de la población ocupada con la variable informada. Sus valores son enteros, sin decimales, y no aparecen en ella los códigos 98 o 99. Entre los ocupados hay ceros y hay faltantes, y los faltantes tienen dos orígenes distintos que la tabla 7.2 separa: los trabajadores familiares sin remuneración (P6430 = 6) tienen la variable vacía en todos los casos, de modo que su faltante es estructural; el resto de faltantes corresponde a ocupados que debían declarar un ingreso y no lo hicieron.

La relación de INGLABO con las preguntas de origen también se puede observar. El script siguiente, ejecutado sobre la base de 2025 con el módulo de lectura del laboratorio, compara la variable con el salario del mes pasado de los asalariados (P6500) y con la ganancia neta de los independientes (P6750).

import polars as pl
from geihlab.lectura import leer_geih

oc = leer_geih(2025, ["OCI", "INGLABO", "P6430", "P6500", "P6750"]).filter(pl.col("OCI") == 1)

asal = oc.filter(pl.col("P6430").is_in([1, 2, 3]) & pl.col("P6500").is_not_null() & pl.col("INGLABO").is_not_null())
indep = oc.filter(pl.col("P6430").is_in([4, 5]) & pl.col("P6750").is_not_null() & pl.col("INGLABO").is_not_null())

print("asalariados:", asal.height,
      "| INGLABO >= P6500:", round(100 * (asal["INGLABO"] >= asal["P6500"]).mean(), 1), "%",
      "| INGLABO == P6500:", round(100 * (asal["INGLABO"] == asal["P6500"]).mean(), 1), "%")
print("independientes:", indep.height,
      "| INGLABO == P6750:", round(100 * (indep["INGLABO"] == indep["P6750"]).mean(), 1), "%")

# Salida:
# asalariados: 180081 | INGLABO >= P6500: 100.0 % | INGLABO == P6500: 88.5 %
# independientes: 161140 | INGLABO == P6750: 96.5 %

Entre los asalariados con salario informado, INGLABO nunca es menor que P6500 y coincide con él en casi nueve de cada diez casos; entre los independientes coincide con P6750 en más del 96 %. La lectura razonable es que la variable parte del salario o la ganancia del empleo principal y le suma otros componentes en una parte de los casos. Qué componentes son (horas extras, pagos en especie, segunda actividad, primas prorrateadas) no se puede saber desde aquí, y tampoco si hay algún tratamiento de valores extremos. Esa es la limitación principal del capítulo: todas las medidas de distribución que siguen describen una variable cuya regla de construcción se desconoce.

Códigos que no son pesos#

En las preguntas de valor del formulario, el 98 y el 99 no son montos. En el formulario del marco 2005, la instrucción de la pregunta del salario era registrar 00 si no recibió salario en dinero, 98 si recibió pero no sabe el monto y 99 si no informa el monto (Metodología GEIH V9, p. 69). En las cuatro bases anuales que usa este libro esos códigos aparecen solo en enero de 2022: en el total nacional hay 594 filas con 98 y 1.051 con 99 en P6500, y 854 y 1.050 en P6750. Desde febrero de 2022 no vuelven a aparecer. En el Magdalena, el mismo mes trae 107 filas con esos códigos en P6500 y 204 en P6750.

INGLABO casi no hereda el problema: en el total nacional está vacía en 3.527 de los 3.549 casos con esos códigos en una de las dos preguntas, y en ningún año toma el valor 98 o 99. Quien trabaje directamente con P6500 o P6750 sí tiene que limpiarlos antes de calcular cualquier cosa, porque una media que incluya enero de 2022 sin esa limpieza trata «no sabe» como si fueran 98 pesos. La regla general es que una variable de monto se revisa contra los códigos especiales de su pregunta antes de entrar a un cálculo, y que el diccionario de cada año, no uno compilado, es el que dice cuáles son.

Dos afirmaciones sobre la imputación#

La presentación del rediseño, en cambio, cuenta entre los motivos de la revisión que «se presenta un incremento en la imputación de ingresos» (Enfoque conceptual GEIH 2022, p. 4), y al hablar del ingreso en especie menciona las «implicaciones para la imputación de ingresos» (Enfoque conceptual GEIH 2022, p. 56). Las dos afirmaciones no se contradicen necesariamente. La lectura del autor es que la metodología habla del tratamiento de la no respuesta en la base de la encuesta, donde el ajuste se hace con los factores, y la presentación habla del procesamiento que el DANE hace después para medir ingresos y pobreza. El método de esa imputación no está documentado en las fuentes revisadas.

Para el análisis, la consecuencia es concreta. El factor de expansión corrige la no respuesta de hogares completos, no la de una pregunta. Si un ocupado respondió la encuesta pero no su ingreso, su fila queda con el faltante y su factor sigue contando para los totales de ocupados. Al calcular una mediana sobre quienes sí declararon ingreso, se supone implícitamente que los que no declararon se distribuyen como los que sí. En 2025 los faltantes distintos de los familiares sin remuneración son 2.369 filas en el total nacional, un número pequeño frente a 347.190 con ingreso positivo; en 2022 eran 11.853. Que sean pocos reduce el riesgo, pero no lo elimina si la no respuesta se concentra en los ingresos altos o en los independientes.

Media, mediana y cuantiles con factor de expansión#

Cada fila de la GEIH representa, en el mes en que se encuestó, a un número de personas igual a su factor FEX_C18. En 2025 la mediana del factor entre todas las filas persona-mes es 317,95 y sus valores van de 6,70 a 17.668,83 (la distribución completa está en el capítulo 2). La dispersión tiene causas conocidas. El tamaño de la muestra se fija por dominio para cumplir metas de precisión, y la estratificación de municipios buscó un diseño autoponderado, aunque la metodología reconoce que «esta característica no se puede asegurar» (Metodología GEIH V11, p. 15). El factor básico incorpora, además, un ajuste por la pérdida de viviendas, hogares y personas dentro de cada segmento (Metodología GEIH V11, pp. 18-19), y sobre él actúa la calibración con proyecciones de población (Metodología GEIH V11, pp. 19-20). El resultado es que las filas pesan distinto, y que una estadística que las trate como iguales describe la muestra y no la población.

La media ponderada es la conocida suma de valores multiplicados por sus pesos, dividida por la suma de los pesos. Con $y_i$ el ingreso de la fila i y $w_i$ su factor:

El cuantil ponderado sigue la misma idea que el cuantil de siempre, con la diferencia de que «la mitad» o «el 90 %» se miden en personas representadas y no en filas. Se ordenan los valores de menor a mayor, se acumulan los pesos en ese orden y el cuantil q es el primer valor ordenado cuyo peso acumulado alcanza q veces el peso total. Con $y_{\left(k\right)}$ el valor que ocupa el lugar k tras ordenar y $W_k$ la suma de los pesos hasta ese lugar:

Esta regla no interpola: devuelve siempre un valor que existe en los datos. Con pesos enteros equivale a repetir cada fila tantas veces como indica su peso y tomar el cuantil de la lista resultante con la definición de la inversa de la función de distribución empírica; el laboratorio comprueba esa equivalencia con un caso aleatorio contra numpy.quantile(..., method="inverted_cdf"). La media no necesita nada especial (numpy.average acepta pesos). Con los cuantiles hay que fijarse en la herramienta: numpy.quantile acepta pesos desde la versión 2.0, pero solo con ese mismo método, mientras que median y quantile de R base no los reciben. Por eso el laboratorio escribe el algoritmo aparte y lo prueba.

Una precisión que evita una confusión frecuente: la base anual apila los doce meses y cada factor expande al mes, así que para un total anual promedio la suma de factores se divide entre 12. Para una media, una mediana o un porcentaje no hace falta, porque dividir todos los pesos por la misma constante no cambia ninguno de esos estadísticos.

Cinco encuestados simulados#

El mecanismo se entiende mejor en un caso que se puede seguir con lápiz. La figura 7.1 tiene cinco encuestados inventados: tres de cabecera con ingresos de 1,5, 1,8 y 2,2 millones y un factor de 250 cada uno, y dos de centros poblados y rural disperso con 600.000 y 800.000 pesos y un factor de 1.100. Los números son del autor; la proporción entre los factores se eligió parecida a la que se observa en el Magdalena, donde el factor mediano de un ocupado con ingreso en centros poblados y rural disperso es 1.136 frente a 264 en cabeceras.

Ordenar y acumular pesos#

El laboratorio implementa la regla en geih-lab/geihlab/ponderacion.py. La función principal calcula varios cuantiles con un solo ordenamiento, y antes de calcular descarta las observaciones con valor o peso no finito y las de peso menor o igual a cero.

def cuantiles_ponderados(
    values: ArrayLike, weights: ArrayLike, qs: Sequence[float]
) -> list[float]:
    """Varios cuantiles ponderados con un solo ordenamiento.

    Para cada ``q`` en ``qs`` (entre 0 y 1) devuelve el primer valor ordenado
    cuyo peso acumulado es mayor o igual que ``q * peso_total``.
    """
    for q in qs:
        if not 0.0 <= q <= 1.0:
            raise ValueError(f"q debe estar entre 0 y 1: {q}")
    v, w = _limpiar(values, weights)
    if v.size == 0:
        return [float("nan")] * len(qs)
    orden = np.argsort(v, kind="mergesort")
    v = v[orden]
    acum = np.cumsum(w[orden])
    total = acum[-1]
    salida = []
    for q in qs:
        idx = int(np.searchsorted(acum, q * total, side="left"))
        idx = min(idx, v.size - 1)
        salida.append(float(v[idx]))
    return salida

La búsqueda con side="left" es la que fija la regla de desempate: si el acumulado iguala exactamente q veces el total, el cuantil es ese valor y no el siguiente. Los valores repetidos, que abundan porque los ingresos se declaran en cifras redondas, no crean ambigüedad: el orden entre empates no cambia el valor devuelto, y el ordenamiento estable (mergesort) solo deja determinado el orden de las filas. Lo que sí distingue a esta regla de otras es que no interpola, de modo que con pesos iguales y un número par de datos puede diferir de numpy.median, que promedia los dos centrales. El bloque siguiente aplica el módulo al ejemplo simulado; la penúltima línea muestra esa diferencia y la última comprueba que numpy.quantile con pesos da el mismo P25 y la misma mediana que el módulo.

import numpy as np
from geihlab.ponderacion import cuantil_ponderado, mediana_ponderada, media_ponderada

# Ejemplo simulado: ingresos y factores inventados
ingreso = np.array([1_500_000, 1_800_000, 2_200_000, 600_000, 800_000])
fex = np.array([250, 250, 250, 1_100, 1_100])

print(np.median(ingreso))                            # 1500000.0
print(mediana_ponderada(ingreso, fex))               # 800000.0
print(ingreso.mean())                                # 1380000.0
print(round(media_ponderada(ingreso, fex), 2))       # 988135.59
print(cuantil_ponderado(ingreso, fex, 0.25))         # 600000.0
print(cuantil_ponderado(ingreso, np.ones(5), 0.25))  # 800000.0
print(mediana_ponderada([1, 2, 3, 4], [1, 1, 1, 1]), np.median([1, 2, 3, 4]))  # 2.0 2.5
print(np.quantile(ingreso, [0.25, 0.5], weights=fex, method="inverted_cdf"))    # [600000 800000]

Con cientos de miles de filas y montos declarados en cifras redondas, interpolar o no casi nunca cambia el resultado, pero hay que conocer la regla antes de comparar contra otra herramienta. Para controlar la implementación, el script de ingresos calcula todos los cuantiles una segunda vez con una acumulación escrita en polars: en las 240 celdas comparadas la diferencia máxima es 0. Ese es el único control disponible para estas cifras, porque ninguna de las publicaciones del DANE consultadas trae cuantiles de INGLABO.

En R la media ponderada viene en la instalación base (weighted.mean), pero los cuantiles ponderados no. La traducción de la misma regla es corta. Se incluye como alternativa para quien trabaje en R; no se ejecutó en esta versión del libro, porque el entorno del autor no tiene R instalado.

cuantil_ponderado <- function(values, weights, q) {
  ok <- is.finite(values) & is.finite(weights) & weights > 0
  v <- values[ok]
  w <- weights[ok]
  if (length(v) == 0) return(NA_real_)
  ord <- order(v)
  w_cum <- cumsum(w[ord])
  v[ord][w_cum >= w_cum[length(w_cum)] * q][1]
}

ingreso <- c(1500000, 1800000, 2200000, 600000, 800000)  # simulado
fex     <- c(250, 250, 250, 1100, 1100)                    # simulado

median(ingreso)                       # mediana de las filas
cuantil_ponderado(ingreso, fex, 0.5)  # mediana de las personas representadas
weighted.mean(ingreso, fex)           # la media ponderada ya viene en R base

El factor de expansión da la estimación puntual correcta, pero no su margen de error. Para un error estándar de la mediana con el diseño de la GEIH harían falta el estrato de diseño y el segmento de cada vivienda, y la metodología los lista entre las variables de identificación que «no se manejan en las bases de datos de acceso público» (Metodología GEIH V11, p. 27). Con los microdatos públicos no se puede declarar el diseño muestral del DANE en ningún paquete; el capítulo 8 explica por qué y qué aproximación se puede construir en su lugar.

El Magdalena en 2025, sin ponderar y con factor#

El Magdalena es el caso donde el error de no ponderar se ve con más claridad. En 2025 hay 13.950 filas de ocupados con ingreso laboral positivo en el departamento (DPTO = 47), que representan en promedio mensual a 594.008 personas. El script siguiente, que usa el lector y el módulo de ponderación del laboratorio, reproduce los cuantiles principales con su salida real.

import numpy as np
import polars as pl
from geihlab.lectura import leer_geih
from geihlab.ponderacion import cuantiles_ponderados, media_ponderada

geih = leer_geih(2025, ["OCI", "INGLABO", "FEX_C18", "DPTO", "CLASE"])

# Universo declarado: ocupados con ingreso laboral positivo
ocupados = geih.filter((pl.col("OCI") == 1) & (pl.col("INGLABO") > 0))
mag = ocupados.filter(pl.col("DPTO") == "47")  # DPTO ya viene rellenado a 2 caracteres

v = mag["INGLABO"].to_numpy()
w = mag["FEX_C18"].to_numpy()
qs = [0.25, 0.50, 0.75, 0.90]

print("filas:", mag.height, "| personas (promedio mensual):", round(w.sum() / 12))
print("sin ponderar:", cuantiles_ponderados(v, np.ones_like(v), qs), round(v.mean()))
print("ponderado:   ", cuantiles_ponderados(v, w, qs), round(media_ponderada(v, w)))

# Salida:
# filas: 13950 | personas (promedio mensual): 594008
# sin ponderar: [750000.0, 1300000.0, 1680000.0, 3000000.0] 1514578
# ponderado:    [500000.0, 1000000.0, 1450000.0, 2300000.0] 1227293

La última cifra es la que cambia una conclusión. Contando filas, menos de la mitad tiene un ingreso laboral de un millón o menos; contando personas, más de la mitad. El umbral del millón es una cifra redonda elegida para el ejemplo, no una línea de pobreza ni el salario mínimo de 2025. La tabla 7.3 muestra que el sesgo recorre toda la distribución y no solo la mediana.

La figura 7.2 permite recorrer las mismas medidas para los cuatro años, para el total nacional y para cada clase. Si se deja el Magdalena y se cambia de año, el patrón se repite: en 2022, 2023 y 2024 la mediana sin ponderar también queda por encima de la ponderada ($800.000 frente a $650.000 en 2022; $1.000.000 frente a $800.000 en 2023; $1.160.000 frente a $900.000 en 2024). El sentido del sesgo es estable en el departamento, y eso apunta a una causa estructural más que a una fluctuación de la muestra.

La composición por clase explica la diferencia#

La explicación está en cómo se reparte la muestra entre las dos clases geográficas. La GEIH distingue la cabecera, delimitada por el perímetro censal, del resto, que «corresponde al área geográfica cubierta por el centro poblado y rural disperso» (Metodología GEIH V11, p. 13). En la base, CLASE vale 1 en cabecera y 2 en centros poblados y rural disperso; el diccionario rotula esos valores «urbano» y «rural», una etiqueta aproximada que este libro no usa.

Los ocupados de centros poblados y rural disperso son el 12,7 % de las filas y el 29,8 % de las personas representadas: una fila típica de esa clase pesa más de cuatro veces lo que pesa una de cabecera. Su mediana ponderada, $729.000, es mucho más baja que la de las cabeceras, $1.200.000. Cuando se calcula sin factor, la clase de ingresos bajos entra con el peso de sus filas y no con el de su población, y la mediana se desplaza hacia arriba.

La distribución completa#

Los percentiles resumen la distribución en cinco puntos. La figura 7.3 la muestra completa en tramos de 250.000 pesos, con la proporción de personas de cada tramo calculada con el factor y, superpuesta, la proporción de filas sin ponderar. El tramo con más personas representadas es el de $1.250.000 a menos de $1.500.000, que contiene el salario mínimo de 2025 ($1.423.500), con el 16,1 % de los ocupados con ingreso; el primer tramo, de menos de $250.000, reúne el 11,6 % de las personas pero solo el 6,3 % de las filas.

La forma de la distribución tiene otra consecuencia que vale para cualquier dominio. Los ingresos declarados no son continuos: se agrupan en cifras redondas y, en el total nacional, en un valor exacto por año. Eso hace que la mediana pueda quedar fija en un punto aunque la distribución alrededor cambie, que es lo que ocurre a escala nacional.

En el total nacional, medianas que coinciden y medias que no#

Con el mismo cálculo para todo el país, la mediana sin ponderar y la ponderada de 2025 son idénticas: $1.423.500. Ese valor es el salario mínimo legal mensual de 2025, que fijó el Decreto 1572 del 24 de diciembre de 2024 (Decreto 1572 de 2024, art. 1); es un dato legal, no una estimación de la encuesta. Con factor, el 9,8 % de los ocupados con ingreso tiene un INGLABO de exactamente ese monto y el 46,7 % queda por debajo; contando filas, las proporciones son 10,1 % y 47,8 %. En los dos casos lo que queda por debajo es menos de la mitad y lo que llega hasta el valor es más, de modo que el punto donde el acumulado cruza la mitad cae dentro de esa masa con o sin factor, y la mediana queda anclada.

Sería un error concluir de la coincidencia que ponderar no importa en el total nacional. La media sube $128.394 al ponderar, el P75 pasa de $1.930.000 a $2.000.000 y el P90 de $3.340.000 a $3.500.000, mientras que el P10 ($400.000) y el P25 ($800.000) no cambian. La dirección es la contraria a la del Magdalena: en el país, ponderar sube la media y la parte alta de la distribución. Que la media ponderada supere a la simple quiere decir que en la muestra el factor y el ingreso van juntos: las filas con ingresos más altos tienden a llevar factores mayores. Dentro de las cabeceras pasa lo mismo (media de $1.860.911 sin ponderar frente a $2.112.315 ponderada), mientras que en centros poblados y rural disperso la mediana ponderada, $900.000, queda por debajo de la simple, $1.000.000.

Puestos uno al lado del otro, los dos casos impiden anticipar hacia dónde se equivoca la versión sin ponderar y en cuánto. En el Magdalena ponderar baja la mediana; en el país la deja igual y sube la media; dentro de una clase puede ir en cualquier sentido. Que una cifra coincida en un corte no protege en el siguiente.

Cuatro años en pesos corrientes#

El anclaje de la mediana se repite todos los años. La tabla 7.5 muestra que en el total nacional las dos medianas coinciden de 2022 a 2025, siempre en una cifra exacta que concentra entre el 9,8 % y el 17,4 % de la población con ingreso, y que la media ponderada queda todos los años por encima de la simple. El P90 ponderado también supera al simple, salvo en 2023, cuando las dos versiones coinciden.

Las medianas de 2022 a 2024 son también cifras redondas. Este libro solo verificó con su decreto la de 2025; si coinciden con el salario mínimo de cada año es algo que el lector puede comprobar en la norma correspondiente, pero aquí no se afirma. Lo que la tabla no autoriza es leer el crecimiento de la mediana como un aumento del poder de compra: son pesos corrientes y, sin deflactar, la comparación entre años mezcla el cambio de los ingresos con el de los precios.

Por qué estos cálculos no miden pobreza monetaria#

La GEIH es la encuesta con que el DANE mide la pobreza monetaria, y de ahí viene una confusión frecuente: tomar la proporción de ocupados con ingreso bajo un umbral como si fuera una tasa de pobreza. Las definiciones oficiales muestran por qué no lo es.

La incidencia de la pobreza monetaria es el «porcentaje de personas cuyos ingresos corrientes totales son inferiores a la línea de pobreza monetaria (LP)», y el coeficiente de Orshansky es el «cociente entre el gasto total y el gasto en alimentos» (Metodología GEIH V11, p. 10). Basta poner esas definiciones al lado de lo que se calculó en este capítulo para ver las diferencias. La pobreza se mide con el ingreso del hogar dividido entre sus miembros, no con el ingreso de una persona ocupada. Usa ingresos corrientes totales, que en la lista de fuentes de la tabla 7.1 abarcan los no laborales, el ingreso en especie y el autoconsumo, mientras que INGLABO se limita al trabajo. Compara contra una línea que depende del área geográfica y de una canasta, no contra una cifra redonda. Su universo es toda la población, incluidos los niños, los desocupados y quienes están fuera de la fuerza de trabajo. Y el ingreso que entra en ella pasa por la imputación (Enfoque conceptual GEIH 2022, p. 4) y el enriquecimiento con registros administrativos (Enfoque conceptual GEIH 2022, p. 53) que menciona la presentación del rediseño, sin describir cómo se hacen.

La relación entre la encuesta y la pobreza se nota también en el diseño muestral. La metodología dice que para el indicador de pobreza monetaria «se requiere una estimación total departamento anual» (Metodología GEIH V11, p. 15), y para dimensionar la muestra anual de cada departamento fija un error relativo de 4,7 % (Metodología GEIH V11, p. 16), el mismo que reporta como meta de precisión anual de la pobreza monetaria departamental, con una confiabilidad del 95 % (Metodología GEIH V11, p. 10). De ahí que la muestra del Magdalena se dimensione con horizonte anual, un tema que retoma el capítulo 9, El Magdalena. Pero que la muestra se haya dimensionado para la pobreza no convierte en pobreza cualquier porcentaje calculado con ella, ni garantiza por sí solo la precisión de una mediana de ingresos laborales del departamento.

Lista de comprobación#

Antes de publicar una media, una mediana o un percentil de ingresos calculado con la GEIH hay seis puntos por comprobar. Recogen, en el orden del capítulo, lo que se acaba de ver.

1. El cálculo usa el factor de expansión. En las bases de 2022 a 2025 es FEX_C18, el único factor que traen los archivos y que, por cómo cambian sus sumas de un mes a otro, corresponde a la calibración mensual.
2. El universo está declarado junto a la cifra. Ocupados con ingreso positivo, todos los ocupados con sus ceros o toda la población con ingresos de cualquier fuente responden preguntas distintas.
3. La variable está limpia: sin faltantes convertidos en cero, sin pesos no válidos y, si se usan P6500 o P6750, sin los códigos 98 y 99 de enero de 2022.
4. El texto dice qué mide la variable. INGLABO no tiene una regla de construcción publicada en la metodología y no incluye ingresos no laborales; sumar variables con periodos distintos exige mensualizar.
5. La cifra se presenta según su estado de validación. Para los cuantiles de INGLABO no hay referente oficial con que compararlos, así que se presentan como estimaciones propias con su control interno.
6. La lectura no va más allá del dato. Una mediana ponderada es una estimación puntual en pesos corrientes, sin error estándar del diseño, y no es una medida de pobreza.

Cómo leer la precisión publicada por el DANE y qué aproximación se puede construir sin las variables de diseño se trata en el capítulo 8; el capítulo 10, Laboratorio de reproducción explica cómo reproducir todas las cifras de este capítulo desde los microdatos, y el capítulo 9 retoma los ingresos del Magdalena por clase.

Ejercicios#

import polars as pl
from geihlab.lectura import leer_geih
from geihlab.ponderacion import mediana_ponderada

geih = leer_geih(2025, ["OCI", "INGLABO", "FEX_C18", "DPTO"])
oc = geih.filter((pl.col("OCI") == 1) & (pl.col("DPTO") == "47"))
v = oc["INGLABO"].fill_null(0).to_numpy()
w = oc["FEX_C18"].to_numpy()
print(mediana_ponderada(v, w))