Danielbrdz/Barcenas-Personas-Mexico

Barcenas Personas México

Dataset sintético sociodemográfico de mayor granularidad geográfica publicado para México: 1,000,000 de personas, 2,478 municipios y 428,041 hogares.

Un millón de personas sintéticas, estadísticamente calibradas contra fuentes oficiales (INEGI, ENOE, CONEVAL) y distribuidas en los 2,478 municipios de las 32 entidades federativas de México. Cada persona cuenta con una ficha demográfica completa y 8 facetas narrativas en español (~1,100 palabras por persona) generadas con una arquitectura híbrida de:

• Modelos gráficos probabilísticos.
• Banco de semillas LLM (Gemma 4 31B).
• Ensamblaje combinatorio modular.

Inspirado en el proyecto Nemotron Persona de Nvidia dentro de su programa de IA soberana.

---

Resumen del Dataset

Parámetro	Valor
Registros totales	1,000,000 personas sintéticas
Cobertura geográfica	32 entidades federativas · 2,478 municipios (100% de México)
Estructura de hogares	428,041 hogares sintéticos coherentes (household_id, rol_hogar)
Columnas	35 (14 demografía · 12 socioeconómicas · 8 facetas narrativas · 1 competencias)
Longitud narrativa	~1,103 palabras / ~1,769 tokens por persona
Volumen total de tokens	~1.77 mil millones de tokens
Formato	32 particiones Parquet (Snappy), particionadas por cve_ent
Peso en disco	~1.68 GB
Fuentes de calibración	Censo INEGI 2020 · ENOE 2020–2023 · CONEVAL · Padrón Nominal SEP/RENAPO
Licencia	CC BY-SA 4.0

---

Metodología

El dataset se construyó en 5 capas:

1. Datos oficiales reales: 2,478 municipios con variables del ITER (INEGI 2020) y frecuencias reales de nombres/apellidos del Padrón Nominal SEP.
2. Modelo gráfico probabilístico bayesiano: Dependencias causales territorio → demografía → educación → ocupación (SINCO) → ingreso, además de un generador de hogares coherentes con vínculo familiar y brechas de edad plausibles entre padres e hijos.
3. Banco de semillas LLM: Narrativas base por municipio, macrorregión y grupo ocupacional generadas mediante cascada multi-modelo.
4. Compositor narrativo modular: 8 facetas biográficas ensambladas a partir de ranuras semánticas condicionadas por región, ocupación y cohorte etaria.
5. Suite de validación matemática (6 Quality Gates): Ejecutada sobre el 100% del millón de registros antes de su publicación.

---

Esquema de Datos (35 columnas)

1. Identificación y geografía

persona_id, household_id, arquetipo_id, cve_geo, cve_ent, nom_ent, cve_mun, nom_mun, macrorregion_id, tipo_territorio, sexo, edad, grupo_edad, nombre

2. Matriz socioeconómica y de hogar

rol_hogar, tam_hogar_estrato, adscripcion_etnica, lengua_originaria, nivel_educativo, ocupacion_sinco, estado_civil, condicion_formalidad, condicion_pobreza_coneval, rango_ingreso_laboral, ingreso_mensual_mxn, afiliacion_salud

3. Facetas narrativas (8 columnas de texto libre)

Campo	Contenido
persona	Biografía general: rutina, valores, temperamento, aspiraciones.
professional_persona	Trayectoria laboral, tareas cotidianas, herramientas, metas.
culinary_persona	Hábitos alimenticios, gastronomía y mercados regionales.
cultural_background	Tradiciones, festividades, música y cosmovisión local.
sports_persona	Actividad física, espacios públicos, afición deportiva.
travel_persona	Movilidad cotidiana, transporte y turismo regional.
financial_and_digital_persona	Ahorro, crédito, acceso a telecomunicaciones y pagos digitales.
civic_and_community_persona	Participación vecinal, mediación, cuidado del entorno.

4. Competencias

• skills_and_expertise_list: 8 a 10 competencias técnicas y comunitarias por grupo ocupacional (almacenado como JSON Array).

---

Resultados de Validación (Quality Gates sobre 1M registros)

Compuerta	Métrica evaluada	Umbral requerido	Resultado
Gate 1 — Cobertura y topología	Municipios, entidades, IDs únicos, nulos	2,478+ municipios, 0 nulos	✅ Superado (2,478 municipios · 32 estados · 0 nulos)
Gate 2 — Fidelidad marginal demográfica	TVD vs. Censo INEGI 2020 (sexo, edad)	$D(\text{sexo}) < 0.015$, $D(\text{edad}) < 0.05$	✅ Superado ($D(\text{sexo})=0.0007$ · $D(\text{edad})=0.0080$)
Gate 3 — Reglas duras anti-implausibilidad	Coherencia edad/rol/escolaridad/ingreso	0 violaciones	✅ Superado (0 violaciones en 1M registros)
Gate 4 — Concordancia morfológica	Género gramatical en las 8 facetas	0 discordancias	✅ Superado (0 discordancias)
Gate 5 — Diversidad textual (Jaccard 3-Gram)	Similitud entre pares de biografías	Media < 10%, Máx < 65%	✅ Superado (Media ≈ 3.5% · Máx ≈ 11.8%)
Gate 6 — Equidad interseccional (TVD vs. ENOE)	Distribución ocupacional por macrorregión, población indígena/rural	TVD promedio < 0.15	✅ Superado (TVD promedio = 0.1023)

---

Fuentes y Licencia

• INEGI: Censo de Población y Vivienda 2020, bajo los términos de libre uso de información estadística (DOF, 27 nov. 2014).
• ENOE: Encuesta Nacional de Ocupación y Empleo (2020–2023).
• CONEVAL: Medición de pobreza multidimensional.
• SEP / RENAPO: Frecuencias agregadas de nombres y apellidos.

Licencia: Distribuido bajo licencia Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0).

---

---

Barcenas Personas Mexico

The synthetic sociodemographic dataset with the highest geographic granularity published for Mexico: 1,000,000 individuals, 2,478 municipalities, and 428,041 households.

One million synthetic individuals, statistically calibrated against official sources (INEGI, ENOE, CONEVAL) and distributed across the 2,478 municipalities of Mexico's 32 federal entities. Each profile includes a complete demographic record and 8 narrative facets in Spanish (~1,100 words per person) generated through a hybrid architecture combining:

• Probabilistic graphical models.
• LLM seed bank (Gemma 4 31B).
• Modular combinatorial assembly.

Inspired by Nvidia's Nemotron Persona project as part of its Sovereign AI initiative.

---

📊 Dataset Summary

Parameter	Value
Total Records	1,000,000 synthetic individuals
Geographic Coverage	32 federal entities · 2,478 municipalities (100% of Mexico)
Household Structure	428,041 coherent synthetic households (household_id, rol_hogar)
Columns	35 (14 demographics · 12 socioeconomic · 8 narrative facets · 1 competencies)
Narrative Length	~1,103 words / ~1,769 tokens per persona
Total Token Volume	~1.77 billion tokens
Format	32 Parquet partitions (Snappy), partitioned by cve_ent
Size on Disk	~1.68 GB
Calibration Sources	INEGI 2020 Census · ENOE 2020–2023 · CONEVAL · SEP/RENAPO Nominal Roster
License	CC BY-SA 4.0

---

🛠️ Methodology

The dataset was developed across 5 layers:

1. Real Official Data: 2,478 municipalities with variables from ITER (INEGI 2020) and empirical name/surname frequency distributions from the SEP Nominal Roster.
2. Bayesian Probabilistic Graphical Model: Causal dependencies structured as territory → demographics → education → occupation (SINCO) → income, alongside a coherent household generator enforcing realistic age gaps between parents and children.
3. LLM Seed Bank: Base narratives generated per municipality, macro-region, and occupational group using a multi-model cascade.
4. Modular Narrative Composer: 8 biographical facets assembled from semantic slot banks conditioned on region, occupation, and age cohort.
5. Mathematical Validation Suite (6 Quality Gates): Executed over 100% of the one million records prior to release.

---

📋 Data Schema (35 columns)

1. Identification and Geography

persona_id, household_id, arquetipo_id, cve_geo, cve_ent, nom_ent, cve_mun, nom_mun, macrorregion_id, tipo_territorio, sexo, edad, grupo_edad, nombre

2. Socioeconomic and Household Matrix

rol_hogar, tam_hogar_estrato, adscripcion_etnica, lengua_originaria, nivel_educativo, ocupacion_sinco, estado_civil, condicion_formalidad, condicion_pobreza_coneval, rango_ingreso_laboral, ingreso_mensual_mxn, afiliacion_salud

3. Narrative Facets (8 free-text columns)

Field	Content
persona	General biography: daily routines, core values, temperament, aspirations.
professional_persona	Career trajectory, everyday tasks, tools used, professional milestones.
culinary_persona	Eating habits, regional culinary traditions, local markets visited.
cultural_background	Traditions, local festivals, music, and worldview.
sports_persona	Physical activity, public recreational spaces, sports fandom.
travel_persona	Daily commuting routines, transportation modes, regional mobility.
financial_and_digital_persona	Savings, credit, telecommunications access, digital payments.
civic_and_community_persona	Neighborhood involvement, mediation, community stewardship.

4. Competencies

• skills_and_expertise_list: 8 to 10 technical and community-oriented skills per occupational group (stored as a JSON Array).

---

✅ Validation Results (Quality Gates on full 1M records)

Quality Gate	Evaluated Metric	Threshold	Result
Gate 1 — Coverage & Topology	Municipalities, states, unique IDs, nulls	2,478+ municipalities, 0 nulls	✅ Passed (2,478 municipalities · 32 states · 0 nulls)
Gate 2 — Marginal Demographic Fidelity	TVD vs. INEGI 2020 Census (sex, age)	$D(\text{sex}) < 0.015$, $D(\text{age}) < 0.05$	✅ Passed ($D(\text{sex})=0.0007$ · $D(\text{age})=0.0080$)
Gate 3 — Hard Anti-Implausibility Rules	Age/role/education/income coherence	0 violations	✅ Passed (0 violations across 1M records)
Gate 4 — Morphological Agreement	Grammatical gender alignment across all 8 facets	0 mismatches	✅ Passed (0 mismatches)
Gate 5 — Textual Diversity (3-Gram Jaccard)	Pairwise biographical similarity	Mean < 10%, Max < 65%	✅ Passed (Mean ≈ 3.5% · Max ≈ 11.8%)
Gate 6 — Intersectional Equity (TVD vs. ENOE)	Occupational distribution by macro-region, indigenous/rural groups	Mean TVD < 0.15	✅ Passed (Mean TVD = 0.1023)

---

🏛️ Sources and Licensing

• INEGI: 2020 Population and Housing Census (Censo de Población y Vivienda 2020), under open data terms of use (DOF, Nov 27, 2014).
• ENOE: National Survey of Occupation and Employment (Encuesta Nacional de Ocupación y Empleo 2020–2023).
• CONEVAL: Multidimensional poverty measurement metrics.
• SEP / RENAPO: Aggregated name and surname frequencies.

License: Distributed under the Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) license.

Made with ❤️ in Guadalupe, Nuevo Leon, Mexico 🇲🇽