Antropometería de personas de edad mayor

Introducción

Se va a trabajar con una base de datos antropemetricos recolectados en un asilo, donde se recolectaron difrentes medidas antropométricos como peso, talla, entre otros. La muestra contiene datos tanto de hombres como de mujeres

El presente trabajo tiene como objetivo analizar una muestra poblacional mediante el uso de herramientas estadísticas descriptivas, con el fin de identificar patrones de variación en variables antropométricas y explorar posibles diferencias entre grupos según el sexo. Las herramientas estadísticas implementadas permiten describir la tendencia central y la dispersión de variables como edad, peso, estatura y otras dimensiones corporales, proporcionando una visión cuantitativa de la variabilidad presente en la muestra El análisis no se limita a la descripción numérica, sino que también busca interpretar las diferencias observadas como resultado de la interacción entre biología y contexto sociocultural.

Resultados

La grafica indica la comparación de la distribución del peso por sexo Podemos observar que la muestra está compuesta de 19 hombres y 46 mujeres

setwd("~/Desktop/Segundo Semestre/Estadística/Excel")
library(pacman)
p_load(readxl,ggplot2) ## Uso pacman para abrir paquetes
base2 <- read_excel("Personas edad mayor.xlsx")

#convertimos sexo a factor
base2$sexo <- factor(base2$sexo,
                     levels= c(1,2),
                     labels = c("Mujeres","Hombres"))
table(base2$sexo)
## 
## Mujeres Hombres 
##      46      19

A continucación se muestran un cuadro con los estadísticos báscios por sexo

estadisticos <- function(x) {
  estad <- c(
    n=length(x),
    Media=round(mean(x,na.rm=TRUE),1),
    DE=round(sd(x,na.rm = TRUE),1),
    CV=round(sd(x,na.rm = TRUE)/mean(x,na.rm=TRUE)*100,1),
    Min=round(min(x,na.rm = TRUE),1),
    q1=round(unname(quantile(x,0.25,na.rm = TRUE)),1), 
    mediana=round(unname(quantile(x,0.50,na.rm = TRUE)),1),
    q3=round(unname(quantile(x,0.75,na.rm = TRUE)),1),
    Max=round(max(x,na.rm=TRUE),1)
  )
  return(estad)
}
p_load(dplyr,tidyr)
resultados <- base2 %>% 
  group_by(sexo) %>%
  summarise(  
    across(where(is.numeric), ~ list(estadisticos(.x)), .names = "{.col}")  
  ) %>%
  pivot_longer(-sexo, names_to = "variable", values_to = "valores") %>%
  unnest_wider(valores)
resultados <- resultados %>%
  mutate(variable = recode(variable,
    "edad" = "Edad (años)",
    "peso" = "Peso (kg)",
    "talla" = "Estatura (mm)",
    "biacromi" = "Diámetro biacromial (cm)",
    "bicresta" = "Diámetro bicrestal (cm)",
    "alt_rodi" = "Altura de rodilla (mm)",
    "p_pant" = "Perímetro de pantorrilla (cm)",
    "c_brazo" = "Circunferencia del brazo (cm)",
    "p_t" = "Perímetro torácico (cm)"
  ))
p_load(knitr)
kable(resultados)
sexo variable n Media DE CV Min q1 mediana q3 Max
Mujeres Edad (años) 46 79.0 5.5 7.0 70.0 75.0 79.0 82.0 89.0
Mujeres Peso (kg) 46 50.1 9.8 19.5 34.0 42.0 50.2 57.0 72.5
Mujeres Estatura (mm) 46 1429.3 64.3 4.5 1245.0 1397.8 1420.0 1463.5 1562.0
Mujeres Diámetro biacromial (cm) 46 32.1 2.2 6.8 22.8 31.1 32.2 33.5 35.5
Mujeres Diámetro bicrestal (cm) 46 29.8 3.0 10.0 23.9 28.1 29.2 31.6 35.6
Mujeres Altura de rodilla (mm) 46 456.4 27.4 6.0 375.0 440.0 458.5 474.8 504.0
Mujeres Perímetro de pantorrilla (cm) 46 1.3 0.4 33.7 0.4 1.1 1.3 1.5 2.4
Mujeres Circunferencia del brazo (cm) 46 26.5 4.2 15.8 12.9 24.1 26.9 29.4 35.5
Mujeres Perímetro torácico (cm) 46 15.8 5.1 32.6 6.8 12.3 15.0 19.0 28.6
Hombres Edad (años) 19 79.7 7.4 9.2 70.0 73.0 79.0 87.5 89.0
Hombres Peso (kg) 19 63.2 8.0 12.7 48.0 58.5 62.0 67.8 78.0
Hombres Estatura (mm) 19 1594.5 64.9 4.1 1485.0 1537.5 1603.0 1637.0 1700.0
Hombres Diámetro biacromial (cm) 19 35.2 2.1 6.0 31.7 34.2 35.1 35.5 39.8
Hombres Diámetro bicrestal (cm) 19 31.9 2.3 7.3 28.5 30.4 32.0 33.0 37.9
Hombres Altura de rodilla (mm) 19 508.9 33.9 6.7 464.0 480.0 506.0 527.0 588.0
Hombres Perímetro de pantorrilla (cm) 19 1.1 0.5 44.3 0.4 0.6 1.1 1.4 1.9
Hombres Circunferencia del brazo (cm) 19 27.6 2.6 9.4 23.0 26.0 27.5 29.0 32.0
Hombres Perímetro torácico (cm) 19 11.3 5.4 47.8 4.6 6.9 11.0 14.3 22.2

En el caso de los hombres la mayor cantidad de los datos esta por encima de la media

La siguente figura muestra las graficas de caja de las variables por sexo

etiquetas_vars <- c(
    edad      = "Edad (años)",
    peso      = "Peso (kg)",
    talla     = "Estatura (mm)",
    biacromi  = "Diámetro biacromial (cm)",
    bicresta  = "Diámetro bicrestal (cm)",
    alt_rodi  = "Altura de rodilla (mm)",
    p_pant    = "Perímetro de pantorrilla (cm)",
    c_brazo   = "Circunferencia del brazo (cm)",
    p_t       = "Perímetro torácico (cm)"
  )
# Preparar datos en formato largo
  base2_largo <- base2 %>%
    select(sexo, where(is.numeric)) %>%
    pivot_longer(cols = -sexo, names_to = "variable", values_to = "valor")
  
  # Graficar con facetas y etiquetas
  ggplot(base2_largo, aes(x = sexo, y = valor, fill = sexo)) +
    geom_boxplot(alpha = 0.7) +
    facet_wrap(~ variable, scales = "free_y", ncol = 3,
               labeller = as_labeller(etiquetas_vars)) +
    labs(title = "Boxplots de variables cuantitativas por sexo",
         x = "Sexo",
         y = "Valor") +
    scale_fill_manual(values = c("Mujeres" = "#F4A261", "Hombres" = "#2A9D8F")) +
    theme_minimal() +
    theme(legend.position = "bottom",
          strip.background = element_rect(fill = "gray90"),
          strip.text = element_text(face = "bold"))
## Warning: Removed 7 rows containing non-finite outside the scale range
## (`stat_boxplot()`).

Conclusión

El análisis estadístico de la muestra permitió identificar una notable variabilidad en las características antropométricas de los individuos estudiados. Las medidas descriptivas utilizadas evidenciaron distintos grados de heterogeneidad entre las variables analizadas, lo que sugiere que la población no presenta una distribución completamente homogénea en términos de sus características físicas. Desde el enfoque antropológico, los resultados reflejan la complejidad de la variabilidad humana, la cual no puede explicarse únicamente por factores biológicos. Las diferencias observadas entre individuos y entre sexos están influenciadas por múltiples elementos, incluyendo condiciones de vida, hábitos alimenticios, actividad física y entorno sociocultural.