(fuentes y última versión aquí)
En este post voy a revisar el cambio de los tiempos en función de la edad.
Pero la variable a usar va a ser la velocidad, no el tiempo. El problema con
los tiempos es que no son lineales.
Por ejemplo esta es la relación entre los tiempos (en minutos) y la velocidad
(km/h) en una carrera de 10km:
Para tiempos mayores que 60 minutos es bastante lineal, pero para tiempos
menores definitivamente nó.
Carrera Brooks
los tiempos es que no son lineales.
(km/h) en una carrera de 10km:
Para tiempos mayores que 60 minutos es bastante lineal, pero para tiempos
menores definitivamente nó.
Carrera Brooks
Los datos son de la carrera Brooks #50
Los tiempos de esta carrera por género (Sexo) se ven aquí:
La linea de tendencia ayuda a ver que en los hombres la velocidad (en km/h),
baja con la edad, que es lo esperado. Pero en las mujeres se aprecia una
curva convexa, con valores altos en el rango 35-45 años.
Los valores de la pendiente son:
- -0.032 km/h por año para hombres, y
- 0.000 km/h por año para mujeres
La cantidad de corredores:
## Division
## Sexo 15-25 26-35 36-45 46-55 56-65 66-70
## F 170 431 252 101 20 3
## M 142 490 424 196 71 17
Mi impresión es que con la edad solo las mujeres más comprometidas quedan
compitiendo. Eso se refleja en que la cantidad de participantes baja más rápido
que en los hombres con la edad. Y esa “depuración” de participantes produce
mejores resultados en las categorías del medio. Pero eso será tema de otro
artículo.
Así que en el resto solo usaré los datos de los hombres.
Otras carreras
Corrida de Santiago (simultánea con la Maratón de Santiago). Esta es una
Los tiempos de esta carrera por género (Sexo) se ven aquí:
La linea de tendencia ayuda a ver que en los hombres la velocidad (en km/h),
baja con la edad, que es lo esperado. Pero en las mujeres se aprecia una
curva convexa, con valores altos en el rango 35-45 años.
Los valores de la pendiente son:
- -0.032 km/h por año para hombres, y
- 0.000 km/h por año para mujeres
La cantidad de corredores:
## Division
## Sexo 15-25 26-35 36-45 46-55 56-65 66-70
## F 170 431 252 101 20 3
## M 142 490 424 196 71 17
Mi impresión es que con la edad solo las mujeres más comprometidas quedan
compitiendo. Eso se refleja en que la cantidad de participantes baja más rápido
que en los hombres con la edad. Y esa “depuración” de participantes produce
mejores resultados en las categorías del medio. Pero eso será tema de otro
artículo.
Así que en el resto solo usaré los datos de los hombres.
compitiendo. Eso se refleja en que la cantidad de participantes baja más rápido
que en los hombres con la edad. Y esa “depuración” de participantes produce
mejores resultados en las categorías del medio. Pero eso será tema de otro
artículo.
Así que en el resto solo usaré los datos de los hombres.
Otras carreras
carrera de 10k.
Los participantes (hombres) por categoría fueron:
## Division
## event 15-25 26-35 36-45 46-55 56-65 66-70
## mds2014 836 1456 922 489 197 31
## mds2015 682 1167 796 463 202 42
## mds2016 635 1047 771 452 203 41
Los resultados:
## $mds2014
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.293 8.793 9.926 10.180 11.290 20.700
##
## $mds2015
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.283 8.633 9.795 10.080 11.190 20.870
##
## $mds2016
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.118 8.664 9.850 10.150 11.170 21.200
Distribuidos por categoría (Division):
Y la regresión lineal por edad da los siguientes resultados:
## mds2014 mds2015 mds2016
## (Intercept) 11.3562 11.1724 11.2527
## Age -0.0337 -0.0307 -0.0305
Estos resultados son consistentes con los de la carrera Brooks #50.
Aunque en aquella no esta disponible la edad de cada participante y la
regresión se hizo para la edad media de la categoría, y en el caso de MDS
se hizo con la edad de cada participante.
Otra distancia
Los participantes (hombres) por categoría fueron:
## Division
## event 15-25 26-35 36-45 46-55 56-65 66-70
## mds2014 836 1456 922 489 197 31
## mds2015 682 1167 796 463 202 42
## mds2016 635 1047 771 452 203 41
Los resultados:
## $mds2014
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.293 8.793 9.926 10.180 11.290 20.700
##
## $mds2015
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.283 8.633 9.795 10.080 11.190 20.870
##
## $mds2016
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.118 8.664 9.850 10.150 11.170 21.200
Distribuidos por categoría (Division):
Y la regresión lineal por edad da los siguientes resultados:
## mds2014 mds2015 mds2016
## (Intercept) 11.3562 11.1724 11.2527
## Age -0.0337 -0.0307 -0.0305
Estos resultados son consistentes con los de la carrera Brooks #50.
Aunque en aquella no esta disponible la edad de cada participante y la
regresión se hizo para la edad media de la categoría, y en el caso de MDS
se hizo con la edad de cada participante.
Aunque en aquella no esta disponible la edad de cada participante y la
regresión se hizo para la edad media de la categoría, y en el caso de MDS
se hizo con la edad de cada participante.
Otra distancia
Para chequear con otra distancia revisamos la media maratón de la MDS de los mismos años (2014,2015 y 2016).
Los participantes (hombres) por categoría fueron:
## Division
## event 15-25 26-35 36-45 46-55 56-65 66-70
## mds2014 1084 2582 2013 1036 319 26
## mds2015 961 2698 2215 1210 401 38
## mds2016 792 2564 2172 1196 429 38
Los resultados:
## $mds2014
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.89 8.93 9.93 10.10 11.10 19.10
##
## $mds2015
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.82 8.74 9.78 9.94 10.90 19.20
##
## $mds2016
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.71 8.85 9.91 10.10 11.10 18.80
Distribuidos por categoría (Division):
Y la regresión lineal por edad da los siguientes resultados:
## mds2014 mds2015 mds2016
## (Intercept) 10.6885 10.6319 10.7061
## Age -0.0164 -0.0187 -0.0174
Es llamativo que las velocidades medias son muy similares en las carreras
de 10k y las de 21k. La baja de velocidad con la edad es menos significativa
en las carreras de 21k que de 10k, casi la mitad.
Comentarios
## Division
## event 15-25 26-35 36-45 46-55 56-65 66-70
## mds2014 1084 2582 2013 1036 319 26
## mds2015 961 2698 2215 1210 401 38
## mds2016 792 2564 2172 1196 429 38
Los resultados:
## $mds2014
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 4.89 8.93 9.93 10.10 11.10 19.10
##
## $mds2015
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.82 8.74 9.78 9.94 10.90 19.20
##
## $mds2016
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 3.71 8.85 9.91 10.10 11.10 18.80
Distribuidos por categoría (Division):
Y la regresión lineal por edad da los siguientes resultados:
## mds2014 mds2015 mds2016
## (Intercept) 10.6885 10.6319 10.7061
## Age -0.0164 -0.0187 -0.0174
Es llamativo que las velocidades medias son muy similares en las carreras
de 10k y las de 21k. La baja de velocidad con la edad es menos significativa
en las carreras de 21k que de 10k, casi la mitad.
de 10k y las de 21k. La baja de velocidad con la edad es menos significativa
en las carreras de 21k que de 10k, casi la mitad.
Comentarios
Lo esperable era una baja en la velocidad con la edad. Y se da en hombres
en carreras de 10k y 21k.
En las mujeres ocurre algo distinto, con las categorías de 35 a 55 años teniendo
los mejores resultados. Eso requiere una explicación.
Por otra parte si observamos como cambian los máximos de cada categoría en los
hombres, parece que la baja en la velocidad es mayor a la que indica la pendiente
basada en la media.
Impresión
en carreras de 10k y 21k.
En las mujeres ocurre algo distinto, con las categorías de 35 a 55 años teniendo
los mejores resultados. Eso requiere una explicación.
los mejores resultados. Eso requiere una explicación.
Por otra parte si observamos como cambian los máximos de cada categoría en los
hombres, parece que la baja en la velocidad es mayor a la que indica la pendiente
basada en la media.
hombres, parece que la baja en la velocidad es mayor a la que indica la pendiente
basada en la media.
Impresión
Tengo la impresión de que la reducción de la velocidad con la edad es mayor que
a que indica la regresión. Y que el efecto de auto selección efecto significativo.
Es decir, en las categorías mayores solo quedan los runners más dedicados, lo
que sube su promedio, mientras que en los más jóvenes participan más corredores
con poca dedicación, que bajan el promedio. Separar esa influencia requerirá otro análisis.
a que indica la regresión. Y que el efecto de auto selección efecto significativo.
Es decir, en las categorías mayores solo quedan los runners más dedicados, lo
que sube su promedio, mientras que en los más jóvenes participan más corredores
con poca dedicación, que bajan el promedio. Separar esa influencia requerirá otro análisis.
Es decir, en las categorías mayores solo quedan los runners más dedicados, lo
que sube su promedio, mientras que en los más jóvenes participan más corredores
con poca dedicación, que bajan el promedio. Separar esa influencia requerirá otro análisis.
No comments:
Post a Comment