Utilizo tablas y mapas basados en el paquete chilemapas para mostrar los cambios en la población adulto mayor entre los censos 2017 y 2024 en Chile.
Si esta publicación te resulta útil, te agradecería que hicieras una pequeña donación en Buy Me a Coffee. La utilizaré para continuar con mis iniciativas de código abierto.
Puedes enviarme preguntas para el blog utilizando este formulario y suscribirse para recibir un correo electrónico cuando haya una nueva publicación.
Después de procesar los datos del Censo 2024 de Población y Viviendas en Chile y corregir los códigos territoriales, procedo a utilizar tablas y mapas basados en el paquete chilemapas para mostrar los cambios en la población adulto mayor entre los censos 2017 y 2024 en Chile.
El código para procesar las tablas censales y generar los estadísticos se encuentra en: https://github.com/pachadotdev/blog-materials/tree/main/2025/12/10/adulto-mayor-censo.
Los datos que uso corresponden a la tabla con el diccionario corregido que dejé disponible en: https://github.com/pachadotdev/censo2024-duckdb
Carga de paquetes y creación de la tabla de población por edad y sexo y región:
if (!require("dplyr")) install.packages("dplyr")
if (!require("duckdb")) install.packages("duckdb")
if (!require("chilemapas")) install.packages("chilemapas")
if (!require("ggplot2")) install.packages("ggplot2")
library(dplyr)
library(duckdb)
library(chilemapas)
library(ggplot2)
con <- dbConnect(duckdb::duckdb(), dbdir = "~/Documents/censo2024-duckdb/censo2024_corregido.duckdb", read_only = FALSE)
dbListTables(con)
tbl(con, "codigos_personas") |>
filter(nombre_variable == "sexo")
edad_por_region <- tbl(con, "personas") |>
mutate(
edad = case_when(
edad >= 0 & edad <= 4 ~ "0 a 4",
edad >= 5 & edad <= 9 ~ "5 a 9",
edad >= 10 & edad <= 14 ~ "10 a 14",
edad >= 15 & edad <= 19 ~ "15 a 19",
edad >= 20 & edad <= 24 ~ "20 a 24",
edad >= 25 & edad <= 29 ~ "25 a 29",
edad >= 30 & edad <= 34 ~ "30 a 34",
edad >= 35 & edad <= 39 ~ "35 a 39",
edad >= 40 & edad <= 44 ~ "40 a 44",
edad >= 45 & edad <= 49 ~ "45 a 49",
edad >= 50 & edad <= 54 ~ "50 a 54",
edad >= 55 & edad <= 59 ~ "55 a 59",
edad >= 60 & edad <= 64 ~ "60 a 64",
edad >= 65 & edad <= 69 ~ "65 a 69",
edad >= 70 & edad <= 74 ~ "70 a 74",
edad >= 75 & edad <= 79 ~ "75 a 79",
edad >= 80 & edad <= 84 ~ "80 a 84",
edad >= 85 & edad <= 89 ~ "85 a 89",
edad >= 90 & edad <= 94 ~ "90 a 94",
edad >= 95 & edad <= 99 ~ "95 a 99",
edad >= 100 ~ "100 o mas",
TRUE ~ NA_character_
)
) |>
filter(!is.na(edad)) |>
mutate(
sexo = case_when(
sexo == 1 ~ "hombre",
sexo == 2 ~ "mujer",
TRUE ~ NA_character_
)
) |>
mutate(region = substr(comuna, 1, 2)) |>
group_by(region, edad, sexo) |>
summarise(poblacion2024 = n()) |>
inner_join(
tbl(con, "codigos_territoriales"),
by = c("region" = "codigo_territorial")
) |>
collect()Estos resultados se pueden unir a los del censo 2027, la misma tabla de población por edad, sexo y región es parte del paquete chilemapas como censo_2017_comunas.
edad_por_region <- edad_por_region |>
filter(!is.na(edad)) |>
mutate(
edad = factor(
edad,
levels = c(
"0 a 4", "5 a 9", "10 a 14", "15 a 19", "20 a 24",
"25 a 29", "30 a 34", "35 a 39", "40 a 44", "45 a 49",
"50 a 54", "55 a 59", "60 a 64", "65 a 69", "70 a 74",
"75 a 79", "80 a 84", "85 a 89", "90 a 94", "95 a 99",
"100 o mas"
)
),
sexo = factor(
sexo,
levels = c("hombre", "mujer")
)
) |>
inner_join(
censo_2017_comunas |>
mutate(region = substr(codigo_comuna, 1, 2)) |>
rename(poblacion2017 = poblacion) |>
group_by(region, edad, sexo) |>
summarise(poblacion2017 = sum(poblacion2017)),
by = c("region", "edad", "sexo")
) |>
select(region, nombre_region = territorio, region, edad, sexo, poblacion2017, poblacion2024)Una vez unidos los datos de ambos censos, se puede calcular el cambio en número y porcentaje en la población adulto mayor. La tabla anterior la armé con un criterio amplio por si alguien más adelante quiere hacer análisis por grupos de edad más detallados.
edad_por_region <- edad_por_region |>
mutate(
edad2 = case_when(
edad %in% c(
"65 a 69", "70 a 74", "75 a 79", "80 a 84",
"85 a 89", "90 a 94", "95 a 99", "100 o mas"
) ~ "adulto mayor",
TRUE ~ "no adulto mayor"
)
) |>
group_by(region, nombre_region, edad2, sexo) |>
summarise(
poblacion2017 = sum(poblacion2017),
poblacion2024 = sum(poblacion2024)
) |>
mutate(
n_cambio = poblacion2024 - poblacion2017,
p_cambio = (n_cambio / poblacion2017) * 100
)Regiones con mayor aumento de adultos mayores hombre/mujer:
edad_por_region |>
filter(edad2 == "adulto mayor") |>
arrange(desc(p_cambio)) |>
head(10)
# A tibble: 10 × 6
codigo_region nombre_region edad2 sexo n_cambio p_cambio
<chr> <chr> <chr> <fct> <dbl> <dbl>
1 01 Tarapacá adul… mujer 5759 44.5
2 01 Tarapacá adul… homb… 4684 42.1
3 06 Libertador General Bernardo O'Hi… adul… mujer 22974 41.1
4 02 Antofagasta adul… mujer 9543 38.7
5 02 Antofagasta adul… homb… 7475 38.7
6 07 Maule adul… mujer 25395 38.5
7 06 Libertador General Bernardo O'Hi… adul… homb… 18123 36.8
8 04 Coquimbo adul… mujer 17327 36.6
9 03 Atacama adul… mujer 5215 35.9
10 04 Coquimbo adul… homb… 13742 35.4Mapas de cambio absoluto y porcentual de adultos mayores por región (uso una función para no repetir código):
edad_por_region <- edad_por_region |>
select(region, nombre_region, edad2, sexo, n_cambio, p_cambio)
edad_por_region <- generar_regiones() |>
select(codigo_region, geometry) |>
left_join(
edad_por_region,
by = c("codigo_region" = "region")
)
edad_por_region |>
filter(is.na(p_cambio))
g <- function(s = "hombre", v = "n_cambio") {
g2 <- ggplot() +
geom_sf(
data = filter(edad_por_region, sexo == s),
aes(fill = !!sym(v), geometry = geometry),
color = "black",
size = 0.1
) +
labs(
title = sprintf("Adulto mayor - %s - %s",
stringr::str_to_title(s),
ifelse(v == "n_cambio", "Cambio absoluto", "Cambio porcentual")
),
) +
theme_minimal() +
coord_sf(xlim = c(-75, -66))
if (v == "n_cambio") {
my_pal <- tintin::tintin_clrs(option = "the_blue_lotus")[2:1]
g2 + scale_fill_gradient2(my_pal[1], low = "white", high = my_pal[2],
na.value = "lightgrey")
} else {
my_pal <- tintin::tintin_clrs(option = "the_seven_crystal_balls")[2:1]
g2 + scale_fill_gradient2(low = my_pal[1], mid = "white", high = my_pal[2],
na.value = "lightgrey")
}
}
gnh <- g("hombre", "n_cambio")
gnm <- g("mujer", "n_cambio")
gph <- g("hombre", "p_cambio")
gpm <- g("mujer", "p_cambio")
dout <- list(
gnh = gnh,
gnm = gnm,
gph = gph,
gpm = gpm
)
saveRDS(dout, file = "adulto_mayor_censo.rds", compress = "xz")
dout$gnh
dout$gnm
dout$gph
dout$gpmResultados: