PARCIAL
Juan David Castellanos-Julian lizarazo-Nicolas Arroyave
2024-09-03
library(readr)
delitos <- read_csv("Delitos en Colombia.csv")## Rows: 569127 Columns: 20
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (18): TEMÁTICA, FECHA, DEPARTAMENTO, MUNICIPIO, DIA, BARRIO, ZONA, CLAS...
## dbl (1): CODIGO DANE
## time (1): HORA
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.#Descarga de librerias
library(tidyr)
library(dplyr)
library(ggplot2)Organizacion de la base de datos
##Obtener una base de datos por municipios, que contenga la cantidad de delitos por tematica, porcentaje de mujerres victimas y porcentaje de delitos en zonas rural.
delitos.1 <- delitos %>%
group_by(MUNICIPIO, TEMÁTICA) %>%
summarise(cant_delitos = n(),
porc_mujeres = round(100 * sum(SEXO == "FEMENINO") / n(), 2),
porc_rural = round(100 * sum(ZONA == "RURAL") / n(), 2))
head(delitos.1)## # A tibble: 6 × 5
## # Groups: MUNICIPIO [1]
## MUNICIPIO TEMÁTICA cant_delitos porc_mujeres porc_rural
## <chr> <chr> <int> <dbl> <dbl>
## 1 ABEJORRAL ABIGEATO 2 0 100
## 2 ABEJORRAL AMENAZA 1 0 100
## 3 ABEJORRAL DELITOS SEXUALES 11 90.9 54.6
## 4 ABEJORRAL EXTORCIÓN 2 0 50
## 5 ABEJORRAL HOMICIDIOS 8 0 87.5
## 6 ABEJORRAL HURTO A PERSONAS 12 16.7 25Primer punto
##Explique si la cantidad de homicidios tiene una correlación alta con la cantidad de robos
# Filtrar y agrupar datos
homicidios <- delitos %>%
filter(TEMÁTICA == 'HOMICIDIOS') %>%
group_by(MUNICIPIO) %>%
summarise(cant_homicidios = n())
hurto_personas <- delitos %>%
filter(TEMÁTICA == 'HURTO A PERSONAS') %>%
group_by(MUNICIPIO) %>%
summarise(cant_hurto_personas = n())
# Unir datos
homi_hutoper <- full_join(homicidios, hurto_personas, by = 'MUNICIPIO')
# Correlación
correlation_homi_hutoper <- cor(homi_hutoper$cant_homicidios, homi_hutoper$cant_hurto_personas, use = "complete.obs")
print(paste('Correlación entre homicidios y hurto a personas:', correlation_homi_hutoper))## [1] "Correlación entre homicidios y hurto a personas: 0.851784943387302"###Para esta pregunta se busca evaluar las correlaciones entre el número de homicidios y el hurto. Para ello, se categorizó el hurto en 3 clases: Abigeato, hurto a personas y hurto a residencias. Se pretende encontrar la existencia de una correlación débil o fuerte entre la ocurrencia de homicidios y la cantidad de robos. Teniendo en cuenta que si se acerca a 1 es una correlación fuerte positiva mientras que si se acerca a 0 es más débil y poco directa.Homicidios-Hurto a personas: Este nos indica una correlación de “0.85” sugiriendo así una correlación fuerte positiva, la cual significa que en general los municipios en los que se cometen más homicidios están directamente relacionados con aquellos en los que el hurto a personas en más frecuente.
Segundo punto
##Realice diagrama de barras de los diez municipios con mayor cantidad de delitos por temática y explique.
top_10_municipios <- delitos %>%
group_by(MUNICIPIO) %>%
summarise(conteo = n()) %>%
top_n(10, wt = conteo)
h <- delitos %>%
filter(MUNICIPIO %in% top_10_municipios$MUNICIPIO) %>%
group_by(MUNICIPIO, TEMÁTICA) %>%
summarise(conteo = n()) %>%
ungroup()
ggplot(h, aes(fill = TEMÁTICA, y = conteo, x = reorder(MUNICIPIO, conteo))) +
geom_bar(position = "stack", stat = "identity") +
labs(y = "Frecuencia", x = "Municipio") +
coord_flip() +
ggtitle("Top 10 Municipios con Más Delitos por Temática")
###El diagrama de barras ilustra claramente cuales son los diez
municipios del país con una mayor cantidad de delitos cometidos,
segmentado por los diferentes tipos de delitos. De esta forma se permite
tener una visión integral del cómo se distribuyen los crímenes en las
distintas regiones del país.Para dar mención a los 10 municipios con más
delitos cometidos en el país: Bogotá D.C, Cali, Barranquilla, Medellín,
Villavicencio, Bucaramanga, Ibagué, Neiva, Pereira, Pasto.De importancia
a resaltar una característica común entre los diez municipios con más
delitos es su urbanización a comparación con el resto del país. Esto
explica a gran medida la notable proporción que abarcan los delitos de
hurtos a personas y residencias en comparación con los otros
delitos.Otro factor importante que se deduce del diagrama es la
diferencia en densidad poblacional entre Bogotá con respecto a los otros
municipios. Esto significa que debido a la gran población con la que
cuenta Bogotá, comparada con otros municipios, es de suponer que la
cantidad de delitos cometidos en la capital sea mucho mayor a los
cometidos en los municipios del resto del país.Los datos de criminalidad
que muestra el diagrama son resultado de políticas públicas, de
seguridad e inversión poco asertivas durante los últimos años en el
país, a su vez ligado de otros factores socioeconómicos como lo son
urbanismo, densidad poblacional, nivel de ingresos, etc.
Tercer punto
##Realice histogramas de la razón de homicidios de hombres sobre homicidios de mujeres.
# Filtrar datos para homicidios
delitos_homicidios <- delitos %>%
filter(TEMÁTICA == "HOMICIDIOS")
# Calcular la razón de homicidios de hombres sobre homicidios de mujeres
delitos_genero <- delitos_homicidios %>%
group_by(MUNICIPIO) %>%
summarise(
cant_homicidios_hombres = sum(SEXO == "MASCULINO"),
cant_homicidios_mujeres = sum(SEXO == "FEMENINO"),
razon_homicidios = ifelse(cant_homicidios_mujeres == 0, NA, cant_homicidios_hombres / cant_homicidios_mujeres),
.groups = 'drop' # Evitar advertencias sobre agrupaciones
)
# Eliminar valores NA en la razón de homicidios
delitos_genero <- delitos_genero %>%
filter(!is.na(razon_homicidios))
# Graficar el histograma de la razón de homicidios hombres/mujeres
ggplot(delitos_genero, aes(x = razon_homicidios)) +
geom_histogram(binwidth = 0.5, fill = "blue", color = "black") +
xlab("Razón de Homicidios (Hombres/Mujeres)") +
ylab("Frecuencia") +
ggtitle("Histograma de la Razón de Homicidios de Hombres sobre Mujeres") +
theme_minimal() # Añadir un tema minimalista para mejorar la visualización
###Con esto podemos concluir que entre mayor sea la razón de hombres
sobre mujeres, es menor el número de homicidios.
Segunda parte
###Reclasifique el tipo de arma empleada en las siguientes categorías: Sin empleo de armas, arma de fuego, arma blanca y otra.
# Filtrar para Bogotá
BOG <- delitos[delitos$MUNICIPIO == 'BOGOTÁ D.C. (CT)', ]
head(BOG, 10) # Ver las primeras filas## # A tibble: 10 × 20
## TEMÁTICA FECHA DEPARTAMENTO MUNICIPIO DIA HORA BARRIO ZONA `CLASE SITIO`
## <chr> <chr> <chr> <chr> <chr> <tim> <chr> <chr> <chr>
## 1 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Miér… 05:00 EL MI… RURAL FINCAS Y SIM…
## 2 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Vier… 17:00 TURIN… URBA… VIAS PUBLICAS
## 3 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Sába… 06:10 LAS M… RURAL POTREROS
## 4 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Sába… 06:00 CIUDA… RURAL FINCAS Y SIM…
## 5 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Miér… 03:00 VERED… RURAL FINCAS Y SIM…
## 6 ABIGEATO 05/03… CUNDINAMARCA BOGOTÁ D… Miér… 01:00 SAN B… URBA… CASAS DE HAB…
## 7 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Sába… 12:30 PUERT… URBA… POTREROS
## 8 ABIGEATO 05/04… CUNDINAMARCA BOGOTÁ D… Sába… 04:00 VERED… RURAL FINCAS Y SIM…
## 9 ABIGEATO 10/04… CUNDINAMARCA BOGOTÁ D… Juev… 08:00 PUENT… URBA… POTREROS
## 10 ABIGEATO <NA> CUNDINAMARCA BOGOTÁ D… Domi… 19:30 EL SA… URBA… POTREROS
## # ℹ 11 more variables: `ARMA EMPLEADA` <chr>, `MOVIL AGRESOR` <chr>,
## # `MOVIL VICTIMA` <chr>, EDAD <chr>, SEXO <chr>, `ESTADO CIVIL` <chr>,
## # `PAIS NACE` <chr>, `CLASE EMPLEADO` <chr>, PROFESION <chr>,
## # ESCOLARIDAD <chr>, `CODIGO DANE` <dbl># Obtener valores únicos de 'ARMA EMPLEADA'
unique(BOG$`ARMA EMPLEADA`)## [1] "SIN EMPLEO DE ARMAS" "ARMA BLANCA"
## [3] "NO REPORTADO" "ARMA DE FUEGO"
## [5] "ARMA BLANCA / CORTOPUNZANTE" "CONTUNDENTES"
## [7] "ESCOPOLAMINA" "-"
## [9] "PAPA EXPLOSIVA" "PUNZANTES"
## [11] "POLVORA(FUEGOS PIROTECNICOS)" "PERRO"
## [13] "ACIDO" "VEHICULO"
## [15] "ARTEFACTO EXPLOSIVO/CARGA DINAMITA" "MOTO"
## [17] "GASOLINA" "AGUA CALIENTE"
## [19] "GASES" "QUIMICOS"
## [21] "SUSTANCIAS TOXICAS" "VENENO"
## [23] "CARRO BOMBA" "ARMAS BLANCAS"
## [25] "CUCHILLA" "COMBUSTIBLE"
## [27] "CINTAS/CINTURON" "CORTOPUNZANTES"
## [29] "CORTANTES" "GRANADA DE MANO"
## [31] "CUERDA/SOGA/CADENA" "BICICLETA"
## [33] "JERINGA" "LLAVE MAESTRA"
## [35] "NO REPORTADA" "LLAMADA TELEFONICA"
## [37] "DIRECTA" "REDES SOCIALES"
## [39] "MIXTA" "CARTA EXTORSIVA"# Reclasificar el tipo de arma empleada
BOG <- BOG %>%
mutate(`ARMA EMPLEADA` = case_when(
`ARMA EMPLEADA` %in% c("SIN EMPLEO DE ARMAS", "NO USA ARMAS") ~ "SIN EMPLEO DE ARMAS",
`ARMA EMPLEADA` %in% c("ARMA DE FUEGO", "REVÓLVER", "PISTOLA") ~ "ARMA DE FUEGO",
`ARMA EMPLEADA` %in% c("ARMA BLANCA", "CUCHILLO", "NAVAJA") ~ "ARMA BLANCA",
TRUE ~ "OTRA" # Para cualquier otro caso
))
# Mostrar la tabla de frecuencias de la nueva clasificación
table(BOG$`ARMA EMPLEADA`)##
## ARMA BLANCA ARMA DE FUEGO OTRA SIN EMPLEO DE ARMAS
## 10571 11840 46732 35322###El uso de armas con respecto al total de delitos se entiende de la siguiente manera: ###La cantidad de delitos en los cuales no se emplearon armas fue de 35.322, mientras que aquella proporción con un uso de arma blanca cuenta con un total de 10.571 delitos. Con uso de arma de fuego se encuentran 11.840 delitos y el uso de otro tipo de armas es de 46.723. ###Los anteriores resultados pueden ser evidente muestra de el acceso remoto y fácil a armas de distintos tipos en el país y la falta de legislación que permita un mayor control y monopolio sobre las armas.
###Calcule la proporción de delitos cometidos en Bogotá, por cada tipo de arma empleada. Para eso, utilice la clasificación obtenida en el punto anterior.
# Filtrar para Bogotá
BOG <- delitos %>% filter(MUNICIPIO == 'BOGOTÁ D.C. (CT)')
# Reclasificar armas
BOG <- BOG %>%
mutate(`ARMA EMPLEADA` = case_when(
`ARMA EMPLEADA` %in% c("SIN EMPLEO DE ARMAS", "NO USA ARMAS") ~ "SIN EMPLEO DE ARMAS",
`ARMA EMPLEADA` %in% c("ARMA DE FUEGO", "REVÓLVER", "PISTOLA") ~ "ARMA DE FUEGO",
`ARMA EMPLEADA` %in% c("ARMA BLANCA", "CUCHILLO", "NAVAJA") ~ "ARMA BLANCA",
TRUE ~ "OTRA"
))
# Proporción de delitos por arma
proporcion_armas <- BOG %>%
group_by(`ARMA EMPLEADA`) %>%
summarise(cantidad = n()) %>%
mutate(proporcion = cantidad / sum(cantidad) * 100)
print(proporcion_armas)## # A tibble: 4 × 3
## `ARMA EMPLEADA` cantidad proporcion
## <chr> <int> <dbl>
## 1 ARMA BLANCA 10571 10.1
## 2 ARMA DE FUEGO 11840 11.3
## 3 OTRA 46732 44.7
## 4 SIN EMPLEO DE ARMAS 35322 33.8###Para ejemplificar un poco más los datos de la pregunta anterior, se muestra a continuación la proporción de delitos cometidos en la ciudad de Bogotá por cada tipo de arma empleada para cometerlo.El total de delitos cometidos con arma blanca fue de 10571 con una proporción del 10,119% sobre el total, mediante uso de arma de fuego hubo 11840 delitos ocupando el 11,333% de todos los delitos, el 44,734% hace referencia a 46732 delitos cometidos con algún otro tipo de arma y por último con el 33,812% del total de delitos cometidos en la ciudad de Bogotá, se encuentran aquellos cometidos sin ningún tipo de arma.
Tercer punto
##Realice una tabla cruzada que contemple las variables sexo y el tipo de delito. ¿Cuál es la proporción de víctimas por tipo para cada sexo?
# Filtrar para Bogotá
BOG <- delitos %>% filter(MUNICIPIO == 'BOGOTÁ D.C. (CT)')
# Crear tabla cruzada con la cantidad de delitos por sexo y temática
tabla_cruzada <- BOG %>%
group_by(TEMÁTICA) %>%
summarise(
Cantidad = n(),
hombres = sum(SEXO == "MASCULINO"),
mujeres = sum(SEXO == "FEMENINO")
) %>%
mutate(
porcentaje_hombres = round(100 * hombres / Cantidad, 2),
porcentaje_mujeres = round(100 * mujeres / Cantidad, 2)
)
# Imprimir la tabla cruzada
print(tabla_cruzada)## # A tibble: 12 × 6
## TEMÁTICA Cantidad hombres mujeres porcentaje_hombres porcentaje_mujeres
## <chr> <int> <int> <int> <dbl> <dbl>
## 1 ABIGEATO 30 27 3 90 10
## 2 AMENAZA 3084 1494 1586 48.4 51.4
## 3 CABEZA DE GAN… 59 40 18 67.8 30.5
## 4 DELITOS SEXUA… 4594 611 3972 13.3 86.5
## 5 EXTORCIÓN 608 387 186 63.6 30.6
## 6 HOMICIDIOS 2759 2454 300 89.0 10.9
## 7 HURTO A PERSO… 53410 35370 18038 66.2 33.8
## 8 HURTO A RESID… 12178 6351 5827 52.2 47.8
## 9 LESIONES PERS… 20123 11895 8228 59.1 40.9
## 10 PIRATERIA TER… 75 52 0 69.3 0
## 11 SECUESTRO 53 32 21 60.4 39.6
## 12 VIOLENCIA INT… 7492 1273 6217 17.0 83.0###Distribución por Delito: ###Violencia Intrafamiliar y Delitos Sexuales: Tienen un porcentaje significativamente mayor de mujeres víctimas (83.0% y 86.5%, respectivamente). Esto refleja la vulnerabilidad de las mujeres en delitos relacionados con la violencia de género. ###Extorsión y Amenazas: Hay una ligera mayoría de mujeres víctimas (51.4% en Amenazas y 63.6% en Extorsión), lo que sugiere que estos delitos afectan casi por igual a ambos sexos, aunque con mayor fuerza a las mujeres ###Homicidios: Los hombres son significativamente más afectados (89% hombres y 10.9% mujeres). ###La mayoría de los delitos, como Hurto a Personas, Homicidios, y Lesiones Personales, tienen una mayor proporción de hombres como víctimas. ### Hurto a Residencias: Muestran también una mayor proporción de hombres afectados.
Cuarto punto
##Realice diagramas de caja donde se evidencie la comparación de la distribución de las edades y el tipo de arma empleada en los delitos.
# Filtrar para Bogotá
BOG <- delitos %>%
filter(MUNICIPIO == 'BOGOTÁ D.C. (CT)')
# Reclasificación del tipo de arma empleada
BOG <- BOG %>%
mutate(ARMA_EMPLEADA = case_when(
`ARMA EMPLEADA` %in% c("SIN EMPLEO DE ARMAS", "NO USA ARMAS") ~ "SIN EMPLEO DE ARMAS",
`ARMA EMPLEADA` %in% c("ARMA DE FUEGO", "REVÓLVER", "PISTOLA") ~ "ARMA DE FUEGO",
`ARMA EMPLEADA` %in% c("ARMA BLANCA", "CUCHILLO", "NAVAJA") ~ "ARMA BLANCA",
TRUE ~ "OTRA"
))
# Convertir la columna EDAD a numérica si es necesario
BOG <- BOG %>%
mutate(EDAD = as.numeric(EDAD))
# Diagrama de cajas y bigotes
ggplot(BOG, aes(x = ARMA_EMPLEADA, y = EDAD, fill = ARMA_EMPLEADA)) +
geom_boxplot() +
labs(y = "Edad", x = "Tipo de Arma Empleada") +
ggtitle("Distribución de Edades por Tipo de Arma Empleada en Bogotá") +
theme_minimal()
###Arma Blanca: La mediana está alrededor de los 30 años, con un rango
cuatilico que abarca aproximadamente de los 20 a los 40 años. Esto
indica que la mayoría de las personas involucradas en delitos con arma
blanca tienen entre 20 y 40 años. ###Arma de Fuego: La mediana es
similar, también cerca de los 30 años, pero con un rano intercuartilico
mas amplio, extendiéndose de los 20 a los 45 años. Esto sugiere que los
delitos con armas de fuego pueden involucrar a personas un poco mayores
en comparación con los delitos con armas blancas. ###Otra: Aunque no se
especifica qué tipo de arma es “Otra”, la distribución es similar a la
de las armas de fuego, pero con un rango intercuartilico más pequeño.
###Sin Empleo de Armas: La mediana parece estar ligeramente más baja que
en los otros casos, cerca de los 25 años, y el rango intercuartilico se
extiende de aproximadamente 18 a 35 años. Esto indica que en delitos sin
armas, la población involucrada es generalmente más joven. ###Los
bigotes representan el rango de edad donde se encuentran la mayoría de
los datos, excluyendo los valores atípicos (outliers). Los bigotes más
largos en las categorías de “Arma de Fuego” y “Sin Empleo de Armas”
sugieren que hay una mayor variabilidad en las edades para estos tipos
de delitos. ###En cambio, “Arma Blanca” y “Otra” tienen bigotes más
cortos, lo que indica menos variabilidad en la edad.
###Hay una presencia significativa de outliers en todas las categorías, especialmente en edades más avanzadas (más de 60 años). Esto podría indicar que, aunque es menos común, personas de mayor edad también se ven involucradas en estos delitos. ###Arma de Fuego y Otra: Presentan distribuciones más amplias, lo que sugiere una mayor diversidad en la edad de las personas involucradas. ###Sin Empleo de Armas: Es notable que este grupo tiende a involucrar a personas más jóvenes. ### Conclusiones: ###La edad media y la distribución de edad de las víctimas/perpetradores varían según el tipo de arma empleada en el delito. ###Los delitos que no involucran armas tienden a involucrar a una población más joven, mientras que los delitos con armas de fuego o blancas tienen una mediana de edad alrededor de los 30 años. ###La presencia de outliers sugiere que, aunque no es común, personas de edades muy variadas están involucradas en estos delitos.