Taller No. 1 - Aprendizaje Estadístico
Cindy Rozo - Paula Chaves
19 enero, 2025
Informes estadísticos
Los siguientes informes abordan dos problemáticas de alcance nacional: la incidencia delictiva en el país y las dinámicas de las cadenas productivas en zonas rurales de Colombia. A través de un análisis estadístico exploratorio, se busca identificar correlaciones, tendencias y distribuciones en los datos, proporcionando una visión más clara y fundamentada de estos fenómenos.
En el primer apartado, se estudia la distribución de los delitos reportados en Colombia, evaluando su frecuencia y las relaciones entre distintos tipos de crímenes. Se presta especial atención a la valoración entre homicidios y robos, así como a la caracterización de los delitos en diferentes municipios y regiones del país. Además, se incluyen análisis específicos para Bogotá, considerando el tipo de armas empleadas y la distribución.
El segundo apartado se enfoca en las cadenas productivas rurales y la presencia de cultivos ilícitos. Se analizan las tendencias en la producción de cultivos lícitos entre 2007 y 2015 y se calcula la proporción de cultivos ilícitos en los municipios en el año 2015.
Informe 1 - Delitos en Colombia
Introducción
La seguridad ciudadana en Colombia es una preocupación constante, especialmente debido al alto número de robos que se registran diariamente en distintas regiones del país. Los celulares, motocicletas y bicicletas han sido los principales objetivos de los delincuentes, mientras que el hurto de automóviles y billeteras ha mostrado una tendencia a la baja. Sin embargo, la magnitud real de este problema sigue siendo incierta, ya que muchos de estos delitos no son reportados a las autoridades competentes.
Por otro lado, los homicidios sí cuentan con un registro más sistemático y confiable a nivel municipal, lo que permite realizar un análisis más preciso de su comportamiento. Dada la posible relación entre la incidencia de robos y homicidios, es fundamental examinar si existe una correlación significativa entre estas dos variables.
En el presente informe, se llevará a cabo un análisis exploratorio y estadístico de estos delitos con el objetivo de identificar patrones y tendencias que puedan servir como insumo para el diseño de estrategias de seguridad más efectivas. A través del uso de herramientas cuantitativas, se busca proporcionar información que contribuya a la toma de decisiones basadas en evidencia, permitiendo a las autoridades y a los responsables de la formulación de políticas públicas mejorar la gestión de la seguridad en el país.
Punto A
name_delito <- unique(delitos$TEMÁTICA)
data1 <- delitos %>%
filter(SEXO == "FEMENINO") %>%
group_by(TEMÁTICA) %>%
summarise(Total_Mujeres = n()) %>%
mutate(Proporcion = Total_Mujeres / sum(Total_Mujeres))
data_sum1 <- delitos %>%
filter(ZONA == "RURAL") %>%
group_by(TEMÁTICA) %>%
summarise(Total_Mujeres = n()) %>%
mutate(Proporcion = Total_Mujeres / sum(Total_Mujeres))
delitos2 <- delitos %>%
group_by(MUNICIPIO) %>%
summarise(
total_delitos = n(),
porcentaje_mujeres = round(sum(SEXO == "FEMENINO") / n() * 100, 2),
porcentaje_rural = round(sum(ZONA == "RURAL") / n() * 100, 2),
porcentaje_hombres = round(sum(SEXO == "MASCULINO") / n() * 100, 2),
delitos_hombres = sum(SEXO == "MASCULINO"),
delitos_mujeres = sum(SEXO == "FEMENINO"),
ratio = round(delitos_hombres / delitos_mujeres, 2),
.groups = "drop"
) %>%
left_join(
delitos %>%
group_by(MUNICIPIO, TEMÁTICA) %>%
summarise(count = n(), .groups = "drop") %>%
pivot_wider(names_from = TEMÁTICA, values_from = count, values_fill = 0),
by = "MUNICIPIO"
)
delitos3 <- delitos2 %>%
select(
MUNICIPIO,
porcentaje_mujeres,
porcentaje_rural,
porcentaje_hombres,
delitos_hombres,
delitos_mujeres,
ratio
) %>%
rename(
"Municipio" = MUNICIPIO,
"Porcentaje Mujeres" = porcentaje_mujeres,
"Porcentaje Zona Rural" = porcentaje_rural,
"Porcentaje Hombres" = porcentaje_hombres,
"Delitos Hombres" = delitos_hombres,
"Delitos Mujeres" = delitos_mujeres,
"Ratio" = ratio
)A continuación, se presenta una base de datos a nivel municipal que incluye información detallada sobre la cantidad de delitos registrados. Esta base de datos incorpora el porcentaje de mujeres víctimas, así como el porcentaje de delitos ocurridos en zonas rurales.
Además, se muestran indicadores como el porcentaje de hombres involucrados, el total de delitos cometidos por hombres y mujeres, así como el Ratio de Hombres/Mujeres. Esta información servirá como insumo para los análisis posteriores.
Punto B
Ahora bien, se plantea el interrogante sobre la posible existencia de una correlación significativa entre la cantidad de homicidios y el número de robos registrados, con el objetivo de determinar si ambos delitos presentan un patrón de ocurrencia asociado.
Para efectos del siguiente análisis, se incluyo en la variable “Robos” como la suma de las variables “Hurto a personas” y “Hurto a residencias”.
delitos2$ROBOS=delitos2$`HURTO A PERSONAS`+delitos2$`HURTO A RESIDENCIAS`
ggplot(delitos2, aes(x = `ROBOS`, y = `HOMICIDIOS`)) +
geom_point(color = "#8B0A50", size = 3, alpha = 0.7) +
geom_smooth(method = "lm", se = FALSE, color = "#2F4F4F") +
labs(
title = "Relación entre homicidios y robos",
x = "Robos",
y = "Homicidios"
) +
theme_minimal() -> correlacion
ggplotly(correlacion)#Correlación
cor(delitos2$ROBOS,delitos2$HOMICIDIOS)## [1] 0.8387496El análisis de la relación entre homicidios y robos a nivel municipal revela una correlación positiva de 0.84, lo que indica que a medida que aumenta la cantidad de robos en un municipio, también tiende a incrementarse el número de homicidios.
Punto C
Para analizar los municipios de Colombia que contienen más delitos, se realizo el siguiente diagrama de barras:
top10_delitos <- delitos %>%
group_by(MUNICIPIO) %>%
summarise(total_delitos = n()) %>%
arrange(desc(total_delitos)) %>%
slice_head(n = 10)
grafico <- ggplot(top10_delitos, aes(x = reorder(MUNICIPIO, total_delitos), y = total_delitos)) +
geom_bar(stat = "identity", fill = "#8B3A62") +
geom_text(aes(label = sprintf("%.0f", total_delitos)),
hjust = 1, size = 3) +
coord_flip() +
labs(title = "Top 10 - Municipios con más delitos por temática", x = "Municipio",y = "Total de Delitos") +
theme_minimal()
grafico
Se puede resaltar que:
Bogotá concentra la mayor cantidad de delitos (104,465 casos), superando ampliamente a otras ciudades.
Cali, Barranquilla y Medellín también presentan alta incidencia delictiva, aunque con cifras considerablemente menores.
Las capitales regionales (Villavicencio, Bucaramanga, Ibagué, Neiva, Pereira y Pasto) también registran una presencia significativa de delitos.
Distribución desigual del crimen, con una mayor concentración en grandes ciudades, lo que resalta la necesidad de estrategias de seguridad focalizadas.
delitos_filtrados <- delitos %>%
filter(MUNICIPIO %in% top10_delitos$MUNICIPIO)
delitos_tematica <-
delitos_filtrados %>%
mutate(total_delitos = 1) %>%
group_by(MUNICIPIO, TEMÁTICA) %>%
summarise(total_delitos = sum(total_delitos, na.rm = TRUE), .groups = "drop") %>%
mutate(MUNICIPIO = fct_reorder(MUNICIPIO, total_delitos, .fun = sum, .desc = TRUE))
# Gráfico apilado
ggplot(delitos_tematica, aes(y = MUNICIPIO, x = total_delitos, fill = TEMÁTICA)) +
geom_bar(stat = "identity", position = "stack") +
labs(
title = "Top 10 - Delitos por Municipio y Temática",
x = "Cantidad de Delitos",
y = "Municipio",
fill = "Temática"
) +
scale_fill_viridis_d(option = "magma") +
theme_minimal() +
theme(axis.text.y = element_text(size = 10)) 
Se puede concluir que:
Bogotá D.C. concentra la mayor cantidad de delitos, seguida de Cali, Barranquilla y Medellín.
Los delitos más frecuentes incluyen hurto a personas, lesiones personales, violencia intrafamiliar y delitos sexuales.
Cada municipio presenta una distribución delictiva diferente, lo que sugiere la necesidad de estrategias de seguridad adaptadas a cada región.
El crimen está altamente concentrado en las grandes ciudades, reforzando la importancia de políticas focalizadas en estos territorios.
Punto D
Se elabora un histograma que representa la razón (Ratio) entre homicidios de hombres frente a los homicidios de mujeres, proporcionando una visión sobre la distribución y magnitud de esta relación. Los resultados indican:
histograma_ratio <- plot_ly(
delitos2,
x = ~ratio,
type = "histogram",
nbinsx = 30,
marker = list(color = '#8B5F65')
) %>%
layout(
title = "Histograma del ratio de delitos contra hombres respecto a mujeres",
xaxis = list(title = "Ratio"),
yaxis = list(title = "Frecuencia"),
bargap = 0.1
)
histograma_ratioEn la mayoría de los municipios, los homicidios de hombres son entre 1 y 3 veces superiores a los de mujeres.
El valor más frecuente del ratio está cerca de 2, lo que indica que, en muchos lugares, por cada homicidio de una mujer hay aproximadamente dos de hombres.
Se observan algunos municipios con ratios mayores a 6, donde los homicidios masculinos superan ampliamente a los femeninos, aunque estos casos son menos comunes.
Punto E y F
Ahora, es necesario obtener una base de datos específica para Bogotá con el fin de cumplir el propósito establecido.
Para ello, primero se filtra la información correspondiente a Bogotá, creando una base de datos exclusiva para la ciudad de la siguiente manera:
delitos %>%
filter(MUNICIPIO == "BOGOTÁ D.C. (CT)") -> bogota
bogota <- bogota %>%
mutate(ARMA.EMPLEADA = case_when(
ARMA.EMPLEADA == "SIN EMPLEO DE ARMAS" ~ "SIN EMPLEO DE ARMAS",
ARMA.EMPLEADA == "ARMA DE FUEGO" ~ "ARMA DE FUEGO",
ARMA.EMPLEADA == "ARMA BLANCA" ~ "ARMA BLANCA",
TRUE ~ "OTRA"
))
datatable(bogota,
options = list(
pageLength = 10,
dom = 'Bfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print')
),
filter = 'top')