Cruzamento de Mandados: Impacto na Segurança
Filipe Falcão Pimentel
2025-02-19
Introdução
O cumprimento de mandados de prisão é um processo crucial para a manutenção da ordem pública e a garantia da justiça. Ele representa a concretização de uma decisão judicial, na qual um indivíduo é privado de sua liberdade em decorrência de um crime cometido.
No Brasil, o cumprimento de mandados de prisão é realizado por diversas forças de segurança, como a Polícia Federal, a Polícia Civil e a Polícia Militar. O processo envolve diversas etapas, desde a expedição do mandado pelo juiz até a captura do indivíduo e seu encaminhamento ao sistema prisional.
A efetividade do cumprimento de mandados de prisão é fundamental para a segurança da sociedade. Indivíduos que possuem mandados de prisão em aberto representam um risco para a comunidade, e sua captura é essencial para evitar a prática de novos crimes.
No entanto, o cumprimento de mandados de prisão também enfrenta diversos desafios, como a falta de informações precisas sobre o paradeiro dos foragidos, a resistência de algumas comunidades à ação policial e a complexidade do sistema prisional.
O objetivo da presente produção de conhecimento é realizar o cruzamento de dados de mandados de prisão dos estados do nordeste brasileiro, a fim de identificar possíveis atuações interestaduais e organizações criminosas. Cruzar dados de mandados de prisão emitidos por diferentes estados é de extrema importância para a segurança pública e o sistema de justiça brasileiro. Essa prática permite:
Identificar foragidos com mandados múltiplos: Uma pessoa pode ter mandados de prisão expedidos em diferentes estados, dificultando sua captura se as informações não forem compartilhadas. O cruzamento de dados permite identificar esses casos e priorizar a prisão de indivíduos com maior periculosidade.
Combater o crime organizado: Organizações criminosas frequentemente atuam em diferentes estados. O cruzamento de dados auxilia na identificação de membros dessas organizações, seus padrões de movimentação e suas atividades ilícitas, facilitando a ação das forças de segurança.
Aprimorar a inteligência policial: A análise de dados de diferentes estados fornece informações valiosas para a inteligência policial, permitindo a criação de mapas do crime, a identificação de rotas de fuga e a previsão de áreas de risco.
Garantir a efetividade do sistema de justiça: O cruzamento de dados evita a duplicidade de mandados, garante a atualização das informações sobre foragidos e auxilia na localização de testemunhas e vítimas que podem ter se mudado para outros estados.
O Banco Nacional de Monitoramento de Prisões (BNMP 2.0) do Conselho Nacional de Justiça (CNJ) é uma ferramenta fundamental para o cruzamento de dados de mandados de prisão em todo o país. O BNMP 2.0 permite que as forças de segurança e o sistema de justiça acessem informações atualizadas sobre mandados de prisão, facilitando a captura de foragidos e o combate ao crime.
Pacotes Requeridos
Os seguintes pacotes são utilizados no tratamento dos dados:
- readr: é um pacote do R projetado para simplificar e acelerar a leitura de arquivos de dados tabulares, como CSVs e arquivos delimitados;
- abjutils: biblioteca que fornece um conjunto de ferramentas abrangentes para o processamento e manipulação de dados textuais;
- plotly: biblioteca de visualização de dados interativa que permite criar gráficos e dashboards de alta qualidade.
- tidyr: utilizado para a organização e transformação de dados. Ele permite remodelar dados, facilitando a manipulação e a análise.
- igraph: utilizado para gerar gráficos de vínculo.
Origem dos dados
O Banco Nacional de Monitoramento de Prisões (BNMP 2.0) é um sistema eletrônico abrangente que armazena e gerencia uma vasta gama de dados relacionados a prisões no Brasil. Ele foi desenvolvido pelo Conselho Nacional de Justiça (CNJ) com o objetivo de centralizar e uniformizar as informações sobre mandados de prisão, alvarás de soltura e outras ordens judiciais relacionadas à privação de liberdade.
Os dados utilizados nesta presente produção podem ser encontrados através do link selecionando-se os estados de interesse e foram coletados em 18/02/2025.
A estrutura original dos dados inclui as seguintes variáveis:
Número: Identificador único da ordem de prisão.
Nome: Nome completo da pessoa procurada.
Alcunha: Apelidos ou outros nomes pelos quais a pessoa é conhecida.
Nome da Mãe: Nome completo da mãe da pessoa procurada.
Nome do Pai: Nome completo do pai da pessoa procurada.
Data de Nascimento: Data de nascimento da pessoa procurada.
Data: Data de emissão da ordem de prisão.
Órgão Expedidor: Identificação do órgão judicial que emitiu a ordem.
Peça: Tipo da peça judicial (mandado de prisão, etc.).
Carga dos dados
Exibir código
alagoas <- as.data.frame(read_csv("relatorio alagoas.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
alagoas$Estado <- "Alagoas"
alagoas$Estado <- as.factor(alagoas$Estado)
bahia <- as.data.frame(read_csv("relatorio bahia.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
bahia$Estado <- "Bahia"
bahia$Estado <- as.factor(bahia$Estado)
ceara <- as.data.frame(read_csv("relatorio ceara.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
ceara$Estado <- "Ceara"
ceara$Estado <- as.factor(ceara$Estado)
maranhao <- as.data.frame(read_csv("relatorio maranhao.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
maranhao$Estado <- "Maranhao"
maranhao$Estado <- as.factor(maranhao$Estado)
paraiba <- as.data.frame(read_csv("relatorio paraiba.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
paraiba$Estado <- "Paraiba"
paraiba$Estado <- as.factor(paraiba$Estado)
pernambuco <- as.data.frame(read_csv("relatorio pernambuco.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
pernambuco$Estado <- "Pernambuco"
pernambuco$Estado <- as.factor(pernambuco$Estado)
piaui <- as.data.frame(read_csv("relatorio piaui.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
piaui$Estado <- "Piaui"
piaui$Estado <- as.factor(piaui$Estado)
rio_grande_do_norte <- as.data.frame(read_csv("relatorio rio grande do norte.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
rio_grande_do_norte$Estado <- "Rio G. do Norte"
rio_grande_do_norte$Estado <- as.factor(rio_grande_do_norte$Estado)
sergipe <- as.data.frame(read_csv("relatorio sergipe.csv",locale = locale(encoding = "UTF-8"),
col_types = cols(
`Data de Nascimento` = col_date(format = "%d/%m/%Y"),
Data = col_date(format = "%d/%m/%Y")
)))
sergipe$Estado <- "Sergipe"
sergipe$Estado <- as.factor(sergipe$Estado)
#REESTRUTURAÇÃO#
#Unificação dos dados#
nordeste <- rbind(alagoas, bahia, ceara, maranhao, paraiba, pernambuco, piaui, rio_grande_do_norte, sergipe)
rm(alagoas, bahia, ceara, maranhao, paraiba, pernambuco, piaui, rio_grande_do_norte, sergipe)
#Eliminação da coluna 'situação'
nordeste$Situação <- NULLPara garantir a correta importação dos dados, os arquivos .csv foram padronizados com a nomenclatura “relatorio nome_do_estado”. O processo de carregamento e preparação dos dados para análise compreende as seguintes etapas:
- Carregamento dos Dados: 1.1. Importação dos arquivos .csv, individualmente, para cada estado; 1.2. Criação de uma nova coluna, “Estado”, em cada dataframe, identificando a origem dos Mandados de Prisão.
- Preparação e Visão Geral 2.1. Unificação de todos os dataframes em um único conjunto de dados, “nordeste”, para facilitar a análise comparativa; 2.2. Remoção da coluna “situação”, considerada desnecessária para os objetivos da análise.
Este fluxo de trabalho visa organizar e consolidar os dados de forma eficiente, permitindo análises abrangentes e comparativas dos Mandados de Prisão nos estados do Nordeste.
O código desta seção exibe uma rápida exploração dos conjuntos de dados relacionados aos mandados de prisão estados do Nordeste do Brasil. Primeiramente é exibida a estrutura do dataframe ‘nordeste’ para entender as variáveis presentes.
Este dataframe detalha informações cruciais sobre mandados de prisão na região Nordeste, abrangendo 57.680 registros e 10 variáveis distintas. Os campos são categorizados em diferentes tipos de dados, refletindo a natureza das informações que armazenam. Campos como “Número”, “Nome”, “Alcunha”, “Nome da Mãe”, “Nome do Pai”, “Órgão Expedidor” e “Peça” são do tipo caractere (chr), indicando que armazenam texto. Estes campos são essenciais para identificar indivíduos e processos, além de fornecer detalhes sobre a origem dos mandados. Os campos “Data de Nascimento” e “Data” são do tipo data (Date), formatados como “AAAA-MM-DD”, permitindo análises temporais e demográficas. Por fim, o campo “Estado” é um fator (Factor) com 9 níveis, representando os estados do Nordeste, o que facilita a análise geográfica da distribuição dos mandados. Em conjunto, esses campos fornecem um panorama completo dos mandados de prisão, desde a identificação dos envolvidos até a localização e o momento da emissão, possibilitando diversas análises estatísticas e estudos sobre o sistema prisional na região.
Em seguida, são exibidas as cinco primeiras linhas do dataframe para que o usuário possa visualizar o conteúdo e a estrutura dos dados. O objetivo é fornecer uma visão geral inicial dos dados, permitindo identificar variáveis e ter uma ideia dos valores registrados em cada estado.
str(nordeste)## 'data.frame': 57680 obs. of 10 variables:
## $ Número : chr "0005060-90.2018.8.02.0001.01.0003-04" "0002303-62.2007.8.02.0049.01.0001-03" "0003280-85.2011.8.02.0058.01.0001-01" "0002577-15.2003.8.02.0001.01.0001-00" ...
## $ Nome : chr "MIRIAM SUELY DA SILVA LOPES" "WELLINTON FERREIRA DE LIMA" "Luiz Silva Duarte" "Mauro Jorge Ferreira da Silva" ...
## $ Alcunha : chr "Não informado" "GORDINHO" "Não Informado" "Não Informado" ...
## $ Nome da Mãe : chr "Maria Vilma Nogueira da Silva" "GENECE ROSA FERREIRA DE LIMA" "Não Informado" "Marizete Ferreira dsa Silva" ...
## $ Nome do Pai : chr "JOSE CICERO LOPES DA SILVA" "SEVERINO FERREIRA DE LIMA" "Não Informado" "Antônio Ferreira da Silva" ...
## $ Data de Nascimento: Date, format: "1983-05-19" "1984-08-15" ...
## $ Data : Date, format: "2018-05-24" "2018-07-31" ...
## $ Órgão Expedidor : chr "17ª VARA CRIMINAL DA CAPITAL" "4ª VARA CRIMINAL DE PENEDO" "JUIZADO ESPECIAL CRIMINAL E DA VIOLÊNCIA DOMÉSTICA E FAMILIAR CONTRA A MULHER DE ARAPIRACA" "9ª VARA CRIMINAL DA CAPITAL / TRIBUNAL DO JÚRI" ...
## $ Peça : chr "Mandado de Prisão" "Mandado de Prisão" "Mandado de Prisão" "Mandado de Prisão" ...
## $ Estado : Factor w/ 9 levels "Alagoas","Bahia",..: 1 1 1 1 1 1 1 1 1 1 ...knitr::kable(head(nordeste,5), caption = "Visão Geral")| Número | Nome | Alcunha | Nome da Mãe | Nome do Pai | Data de Nascimento | Data | Órgão Expedidor | Peça | Estado |
|---|---|---|---|---|---|---|---|---|---|
| 0005060-90.2018.8.02.0001.01.0003-04 | MIRIAM SUELY DA SILVA LOPES | Não informado | Maria Vilma Nogueira da Silva | JOSE CICERO LOPES DA SILVA | 1983-05-19 | 2018-05-24 | 17ª VARA CRIMINAL DA CAPITAL | Mandado de Prisão | Alagoas |
| 0002303-62.2007.8.02.0049.01.0001-03 | WELLINTON FERREIRA DE LIMA | GORDINHO | GENECE ROSA FERREIRA DE LIMA | SEVERINO FERREIRA DE LIMA | 1984-08-15 | 2018-07-31 | 4ª VARA CRIMINAL DE PENEDO | Mandado de Prisão | Alagoas |
| 0003280-85.2011.8.02.0058.01.0001-01 | Luiz Silva Duarte | Não Informado | Não Informado | Não Informado | NA | 2018-08-01 | JUIZADO ESPECIAL CRIMINAL E DA VIOLÊNCIA DOMÉSTICA E FAMILIAR CONTRA A MULHER DE ARAPIRACA | Mandado de Prisão | Alagoas |
| 0002577-15.2003.8.02.0001.01.0001-00 | Mauro Jorge Ferreira da Silva | Não Informado | Marizete Ferreira dsa Silva | Antônio Ferreira da Silva | 1969-10-25 | 2017-11-09 | 9ª VARA CRIMINAL DA CAPITAL / TRIBUNAL DO JÚRI | Mandado de Prisão | Alagoas |
| 0700076-96.2014.8.02.0054.01.0001-25 | João Amaro dos Santos Filho | Não Informado | Silvania da Conceição Silva | João Amaro dos Santos | 1994-11-23 | 2016-12-16 | VARA DO ÚNICO OFÍCIO DE SÃO LUIZ DO QUITUNDE | Mandado de Prisão | Alagoas |
Reestrutuação e Higienização dos dados
Para garantir a qualidade e a consistência dos dados, esta etapa foca na padronização, crucial para análises precisas. O processo de higienização dos dados envolve os seguintes passos:
- Tratamento dos Campos de Texto (“Nome”, “Nome da Mãe” e “Nome do Pai”):
1.1. Padronização de Caixa Alta: Todos os caracteres textuais serão convertidos para maiúsculo, garantindo uniformidade.
1.2. Remoção de Espaços Excedentes: Espaços em branco desnecessários no início, no final das palavras serão eliminados.
1.3. Substituição de Caracteres Especiais: Caracteres especiais, como acentos e símbolos, serão padronizados ou substituídos, conforme necessário.
1.4. Tratamento de Dados Ausentes: Os campos com dados faltantes serão padronizados, seja por meio de imputação de valores ou outras técnicas adequadas.
Ao final é exibido o resultado final da higienização dos dados para as dez primeiras linhas.
Exibir código
##HIGIENIZAÇÃO##
#Caracteres maiúsculos#
nordeste$Nome <- toupper(nordeste$Nome)
nordeste$`Nome da Mãe` <- toupper(nordeste$`Nome da Mãe`)
nordeste$`Nome do Pai` <- toupper(nordeste$`Nome do Pai`)
nordeste$`Alcunha` <- toupper(nordeste$`Alcunha`)
#Remoção de caracteres especiais#
nordeste$Nome <- abjutils::rm_accent(nordeste$Nome)
nordeste$`Nome da Mãe` <- abjutils::rm_accent(nordeste$`Nome da Mãe`)
nordeste$`Nome do Pai` <- abjutils::rm_accent(nordeste$`Nome do Pai`)
nordeste$Alcunha <- abjutils::rm_accent(nordeste$Alcunha)
#Remoção de espaçoes em branco no início e fim#
nordeste$Nome <- trimws(nordeste$Nome)
nordeste$`Nome da Mãe` <- trimws(nordeste$`Nome da Mãe`)
nordeste$`Nome do Pai` <- abjutils::rm_accent(nordeste$`Nome do Pai`)
nordeste$Alcunha <- abjutils::rm_accent(nordeste$Alcunha)
#Padronização de campos com dados ausentes#
nordeste$`Nome do Pai` <- gsub(pattern = "NAO (INFORMAD(A|O)|IDENTIFICAD(O|A))|NAO CONSTA|NADA CONSTA|NAO DECLARAD(O|A)|IGNORAD(O|A)|SEM (MAE|PAI)|DESCONHECID(O|A)|SEM (INFO|INFORMACAO)|NAO DECLARAD(A|O)|NAO INFORMAD(O|A) (NOS AUTOS|NO PROCESSO)|NAO INFORMADO HA INFORMACAO NOS AUTOS|NAO INFORMADO INFORMADA|MAE DESCONHECIDA|PAI (DESCONHECIDO|NAO ((DECLARADO|INFORMADO)|IGNORADO))", replacement = NA, x = nordeste$`Nome do Pai`)
nordeste$`Nome da Mãe` <- gsub(pattern = "NAO (INFORMAD(A|O)|IDENTIFICAD(O|A)|HA INFORMACAO)|NAO CONSTA|NADA CONSTA|NAO DECLARAD(O|A)|IGNORAD(O|A)|SEM (MAE|PAI)|DESCONHECID(O|A)|SEM (INFO|INFORMACAO)|NAO DECLARAD(A|O)|NAO INFORMAD(O|A) (NOS AUTOS|NO PROCESSO)|NAO INFORMADO HA INFORMACAO NOS AUTOS|NAO INFORMADO INFORMADA|MAE DESCONHECIDA|PAI (DESCONHECIDO|NAO ((DECLARADO|INFORMADO)|IGNORADO))", replacement = NA, x = nordeste$`Nome da Mãe`)
nordeste$`Nome do Pai`[nordeste$`Nome do Pai`=="ND"] <- NA
nordeste$`Nome da Mãe`[nordeste$`Nome da Mãe`=="ND"] <- NAknitr::kable(head(nordeste,5), caption = "Visão Geral dos dados higienizados")| Número | Nome | Alcunha | Nome da Mãe | Nome do Pai | Data de Nascimento | Data | Órgão Expedidor | Peça | Estado |
|---|---|---|---|---|---|---|---|---|---|
| 0005060-90.2018.8.02.0001.01.0003-04 | MIRIAM SUELY DA SILVA LOPES | NAO INFORMADO | MARIA VILMA NOGUEIRA DA SILVA | JOSE CICERO LOPES DA SILVA | 1983-05-19 | 2018-05-24 | 17ª VARA CRIMINAL DA CAPITAL | Mandado de Prisão | Alagoas |
| 0002303-62.2007.8.02.0049.01.0001-03 | WELLINTON FERREIRA DE LIMA | GORDINHO | GENECE ROSA FERREIRA DE LIMA | SEVERINO FERREIRA DE LIMA | 1984-08-15 | 2018-07-31 | 4ª VARA CRIMINAL DE PENEDO | Mandado de Prisão | Alagoas |
| 0003280-85.2011.8.02.0058.01.0001-01 | LUIZ SILVA DUARTE | NAO INFORMADO | NA | NA | NA | 2018-08-01 | JUIZADO ESPECIAL CRIMINAL E DA VIOLÊNCIA DOMÉSTICA E FAMILIAR CONTRA A MULHER DE ARAPIRACA | Mandado de Prisão | Alagoas |
| 0002577-15.2003.8.02.0001.01.0001-00 | MAURO JORGE FERREIRA DA SILVA | NAO INFORMADO | MARIZETE FERREIRA DSA SILVA | ANTONIO FERREIRA DA SILVA | 1969-10-25 | 2017-11-09 | 9ª VARA CRIMINAL DA CAPITAL / TRIBUNAL DO JÚRI | Mandado de Prisão | Alagoas |
| 0700076-96.2014.8.02.0054.01.0001-25 | JOAO AMARO DOS SANTOS FILHO | NAO INFORMADO | SILVANIA DA CONCEICAO SILVA | JOAO AMARO DOS SANTOS | 1994-11-23 | 2016-12-16 | VARA DO ÚNICO OFÍCIO DE SÃO LUIZ DO QUITUNDE | Mandado de Prisão | Alagoas |
Análise exploratória dos dados
O gráfico de barras abaixo oferece uma representação visual clara e concisa da distribuição dos mandados de prisão pendentes por estado no Nordeste, facilitando a análise e a identificação de padrões e tendências.
Exibir código
contagem_estados_nordeste <- nordeste %>%
count(Estado)
grafico_estados_nordeste <- plot_ly(data = contagem_estados_nordeste,
x = ~Estado,
y = ~n,
type = 'bar') %>%
layout(title = "Registros de Mandados de Prisão por Estado no Nordeste",
xaxis = list(title = "Estados"),
yaxis = list(title = "Mandados Pendentes"))grafico_estados_nordesteReincidência por estado
Para a individualização das pessoas com mandados de prisão, é gerada uma chave de identificação única, combinando os campos “Nome”, “Nome da Mãe” e “Data de Nascimento”, o que possibilita identificar indivíduos presentes em múltiplos estados.
O código analisa o conjunto de dados para determinar a quantidade de pessoas reincidentes existentes em cada estado do Nordeste, baseado na quantidade de vezes que o nome completo(composto pela concatenação dos campos “Nome”, “Nome da Mãe” e “Data de Nascimento”) aparece no conjunto de dados.
vale ressaltar que a definição de “reincidência” neste código é baseada na frequência com que um nome completo aparece nos dados. Isso pode não corresponder à definição legal de reincidência, que geralmente envolve condenações criminais anteriores.
Os resultados ainda dependem da qualidade e integridade dos registros dos dados originais. Erros ou inconsistências nos nomes podem afetar os resultados.
Exibir código
# Carga de dataframe chamado 'dados' a partir de 'nordeste'
dados <- nordeste
# Criar a chave de identificação da pessoa
dados$pessoa_id <- paste(dados$Nome, dados$`Nome da Mãe`, dados$`Data de Nascimento`, sep = "-")
# Contar reincidências por pessoa e estado
reincidencias <- dados %>%
count(dados$pessoa_id, Estado, name = "Reincidencias") %>%
filter(Reincidencias > 1)
# Exibir reincidências por estado
reincidencias_por_estado <- reincidencias %>%
count(Estado, name = "Pessoas_Reincidentes") %>%
arrange(desc(Pessoas_Reincidentes)) # Ordena do maior para o menor# Exibir o resultado
knitr::kable(reincidencias_por_estado, caption = "Reincidências por estado", align = 'c', col.names = c("Estado", "Pessoas Reincidentes"))| Estado | Pessoas Reincidentes |
|---|---|
| Pernambuco | 646 |
| Paraiba | 475 |
| Bahia | 381 |
| Rio G. do Norte | 375 |
| Alagoas | 266 |
| Piaui | 259 |
| Sergipe | 238 |
| Ceara | 74 |
| Maranhao | 70 |
# Gráfico de barras interativo com Plotly
plot_ly(reincidencias_por_estado, x = ~Estado, y = ~Pessoas_Reincidentes, type = "bar") %>%
layout(title = "Reincidência por Estado",
xaxis = list(title = "Estado"),
yaxis = list(title = "Número de Pessoas Reincidentes"))Interseções interestaduais
O código apresentado extrai a lista de estados únicos presentes nos dados e cria uma matriz denominada “intersecoes”, que armazenará o número de pessoas com mandados em comum entre cada par de estados.
Utilizando loops, o código calcula as interseções, comparando cada par de estados e contando o número de indivíduos com a mesma chave de identificação em ambos. Os resultados são armazenados na matriz “intersecoes”, que é então impressa, revelando o número de sobreposições entre os estados.
Para uma visualização gráfica, um heatmap é gerado, onde a intensidade da cor representa o número de sobreposições. Além disso um gráfico de rede mostra os estados como nós e as sobreposições como arestas. A espessura das arestas indica a força da conexão entre os estados.
A partir das análises dos resultados apresentados é possível verificar a sobreposição de indivíduos com mandados de prisão entre os estados do Nordeste, bem como a quantificações dessas sobreposições através de dados e visualização gráfica, permitindo identificar quais estados compartilham um maior número de indivíduos com mandados em comum.
Exibir código
# Criar uma lista de estados únicos
estados <- unique(dados$Estado)
# Criar uma matriz para armazenar as interseções
intersecoes <- matrix(0, nrow = length(estados), ncol = length(estados),
dimnames = list(estados, estados))
# Calcular as interseções
for (i in 1:length(estados)) {
for (j in 1:length(estados)) {
if (i != j) { # Condição para excluir interseções do mesmo estado
pessoas_estado_i <- dados$pessoa_id[dados$Estado == estados[i]]
pessoas_estado_j <- dados$pessoa_id[dados$Estado == estados[j]]
intersecoes[i, j] <- length(intersect(pessoas_estado_i, pessoas_estado_j))
}
}
}# Matriz de interseções
knitr::kable(intersecoes, caption = "Interseções entre estados", align = 'c')| Alagoas | Bahia | Ceara | Maranhao | Paraiba | Pernambuco | Piaui | Rio G. do Norte | Sergipe | |
|---|---|---|---|---|---|---|---|---|---|
| Alagoas | 0 | 4 | 1 | 0 | 5 | 26 | 1 | 0 | 16 |
| Bahia | 4 | 0 | 0 | 2 | 8 | 8 | 0 | 3 | 21 |
| Ceara | 1 | 0 | 0 | 1 | 2 | 3 | 4 | 7 | 0 |
| Maranhao | 0 | 2 | 1 | 0 | 2 | 1 | 12 | 1 | 2 |
| Paraiba | 5 | 8 | 2 | 2 | 0 | 42 | 2 | 37 | 9 |
| Pernambuco | 26 | 8 | 3 | 1 | 42 | 0 | 2 | 10 | 6 |
| Piaui | 1 | 0 | 4 | 12 | 2 | 2 | 0 | 0 | 1 |
| Rio G. do Norte | 0 | 3 | 7 | 1 | 37 | 10 | 0 | 0 | 4 |
| Sergipe | 16 | 21 | 0 | 2 | 9 | 6 | 1 | 4 | 0 |
# Visualização em heatmap
heatmap(intersecoes, main = "Interseções de Pessoas entre Estados", Rowv = NA, Colv = NA, scale="none", )
# Visualização em rede
if (require(igraph)) {
grafo <- graph.adjacency(intersecoes, mode = "undirected", weighted = TRUE, diag = FALSE, )
plot(grafo, vertex.label.cex = 0.8, edge.width = E(grafo)$weight / max(E(grafo)$weight) * 5)
}
Conclusões
Ao analisar a distribuição dos dados de mandados de prisão pendentes por estado no Nordeste, podemos fazer algumas afirmações importantes:
O gráfico revela uma variação considerável na quantidade de mandados pendentes entre os estados. Isso indica que o problema não é homogêneo na região, com alguns estados enfrentando uma situação mais crítica do que outros.
É possível que existam fatores socioeconômicos, demográficos ou de gestão do sistema judiciário que influenciam essa variação. Uma análise mais aprofundada desses fatores poderia revelar padrões e correlações importantes. Ao analisar dados estatísticos do Conselho Nacional de justiça, é possivel notar que estados como Pernambuco e Ceará possuem um número mais elevado de mandados de prisão em aberto, se comparados aos demais estados do nordeste.
A distribuição desigual dos mandados pendentes pode ter implicações para a segurança pública, a eficiência do sistema judiciário e a percepção de justiça na região. Estados com um grande número de mandados pendentes podem enfrentar desafios adicionais na gestão do sistema prisional e na aplicação da lei.
Outro fator de destaque é a sobreposição de mandados de prisão entre os estados, por exemplo, é possível verificarque o estado da Paraíba apesar de não figurar como o maior em volume de mandados de prisão encontra-se como o estado com o maior volume de pessoas com interseções com outros estados.
Observa-se a necessidade de uma análise complementar para entender completamente a distribuição dos dados. Análises adicionais que poderiam trazer novas conclusões: comparar os dados com outros indicadores socioeconômicos e demográficos; analisar a evolução dos dados ao longo do tempo; investigar as causas da variação entre os estados.
A distribuição dos dados revela uma variação significativa na quantidade de mandados de prisão pendentes entre os estados do Nordeste, o que pode ter implicações importantes para a segurança pública e a justiça na região. Uma análise mais aprofundada dos dados é necessária para entender completamente as causas e as consequências dessa variação.