Parcial1
Camila Cubillos
2025-02-27
install.packages("tidyverse")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsinstall.packages("esquisse")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)library("esquisse")
install.packages("magrittr")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)library("magrittr") ##
## Attaching package: 'magrittr'
##
## The following object is masked from 'package:purrr':
##
## set_names
##
## The following object is masked from 'package:tidyr':
##
## extractinstall.packages("dplyr")## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.4'
## (as 'lib' is unspecified)library(dplyr)
library(readxl)
library(readr)
datos <- read_csv("data.csv")## Rows: 345717 Columns: 12
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (8): PAIS PRISIÓN, CONSULADO, DELITO, EXTRADITADO Y O REPATRIADO, SITUA...
## dbl (3): CANTIDAD, LATITUD, LONGITUD
## date (1): FECHA PUBLICACIÓN
##
## 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.Clasificación de Variables FECHA PUBLICACIÓN: Fecha en que se registran los datos de forma mensual para llevar el histórico de datos
Cuantitativa, ya que representa una cantidad de tiempo.
Intervalo, ya que las fechas tienen un orden y la diferencia entre ellas es significativa, pero no hay un punto cero absoluto. Sin embargo, después de la aclaracion en clase en esta base de datos en especifica se puede considerar como cualitativa de caracter ordinal.
PAIS PRISIÓN: País donde se ubica la prisión
Cualitativa, ya que describe una cualidad (el país).
Nominal, ya que los países no tienen un orden jerárquico.
CONSULADO: Consulado competente para asistir al detenido
Cualitativa, ya que describe una cualidad (el consulado).
Nominal, ya que los delitos no tienen un orden jerárquico
DELITO: Delito del registro carcelario
Cualitativa, ya que describe una cualidad (el delito)
Nominal, ya que los delitos no tienen un orden jerárquico
EXTRADITADO Y/O REPATRIADO: Indica si el detenido ha estado en proceso de extradición o de repatriación
Cualitativa, ya que describe una cualidad ()
Nominal, ya que los delitos no tienen un orden jerárquico
SITUACIÓN JURÍDICA: Situación jurídica actual del detenido.
Cualitativa, ya que describe una cualidad (la situación legal).
Nominal, ya que las situaciones legales no tienen un orden jerárquico.
GÉNERO: Indica el género del detenido.
Cualitativa, ya que describe una cualidad (la situación legal).
Nominal, ya que las situaciones legales no tienen un orden jerárquico.
GRUPO EDAD: Indica el grupo de edad del detenido.
Cualitativa, ya que describe una cualidad (el grupo de edad).
Ordinal, ya que los grupos de edad tienen un orden jerárquico.
CANTIDAD: Cantidad de detenidos activos.
Cuantitativa, ya que representa una cantidad.
Razón, ya que tiene un punto cero absoluto (cero detenidos significa que no hay detenidos).
Punto 6 # TABLAS DE FRECUENCIA PARA CADA VARIABLE CUALITATIVOS
T1 = table(datos$`FECHA PUBLICACIÓN`)
T1 = sort(x = T1, decreasing = T)
T1 = round(T1[1:5],2)
print(T1)##
## 2022-01-24 2023-01-04 2025-02-01 2025-01-01 2024-12-01
## 32406 11182 5895 5872 5850t1.r= round(prop.table(T1),3)
print(t1.r)##
## 2022-01-24 2023-01-04 2025-02-01 2025-01-01 2024-12-01
## 0.529 0.183 0.096 0.096 0.096Análisis:
Hay una disminución drástica de publicaciones desde 2022 hasta 2023 (de 32,406 a 11,182, una caída de aproximadamente 65%). Entre 2023 y 2024 sigue la tendencia de descenso, alcanzando 5,895 publicaciones. Para 2025, los valores son bastante estables, con un ligero aumento de 5,872 a 5,8850 publicaciones entre diciembre de 2024 y febrero de 2025.
colores <- c("blue", "red", "green", "orange", "purple")
barplot(T1, col = colores,
main = "Top 5 Fechas con más Publicaciones",
xlab = "Fecha de Publicación",
ylab = "Frecuencia",
las = 2, # Rota etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajusta tamaño de etiquetas
border = "black") # Agrega bordes a las barras
T3 = table(datos$DELITO)
# T3=prop.table(table(datos$DELITO))
T3 = sort(x = T3, decreasing = T)
T3 = round(T3[1:5],2)
print(T3)##
## NARCOTR�FICO ROBO / HURTO DESCONOCIDO
## 52253 42044 34859
## NARCOTRÁFICO HOMICIDIO / TENTATIVA DE
## 29439 26934t3.r= round(prop.table(T3),3)
print(t3.r)##
## NARCOTR�FICO ROBO / HURTO DESCONOCIDO
## 0.282 0.227 0.188
## NARCOTRÁFICO HOMICIDIO / TENTATIVA DE
## 0.159 0.145Análisis:
El narcotráfico es el delito más frecuente, representando casi la mitad del total de casos. Esto puede indicar una fuerte presencia del crimen organizado o un enfoque particular en la lucha contra el tráfico de drogas. El robo y hurto también es muy común (más de 50,000 casos), lo que sugiere problemas de seguridad pública y delitos contra la propiedad. La categoría “Desconocido” es sorprendentemente alta, lo que puede significar que hay muchos delitos no clasificados correctamente o casos en investigación. Los homicidios y tentativas suman más de 17,000 casos, lo cual es un número alto considerando la gravedad del delito. La categoría “Otros” incluye una cantidad considerable de delitos (25,000 casos), lo que podría incluir extorsión, secuestro, violencia de género, etc.
colores <- c("steelblue", "firebrick", "seagreen", "darkorange", "purple")
barplot(T3, col = colores,
main = "Top 5 Delitos Más Frecuentes",
xlab = "Tipo de Delito",
ylab = "Frecuencia",
las = 2, # Rotar etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajustar tamaño de etiquetas
border = "black") # Agregar bordes a las barras
T2 = table(datos$`PAIS PRISIÓN`)
T2 = sort(x = T2, decreasing = T)
T2 = round(T2[1:5],2)
print(T2)##
## DESCONOCIDO VENEZUELA ESTADOS UNIDOS ECUADOR ESPAÑA
## 190113 26465 24329 17979 13696t2.r= round(prop.table(T2),3)
print(t2.r) ##
## DESCONOCIDO VENEZUELA ESTADOS UNIDOS ECUADOR ESPAÑA
## 0.697 0.097 0.089 0.066 0.050Análisis:
La categoría “Desconocido” es abrumadoramente alta, con más de 185,000 registros, lo que sugiere que una gran parte de los datos no está clasificada correctamente o falta información clave. Venezuela, EE.UU. y España parecen ser los países con más registros documentados. Extradición aparece como una categoría propia, lo que indica que hay un número considerable de casos relacionados con la repatriación de personas buscadas por la justicia.
colores <- c("dodgerblue", "tomato", "forestgreen", "goldenrod", "darkorchid")
barplot(T2, col = colores,
main = "Top 5 Países con Más Personas en Prisión",
xlab = "País",
ylab = "Número de Personas",
las = 2, # Rotar etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajustar tamaño de etiquetas
border = "black") # Agregar bordes a las barras
T4 = table(datos$CONSULADO)
T4 = sort(x = T4, decreasing = T)
T4 = round(T4[1:5],2)
print(T4)##
## C. MADRID C. PANAMA C. SANTIAGO C. QUITO BTA. ASISTENCIA
## 21373 11446 10613 10611 10537t4.r= round(prop.table(T4),3)
print(t4.r)##
## C. MADRID C. PANAMA C. SANTIAGO C. QUITO BTA. ASISTENCIA
## 0.331 0.177 0.164 0.164 0.163Análisis:
Madrid lidera con casi el doble de casos que otras ciudades, lo que sugiere que es un punto clave para la actividad relacionada con estos registros. Panamá, México y Santiago tienen cifras similares, lo que indica que son destinos o centros relevantes en términos de volumen. Bogotá (BTA. Asistencia) aparece en la lista, lo que podría implicar que estos datos incluyen un componente de ayuda o asistencia a ciudadanos en el extranjero.
colores <- c("deepskyblue", "orangered", "darkgreen", "gold", "darkviolet")
barplot(T4, col = colores,
main = "Top 5 Consulados con Más Casos",
xlab = "Consulado",
ylab = "Número de Casos",
las = 2, # Rotar etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajustar tamaño de etiquetas
border = "black") # Agregar bordes a las barras
T5 = table(datos$`SITUACIÓN JURÍDICA`)
T5 = sort(x = T5, decreasing = T)
T5 = round(T5[1:5],2)
print(T5)##
## CONDENADO EN INVESTIGACI�N
## 145970 81315
## EN JUICIO EN INVESTIGACIÓN
## 49424 44378
## NO REPORTA - CONFIDENCIALIDAD ESTATAL
## 10923t5.r= round(prop.table(T5),3)
print(t5.r)##
## CONDENADO EN INVESTIGACI�N
## 0.440 0.245
## EN JUICIO EN INVESTIGACIÓN
## 0.149 0.134
## NO REPORTA - CONFIDENCIALIDAD ESTATAL
## 0.033colores <- c("cornflowerblue", "tomato", "forestgreen", "gold", "purple")
barplot(T5, col = colores,
main = "Top 5 Situaciones Jurídicas Más Frecuentes",
xlab = "Situación Jurídica",
ylab = "Frecuencia",
las = 2, # Rotar etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajustar tamaño de etiquetas
border = "black") # Agregar bordes a las barras
Análisis:
El número de condenados es significativamente alto, lo que indica que una gran parte de los procesos judiciales llegan a sentencia. El número de personas en investigación es cercano al de los condenados, lo que sugiere que el sistema judicial tiene una carga constante de nuevos casos. Menos de la mitad de los investigados llegan a juicio, lo que puede reflejar procesos largos o falta de pruebas suficientes para avanzar. La cantidad de personas en espera de deportación es relativamente baja en comparación con los condenados, lo que indica que no todos los sentenciados enfrentan expulsión del país donde se encuentran. Los casos con información confidencial pueden incluir acuerdos de cooperación, testigos protegidos o situaciones de interés estatal.
T6 = table(datos$`EXTRADITADO Y O REPATRIADO`)
T6 = sort(x = T6, decreasing = T)
T6 = round(T6[1:5],2)
print(T6)##
## DESCONOCIDO EXTRADICION REPATRIACION
## 325564 19488 556
## EXTRADICION, REPATRIACION <NA>
## 109t6.r= round(prop.table(T6),3)
print(t6.r)##
## DESCONOCIDO EXTRADICION REPATRIACION
##
## EXTRADICION, REPATRIACION <NA>
## colores <- c("dodgerblue", "firebrick", "seagreen", "goldenrod", "purple")
barplot(T6, col = colores,
main = "Top 5 Estados de Extradición o Repatriación",
xlab = "Estado",
ylab = "Frecuencia",
las = 2, # Rota etiquetas del eje X para mayor legibilidad
cex.names = 0.9, # Ajusta tamaño de etiquetas
border = "black") # Agrega bordes a las barras
Análisis:
La cantidad de casos “Desconocidos” es extremadamente alta (más del 50%), lo que puede significar que la base de datos tiene problemas de clasificación o que muchos casos no están correctamente documentados. El número de extradiciones (19,488) es relevante, lo que indica una fuerte cooperación judicial entre países para la deportación de criminales o sospechosos. La repatriación es muy baja 550 casos), lo que puede significar que el proceso de retorno humanitario o judicial no es tan común.
T7 = table(datos$GÉNERO)
T7 = sort(x = T7, decreasing = T)
T7 = round(T7[1:5],2)
print(T7)##
## MASCULINO FEMENINO OTRO DESCONOCIDO NO_BINARIO
## 272202 72909 350 246 10t7.r= round(prop.table(T7),3)
print(t7.r)##
## MASCULINO FEMENINO OTRO DESCONOCIDO NO_BINARIO
## 0.787 0.211 0.001 0.001 0.000colores <- c("skyblue", "tomato", "mediumseagreen", "gold", "orchid")
barplot(T7, col = colores,
main = "Distribución de Género (Top 5)",
xlab = "Género",
ylab = "Frecuencia",
las = 2, # Rota etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajustar tamaño de etiquetas
border = "black") # Agregar bordes a las barras
Análisis:
Más del 75% de los registros corresponden a personas identificadas como masculinas, lo que indica una mayoría considerable. Las personas identificadas como femeninas representan aproximadamente el 20.8%, lo que muestra una clara diferencia de género en los registros. Las categorías “Otro”, “Desconocido” y “No Binario” suman menos del 0.2%, lo que sugiere que estos datos pueden no ser ampliamente registrados o reconocidos en el sistema. Podría ser interesante analizar si esta distribución varía según otros factores como tipo de delito, país de origen o estatus judicial.
T8 = table(datos$`GRUPO EDAD`)
T8 = sort(x = T8, decreasing = T)
T8 = round(T8[1:5],2)
print(T8)##
## ADULTO DESCONOCIDO ADULTO JOVEN ADULTO MAYOR
## 153798 103032 45747 39971
## PRIMERA INFANCIA
## 1334t8.r= round(prop.table(T8),3)
print(t8.r)##
## ADULTO DESCONOCIDO ADULTO JOVEN ADULTO MAYOR
## 0.447 0.300 0.133 0.116
## PRIMERA INFANCIA
## 0.004Análisis:
El grupo “Adulto” representa casi la mitad de los casos (44.8%), lo que sugiere que la mayoría de los registros corresponden a personas en edad productiva. La categoría “Desconocido” es sorprendentemente alta (30%), lo que indica un problema en la recolección de datos o en la clasificación etaria. Los adultos jóvenes y los adultos mayores tienen proporciones similares (~12.5 cada uno), lo que indica una distribución relativamente equilibrada entre estos dos grupos. El número de casos en “Primera Infancia” es extremadamente bajo (0.4%), lo que es lógico si estos registros corresponden a temas judiciales o migratorios.
colores <- c("dodgerblue", "firebrick", "seagreen", "darkorange", "purple")
barplot(T8, col = colores,
main = "Distribución de Grupos de Edad (Top 5)",
xlab = "Grupo de Edad",
ylab = "Frecuencia",
las = 2, # Rota etiquetas del eje X para mejor lectura
cex.names = 0.9, # Ajustar tamaño de etiquetas
border = "black") 
Punto 7- #Tablas cruzadas
t2 <- table(datos$DELITO, datos$GÉNERO)
delito_totales <- rowSums(t2)
top5_delitos <- sort(delito_totales, decreasing = TRUE)[1:5]
t2_top5 <- t2[names(top5_delitos), ]
print(t2_top5)##
## DESCONOCIDO FEMENINO MASCULINO NO_BINARIO OTRO
## NARCOTR�FICO 70 13663 38421 6 93
## ROBO / HURTO 0 9220 32694 0 130
## DESCONOCIDO 126 9277 25456 0 0
## NARCOTRÁFICO 48 7921 21411 0 59
## HOMICIDIO / TENTATIVA DE 0 3866 23068 0 0t22.r= round(prop.table(T2),3)
print(t22.r)##
## DESCONOCIDO VENEZUELA ESTADOS UNIDOS ECUADOR ESPAÑA
## 0.697 0.097 0.089 0.066 0.050par(mar = c(5, 9, 4, 2))
barplot(t2_top5, beside = TRUE,
col = colores,
legend.text = TRUE,
args.legend = list(title = "Género", x = "topright", cex = 0.8),
main = "Distribución de Delitos por Género (Top 5)",
xlab = "Cantidad de Personas",
horiz = TRUE,
las = 1,
cex.names = 0.9) 
Análisis:
El delito más común es el narcotráfico (barra azul), y la mayoría de los involucrados son hombres. Los hombres tienen la barra más grande, superando las 35,000 personas en esta categoría.
Las mujeres también aparecen en esta categoría, pero con un número mucho menor. Los hombres lideran en casi todas las categorías delictivas.
El género masculino tiene la mayor cantidad en Robo/Hurto, Homicidio/Tentativa de, Desconocido y Otros. La brecha de género en delitos es significativa. Las mujeres aparecen en menor cantidad en todos los delitos.
La mayor participación femenina está en Narcotráfico y Robo/Hurto, aunque siguen estando muy por debajo de los hombres.
Personas con género “No Binario” y “Otro” casi no aparecen en los registros.Estas categorías tienen valores cercanos a cero, lo que puede deberse a la forma en que se recolectan los datos.
La Categoría “Desconocido” tiene un número significativo de casos.
t3 <- table(datos$`PAIS PRISIÓN`, datos$`SITUACIÓN JURÍDICA`)
prop.table(table(datos$`PAIS PRISIÓN`, datos$`SITUACIÓN JURÍDICA`))##
## CONDENADO EN ESPERA DE DEPORTACIÓN
## ALBANIA 6.652840e-05 0.000000e+00
## ALEMANIA 1.142553e-03 0.000000e+00
## ARGENTINA 3.795012e-03 0.000000e+00
## ARUBA 9.487529e-04 2.314031e-05
## AUSTRALIA 8.185886e-04 2.314031e-05
## AUSTRIA 5.119795e-04 0.000000e+00
## BAHAMAS 0.000000e+00 6.074332e-05
## BELGICA 9.834634e-04 6.074332e-05
## BIELORRUSIA 3.760301e-05 0.000000e+00
## BOLIVIA 1.240899e-03 0.000000e+00
## BONAIRE 1.041314e-04 0.000000e+00
## BRASIL 2.345849e-03 0.000000e+00
## CAMBOYA 1.272717e-04 0.000000e+00
## CANADA 8.156961e-04 3.355346e-04
## CHILE 5.926813e-03 1.382634e-03
## CHINA 1.524368e-03 3.123942e-04
## COREA, REPUBLICA DE 1.157016e-04 0.000000e+00
## COSTA RICA 3.430552e-03 0.000000e+00
## CROACIA 0.000000e+00 0.000000e+00
## CUBA 6.363586e-04 0.000000e+00
## CURAÇAO 5.698302e-04 0.000000e+00
## CURA�AO 3.384271e-04 0.000000e+00
## DESCONOCIDO 2.147566e-01 2.759482e-03
## DINAMARCA 8.677618e-06 0.000000e+00
## ECUADOR 2.403989e-02 9.545380e-05
## EGIPTO 3.557823e-04 0.000000e+00
## EL SALVADOR 6.652840e-04 0.000000e+00
## EMIRATOS ARABES UNIDOS 4.772690e-04 0.000000e+00
## ESLOVENIA 2.314031e-05 0.000000e+00
## ESPAÑA 1.930770e-02 2.267751e-03
## ESPA�A 1.076314e-02 0.000000e+00
## ESTADOS UNIDOS 4.167281e-02 1.894613e-03
## ETIOPIA 3.760301e-05 0.000000e+00
## EXTRADICION 1.203586e-02 0.000000e+00
## EXTRADICION, REPATRIACION 1.070240e-04 0.000000e+00
## FEDERACION DE RUSIA 4.570212e-04 0.000000e+00
## FILIPINAS 0.000000e+00 5.206571e-05
## FINLANDIA 4.917317e-05 0.000000e+00
## FRANCIA 1.507013e-03 3.037166e-04
## GEORGIA 1.012389e-04 0.000000e+00
## GHANA 1.041314e-04 0.000000e+00
## GRECIA 9.834634e-05 2.892539e-06
## GUATEMALA 1.206189e-03 0.000000e+00
## GUINEA 0.000000e+00 0.000000e+00
## GUYANA 1.041314e-04 0.000000e+00
## GUYANA FRANCESA 9.834634e-05 0.000000e+00
## HAITI 0.000000e+00 0.000000e+00
## HONDURAS 1.443377e-03 0.000000e+00
## HONG KONG 1.235114e-03 1.995852e-04
## INDIA 1.041314e-04 0.000000e+00
## ISRAEL 9.979260e-04 7.231348e-05
## ITALIA 4.240463e-03 2.690062e-04
## JAPON 1.203296e-03 8.099110e-05
## KAZAJSTAN 8.677618e-05 0.000000e+00
## KENIA 0.000000e+00 0.000000e+00
## LIBANO 0.000000e+00 0.000000e+00
## MALASIA 8.677618e-06 9.834634e-05
## MALTA 2.082628e-04 0.000000e+00
## MARRUECOS 1.041314e-04 0.000000e+00
## MARTINICA 0.000000e+00 0.000000e+00
## MEXICO 4.949135e-03 4.917317e-05
## MONTENEGRO 0.000000e+00 0.000000e+00
## MOZAMBIQUE 1.041314e-04 0.000000e+00
## NICARAGUA 1.674780e-03 0.000000e+00
## NIGERIA 0.000000e+00 0.000000e+00
## NORUEGA 5.785079e-06 0.000000e+00
## NUEVA ZELANDA 0.000000e+00 0.000000e+00
## PAISES BAJOS 4.165257e-04 0.000000e+00
## PANAMA 3.823937e-03 1.995852e-04
## PARAGUAY 5.322272e-04 0.000000e+00
## PERU 3.997489e-03 0.000000e+00
## POLONIA 0.000000e+00 0.000000e+00
## PORTUGAL 4.020630e-04 0.000000e+00
## QATAR 2.082628e-04 0.000000e+00
## REINO UNIDO 1.995852e-03 6.218959e-04
## REPATRIACION 4.888391e-04 0.000000e+00
## REPUBLICA CHECA 1.533046e-04 0.000000e+00
## REPUBLICA DOMINICANA 1.480980e-03 0.000000e+00
## RUMANIA 1.041314e-04 0.000000e+00
## SENEGAL 0.000000e+00 0.000000e+00
## SINGAPUR 1.706598e-04 0.000000e+00
## SUDAFRICA 1.070240e-04 0.000000e+00
## SUECIA 7.289199e-04 0.000000e+00
## SUIZA 2.256181e-04 6.652840e-05
## SURINAM 0.000000e+00 0.000000e+00
## TAILANDIA 6.681766e-04 1.446270e-05
## TANZANIA, REPUBLICA UNIDA DE 0.000000e+00 0.000000e+00
## TOGO 1.677673e-04 0.000000e+00
## TRINIDAD Y TOBAGO 8.677618e-05 6.074332e-05
## TURQUIA 8.099110e-04 6.652840e-05
## URUGUAY 9.487529e-04 0.000000e+00
## VENEZUELA 3.467287e-02 3.326420e-04
## VIET NAM 2.111554e-04 0.000000e+00
##
## EN ESPERA DE DEPORTACI�N EN INVESTIGACIÓN
## ALBANIA 0.000000e+00 0.000000e+00
## ALEMANIA 0.000000e+00 1.246684e-03
## ARGENTINA 0.000000e+00 1.475195e-03
## ARUBA 0.000000e+00 3.152868e-04
## AUSTRALIA 7.520602e-05 4.685914e-04
## AUSTRIA 0.000000e+00 1.446270e-05
## BAHAMAS 3.760301e-05 0.000000e+00
## BELGICA 3.760301e-05 1.677673e-04
## BIELORRUSIA 0.000000e+00 0.000000e+00
## BOLIVIA 0.000000e+00 1.888828e-03
## BONAIRE 0.000000e+00 0.000000e+00
## BRASIL 0.000000e+00 2.432626e-03
## CAMBOYA 0.000000e+00 1.822300e-04
## CANADA 2.082628e-04 6.276810e-04
## CHILE 8.099110e-04 7.121432e-03
## CHINA 0.000000e+00 5.698302e-04
## COREA, REPUBLICA DE 0.000000e+00 6.942094e-05
## COSTA RICA 5.785079e-06 7.925558e-04
## CROACIA 0.000000e+00 9.256126e-05
## CUBA 0.000000e+00 4.975168e-04
## CURAÇAO 0.000000e+00 7.433826e-04
## CURA�AO 0.000000e+00 0.000000e+00
## DESCONOCIDO 1.869737e-02 3.630137e-02
## DINAMARCA 0.000000e+00 6.652840e-05
## ECUADOR 8.388364e-05 1.242056e-02
## EGIPTO 0.000000e+00 4.107406e-04
## EL SALVADOR 0.000000e+00 4.338809e-04
## EMIRATOS ARABES UNIDOS 0.000000e+00 6.652840e-05
## ESLOVENIA 0.000000e+00 1.157016e-05
## ESPAÑA 0.000000e+00 1.213999e-02
## ESPA�A 1.434699e-03 0.000000e+00
## ESTADOS UNIDOS 1.408667e-03 6.892921e-03
## ETIOPIA 0.000000e+00 0.000000e+00
## EXTRADICION 3.962779e-04 0.000000e+00
## EXTRADICION, REPATRIACION 0.000000e+00 0.000000e+00
## FEDERACION DE RUSIA 2.892539e-06 0.000000e+00
## FILIPINAS 0.000000e+00 6.363586e-05
## FINLANDIA 0.000000e+00 4.049555e-05
## FRANCIA 1.157016e-04 1.235114e-03
## GEORGIA 0.000000e+00 0.000000e+00
## GHANA 0.000000e+00 0.000000e+00
## GRECIA 8.677618e-06 1.561971e-04
## GUATEMALA 0.000000e+00 9.892484e-04
## GUINEA 0.000000e+00 0.000000e+00
## GUYANA 0.000000e+00 0.000000e+00
## GUYANA FRANCESA 0.000000e+00 0.000000e+00
## HAITI 0.000000e+00 8.677618e-06
## HONDURAS 0.000000e+00 1.116520e-03
## HONG KONG 6.942094e-05 7.636304e-04
## INDIA 0.000000e+00 1.330568e-04
## ISRAEL 3.760301e-05 6.276810e-04
## ITALIA 1.504120e-04 2.655351e-03
## JAPON 2.892539e-06 3.991704e-04
## KAZAJSTAN 0.000000e+00 0.000000e+00
## KENIA 0.000000e+00 6.652840e-05
## LIBANO 0.000000e+00 1.157016e-05
## MALASIA 0.000000e+00 4.338809e-05
## MALTA 0.000000e+00 1.995852e-04
## MARRUECOS 0.000000e+00 2.892539e-06
## MARTINICA 0.000000e+00 4.049555e-05
## MEXICO 0.000000e+00 2.976423e-03
## MONTENEGRO 0.000000e+00 6.652840e-05
## MOZAMBIQUE 0.000000e+00 0.000000e+00
## NICARAGUA 0.000000e+00 7.231348e-05
## NIGERIA 0.000000e+00 0.000000e+00
## NORUEGA 0.000000e+00 0.000000e+00
## NUEVA ZELANDA 0.000000e+00 0.000000e+00
## PAISES BAJOS 0.000000e+00 3.326420e-04
## PANAMA 1.012389e-04 4.521039e-03
## PARAGUAY 0.000000e+00 8.214812e-04
## PERU 0.000000e+00 2.880969e-03
## POLONIA 0.000000e+00 6.652840e-05
## PORTUGAL 0.000000e+00 3.471047e-04
## QATAR 0.000000e+00 0.000000e+00
## REINO UNIDO 3.384271e-04 1.995852e-04
## REPATRIACION 0.000000e+00 0.000000e+00
## REPUBLICA CHECA 0.000000e+00 5.495825e-05
## REPUBLICA DOMINICANA 0.000000e+00 9.661081e-04
## RUMANIA 0.000000e+00 2.892539e-06
## SENEGAL 0.000000e+00 5.785079e-05
## SINGAPUR 1.735524e-05 2.892539e-06
## SUDAFRICA 0.000000e+00 6.652840e-05
## SUECIA 0.000000e+00 1.995852e-04
## SUIZA 3.760301e-05 8.388364e-05
## SURINAM 0.000000e+00 1.706598e-04
## TAILANDIA 0.000000e+00 1.619822e-04
## TANZANIA, REPUBLICA UNIDA DE 0.000000e+00 6.652840e-05
## TOGO 0.000000e+00 8.677618e-06
## TRINIDAD Y TOBAGO 3.760301e-05 2.690062e-04
## TURQUIA 3.760301e-05 4.975168e-04
## URUGUAY 0.000000e+00 2.747912e-04
## VENEZUELA 3.557823e-04 1.717590e-02
## VIET NAM 0.000000e+00 1.735524e-05
##
## EN INVESTIGACI�N EN JUICIO EXTRADITADO
## ALBANIA 0.000000e+00 0.000000e+00 0.000000e+00
## ALEMANIA 6.768542e-04 1.851225e-04 0.000000e+00
## ARGENTINA 7.780931e-04 3.893358e-03 3.123942e-04
## ARUBA 1.504120e-04 2.371882e-04 0.000000e+00
## AUSTRALIA 3.066092e-04 2.169404e-04 0.000000e+00
## AUSTRIA 2.603285e-05 0.000000e+00 0.000000e+00
## BAHAMAS 0.000000e+00 0.000000e+00 0.000000e+00
## BELGICA 1.214866e-04 1.041314e-04 0.000000e+00
## BIELORRUSIA 0.000000e+00 0.000000e+00 0.000000e+00
## BOLIVIA 9.487529e-04 8.446215e-04 0.000000e+00
## BONAIRE 0.000000e+00 0.000000e+00 0.000000e+00
## BRASIL 1.379741e-03 2.756590e-03 0.000000e+00
## CAMBOYA 1.128090e-04 0.000000e+00 0.000000e+00
## CANADA 2.776838e-04 3.413196e-04 0.000000e+00
## CHILE 3.340883e-03 2.956175e-03 0.000000e+00
## CHINA 2.690062e-04 2.950390e-04 0.000000e+00
## COREA, REPUBLICA DE 3.760301e-05 0.000000e+00 0.000000e+00
## COSTA RICA 3.962779e-04 7.404901e-04 0.000000e+00
## CROACIA 0.000000e+00 0.000000e+00 0.000000e+00
## CUBA 2.632211e-04 0.000000e+00 0.000000e+00
## CURAÇAO 0.000000e+00 0.000000e+00 0.000000e+00
## CURA�AO 4.888391e-04 0.000000e+00 0.000000e+00
## DESCONOCIDO 1.798812e-01 7.811302e-02 1.588004e-03
## DINAMARCA 3.760301e-05 0.000000e+00 0.000000e+00
## ECUADOR 7.266059e-03 7.890847e-03 1.041314e-04
## EGIPTO 1.504120e-04 1.272717e-04 0.000000e+00
## EL SALVADOR 2.082628e-04 1.938001e-04 0.000000e+00
## EMIRATOS ARABES UNIDOS 3.760301e-05 1.041314e-04 0.000000e+00
## ESLOVENIA 0.000000e+00 0.000000e+00 0.000000e+00
## ESPAÑA 0.000000e+00 1.723953e-03 1.995852e-04
## ESPA�A 6.655733e-03 9.632156e-04 1.128090e-04
## ESTADOS UNIDOS 3.893358e-03 1.064454e-02 1.041314e-04
## ETIOPIA 0.000000e+00 0.000000e+00 0.000000e+00
## EXTRADICION 4.312776e-03 5.383016e-03 5.958631e-04
## EXTRADICION, REPATRIACION 0.000000e+00 0.000000e+00 0.000000e+00
## FEDERACION DE RUSIA 3.760301e-05 0.000000e+00 0.000000e+00
## FILIPINAS 3.760301e-05 0.000000e+00 0.000000e+00
## FINLANDIA 0.000000e+00 6.942094e-05 0.000000e+00
## FRANCIA 7.347050e-04 0.000000e+00 0.000000e+00
## GEORGIA 0.000000e+00 0.000000e+00 0.000000e+00
## GHANA 0.000000e+00 0.000000e+00 0.000000e+00
## GRECIA 7.520602e-05 2.950390e-04 0.000000e+00
## GUATEMALA 5.698302e-04 8.243737e-04 0.000000e+00
## GUINEA 2.024777e-05 0.000000e+00 0.000000e+00
## GUYANA 0.000000e+00 0.000000e+00 0.000000e+00
## GUYANA FRANCESA 0.000000e+00 0.000000e+00 0.000000e+00
## HAITI 1.128090e-04 0.000000e+00 0.000000e+00
## HONDURAS 4.888391e-04 1.735524e-04 0.000000e+00
## HONG KONG 1.880151e-04 0.000000e+00 0.000000e+00
## INDIA 7.520602e-05 2.747912e-04 0.000000e+00
## ISRAEL 3.557823e-04 1.243792e-04 0.000000e+00
## ITALIA 1.533046e-03 1.695028e-03 1.041314e-04
## JAPON 2.776838e-04 9.545380e-05 0.000000e+00
## KAZAJSTAN 0.000000e+00 0.000000e+00 0.000000e+00
## KENIA 3.760301e-05 0.000000e+00 0.000000e+00
## LIBANO 0.000000e+00 0.000000e+00 0.000000e+00
## MALASIA 0.000000e+00 0.000000e+00 0.000000e+00
## MALTA 1.128090e-04 0.000000e+00 0.000000e+00
## MARRUECOS 5.785079e-06 0.000000e+00 0.000000e+00
## MARTINICA 0.000000e+00 0.000000e+00 0.000000e+00
## MEXICO 1.784697e-03 3.792119e-03 0.000000e+00
## MONTENEGRO 3.760301e-05 0.000000e+00 0.000000e+00
## MOZAMBIQUE 0.000000e+00 0.000000e+00 0.000000e+00
## NICARAGUA 3.760301e-05 1.735524e-04 0.000000e+00
## NIGERIA 3.471047e-05 0.000000e+00 0.000000e+00
## NORUEGA 0.000000e+00 0.000000e+00 0.000000e+00
## NUEVA ZELANDA 0.000000e+00 1.793374e-04 0.000000e+00
## PAISES BAJOS 1.880151e-04 0.000000e+00 0.000000e+00
## PANAMA 2.655351e-03 7.086721e-04 0.000000e+00
## PARAGUAY 5.929706e-04 2.314031e-05 0.000000e+00
## PERU 2.073951e-03 4.078480e-04 3.123942e-04
## POLONIA 5.206571e-05 0.000000e+00 0.000000e+00
## PORTUGAL 1.504120e-04 6.074332e-05 0.000000e+00
## QATAR 0.000000e+00 1.041314e-04 0.000000e+00
## REINO UNIDO 1.128090e-04 3.326420e-04 0.000000e+00
## REPATRIACION 2.024777e-05 0.000000e+00 0.000000e+00
## REPUBLICA CHECA 0.000000e+00 0.000000e+00 0.000000e+00
## REPUBLICA DOMINICANA 5.090869e-04 3.847077e-04 0.000000e+00
## RUMANIA 0.000000e+00 0.000000e+00 0.000000e+00
## SENEGAL 7.520602e-05 0.000000e+00 0.000000e+00
## SINGAPUR 0.000000e+00 0.000000e+00 0.000000e+00
## SUDAFRICA 3.760301e-05 0.000000e+00 0.000000e+00
## SUECIA 1.128090e-04 9.834634e-05 0.000000e+00
## SUIZA 3.760301e-05 2.082628e-04 0.000000e+00
## SURINAM 3.760301e-05 0.000000e+00 0.000000e+00
## TAILANDIA 7.520602e-05 1.388419e-04 0.000000e+00
## TANZANIA, REPUBLICA UNIDA DE 3.760301e-05 0.000000e+00 0.000000e+00
## TOGO 0.000000e+00 0.000000e+00 0.000000e+00
## TRINIDAD Y TOBAGO 1.880151e-04 0.000000e+00 0.000000e+00
## TURQUIA 3.384271e-04 1.619822e-04 0.000000e+00
## URUGUAY 1.504120e-04 0.000000e+00 0.000000e+00
## VENEZUELA 9.186705e-03 1.482716e-02 0.000000e+00
## VIET NAM 0.000000e+00 9.256126e-05 0.000000e+00
##
## NO REPORTA - CONFIDENCIALIDAD ESTATAL
## ALBANIA 0.000000e+00
## ALEMANIA 2.487584e-04
## ARGENTINA 0.000000e+00
## ARUBA 4.917317e-05
## AUSTRALIA 0.000000e+00
## AUSTRIA 5.785079e-06
## BAHAMAS 0.000000e+00
## BELGICA 1.041314e-04
## BIELORRUSIA 0.000000e+00
## BOLIVIA 0.000000e+00
## BONAIRE 0.000000e+00
## BRASIL 0.000000e+00
## CAMBOYA 0.000000e+00
## CANADA 1.041314e-04
## CHILE 0.000000e+00
## CHINA 0.000000e+00
## COREA, REPUBLICA DE 0.000000e+00
## COSTA RICA 1.041314e-04
## CROACIA 0.000000e+00
## CUBA 0.000000e+00
## CURAÇAO 0.000000e+00
## CURA�AO 0.000000e+00
## DESCONOCIDO 1.781226e-02
## DINAMARCA 0.000000e+00
## ECUADOR 1.041314e-04
## EGIPTO 0.000000e+00
## EL SALVADOR 0.000000e+00
## EMIRATOS ARABES UNIDOS 0.000000e+00
## ESLOVENIA 0.000000e+00
## ESPAÑA 3.977242e-03
## ESPA�A 3.008241e-03
## ESTADOS UNIDOS 3.861540e-03
## ETIOPIA 0.000000e+00
## EXTRADICION 1.567756e-03
## EXTRADICION, REPATRIACION 0.000000e+00
## FEDERACION DE RUSIA 0.000000e+00
## FILIPINAS 0.000000e+00
## FINLANDIA 0.000000e+00
## FRANCIA 7.520602e-05
## GEORGIA 0.000000e+00
## GHANA 0.000000e+00
## GRECIA 0.000000e+00
## GUATEMALA 0.000000e+00
## GUINEA 0.000000e+00
## GUYANA 0.000000e+00
## GUYANA FRANCESA 0.000000e+00
## HAITI 0.000000e+00
## HONDURAS 0.000000e+00
## HONG KONG 1.214866e-04
## INDIA 0.000000e+00
## ISRAEL 0.000000e+00
## ITALIA 1.185941e-04
## JAPON 0.000000e+00
## KAZAJSTAN 0.000000e+00
## KENIA 0.000000e+00
## LIBANO 0.000000e+00
## MALASIA 0.000000e+00
## MALTA 0.000000e+00
## MARRUECOS 0.000000e+00
## MARTINICA 0.000000e+00
## MEXICO 0.000000e+00
## MONTENEGRO 0.000000e+00
## MOZAMBIQUE 0.000000e+00
## NICARAGUA 0.000000e+00
## NIGERIA 0.000000e+00
## NORUEGA 0.000000e+00
## NUEVA ZELANDA 0.000000e+00
## PAISES BAJOS 0.000000e+00
## PANAMA 0.000000e+00
## PARAGUAY 0.000000e+00
## PERU 8.677618e-06
## POLONIA 0.000000e+00
## PORTUGAL 1.041314e-04
## QATAR 0.000000e+00
## REINO UNIDO 2.198330e-04
## REPATRIACION 0.000000e+00
## REPUBLICA CHECA 0.000000e+00
## REPUBLICA DOMINICANA 0.000000e+00
## RUMANIA 0.000000e+00
## SENEGAL 0.000000e+00
## SINGAPUR 0.000000e+00
## SUDAFRICA 0.000000e+00
## SUECIA 0.000000e+00
## SUIZA 0.000000e+00
## SURINAM 0.000000e+00
## TAILANDIA 0.000000e+00
## TANZANIA, REPUBLICA UNIDA DE 0.000000e+00
## TOGO 0.000000e+00
## TRINIDAD Y TOBAGO 0.000000e+00
## TURQUIA 0.000000e+00
## URUGUAY 0.000000e+00
## VENEZUELA 0.000000e+00
## VIET NAM 0.000000e+00pais_totales <- rowSums(t3)
top5_paises <- sort(pais_totales, decreasing = TRUE)[1:5]
t3_top5 <- t3[names(top5_paises), ]
print(t3_top5)##
## CONDENADO EN ESPERA DE DEPORTACIÓN EN ESPERA DE DEPORTACI�N
## DESCONOCIDO 74245 954 6464
## VENEZUELA 11987 115 123
## ESTADOS UNIDOS 14407 655 487
## ECUADOR 8311 33 29
## ESPAÑA 6675 784 0
##
## EN INVESTIGACIÓN EN INVESTIGACI�N EN JUICIO EXTRADITADO
## DESCONOCIDO 12550 62188 27005 549
## VENEZUELA 5938 3176 5126 0
## ESTADOS UNIDOS 2383 1346 3680 36
## ECUADOR 4294 2512 2728 36
## ESPAÑA 4197 0 596 69
##
## NO REPORTA - CONFIDENCIALIDAD ESTATAL
## DESCONOCIDO 6158
## VENEZUELA 0
## ESTADOS UNIDOS 1335
## ECUADOR 36
## ESPAÑA 1375colores <- terrain.colors(ncol(t3_top5))
par(mar = c(7, 5, 4, 2))
barplot(t3_top5, beside = TRUE,
col = colores,
legend.text = TRUE,
args.legend = list(title = "Situación Jurídica", x = "topright", cex = 0.8),
main = "Situación Jurídica en los 5 Países con más Casos",
xlab = "País de Prisión",
ylab = "Frecuencia",
las = 2, # Rota etiquetas del eje X para mayor legibilidad
cex.names = 0.8) # Reduce el tamaño de etiquetas para mayor claridad
Análisis:
Los casos de “Condenado” están dominados por la categoría “Desconocido” (barra verde). Representa más de 60,000 casos, lo que indica que no se tiene información detallada sobre el país de condena en la mayoría de los registros.Venezuela, Estados Unidos y España tienen una presencia menor en esta categoría. Verde (DESCONOCIDO): Es el más frecuente, lo que sugiere que una gran cantidad de casos no tienen información clara sobre su país de detención. Amarillo (ESPAÑA): Tiene un pico alto en “EN INVESTIGACIÓN”, lo que sugiere que en este país hay más personas detenidas bajo investigación en comparación con los demás. Otros colores (Venezuela, EE.UU., Ecuador): Aparecen en menor medida en diferentes categorías.
t4=table(datos$CONSULADO,datos$`GRUPO EDAD` )
prop.table(table(datos$CONSULADO,datos$`GRUPO EDAD`))##
## ADOLESCENTE ADULTO ADULTO JOVEN ADULTO MAYOR
## BTA. ASISTENCIA 0.000000e+00 1.342427e-02 8.012334e-04 2.429733e-03
## C. ABU DHABI 0.000000e+00 1.689243e-03 1.822300e-04 1.648747e-04
## C. ACRA 0.000000e+00 1.035529e-03 0.000000e+00 0.000000e+00
## C. AMSTERDAM 0.000000e+00 1.093380e-03 0.000000e+00 6.305736e-04
## C. ANKARA 0.000000e+00 2.895432e-03 5.814004e-04 7.086721e-04
## C. ANTOFAGASTA 2.892539e-05 5.359875e-03 3.933853e-03 6.594990e-04
## C. ARUBA 0.000000e+00 2.502046e-03 8.214812e-04 4.396660e-04
## C. ASUNCION 0.000000e+00 2.808656e-03 5.235496e-04 6.334661e-04
## C. ATLANTA 1.619822e-04 9.230093e-03 3.673525e-04 4.558642e-03
## C. AUCKLAND 0.000000e+00 3.152868e-04 2.314031e-04 0.000000e+00
## C. BANGKOK 0.000000e+00 1.272717e-03 3.326420e-04 1.822300e-04
## C. BARCELONA 0.000000e+00 1.151231e-02 3.392949e-03 2.585930e-03
## C. BARINAS 0.000000e+00 3.685095e-03 1.214866e-03 1.151231e-03
## C. BARQUISIMETO 0.000000e+00 5.790864e-03 9.313976e-04 1.825192e-03
## C. BEIJING 0.000000e+00 2.030563e-03 0.000000e+00 8.330513e-04
## C. BEIRUT 0.000000e+00 1.157016e-05 0.000000e+00 0.000000e+00
## C. BERLIN 0.000000e+00 1.174371e-03 1.880151e-04 1.822300e-04
## C. BERNA 0.000000e+00 7.549528e-04 7.520602e-05 1.706598e-04
## C. BILBAO 0.000000e+00 4.414015e-03 1.428914e-03 2.805763e-04
## C. BOSTON 0.000000e+00 2.117339e-03 1.099165e-04 8.301588e-04
## C. BRASILIA 1.157016e-05 1.981389e-03 8.041259e-04 4.512361e-04
## C. BRUSELAS 0.000000e+00 2.415270e-03 1.619822e-04 5.293347e-04
## C. BUDAPEST 0.000000e+00 2.545435e-04 0.000000e+00 0.000000e+00
## C. BUENOS AIRES 0.000000e+00 8.524313e-03 4.370627e-03 1.463625e-03
## C. CALGARY 0.000000e+00 1.964034e-03 0.000000e+00 0.000000e+00
## C. CANBERRA 0.000000e+00 7.838781e-04 4.975168e-04 0.000000e+00
## C. CANCUN 0.000000e+00 2.727665e-03 1.596682e-03 1.185941e-04
## C. CARACAS 0.000000e+00 6.013589e-03 7.028870e-04 1.695028e-03
## C. CHICAGO 1.504120e-04 3.051629e-03 1.706598e-04 1.463625e-03
## C. COLON 2.603285e-05 2.522294e-03 1.735524e-03 5.004093e-04
## C. EL AMPARO 0.000000e+00 2.221470e-03 8.359439e-04 2.314031e-05
## C. EL CAIRO 0.000000e+00 1.313213e-03 4.049555e-04 4.223107e-04
## C. ESMERALDAS 0.000000e+00 5.238389e-03 2.716094e-03 1.038422e-03
## C. ESTOCOLMO 0.000000e+00 1.773127e-03 3.413196e-04 1.243792e-04
## C. FRANKFURT 1.706598e-04 2.886754e-03 2.834688e-04 6.103258e-04
## C. GUADALAJARA 1.128090e-04 4.873929e-03 1.761556e-03 2.053703e-04
## C. GUANGZHOU 3.181793e-05 1.767341e-03 9.776783e-04 2.314031e-04
## C. GUATEMALA 0.000000e+00 8.793319e-04 1.214866e-04 1.909076e-04
## C. GUAYAQUIL 6.652840e-05 2.311139e-03 7.347050e-04 7.375975e-04
## C. HANOI 0.000000e+00 2.979315e-04 1.735524e-04 8.388364e-05
## C. HELSINKI 0.000000e+00 8.388364e-05 0.000000e+00 4.049555e-05
## C. HONG KONG 0.000000e+00 2.730557e-03 6.190034e-04 5.033018e-04
## C. HOUSTON 0.000000e+00 7.642089e-03 9.805708e-04 4.457403e-03
## C. IQUITOS 0.000000e+00 2.215685e-03 5.871855e-04 1.677673e-04
## C. JAKARTA 0.000000e+00 2.140479e-04 2.024777e-05 0.000000e+00
## C. KINGSTON 0.000000e+00 7.144572e-04 0.000000e+00 0.000000e+00
## C. KUALA LUMPUR 0.000000e+00 3.904928e-04 8.677618e-05 1.041314e-04
## C. LA HABANA 8.677618e-06 1.634285e-03 4.859466e-04 5.785079e-04
## C. LA HAYA 0.000000e+00 2.909895e-03 2.053703e-04 1.567756e-03
## C. LA PAZ 0.000000e+00 3.086339e-03 1.327676e-03 7.491677e-04
## C. LAS PALMAS DE G.C 0.000000e+00 7.211100e-03 3.274354e-03 6.942094e-04
## C. LIMA 1.301643e-04 6.997053e-03 3.679310e-03 2.727665e-03
## C. LISBOA 0.000000e+00 1.752879e-03 4.252033e-04 3.326420e-04
## C. LONDRES 0.000000e+00 4.842111e-03 7.462751e-04 1.472302e-03
## C. LOS ANGELES 3.181793e-04 6.094580e-03 1.336353e-03 2.007422e-03
## C. MACHIQUES 0.000000e+00 1.191726e-03 1.388419e-04 6.797467e-04
## C. MADRID 1.128090e-04 2.840184e-02 8.093325e-03 9.331332e-03
## C. MANAGUA 1.561971e-04 1.507013e-03 2.776838e-04 3.644599e-04
## C. MANAOS 0.000000e+00 2.452873e-03 4.917317e-04 5.785079e-05
## C. MANILA 0.000000e+00 2.516509e-04 0.000000e+00 0.000000e+00
## C. MARACAIBO 7.809856e-05 7.043333e-03 1.428914e-03 1.949571e-03
## C. MERIDA VEN 0.000000e+00 4.555749e-03 1.067347e-03 1.440485e-03
## C. MEXICO 1.475195e-04 1.343006e-02 7.740435e-03 1.891721e-03
## C. MIAMI 0.000000e+00 7.370190e-03 1.842548e-03 5.232604e-03
## C. MILAN 0.000000e+00 6.693336e-03 1.223544e-03 8.070185e-04
## C. MONTEVIDEO 0.000000e+00 1.498335e-03 4.396660e-04 4.599137e-04
## C. MONTREAL 0.000000e+00 1.706598e-04 0.000000e+00 0.000000e+00
## C. MOSCU 0.000000e+00 1.272717e-03 6.392512e-04 6.363586e-05
## C. NAIROBI 0.000000e+00 3.557823e-04 0.000000e+00 0.000000e+00
## C. NEWARK 1.185941e-04 4.466081e-03 5.553675e-04 1.839655e-03
## C. NUEVA DELHI 0.000000e+00 1.292965e-03 1.822300e-04 1.822300e-04
## C. NUEVA LOJA 2.892539e-06 5.796649e-03 3.902035e-03 1.093380e-03
## C. NUEVA YORK 0.000000e+00 8.564809e-03 1.700813e-03 3.592534e-03
## C. ORLANDO 0.000000e+00 8.405719e-03 2.175190e-03 3.664847e-03
## C. OSLO 0.000000e+00 1.330568e-04 0.000000e+00 0.000000e+00
## C. OTTAWA 0.000000e+00 6.652840e-05 0.000000e+00 0.000000e+00
## C. PALMA DE MALLORCA 0.000000e+00 5.996234e-03 2.883862e-03 2.921465e-04
## C. PANAMA 2.632211e-04 1.046521e-02 4.373519e-03 2.105769e-03
## C. PARIS 5.785079e-06 5.394586e-03 2.400808e-03 9.863559e-04
## C. PRETORIA 0.000000e+00 1.706598e-04 0.000000e+00 0.000000e+00
## C. PUERTO AYACUCHO 2.892539e-05 1.521476e-03 2.545435e-04 6.421437e-04
## C. PUERTO ESPAÑA 0.000000e+00 7.028870e-04 1.157016e-05 0.000000e+00
## C. PUERTO ESPA�A 0.000000e+00 1.397096e-03 9.834634e-05 0.000000e+00
## C. PUERTO LA CRUZ 1.533046e-04 3.459477e-03 4.772690e-04 7.809856e-04
## C. PUERTO ORDAZ 0.000000e+00 5.004093e-03 1.015281e-03 2.169404e-03
## C. QUITO 0.000000e+00 6.635485e-03 3.679310e-03 1.174371e-03
## C. RABAT 0.000000e+00 2.256181e-04 3.008241e-04 5.785079e-06
## C. ROMA 5.785079e-05 7.133002e-03 1.515691e-03 1.486765e-03
## C. SAN ANT DE TACHIRA 9.834634e-05 6.664410e-03 3.384271e-03 1.692135e-03
## C. SAN CARLOS DE ZULIA 2.314031e-05 6.155324e-03 6.045407e-04 2.007422e-03
## C. SAN CRISTOBAL 8.099110e-05 9.082573e-03 3.783441e-03 3.152868e-03
## C. SAN FNDO ATABAPO 0.000000e+00 0.000000e+00 0.000000e+00 0.000000e+00
## C. SAN FRANCISCO 0.000000e+00 3.228074e-03 1.764449e-04 1.405774e-03
## C. SAN JOSE 0.000000e+00 8.483818e-03 2.724772e-03 2.397915e-03
## C. SAN JUAN PTO RICO 0.000000e+00 1.258255e-03 3.442122e-04 4.280958e-04
## C. SAN SALVADOR 0.000000e+00 2.857829e-03 1.333461e-03 8.070185e-04
## C. SANTIAGO 7.520602e-05 1.173503e-02 5.944168e-03 1.556186e-03
## C. SANTO DOMINGO 0.000000e+00 5.018556e-03 6.710691e-04 1.188834e-03
## C. SAO PAULO 0.000000e+00 3.977242e-03 1.663210e-03 8.561916e-04
## C. SEUL 0.000000e+00 3.413196e-04 1.157016e-05 1.446270e-05
## C. SEVILLA 0.000000e+00 9.536702e-03 3.615674e-03 1.570649e-03
## C. SHANGHAI 0.000000e+00 2.285106e-04 1.851225e-04 1.822300e-04
## C. SINGAPUR 0.000000e+00 1.301643e-04 0.000000e+00 0.000000e+00
## C. STO DOM COLORADOS 2.892539e-06 3.228074e-03 6.334661e-04 8.214812e-04
## C. SYDNEY 0.000000e+00 1.405774e-03 4.859466e-04 9.256126e-05
## C. TABATINGA 0.000000e+00 1.454947e-03 5.727228e-04 5.033018e-04
## C. TEGUCIGALPA 0.000000e+00 2.438411e-03 2.024777e-04 7.144572e-04
## C. TEL AVIV 0.000000e+00 1.214866e-04 8.677618e-05 2.314031e-05
## C. TOKIO 8.388364e-05 3.045844e-03 4.888391e-04 4.396660e-04
## C. TORONTO 0.000000e+00 2.661136e-03 6.247885e-04 1.099165e-04
## C. TULCAN 0.000000e+00 6.890029e-03 3.520220e-03 1.842548e-03
## C. VALENCIA ESP 0.000000e+00 5.851607e-03 1.003711e-03 8.243737e-04
## C. VALENCIA VEN 0.000000e+00 9.880914e-03 2.247503e-03 3.647492e-03
## C. VANCOUVER 0.000000e+00 5.640452e-04 1.157016e-05 0.000000e+00
## C. VARSOVIA 0.000000e+00 5.756153e-04 1.301643e-04 5.119795e-04
## C. VIENA 0.000000e+00 1.564864e-03 7.231348e-05 1.851225e-04
## C. WASHINGTON 0.000000e+00 3.473940e-03 5.235496e-04 1.287180e-03
## C. WILLEMSTAD 0.000000e+00 2.611963e-03 5.698302e-04 6.334661e-04
## DESCONOCIDA 8.677618e-06 7.289199e-04 2.285106e-04 5.264421e-04
## SC. TEL AVIV 0.000000e+00 1.206189e-03 2.892539e-04 3.413196e-04
##
## DESCONOCIDO INFANTE PRIMERA INFANCIA
## BTA. ASISTENCIA 1.327676e-02 3.066092e-04 2.400808e-04
## C. ABU DHABI 2.863614e-04 0.000000e+00 0.000000e+00
## C. ACRA 0.000000e+00 0.000000e+00 0.000000e+00
## C. AMSTERDAM 1.275610e-03 0.000000e+00 0.000000e+00
## C. ANKARA 1.333461e-03 0.000000e+00 0.000000e+00
## C. ANTOFAGASTA 3.902035e-03 0.000000e+00 2.024777e-05
## C. ARUBA 6.797467e-04 0.000000e+00 0.000000e+00
## C. ASUNCION 8.648692e-04 0.000000e+00 0.000000e+00
## C. ATLANTA 4.014845e-03 0.000000e+00 1.504120e-04
## C. AUCKLAND 5.785079e-06 0.000000e+00 0.000000e+00
## C. BANGKOK 3.644599e-04 0.000000e+00 0.000000e+00
## C. BARCELONA 3.818152e-03 0.000000e+00 0.000000e+00
## C. BARINAS 1.723953e-03 0.000000e+00 0.000000e+00
## C. BARQUISIMETO 5.015663e-03 0.000000e+00 0.000000e+00
## C. BEIJING 1.822300e-04 0.000000e+00 0.000000e+00
## C. BEIRUT 0.000000e+00 0.000000e+00 0.000000e+00
## C. BERLIN 7.173497e-04 0.000000e+00 0.000000e+00
## C. BERNA 6.132183e-04 0.000000e+00 0.000000e+00
## C. BILBAO 2.646673e-03 0.000000e+00 0.000000e+00
## C. BOSTON 1.128090e-03 0.000000e+00 0.000000e+00
## C. BRASILIA 7.809856e-04 0.000000e+00 0.000000e+00
## C. BRUSELAS 2.256181e-04 0.000000e+00 0.000000e+00
## C. BUDAPEST 0.000000e+00 0.000000e+00 0.000000e+00
## C. BUENOS AIRES 1.207924e-02 0.000000e+00 2.111554e-04
## C. CALGARY 0.000000e+00 0.000000e+00 0.000000e+00
## C. CANBERRA 4.917317e-05 0.000000e+00 0.000000e+00
## C. CANCUN 3.499973e-04 0.000000e+00 2.892539e-06
## C. CARACAS 1.025694e-02 0.000000e+00 0.000000e+00
## C. CHICAGO 1.776019e-03 3.181793e-05 0.000000e+00
## C. COLON 2.400808e-03 0.000000e+00 3.095017e-04
## C. EL AMPARO 1.590897e-04 0.000000e+00 0.000000e+00
## C. EL CAIRO 3.355346e-04 0.000000e+00 0.000000e+00
## C. ESMERALDAS 1.217181e-02 0.000000e+00 0.000000e+00
## C. ESTOCOLMO 7.289199e-04 0.000000e+00 0.000000e+00
## C. FRANKFURT 5.524750e-04 1.157016e-05 0.000000e+00
## C. GUADALAJARA 1.203296e-03 4.917317e-05 2.603285e-05
## C. GUANGZHOU 3.644599e-04 0.000000e+00 0.000000e+00
## C. GUATEMALA 1.388419e-04 0.000000e+00 0.000000e+00
## C. GUAYAQUIL 1.432964e-02 1.157016e-04 0.000000e+00
## C. HANOI 0.000000e+00 0.000000e+00 0.000000e+00
## C. HELSINKI 3.471047e-05 0.000000e+00 0.000000e+00
## C. HONG KONG 6.942094e-04 0.000000e+00 0.000000e+00
## C. HOUSTON 7.809856e-03 0.000000e+00 0.000000e+00
## C. IQUITOS 1.301643e-03 0.000000e+00 0.000000e+00
## C. JAKARTA 0.000000e+00 0.000000e+00 0.000000e+00
## C. KINGSTON 1.793374e-04 0.000000e+00 0.000000e+00
## C. KUALA LUMPUR 1.735524e-04 0.000000e+00 0.000000e+00
## C. LA HABANA 9.256126e-04 0.000000e+00 0.000000e+00
## C. LA HAYA 1.023959e-03 0.000000e+00 0.000000e+00
## C. LA PAZ 3.956994e-03 0.000000e+00 0.000000e+00
## C. LAS PALMAS DE G.C 2.852044e-03 0.000000e+00 0.000000e+00
## C. LIMA 1.752879e-03 8.677618e-05 7.809856e-05
## C. LISBOA 5.264421e-04 0.000000e+00 4.628063e-05
## C. LONDRES 2.889647e-03 0.000000e+00 0.000000e+00
## C. LOS ANGELES 6.438792e-03 8.388364e-05 2.024777e-04
## C. MACHIQUES 4.396660e-04 0.000000e+00 0.000000e+00
## C. MADRID 1.526104e-02 1.909076e-04 4.309884e-04
## C. MANAGUA 8.706543e-04 0.000000e+00 0.000000e+00
## C. MANAOS 1.533046e-03 6.363586e-05 1.272717e-04
## C. MANILA 0.000000e+00 0.000000e+00 0.000000e+00
## C. MARACAIBO 6.340446e-03 1.128090e-04 0.000000e+00
## C. MERIDA VEN 1.078917e-03 0.000000e+00 0.000000e+00
## C. MEXICO 6.337554e-03 0.000000e+00 2.921465e-04
## C. MIAMI 6.704906e-03 8.388364e-05 5.495825e-05
## C. MILAN 2.438411e-03 0.000000e+00 0.000000e+00
## C. MONTEVIDEO 1.029744e-03 0.000000e+00 0.000000e+00
## C. MONTREAL 0.000000e+00 0.000000e+00 0.000000e+00
## C. MOSCU 3.644599e-04 0.000000e+00 0.000000e+00
## C. NAIROBI 1.822300e-04 0.000000e+00 0.000000e+00
## C. NEWARK 2.452873e-03 2.458658e-04 0.000000e+00
## C. NUEVA DELHI 8.561916e-04 0.000000e+00 0.000000e+00
## C. NUEVA LOJA 5.501610e-03 0.000000e+00 0.000000e+00
## C. NUEVA YORK 5.264421e-03 2.024777e-05 2.892539e-06
## C. ORLANDO 1.324783e-03 0.000000e+00 2.892539e-05
## C. OSLO 0.000000e+00 0.000000e+00 0.000000e+00
## C. OTTAWA 0.000000e+00 0.000000e+00 0.000000e+00
## C. PALMA DE MALLORCA 3.158653e-03 6.652840e-05 6.652840e-05
## C. PANAMA 1.558789e-02 6.074332e-05 2.516509e-04
## C. PARIS 1.107843e-03 1.533046e-04 3.471047e-05
## C. PRETORIA 3.644599e-04 0.000000e+00 0.000000e+00
## C. PUERTO AYACUCHO 6.537139e-04 0.000000e+00 0.000000e+00
## C. PUERTO ESPAÑA 1.590897e-04 0.000000e+00 0.000000e+00
## C. PUERTO ESPA�A 2.400808e-04 0.000000e+00 0.000000e+00
## C. PUERTO LA CRUZ 1.573541e-03 0.000000e+00 0.000000e+00
## C. PUERTO ORDAZ 2.597500e-03 0.000000e+00 0.000000e+00
## C. QUITO 1.920357e-02 0.000000e+00 0.000000e+00
## C. RABAT 0.000000e+00 0.000000e+00 0.000000e+00
## C. ROMA 5.076406e-03 2.256181e-04 0.000000e+00
## C. SAN ANT DE TACHIRA 2.773945e-03 0.000000e+00 5.785079e-06
## C. SAN CARLOS DE ZULIA 5.495825e-05 1.590897e-04 1.677673e-04
## C. SAN CRISTOBAL 4.150794e-03 1.330568e-04 0.000000e+00
## C. SAN FNDO ATABAPO 1.995852e-04 0.000000e+00 0.000000e+00
## C. SAN FRANCISCO 1.365279e-03 0.000000e+00 0.000000e+00
## C. SAN JOSE 3.968564e-03 0.000000e+00 1.272717e-04
## C. SAN JUAN PTO RICO 7.607378e-04 0.000000e+00 0.000000e+00
## C. SAN SALVADOR 8.214812e-04 1.648747e-04 1.735524e-05
## C. SANTIAGO 1.073421e-02 0.000000e+00 6.537139e-04
## C. SANTO DOMINGO 8.099110e-04 0.000000e+00 0.000000e+00
## C. SAO PAULO 2.504939e-03 0.000000e+00 2.892539e-06
## C. SEUL 0.000000e+00 0.000000e+00 0.000000e+00
## C. SEVILLA 4.842111e-03 0.000000e+00 0.000000e+00
## C. SHANGHAI 1.157016e-04 0.000000e+00 0.000000e+00
## C. SINGAPUR 2.892539e-06 0.000000e+00 0.000000e+00
## C. STO DOM COLORADOS 1.278502e-03 0.000000e+00 0.000000e+00
## C. SYDNEY 1.203296e-03 0.000000e+00 4.628063e-05
## C. TABATINGA 1.275610e-03 0.000000e+00 0.000000e+00
## C. TEGUCIGALPA 2.406593e-03 0.000000e+00 0.000000e+00
## C. TEL AVIV 5.380123e-04 0.000000e+00 0.000000e+00
## C. TOKIO 8.272662e-04 0.000000e+00 3.471047e-05
## C. TORONTO 0.000000e+00 0.000000e+00 0.000000e+00
## C. TULCAN 7.584238e-03 0.000000e+00 8.677618e-05
## C. VALENCIA ESP 3.060307e-03 0.000000e+00 0.000000e+00
## C. VALENCIA VEN 3.462370e-03 5.495825e-05 1.359493e-04
## C. VANCOUVER 0.000000e+00 0.000000e+00 0.000000e+00
## C. VARSOVIA 6.363586e-05 0.000000e+00 0.000000e+00
## C. VIENA 3.471047e-05 0.000000e+00 0.000000e+00
## C. WASHINGTON 2.235933e-03 0.000000e+00 0.000000e+00
## C. WILLEMSTAD 3.586749e-04 0.000000e+00 0.000000e+00
## DESCONOCIDA 1.822300e-04 1.706598e-04 2.892539e-06
## SC. TEL AVIV 2.392130e-03 0.000000e+00 0.000000e+00consulado_totales <- rowSums(t4)
# Obtener los 5 consulados con más casos
top5_consulados <- sort(consulado_totales, decreasing = TRUE)[1:5]
# Filtrar la tabla original para solo mostrar los consulados del top 5
t4_top5 <- t4[names(top5_consulados), ]
# Mostrar la tabla con el top 5
print(t4_top5)##
## ADOLESCENTE ADULTO ADULTO JOVEN ADULTO MAYOR DESCONOCIDO
## C. MADRID 39 9819 2798 3226 5276
## C. PANAMA 91 3618 1512 728 5389
## C. SANTIAGO 26 4057 2055 538 3711
## C. QUITO 0 2294 1272 406 6639
## BTA. ASISTENCIA 0 4641 277 840 4590
##
## INFANTE PRIMERA INFANCIA
## C. MADRID 66 149
## C. PANAMA 21 87
## C. SANTIAGO 0 226
## C. QUITO 0 0
## BTA. ASISTENCIA 106 83colores <- rainbow(ncol(t4_top5))
# Ajustar márgenes para mayor claridad
par(mar = c(5, 7, 4, 2))
# Generar el gráfico de barras apiladas (horizontales)
barplot(t4_top5, beside = FALSE,
col = colores,
legend.text = TRUE,
args.legend = list(title = "Grupo de Edad", x = "topright", cex = 0.8),
main = "Distribución de Grupos de Edad en los 5 Consulados con más Casos",
ylab = "Consulado",
xlab = "Cantidad de Personas",
horiz = TRUE, # Hace que las barras sean horizontales
las = 1, # Mantiene etiquetas del eje Y legibles
cex.names = 0.9) # Ajusta tamaño de etiquetas
Análisis:
El grupo “Adulto” es el más numeroso en todos los consulados.Destacan C. Madrid, C. México y C. Panamá como los consulados con más adultos registrados.Esto sugiere que la mayoría de los casos atendidos en los consulados corresponden a personas en edad productiva.
El grupo “Adulto Joven” también tiene una representación importante. Aunque menor que el grupo “Adulto”, sigue siendo un porcentaje significativo, especialmente en C. México y C. Madrid.Los adultos mayores tienen una distribución variada, pero en menor cantidad.Esto puede reflejar un segmento de población migrante que envejece en el extranjero.
Se observan más casos en C. Madrid y C. Panamá.
La categoría “Desconocido” tiene una alta representación.Puede deberse a la falta de información en los registros consulares.Esto podría afectar la precisión de los datos y la toma de decisiones en políticas consulares.
Los menores de edad (Infante, Adolescente, Primera Infancia) tienen muy poca representación.Esto sugiere que los consulados atienden principalmente a adultos, posiblemente por temas migratorios, judiciales o asistencia legal.
#punto 8 y 9
mean(datos$CANTIDAD)## [1] 4.829288median(datos$CANTIDAD)## [1] 1range(datos$CANTIDAD)## [1] 1 460IQR(datos$CANTIDAD)## [1] 2var(datos$CANTIDAD)## [1] 290.2112sd(datos$CANTIDAD)## [1] 17.03559Análisis:
La media (4.83) nos dice que, en promedio, cada categoría tiene 4.83 presos activos. Sin embargo, este valor está distorsionado por la presencia de algunas categorías con muchos más presos (hasta 460). Cuando los datos tienen valores extremos (outliers), la media se ve afectada y deja de representar la tendencia central real. En este caso, la mediana (1) es una mejor medida de tendencia central porque nos indica que al menos el 50% de las categorías tienen solo 1 preso, lo cual es más representativo del conjunto de datos.
¿Por qué hay tanta dispersión? La desviación estándar (17.04) es mucho mayor que la media (4.83), lo que sugiere una gran variabilidad en los datos. El IQR (2) nos indica que el 50% de los datos están concentrados en un rango muy pequeño (solo 2 presos), pero hay valores mucho más grandes que elevan la dispersión. El rango (1 - 460) muestra que hay categorías con muy pocos presos y otras con muchísimos, lo que refuerza la idea de una distribución sesgada positivamente.
¿Qué significa esto respecto a los presos activos? No todas las categorías tienen la misma cantidad de presos: La mayoría tiene pocos presos (1 o 2). Unas pocas categorías tienen cientos de presos, lo que aumenta el promedio de forma artificial.Esto sugiere una concentración de la población carcelaria:Un pequeño número de categorías agrupa a la mayoría de los presos.La mayoría de las categorías tienen muy pocos presos, lo que podría indicar delitos menores, condenas recientes, o una distribución desigual por tipo de crimen, consulado, o situación jurídica.
t4=table(datos$CANTIDAD,datos$`GRUPO EDAD` )
cantidad_totales <- rowSums(t4)
# Obtener los 5 valores de CANTIDAD con más casos
top5_cantidad <- sort(cantidad_totales, decreasing = TRUE)[1:5]
# Filtrar la tabla original para solo mostrar los valores del top 5
t4_top5 <- t4[names(top5_cantidad), ]
# Mostrar la tabla con el top 5
print(t4_top5)##
## ADOLESCENTE ADULTO ADULTO JOVEN ADULTO MAYOR DESCONOCIDO INFANTE
## 1 898 80854 29728 25936 52770 842
## 2 39 24549 7175 5598 15817 54
## 3 2 11255 2355 2541 7633 0
## 4 0 7811 1407 1428 5406 0
## 5 0 4942 984 875 3163 0
##
## PRIMERA INFANCIA
## 1 1238
## 2 94
## 3 2
## 4 0
## 5 0colores <- c("blue", "red", "green", "orange", "purple", "cyan", "pink")
# Ajustar márgenes para mayor claridad
par(mar = c(5, 7, 4, 2))
# Generar el gráfico de barras apiladas (horizontales)
barplot(t4_top5, beside = TRUE,
col = colores,
legend.text = TRUE,
args.legend = list(title = "Grupo de Edad", x = "topright", cex = 0.8),
main = "Distribución de Grupos de Edad en los 5 Valores de cantidad de prisioneros activos con más Casos",
ylab = "Cantidad",
xlab = "Frecuencia",
horiz = FALSE, # Barras verticales para mejor lectura
las = 2, # Rota etiquetas del eje X
cex.names = 0.9) # Ajusta tamaño de etiquetas
Análisis:
Este gráfico representa la cantidad de prisioneros activos según su grupo de edad, desglosados en cinco categorías de valores.
El grupo “Adulto” es el más numeroso.La barra celeste es la más alta, lo que indica que la mayoría de los prisioneros activos son adultos.Otras categorías de valores también tienen presencia significativa en este grupo.
El grupo “Desconocido” tiene una alta representación.Aparece como el segundo grupo más numeroso, lo que puede indicar problemas en el registro de edades.
Los “Adultos Mayores” y “Adultos Jóvenes” también tienen una cantidad considerable de prisioneros. Destaca la presencia de barras rojas y naranjas en estas categorías. Esto sugiere que las personas de 18-30 años y los mayores de 60 años también están significativamente representados.
Los menores de edad (Infante, Primera Infancia, Adolescente) tienen una presencia mínima.Se observa muy poca representación en estas categorías, lo que es esperable en el sistema penitenciario.