Planteamiento del problema

Los siniestros viales representan un problema crítico de salud pública y desarrollo urbano. Según la Secretaría Distrital de Movilidad de Bogotá, “son una de las principales causas de muerte, discapacidad y hospitalización de personas en todo el mundo” (2022, p.16). Además de las pérdidas humanas y las secuelas físicas y psicológicas para las víctimas, estos eventos generan un alto impacto económico debido a los costos en atención médica, pérdida de productividad y afectaciones en la movilidad urbana.

Si bien, los accidentes de tránsito pueden atribuirse a múltiples factores, el análisis de su ocurrencia y gravedad muestra una relación estrecha con variables como el diseño de la vía, el tipo de vehículo y contra que fue el choque. Comprender cómo influyen estos elementos es clave para desarrollar estrategias de mitigación y mejorar la seguridad vial.

El diseño de la infraestructura vial juega un papel crucial en la prevención y mitigación de los accidentes de tránsito. Un trazado geométrico inadecuado puede aumentar la probabilidad de siniestros, mientras que una planificación adecuada mejora la seguridad y reduce su gravedad.

Elementos como la visibilidad, el peralte de las curvas, la señalización y la presencia de dispositivos de seguridad influyen directamente en el comportamiento de los conductores y en su capacidad de reacción ante imprevistos. Ricardo (2020/2021) destaca la importancia de considerar distintos tipos de distancias de visibilidad, como la de parada, adelantamiento, cruce y decisión, pues estas permiten anticipar maniobras y evitar colisiones.

La Organización Mundial de la Salud (OMS) advierte que más del 50% de las vías analizadas a nivel mundial presentan deficiencias en su diseño, careciendo de elementos esenciales para la seguridad de peatones, ciclistas, motociclistas y conductores. Estas fallas en la infraestructura no solo aumentan la probabilidad de accidentes, sino que también agravan su impacto al generar puntos de conflicto y zonas de alta siniestralidad (OMS, 2017).

Para reducir estos riesgos, la OMS enfatiza la importancia de actualizar las normativas viales e implementar mejoras en la infraestructura, como aceras seguras, barreras de protección y rotondas estratégicamente ubicadas. Estas intervenciones pueden prevenir un número significativo de muertes y lesiones graves, resaltando la necesidad de analizar el papel del diseño vial en la seguridad urbana.

El tipo de vehículo involucrado en un accidente influye significativamente en la severidad del impacto y en el nivel de riesgo para sus ocupantes y otros actores viales. Según De los Reyes et al. (2021), la variabilidad en la gravedad de los siniestros se debe a tres factores principales: la frecuencia con la que un determinado tipo de vehículo se ve involucrado en accidentes, la cantidad de energía liberada en la colisión y la vulnerabilidad del usuario. En este sentido, los llamados “usuarios vulnerables” —como peatones, ciclistas y motociclistas— enfrentan un mayor riesgo de lesiones graves o muerte debido a la escasa protección que ofrecen sus medios de transporte (2021, párr. 11).

El tamaño y diseño del vehículo también desempeñan un papel clave en la magnitud del siniestro. Según el abogado Kevin Hansen, los vehículos de carga pesada o de gran tamaño generan más daños debido a su peso, mientras que algunos modelos cuentan con estructuras más seguras que reducen el impacto en caso de colisión. Tecnologías como frenos automáticos y zonas deformables pueden disminuir la severidad del choque y proteger a los ocupantes (s.f., párr. 9). Esta relación entre el tipo de vehículo y la gravedad del accidente no solo es relevante para comprender la dinámica de los siniestros, sino también para diseñar regulaciones que minimicen los riesgos asociados a cada categoría de transporte.

El elemento de choque juega un papel importante en la clasificación de la gravedad de un accidente. Según la Policía Nacional de Colombia, los accidentes de tránsito se clasifican en atropello, caracterizado por el impacto de un vehículo contra un peatón; caída, que ocurre cuando un pasajero se desprende o desciende involuntariamente del vehículo en el que se transporta; colisión, que se da cuando dos o más vehículos en movimiento chocan entre sí; choque, cuando un vehículo en movimiento impacta contra otro que está detenido o contra un obstáculo físico; volcamiento, que sucede cuando un vehículo en movimiento gira sobre su eje longitudinal o transversal respecto a su sentido de marcha, apoyando cualquier parte de su estructura después de abandonar la posición normal de rodaje, y otros, que incluyen cualquier accidente de tránsito no contemplado en las categorías anteriores (Álvarez, 2009, como se citó en Policía Nacional de Colombia, s.f.).

Esta clasificación permite la reconstrucción de los hechos del siniestro para comprender los factores implicados en su gravedad. En el caso del elemento de choque, las colisiones y los choques son los más estudiados en la literatura gris y académica. Se ha identificado que “la colisión lateral es aquella que provoca lesiones más graves debido a que los vehículos no ofrecen tanta protección por los lados” (Generali, s.f.). No obstante, la gravedad del siniestro no solo depende del tipo de impacto, sino también de otras variables como la velocidad, la estructura del vehículo y la energía del choque. En particular, un impacto contra un objeto fijo a alta velocidad puede generar una gravedad significativa, ya que la energía del impacto no se disipa a través del movimiento de otro vehículo, sino que es absorbida completamente por el vehículo y sus ocupantes, lo que incrementa el riesgo de lesiones fatales.

Estas categorías de análisis se relacionan con la severidad de los accidentes de tráfico, la cual se define a través de diversos factores, como la cantidad de personas heridas y el daño a la propiedad. En este contexto, los siniestros pueden clasificarse según su gravedad en tres categorías: accidentes con muertos, aquellos que resultan en víctimas fatales; accidentes con heridos, donde hay personas lesionadas sin pérdida de vidas; y accidentes con solo daños, en los que únicamente se registran afectaciones materiales. Estudios recientes analizan cómo variables como el diseño de la vía, la clase de vehículo y el elemento de impacto influyen en la gravedad de los siniestros, destacando la importancia de comprender estos niveles de impacto para la formulación de políticas de prevención y seguridad vial.

En Bogotá, la base de datos de siniestros viales de 2015, disponible en Datos Abiertos, proporciona información detallada sobre la gravedad de los accidentes, su localización y las características de la infraestructura involucrada.

A partir de estos antecedentes, surge la siguiente pregunta de investigación:

Pregunta Problema

¿Cómo se relacionan el diseño de la vía, la clase de vehículo y el elemento de impacto con la gravedad de los siniestros viales de Bogotá en 2015?

Planteamiento de la hipótesis de investigación

La gravedad de los siniestros viales en Bogotá en 2015 está influenciada por el diseño de la vía, la clase de vehículo y el elemento de impacto. Infraestructuras viales con deficiencias en señalización, visibilidad y trazado geométrico aumentan la severidad de los accidentes al dificultar la capacidad de reacción de los conductores. Del mismo modo, la clase de vehículo influye en la gravedad del siniestro, ya que ciertos vehículos ofrecen mayor protección que otros debido a diferencias en su diseño estructural y en la tecnología de seguridad incorporada. Además, el objeto contra el que impacta el vehículo afecta la severidad del accidente, ya que colisiones contra estructuras fijas o vehículos de mayor tamaño pueden generar mayores daños y aumentar el riesgo de lesiones fatales.

Objetivo General

Analizar la relación entre el diseño de la vía, la clase de vehículo y el elemento de impacto en la gravedad de los siniestros viales de Bogotá en 2015.

Objetivos Específicos

Identificar el diseño de la vía donde ocurrió el siniestro vial que podría estar relacionadas con la gravedad de los siniestros viales.
Clasificar los siniestros viales según la clase de vehículo involucrado y analizar su incidencia en la severidad del accidente.
Determinar la relación entre el elemento de impacto y la gravedad del siniestro, evaluando cuáles tipos de colisiones generan mayores consecuencias.

Análisis descriptivo y exploratorio de variables, e interpretación

Variables de Interés

GRAVEDAD: Variable categórica ordinal convertida en factor
- Posee un orden lógico, por ejemplo: “con muertos” es más graveVariable categórica nominal que “solo daños”
- Puede analizarse con distribuciones de frecuencia
DISEÑO_LUGAR: Variable categórica nominal convertida en factor
- Describe el tipo de infraestructura donde ocurrió el siniestro (tramo de vía, intersección, glorieta, túnel, etc.).
- No hay un orden establecido entre las categorías.
- Se analiza con distribuciones de frecuencia y gráficos de barras.
CLASE: Variable categórica nominal convertida en factor
- Representa distintos tipos de accidentes (choque, atropello, incendio, etc.)
- No tiene un orden implícito
- Se analiza con frecuencias y proporciones
CHOQUE: Variable categórica nominal convertida en factor
- Indica contra qué chocó el vehículo (vehículo, tren, semoviente, objeto fijo)
- No tiene jerarquía, por lo que solo se analiza con tablas de frecuencia

Estimadores Puntuales de las Variables

Resumen general de la base de datos

library(readxl)

## Warning: package 'readxl' was built under R version 4.4.3

datos <- read_excel("C:/Users/Sara Sofia/OneDrive/Desktop/M.CUANTI/siniestros viales editado.xlsx")

head(datos)

## # A tibble: 6 × 10
##   CODIGO_ACCIDENTE FECHA      HORA   GRAVEDAD CLASE CHOQUE OBJETO_FIJO DIRECCION
##              <dbl> <chr>      <chr>     <dbl> <dbl>  <dbl>       <dbl> <chr>    
## 1          4401438 01/01/2015 01:05…        2     2     NA          NA KR 64A-C…
## 2          4401449 01/01/2015 05:50…        2     3     NA          NA AV AVENI…
## 3          4401430 01/01/2015 07:15…        2     3     NA          NA KR 19D-C…
## 4          4401453 01/01/2015 09:30…        3     1      1          NA KR 79-CL…
## 5          4401423 01/01/2015 09:45…        2     1      1          NA CL 66A-K…
## 6          4401437 01/01/2015 12:50…        3     1      1          NA DG 77A-A…
## # ℹ 2 more variables: CODIGO_LOCALIDAD <dbl>, DISENO_LUGAR <dbl>

Las variables de nuestra base de datos, GRAVEDAD, CLASE, CHOQUE y DISEÑO LUGAR, son categóricas, lo que implica que no es posible calcular medidas de tendencia central como la media o la desviación estándar, ya que estas requieren valores numéricos con significado matemático. Su análisis se basa en la distribución de frecuencias y representaciones gráficas en lugar de cálculos estadísticos numéricos.

1. GRAVEDAD

Convertir GRAVEDAD a factor

datos$GRAVEDAD <- as.factor(datos$GRAVEDAD)

Diccionario de la variable GRAVEDAD

Con Muertos
Con Heridos
Solo Daños

Datos Perdidos

Número de datos perdidos

sum(is.na(datos$GRAVEDAD))

## [1] 0

Proporción de Datos Perdidos

(sum(is.na(datos$GRAVEDAD)) / length(datos$GRAVEDAD)) * 100

## [1] 0

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia en número enteros (redondeado)

round(prop.table(table(datos$GRAVEDAD)) * 100)

## 
##  1  2  3 
##  2 33 65

Frecuencia en porcentaje

prop.table(table(datos$GRAVEDAD)) * 100

## 
##         1         2         3 
##  1.526877 33.258901 65.214222

Frecuencia sin contar datos perdidos (sin redondeo)

prop.table(table(na.omit(datos$GRAVEDAD)))

## 
##          1          2          3 
## 0.01526877 0.33258901 0.65214222

Frecuencia Absoluta

Frecuencia en número enteros

table(datos$GRAVEDAD)

## 
##      1      2      3 
##   2995  65238 127919

Frecuencia en porcentaje

prop.table(table(datos$GRAVEDAD)) * 100

## 
##         1         2         3 
##  1.526877 33.258901 65.214222

Frecuencia sin contar datos perdidos

table(na.omit(datos$GRAVEDAD))

## 
##      1      2      3 
##   2995  65238 127919

Gráfica sin datos perdidos

library(ggplot2)

## Warning: package 'ggplot2' was built under R version 4.4.3

ggplot(data = datos, aes(x = factor(GRAVEDAD))) +
  geom_bar(fill = "pink", color = "black") +
  labs(title = "Distribución de la variable GRAVEDAD",
       x = "Categoría",
       y = "Frecuencia Absoluta") +
  theme_minimal()

Análisis de Estimadores Puntuales GRAVEDAD

No se encontraron datos perdidos, lo que facilita un análisis completo. En términos de frecuencia absoluta (la cantidad de veces que ocurre cada categoría dentro de la variable), la gravedad 1 presentó 2,995 casos, la gravedad 2 tuvo 65,238 casos y la gravedad 3 alcanzó 127,919 casos, destacándose esta última con la mayor cantidad. La frecuencia relativa (la importancia relativa de cada categoría o el porcentaje que representa de la variable) mostró que el 65.21% de los casos correspondieron a gravedad 3, el 33.26% a gravedad 2 y solo el 1.53% a gravedad 1. Esta distribución se visualizó claramente en el gráfico de barras, donde la gravedad 3 predominó notablemente, es decir, son más comunes los siniestros en lo que no hay heridos sino daños materiales que en los que puede haber heridos o muertos, siendo este último el menos común.

2. CLASE

Convertir CLASE a factor

datos$CLASE <- as.factor(datos$CLASE)

Diccionario de la variable CLASE

Choque
Atropello
Volcamiento
Caida de Ocupante
Incendio
Otro
Autolesión

Datos Perdidos

Número de datos perdidos

sum(is.na(datos$CLASE))

## [1] 0

Proporción de Datos Perdidos

(sum(is.na(datos$CLASE)) / length(datos$CLASE)) * 100

## [1] 0

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia en número enteros (redondeado)

round(prop.table(table(datos$CLASE)) * 100)

## 
##  1  2  3  4  5  6  7 
## 86 10  1  2  0  0  0

Frecuencia en porcentaje

prop.table(table(datos$CLASE)) * 100

## 
##            1            2            3            4            5            6 
## 85.604531180 10.247665076  1.333149802  2.393042131  0.012745218  0.401729271 
##            7 
##  0.007137322

Frecuencia sin contar datos perdidos (sin redondeo)

prop.table(table(na.omit(datos$CLASE)))

## 
##            1            2            3            4            5            6 
## 8.560453e-01 1.024767e-01 1.333150e-02 2.393042e-02 1.274522e-04 4.017293e-03 
##            7 
## 7.137322e-05

Frecuencia Absoluta

Frecuencia en número enteros

table(datos$CLASE)

## 
##      1      2      3      4      5      6      7 
## 167915  20101   2615   4694     25    788     14

Frecuencia en porcentaje

prop.table(table(datos$CLASE)) * 100

## 
##            1            2            3            4            5            6 
## 85.604531180 10.247665076  1.333149802  2.393042131  0.012745218  0.401729271 
##            7 
##  0.007137322

Frecuencia sin contar datos perdidos

table(na.omit(datos$CLASE))

## 
##      1      2      3      4      5      6      7 
## 167915  20101   2615   4694     25    788     14

Gráfica sin datos perdidos

library(ggplot2)

ggplot(data = datos, aes(x = factor(CLASE))) +
  geom_bar(fill = "purple", color = "black") +
  labs(title = "Distribución de la variable CLASE",
       x = "Categoría",
       y = "Frecuencia Absoluta") +
  theme_minimal()

Análisis de Estimadores Puntuales CLASE

La variable CLASE representa diferentes tipos de accidentes y no presenta valores perdidos, lo que facilita un análisis completo. La distribución muestra una marcada concentración en la categoría 1, con 167,915 casos, representando aproximadamente el 85.68% del total. Este predominio sugiere que este tipo de accidente es significativamente más común que los demás.

Por otro lado, la categoría 2 agrupa 20,101 casos (10.25%), lo que indica una incidencia considerable, aunque mucho menor en comparación con la categoría principal. Las categorías 3, 4, 5, 6 y 7 muestran frecuencias mucho más bajas, con proporciones que van desde 1.33% hasta menos del 0.01%. Esta asimetría en la distribución podría implicar que ciertos tipos de accidentes son esporádicos o menos propensos a ocurrir. El gráfico de barras ilustra claramente esta desigualdad, con una notable diferencia entre la categoría predominante y las demás.

3. CHOQUE

Convertir CHOQUE a factor

datos$CHOQUE <- as.factor(datos$CHOQUE)

Diccionario de la variable CHOQUE

Vehículo
Tren
Semoviente
Objeto Fijo
Otro

Datos Perdidos

Número de datos perdidos

sum(is.na(datos$CHOQUE))

## [1] 28242

Proporción de Datos Perdidos

(sum(is.na(datos$CHOQUE)) / length(datos$CHOQUE)) * 100

## [1] 14.39802

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia en número enteros (redondeado)

round(prop.table(table(datos$CHOQUE)) * 100)

## 
##  1  2  3  4  5 
## 96  0  0  4  0

Frecuencia en porcentaje

prop.table(table(datos$CHOQUE)) * 100

## 
##           1           2           3           4           5 
## 95.77035317  0.01667560  0.05657793  3.98368173  0.17271157

Frecuencia sin contar datos perdidos (sin redondeo)

prop.table(table(na.omit(datos$CHOQUE)))

## 
##            1            2            3            4            5 
## 0.9577035317 0.0001667560 0.0005657793 0.0398368173 0.0017271157

Frecuencia Absoluta

Frecuencia en número enteros

table(datos$CHOQUE)

## 
##      1      2      3      4      5 
## 160808     28     95   6689    290

Frecuencia en porcentaje

prop.table(table(datos$CHOQUE)) * 100

## 
##           1           2           3           4           5 
## 95.77035317  0.01667560  0.05657793  3.98368173  0.17271157

Frecuencia sin contar datos perdidos

table(na.omit(datos$CHOQUE))

## 
##      1      2      3      4      5 
## 160808     28     95   6689    290

Gráfica sin datos perdidos

library(ggplot2)

ggplot(data = datos, aes(x = factor(CHOQUE))) +
  geom_bar(fill = "lightblue", color = "black") +
  labs(title = "Distribución de la variable CHOQUE",
       x = "Categoría",
       y = "Frecuencia Absoluta") +
  theme_minimal()

Análisis de Estimadores Puntuales CHOQUE

La variable CHOQUE muestra los diferentes tipos de colisiones en los accidentes de tránsito. Se encontraron 28,242 valores perdidos, lo que representa un 14.4% del total de los datos. Aunque esta cantidad es significativa, como no supera el 30%, la variable sigue siendo útil para el análisis.

En cuanto a la frecuencia absoluta, el tipo de choque 1 es el más común, con 160,808 casos, representando el 95.77% del total. Esto indica que la mayoría de los accidentes corresponden a este tipo de colisión. Por otro lado, los choques de tipo 2, 3, 4 y 5 son mucho menos frecuentes, con porcentajes de 0.08%, 0.06%, 3.98% y 0.17% respectivamente.

La gráfica de barras muestra claramente esta diferencia, destacando la predominancia del tipo de choque 1.

4. DISEÑO LUGAR

Convertir DISEÑO LUGAR a factor

datos$CHOQUE <- as.factor(datos$DISENO_LUGAR)

Diccionario de la variable DISEÑO LUGAR

Tramo de Vía
Intersección
Vía Peatonal
Paso Elevado
Paso Inferior
Paso a Nivel
Glorieta
Puente
Vía Troncal
Lote o Predio
Cicloruta
Ponton
Tunel

Datos Perdidos

Número de datos perdidos

sum(is.na(datos$DISENO_LUGAR))

## [1] 0

Proporción de Datos Perdidos

(sum(is.na(datos$DISENO_LUGAR)) / length(datos$DISENO_LUGAR)) * 100

## [1] 0

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia en número enteros (redondeado)

round(prop.table(table(datos$DISENO_LUGAR)) * 100)

## 
##  1  2  3  4  5  6  7  8  9 10 11 12 13 
## 77 19  0  1  0  0  1  0  0  1  0  0  0

Frecuencia en porcentaje

prop.table(table(datos$DISENO_LUGAR)) * 100

## 
##            1            2            3            4            5            6 
## 7.697551e+01 1.947928e+01 4.231412e-02 6.031037e-01 2.941596e-01 1.539622e-01 
##            7            8            9           10           11           12 
## 1.073147e+00 1.825115e-01 5.098087e-04 1.000245e+00 1.738448e-01 6.627513e-03 
##           13 
## 1.478445e-02

Frecuencia sin contar datos perdidos (sin redondeo)

prop.table(table(na.omit(datos$DISENO_LUGAR)))

## 
##            1            2            3            4            5            6 
## 7.697551e-01 1.947928e-01 4.231412e-04 6.031037e-03 2.941596e-03 1.539622e-03 
##            7            8            9           10           11           12 
## 1.073147e-02 1.825115e-03 5.098087e-06 1.000245e-02 1.738448e-03 6.627513e-05 
##           13 
## 1.478445e-04

Frecuencia Absoluta

Frecuencia en número enteros

table(datos$DISENO_LUGAR)

## 
##      1      2      3      4      5      6      7      8      9     10     11 
## 150989  38209     83   1183    577    302   2105    358      1   1962    341 
##     12     13 
##     13     29

Frecuencia en porcentaje

prop.table(table(datos$DISENO_LUGAR)) * 100

## 
##            1            2            3            4            5            6 
## 7.697551e+01 1.947928e+01 4.231412e-02 6.031037e-01 2.941596e-01 1.539622e-01 
##            7            8            9           10           11           12 
## 1.073147e+00 1.825115e-01 5.098087e-04 1.000245e+00 1.738448e-01 6.627513e-03 
##           13 
## 1.478445e-02

Frecuencia sin contar datos perdidos

table(na.omit(datos$DISENO_LUGAR))

## 
##      1      2      3      4      5      6      7      8      9     10     11 
## 150989  38209     83   1183    577    302   2105    358      1   1962    341 
##     12     13 
##     13     29

Gráfica sin datos perdidos

library(ggplot2)

ggplot(data = datos, aes(x = factor(DISENO_LUGAR))) +
  geom_bar(fill = "lightgreen", color = "black") +
  labs(title = "Distribución de la variable DISEÑO LUGAR",
       x = "Categoría",
       y = "Frecuencia Absoluta") +
  theme_minimal()

Análisis de Estimadores Puntuales DISEÑO LUGAR

Para la variable DISEÑO LUGAR, no se reportan datos perdidos. La distribución de frecuencias muestra que la categoría 1 predomina representando aproximadamente el 79.7% de los datos, seguida de la categoría 2 con un 19.5%. Las demás categorías tienen frecuencias muy bajas, con porcentajes por debajo del 1%, por lo que no llegan a ser igual de representativas que la categoría 1 y 2.

La visualización gráfica confirma este comportamiento, mostrando una concentración muy alta en las primeras dos categorías.

Referencias

Agencia Nacional de Seguridad Vial. (2022). Siniestralidad vial y género. ANSV. https://www.ansv.gov.co/sites/default/files/2022-07/Siniestralidad%20vial%20genero.pdf

De los Reyes et al. (2021). Asociación del tipo de vehículo con el riesgo de provocar una colisión entre vehículos. Scielo. https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S0213-91112020000400007

Dirección General de Tráfico. (2017). Mujer y seguridad vial. DGT. https://revista.dgt.es/images/DOC.-MUJERES-VERSION-FAI-REV4.pdf

Generali. (s.f.). Tipos de colisiones en coche más habituales y cómo evitarlas. https://www.generali.es/blog/generalimasqueseguros/tipos-colisiones-habituales/

Hansen, K. (s.f.). Factores que determinan la gravedad de las lesiones por accidente de tráfico. Law Office of Kevin R. Hansen. https://kevinrhansen.com/es/factores-que-determinan-la-gravedad-de-las-lesiones-en-accidentes-de-trafico/

OMS. (2017). Salve VIDAS – Paquete de medidas técnicas sobre seguridad vial. Disponible en: https://apps.who.int/iris/bitstream/10665/255308/1/9789243511702-spa.pdf

Policía Nacional de Colombia. (s.f.). Componentes descriptivos y explicativos de la accidentalidad vial en Colombia: incidencia del factor humano. https://www.policia.gov.co/sites/default/files/componentes.html

Ricardo, J. (2020/2021). Importancia de un buen diseño geométrico en la elaboración de un proyecto vial. Universidad de Sucre. Ensayo Vías 1 - IMPORTANCIA DE UN BUEN DISEÑO GEOMÉTRICO EN LA ELABORACIÓN DE UN PROYECTO VIAL Como - Studocu.

Secretaría Distrital de Movilidad de Bogotá. (2022). Anuario de siniestralidad vial de Bogotá 2022. Alcaldía Mayor de Bogotá D.C. https://www.movilidadbogota.gov.co/web/sites/default/files/Paginas/02-12-2023/anuario_siniestralidad.pdf

Trabajo de Investigación - Métodos Cuantitativos

Ana Caro, Jessica Rueda y Sara Umbarila

2025-03-19

Planteamiento del problema

Pregunta Problema

Planteamiento de la hipótesis de investigación

Objetivo General

Objetivos Específicos

Análisis descriptivo y exploratorio de variables, e interpretación

Estimadores Puntuales de las Variables

1. GRAVEDAD

Convertir GRAVEDAD a factor

Diccionario de la variable GRAVEDAD

Datos Perdidos

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia Absoluta

Análisis de Estimadores Puntuales GRAVEDAD

2. CLASE

Convertir CLASE a factor

Diccionario de la variable CLASE

Datos Perdidos

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia Absoluta

Análisis de Estimadores Puntuales CLASE

3. CHOQUE

Convertir CHOQUE a factor

Diccionario de la variable CHOQUE

Datos Perdidos

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia Absoluta

Análisis de Estimadores Puntuales CHOQUE

4. DISEÑO LUGAR

Convertir DISEÑO LUGAR a factor

Diccionario de la variable DISEÑO LUGAR

Datos Perdidos

Distribución de Frecuencias:

Frecuencia Relativa

Frecuencia Absoluta

Análisis de Estimadores Puntuales DISEÑO LUGAR

Referencias