Introducción

El presente informe tiene como propósito analizar los comparendos de tránsito registrados durante el año 2010, con el objetivo de identificar los tipos de vehículos con mayor número de infracciones, las conductas más recurrentes y los valores económicos asociados a las sanciones impuestas.

Mediante el uso del software estadístico RStudio, se realiza un análisis descriptivo que permite comprender el comportamiento general de las infracciones de tránsito durante dicho periodo. Este estudio pretende servir como una herramienta de apoyo para la toma de decisiones, la formulación de estrategias preventivas y el fortalecimiento de las políticas públicas orientadas a mejorar la seguridad vial.

El documento se organiza en cuatro secciones principales:

Exploración inicial de los datos, donde se describen las variables y la estructura general de la base.
Análisis descriptivo, enfocado en la distribución de los comparendos según tipo de vehículo e infracción.
Análisis económico, que examina los montos totales y promedios de las sanciones.
Conclusiones, que presentan una síntesis de los hallazgos y recomendaciones derivadas del análisis.

Exploración inicial de los datos

A continuación se realiza una descripción general de los comparendos de tránsito del año 2010, enfocandonos en las variables principales: tipo de vehículo, tipo de infracción y valor económico asociado a las multas, esto con el fin de entender más y contextualizar todo el asunto de este informe.

Vista preliminar de los registros

El siguiente cuadro muestra una vista preliminar de las primeras filas del conjunto de datos, lo que permite confirmar su estructura y formato.

Lista_Comparendos %>%
head(10) %>%
kbl(caption = "Primeras 10 filas de la base de datos de comparendos", align = "c") %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
font_size = 13
)

Primeras 10 filas de la base de datos de comparendos
No. MANDAMIENTO DE PAGO	FECHA MANDAMIENTO DE PAGO	EJECUTADO	TIPO DE IDENTIFICACION	No. IDENTIFICACION	SEXO	COD. INFRACCION	COMPARENDO	FECHA DE COMPARENDO	FECHA	AÑO	DIA	MES	NOMBRE DEL MES	PACA DE VEHICULO	TIPO DE VEHICULO	VALOR_A_PAGAR
F00002658	19/08/2010	RAMIRO ANTONIO PEREZ HERRERA	Cedula de Ciudadanía	72127412	HOMBRE	67	F00007946	40302	2010-05-04	2010	4	5	Mayo	QHO294	CARRO	438900
F00004304	19/08/2010	TRANSPORTES MST Y CIA S. EN C	Nit	9001288484	EMPRESA	64	F0000469	40281	2010-05-05	2010	13	4	Abril	UYU967	CARRO	438900
F00001544	19/08/2010	NANCY ANGELICA GARCIA DUARTE	Cedula de Ciudadanía	22692743	MUJER	64	F0000925	40283	2010-05-06	2010	15	4	Abril	UYZ604	CARRO	438900
F00001578	19/08/2010	FILOMENA DEL SOCORRO MARTINEZ ROMERO	Cedula de Ciudadanía	23179461	MUJER	64	F0000160	40280	2010-05-07	2010	12	4	Abril	EDN17B	MOTO	438900
F00001372	19/08/2010	SHENYS PAOLA RICO OSPINO	Cedula de Ciudadanía	22516592	MUJER	64	F00004537	40294	2010-05-08	2010	26	4	Abril	BXF75A	MOTO	438900
F00001401	19/08/2010	LISBETH MARTINEZ SARMIENTO	Cedula de Ciudadanía	22533914	MUJER	64	F00005427	40298	2010-05-09	2010	30	4	Abril	BVZ71A	MOTO	438900
F00001473	19/08/2010	MERY DEL CARMEN PACHECO SERRANO	Cedula de Ciudadanía	22615434	MUJER	64	F00014363	40321	2010-05-10	2010	23	5	Mayo	BWX93A	MOTO	438900
F00002953	19/08/2010	MIGUEL HERNANDO GARAY CALLE	Cedula de Ciudadanía	72222136	HOMBRE	76	F00000693	40282	2010-05-11	2010	14	4	Abril	BSB95A	MOTO	438900
F00003518	19/08/2010	COOTRANSCO LTDA	Nit	800161062	EMPRESA	77	F00014863	40322	2010-05-12	2010	24	5	Mayo	UYN964	CARRO	438900
F00003542	19/08/2010	COOTRAB	Nit	800222724	EMPRESA	77	F00001740	40286	2010-05-13	2010	18	4	Abril	UYM220	CARRO	438900

Resumen estadístico de variables numéricas

Lista_Comparendos %>%
select(where(is.numeric)) %>%
summary() %>%
kbl(caption = "Resumen estadístico de las variables numéricas", align = "c") %>% # Alinea el contenido de las columnas al centro
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
font_size = 13
)

Resumen estadístico de las variables numéricas
No. IDENTIFICACION	COD. INFRACCION	FECHA DE COMPARENDO	AÑO	DIA	MES	VALOR_A_PAGAR
Min. :2.358e+05	Min. :64.00	Min. :40280	Min. :2010	Min. : 1.00	Min. :4.000	Min. :438900
1st Qu.:3.273e+07	1st Qu.:64.00	1st Qu.:40295	1st Qu.:2010	1st Qu.: 9.00	1st Qu.:4.000	1st Qu.:438900
Median :7.214e+07	Median :64.00	Median :40304	Median :2010	Median :16.00	Median :5.000	Median :438900
Mean :8.476e+08	Mean :66.53	Mean :40304	Mean :2010	Mean :15.76	Mean :4.664	Mean :438900
3rd Qu.:8.002e+08	3rd Qu.:64.00	3rd Qu.:40314	3rd Qu.:2010	3rd Qu.:23.00	3rd Qu.:5.000	3rd Qu.:438900
Max. :9.003e+09	Max. :77.00	Max. :40325	Max. :2010	Max. :30.00	Max. :5.000	Max. :438900

Aqui se proporciona una visión general de las variables cuantitativas (como los valores de las multas), mostrando medidas como el mínimo, máximo, media y percentiles.

Análisis descriptivo

El presente análisis descriptivo busca examinar la distribución de los comparendos de tránsito registrados durante el año 2010, con el fin de identificar patrones relevantes en la aplicación de sanciones.

Se analizan variables como el tipo de vehículo, el código de infracción y el género del infractor, lo cual permite obtener una visión clara del comportamiento general de las infracciones.

A través de gráficos y resúmenes estadísticos, se pretende evidenciar las categorías más representativas y los grupos con mayor participación en la comisión de faltas, aportando así una base sólida para posteriores interpretaciones y conclusiones.

Distribución de comparendos por tipo de vehículo

El siguiente gráfico muestra la cantidad de comparendos registrados según el tipo de vehículo involucrado en las infracciones:

# Calcula el número de comparendos por tipo de vehículo
comparendos_tipo <- Lista_Comparendos %>%
  count(`TIPO DE VEHICULO`)

# Gráfico con etiquetas
ggplot(comparendos_tipo, aes(x = reorder(`TIPO DE VEHICULO`, n), y = n, fill = `TIPO DE VEHICULO`)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = n),
            hjust = -0.1,
            size = 3.5,
            color = "black") +
  coord_flip() +
  labs(title = "Número de comparendos por tipo de vehículo",
       x = "Tipo de vehículo",
       y = "Cantidad de comparendos") +
  theme_minimal() +
  expand_limits(y = max(comparendos_tipo$n) * 1.1)  # Aquí usamos el objeto creado arriba

Se observa que los vehículos con mayor número de comparendos corresponden a los tipos más comunes en circulación, destacándose motocicletas y automóviles particulares.

Infracciones más frecuentes

El siguiente análisis identifica las infracciones más comunes registradas durante el año 2010.

# Calcular las 10 infracciones más comunes
infracciones_top10 <- Lista_Comparendos %>%
  count(`COD. INFRACCION`) %>%
  arrange(desc(n)) %>%
  slice(1:10)

# Gráfico con etiquetas
ggplot(infracciones_top10, aes(x = reorder(`COD. INFRACCION`, n), y = n, fill = `COD. INFRACCION`)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = n),
            hjust = -0.1,        # Coloca el texto ligeramente fuera de la barra
            size = 3.5,
            color = "black") +
  coord_flip() +
  labs(
    title = "Top 10 de infracciones más comunes (2010)",
    x = "Código de infracción",
    y = "Número de comparendos"
  ) +
  theme_minimal() +
  expand_limits(y = max(infracciones_top10$n) * 1.1)  # Aumenta el espacio para las etiquetas

Este gráfico muestra las infracciones más frecuentes, permitiendo identificar los comportamientos que más infringen la normativa de tránsito durante el año analizado.

Comparendos por género (SEXO)

Este gráfico muestra la proporción de comparendos entre hombres y mujeres.

Generalmente, los hombres presentan una mayor participación en la comisión de infracciones, posiblemente por su predominio en la conducción de motocicletas y transporte público.

# Gráfico de comparendos por género con etiquetas
comparendos_genero <- Lista_Comparendos %>%
  filter(SEXO %in% c("HOMBRE", "MUJER")) %>%
  count(SEXO)

ggplot(comparendos_genero, aes(x = SEXO, y = n, fill = SEXO)) +
  geom_col(show.legend = FALSE) +  # Crea las barras
  geom_text(aes(label = n),        # Agrega etiquetas con el valor
            vjust = -0.5,          # Coloca el texto sobre la barra
            size = 4,
            color = "black") +
  labs(
    title = "Distribución de comparendos por género",
    x = "Sexo",
    y = "Cantidad de comparendos"
  ) +
  theme_minimal() +
  expand_limits(y = max(comparendos_genero$n) * 1.1)  # Añade espacio arriba para no cortar etiquetas

Análisis económico

En esta sección se realiza un análisis económico orientado a evaluar el impacto financiero de las infracciones de tránsito.

Se examinan los valores totales y promedios de las multas, desagregados por tipo de vehículo y tipo de infracción, con el objetivo de identificar aquellas categorías que representan un mayor peso económico.

Este enfoque permite cuantificar el costo de las infracciones en el contexto del año 2010 y aporta información útil para la formulación de políticas de control, educación y seguridad vial, basadas en la evidencia y el comportamiento financiero de los comparendos.

Monto promedio por tipo de infracción

# Calcular monto promedio por tipo de infracción (Top 10)
monto_promedio <- Lista_Comparendos %>%
  group_by(`COD. INFRACCION`) %>%
  summarise(Promedio_Pago = mean(VALOR_A_PAGAR, na.rm = TRUE)) %>%
  slice_max(Promedio_Pago, n = 10)

# Gráfico de barras horizontales con etiquetas claras
ggplot(monto_promedio, aes(x = reorder(`COD. INFRACCION`, Promedio_Pago), 
                           y = Promedio_Pago, fill = `COD. INFRACCION`)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = scales::comma(round(Promedio_Pago, 0))), 
            hjust = -0.1, size = 3.5, color = "black") +  # Etiquetas al final de la barra
  coord_flip() +
  scale_y_continuous(labels = scales::comma) +
  labs(
    title = "Monto promedio a pagar por tipo de infracción (Top 10)",
    x = "Código de infracción",
    y = "Promedio del valor ($)"
  ) +
  theme_minimal() +
  expand_limits(y = max(monto_promedio$Promedio_Pago) * 1.1)

Se identifican las infracciones con mayor monto promedio, lo cual sugiere la gravedad de las conductas sancionadas.

Este indicador permite enfocar los controles en las faltas con mayor impacto económico y social.

Valor total de comparendos por tipo de vehículo

# Calcular el valor total de comparendos por tipo de vehículo
valor_total <- Lista_Comparendos %>%
  group_by(`TIPO DE VEHICULO`) %>%
  summarise(Total_Pagar = sum(VALOR_A_PAGAR, na.rm = TRUE))

# Gráfico con etiquetas y barras horizontales
ggplot(valor_total, aes(x = reorder(`TIPO DE VEHICULO`, Total_Pagar), 
                        y = Total_Pagar, fill = `TIPO DE VEHICULO`)) +
  geom_col(show.legend = FALSE) +
  geom_text(aes(label = scales::comma(round(Total_Pagar, 0))),  # Agrega etiquetas con separador de miles
            hjust = -0.1, size = 3.5, color = "black") +
  coord_flip() +
  scale_y_continuous(labels = scales::comma) +
  labs(
    title = "Valor total de comparendos por tipo de vehículo",
    x = "Tipo de vehículo",
    y = "Valor total ($)"
  ) +
  theme_minimal() +
  expand_limits(y = max(valor_total$Total_Pagar) * 1.1)  # Deja espacio para las etiquetas

El valor total muestra el impacto económico por categoría vehicular, destacándose los vehículos con más infracciones y mayor costo acumulado en sanciones.

Comparendos por mes

# Contar comparendos por mes
comparendos_mes <- Lista_Comparendos %>%
  count(`NOMBRE DEL MES`)

# Gráfico con etiquetas y línea de tendencia
ggplot(comparendos_mes, aes(x = factor(`NOMBRE DEL MES`, levels = unique(`NOMBRE DEL MES`)),
                            y = n, group = 1)) +
  geom_line(color = "darkgreen", size = 1.2) +        # Línea de tendencia
  geom_point(size = 3, color = "black") +             # Puntos en cada mes
  geom_text(aes(label = n),                           # Etiquetas sobre los puntos
            vjust = -0.5, size = 3.5, color = "black") +
  labs(
    title = "Tendencia mensual de comparendos en 2010",
    x = "Mes",
    y = "Cantidad de comparendos"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold", size = 14, hjust = 0.5),
    axis.text.x = element_text(angle = 45, hjust = 1) # Inclina los nombres de los meses para que no se monten
  )

La tendencia mensual permite identificar picos de infracciones a lo largo del año, posiblemente relacionados con temporadas de mayor movilidad o eventos específicos.

Conclusiones

En términos generales, los resultados del análisis evidencian que los comparendos de tránsito se concentran principalmente en motocicletas y automóviles, reflejando el predominio de estos vehículos en la movilidad urbana. Asimismo, se observa que los hombres presentan un número significativamente mayor de sanciones, lo que se asocia con su mayor participación en la conducción. Algunas infracciones destacan no solo por su frecuencia, sino también por los elevados montos promedio que implican, indicando su gravedad y el riesgo que representan para la seguridad vial. Por otro lado, el comportamiento mensual de los comparendos permite identificar periodos críticos del año, útiles para planificar estrategias de control y prevención más efectivas. En conjunto, estos hallazgos subrayan la necesidad de fortalecer la cultura y la educación vial como mecanismos clave para reducir la incidencia de infracciones y mejorar la seguridad en las vías.

Referencias técnicas

El análisis y la visualización de datos fueron realizados empleando el lenguaje de programación R y las siguientes librerías:

tidyverse: colección de paquetes para manipulación, transformación y visualización de datos (incluye dplyr, ggplot2, readr, entre otros).
readxl: permite importar archivos de Excel (.xlsx) a R de manera sencilla.
kableExtra: facilita la creación de tablas con formato avanzado en documentos HTML y PDF generados con R Markdown.
scales (integrado en tidyverse): utilizado para formatear valores numéricos y etiquetas en los gráficos.
knitr: herramienta para compilar el informe y generar visualizaciones reproducibles dentro del documento.

Informe acerca de los comparendos de tránsito

Guillermo René Tovar Beleño

Fecha de revisión: 06-11-2025