Introducción

Aquí va la intruducción

Objetivos del Informe

Aqui van los objetivos del informe

Casos por Género

# Tabla
tabla_genero <- Feminicidios %>% 
  count(GENERO_VI, name = "Cantidad")

# Calcular proporciones
tabla_genero <- tabla_genero %>% 
  mutate(pct = Cantidad / sum(Cantidad))

# Gráfico de anillo con paleta morada
ggplot(tabla_genero, aes(x = 2, y = Cantidad, fill = GENERO_VI)) +
  geom_col(width = 1, color = "white") +
  coord_polar(theta = "y") +
  
  # Agujero central
  xlim(0.5, 2.5) +
  
  # Etiquetas en blanco
  geom_text(aes(label = Cantidad),
            position = position_stack(vjust = 0.5),
            color = "white",
            size = 5,
            fontface = "bold") +
  
  # Paleta del tema
  scale_fill_manual(values = c(
    "#5A2A83",  # morado oscuro
    "#82ADFF",  # azul intermedio
    "#C8A2C8"   # morado claro
  )) +
  
  labs(
     title = "Casos por Género",
    fill = "Género"
  ) +
  
  theme_void() +
  theme(
    plot.title = element_text(
      hjust = 0.5,
      size = 18,
      face = "bold",
      color = "#5A2A83"
    ),
    legend.title = element_text(color = "#5A2A83", face = "bold"),
    legend.text  = element_text(color = "#3A1C5A")
  )

Aqui va el analisis

Consulta 2

# Tabla de armas/medios
tabla_armas <- Feminicidios %>% 
  count(ARMAS_MEDIOS_VI, name = "Cantidad") %>% 
  arrange(desc(Cantidad))

invisible(tabla_armas)

# Gráfico de columnas verticales en tonos morados
ggplot(tabla_armas, aes(
  x = reorder(ARMAS_MEDIOS_VI, -Cantidad),
  y = Cantidad,
  fill = Cantidad
)) +
  geom_col() +
  scale_fill_gradientn(
    colors = c("#C8A2C8", "#9B59B6", "#5A2A83")   # degradado morado bonito
  ) +
  geom_text(
    aes(label = comma(Cantidad)),
    vjust = -0.4,
    color = "#3A1C5A",
    fontface = "bold",
    size = 4
  ) +
  scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.15))) +
  labs(
    title = "Casos por Tipo de Arma/Medio",
    x = "Arma/Medio",
    y = "Cantidad"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 18, face = "bold", color = "#5A2A83"),
    axis.title = element_text(color = "#5A2A83", face = "bold"),
    axis.text.x = element_text(color = "#3A1C5A", angle = 45, hjust = 1),
    axis.text.y = element_text(color = "#3A1C5A"),
    panel.grid.major.x = element_blank()
  )

Aqui va el analisis

Consulta 3

tabla_depto <- Feminicidios %>% 
  count(DEPARTAMENTO_VI, name = "Cantidad") %>% 
  arrange(desc(Cantidad))

ggplot(tabla_depto, aes(
  x = reorder(DEPARTAMENTO_VI, Cantidad),
  y = Cantidad,
  fill = Cantidad
)) +
  geom_col() +
  scale_fill_gradientn(
    colours = c("#BFA2DB", "#8E44AD", "#5A2A83")
  ) +
  geom_text(
    aes(label = comma(Cantidad)),
    hjust = -0.1,
    color = "#000000",
    fontface = "bold",
    size = 3.8
  ) +
  coord_flip() +
  scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.1))) +
  labs(
    title = "Casos por Departamento",
    x = "Departamento",
    y = "Cantidad"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(
      size = 16, 
      face = "bold", 
      color = "#5A189A"
    )
  )

Aqui va el analisis

Consulta 4

tabla_dia <- Feminicidios %>% 
  count(DIA_HECHO_VI, name = "Cantidad")

ggplot(tabla_dia, aes(x = Cantidad, y = reorder(DIA_HECHO_VI, Cantidad))) +
  geom_point(size = 6, color = "#5A2A83") +
  geom_segment(aes(x = 0, xend = Cantidad, 
                   y = reorder(DIA_HECHO_VI, Cantidad), 
                   yend = reorder(DIA_HECHO_VI, Cantidad)),
               color = "grey70") +
  geom_text(aes(label = comma(Cantidad)),
            hjust = -0.15,           # mueve la etiqueta a la derecha del punto
            size = 3.8,
            color = "#222222") +
  scale_x_continuous(labels = comma, expand = expansion(mult = c(0, 0.12))) +
  labs(
    title = "Casos por Día de la Semana",
    x = "Cantidad",
    y = "Día"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 16, face = "bold", color = "#5A2A83")
  )

Aqui va el analisis

Correlación de Pearson

# 1. Cargar la base
datos <- read_excel("BD FINAL.xlsx")

# 2. Convertir la fecha a Date
datos$FECHA_HECHO_VI <- as.Date(datos$FECHA_HECHO_VI)

# 3. Crear versión numérica SOLO para el cálculo estadístico
datos$FECHA_NUM <- as.numeric(datos$FECHA_HECHO_VI)

# 1. Seleccionar solo las variables numéricas para la correlación
datos_num <- datos[, c("CANTIDAD_VI", "FECHA_NUM")]

# 2. Matriz de correlación de Pearson
matriz_cor <- cor(datos_num, use = "complete.obs", method = "pearson")

# 3. Mostrar en formato tabla bonita
knitr::kable(
  matriz_cor,
  caption = "Matriz de Correlación de Pearson entre Fecha y Cantidad de Casos",
  digits = 4,
  align = "c"
)
Matriz de Correlación de Pearson entre Fecha y Cantidad de Casos
CANTIDAD_VI FECHA_NUM
CANTIDAD_VI 1.0000 0.0216
FECHA_NUM 0.0216 1.0000

Conclusión

Aqui va la conclusion