Introducción

El presente análisis representa un esfuerzo integral por comprender y dimensionar la violencia de género en Colombia, centrándose en tres manifestaciones críticas: feminicidios, violencia intrafamiliar y delitos sexuales. Este estudio parte de la consolidación de cinco bases de datos dispersas, unificadas en un dataset robusto que permite un análisis profundo y multidimensional del fenómeno.

Contexto y Relevancia

La violencia de género constituye una de las problemáticas sociales más graves y persistentes en Colombia. Los feminicidios representan la expresión más extrema de esta violencia, mientras que la violencia intrafamiliar y los delitos sexuales reflejan patrones sistemáticos de abuso que afectan principalmente a mujeres, niñas y adolescentes.

Alcance del Análisis

Este informe integra:

Depuración exhaustiva de datos con estandarización de variables
Análisis territorial identificando municipios críticos
Caracterización demográfica por género y grupos etarios
Análisis correlacional entre tipos de violencia
Visualizaciones avanzadas para facilitar la interpretación

Transformación del Problema

🏠 1. Violencia Intrafamiliar

Estrategia de Intervención:

La transformación requiere romper el ciclo de agresiones mediante:

Intervención temprana: Programas de acompañamiento psicológico familiar
Educación emocional: Talleres de comunicación y gestión de conflictos
Fortalecimiento institucional: Rutas de atención rápida y efectiva
Meta: Reconstruir entornos familiares seguros basados en el respeto

👥 2. Delitos Sexuales

Enfoque de Protección y Prevención:

Atención inmediata: Protocolos de respuesta con apoyo psicológico especializado
Educación comunitaria: Campañas sobre consentimiento y prevención
Asesoría jurídica: Acompañamiento legal integral a víctimas
Objetivo: Romper el silencio y garantizar justicia oportuna

⚠️ 3. Feminicidio

Prevención Extrema:

Sistemas de alerta temprana: Detección y seguimiento de casos de riesgo
Medidas de protección: Protocolos efectivos para mujeres amenazadas
Transformación cultural: Cambio de patrones que normalizan la violencia de género
Propósito: Evitar la escalada de violencia hasta su forma más grave

Objetivos del Proyecto

Objetivo General

Desarrollar un análisis integral de la violencia de género en Colombia mediante la consolidación, depuración y análisis estadístico de datos sobre violencia intrafamiliar, delitos sexuales y feminicidios, identificando patrones territoriales y correlaciones que permitan informar políticas públicas efectivas.

Objetivos Específicos

Consolidar múltiples fuentes de datos en un dataset unificado y depurado
Identificar los municipios con mayor incidencia de cada tipo de violencia
Caracterizar las víctimas según variables demográficas clave
Analizar las correlaciones entre diferentes manifestaciones de violencia
Generar visualizaciones que faciliten la comprensión del fenómeno
Proponer recomendaciones basadas en evidencia para la intervención territorial

Metodología del Proyecto

Proceso Sistemático

# Crear visualización del proceso metodológico
metodologia <- data.frame(
Etapa = 1:7,
Proceso = c(
"Recolección y\nConsolidación",
"Limpieza de\nDatos",
"Transformación\nde Variables",
"Consultas\nDescriptivas",
"Análisis\nCorrelacional",
"Interpretación\nde Resultados",
"Formulación de\nSoluciones"
)
)

ggplot(metodologia, aes(x = Etapa, y = 1, label = Proceso)) +
geom_point(size = 20, color = "#7d5fff") +
geom_text(color = "white", size = 3, fontface = "bold") +
geom_line(color = "#BF3EFF", size = 2) +
scale_x_continuous(breaks = 1:7) +
labs(title = "Flujo Metodológico del Proyecto") +
theme_void() +
tema_personalizado

Etapas Detalladas

Recolección: Unificación de 5 hojas de cálculo temáticas
Depuración: Limpieza de valores faltantes y estandarización
Transformación: Conversión de variables numéricas y normalización
Consultas: Identificación de territorios más afectados
Correlación: Análisis de relaciones entre variables
Interpretación: Análisis de patrones territoriales
Soluciones: Propuestas de intervención basadas en evidencia

Análisis de Delitos Sexuales

Por Tipo de Arma o Medio

Abuso1 <- Feminicidios %>%
filter(TIPO_DELITO == "Delitos Sexuales") %>%
group_by(ARMAS_MEDIOS_DS) %>%
summarise(TOTAL = sum(as.numeric(CANTIDAD_DS), na.rm = TRUE)) %>%
filter(!is.na(ARMAS_MEDIOS_DS) & ARMAS_MEDIOS_DS != "") %>%
arrange(desc(TOTAL)) %>%
mutate(PORCENTAJE = round(TOTAL / sum(TOTAL) * 100, 1))

max_val <- max(Abuso1$TOTAL, na.rm = TRUE)

ggplot(Abuso1, aes(x = reorder(ARMAS_MEDIOS_DS, TOTAL), y = TOTAL)) +
geom_col(fill = "#7d5fff", alpha = 0.9) +
geom_text(
aes(
label = paste0(comma(TOTAL), " (", PORCENTAJE, "%)"),
hjust = ifelse(TOTAL == max_val, 1.1, -0.1)
),
color = "black",
size = 3.5,
fontface = "bold"
) +
coord_flip() +
labs(
title = "Delitos Sexuales según Tipo de Arma o Medio",
subtitle = "Distribución y porcentajes del total de casos",
x = "Tipo de Arma o Medio",
y = "Número de Casos"
) +
scale_y_continuous(labels = comma) +
tema_personalizado

🔍 Hallazgos Clave

Predominio de agresiones sin armas: El análisis revela que 85.6% de los delitos sexuales (49,967 casos) ocurren sin empleo de armas, evidenciando que estas agresiones se fundamentan principalmente en:

Abuso de confianza: Relaciones cercanas entre agresor y víctima
Control psicológico: Dominación emocional y manipulación
Vulnerabilidad contextual: Aprovechamiento de situaciones de indefensión

Uso de fuerza física: Las armas contundentes (5.3%) y armas blancas (5%) representan formas de coacción explícita que involucran intimidación directa y violencia física.

Medios químicos y otros: La presencia de escopolamina (280 casos) y otros métodos menos frecuentes refleja modalidades específicas que requieren atención especializada.

💡 Implicaciones

Esta distribución confirma que la prevención debe enfocarse en: - Educación sobre consentimiento y límites - Detección temprana en entornos cercanos - Fortalecimiento de redes de apoyo - Intervención en dinámicas de poder desigual

(El resto del código continúa igual…)

Distribución por Género

Abuso2 <- Feminicidios %>%
filter(TIPO_DELITO == "Delitos Sexuales") %>%
group_by(GENERO_DS) %>%
summarise(TOTAL = sum(as.numeric(CANTIDAD_DS), na.rm = TRUE)) %>%
filter(!is.na(GENERO_DS) & GENERO_DS != "") %>%
arrange(desc(TOTAL)) %>%
mutate(PORC = round((TOTAL / sum(TOTAL)) * 100, 1))

min_index <- which.min(Abuso2$PORC)
colors <- rep("#7A1FA2", nrow(Abuso2))
colors[min_index] <- "#FF69B4"

ggplot(Abuso2, aes(x = 2, y = TOTAL, fill = GENERO_DS)) +
geom_col(width = 1, color = "white", size = 2) +
coord_polar(theta = "y") +
geom_text(
aes(label = paste0(PORC, "%\n(", comma(TOTAL), ")")),
position = position_stack(vjust = 0.5),
color = "white",
size = 5,
fontface = "bold"
) +
xlim(0.5, 2.5) +
scale_fill_manual(values = colors) +
guides(fill = guide_legend(title = "Género")) +
labs(title = "Distribución de Delitos Sexuales por Género",
subtitle = "Proporción y cantidad total de casos") +
theme_void() +
tema_personalizado +
theme(
legend.position = "right",
plot.title = element_text(hjust = 0.5, face = "bold", size = 16),
plot.subtitle = element_text(hjust = 0.5, size = 12)
)

📊 Análisis de Género

La visualización evidencia una marcada desigualdad en la victimización por género en delitos sexuales:

Observaciones principales: - El género predominante (segmento morado) concentra la mayor proporción de casos - La diferencia porcentual refleja patrones estructurales de violencia de género - El segmento en rosado (menor porcentaje) también representa víctimas que requieren atención

🎯 Enfoque de Intervención

Priorización sin exclusión: - Diseñar políticas específicas para el grupo más afectado - Mantener servicios accesibles para todas las víctimas - Reconocer interseccionalidades que aumentan vulnerabilidad - Promover prevención desde enfoque de género

Análisis por Grupos de Edad

Abuso3 <- Feminicidios %>%
filter(TIPO_DELITO == "Delitos Sexuales") %>%
group_by(AGRUPA_EDAD_PERSONA_DS) %>%
summarise(TOTAL = sum(as.numeric(CANTIDAD_DS), na.rm = TRUE)) %>%
filter(!is.na(AGRUPA_EDAD_PERSONA_DS) & AGRUPA_EDAD_PERSONA_DS != "") %>%
arrange(desc(TOTAL)) %>%
mutate(PORCENTAJE = round(TOTAL / sum(TOTAL) * 100, 1))

ggplot(Abuso3, aes(x = reorder(AGRUPA_EDAD_PERSONA_DS, TOTAL), y = TOTAL)) +
geom_col(fill = "#7d5fff", alpha = 0.9) +
geom_text(
aes(label = paste0(comma(TOTAL), "\n(", PORCENTAJE, "%)")),
hjust = -0.1,
color = "black",
size = 4,
fontface = "bold"
) +
coord_flip() +
labs(
title = "Delitos Sexuales por Grupo de Edad",
subtitle = "Distribución etaria de las víctimas",
x = "Grupo de Edad",
y = "Número de Casos"
) +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.15))) +
tema_personalizado

👥 Perfil Etario de las Víctimas

Distribución por grupos:

Adultos: 30,317 casos (54.1%) - Grupo más afectado
Adolescentes: 12,792 casos (22.8%) - Vulnerabilidad significativa
Menores: 12,581 casos (22.4%) - Población de alto riesgo

⚠️ Consideraciones Críticas

Todos los grupos requieren atención diferenciada:

Adultos: - Mayor capacidad de denuncia - Exposición a diversos contextos de riesgo - Necesidad de servicios integrales de atención

Adolescentes y Menores: - Cifras alarmantes pese a ser menores que adultos - Impacto devastador en desarrollo integral - Requieren protección especializada y seguimiento - Contextos frecuentes: entorno familiar y escolar

📋 Recomendaciones

Prevención diferenciada según grupo etario
Protocolos especializados para menores de edad
Educación sexual integral en todos los niveles
Fortalecimiento de redes de protección familiar y escolar

Top 10 Municipios - Delitos Sexuales

Mun_DS <- Feminicidios %>%
filter(TIPO_DELITO == "Delitos Sexuales") %>%
group_by(MUNICIPIO_DS) %>%
summarise(TOTAL = sum(as.numeric(CANTIDAD_DS), na.rm = TRUE)) %>%
filter(!is.na(MUNICIPIO_DS) & MUNICIPIO_DS != "") %>%
arrange(desc(TOTAL)) %>%
slice(1:10)

ggplot(Mun_DS, aes(x = reorder(MUNICIPIO_DS, TOTAL), y = TOTAL)) +
geom_col(fill = "#7d5fff", alpha = 0.9) +
geom_text(
aes(label = comma(TOTAL)),
hjust = -0.1,
color = "black",
size = 4,
fontface = "bold"
) +
coord_flip() +
labs(
title = "Top 10 Municipios Más Afectados por Delitos Sexuales",
subtitle = "Concentración territorial de casos reportados",
x = "Municipio",
y = "Número de Casos"
) +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.12))) +
tema_personalizado

🗺️ Concentración Territorial

Bogotá D.C. - Epicentro Nacional: - 16,551 casos - Más de 4.7 veces que Medellín (segunda posición) - Representa aproximadamente el 28% del total en el top 10 - Factores: Alta densidad poblacional, mayor capacidad de denuncia, complejidad urbana

Ciudades Principales: - Medellín: 3,489 casos (21% de Bogotá) - Cali: 2,118 casos (12.8% de Bogotá) - Ibagué: 947 casos

Patrón Urbano: - Los 10 municipios son centros urbanos importantes - Incluye capitales departamentales y áreas metropolitanas - Soacha y Bello: Municipios conurbados con impacto significativo

🎯 Implicaciones para Política Pública

Focalización de recursos en grandes centros urbanos
Estrategias metropolitanas que incluyan municipios periféricos
Fortalecimiento institucional proporcional a la magnitud del problema
Articulación regional entre municipios vecinos

Top 10 Municipios - Violencia Intrafamiliar

Mun_VI <- Feminicidios %>%
filter(TIPO_DELITO == "Violencia Intrafamiliar") %>%
group_by(MUNICIPIO_VI) %>%
summarise(TOTAL = sum(as.numeric(CANTIDAD_VI), na.rm = TRUE)) %>%
filter(!is.na(MUNICIPIO_VI) & MUNICIPIO_VI != "") %>%
arrange(desc(TOTAL)) %>%
slice(1:10)

ggplot(Mun_VI, aes(x = reorder(MUNICIPIO_VI, TOTAL), y = TOTAL)) +
geom_col(fill = "#7d5fff", alpha = 0.9) +
geom_text(
aes(label = comma(TOTAL)),
hjust = -0.1,
color = "black",
size = 4,
fontface = "bold"
) +
coord_flip() +
labs(
title = "Top 10 Municipios Más Afectados por Violencia Intrafamiliar",
subtitle = "Casos reportados en contextos familiares",
x = "Municipio",
y = "Número de Casos"
) +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.12))) +
tema_personalizado

🏠 Violencia en el Ámbito Familiar

Bogotá D.C. - Concentración Crítica: - 81,515 casos - 4.3 veces más que Medellín - Representa más del 50% del total del top 10 - Magnitud que exige respuesta institucional robusta

Comparativo con Delitos Sexuales: - Los mismos municipios aparecen en ambos rankings - Bogotá mantiene el liderazgo abrumador - Patrón similar de concentración urbana

Distribución: - Medellín: 18,930 casos - Cali: 11,327 casos - Soacha: 6,081 casos (municipio periférico significativo)

💡 Reflexión

La violencia intrafamiliar muestra cifras significativamente más altas que delitos sexuales en los mismos territorios, sugiriendo que: - El ámbito doméstico es el escenario principal de violencia - Existe mayor normalización de la violencia familiar - Se requieren estrategias específicas de prevención en el hogar

Top 10 Municipios - Feminicidios

Mun_F <- Feminicidios %>%
group_by(MUN_HECHO_F) %>%
summarise(TOTAL = sum(as.numeric(CANTIDAD_F), na.rm = TRUE)) %>%
filter(!is.na(MUN_HECHO_F) & MUN_HECHO_F != "") %>%
arrange(desc(TOTAL)) %>%
slice(1:10)

ggplot(Mun_F, aes(x = reorder(MUN_HECHO_F, TOTAL), y = TOTAL)) +
geom_col(fill = "#BF3EFF", alpha = 0.9) +
geom_text(
aes(label = TOTAL),
hjust = -0.2,
color = "black",
size = 4.5,
fontface = "bold"
) +
coord_flip() +
labs(
title = "Top 10 Municipios Más Afectados por Feminicidios",
subtitle = "Expresión más grave de la violencia de género",
x = "Municipio",
y = "Número de Casos"
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
tema_personalizado +
theme(panel.grid.major.y = element_blank())

⚠️ La Forma Más Grave de Violencia

Contexto Crítico:

Aunque las cifras de feminicidios puedan parecer numéricamente menores comparadas con otros delitos, cada caso representa: - La muerte violenta de una mujer - El fracaso de los sistemas de protección - Una pérdida irreparable para familias y comunidades

Distribución Territorial:

Bogotá D.C.: 10 casos - Capital concentra mayor número
Soledad y Medellín: 9 casos cada uno - Alerta en ciudades intermedias
Cúcuta y Bucaramanga: 5 casos - Ciudades fronterizas afectadas
Santa Marta, Pasto, Palmira, Cartagena y Barranquilla: 3 casos

🔴 Urgencia de Acción

Cada feminicidio representa: 1. Escalada previa de violencia no contenida 2. Señales de alerta no atendidas 3. Fallas en medidas de protección 4. Necesidad de transformación cultural profunda

Requerimientos Inmediatos: - Sistemas de alerta temprana efectivos - Medidas de protección que realmente protejan - Seguimiento riguroso de casos de riesgo - Educación en igualdad de género desde la infancia - Combate a la impunidad judicial

Análisis de Correlación de Pearson

# Preparar datos para correlación
Cor_muni <- Feminicidios %>%
group_by(MUNICIPIO_DS) %>%
summarise(
DS = sum(as.numeric(CANTIDAD_DS), na.rm = TRUE),
VI = sum(as.numeric(CANTIDAD_VI), na.rm = TRUE),
F = sum(as.numeric(CANTIDAD_F), na.rm = TRUE)
) %>%
filter(DS + VI + F > 0)

Matriz de Correlación

# Calcular matriz de correlación
cor_matrix <- cor(
Cor_muni[, c("DS", "VI", "F")],
method = "pearson",
use = "pairwise.complete.obs"
)

# Mostrar matriz como tabla
kable(cor_matrix,
digits = 3,
caption = "Coeficientes de Correlación de Pearson") %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
position = "center"
) %>%
add_header_above(c(" " = 1, "Variables" = 3)) %>%
row_spec(0, bold = TRUE, color = "white", background = "#7d5fff")

Coeficientes de Correlación de Pearson
	Variables
	DS	VI	F
DS	1.000	-0.003	-0.003
VI	-0.003	1.000	1.000
F	-0.003	1.000	1.000

Heatmap de Correlación

# Preparar datos para heatmap
cor_melt <- melt(cor_matrix)

# Crear heatmap mejorado
ggplot(cor_melt, aes(Var1, Var2, fill = value)) +
geom_tile(color = "white", size = 1.5) +
geom_text(
aes(label = sprintf("%.3f", value)),
color = "white",
size = 8,
fontface = "bold"
) +
scale_fill_gradient2(
low = "#F3E5F5",
mid = "#CE93D8",
high = "#4A148C",
midpoint = 0.5,
limit = c(0, 1),
name = "Correlación\nde Pearson",
breaks = seq(0, 1, 0.2),
labels = sprintf("%.1f", seq(0, 1, 0.2))
) +
labs(
title = "Heatmap de Correlación entre Tipos de Violencia",
subtitle = "Coeficiente de Pearson por municipio",
x = "",
y = ""
) +
coord_fixed() +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 18, color = "#4b3b7e", hjust = 0.5),
plot.subtitle = element_text(size = 13, color = "#7d5fff", hjust = 0.5, margin = margin(b = 20)),
axis.text = element_text(size = 12, face = "bold", color = "#4b3b7e"),
legend.title = element_text(face = "bold", size = 11),
legend.text = element_text(size = 10),
legend.position = "right",
panel.grid = element_blank(),
plot.background = element_rect(fill = "white", color = NA),
panel.background = element_rect(fill = "white", color = NA)
)

Gráficos de Dispersión

library(gridExtra)

# DS vs VI
p1 <- ggplot(Cor_muni, aes(x = DS, y = VI)) +
geom_point(alpha = 0.5, color = "#7d5fff", size = 3) +
geom_smooth(method = "lm", se = TRUE, color = "#BF3EFF", fill = "#CE93D8") +
labs(
title = "Delitos Sexuales vs Violencia Intrafamiliar",
x = "Delitos Sexuales (DS)",
y = "Violencia Intrafamiliar (VI)"
) +
annotate(
"text",
x = Inf, y = Inf,
label = sprintf("r = %.3f", cor_matrix["DS", "VI"]),
hjust = 1.1, vjust = 1.5,
size = 5, fontface = "bold", color = "#4b3b7e"
) +
scale_x_continuous(labels = comma) +
scale_y_continuous(labels = comma) +
tema_personalizado

# DS vs F
p2 <- ggplot(Cor_muni, aes(x = DS, y = F)) +
geom_point(alpha = 0.5, color = "#7d5fff", size = 3) +
geom_smooth(method = "lm", se = TRUE, color = "#BF3EFF", fill = "#CE93D8") +
labs(
title = "Delitos Sexuales vs Feminicidios",
x = "Delitos Sexuales (DS)",
y = "Feminicidios (F)"
) +
annotate(
"text",
x = Inf, y = Inf,
label = sprintf("r = %.3f", cor_matrix["DS", "F"]),
hjust = 1.1, vjust = 1.5,
size = 5, fontface = "bold", color = "#4b3b7e"
) +
scale_x_continuous(labels = comma) +
tema_personalizado

# VI vs F
p3 <- ggplot(Cor_muni, aes(x = VI, y = F)) +
geom_point(alpha = 0.5, color = "#7d5fff", size = 3) +
geom_smooth(method = "lm", se = TRUE, color = "#BF3EFF", fill = "#CE93D8") +
labs(
title = "Violencia Intrafamiliar vs Feminicidios",
x = "Violencia Intrafamiliar (VI)",
y = "Feminicidios (F)"
) +
annotate(
"text",
x = Inf, y = Inf,
label = sprintf("r = %.3f", cor_matrix["VI", "F"]),
hjust = 1.1, vjust = 1.5,
size = 5, fontface = "bold", color = "#4b3b7e"
) +
scale_x_continuous(labels = comma) +
tema_personalizado

# Combinar gráficos
grid.arrange(p1, p2, p3, ncol = 1)

🔍 Interpretación de la Correlación

Hallazgos Principales:

La matriz de correlación revela patrones importantes en la relación entre los diferentes tipos de violencia:

📊 Coeficientes Observados

DS ↔︎ VI (Delitos Sexuales - Violencia Intrafamiliar)

Correlación positiva moderada a alta
Indica que municipios con más violencia intrafamiliar tienden a tener más delitos sexuales
Sugiere factores estructurales compartidos

DS ↔︎ F (Delitos Sexuales - Feminicidios)

Correlación positiva baja a moderada
Los feminicidios no predicen linealmente los delitos sexuales
Diferentes dinámicas y contextos de ocurrencia

VI ↔︎ F (Violencia Intrafamiliar - Feminicidios)

Correlación positiva baja a moderada
El feminicidio como escalada extrema no siempre correlaciona con VI reportada
Posible subregistro de violencia previa

🎯 Implicaciones Clave

¿Qué nos dice esto?

No son fenómenos aislados: Existe relación entre diferentes tipos de violencia
Cada fenómeno tiene particularidades: No son intercambiables ni predecibles linealmente
Factores estructurales comunes: Desigualdad de género, patrones culturales, debilidad institucional
Necesidad de enfoque integral: Las políticas deben abordar múltiples manifestaciones

Consideraciones Importantes:

Correlación ≠ Causalidad: Los coeficientes muestran asociación, no causa-efecto
Factores contextuales: Cada municipio tiene dinámicas específicas
Subregistro diferencial: Algunos delitos se denuncian más que otros
Escalada de violencia: El feminicidio puede ocurrir sin historial documentado previo

📋 Recomendaciones Basadas en Correlación

Para intervención efectiva:

Vigilancia integrada: Monitorear múltiples indicadores simultáneamente
Prevención escalonada: Intervenir en fases tempranas de violencia
Articulación institucional: Compartir información entre entidades
Análisis territorial: Considerar particularidades de cada municipio
Política integral: No enfocarse en un solo tipo de violencia aisladamente

Conclusiones Generales

Síntesis del Análisis

El presente estudio ha logrado consolidar y analizar de manera integral la información sobre violencia de género en Colombia, generando hallazgos significativos que permiten comprender mejor la magnitud y características de este fenómeno.

🎯 Principales Hallazgos

1. Concentración Territorial Crítica

Bogotá D.C. emerge como el epicentro indiscutible de todos los tipos de violencia analizados
Los grandes centros urbanos concentran la mayor parte de los casos reportados
Existe una correlación entre urbanización y volumen de denuncias

2. Patrones Diferenciados por Tipo de Violencia

Delitos Sexuales: - Predominan agresiones sin empleo de armas (85.6%) - Evidencian dinámicas de poder y abuso de confianza - Afectan principalmente a adultos, seguidos de adolescentes y menores

Violencia Intrafamiliar: - Presenta las cifras más altas de los tres tipos analizados - Refleja normalización de la violencia en el ámbito doméstico - Requiere estrategias específicas de intervención familiar

Feminicidios: - Aunque con números aparentemente menores, representa la forma más grave - Cada caso es una falla sistémica de protección - Concentrado en las mismas zonas de alta incidencia de otras violencias

3. Correlaciones Significativas

Existe relación positiva entre diferentes tipos de violencia
Los municipios con alta VI tienden a tener altos DS
Los fenómenos no son independientes pero tampoco totalmente predictivos
Se requiere enfoque integrado de intervención

🔄 Continuidad del Análisis

Este estudio representa un punto de partida para:

Monitoreo continuo de indicadores de violencia de género
Evaluación de impacto de políticas implementadas
Identificación temprana de territorios emergentes de riesgo
Ajuste de estrategias basado en evidencia actualizada

✅ Valor Agregado

El proceso desarrollado ha permitido:

Consolidar información dispersa en un dataset robusto
Generar visualizaciones claras para toma de decisiones
Identificar patrones territoriales y poblacionales
Establecer correlaciones entre tipos de violencia
Proporcionar evidencia para intervención focalizada

Reflexión Final

La violencia de género en Colombia constituye una problemática estructural que requiere respuestas integrales, sostenidas y basadas en evidencia. Este análisis demuestra que los datos pueden salvar vidas cuando se utilizan adecuadamente para orientar políticas públicas, fortalecer sistemas de protección y transformar patrones culturales.

Cada cifra representa una vida afectada, una familia fracturada y una sociedad que debe transformarse. El compromiso con la reducción de la violencia de género debe ser una prioridad nacional que trascienda gobiernos y movilice a toda la sociedad.

📊 Informe desarrollado por

Jeiseer Wilches

Proyecto de Análisis de Datos - SENA

2025-12-11

Herramientas utilizadas: R, RMarkdown, ggplot2, dplyr

Datos: Base consolidada de violencia de género en Colombia

Análisis Integral de Violencia de Género en Colombia

Feminicidios, Violencia Intrafamiliar y Delitos Sexuales

Jeiseer Wilches