Análisis de Violencia contra Mujeres en Colombia
SHARON SOFIA MARTINEZ DAVILA
2025-12-10
SENA - Centro Colombo Alemán
Ficha: 3233892
Instructor: Miguel Olivares
Aprendiz: Sharon Sofia Martinez Davila
1 INTRODUCCIÓN
La violencia contra la mujer en Colombia constituye un problema persistente y de alto impacto social, cuyos efectos atraviesan dimensiones físicas, psicológicas, económicas y simbólicas. A pesar de los avances normativos y de los esfuerzos institucionales para prevenir, atender y sancionar estas violencias, las cifras continúan evidenciando un escenario crítico que exige análisis rigurosos y políticas públicas más efectivas. El seguimiento estadístico de este fenómeno permite comprender su magnitud, identificar patrones y orientar acciones orientadas a la protección de las mujeres y niñas en el país.
En este análisis se abordan tres dimensiones fundamentales: Violencia
Intrafamiliar, Delitos Sexuales y Violencia Letal contra Mujeres
(homicidios). Cada una de estas categorías refleja manifestaciones
diferentes de agresión, pero todas responden a dinámicas estructurales
de desigualdad de género profundamente arraigadas en el contexto
colombiano. Para garantizar la precisión y la confiabilidad del estudio,
se emplean fuentes oficiales que centralizan, sistematizan y publican la
información reportada
por las entidades competentes.
1.1 ORIGEN DE LOS DATOS
1.1.1 Policía Nacional de Colombia (PNC)
Es la entidad responsable de registrar las denuncias y reportes asociados a Violencia Intrafamiliar y Delitos Sexuales. Estos datos se construyen a partir de los procedimientos policiales, llamados de emergencia, denuncias ciudadanas y registros administrativos. Al provenir de una fuente primaria institucional, ofrecen una visión directa del volumen de casos que llegan a conocimiento de la autoridad.
1.1.2 Datos Abiertos – Gobierno de Colombia (DatosAbiertos.gov.co)
La información sobre Violencia Letal contra Mujeres (homicidios) proviene de esta plataforma oficial de acceso público. Estos registros son el resultado de la consolidación interinstitucional de entidades como:
- Instituto Nacional de Medicina Legal y Ciencias Forenses (INMLCF)
- Fiscalía General de la Nación
- Policía Nacional
- Otras entidades encargadas del conteo y verificación de muertes violentas
Esta integración garantiza datos más completos y permite el análisis de tendencias nacionales desde una perspectiva unificada.
# Cargar datos
base_unificada <- read_csv("base_unificada.csv") %>%
mutate(
fecha = as.Date(fecha),
anio = year(fecha),
mes = month(fecha),
anio_mes = format(fecha, "%Y-%m")
) %>%
filter(!is.na(cantidad), cantidad >= 0)
MUJERES <- read_excel("MUJERES.xlsx")
DELITOS_SEXUALES <- read_excel("DELITOS_SEXUALES.xlsx")
VIOLENCIA_INTRAFAMILIAR <- read_excel("VIOLENCIA INTRAFAMILIAR.xlsx")
meses_orden <- c("enero","febrero","marzo","abril","mayo","junio",
"julio","agosto","septiembre","octubre","noviembre","diciembre")2 Indicadores Clave
La tabla presenta un panorama general del volumen de casos relacionados con violencia hacia las mujeres reportados en Colombia, diferenciados por tipo de afectación.
# Calcular métricas principales
total_casos_general <- sum(base_unificada$cantidad, na.rm = TRUE)
total_mujeres <- nrow(MUJERES)
total_delitos_sexuales <- sum(DELITOS_SEXUALES$CANTIDAD, na.rm = TRUE)
total_violencia_intrafamiliar <- sum(VIOLENCIA_INTRAFAMILIAR$CANTIDAD, na.rm = TRUE)
# Crear tabla de resumen
tibble(
Indicador = c(
"Total de Casos Registrados",
"Casos de Violencia Letal",
"Delitos Sexuales",
"Violencia Intrafamiliar"
),
Cantidad = comma(c(
total_casos_general,
total_mujeres,
total_delitos_sexuales,
total_violencia_intrafamiliar
))
) %>%
kable("html", align = c("l", "r")) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
full_width = FALSE,
font_size = 14
) %>%
row_spec(0, bold = TRUE, color = "white", background = "#4E0535") %>%
row_spec(1:4, background = "#F5F0F3") %>%
column_spec(1, bold = TRUE, width = "20em") %>%
column_spec(2, bold = TRUE, color = "#7E0B48", width = "10em")| Indicador | Cantidad |
|---|---|
| Total de Casos Registrados | 182,254 |
| Casos de Violencia Letal | 890 |
| Delitos Sexuales | 45,332 |
| Violencia Intrafamiliar | 243,914 |
2.1 Visualización Proporcional
El gráfico circular tipo donut permite visualizar la proporción que representa cada categoría de violencia dentro del total de casos analizados.
showtext_auto()
# Datos resumidos
prop_violencia <- base_unificada %>%
group_by(tipo_evento) %>%
summarise(total = sum(cantidad, na.rm = TRUE), .groups = "drop") %>%
mutate(
porcentaje = total / sum(total),
etiqueta = paste0(round(porcentaje * 100, 1), "%")
)
# Paleta fuerte
paleta_fuerte <- c("#4E0535", "#610363", "#703D57", "#7E0B48", "#A10B56", "#241715")
# Gráfico tipo donut
ggplot(prop_violencia, aes(x = 2, y = porcentaje, fill = tipo_evento)) +
geom_col(width = 1.1, color = "#F5F0F3", size = 1.2) +
coord_polar(theta = "y") +
annotate("rect", xmin = 0, xmax = 1.25, ymin = 0, ymax = 1,
fill = "#F5F0F3", color = NA) +
geom_text(
aes(label = etiqueta),
position = position_stack(vjust = 0.5),
size = 5, color = "white",
family = "poppins", fontface = "bold"
) +
scale_fill_manual(values = paleta_fuerte, name = "Tipo de Violencia") +
labs(
title = "Distribución de Casos por Tipo de Violencia",
subtitle = "Proporción total de eventos registrados",
x = NULL, y = NULL
) +
tema_mejorado +
theme(
axis.text = element_blank(),
axis.ticks = element_blank(),
panel.grid = element_blank(),
legend.position = "bottom",
plot.margin = margin(20, 20, 20, 20)
)
El análisis revela una clara desproporción en los tipos de violencia registrados:
La inmensa mayoría de los casos analizados (74.6%) corresponden a VIOLENCIA INTRAFAMILIAR. Esto indica que este tipo de violencia es, por un amplio margen, el evento más frecuentemente registrado en el total de casos.
DELITOS SEXUALES constituyen la segunda categoría más grande, representando aproximadamente un cuarto (24.8%) del total de casos.
MUERTES VIOLENTAS DE MUJERES representan una proporción extremadamente pequeña del total de eventos, siendo casi insignificante en la visualización general (menos del 1%).
2.2 Evolución General en 2024
Este gráfico de líneas muestra la tendencia mensual del Número de Casos para las mismas tres categorías de violencia durante el año 2024. Este tipo de visualización es crucial para identificar patrones estacionales, picos y valles a lo largo del tiempo.
showtext_auto()
evolucion_2024 <- base_unificada %>%
filter(year(fecha) == 2024) %>%
group_by(fecha, tipo_evento) %>%
summarise(total = sum(cantidad, na.rm = TRUE), .groups = "drop")
paleta_fuerte <- c("#4E0535", "#610363", "#703D57", "#7E0B48", "#A10B56", "#241715")
ggplot(evolucion_2024, aes(x = fecha, y = total, color = tipo_evento)) +
geom_line(linewidth = 1.8, alpha = 0.95) +
geom_point(size = 4, stroke = 1.4, fill = "white", shape = 21) +
scale_color_manual(values = paleta_fuerte, name = "Tipo de Violencia") +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0.05, 0.1))) +
scale_x_date(date_labels = "%b", date_breaks = "1 month") +
labs(
title = "Evolución Temporal de Casos de Violencia - Año 2024",
subtitle = "Tendencia mensual por categoría de violencia",
x = "Mes", y = "Número de Casos"
) +
tema_mejorado +
theme(
legend.position = "bottom",
legend.box = "horizontal",
panel.grid.major.x = element_blank(),
legend.text = element_text(size = 11),
legend.title = element_text(size = 12, face = "bold")
) +
guides(color = guide_legend(nrow = 2, byrow = TRUE))
El año 2024 en la casuística de violencia se caracteriza por:
Dominio de la Violencia Intrafamiliar: Su volumen es cuatro a cinco veces mayor que el de los delitos sexuales, y su tendencia es el principal motor de la “Evolución Temporal de Casos de Violencia” general.
Patrón Estacional Común: Los casos de Violencia Intrafamiliar y Delitos Sexuales tienden a aumentar durante el primer semestre y alcanzar su punto álgido en el tercer trimestre (agosto-octubre), lo que podría estar relacionado con ciclos educativos, laborales o festivos.
Cierre de Año con Descenso: Ambos tipos de violencia más frecuentes experimentan una fuerte disminución en diciembre, un patrón estacional común que requiere un análisis para determinar si se debe a una reducción real de eventos o a problemas de registro de fin de año.
2.3 Comparación Interanual
Este gráfico de barras, titulado “Comparación Anual de Casos de Violencia” (Evolución total por año), busca comparar el volumen total de casos de violencia entre 2024 y 2025.
showtext_auto()
paleta_fuerte <- c("#4E0535", "#610363", "#703D57", "#7E0B48", "#A10B56", "#241715")
comparacion_anual <- base_unificada %>%
group_by(anio) %>%
summarise(total = sum(cantidad), .groups = "drop")
ggplot(comparacion_anual, aes(x = factor(anio), y = total, fill = total)) +
geom_col(width = 0.65, color = "#F5F0F3", linewidth = 1) +
geom_text(
aes(label = comma(total)),
vjust = -0.6, size = 5,
fontface = "bold", color = "#241715"
) +
scale_fill_gradientn(colors = paleta_fuerte) +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.18))) +
labs(
title = "Comparación Anual de Casos de Violencia",
subtitle = "Evolución total por año",
x = "Año", y = "Total de Casos"
) +
tema_mejorado +
theme(
legend.position = "none",
panel.grid.major.x = element_blank(),
axis.text.x = element_text(face = "bold", color = paleta_fuerte[6], size = 12)
)
La diferencia dramática entre los dos años (2024 vs. 2025) no se debe a una reducción real de la violencia, sino a la limitación de los datos que has proporcionado:
2024: La barra de \(161,026\) casos es la suma de los 12 meses (Enero a Diciembre) de los tres tipos de violencia (Violencia Intrafamiliar, Delitos Sexuales y Muertes Violentas de Mujeres).
2025: La barra de \(20,538\) casos representa ÚNICAMENTE la suma de los registros de Enero a septiembre de Delitos Sexuales.
3 ANÁLISIS DE HOMICIDIO EN MUJERES
El objetivo de esta sección es responder a la pregunta: “¿Cuántos casos hubo en 2024 por tipo de ‘Manera de Muerte’?” La tabla muestra una desagregación específica dentro de la categoría general de Muertes Violentas de Mujeres (la línea más baja y estable que vimos en el gráfico de Evolución General
¿Cuántos casos hubo en 2024 por tipo de “Manera de Muerte”?
consulta_muerte_2024 <- MUJERES %>%
filter(`Año del hecho` == 2024) %>%
group_by(`Manera de Muerte`) %>%
summarise(total = n(), .groups = "drop") %>%
arrange(desc(total))
consulta_muerte_2024 %>%
kable("html", col.names = c("Manera de Muerte", "Total")) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed"),
font_size = 14,
full_width = FALSE
) %>%
row_spec(0, bold = TRUE, color = "white", background = "#4E0535")| Manera de Muerte | Total |
|---|---|
| 1 Presuntos Homicidios | 588 |
Es importante señalar que esta cifra de 588 no representa el
total absoluto de las “Muertes Violentas de Mujeres” en 2024.
Este total incluiría, además de los Presuntos Homicidios, otras maneras
de muerte violenta.
A pesar de su baja proporción, la desagregación de la violencia letal
exige la máxima atención (Tabla 3.1).
Volumen de Feminicidio (Proxy): Se registraron 588 casos de Presuntos Homicidios de mujeres en 2024. Este dato no es una simple estadística de muertes, sino una cifra ya filtrada para identificar la violencia de género extrema, que incluye violaciones, secuestros y muertes intencionales por la condición de ser mujer.
Frecuencia Promedio: Esta cifra se traduce en un promedio de 49 presuntos feminicidios mensuales.
Relevancia Ética: La baja frecuencia relativa (aproximadamente 0.36% del total de casos) no debe mitigar su relevancia. Los 588 casos representan la falla máxima del sistema de protección y la culminación letal de la violencia de género, una tasa que debe ser analizada por su letalidad y no por su volumen.
3.1 Evolución Mensual de Casos de Mujeres (2024)
El gráfico de líneas muestra la variación del Número de Casos (Muertes Violentas/Feminicidios) mes a mes durante 2024. A diferencia de las tendencias de Violencia Intrafamiliar y Delitos Sexuales, esta serie presenta una alta volatilidad y picos muy definidos.
consulta_lineas_2024 <- MUJERES %>% mutate(`Mes del hecho` = factor(`Mes del hecho`, levels = meses_orden)) %>% filter(`Año del hecho` == 2024) %>% group_by(`Mes del hecho`) %>% summarise(total = n(), .groups = "drop")
ggplot(consulta_lineas_2024, aes(`Mes del hecho`, total, group = 1)) + geom_line(color = "#703D57", linewidth = 2.5) + geom_point(size = 4.5, stroke = 1.5, color = "white", fill = "#703D57", shape = 21) + labs( title = "Evolución Mensual de Casos de Mujeres (2024)", subtitle = "Variación por mes del año", x = "Mes", y = "Número de casos" ) + tema_mejorado + theme( plot.title = element_text(face = "bold", size = 24), axis.text.x = element_text(angle = 30, hjust = 1) )
El número de casos por mes varía significativamente, lo cual es típico de eventos de baja frecuencia pero alta gravedad, como son los homicidios.
library(knitr)
library(kableExtra)
# Crear dataframe
tabla_casos <- data.frame(
Periodo = c("Inicio de Año", "Primer Pico", "Estabilidad Media",
"Segundo Pico", "Caída Abrupta", "Tercer Pico", "Cierre de Año"),
Meses = c("Enero, Febrero", "Marzo", "Abril a Julio", "Agosto",
"Septiembre", "Noviembre", "Diciembre"),
`Nivel de Casos (Aprox.)` = c("30 a 35", "Cerca de 50", "45 a 48",
"Cerca de 60", "Cerca de 48", "Cerca de 65", "Cerca de 55"),
Comentario = c(
"Comienza en un nivel bajo, con un ligero aumento en febrero.",
"Primer aumento considerable, alcanzando el nivel de 50 casos.",
"Se mantiene relativamente estable en un nivel medio después de la primera subida.",
"Pico muy pronunciado en el mes de agosto.",
"Caída significativa, retornando al nivel medio de estabilidad.",
"Pico Máximo del Año, superando el nivel de agosto.",
"Cierra el año en un nivel alto, considerablemente por encima del punto de partida de enero."
),
stringsAsFactors = FALSE
)
# Crear tabla HTML con estilo personalizado según tu paleta
tabla_casos %>%
kable("html", escape = FALSE, align = c("l","l","c","l"),
col.names = c("Periodo", "Meses", "Nivel de Casos (Aprox.)", "Comentario")) %>%
kable_styling(
bootstrap_options = c("striped", "hover", "condensed", "responsive"),
full_width = TRUE,
position = "center",
font_size = 16
) %>%
# Encabezado con color medio2 de tu paleta
row_spec(0, bold = TRUE, color = "white", background = "#610363",
extra_css = "font-family: 'Montserrat', sans-serif; font-size: 17px;") %>%
# Primera columna (Periodo) en negrita con color oscuro2
column_spec(1, bold = TRUE, color = "#402A2C",
extra_css = "font-family: 'Poppins', sans-serif;") %>%
# Segunda columna (Meses) con color medio3
column_spec(2, color = "#703D57") %>%
# Tercera columna (Nivel de Casos) con color claro1 y centrado
column_spec(3, color = "#7E0B48", bold = TRUE,
extra_css = "font-family: 'Montserrat', sans-serif;") %>%
# Cuarta columna (Comentario) con color oscuro2
column_spec(4, color = "#402A2C") %>%
# Filas alternas con fondo suave
row_spec(c(1,3,5,7), background = "#F5F0F3") %>%
row_spec(c(2,4,6), background = "#FFFFFF") %>%
# Resaltar los picos importantes
row_spec(2, background = "#D9B8C4", color = "#241715") %>% # Primer Pico
row_spec(4, background = "#A10B56", color = "white", bold = TRUE) %>% # Segundo Pico
row_spec(6, background = "#4E0535", color = "white", bold = TRUE) # Tercer Pico (Máximo)| Periodo | Meses | Nivel de Casos (Aprox.) | Comentario |
|---|---|---|---|
| Inicio de Año | Enero, Febrero | 30 a 35 | Comienza en un nivel bajo, con un ligero aumento en febrero. |
| Primer Pico | Marzo | Cerca de 50 | Primer aumento considerable, alcanzando el nivel de 50 casos. |
| Estabilidad Media | Abril a Julio | 45 a 48 | Se mantiene relativamente estable en un nivel medio después de la primera subida. |
| Segundo Pico | Agosto | Cerca de 60 | Pico muy pronunciado en el mes de agosto. |
| Caída Abrupta | Septiembre | Cerca de 48 | Caída significativa, retornando al nivel medio de estabilidad. |
| Tercer Pico | Noviembre | Cerca de 65 | Pico Máximo del Año, superando el nivel de agosto. |
| Cierre de Año | Diciembre | Cerca de 55 | Cierra el año en un nivel alto, considerablemente por encima del punto de partida de enero. |
3.2 Top 5 Departamentos con Mayor Incidencia (Mujeres)
Este gráfico de dona se centra en la distribución de los casos de Muertes Violentas/Presuntos Homicidios de Mujeres (los 588 casos de 2024, según la Tabla 3.1) en las cinco entidades territoriales con la mayor incidencia a nivel nacional.
showtext_auto()
top5_dep_mujeres <- MUJERES %>%
count(`Departamento del hecho DANE`, name = "total") %>%
arrange(desc(total)) %>%
slice_head(n = 5) %>%
mutate(
depto = factor(`Departamento del hecho DANE`, levels = `Departamento del hecho DANE`),
porcentaje = round(total / sum(total) * 100, 1),
label = paste0(porcentaje, "%"),
ypos = cumsum(total) - total/2
)
colores_anillo <- c("#4E0535", "#610363", "#703D57", "#A10B56", "#D9B8C4")
ggplot(top5_dep_mujeres, aes(x = 2, y = total, fill = depto)) +
geom_col(width = 1.2, size = 1.3, color = "white") +
coord_polar(theta = "y") +
xlim(0.3, 3) +
geom_segment(
aes(x = 2.35, xend = 2.7, y = ypos, yend = ypos),
color = "#703D57", linewidth = 0.8
) +
geom_text(
aes(x = 2.78, y = ypos, label = label),
hjust = 0, size = 7, fontface = "bold", color = "#2A1A1C",
family = "montserrat"
) +
annotate("text", x = 0.3, y = 0, label = "Top 5\nDepartamentos",
size = 8, fontface = "bold", color = "#3F0A2F", family = "playfair",
lineheight = 0.9) +
scale_fill_manual(
values = colores_anillo,
labels = top5_dep_mujeres$depto,
name = "Departamento"
) +
labs(
title = "Departamentos con Mayor Incidencia en Mujeres",
subtitle = "Top 5 a nivel nacional"
) +
tema_mejorado +
theme(
legend.position = "right",
legend.background = element_rect(fill = "#FFFFFF", color = "#703D57",
linewidth = 1.2),
legend.title = element_text(
family = "montserrat",
face = "bold",
size = 16,
color = "#3F0A2F",
margin = margin(b = 10)
),
legend.text = element_text(
family = "poppins",
size = 14,
color = "#402A2C",
margin = margin(l = 5, r = 10)
),
legend.key.size = unit(1.2, "cm"),
legend.key = element_rect(color = "#703D57", linewidth = 0.8),
legend.spacing.y = unit(0.5, "cm"),
legend.margin = margin(15, 15, 15, 15),
plot.margin = margin(20, 20, 20, 20)
) +
guides(fill = guide_legend(
title = "Departamento",
ncol = 1,
byrow = TRUE,
title.position = "top",
title.hjust = 0.5,
label.position = "right",
keywidth = unit(1.2, "cm"),
keyheight = unit(1.2, "cm")
))
Alta Concentración Geográfica: Los datos revelan una marcada concentración de los casos de violencia letal contra mujeres en solo cinco entidades territoriales.
Liderazgo del Valle del Cauca: El Valle del Cauca se posiciona como el epicentro de la incidencia, aportando casi un tercio (32.3%) de los casos del Top 5.
Importancia de Bogotá: Bogotá, D.C. es el segundo foco de mayor incidencia, contribuyendo con más de una cuarta parte (27.9%) de los casos.
Concentración Binaria: Conjuntamente, el Valle del Cauca y Bogotá, D.C., suman el 60.2% de los casos del Top 5. Esto significa que más de la mitad de la incidencia crítica a nivel nacional se localiza en estas dos grandes regiones.
Otros Focos: El Atlántico (16.9%) se establece como el tercer foco más relevante, seguido por el Cauca (12.9%) y Magdalena (9.9%).
3.3 Grupos de Edad Más Afectados
El gráfico ordena los grupos de edad con mayor número de casos en la parte superior, utilizando un código de color que se oscurece con el aumento del número de casos.
showtext_auto()
edad_resumen_m <- MUJERES %>%
count(`Grupo de edad de la víctima`, name = "total") %>%
arrange(total)
ggplot(edad_resumen_m, aes(total, reorder(`Grupo de edad de la víctima`, total), fill = total)) +
geom_col(width = 0.7, alpha = 0.95) +
geom_text(aes(label = total), hjust = -0.2, size = 4.6, fontface = "bold", color = "#241715") +
scale_fill_gradientn(colors = c("#D9B8C4", "#B387A3", "#703D57", "#4E0535")) +
labs(
title = "Grupos de Edad Más Afectados (Mujeres)",
subtitle = "Escala de color según número de casos",
x = "Número de casos", y = "Grupo de edad"
) +
tema_mejorado +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
theme(
axis.text = element_text(size = 14),
axis.title = element_text(size = 15),
plot.title = element_text(size = 24)
)
Concentración Demográfica Crítica: Existe una concentración abrumadora de la letalidad en mujeres que se encuentran en la juventud y edad adulta temprana/media, específicamente entre los 20 y 44 años.
Edad de Mayor Riesgo: El rango de (25 a 29 años) es el grupo etario más vulnerable, registrando el número más alto de casos (131).
Foco de Intervención: Los tres grupos más afectados (25-29, 30-34 y 35-39) son contiguos y representan el pico de la incidencia, sumando 366 casos.
Impacto en la Población Joven: La suma de los casos en los grupos de edad de (20 a 44 años) asciende a aproximadamente 541 casos. Dado que la base total es de 588 casos, esto significa que alrededor del 92% de los feminicidios se concentran en mujeres de 20 a 44 años.
Vulnerabilidad Extrema de Adolescentes y Adultas Mayores: Aunque la incidencia es menor, las cifras no son insignificantes en los extremos:
Adolescentes (15 a 17 años): Registran 48 casos.
Adultas Mayores (75 a 79 años): Registran 12 casos, y (80 y más) 6 casos, lo que indica que la violencia letal afecta a mujeres de todas las edades, aunque con menor frecuencia en los extremos.
3.4 Top 4 Mecanismos Causales
showtext_auto()
top_mecanismos <- MUJERES %>%
group_by(`Mecanismo Causal`) %>%
summarise(total = n(), .groups = "drop") %>%
arrange(desc(total)) %>%
slice_head(n = 4)
colores_mecanismos <- c("#D9B8C4", "#B387A3", "#703D57", "#4E0535")
ggplot(top_mecanismos, aes(x = reorder(`Mecanismo Causal`, total), y = total, fill = total)) +
geom_col(alpha = 0.9) +
geom_text(aes(label = total), vjust = -0.5, size = 4.5, color = "#241715", fontface = "bold") +
scale_fill_gradientn(colors = colores_mecanismos) +
labs(
title = "Top 4 Mecanismos Causales en Mujeres",
subtitle = "Según número de casos registrados",
x = "Mecanismo Causal", y = "Número de casos", fill = "Casos"
) +
tema_mejorado +
theme(
plot.title = element_text(size = 18, face = "bold", color = "#3F0A2F"),
plot.subtitle = element_text(size = 14, color = "#5E3255"),
axis.text = element_text(size = 11),
axis.title = element_text(size = 13)
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.1)))
Dominio Absoluto del Arma de Fuego: El proyectil de arma de fuego es, por un margen extremadamente amplio, el mecanismo causal más letal y frecuente, con 510 casos registrados. Este método supera por casi tres veces al segundo mecanismo más común, lo que indica un alto nivel de acceso y uso de armamento letal en la comisión de estos crímenes.
Violencia Directa y Cercana: El segundo y tercer mecanismo más comunes son el cortopunzante (176 casos) y los generadores de asfixia (91 casos). Ambos implican una violencia más directa, cercana y de contacto físico prolongado por parte del agresor.
Foco de Intervención Primario: Cualquier estrategia de prevención de feminicidios debe centrarse de forma crítica en la restricción y control del uso de armas de fuego en contextos de violencia de género, dado que es el mecanismo de elección en la mayoría de los casos.
3.5 Relación entre Mecanismo Causal y Grupo de Edad
Este gráfico es un Mapa de Calor (Heatmap) que cruza dos variables cruciales para los Presuntos Homicidios/Feminicidios de mujeres: el Mecanismo Causal utilizado y el Grupo de Edad de la Víctima. El color de cada celda indica el número de casos registrados en esa intersección, de acuerdo con la escala de color que va de un tono claro (pocos casos) a un tono oscuro (muchos casos).
showtext_auto()
consulta_heatmap <- MUJERES %>%
group_by(`Mecanismo Causal`, `Grupo de edad de la víctima`) %>%
summarise(total = n(), .groups = "drop")
consulta_heatmap$`Grupo de edad de la víctima` <- factor(
consulta_heatmap$`Grupo de edad de la víctima`,
levels = sort(unique(consulta_heatmap$`Grupo de edad de la víctima`))
)
colores_heatmap <- c("#F8EBF2", "#E6CBD8", "#C499B2", "#8A5872", "#4E0535")
ggplot(consulta_heatmap, aes(x = `Grupo de edad de la víctima`, y = `Mecanismo Causal`, fill = total)) +
geom_tile(color = "white", linewidth = 0.8, width = 0.95, height = 0.95) +
geom_text(aes(label = total), color = "#2A1A1C", size = 5, fontface = "bold") +
scale_fill_gradientn(colors = colores_heatmap, name = "Casos") +
labs(
title = "Relación entre Mecanismo Causal y Grupo de Edad",
subtitle = "Mapa de calor basado en número de casos registrados",
x = "Grupo de edad de la víctima", y = "Mecanismo Causal"
) +
tema_mejorado +
theme(
axis.text.x = element_text(angle = 45, hjust = 1, size = 13, face = "bold", color = "#402A2C"),
axis.text.y = element_text(size = 13, face = "bold", color = "#402A2C"),
axis.title.x = element_text(size = 15),
axis.title.y = element_text(size = 15),
plot.title = element_text(size = 24, face = "bold", margin = margin(b = 8)),
plot.subtitle = element_text(size = 14, margin = margin(b = 15)),
legend.title = element_text(size = 13, face = "bold"),
legend.text = element_text(size = 12),
plot.margin = margin(25, 25, 25, 25)
)
El análisis revela patrones de riesgo muy específicos por edad:
3.5.0.1 1. Riesgo Principal: Arma de Fuego en la Edad Productiva
La fila de Proyectil de arma de fuego es, con diferencia, la más oscura, lo cual ya esperábamos del análisis 3.5. Sin embargo, este mapa de calor precisa la edad del mayor riesgo:
Pico Absoluto: El mayor número de casos se concentra en el rango de edad de (25 a 29 años) con 77 casos por arma de fuego.
Concentración Letal: La violencia con arma de fuego es dominante en las edades de 25 a 29 años (77), 30 a 34 años (63), 35 a 39 años (51), 40 a 44 años (58) y 20 a 24 años (34). Esto confirma que el principal riesgo de muerte por feminicidio recae en la edad adulta temprana y media, siendo el arma de fuego el vector principal.
3.5.0.2 2. Riesgo en Adolescentes y Adultos Jóvenes
La violencia con arma de fuego afecta a víctimas de todas las edades, pero la violencia por contacto (Cortopunzante y Asfixia) muestra patrones interesantes en las edades más jóvenes:
Cortopunzante: Es notable en los rangos de (25 a 29 años) con 30 casos, (30 a 34 años) con 24 casos, y (35 a 39 años) con 22 casos.
Adolescentes (15 a 17 años): A pesar de que el número total es menor, las adolescentes enfrentan un riesgo considerable por Cortopunzante (18 casos) y Proyectil de arma de fuego (22 casos). Esto sugiere una mezcla de violencia por armas de fuego y la utilización de armas blancas en este grupo vulnerable.
Jóvenes (18 a 19 años): El riesgo por arma de fuego (34 casos) es el principal.
3.5.0.3 3. Riesgo en Adultas Mayores
En los rangos de edad más avanzados, aunque el número total de casos es bajo, se mantienen activos los mecanismos de contacto:
(75 a 79 años): El mecanismo más común sigue siendo el Cortopunzante (4 casos), seguido por Proyectil de Arma de Fuego (3 casos).
4 DELITOS SEXUALES
La violencia sexual representa la segunda categoría de mayor volumen dentro del panorama general de la agresión analizada, constituyendo el 24.8% del total de la casuística. Esta sección se enfoca en la evolución de los Delitos Sexuales durante el año 2024, utilizando datos directos de la Policía Nacional de Colombia. El análisis detallado de la serie de tiempo es crucial para desplazar la narrativa de la violencia sexual como un fenómeno aleatorio y, en su lugar, identificar patrones de riesgo temporales específicos que exigen una respuesta institucional focalizada. Los hallazgos confirman la existencia de una estacionalidad altamente marcada, con picos de incidencia que coinciden con los períodos de mayor actividad en otras formas de violencia, señalando la necesidad de estrategias de prevención que se ajusten a los ciclos de riesgo identificados a lo largo del año.
4.1 Evolución Mensual de Delitos Sexuales (2024)
Este gráfico de líneas es una desagregación de la línea intermedia que vimos en la Evolución General (Gráfico 2.2), mostrando la tendencia mensual del Número de Casos de Delitos Sexuales durante todo el año 2024. Este análisis permite identificar con precisión los períodos de mayor riesgo para este tipo de crímenes.
showtext_auto()
evolucion_2024_ds <- DELITOS_SEXUALES %>%
filter(AÑO == 2024) %>%
mutate(
MES_HECHO = tolower(MES_HECHO),
MES_HECHO = factor(MES_HECHO, levels = meses_orden)
) %>%
group_by(MES_HECHO) %>%
summarise(total = sum(CANTIDAD, na.rm = TRUE), .groups = "drop")
ggplot(evolucion_2024_ds, aes(x = MES_HECHO, y = total, group = 1)) +
geom_line(linewidth = 1.5, color = "#703D57") +
geom_point(size = 3, stroke = 0.7, color = "white", fill = "#703D57", shape = 21) +
scale_y_continuous(labels = comma) +
labs(
title = "Evolución Mensual de Delitos Sexuales (2024)",
subtitle = "Tendencia mensual durante el año",
x = "Mes", y = "Número de casos"
) +
tema_mejorado +
theme(
plot.title = element_text(size = 18, face = "bold", color = "#3F0A2F"),
plot.subtitle = element_text(size = 14, color = "#5E3255"),
axis.text = element_text(size = 12),
axis.title = element_text(size = 13),
panel.grid.major.x = element_blank()
)
Patrón Estacional Predominante: Los delitos sexuales en 2024 siguen un patrón estacional muy claro y predecible: comienzan bajos a principios de año, aumentan de forma sostenida hasta finales del tercer trimestre, y caen bruscamente al finalizar el año.
Meses Críticos: El riesgo de delitos sexuales es máximo en el período de agosto a octubre, siendo septiembre el mes de mayor incidencia. Este es un período clave para focalizar campañas de prevención y protección.
Relación con VI: La coincidencia del pico de delitos sexuales y violencia intrafamiliar en septiembre sugiere la posibilidad de que factores como el reinicio de ciclos escolares/laborales, las dinámicas de fin de año o el clima/temperatura puedan influir en la violencia en general, intensificando los conflictos domésticos y las agresiones sexuales.
Alerta en la Caída: La caída en diciembre puede ser real (por ejemplo, cambios en el entorno social o festividades) o puede deberse a subregistro o menor denuncia durante el período festivo, un factor que debe ser investigado antes de asumir una reducción efectiva de los incidentes.
4.2 Evolución Mensual de Delitos Sexuales (2025)
El gráfico de líneas muestra la variación del Número de Casos de Delitos Sexuales entre enero y septiembre de 2025.
showtext_auto()
evolucion_2025_ds <- DELITOS_SEXUALES %>%
filter(AÑO == 2025) %>%
mutate(
MES_HECHO = tolower(MES_HECHO),
MES_HECHO = factor(MES_HECHO, levels = meses_orden)
) %>%
group_by(MES_HECHO) %>%
summarise(total = sum(CANTIDAD, na.rm = TRUE), .groups = "drop")
ggplot(evolucion_2025_ds, aes(x = MES_HECHO, y = total, group = 1)) +
geom_line(linewidth = 1.5, color = "#4E0535") +
geom_point(size = 3, stroke = 0.7, color = "white", fill = "#4E0535", shape = 21) +
scale_y_continuous(labels = comma) +
labs(
title = "Evolución Mensual de Delitos Sexuales (2025)",
subtitle = "Tendencia mensual durante el año",
x = "Mes", y = "Número de casos"
) +
tema_mejorado +
theme(
plot.title = element_text(size = 18, face = "bold", color = "#3F0A2F"),
plot.subtitle = element_text(size = 14, color = "#5E3255"),
axis.text = element_text(size = 12),
axis.title = element_text(size = 13),
panel.grid.major.x = element_blank()
)
Mayor Volatilidad: El patrón de 2025 es marcadamente más volátil que el de 2024. Mientras 2024 mostró un ascenso suave y predecible, 2025 está dominado por picos y valles abruptos, lo que dificulta la predicción y sugiere la posible influencia de factores puntuales (operativos policiales, campañas, o eventos sociales) más que una estacionalidad constante.
Adelanto del Pico: El pico de incidencia se adelanta de septiembre (2024) a marzo (2025). La incidencia máxima de 2025 ocurrió en el primer trimestre, mientras que en 2024 ocurrió en el tercer trimestre.
Advertencia Metodológica: La caída de septiembre de 2025 es especialmente baja (alrededor de 1,200 casos), lo cual es inferior al mínimo de 2024 (enero, 1,500 casos). Si esta tendencia se mantiene, podría indicar una reducción real, pero la extrema volatilidad del año hace que cualquier conclusión sea prematura hasta que se tengan más datos.
4.3 Top 5 Delitos Sexuales Más Frecuentes
Este gráfico de dona detalla la distribución porcentual de los cinco tipos de delitos sexuales más comunes, según la codificación del código penal (Artículos 209, 210, 211, etc.).
showtext_auto()
top_delitos <- DELITOS_SEXUALES %>%
count(DELITO, wt = CANTIDAD, sort = TRUE) %>%
slice_head(n = 5) %>%
mutate(
porc = round(n / sum(n) * 100, 1),
label_leyenda = paste0(DELITO, " (", porc, "%)")
)
colores_delitos <- c("#4E0535", "#610363", "#703D57", "#7E0B48", "#A10B56")
ggplot(top_delitos, aes(x = 2, y = n, fill = label_leyenda)) +
geom_col(width = 1, color = "white", size = 1) +
coord_polar(theta = "y") +
annotate("text", x = 0, y = 0, label = "Top 5\nDelitos Sexuales",
size = 6, fontface = "bold", color = "#3F0A2F") +
xlim(0.5, 3.5) +
scale_fill_manual(values = colores_delitos) +
labs(
title = "Top 5 Delitos Sexuales Más Frecuentes",
subtitle = "Distribución porcentual",
fill = NULL
) +
tema_mejorado +
theme(
axis.title = element_blank(),
axis.text = element_blank(),
axis.ticks = element_blank(),
panel.grid = element_blank(),
legend.position = "right",
legend.text = element_text(size = 10, color = "#3F0A2F"),
legend.key.size = unit(1, "cm"),
legend.spacing.y = unit(0.5, "cm")
) +
guides(fill = guide_legend(byrow = TRUE))
Dominio de la Violencia Explícita: El Acceso Carnal Violento (39.5%) y el Acto Sexual Violento (24.6%) son los delitos más frecuentes. Ambos implican la utilización de la fuerza, la amenaza o la coacción para la agresión, sumando conjuntamente más del 64% de la casuística del Top 5.
Alta Incidencia en Menores de Edad: Los delitos enfocados en menores de 14 años (Artículos 209 y 208) suman un alarmante 31.9% (20.0% + 11.9%) del Top 5. Esto subraya que casi un tercio de la casuística más frecuente de Delitos Sexuales afecta a la población infantil y adolescente más vulnerable.
Prioridad de Intervención: Las estrategias deben priorizar la prevención de la violencia sexual explícita y la protección intensiva de la niñez (menores de 14 años), ya que estos dos grupos concentran el mayor número de incidentes.
Menor Frecuencia del Acoso: El Acoso Sexual (5.0%) es el menos frecuente de los cinco, lo que podría indicar una menor prevalencia en comparación con las agresiones físicas o un subregistro significativo debido a la dificultad en la denuncia de esta modalidad.
5 Distribución por Grupo de Edad
Este gráfico de barras verticales distribuye el Total de Casos de Delitos Sexuales entre tres grandes grupos etarios: Adolescentes, Adultos y Menores. Este análisis es crucial para comprender el perfil de las víctimas de delitos sexuales y focalizar los esfuerzos de prevención.
showtext_auto()
DELITOS_SEXUALES %>%
group_by(AGRUPA_EDAD_PERSONA) %>%
summarise(total = sum(CANTIDAD), .groups = "drop") %>%
ggplot(aes(x = AGRUPA_EDAD_PERSONA, y = total, fill = AGRUPA_EDAD_PERSONA)) +
geom_col(width = 0.7, alpha = 0.9) +
geom_text(aes(label = comma(total)), vjust = -0.5, size = 4.5,
fontface = "bold", color = "#241715") +
scale_fill_manual(values = c("#4E0535", "#610363", "#703D57", "#A10B56", "#D9B8C4")) +
scale_y_continuous(labels = comma, expand = expansion(mult = c(0, 0.12))) +
labs(
title = "Casos de Delitos Sexuales según Grupo de Edad",
subtitle = "Distribución por rango etario",
x = "Grupo de Edad", y = "Casos"
) +
tema_mejorado +
theme(
legend.position = "none",
axis.text.x = element_text(angle = 30, hjust = 1, size = 12),
plot.title = element_text(size = 18, face = "bold"),
panel.grid.major.x = element_blank()
)
Dominio de la Población Adulta: La población ADULTA es el grupo que registra el mayor número de casos (24,812) de delitos sexuales. Esto representa más de la mitad de la casuística total estimada (aproximadamente \(24,812 / 46,031 \approx **53.9\%\)**).
Alta Incidencia en Menores de Edad: Al sumar los casos de ADOLESCENTES (11,178) y MENORES (10,041), se obtiene un total de 21,219 casos. Este subtotal es muy significativo, representando aproximadamente el 46.1% de la casuística.
Foco de Intervención Dual:
La prevención debe mantener un enfoque prioritario en los ADULTOS, que son el grupo de mayor volumen.
Simultáneamente, es crítica la atención a la población infanto-adolescente (menores de 18 años), que en conjunto suma casi la mitad de las víctimas. Este hallazgo es coherente con el análisis de los tipos penales más frecuentes (Gráfico 4.3), donde los delitos contra menores de 14 años representaban el 31.9% del Top 5.
6 ANÁLISIS DE CORRELACIÓN
El gráfico presenta una matriz de correlación que evalúa la relación estadística entre las principales variables numéricas del conjunto de datos unificado. Cada celda del mapa de calor muestra el coeficiente de correlación entre dos variables, representado tanto por el color como por el valor numérico dentro del recuadro.
# Limpieza y homologación de datos
# Renombrar columnas de VIOLENCIA_INTRAFAMILIAR
VIOLENCIA_INTRAFAMILIAR <- VIOLENCIA_INTRAFAMILIAR %>%
rename(
ARMAS_MEDIOS = `ARMAS MEDIOS`,
MES_HECHO = `MES HECHO`,
DIA_HECHO = `DIA HECHO`,
AGRUPA_EDAD_PERSONA = `AGRUPA EDAD PERSONA`
)
# Función para limpiar nombres
limpiar_nombres <- function(df){
names(df) <- names(df) %>%
tolower() %>%
str_replace_all(" ", "_") %>%
str_replace_all("á", "a") %>%
str_replace_all("é", "e") %>%
str_replace_all("í", "i") %>%
str_replace_all("ó", "o") %>%
str_replace_all("ú", "u")
return(df)
}
DELITOS_SEXUALES <- limpiar_nombres(DELITOS_SEXUALES)
VIOLENCIA_INTRAFAMILIAR <- limpiar_nombres(VIOLENCIA_INTRAFAMILIAR)
# Función para convertir meses a número
mes_a_num <- function(m){
case_when(
m == "ENERO" ~ 1, m == "FEBRERO" ~ 2, m == "MARZO" ~ 3,
m == "ABRIL" ~ 4, m == "MAYO" ~ 5, m == "JUNIO" ~ 6,
m == "JULIO" ~ 7, m == "AGOSTO" ~ 8, m == "SEPTIEMBRE" ~ 9,
m == "OCTUBRE" ~ 10, m == "NOVIEMBRE" ~ 11, m == "DICIEMBRE" ~ 12,
TRUE ~ NA_real_
)
}
DELITOS_SEXUALES <- DELITOS_SEXUALES %>%
mutate(mes_num = mes_a_num(toupper(mes_hecho)))
VIOLENCIA_INTRAFAMILIAR <- VIOLENCIA_INTRAFAMILIAR %>%
mutate(mes_num = mes_a_num(toupper(mes_hecho)))
# Función para procesar datos
procesar_df <- function(df, tipo_delito){
df %>%
mutate(
genero_num = case_when(
toupper(genero) == "FEMENINO" ~ 1,
toupper(genero) == "MASCULINO" ~ 2,
TRUE ~ NA_real_
),
delito_num = tipo_delito,
año = as.numeric(año)
)
}
DELITOS_SEXUALES <- procesar_df(DELITOS_SEXUALES, 1)
VIOLENCIA_INTRAFAMILIAR <- procesar_df(VIOLENCIA_INTRAFAMILIAR, 2)
# Unificación de bases
delitos_unificados <- bind_rows(
DELITOS_SEXUALES %>%
transmute(
departamento,
municipio,
año,
mes_hecho,
dia_hecho,
genero,
delito = "DELITO_SEXUAL",
cantidad,
mes_num,
genero_num,
delito_num
),
VIOLENCIA_INTRAFAMILIAR %>%
transmute(
departamento,
municipio,
año,
mes_hecho,
dia_hecho,
genero,
delito = "VIOLENCIA_INTRAFAMILIAR",
cantidad,
mes_num,
genero_num,
delito_num
)
)6.1 Matriz de Correlación entre Variables
showtext_auto()
# Seleccionar variables numéricas
numericas <- delitos_unificados %>%
select(cantidad, año, mes_num, genero_num, delito_num) %>%
na.omit()
# Matriz de correlación
mat_corr <- cor(numericas, use = "complete.obs")
# Convertir a formato largo
mat_larga <- melt(mat_corr)
# Gráfico de matriz de correlación
ggplot(mat_larga, aes(Var1, Var2, fill = value)) +
geom_tile(color = "white", linewidth = 0.8) +
geom_text(aes(label = sprintf("%.2f", value)),
color = "white", size = 5, fontface = "bold") +
scale_fill_gradient2(
low = paleta["claro2"],
mid = "#F5F0F3",
high = paleta["medio1"],
midpoint = 0,
name = "Correlación"
) +
labs(
title = "Matriz de Correlación entre Variables Numéricas",
subtitle = "Análisis comparativo de relaciones estadísticas",
x = "", y = ""
) +
tema_mejorado +
theme(
axis.text.x = element_text(
angle = 45, vjust = 1, hjust = 1,
family = "montserrat", size = 16, color = paleta["oscuro1"]
),
axis.text.y = element_text(
family = "montserrat", size = 16, color = paleta["oscuro1"]
)
)
Advertencia Crítica: La Correlación Negativa Fuerte entre Cantidad y Año (\(r = -0.80\)) debe ser interpretada como un artefacto del muestreo incompleto en 2025 y no como una disminución real y estadísticamente robusta de la violencia interanual.
Influencia Temporal Débil: La variable Mes tiene una correlación muy débil con la Cantidad de Casos (\(r = +0.11\)). Si bien los gráficos de tendencia mostraron picos en septiembre, la correlación general para todo el año es débil porque los meses de inicio y fin de año tiran el promedio hacia abajo.
Relación Delito-Cantidad: La relación moderada entre el Tipo de Delito y la Cantidad (\(r = +0.38\)) es el factor más significativo después de la correlación espuria con el Año, lo cual enfatiza la importancia de la clasificación penal en la determinación de los volúmenes de registro.
6.2 Correlación de Variables con Cantidad de Casos
Este gráfico de área (o línea de tendencia de correlación) es una visualización directa de la última fila de la Matriz de Correlación (Gráfico 6.1), donde se observa la relación de cada variable numérica con el Número de Casos (Cantidad).
El objetivo es resaltar qué variables tienen una relación positiva (por encima de la línea de cero, donde \(r>0.0\)) o negativa (por debajo de la línea de cero, donde \(r<0.0\)) con el volumen de eventos registrados.
showtext_auto()
# Extraer correlación con CANTIDAD
cor_df <- data.frame(
variable = rownames(mat_corr),
correlacion = mat_corr[, "cantidad"]
) %>%
filter(variable != "cantidad")
# Gráfico de área
ggplot(cor_df, aes(x = reorder(variable, correlacion), y = correlacion, group = 1)) +
geom_area(fill = "#9C27B0", alpha = 0.5) +
geom_line(color = "#6A1B9A", linewidth = 1.2) +
geom_point(color = "#4A148C", size = 3) +
geom_text(aes(label = round(correlacion, 2)),
vjust = -0.8, color = "#461D3A", size = 4.5, fontface = "bold") +
geom_hline(yintercept = 0, linetype = "dashed", color = "#703D57", linewidth = 0.8) +
labs(
title = "Correlación de Variables Numéricas con Cantidad de Casos",
subtitle = "Relación estadística con el número de eventos reportados",
x = "Variable", y = "Coeficiente de Correlación"
) +
tema_mejorado +
theme(
plot.title = element_text(size = 20, face = "bold", color = "#3F0A2F"),
plot.subtitle = element_text(size = 14, color = "#5E3255"),
axis.text = element_text(color = "#461D3A", size = 13),
axis.title = element_text(color = "#461D3A", size = 15, face = "bold"),
axis.text.x = element_text(angle = 30, hjust = 1)
)
Este gráfico sirve principalmente para confirmar visualmente los hallazgos de la matriz de correlación:
Dominio Visual del Sesgo: La correlación más fuerte en todo el conjunto de datos es la negativa y es causada por la variable Año (\(r = -0.80\)). El área sombreada bajo cero enfatiza la caída en la cantidad de casos que resulta del muestreo incompleto en 2025 (donde solo se tiene un mes de datos). Esta es la principal advertencia metodológica del análisis.
Influencia Débil del Tiempo: Las variables temporales, Género (\(r = +0.02\)) y Mes (\(r = +0.03\)), se encuentran muy cerca de la línea de cero, indicando una correlación prácticamente nula o muy débil con la cantidad total de casos. Esto implica que la cantidad no aumenta o disminuye de manera lineal y uniforme a lo largo de los meses.
Correlación Más Relevante: La única correlación positiva con cierta relevancia es la del Tipo de Delito (delito_num) (\(r = +0.13\)). Aunque sigue siendo una correlación débil, es la relación positiva más fuerte con el volumen de casos, sugiriendo que la clasificación penal utilizada influye en el conteo total.
7 CONCLUCION
7.1 Conclusiones y Recomendaciones Estratégicas
El análisis integral de la violencia contra la mujer en Colombia, basado en datos de la Policía Nacional y fuentes interinstitucionales (2024–2025), revela una crisis multidimensional caracterizada por el dominio absoluto de la violencia intrafamiliar y la letalidad concentrada y prevenible del feminicidio. Los hallazgos exigen una transición de políticas reactivas a estrategias preventivas, altamente focalizadas en tiempo, lugar y perfil de riesgo.
7.2 Conclusiones Integradas por Dimensión
7.2.1 La Crisis Silenciosa: Violencia Intrafamiliar y Delitos Sexuales
Dominio de Volumen: La Violencia Intrafamiliar (VI) constituye la crisis de mayor volumen, representando el 74.6% del total de casos registrados, lo que exige que la mayor parte de los recursos de prevención se destinen al ámbito doméstico.
Estacionalidad y Picos Comunes: Tanto la VI como los Delitos Sexuales (DS) presentaron una clara tendencia ascendente en 2024, alcanzando su pico máximo en septiembre, lo que sugiere la existencia de factores cíclicos o estacionales comunes que exacerban la agresión en el tercer trimestre del año.
Volatilidad Reciente: Los DS mostraron una extrema volatilidad en 2025, con un pico súbito en marzo, rompiendo el patrón estacional de 2024, lo que requiere un ajuste en los modelos de alerta temprana para responder a factores de choque o eventos puntuales.
Afectación a Menores: La casuística de Delitos Sexuales es crítica en la población joven: la suma de Adolescentes y Menores (menores de 18 años) representa aproximadamente el 46% del total de víctimas, y los delitos contra menores de 14 años suman casi un tercio del Top 5 de agresiones.
7.2.2 La Letalidad Focalizada: Feminicidios (588 Casos)
Peligrosidad Temporal: La violencia letal (Presuntos Homicidios/Feminicidios) es altamente volátil, con una tendencia de fondo al alza en 2024 y picos de máxima alerta en agosto y, especialmente, en noviembre, lo que indica los meses de mayor riesgo para el sistema de protección.
Foco Geográfico: Existe una marcada concentración de letalidad en dos entidades: Valle del Cauca (32.3%) y Bogotá, D.C. (27.9%), que conjuntamente suman el 60.2% de los casos del Top 5.
Perfil de la Víctima: El riesgo de feminicidio se concentra abrumadoramente en mujeres en edad productiva, con un 92% de los casos en el rango de 20 a 44 años. El grupo de 25 a 29 años es el más vulnerable.
Mecanismo de la Muerte: La causa principal de letalidad es el Proyectil de Arma de Fuego (510 casos), que domina el riesgo en la edad adulta productiva (ej., 77 casos en el grupo de 25-29 años).
7.2.3 Advertencia Metodológica
Sesgo en la Correlación: La fuerte correlación negativa entre la Cantidad de Casos y el Año (\(r = -0.80\)) es un artefacto estadístico y no una disminución real, producto del muestreo incompleto de 2025. Las conclusiones interanuales deben ser tratadas con cautela hasta tener la serie de tiempo completa.
7.3 Recomendaciones de Política Pública
Las siguientes recomendaciones buscan trasladar los hallazgos analíticos a acciones concretas y focalizadas:
7.3.1 Control de Armas y Prevención Letal
Alerta de Armas de Fuego: Implementar un protocolo de retiro o control estricto de armas de fuego en todos los casos de Violencia Intrafamiliar o denuncias de amenazas, dado el dominio absoluto de este mecanismo en la comisión de feminicidios.
Focalización Geográfica: Asignar presupuesto y recursos de seguridad especializados (unidades de reacción rápida, fiscalías con enfoque de género) de forma prioritaria en Valle del Cauca y Bogotá, D.C., que actúan como los principales epicentros de letalidad.
7.3.2 Intervención Temporal y Picos de Riesgo
Alerta de Tercer Trimestre: Diseñar y ejecutar campañas de prevención intensivas, saturación policial y líneas de atención reforzadas específicamente durante los meses de agosto, septiembre y noviembre, para mitigar los picos históricos de Violencia Intrafamiliar, Delitos Sexuales y Feminicidios.
Monitoreo de Volatilidad (2025): Establecer un mecanismo de seguimiento quincenal para los Delitos Sexuales en 2025, a fin de identificar rápidamente nuevos picos volátiles (como el observado en marzo) y desplegar respuestas tácticas inmediatas.
7.3.3 Protección de la Niñez y la Edad Productiva
Estrategia para Menores: Priorizar la prevención sexual y la educación en entornos escolares y familiares, dada la alta proporción de víctimas menores de 18 años en Delitos Sexuales (46%).
Foco Demográfico en Feminicidio: Dirigir campañas de concientización y servicios de apoyo legal/psicológico con un enfoque explícito en mujeres en el rango de 20 a 44 años, el segmento de la población que enfrenta el riesgo letal más alto.