Violencia economica3
Maria Goessmann
2025-12-15
library(readr)
violec16<-read.csv("C:/Master/3. Semester/R/Dataset/conjunto_de_datos_tb_sec_xiii_endireh_2016.csv", header = TRUE, sep = ",")
violec21<-read.csv("C:/Master/3. Semester/R/Dataset/TB_SEC_XIV.csv", header = TRUE, sep = ",")2. Re-codificación de las variables a las 4 formas de violencia
violec_especif16
#violencia16 fisica
violec_especif16$violencia16_fisica1 = factor(violec_especif16$P13_1_1,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica2 = factor(violec_especif16$P13_1_2,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica3 = factor(violec_especif16$P13_1_3,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica4 = factor(violec_especif16$P13_1_4,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica5 = factor(violec_especif16$P13_1_5,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica6 = factor(violec_especif16$P13_1_6,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica7 = factor(violec_especif16$P13_1_7,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica8 = factor(violec_especif16$P13_1_8,
labels = c("1","1","1","0"))
violec_especif16$violencia16_fisica9 = factor(violec_especif16$P13_1_9,
labels = c("1","1","1","0"))
# violencia16 psicologica
violec_especif16$violencia16_psicologica1 = factor(violec_especif16$P13_1_10,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica2 = factor(violec_especif16$P13_1_11,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica3 = factor(violec_especif16$P13_1_12,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica4 = factor(violec_especif16$P13_1_13,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica5 = factor(violec_especif16$P13_1_14,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica6 = factor(violec_especif16$P13_1_15,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica7 = factor(violec_especif16$P13_1_16,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica8 = factor(violec_especif16$P13_1_17,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica9 = factor(violec_especif16$P13_1_18,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica10 = factor(violec_especif16$P13_1_19,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica11 = factor(violec_especif16$P13_1_20,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica12 = factor(violec_especif16$P13_1_21,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica13 = factor(violec_especif16$P13_1_22,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica14 = factor(violec_especif16$P13_1_23AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_psicologica15 = factor(violec_especif16$P13_1_24AB,
labels = c("1","1","1","0"))
#vioelencia16 sexual
violec_especif16$violencia16_sexual1 = factor(violec_especif16$P13_1_25,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual2 = factor(violec_especif16$P13_1_26,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual3 = factor(violec_especif16$P13_1_27,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual4 = factor(violec_especif16$P13_1_28,
labels = c("1","1","1","0"))
violec_especif16$violencia16_sexual5 = factor(violec_especif16$P13_1_29,
labels = c("1","1","1","0"))
#violencia16 economica
violec_especif16$violencia16_economica1 = factor(violec_especif16$P13_1_30,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica2 = factor(violec_especif16$P13_1_31,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica3 = factor(violec_especif16$P13_1_32,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica4 = factor(violec_especif16$P13_1_33AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica5 = factor(violec_especif16$P13_1_34AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica6 = factor(violec_especif16$P13_1_35AB,
labels = c("1","1","1","0"))
violec_especif16$violencia16_economica7 = factor(violec_especif16$P13_1_36AB,
labels = c("1","1","1","0"))violec_especif21
#violencia21 fisica
violec_especif21$violencia21_fisica1 = factor(violec_especif21$P14_1_1,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica2 = factor(violec_especif21$P14_1_2,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica3 = factor(violec_especif21$P14_1_3,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica4 = factor(violec_especif21$P14_1_4,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica5 = factor(violec_especif21$P14_1_5,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica6 = factor(violec_especif21$P14_1_6,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica7 = factor(violec_especif21$P14_1_7,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica8 = factor(violec_especif21$P14_1_8,
labels = c("1","1","1","0"))
violec_especif21$violencia21_fisica9 = factor(violec_especif21$P14_1_9,
labels = c("1","1","1","0"))
# violencia21 psicologica
violec_especif21$violencia21_psicologica1 = factor(violec_especif21$P14_1_10,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica2 = factor(violec_especif21$P14_1_11,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica3 = factor(violec_especif21$P14_1_12,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica4 = factor(violec_especif21$P14_1_13,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica5 = factor(violec_especif21$P14_1_14,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica6 = factor(violec_especif21$P14_1_15,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica7 = factor(violec_especif21$P14_1_16,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica8 = factor(violec_especif21$P14_1_17,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica9 = factor(violec_especif21$P14_1_18,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica10 = factor(violec_especif21$P14_1_19,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica11 = factor(violec_especif21$P14_1_20,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica12 = factor(violec_especif21$P14_1_21,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica13 = factor(violec_especif21$P14_1_22,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica14 = factor(violec_especif21$P14_1_23AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica15 = factor(violec_especif21$P14_1_24AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_psicologica16 = factor(violec_especif21$P14_1_31,
labels = c("1","1","1","0"))
#vioelencia sexual
violec_especif21$violencia21_sexual1 = factor(violec_especif21$P14_1_25,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual2 = factor(violec_especif21$P14_1_26,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual3 = factor(violec_especif21$P14_1_27,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual4 = factor(violec_especif21$P14_1_28,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual5 = factor(violec_especif21$P14_1_29,
labels = c("1","1","1","0"))
violec_especif21$violencia21_sexual6 = factor(violec_especif21$P14_1_30,
labels = c("1","1","1","0"))
#violencia21 economica
violec_especif21$violencia21_economica1 = factor(violec_especif21$P14_1_32,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica2 = factor(violec_especif21$P14_1_33,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica3 = factor(violec_especif21$P14_1_34,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica4 = factor(violec_especif21$P14_1_35AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica5 = factor(violec_especif21$P14_1_36AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica6 = factor(violec_especif21$P14_1_37AB,
labels = c("1","1","1","0"))
violec_especif21$violencia21_economica7 = factor(violec_especif21$P14_1_38AB,
labels = c("1","1","1","0"))Recodificacion
violec_especif21$viol21_fis_total =
(violec_especif21$violencia21_fisica1+
violec_especif21$violencia21_fisica2+
violec_especif21$violencia21_fisica3+
violec_especif21$violencia21_fisica4+
violec_especif21$violencia21_fisica5+
violec_especif21$violencia21_fisica6+
violec_especif21$violencia21_fisica7+
violec_especif21$violencia21_fisica8+
violec_especif21$violencia21_fisica9)
violec_especif21$viol21_fis_disc = factor(violec_especif21$viol21_fis_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"))
# violencia21 psicica
violec_especif21$viol21_psi_total =
(violec_especif21$violencia21_psicologica1+
violec_especif21$violencia21_psicologica2+
violec_especif21$violencia21_psicologica3+
violec_especif21$violencia21_psicologica4+
violec_especif21$violencia21_psicologica5+
violec_especif21$violencia21_psicologica6+
violec_especif21$violencia21_psicologica7+
violec_especif21$violencia21_psicologica8+
violec_especif21$violencia21_psicologica9+
violec_especif21$violencia21_psicologica10+
violec_especif21$violencia21_psicologica11+
violec_especif21$violencia21_psicologica12+
violec_especif21$violencia21_psicologica13+
violec_especif21$violencia21_psicologica14+
violec_especif21$violencia21_psicologica15+
violec_especif21$violencia21_psicologica16)
violec_especif21$viol21_psi_disc = factor(violec_especif21$viol21_psi_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))
violec_especif21$viol21_sex_total =
(violec_especif21$violencia21_sexual1+
violec_especif21$violencia21_sexual2+
violec_especif21$violencia21_sexual3+
violec_especif21$violencia21_sexual4+
violec_especif21$violencia21_sexual5+
violec_especif21$violencia21_sexual6)
violec_especif21$viol21_sex_disc = factor(violec_especif21$viol21_sex_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))
# violencia21 economica
violec_especif21$viol21_eco_total =
(violec_especif21$violencia21_economica1+
violec_especif21$violencia21_economica2+
violec_especif21$violencia21_economica3+
violec_especif21$violencia21_economica4+
violec_especif21$violencia21_economica5+
violec_especif21$violencia21_economica6+
violec_especif21$violencia21_economica7)
violec_especif21$viol21_eco_disc = factor(violec_especif21$viol21_eco_total,
labels = c("No",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí",
"Sí"
))violec21$P14_4=as.numeric(violec21$P14_4)
violec21$P14_5_1=as.numeric(violec21$P14_5_1)
violec21$P14_5_2=as.numeric(violec21$P14_5_2)
violec21$P14_5_3=as.numeric(violec21$P14_5_3)
violec21$P14_5_4=as.numeric(violec21$P14_5_4)
violec21$P14_5_5=as.numeric(violec21$P14_5_5)
violec21$P14_5_6=as.numeric(violec21$P14_5_6)
violec21$P14_5_7=as.numeric(violec21$P14_5_7)
violec21$P14_6=as.numeric(violec21$P14_6)
violec21$P14_7_1=as.numeric(violec21$P14_7_1)
violec21$P14_7_2=as.numeric(violec21$P14_7_2)
violec21$P14_8_1=as.numeric(violec21$P14_8_1)
violec21$P14_8_2=as.numeric(violec21$P14_8_2)
violec21$P14_8_3=as.numeric(violec21$P14_8_3)
violec21$P14_8_4=as.numeric(violec21$P14_8_4)
violec21$P14_8_5=as.numeric(violec21$P14_8_5)
violec21$P14_8_6=as.numeric(violec21$P14_8_6)
violec21$P14_8_7=as.numeric(violec21$P14_8_7)
violec21$P14_8_8=as.numeric(violec21$P14_8_8)
violec21$P14_8_9=as.numeric(violec21$P14_8_9)
violec21$P14_8_10=as.numeric(violec21$P14_8_10)# 1. Filtrar solo a las mujeres que sufren violencia económica
eco <- subset(violec_especif21, viol21_eco_disc == "Sí")
# 2. Probabilidad de violencia física dado que hay violencia económica
prob_fis <- mean(eco$viol21_fis_disc == "Sí", na.rm = TRUE)
prob_fis## [1] 0.5392206# 3. Probabilidad de violencia psicológica dado que hay violencia económica
prob_psi <- mean(eco$viol21_psi_disc == "Sí", na.rm = TRUE)
prob_psi## [1] 0.8556402# 4. Probabilidad de violencia sexual dado que hay violencia económica
prob_sex <- mean(eco$viol21_sex_disc == "Sí", na.rm = TRUE)
prob_sex## [1] 0.2765478# 1. Filtrar: mujeres que sufren violencia económica
eco <- subset(violec_especif21, viol21_eco_disc == "Sí")
# 2. Calcular probabilidades
prob_fisica <- mean(eco$viol21_fis_disc == "Sí", na.rm = TRUE)
prob_psicologica <- mean(eco$viol21_psi_disc == "Sí", na.rm = TRUE)
prob_sexual <- mean(eco$viol21_sex_disc == "Sí", na.rm = TRUE)
# 3. Crear tabla
tabla_probabilidades <- data.frame(
Tipo_de_violencia = c("Violencia física", "Violencia psicológica", "Violencia sexual"),
Probabilidad = c(prob_fisica, prob_psicologica, prob_sexual)
)
# Mostrar la tabla
tabla_probabilidades## Tipo_de_violencia Probabilidad
## 1 Violencia física 0.5392206
## 2 Violencia psicológica 0.8556402
## 3 Violencia sexual 0.2765478# 4. Guardar CSV para usarlo en Python
write.csv(tabla_probabilidades, "probabilidades_violencia.csv", row.names = FALSE)## Warning: Paket 'dplyr' wurde unter R Version 4.4.2 erstellt##
## Attache Paket: 'dplyr'## Die folgenden Objekte sind maskiert von 'package:stats':
##
## filter, lag## Die folgenden Objekte sind maskiert von 'package:base':
##
## intersect, setdiff, setequal, union## Warning: Paket 'jsonlite' wurde unter R Version 4.4.2 erstellt# ==========================================
# 1. Binäre Variablen erstellen
# ==========================================
df <- violec_especif21 %>%
mutate(
eco = viol21_eco_disc == "Sí",
fis = viol21_fis_disc == "Sí",
psi = viol21_psi_disc == "Sí",
sex = viol21_sex_disc == "Sí"
)
# Nur Frauen mit ökonomischer Gewalt
df_eco <- df %>% filter(eco == TRUE)
# ==========================================
# 2. ROUTE 1: Eco → Psi → Fis → Sex
# ==========================================
p1_eco_to_psi <- mean(df_eco$psi, na.rm = TRUE)
df_eco_psi <- df_eco %>% filter(psi == TRUE)
p1_eco_psi_to_fis <- mean(df_eco_psi$fis, na.rm = TRUE)
df_eco_psi_fis <- df_eco_psi %>% filter(fis == TRUE)
p1_eco_psi_fis_to_sex <- mean(df_eco_psi_fis$sex, na.rm = TRUE)
# ==========================================
# 3. ROUTE 2: Eco → Sex → Fis → Psi
# ==========================================
p2_eco_to_sex <- mean(df_eco$sex, na.rm = TRUE)
df_eco_sex <- df_eco %>% filter(sex == TRUE)
p2_eco_sex_to_fis <- mean(df_eco_sex$fis, na.rm = TRUE)
df_eco_sex_fis <- df_eco_sex %>% filter(fis == TRUE)
p2_eco_sex_fis_to_psi <- mean(df_eco_sex_fis$psi, na.rm = TRUE)
# ==========================================
# 4. ROUTE 3: Eco → Fis → Psi → Sex
# ==========================================
p3_eco_to_fis <- mean(df_eco$fis, na.rm = TRUE)
df_eco_fis <- df_eco %>% filter(fis == TRUE)
p3_eco_fis_to_psi <- mean(df_eco_fis$psi, na.rm = TRUE)
df_eco_fis_psi <- df_eco_fis %>% filter(psi == TRUE)
p3_eco_fis_psi_to_sex <- mean(df_eco_fis_psi$sex, na.rm = TRUE)
# ==========================================
# 5. Tabelle mit allen Ergebnissen
# ==========================================
tabla <- data.frame(
ruta = c(
"Eco → Psi → Fis → Sex",
"Eco → Sex → Fis → Psi",
"Eco → Fis → Psi → Sex"
),
paso1 = c(
p1_eco_to_psi,
p2_eco_to_sex,
p3_eco_to_fis
),
paso2 = c(
p1_eco_psi_to_fis,
p2_eco_sex_to_fis,
p3_eco_fis_to_psi
),
paso3 = c(
p1_eco_psi_fis_to_sex,
p2_eco_sex_fis_to_psi,
p3_eco_fis_psi_to_sex
)
)
print(tabla)## ruta paso1 paso2 paso3
## 1 Eco → Psi → Fis → Sex 0.8556402 0.6052570 0.4379534
## 2 Eco → Sex → Fis → Psi 0.2765478 0.8253940 0.9936362
## 3 Eco → Fis → Psi → Sex 0.5392206 0.9604273 0.4379534# ==========================================
# 6. Exportieren als JSON für Python
# ==========================================
ruta_json <- "C:/Master/3. Semester/R/Dataset/probabilidades_3_rutas.json"
write_json(tabla, ruta_json, pretty = TRUE)
cat("\n✔ Archivo JSON generado:\n", ruta_json, "\n")##
## ✔ Archivo JSON generado:
## C:/Master/3. Semester/R/Dataset/probabilidades_3_rutas.json# ============================================================
# CÓDIGO COMPLETO EN R — Cálculo y guardado de probabilidades
# ============================================================
library(jsonlite)
# ------------------------------------------------------------
# 1. Preparar variables binarias (Sí = 1, No = 0)
# ------------------------------------------------------------
vio <- violec_especif21
vio$eco <- ifelse(vio$viol21_eco_disc == "Sí", 1, 0)
vio$fis <- ifelse(vio$viol21_fis_disc == "Sí", 1, 0)
vio$psi <- ifelse(vio$viol21_psi_disc == "Sí", 1, 0)
vio$sex <- ifelse(vio$viol21_sex_disc == "Sí", 1, 0)
# Filtrar el grupo de mujeres con violencia económica
eco_group <- subset(vio, eco == 1)
# ------------------------------------------------------------
# 2. Función auxiliar para calcular P(Y|X)
# ------------------------------------------------------------
p_cond <- function(df, X, Y) {
sub <- df[df[[X]] == 1, ]
if (nrow(sub) == 0) return(NA)
return(mean(sub[[Y]] == 1))
}
# ------------------------------------------------------------
# 3. Cálculo de todas las probabilidades condicionales
# ------------------------------------------------------------
prob <- list(
# 1. Directamente desde eco →
p_fis_given_eco = p_cond(eco_group, "eco", "fis"),
p_psi_given_eco = p_cond(eco_group, "eco", "psi"),
p_sex_given_eco = p_cond(eco_group, "eco", "sex"),
# 2. eco + fis →
p_psi_given_eco_fis = p_cond(subset(eco_group, fis == 1), "fis", "psi"),
p_sex_given_eco_fis = p_cond(subset(eco_group, fis == 1), "fis", "sex"),
# 3. eco + psi →
p_fis_given_eco_psi = p_cond(subset(eco_group, psi == 1), "psi", "fis"),
p_sex_given_eco_psi = p_cond(subset(eco_group, psi == 1), "psi", "sex"),
# 4. eco + sex →
p_fis_given_eco_sex = p_cond(subset(eco_group, sex == 1), "sex", "fis"),
p_psi_given_eco_sex = p_cond(subset(eco_group, sex == 1), "sex", "psi"),
# 5. eco + fis + psi →
p_sex_given_eco_fis_psi = p_cond(subset(eco_group, fis == 1 & psi == 1), "psi", "sex"),
# 6. eco + psi + sex →
p_fis_given_eco_psi_sex = p_cond(subset(eco_group, psi == 1 & sex == 1), "sex", "fis"),
# 7. eco + fis + sex →
p_psi_given_eco_fis_sex = p_cond(subset(eco_group, fis == 1 & sex == 1), "sex", "psi")
)
# ------------------------------------------------------------
# 4. Guardar archivo JSON en la carpeta indicada
# ------------------------------------------------------------
ruta <- "C:/Master/3. Semester/R/Dataset/probabilidades_transiciones.json"
write(
toJSON(prob, pretty = TRUE, auto_unbox = TRUE),
file = ruta
)
cat("Archivo guardado correctamente en:\n", ruta, "\n")## Archivo guardado correctamente en:
## C:/Master/3. Semester/R/Dataset/probabilidades_transiciones.jsonlibrary(dplyr)
library(jsonlite)
# ===========================================================
# 1. Gewaltformen definieren (0/1-Variablen wie du sie erstellt hast)
# ===========================================================
df <- violec_especif21 %>%
mutate(
eco = ifelse(viol21_eco_disc == "Sí", 1, 0),
fis = ifelse(viol21_fis_disc == "Sí", 1, 0),
psi = ifelse(viol21_psi_disc == "Sí", 1, 0),
sex = ifelse(viol21_sex_disc == "Sí", 1, 0)
)
# Nur Frauen mit wirtschaftlicher Gewalt berücksichtigen
df_eco <- df %>% filter(eco == 1)
# ===========================================================
# 2. Bedingte Wahrscheinlichkeiten berechnen
# ===========================================================
p_eco_to_fis <- mean(df_eco$fis)
p_eco_to_psi <- mean(df_eco$psi)
p_eco_to_sex <- mean(df_eco$sex)
# ECO + FIS
df_eco_fis <- df_eco %>% filter(fis == 1)
p_eco_fis_to_psi <- mean(df_eco_fis$psi)
p_eco_fis_to_sex <- mean(df_eco_fis$sex)
# ECO + PSI
df_eco_psi <- df_eco %>% filter(psi == 1)
p_eco_psi_to_fis <- mean(df_eco_psi$fis)
p_eco_psi_to_sex <- mean(df_eco_psi$sex)
# ECO + SEX
df_eco_sex <- df_eco %>% filter(sex == 1)
p_eco_sex_to_fis <- mean(df_eco_sex$fis)
p_eco_sex_to_psi <- mean(df_eco_sex$psi)
# ===========================================================
# 3. Wahrscheinlichkeiten in einer Tabelle anzeigen
# ===========================================================
tabla <- data.frame(
transicion = c(
"eco → fis",
"eco → psi",
"eco → sex",
"eco+fis → psi",
"eco+fis → sex",
"eco+psi → fis",
"eco+psi → sex",
"eco+sex → fis",
"eco+sex → psi"
),
probabilidad = c(
p_eco_to_fis,
p_eco_to_psi,
p_eco_to_sex,
p_eco_fis_to_psi,
p_eco_fis_to_sex,
p_eco_psi_to_fis,
p_eco_psi_to_sex,
p_eco_sex_to_fis,
p_eco_sex_to_psi
)
)
print(tabla)## transicion probabilidad
## 1 eco → fis 0.5392206
## 2 eco → psi 0.8556402
## 3 eco → sex 0.2765478
## 4 eco+fis → psi 0.9604273
## 5 eco+fis → sex 0.4233163
## 6 eco+psi → fis 0.6052570
## 7 eco+psi → sex 0.3182297
## 8 eco+sex → fis 0.8253940
## 9 eco+sex → psi 0.9846042# ===========================================================
# 4. Export als JSON (für Python lesbar)
# ===========================================================
ruta_json <- "C:/Master/3. Semester/R/Dataset/probabilidades_transiciones.json"
json_data <- list(
eco_to_fis = p_eco_to_fis,
eco_to_psi = p_eco_to_psi,
eco_to_sex = p_eco_to_sex,
eco_fis_to_psi = p_eco_fis_to_psi,
eco_fis_to_sex = p_eco_fis_to_sex,
eco_psi_to_fis = p_eco_psi_to_fis,
eco_psi_to_sex = p_eco_psi_to_sex,
eco_sex_to_fis = p_eco_sex_to_fis,
eco_sex_to_psi = p_eco_sex_to_psi
)
write_json(json_data, ruta_json, pretty = TRUE)
cat("\n✔ JSON exportado correctamente en:\n", ruta_json, "\n")##
## ✔ JSON exportado correctamente en:
## C:/Master/3. Semester/R/Dataset/probabilidades_transiciones.json— Speichern —
dir.create(“C:/Master/3. Semester/R/Dataset”, recursive = TRUE, showWarnings = FALSE) write.csv(resultados, “C:/Master/3. Semester/R/Dataset/probabilidades_secuencias.csv”, row.names = FALSE)
print(resultados)
# -----------------------------
# 1. Crear variables dicotómicas (Sí / No)
# -----------------------------
# Violencia física 2016
violec_especif16$viol16_fis_total <- (
violec_especif16$violencia16_fisica1 +
violec_especif16$violencia16_fisica2 +
violec_especif16$violencia16_fisica3 +
violec_especif16$violencia16_fisica4 +
violec_especif16$violencia16_fisica5 +
violec_especif16$violencia16_fisica6 +
violec_especif16$violencia16_fisica7 +
violec_especif16$violencia16_fisica8 +
violec_especif16$violencia16_fisica9
)
violec_especif16$viol16_fis_disc <- ifelse(violec_especif16$viol16_fis_total > 0, "Sí", "No")
# Violencia psicológica 2016
violec_especif16$viol16_psi_total <- rowSums(violec_especif16[, grep("violencia16_psicologica", names(violec_especif16))])
violec_especif16$viol16_psi_disc <- ifelse(violec_especif16$viol16_psi_total > 0, "Sí", "No")
# Violencia sexual 2016
violec_especif16$viol16_sex_total <- rowSums(violec_especif16[, grep("violencia16_sexual", names(violec_especif16))])
violec_especif16$viol16_sex_disc <- ifelse(violec_especif16$viol16_sex_total > 0, "Sí", "No")
# Violencia económica 2016
violec_especif16$viol16_eco_total <- rowSums(violec_especif16[, grep("violencia16_economica", names(violec_especif16))])
violec_especif16$viol16_eco_disc <- ifelse(violec_especif16$viol16_eco_total > 0, "Sí", "No")
# -----------------------------
# 2. Función para calcular probabilidades condicionales
# -----------------------------
prob <- function(A, B) {
tabla <- table(A, B)
return(tabla["Sí", "Sí"] / sum(tabla[, "Sí"]))
}
# -----------------------------
# 3. Calcular las probabilidades para cada ruta (2016)
# -----------------------------
# Ruta 1: Eco → Psi → Fis → Sex
ruta1_p1 <- prob(violec_especif16$viol16_eco_disc, violec_especif16$viol16_psi_disc)
ruta1_p2 <- prob(violec_especif16$viol16_psi_disc, violec_especif16$viol16_fis_disc)
ruta1_p3 <- prob(violec_especif16$viol16_fis_disc, violec_especif16$viol16_sex_disc)
# Ruta 2: Eco → Sex → Fis → Psi
ruta2_p1 <- prob(violec_especif16$viol16_eco_disc, violec_especif16$viol16_sex_disc)
ruta2_p2 <- prob(violec_especif16$viol16_sex_disc, violec_especif16$viol16_fis_disc)
ruta2_p3 <- prob(violec_especif16$viol16_fis_disc, violec_especif16$viol16_psi_disc)
# Ruta 3: Eco → Fis → Psi → Sex
ruta3_p1 <- prob(violec_especif16$viol16_eco_disc, violec_especif16$viol16_fis_disc)
ruta3_p2 <- prob(violec_especif16$viol16_fis_disc, violec_especif16$viol16_psi_disc)
ruta3_p3 <- prob(violec_especif16$viol16_psi_disc, violec_especif16$viol16_sex_disc)
# -----------------------------
# 4. Mostrar los resultados de 2016
# -----------------------------
resultados_2016 <- data.frame(
ruta = c("Eco → Psi → Fis → Sex",
"Eco → Sex → Fis → Psi",
"Eco → Fis → Psi → Sex"),
paso1 = c(ruta1_p1, ruta2_p1, ruta3_p1),
paso2 = c(ruta1_p2, ruta2_p2, ruta3_p2),
paso3 = c(ruta1_p3, ruta2_p3, ruta3_p3)
)
print(resultados_2016)## ruta paso1 paso2 paso3
## 1 Eco → Psi → Fis → Sex 0.5326105 0.8975300 0.7879747
## 2 Eco → Sex → Fis → Psi 0.8553812 0.2759076 0.4615038
## 3 Eco → Fis → Psi → Sex 0.6445588 0.4615038 0.9711723##
## 1 2 9
## 21183 19182 1211##
## 1 2 9 <NA>
## 21183 19182 1211 68551# Umcodierung der Werte mit aussagekräftigen Labels
violec21$P14_4_label <- factor(violec21$P14_4,
levels = c(1, 2, 9),
labels = c("Ja", "Nein", "Nicht spezifiziert")
)
# Optional: Leere Felder (blanco) als NA behandeln
violec21$P14_4_label[violec21$P14_4_label == ""] <- NA
# Häufigkeitstabelle mit Prozentangaben
library(dplyr)
violec21 %>%
filter(!is.na(P14_4_label)) %>%
count(P14_4_label) %>%
mutate(Prozent = round(n / sum(n) * 100, 1))## P14_4_label n Prozent
## 1 Ja 21183 51.0
## 2 Nein 19182 46.1
## 3 Nicht spezifiziert 1211 2.9##
## 1 2 9
## 20453 22481 1433## Warning: Paket 'ggplot2' wurde unter R Version 4.4.2 erstelltlibrary(dplyr)
# Umcodierung der Antworten in verständliche Labels
violec21$P14_4_label <- factor(violec21$P14_4,
levels = c(1, 2, 9),
labels = c("Sí", "No", "No especificado")
)
# Leere Felder (blanco) als NA behandeln
violec21$P14_4_label[violec21$P14_4_label == ""] <- NA
# Daten zusammenfassen
df_plot <- violec21 %>%
filter(!is.na(P14_4_label)) %>%
count(P14_4_label) %>%
mutate(Procentaje = round(n / sum(n) * 100, 1))
# Grafische Darstellung
ggplot(df_plot, aes(x = P14_4_label, y = Procentaje, fill = P14_4_label)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = paste0(Procentaje, "%")), vjust = -0.5, size = 5) +
scale_fill_manual(values = c("#1f77b4", "#ff7f0e", "#aaaaaa")) +
labs(
title = "¿Ya había usted hablado antes con alguien sobre los problemas que ha vivido con su pareja o esposo?",
x = "Respuesta",
y = "Porcentaje"
) +
theme_minimal(base_size = 14) +
theme(legend.position = "none")
# Pakete laden
library(ggplot2)
library(dplyr)
# Antworten umcodieren
violec21$P14_4_label <- factor(violec21$P14_4,
levels = c(1, 2, 9),
labels = c("Sí", "No", "No especificado")
)
# Leere Felder (blanco) als NA behandeln
violec21$P14_4_label[violec21$P14_4_label == ""] <- NA
# Daten zusammenfassen
df_plot <- violec21 %>%
filter(!is.na(P14_4_label)) %>%
count(P14_4_label) %>%
mutate(Procentaje = round(n / sum(n) * 100, 1))
# Grafische Darstellung
ggplot(df_plot, aes(x = P14_4_label, y = Procentaje, fill = P14_4_label)) +
geom_bar(stat = "identity", width = 0.6) +
geom_text(aes(label = paste0(Procentaje, "%")),
vjust = 0.5, color = "black", size = 6, fontface = "bold") +
scale_fill_manual(values = c("#4C9F70", "#D97A00", "#BDBDBD")) +
labs(
title = "Hablaba antes con alguien sobre sus problemas de pareja",
x = "Respuesta",
y = "Porcentaje"
) +
theme_minimal(base_size = 15) +
theme(
legend.position = "none",
plot.title = element_text(hjust = 0.5, face = "bold"),
axis.text = element_text(size = 13),
axis.title = element_text(size = 13)
)
# Pakete laden
library(ggplot2)
library(dplyr)
# ----------------------------
# DATOS DE 2021
# ----------------------------
violec21$P14_4_label <- factor(
violec21$P14_4,
levels = c(1, 2, 9),
labels = c("Sí", "No", "No especificado")
)
violec21$P14_4_label[violec21$P14_4_label == ""] <- NA
df21 <- violec21 %>%
filter(!is.na(P14_4_label)) %>%
count(P14_4_label) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = "2021",
Respuesta = P14_4_label
) %>%
select(Año, Respuesta, Porcentaje)
# ----------------------------
# DATOS DE 2016
# ----------------------------
violec16$P13_4_label <- factor(
violec16$P13_4,
levels = c(1, 2, 9),
labels = c("Sí", "No", "No especificado")
)
violec16$P13_4_label[violec16$P13_4_label == ""] <- NA
df16 <- violec16 %>%
filter(!is.na(P13_4_label)) %>%
count(P13_4_label) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = "2016",
Respuesta = P13_4_label
) %>%
select(Año, Respuesta, Porcentaje)
# ----------------------------
# UNIÓN DE AMBAS BASES
# ----------------------------
df_plot <- bind_rows(df16, df21)
# ----------------------------
# GRAFICA COMPARATIVA
# ----------------------------
ggplot(df_plot, aes(x = Respuesta, y = Porcentaje, fill = Año)) +
geom_bar(
stat = "identity",
position = position_dodge(width = 0.8),
width = 0.7
) +
geom_text(
aes(
label = paste0(Porcentaje, "%"),
vjust = ifelse(Porcentaje < 5, -0.3, 1.5),
color = ifelse(Porcentaje < 5, "black", "white")
),
position = position_dodge(width = 0.8),
size = 5,
fontface = "bold"
) +
scale_color_identity() +
scale_fill_manual(values = c(
"2016" = "skyblue",
"2021" = "palevioletred"
)) +
labs(
title = "Comparación 2016 vs 2021\nHablaba antes con alguien sobre sus problemas de pareja",
x = "Respuesta",
y = "Porcentaje",
fill = "Año"
) +
theme_minimal(base_size = 15) +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
axis.text = element_text(size = 13),
axis.title = element_text(size = 13)
)
# ----------------------------
# TABLA FINAL CON N Y PORCENTAJE
# ----------------------------
tabla_final <- bind_rows(
violec16 %>%
filter(!is.na(P13_4_label)) %>%
count(Respuesta = P13_4_label) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = "2016"
),
violec21 %>%
filter(!is.na(P14_4_label)) %>%
count(Respuesta = P14_4_label) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = "2021"
)
) %>%
select(Año, Respuesta, n, Porcentaje) %>%
arrange(Respuesta, Año)
# Tabelle anzeigen
tabla_final## Año Respuesta n Porcentaje
## 1 2016 Sí 20453 46.1
## 2 2021 Sí 21183 51.0
## 3 2016 No 22481 50.7
## 4 2021 No 19182 46.1
## 5 2016 No especificado 1433 3.2
## 6 2021 No especificado 1211 2.9# Pakete laden
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen auswählen und in long-Format bringen
df_plot <- violec21 %>%
select(P14_5_1, P14_5_2, P14_5_3, P14_5_4, P14_5_5, P14_5_6, P14_5_7) %>%
pivot_longer(cols = everything(),
names_to = "Persona",
values_to = "Respuesta") %>%
mutate(
Persona = recode(Persona,
"P14_5_1" = "Familiar",
"P14_5_2" = "Amiga o compañera",
"P14_5_3" = "Vecina o conocida",
"P14_5_4" = "Psicóloga/trabajadora social",
"P14_5_5" = "Abogada/o",
"P14_5_6" = "Sacerdote o ministro/a religiosa",
"P14_5_7" = "Otra persona"
),
Respuesta = case_when(
Respuesta == 1 ~ "Sí",
Respuesta == 2 ~ "No",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(Respuesta)) %>%
group_by(Persona, Respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(Persona) %>%
mutate(Procentaje = round(n / sum(n) * 100, 1))
# Grafik erstellen
ggplot(df_plot, aes(x = reorder(Persona, -Procentaje), y = Procentaje, fill = Respuesta)) +
geom_bar(stat = "identity", position = "dodge", width = 0.7) +
geom_text(aes(label = paste0(Procentaje, "%")),
position = position_dodge(width = 0.7),
vjust = -0.3, size = 4) +
scale_fill_manual(values = c("#1f77b4", "#ff7f0e")) +
labs(
title = "¿Le contó lo ocurrido a…?",
x = "Persona a la que contó lo ocurrido",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal(base_size = 13) +
theme(
axis.text.x = element_text(angle = 25, hjust = 1),
plot.title = element_text(face = "bold", size = 15)
)
library(dplyr)
library(tidyr)
library(ggplot2)
# --------------------------------------------------------
# FUNKTION: Datensatz standardisieren (nur "Sí" behalten)
# --------------------------------------------------------
prep_data <- function(data, year, prefix) {
data %>%
select(starts_with(prefix)) %>%
pivot_longer(
cols = everything(),
names_to = "Persona",
values_to = "Respuesta"
) %>%
mutate(
# Persona-Namen anhand der exakten Feldnamen zuweisen
Persona = case_when(
Persona == paste0(prefix, "1") ~ "Familiar",
Persona == paste0(prefix, "2") ~ "Amiga o compañera",
Persona == paste0(prefix, "3") ~ "Vecina o conocida",
Persona == paste0(prefix, "4") ~ "Psicóloga/trabajadora social",
Persona == paste0(prefix, "5") ~ "Abogada/o",
Persona == paste0(prefix, "6") ~ "Sacerdote o ministro/a religiosa",
Persona == paste0(prefix, "7") ~ "Otra persona",
TRUE ~ Persona
),
# Nur die Werte 1 und 2 behandeln; sonst NA
Respuesta = case_when(
Respuesta == 1 ~ "Sí",
Respuesta == 2 ~ "No",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(Respuesta)) %>%
group_by(Persona, Respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(Persona) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = year
) %>%
filter(Respuesta == "Sí") # nur "Sí"-Antworten
}
# --------------------------------------------------------
# DATEN 2021 (Prefix P14_5_)
# --------------------------------------------------------
df21 <- prep_data(violec21, "2021", "P14_5_")
# --------------------------------------------------------
# DATEN 2016 (Prefix P13_5_)
# --------------------------------------------------------
df16 <- prep_data(violec16, "2016", "P13_5_")
# --------------------------------------------------------
# UNION
# --------------------------------------------------------
df_plot <- bind_rows(df16, df21)
# --------------------------------------------------------
# GRAFIK: Vergleich 2016 vs 2021 (nur 'Sí')
# --------------------------------------------------------
ggplot(df_plot, aes(x = Persona, y = Porcentaje, fill = Año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(
aes(
label = paste0(Porcentaje),
vjust = ifelse(Porcentaje > 60, 1.2, -0.3),
color = ifelse(Porcentaje > 60, "white", "black")
),
position = position_dodge(width = 0.8),
size = 4,
fontface = "bold"
) +
scale_color_identity() +
scale_fill_manual(values = c("2016" = "skyblue","2021" = "palevioletred")) +
labs(
title = "¿Le contó lo ocurrido a…? (2016 vs. 2021)",
x = "Persona a la que contó lo ocurrido",
y = "Porcentaje (Sólo 'Sí')",
fill = "Año"
) +
theme_minimal(base_size = 13) +
theme(
axis.text.x = element_text(angle = 25, hjust = 1),
plot.title = element_text(face = "bold", size = 15)
)
library(dplyr)
library(tidyr)
library(ggplot2)
# --------------------------------------------------------
# FUNKTION: Datensatz standardisieren und alle Antworten behalten
# --------------------------------------------------------
prep_data_complete <- function(data, year, prefix) {
data %>%
select(starts_with(prefix)) %>%
pivot_longer(cols = everything(),
names_to = "Persona",
values_to = "Respuesta") %>%
mutate(
# Persona-Namen anhand der exakten Feldnamen zuweisen
Persona = case_when(
Persona == paste0(prefix, "1") ~ "Familiar",
Persona == paste0(prefix, "2") ~ "Amiga o compañera",
Persona == paste0(prefix, "3") ~ "Vecina o conocida",
Persona == paste0(prefix, "4") ~ "Psicóloga/trabajadora social",
Persona == paste0(prefix, "5") ~ "Abogada/o",
Persona == paste0(prefix, "6") ~ "Sacerdote o ministro/a religiosa",
Persona == paste0(prefix, "7") ~ "Otra persona",
TRUE ~ Persona
),
# Werte 1 = Sí, 2 = No, alles andere = NA
Respuesta = case_when(
Respuesta == 1 ~ "Sí",
Respuesta == 2 ~ "No",
TRUE ~ "No especificado"
)
) %>%
group_by(Persona, Respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(Persona) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = year
) %>%
ungroup()
}
# --------------------------------------------------------
# DATEN 2021
# --------------------------------------------------------
df21 <- prep_data_complete(violec21, "2021", "P14_5_")
# --------------------------------------------------------
# DATEN 2016
# --------------------------------------------------------
df16 <- prep_data_complete(violec16, "2016", "P13_5_")
# --------------------------------------------------------
# UNION
# --------------------------------------------------------
df_plot <- bind_rows(df16, df21)
# --------------------------------------------------------
# TABELLE: absolute Zahlen + Prozent
# --------------------------------------------------------
tabla_resumen <- df_plot %>%
arrange(Año, Persona, desc(Porcentaje))
tabla_resumen## # A tibble: 42 × 5
## Persona Respuesta n Porcentaje Año
## <chr> <chr> <int> <dbl> <chr>
## 1 Abogada/o No especificado 90803 81.6 2016
## 2 Abogada/o No 18990 17.1 2016
## 3 Abogada/o Sí 1463 1.3 2016
## 4 Amiga o compañera No especificado 90803 81.6 2016
## 5 Amiga o compañera No 11717 10.5 2016
## 6 Amiga o compañera Sí 8736 7.9 2016
## 7 Familiar No especificado 90803 81.6 2016
## 8 Familiar Sí 16175 14.5 2016
## 9 Familiar No 4278 3.8 2016
## 10 Otra persona No especificado 90803 81.6 2016
## # ℹ 32 more rows# Pakete laden
library(dplyr)
library(ggplot2)
# Variablen bereinigen und umcodieren
df_p14_6 <- violec21 %>%
mutate(
P14_6 = as.numeric(P14_6),
respuesta = case_when(
P14_6 == 1 ~ "Sí",
P14_6 == 2 ~ "No",
P14_6 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(respuesta)) %>%
group_by(respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(porcentaje = round(n / sum(n) * 100, 1))
# Balkendiagramm erstellen (mit besser lesbaren Labels)
ggplot(df_p14_6, aes(x = respuesta, y = porcentaje, fill = respuesta)) +
geom_col(width = 0.6, color = "white") +
geom_text(aes(label = paste0(porcentaje, "%")),
vjust = 0.5,
color = "white",
size = 6,
fontface = "bold",
position = position_stack(vjust = 0.5)) +
scale_fill_manual(values = c("#1f77b4", "#ff7f0e", "#999999")) +
labs(
title = "¿Sabe usted a dónde acudir para pedir apoyo o ayuda?",
x = NULL,
y = "Porcentaje",
fill = NULL
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16, hjust = 0.5),
axis.text.x = element_text(size = 13, face = "bold"),
legend.position = "none"
)
library(dplyr)
library(ggplot2)
# ---------------------------
# 2021 – P14_6
# ---------------------------
df21 <- violec21 %>%
mutate(
P14_6 = as.numeric(P14_6),
respuesta = case_when(
P14_6 == 1 ~ "Sí",
P14_6 == 2 ~ "No",
P14_6 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(respuesta)) %>%
count(respuesta) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
Año = "2021"
)
# ---------------------------
# 2016 – P13_6
# ---------------------------
df16 <- violec16 %>%
mutate(
P13_6 = as.numeric(P13_6),
respuesta = case_when(
P13_6 == 1 ~ "Sí",
P13_6 == 2 ~ "No",
P13_6 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(respuesta)) %>%
count(respuesta) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
Año = "2016"
)
# ---------------------------
# UNION
# ---------------------------
df_plot <- bind_rows(df16, df21)
# ---------------------------
# GRAFIK
# ---------------------------
ggplot(df_plot, aes(x = respuesta, y = porcentaje, fill = Año)) +
geom_col(position = position_dodge(width = 0.8), width = 0.7) +
geom_text(
aes(
label = porcentaje,
vjust = ifelse(porcentaje > 40, 1.2, -0.3), # Positionierung
color = ifelse(porcentaje > 40, "white", "black") # Farbe
),
position = position_dodge(width = 0.8),
size = 5,
fontface = "bold"
) +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
scale_color_identity() + # <- notwendig für ifelse Farben!
labs(
title = "¿Sabe usted a dónde acudir para pedir apoyo o ayuda?\nComparación 2016 vs 2021",
x = NULL,
y = "Porcentaje",
fill = "Año"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16, hjust = 0.5),
axis.text.x = element_text(size = 13, face = "bold")
)
library(dplyr)
# ---------------------------
# 2021 – P14_6
# ---------------------------
df21_tabla <- violec21 %>%
mutate(
P14_6 = as.numeric(P14_6),
respuesta = case_when(
P14_6 == 1 ~ "Sí",
P14_6 == 2 ~ "No",
P14_6 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(respuesta)) %>%
count(respuesta) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
Año = "2021"
) %>%
select(Año, respuesta, n, porcentaje)
# ---------------------------
# 2016 – P13_6
# ---------------------------
df16_tabla <- violec16 %>%
mutate(
P13_6 = as.numeric(P13_6),
respuesta = case_when(
P13_6 == 1 ~ "Sí",
P13_6 == 2 ~ "No",
P13_6 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(respuesta)) %>%
count(respuesta) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
Año = "2016"
) %>%
select(Año, respuesta, n, porcentaje)
# ---------------------------
# UNION
# ---------------------------
tabla_resumen <- bind_rows(df16_tabla, df21_tabla) %>%
arrange(Año, desc(porcentaje))
# ---------------------------
# Ausgabe
# ---------------------------
tabla_resumen## Año respuesta n porcentaje
## 1 2016 No 28568 64.4
## 2 2016 Sí 14366 32.4
## 3 2016 No especificado 1433 3.2
## 4 2021 No 24371 58.6
## 5 2021 Sí 15994 38.5
## 6 2021 No especificado 1211 2.9df_p14_7 <- violec21 %>%
mutate(
P14_7_1 = as.numeric(P14_7_1),
P14_7_2 = as.numeric(P14_7_2),
apoyo = case_when(
P14_7_1 == 1 ~ "Sí",
P14_7_1 == 2 ~ "No",
P14_7_1 == 9 ~ "No especificado",
TRUE ~ NA_character_
),
denuncia = case_when(
P14_7_2 == 1 ~ "Sí",
P14_7_2 == 2 ~ "No",
P14_7_2 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
select(apoyo, denuncia) %>%
pivot_longer(cols = c(apoyo, denuncia),
names_to = "variable",
values_to = "respuesta") %>%
filter(!is.na(respuesta)) %>%
group_by(variable, respuesta) %>%
summarise(n = n(), .groups = "drop_last") %>% # "drop_last" behält variable für prozentuale Berechnung
mutate(porcentaje = round(n / sum(n) * 100, 1)) %>%
ungroup()
# Variable-Namen für die Achsen schöner machen
df_p14_7$variable <- recode(df_p14_7$variable,
"apoyo" = "Buscó apoyo o servicios",
"denuncia" = "Presentó denuncia o queja")
# Balkendiagramm mit gut lesbaren Prozentwerten
ggplot(df_p14_7, aes(x = variable, y = porcentaje, fill = respuesta)) +
geom_col(position = position_dodge(width = 0.7), width = 0.6, color = "white") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_dodge(width = 0.7),
vjust = 0.5,
color = "black",
size = 5,
fontface = "bold") +
scale_fill_manual(values = c("#1f77b4", "#ff7f0e", "#999999")) +
labs(
title = "Acciones de las mujeres frente a la violencia de pareja",
subtitle = "¿Buscó apoyo o presentó denuncia?",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16, hjust = 0.5),
plot.subtitle = element_text(size = 14, hjust = 0.5),
axis.text.x = element_text(size = 13, face = "bold"),
legend.position = "top",
legend.title = element_blank()
)
library(dplyr)
library(tidyr)
library(ggplot2)
# ---------------------------------------------------
# 1. Hilfsfunktion für beide Jahre
# ---------------------------------------------------
prep_data <- function(df, year, var_apoyo, var_denuncia) {
df %>%
mutate(
apoyo = case_when(
.data[[var_apoyo]] == 1 ~ "Sí",
.data[[var_apoyo]] == 2 ~ "No",
TRUE ~ "O"
),
denuncia = case_when(
.data[[var_denuncia]] == 1 ~ "Sí",
.data[[var_denuncia]] == 2 ~ "No",
TRUE ~ "O"
)
) %>%
select(apoyo, denuncia) %>%
pivot_longer(
cols = c(apoyo, denuncia),
names_to = "pregunta",
values_to = "respuesta"
) %>%
group_by(pregunta, respuesta) %>%
summarise(n = n(), .groups = "drop_last") %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
Año = year
) %>%
ungroup()
}
# ---------------------------------------------------
# 2. Datensätze für 2016 und 2021 vorbereiten
# ---------------------------------------------------
df16 <- prep_data(
df = violec16,
year = "2016",
var_apoyo = "P13_7_1",
var_denuncia = "P13_7_2"
)
df21 <- prep_data(
df = violec21,
year = "2021",
var_apoyo = "P14_7_1",
var_denuncia = "P14_7_2"
)
# ---------------------------------------------------
# 3. Zusammenführen
# ---------------------------------------------------
df_plot <- bind_rows(df16, df21)
df_plot$pregunta <- recode(
df_plot$pregunta,
"apoyo" = "Buscó apoyo o servicios",
"denuncia" = "Presentó denuncia o queja"
)
# Farben 2016 blau, 2021 grün
colores <- c(
"Sí_2016" = "#c6dbef",
"No_2016" = "#6baed6",
"O_2016" = "#1f77b4",
"Sí_2021" = "#f4c2c2",
"No_2021" = "#e29797",
"O_2021" = "#d46b6b"
)
df_plot$fill_group <- paste0(df_plot$respuesta, "_", df_plot$Año)
# ---------------------------------------------------
# 4. Endplot mit dynamischer Textplatzierung
# ---------------------------------------------------
ggplot(df_plot, aes(x = pregunta, y = porcentaje, fill = fill_group)) +
geom_col(position = position_dodge(width = 0.7), width = 0.65, color = "white") +
# Dynamische Platzierung der Prozentwerte
geom_text(
aes(
label = porcentaje,
y = case_when(
porcentaje < 5 ~ porcentaje + 8, # sehr kleine Werte → weit über Balken
porcentaje < 15 ~ porcentaje + 3, # kleine Werte → knapp über Balken
TRUE ~ porcentaje - 2 # große Werte → in den Balken
),
color = case_when(
porcentaje < 15 ~ "outside", # Text über Balken schwarz
TRUE ~ "inside" # Text im Balken weiß
)
),
position = position_dodge(width = 0.7),
size = 3.5,
fontface = "bold"
) +
scale_fill_manual(
values = colores,
labels = c(
"Sí_2016" = "Sí (2016)",
"No_2016" = "No (2016)",
"O_2016" = "Otros (2016)",
"Sí_2021" = "Sí (2021)",
"No_2021" = "No (2021)",
"O_2021" = "Otros (2021)"
)
) +
# Farben für Text je nach Position
scale_color_manual(values = c("inside" = "white", "outside" = "black"), guide = "none") +
labs(
title = "Acciones de las mujeres frente a la violencia de pareja",
subtitle = "Comparación 2016 vs 2021",
x = "",
y = "Porcentaje",
fill = "Respuesta"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16, hjust = 0.5),
plot.subtitle = element_text(size = 14, hjust = 0.5),
axis.text.x = element_text(size = 13, face = "bold"),
legend.position = "top"
)
# ---------------------------
# Tabelle: absolute Zahlen + Prozent
# ---------------------------
tabla_resumen <- df_plot %>%
select(Año, pregunta, respuesta, n, porcentaje) %>%
arrange(Año, pregunta, desc(porcentaje))
# Tabelle anzeigen
print(tabla_resumen)## # A tibble: 12 × 5
## Año pregunta respuesta n porcentaje
## <chr> <chr> <chr> <int> <dbl>
## 1 2016 Buscó apoyo o servicios O 68322 61.4
## 2 2016 Buscó apoyo o servicios No 38993 35
## 3 2016 Buscó apoyo o servicios Sí 3941 3.5
## 4 2016 Presentó denuncia o queja O 68322 61.4
## 5 2016 Presentó denuncia o queja No 40297 36.2
## 6 2016 Presentó denuncia o queja Sí 2637 2.4
## 7 2021 Buscó apoyo o servicios O 69762 63.3
## 8 2021 Buscó apoyo o servicios No 37214 33.8
## 9 2021 Buscó apoyo o servicios Sí 3151 2.9
## 10 2021 Presentó denuncia o queja O 69762 63.3
## 11 2021 Presentó denuncia o queja No 37430 34
## 12 2021 Presentó denuncia o queja Sí 2935 2.7# Pakete laden
library(dplyr)
library(ggplot2)
library(tidyr)
# Relevante Variablen umwandeln
instituciones_vars <- c("P14_8_1", "P14_8_2", "P14_8_3", "P14_8_4", "P14_8_5",
"P14_8_6", "P14_8_7", "P14_8_8", "P14_8_9", "P14_8_10")
# Alle Variablen numerisch konvertieren
violec21[instituciones_vars] <- lapply(violec21[instituciones_vars], as.numeric)
# Datensatz umstrukturieren
df_p14_8 <- violec21 %>%
select(all_of(instituciones_vars)) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
mutate(
respuesta = case_when(
respuesta == 1 ~ "Sí",
respuesta == 2 ~ "No",
respuesta == 9 ~ "No especificado",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(respuesta)) %>%
group_by(variable, respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(porcentaje = round(n / sum(n) * 100, 1))
# Institutionen beschriften
df_p14_8$variable <- recode(df_p14_8$variable,
"P14_8_1" = "Instituto de las Mujeres",
"P14_8_2" = "Línea de atención telefónica",
"P14_8_3" = "Organismo o asociación civil",
"P14_8_4" = "CAVI o equivalente",
"P14_8_5" = "Centro de Justicia para las Mujeres",
"P14_8_6" = "Defensoría Pública",
"P14_8_7" = "Centro de salud u hospital público",
"P14_8_8" = "Clínica u hospital privado",
"P14_8_9" = "DIF",
"P14_8_10" = "Otra institución"
)
# Nur "Sí"-Antworten
df_si <- df_p14_8 %>% filter(respuesta == "Sí")
# Balkendiagramm
ggplot(df_si, aes(x = reorder(variable, porcentaje), y = porcentaje)) +
geom_col(fill = "#1f77b4", width = 0.6) +
geom_text(aes(label = paste0(porcentaje, "%")),
hjust = 1.1, color = "white", size = 5, fontface = "bold") +
coord_flip() +
labs(
title = "Instituciones donde se busca apoyo",
subtitle = "ENDIREH 2021",
x = "",
y = "Porcentaje de mujeres (respuesta: Sí)"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16, hjust = 0),
plot.subtitle = element_text(size = 14, hjust = 0),
axis.text.y = element_text(size = 12),
axis.title.y = element_text(margin = margin(r = 10)),
panel.grid.minor = element_blank()
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.05)))
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# ----------------------------------------------------------
# 1. Variablen definieren
# ----------------------------------------------------------
vars_2016 <- c(
"P13_8_1","P13_8_2","P13_8_3","P13_8_4","P13_8_5",
"P13_8_6","P13_8_7","P13_8_8","P13_8_9","P13_8_10","P13_8_11"
)
vars_2021 <- c(
"P14_8_1","P14_8_2","P14_8_3","P14_8_4","P14_8_5",
"P14_8_6","P14_8_7","P14_8_8","P14_8_9","P14_8_10"
)
# Gemeinsame Beschriftung
instituciones_labels <- c(
"P14_8_1" = "Instituto de las Mujeres",
"P14_8_2" = "Línea de atención telefónica",
"P14_8_3" = "Organismo o asociación civil",
"P14_8_4" = "CAVI o equivalente",
"P14_8_5" = "Centro de Justicia para las Mujeres",
"P14_8_6" = "Defensoría Pública",
"P14_8_7" = "Centro de salud u hospital público",
"P14_8_8" = "Clínica u hospital privado",
"P14_8_9" = "DIF",
"P14_8_10" = "Otra institución"
)
# Mapping 2016 → 2021 Labels
names_2016_to_2021 <- c(
"P13_8_1"="P14_8_1",
"P13_8_2"="P14_8_1",
"P13_8_3"="P14_8_2",
"P13_8_4"="P14_8_3",
"P13_8_5"="P14_8_4",
"P13_8_6"="P14_8_5",
"P13_8_7"="P14_8_6",
"P13_8_8"="P14_8_7",
"P13_8_9"="P14_8_8",
"P13_8_10"="P14_8_9",
"P13_8_11"="P14_8_10"
)
# ----------------------------------------------------------
# 2. Funktion zur Aufbereitung
# ----------------------------------------------------------
prep_year <- function(df, vars, year, mapper=NULL) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), as.numeric)) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
mutate(
respuesta = case_when(
respuesta == 1 ~ "Sí",
respuesta == 2 ~ "No",
TRUE ~ NA_character_
)
) %>%
filter(respuesta == "Sí") %>%
mutate(
variable = if (!is.null(mapper)) mapper[variable] else variable,
variable = instituciones_labels[variable],
Año = year
) %>%
group_by(variable, Año) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(porcentaje = round(n / sum(n) * 100, 1))
}
# ----------------------------------------------------------
# 3. Daten beider Jahre erzeugen
# ----------------------------------------------------------
df_2016 <- prep_year(violec16, vars_2016, "2016", mapper = names_2016_to_2021)
df_2021 <- prep_year(violec21, vars_2021, "2021")
df_plot <- bind_rows(df_2016, df_2021)
# ----------------------------------------------------------
# 4. FAKTOREN FESTLEGEN (entscheidend!)
# ----------------------------------------------------------
# Jahr immer 2016 → 2021
df_plot$Año <- factor(df_plot$Año, levels = c("2016", "2021"))
# Reihenfolge der Institutionen nach maximalem Prozentsatz
df_plot$variable <- fct_reorder(df_plot$variable, df_plot$porcentaje, .fun = max)
# ----------------------------------------------------------
# 5. Plot
# ----------------------------------------------------------
ggplot(df_plot,
aes(x = variable,
y = porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8), width = 0.65) +
geom_text(aes(label = porcentaje),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 2.5,
fontface = "bold",
color = "black") +
coord_flip() +
scale_fill_manual(values = c("2016" = "skyblue",
"2021" = "palevioletred"),
name = "Año") +
labs(
title = "Instituciones donde se busca apoyo",
subtitle = "Comparación ENDIREH 2016 vs 2021",
x = "",
y = "Porcentaje"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16, hjust = 0),
plot.subtitle = element_text(size = 13, hjust = 0),
axis.text.y = element_text(size = 12),
panel.grid.minor = element_blank(),
legend.position = "top",
axis.text.x = element_text(size = 11),
axis.title.y = element_blank(),
plot.margin = margin(20, 20, 20, 20)
)
# ---------------------------
# 1. Daten für beide Jahre vorbereiten
# ---------------------------
prep_year_full <- function(df, vars, year, mapper=NULL) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), as.numeric)) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
mutate(
respuesta = case_when(
respuesta == 1 ~ "Sí",
respuesta == 2 ~ "No",
TRUE ~ "O" # Otros / blanco
)
) %>%
filter(!is.na(respuesta)) %>%
mutate(
variable = if (!is.null(mapper)) mapper[variable] else variable,
variable = instituciones_labels[variable],
Año = year
) %>%
group_by(Año, variable, respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(Año, variable) %>%
mutate(porcentaje = round(n / sum(n) * 100, 1)) %>%
ungroup()
}
# ---------------------------
# 2. Daten erzeugen
# ---------------------------
df_2016_full <- prep_year_full(violec16, vars_2016, "2016", mapper = names_2016_to_2021)
df_2021_full <- prep_year_full(violec21, vars_2021, "2021")
# ---------------------------
# 3. Zusammenführen
# ---------------------------
tabla_instituciones <- bind_rows(df_2016_full, df_2021_full)
# ---------------------------
# 4. Tabelle anzeigen
# ---------------------------
tabla_instituciones %>%
arrange(Año, variable, desc(respuesta)) %>%
print(n = Inf)## # A tibble: 60 × 5
## Año variable respuesta n porcentaje
## <chr> <chr> <chr> <int> <dbl>
## 1 2016 CAVI o equivalente Sí 252 0.2
## 2 2016 CAVI o equivalente O 107432 96.6
## 3 2016 CAVI o equivalente No 3572 3.2
## 4 2016 Centro de Justicia para las Mujeres Sí 218 0.2
## 5 2016 Centro de Justicia para las Mujeres O 107431 96.6
## 6 2016 Centro de Justicia para las Mujeres No 3607 3.2
## 7 2016 Centro de salud u hospital público Sí 258 0.2
## 8 2016 Centro de salud u hospital público O 107432 96.6
## 9 2016 Centro de salud u hospital público No 3566 3.2
## 10 2016 Clínica u hospital privado Sí 206 0.2
## 11 2016 Clínica u hospital privado O 107432 96.6
## 12 2016 Clínica u hospital privado No 3618 3.3
## 13 2016 DIF Sí 1602 1.4
## 14 2016 DIF O 107349 96.5
## 15 2016 DIF No 2305 2.1
## 16 2016 Defensoría Pública Sí 567 0.5
## 17 2016 Defensoría Pública O 107432 96.6
## 18 2016 Defensoría Pública No 3257 2.9
## 19 2016 Instituto de las Mujeres Sí 879 0.4
## 20 2016 Instituto de las Mujeres O 214854 96.6
## 21 2016 Instituto de las Mujeres No 6779 3
## 22 2016 Línea de atención telefónica Sí 112 0.1
## 23 2016 Línea de atención telefónica O 107432 96.6
## 24 2016 Línea de atención telefónica No 3712 3.3
## 25 2016 Organismo o asociación civil Sí 214 0.2
## 26 2016 Organismo o asociación civil O 107409 96.5
## 27 2016 Organismo o asociación civil No 3633 3.3
## 28 2016 Otra institución Sí 712 0.6
## 29 2016 Otra institución O 107432 96.6
## 30 2016 Otra institución No 3112 2.8
## 31 2021 CAVI o equivalente Sí 318 0.3
## 32 2021 CAVI o equivalente O 107104 97.3
## 33 2021 CAVI o equivalente No 2705 2.5
## 34 2021 Centro de Justicia para las Mujeres Sí 409 0.4
## 35 2021 Centro de Justicia para las Mujeres O 107098 97.2
## 36 2021 Centro de Justicia para las Mujeres No 2620 2.4
## 37 2021 Centro de salud u hospital público Sí 195 0.2
## 38 2021 Centro de salud u hospital público O 107062 97.2
## 39 2021 Centro de salud u hospital público No 2870 2.6
## 40 2021 Clínica u hospital privado Sí 183 0.2
## 41 2021 Clínica u hospital privado O 107094 97.2
## 42 2021 Clínica u hospital privado No 2850 2.6
## 43 2021 DIF Sí 1035 0.9
## 44 2021 DIF O 107107 97.3
## 45 2021 DIF No 1985 1.8
## 46 2021 Defensoría Pública Sí 502 0.5
## 47 2021 Defensoría Pública O 107107 97.3
## 48 2021 Defensoría Pública No 2518 2.3
## 49 2021 Instituto de las Mujeres Sí 929 0.8
## 50 2021 Instituto de las Mujeres O 107099 97.3
## 51 2021 Instituto de las Mujeres No 2099 1.9
## 52 2021 Línea de atención telefónica Sí 171 0.2
## 53 2021 Línea de atención telefónica O 107107 97.3
## 54 2021 Línea de atención telefónica No 2849 2.6
## 55 2021 Organismo o asociación civil Sí 300 0.3
## 56 2021 Organismo o asociación civil O 107054 97.2
## 57 2021 Organismo o asociación civil No 2773 2.5
## 58 2021 Otra institución Sí 309 0.3
## 59 2021 Otra institución O 107117 97.3
## 60 2021 Otra institución No 2701 2.5violencia_apoyo21<-read.csv("C:/Master/3. Semester/R/Dataset/TB_SEC_XIV_2.csv", header = TRUE, sep = ",")
violencia_apoyo16<-read.csv("C:/Master/3. Semester/R/Dataset/2016/conjunto_de_datos_tb_sec_xiii_2_endireh_2016.csv", header = TRUE, sep = ",")# Pakete laden
library(dplyr)
library(ggplot2)
library(forcats)
# Variablen in numerisches Format umwandeln
violencia_apoyo21$P14_20AB <- as.numeric(violencia_apoyo21$P14_20AB)
violencia_apoyo21$P14_20C <- as.numeric(violencia_apoyo21$P14_20C)
violencia_apoyo21$P14_21 <- as.numeric(violencia_apoyo21$P14_21)
# Labels für Antwortkategorien hinzufügen
violencia_apoyo21 <- violencia_apoyo21 %>%
mutate(
P14_20AB_label = case_when(
P14_20AB == 1 ~ "Separación temporal",
P14_20AB == 2 ~ "Ella se fue",
P14_20AB == 3 ~ "Él se fue",
P14_20AB == 4 ~ "No se separaron",
P14_20AB == 9 ~ "No especificado",
TRUE ~ NA_character_
),
P14_20C_label = case_when(
P14_20C == 1 ~ "Terminaron y regresaron",
P14_20C == 2 ~ "Ella se fue",
P14_20C == 3 ~ "Él se fue",
P14_20C == 4 ~ "No se separaron",
P14_20C == 9 ~ "No especificado",
TRUE ~ NA_character_
),
P14_21_label = case_when(
P14_21 == 1 ~ "Mejoró",
P14_21 == 2 ~ "Mejoró un tiempo",
P14_21 == 3 ~ "Siguió igual",
P14_21 == 4 ~ "Empeoró",
P14_21 == 9 ~ "No especificado",
TRUE ~ NA_character_
)
)
# --- Funktion für sauberes Plotten ---
plot_porcentaje <- function(df, var_label, title, fill_color) {
df_plot <- df %>%
filter(!is.na({{ var_label }})) %>%
count({{ var_label }}) %>%
mutate(pct = round(n / sum(n) * 100, 1))
ggplot(df_plot, aes(x = fct_reorder(!!sym(deparse(substitute(var_label))), pct), y = pct)) +
geom_bar(stat = "identity", fill = fill_color, width = 0.6) +
geom_text(aes(
label = paste0(pct, "%"),
color = ifelse(pct < 8, "outside", "inside") # Dynamische Farbwahl
),
hjust = ifelse(df_plot$pct < 8, -0.2, 1.1),
size = 5, fontface = "bold"
) +
scale_color_manual(values = c("inside" = "white", "outside" = "black"), guide = "none") +
coord_flip() +
expand_limits(y = max(df_plot$pct) + 8) +
labs(
title = title,
x = "",
y = "Porcentaje"
) +
theme_minimal(base_size = 14) +
theme(plot.title = element_text(face = "bold", size = 15))
}
# --- Diagramme erstellen ---
plot_porcentaje(violencia_apoyo21, P14_20AB_label, "Después de pedir ayuda (pareja o esposo)", "#2c7bb6")
plot_porcentaje(violencia_apoyo21, P14_20C_label, "Después de pedir ayuda (novio o exnovio)", "#abd9e9")
library(dplyr)
library(ggplot2)
library(forcats)
library(tidyr)
# ----------------------------------------------------------
# 1. Labels DEFINIEREN – gleiche Kategorien für 2016 und 2021
# ----------------------------------------------------------
label_sep <- c(
"1" = "Separación temporal",
"2" = "Ella se fue",
"3" = "Él se fue",
"4" = "No se separaron",
"9" = "No especificado"
)
label_couple <- c(
"1" = "Terminaron y regresaron",
"2" = "Ella se fue",
"3" = "Él se fue",
"4" = "No se separaron",
"9" = "No especificado"
)
label_trato <- c(
"1" = "Mejoró",
"2" = "Mejoró un tiempo",
"3" = "Siguió igual",
"4" = "Empeoró",
"9" = "No especificado"
)
# ----------------------------------------------------------
# 2. Funktion zur Vereinheitlichung: 2016 & 2021 zusammenführen
# ----------------------------------------------------------
prep_data <- function(df, var, labels, year) {
df %>%
mutate(valor = as.numeric(.data[[var]])) %>%
filter(!is.na(valor)) %>%
mutate(
respuesta = labels[as.character(valor)],
Año = factor(year, levels = c("2016", "2021"))
) %>%
filter(!is.na(respuesta)) %>%
count(respuesta, Año) %>%
group_by(Año) %>%
mutate(pct = round(n / sum(n) * 100, 1)) %>%
ungroup()
}
# ----------------------------------------------------------
# 3. Daten aufbereiten (2016 + 2021)
# ----------------------------------------------------------
# Frage 1
df_sep <- bind_rows(
prep_data(violencia_apoyo16, "P13_19AB", label_sep, "2016"),
prep_data(violencia_apoyo21, "P14_20AB", label_sep, "2021")
)
# Frage 2
df_couple <- bind_rows(
prep_data(violencia_apoyo16, "P13_19C", label_couple, "2016"),
prep_data(violencia_apoyo21, "P14_20C", label_couple, "2021")
)
# Frage 3
df_trato <- bind_rows(
prep_data(violencia_apoyo16, "P13_20", label_trato, "2016"),
prep_data(violencia_apoyo21, "P14_21", label_trato, "2021")
)
df_combined <- bind_rows(
df16 %>% mutate(year = "2016"),
df21 %>% mutate(year = "2021")
)
df_combined$year <- factor(df_combined$year, levels = c("2016", "2021"))
# ----------------------------------------------------------
# 4. Plot-Funktion (für beide Jahre gleichzeitig)
# ----------------------------------------------------------
plot_comparativo <- function(df, title, color_2016="skyblue", color_2021="palevioletred") {
orden <- df %>%
filter(Año == "2016") %>%
arrange(pct) %>%
pull(respuesta)
ggplot(df, aes(
x = factor(respuesta, levels = orden),
y = pct,
fill = Año
)) +
geom_col(position = position_dodge(width = 0.7), width = 0.6) +
geom_text(
aes(
label = paste0(pct, "%"),
color = ifelse(pct < 8, "outside", "inside")
),
position = position_dodge(width = 0.7),
hjust = ifelse(df$pct < 8, -0.2, 1.1),
size = 4.3,
fontface = "bold"
) +
scale_color_manual(values = c("inside" = "white", "outside" = "black"), guide = "none") +
scale_fill_manual(values = c("2016" = color_2016, "2021" = color_2021)) +
coord_flip() +
expand_limits(y = max(df$pct) + 8) +
labs(
title = title,
x = "",
y = "Porcentaje",
fill = "Año"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 15),
legend.position = "top"
)
}
# ----------------------------------------------------------
# 5. Drei Diagramme erzeugen
# ----------------------------------------------------------
plot_comparativo(df_sep,
"Después de pedir ayuda (pareja o esposo)\nComparación 2016 vs 2021")
## # A tibble: 10 × 4
## respuesta Año n pct
## <chr> <fct> <int> <dbl>
## 1 Ella se fue 2016 892 17.8
## 2 No especificado 2016 89 1.8
## 3 No se separaron 2016 1608 32.1
## 4 Separación temporal 2016 1019 20.3
## 5 Él se fue 2016 1404 28
## 6 Ella se fue 2021 1016 21.2
## 7 No especificado 2021 99 2.1
## 8 No se separaron 2021 1309 27.3
## 9 Separación temporal 2021 1034 21.5
## 10 Él se fue 2021 1343 28## # A tibble: 10 × 4
## respuesta Año n pct
## <chr> <fct> <int> <dbl>
## 1 Ella se fue 2016 40 18.6
## 2 No especificado 2016 11 5.1
## 3 No se separaron 2016 32 14.9
## 4 Terminaron y regresaron 2016 57 26.5
## 5 Él se fue 2016 75 34.9
## 6 Ella se fue 2021 25 13.4
## 7 No especificado 2021 10 5.4
## 8 No se separaron 2021 26 14
## 9 Terminaron y regresaron 2021 65 34.9
## 10 Él se fue 2021 60 32.3## # A tibble: 10 × 4
## respuesta Año n pct
## <chr> <fct> <int> <dbl>
## 1 Empeoró 2016 926 17.7
## 2 Mejoró 2016 2075 39.7
## 3 Mejoró un tiempo 2016 882 16.9
## 4 No especificado 2016 110 2.1
## 5 Siguió igual 2016 1234 23.6
## 6 Empeoró 2021 1002 20.1
## 7 Mejoró 2021 1761 35.3
## 8 Mejoró un tiempo 2021 915 18.3
## 9 No especificado 2021 109 2.2
## 10 Siguió igual 2021 1200 24.1# Paquetes
library(dplyr)
library(ggplot2)
library(tidyr)
library(forcats)
# Convertir variables a formato numérico
cols <- paste0("P14_22_", 1:15)
violencia_apoyo21[cols] <- lapply(violencia_apoyo21[cols], as.numeric)
# Etiquetas de los motivos
labels_22 <- c(
"Por miedo a las consecuencias",
"Por vergüenza",
"Porque su pareja la amenazó",
"Pensó que no le iban a creer",
"Por sus hijos/as",
"Porque no quería que su familia se enterara",
"Porque la convencieron de no hacerlo",
"Porque consideró que no era importante",
"Porque su pareja dijo que iba a cambiar",
"Porque pensó que él tenía derecho a reprenderla",
"Porque él no iba a cambiar",
"No sabía cómo o dónde denunciar",
"No confía en las autoridades",
"No sabía que existían leyes para sancionar la violencia",
"Otro motivo"
)
# Preparar datos
df_22 <- violencia_apoyo21 %>%
select(all_of(cols)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value") %>%
mutate(
reason = factor(variable, labels = labels_22),
value = case_when(value == 1 ~ "Sí", TRUE ~ "No/Blanco")
) %>%
filter(value == "Sí") %>%
group_by(reason) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(pct = round(n / sum(n) * 100, 1))
# Crear gráfico
ggplot(df_22, aes(x = fct_reorder(reason, pct), y = pct)) +
geom_bar(stat = "identity", fill = "#fdae61", width = 0.6) +
geom_text(
aes(label = paste0(pct, "%")),
hjust = -0.1,
size = 5,
color = "black",
fontface = "bold"
) +
coord_flip() +
expand_limits(y = max(df_22$pct) + 5) + # deja espacio para el último texto
labs(
title = "Motivos para no buscar\n ayuda 2021",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 14), # título más pequeño
plot.subtitle = element_text(size = 12),
axis.text.y = element_text(size = 12)
)
# Paquetes
library(dplyr)
library(ggplot2)
library(tidyr)
library(forcats)
# Convertir variables a formato numérico
cols <- paste0("P13_21_", 1:15)
violencia_apoyo16[cols] <- lapply(violencia_apoyo16[cols], as.numeric)
# Etiquetas de los motivos
labels_21 <- c(
"Por miedo a las consecuencias",
"Por vergüenza",
"Porque su pareja la amenazó",
"Pensó que no le iban a creer",
"Por sus hijos/as",
"Porque no quería que su familia se enterara",
"Porque la convencieron de no hacerlo",
"Porque consideró que no era importante",
"Porque su pareja dijo que iba a cambiar",
"Porque pensó que él tenía derecho a reprenderla",
"Porque él no iba a cambiar",
"No sabía cómo o dónde denunciar",
"No confía en las autoridades",
"No sabía que existían leyes para sancionar la violencia",
"Otro motivo"
)
# Preparar datos
df_21 <- violencia_apoyo16 %>%
select(all_of(cols)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value") %>%
mutate(
reason = factor(variable, labels = labels_21),
value = case_when(value == 1 ~ "Sí", TRUE ~ "No/Blanco")
) %>%
filter(value == "Sí") %>%
group_by(reason) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(pct = round(n / sum(n) * 100, 1))
# Crear gráfico
ggplot(df_21, aes(x = fct_reorder(reason, pct), y = pct)) +
geom_bar(stat = "identity", fill = "#fdae61", width = 0.6) +
geom_text(
aes(label = paste0(pct, "%")),
hjust = -0.1,
size = 5,
color = "black",
fontface = "bold"
) +
coord_flip() +
expand_limits(y = max(df_21$pct) + 5) + # deja espacio para el último texto
labs(
title = "Motivos para no buscar \n ayuda 2016",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 14), # título más pequeño
plot.subtitle = element_text(size = 12),
axis.text.y = element_text(size = 12)
)
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# --------- 1. Spaltennamen ---------
cols21 <- paste0("P14_22_", 1:15)
cols16 <- paste0("P13_21_", 1:15)
labels_motivos <- c(
"Por miedo a las consecuencias",
"Por vergüenza",
"Porque su pareja la amenazó",
"Pensó que no le iban a creer",
"Por sus hijos/as",
"Porque no quería que su familia se enterara",
"Porque la convencieron de no hacerlo",
"Porque consideró que no era importante",
"Porque su pareja dijo que iba a cambiar",
"Porque pensó que él tenía derecho a reprenderla",
"Porque él no iba a cambiar",
"No sabía cómo o dónde denunciar",
"No confía en las autoridades",
"No sabía que existían leyes para sancionar la violencia",
"Otro motivo"
)
# --------- 2. Funktion zum Vorbereiten ---------
prep <- function(df, cols, year) {
df[cols] <- lapply(df[cols], as.numeric)
df %>%
select(all_of(cols)) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "value") %>%
mutate(
reason = factor(variable, labels = labels_motivos),
value = ifelse(value == 1, "Sí", "No")
) %>%
filter(value == "Sí") %>%
group_by(reason) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(
pct = round(n / sum(n) * 100, 1),
Año = year
)
}
df21 <- prep(violencia_apoyo21, cols21, "2021")
df16 <- prep(violencia_apoyo16, cols16, "2016")
# --------- 3. Beide Jahre zusammenführen ---------
df_all <- bind_rows(df21, df16)
# Sortierung nach Werten 2021 (logischere Reihenfolge)
orden <- df21 %>% arrange(pct) %>% pull(reason)
df_all$reason <- factor(df_all$reason, levels = orden)
# Farben
colores <- c(
"2016" = "skyblue", # blau
"2021" = "palevioletred" # grün
)
# --------- 4. Gemeinsame Grafik ---------
ggplot(df_all, aes(x = reason, y = pct, fill = Año)) +
geom_col(position = position_dodge(width = 0.7), width = 0.6) +
geom_text(
aes(label = paste0(pct)),
position = position_dodge(width = 0.7),
hjust = -0.1,
size = 2.5,
fontface = "bold"
) +
scale_fill_manual(values = colores) +
coord_flip() +
expand_limits(y = max(df_all$pct) + 8) +
labs(
title = "Motivos para no buscar ayuda",
subtitle = "Comparación 2016 vs 2021",
x = "",
y = "Porcentaje de mujeres",
fill = "Año"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(size = 16, face = "bold"),
plot.subtitle = element_text(size = 13),
axis.text.y = element_text(size = 11)
)
tabla_wide <- df_all %>%
select(Año, reason, n, pct) %>%
pivot_wider(
names_from = Año,
values_from = c(n, pct),
names_glue = "{Año}_{.value}"
) %>%
arrange(reason)
tabla_wide## # A tibble: 15 × 5
## reason `2021_n` `2016_n` `2021_pct` `2016_pct`
## <fct> <int> <int> <dbl> <dbl>
## 1 No confía en las autoridades 451 325 0.9 0.7
## 2 Por vergüenza 657 460 1.3 1
## 3 Porque su pareja dijo que iba a camb… 743 513 1.5 1.1
## 4 Porque pensó que él tenía derecho a … 878 674 1.8 1.5
## 5 Porque no quería que su familia se e… 1550 1209 3.2 2.7
## 6 Porque la convencieron de no hacerlo 1639 1238 3.3 2.7
## 7 Por sus hijos/as 1907 1466 3.9 3.3
## 8 Porque su pareja la amenazó 2660 1173 5.4 2.6
## 9 Porque él no iba a cambiar 2728 2300 5.6 5.1
## 10 No sabía cómo o dónde denunciar 2887 2289 5.9 5.1
## 11 Otro motivo 3036 1829 6.2 4.1
## 12 Pensó que no le iban a creer 3069 3383 6.3 7.5
## 13 Porque consideró que no era importan… 4064 3597 8.3 8
## 14 Por miedo a las consecuencias 4148 3638 8.5 8.1
## 15 No sabía que existían leyes para san… 18540 21003 37.9 46.6# Cargar paquetes
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# Convertir las variables a numéricas
cols_36A <- paste0("P14_36A_0", 1:9)
cols_36A <- c(cols_36A, "P14_36A_10", "P14_36A_11")
violencia_apoyo21[cols_36A] <- lapply(violencia_apoyo21[cols_36A], as.numeric)
# Etiquetas para los motivos
labels_36A <- c(
"Problemas no tan graves",
"No tiene dónde ir y él no se va de la casa",
"No puede sostenerse económicamente",
"Por los hijos/as",
"Amenaza de quitarle hijos/as o casa",
"Miedo a lo que pueda hacer a ella o a hijos/as",
"No cuenta con apoyo, tiene miedo",
"Lo quiere o lo necesita",
"Los problemas se solucionaron",
"Cree que la esposa debe sobrellevar dificultades",
"Otro motivo"
)
# Preparar los datos
df_36A <- violencia_apoyo21 %>%
select(all_of(cols_36A)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value") %>%
mutate(
motivo = factor(variable, labels = labels_36A),
value = case_when(value == 1 ~ "Sí", TRUE ~ "No/Blanco")
) %>%
filter(value == "Sí") %>%
group_by(motivo) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(
pct = round(n / sum(n) * 100, 1),
# Position und Farbe des Textes dynamisch setzen
hjust_pos = ifelse(pct < 9, -0.1, 1.1),
color_text = ifelse(pct < 9, "black", "white")
)
# Crear gráfico de barras
ggplot(df_36A, aes(x = fct_reorder(motivo, pct), y = pct)) +
geom_bar(stat = "identity", fill = "#fc8d62") +
geom_text(aes(label = paste0(pct, "%"), hjust = hjust_pos, color = color_text), size = 5) +
scale_color_identity() +
coord_flip() +
labs(
title = "Motivos para no separarse\n 2021",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16),
axis.text.y = element_text(size = 12)
)
# Cargar paquetes
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# Erst: Spalten definieren
cols_35A <- paste0("P13_35A_", 1:11)
# Dann: prüfen, ob sie existieren
cols_35A[!cols_35A %in% names(violencia_apoyo16)]## character(0)violencia_apoyo16[cols_35A] <- lapply(violencia_apoyo16[cols_35A], as.numeric)
# Etiquetas para los motivos
labels_35A <- c(
"Problemas no tan graves",
"No tiene dónde ir y él no se va de la casa",
"No puede sostenerse económicamente",
"Por los hijos/as",
"Amenaza de quitarle hijos/as o casa",
"Miedo a lo que pueda hacer a ella o a hijos/as",
"No cuenta con apoyo, tiene miedo",
"Lo quiere o lo necesita",
"Los problemas se solucionaron",
"Cree que la esposa debe sobrellevar dificultades",
"Otro motivo"
)
# Preparar los datos
df_35A <- violencia_apoyo16 %>%
select(all_of(cols_35A)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value") %>%
mutate(
motivo = factor(variable, labels = labels_35A),
value = case_when(value == 1 ~ "Sí", TRUE ~ "No/Blanco")
) %>%
filter(value == "Sí") %>%
group_by(motivo) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(
pct = round(n / sum(n) * 100, 1),
# Position und Farbe des Textes dynamisch setzen
hjust_pos = ifelse(pct < 9, -0.1, 1.1),
color_text = ifelse(pct < 9, "black", "white")
)
# Crear gráfico de barras
ggplot(df_35A, aes(x = fct_reorder(motivo, pct), y = pct)) +
geom_bar(stat = "identity", fill = "#66c2a5") +
geom_text(aes(label = paste0(pct, "%"), hjust = hjust_pos, color = color_text), size = 5) +
scale_color_identity() +
coord_flip() +
labs(
title = "Motivos para no separarse\n 2016",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16),
axis.text.y = element_text(size = 12)
)
# Pakete
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
##############################################
### DATOS 2021
##############################################
cols_36A <- paste0("P14_36A_0", 1:9)
cols_36A <- c(cols_36A, "P14_36A_10", "P14_36A_11")
violencia_apoyo21[cols_36A] <- lapply(violencia_apoyo21[cols_36A], as.numeric)
labels_motivos <- c(
"Problemas no tan graves",
"No tiene dónde ir y él no se va de la casa",
"No puede sostenerse económicamente",
"Por los hijos/as",
"Amenaza de quitarle hijos/as o casa",
"Miedo a lo que pueda hacer a ella o a hijos/as",
"No cuenta con apoyo, tiene miedo",
"Lo quiere o lo necesita",
"Los problemas se solucionaron",
"Cree que la esposa debe sobrellevar dificultades",
"Otro motivo"
)
df_2021 <- violencia_apoyo21 %>%
select(all_of(cols_36A)) %>%
pivot_longer(everything(), names_to = "variable", values_to = "value") %>%
mutate(
motivo = factor(variable, labels = labels_motivos),
value = ifelse(value == 1, "Sí", "No/Blanco")
) %>%
filter(value == "Sí") %>%
group_by(motivo) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(
pct = round(n / sum(n) * 100, 1),
year = "2021"
)
##############################################
### DATOS 2016
##############################################
cols_35A <- paste0("P13_35A_", 1:11)
violencia_apoyo16[cols_35A] <- lapply(violencia_apoyo16[cols_35A], as.numeric)
df_2016 <- violencia_apoyo16 %>%
select(all_of(cols_35A)) %>%
pivot_longer(everything(), names_to = "variable", values_to = "value") %>%
mutate(
motivo = factor(variable, labels = labels_motivos),
value = ifelse(value == 1, "Sí", "No/Blanco")
) %>%
filter(value == "Sí") %>%
group_by(motivo) %>%
summarise(n = n(), .groups = "drop") %>%
mutate(
pct = round(n / sum(n) * 100, 1),
year = "2016"
)
##############################################
### COMBINAR LOS DOS AÑOS
##############################################
df_comb <- bind_rows(df_2016, df_2021)
# Für richtige Reihenfolge der Kategorien
df_comb$motivo <- factor(df_comb$motivo, levels = labels_motivos)
##############################################
### GRAFIK KOMBINADA
##############################################
ggplot(df_comb, aes(x = motivo, y = pct, fill = year)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(
aes(label = pct),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3
) +
coord_flip() +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
expand_limits(y = max(df_comb$pct) + 5) +
labs(
title = "Motivos para no separarse\n (Comparación 2016 vs 2021)",
x = "",
y = "Porcentaje de mujeres",
fill = "Año"
) +
theme_minimal(base_size = 14) +
theme(
plot.title = element_text(face = "bold", size = 16),
axis.text.y = element_text(size = 11)
)
tabla_ancha <- df_comb %>%
select(year, motivo, n, pct) %>%
pivot_wider(
names_from = year,
values_from = c(n, pct),
names_glue = "{year}_{.value}"
) %>%
arrange(motivo)
tabla_ancha## # A tibble: 11 × 5
## motivo `2016_n` `2021_n` `2016_pct` `2021_pct`
## <fct> <int> <int> <dbl> <dbl>
## 1 Problemas no tan graves 15368 13074 43.8 42.5
## 2 No tiene dónde ir y él no se va de l… 2039 1810 5.8 5.9
## 3 No puede sostenerse económicamente 904 1216 2.6 4
## 4 Por los hijos/as 1770 2791 5 9.1
## 5 Amenaza de quitarle hijos/as o casa 1389 299 4 1
## 6 Miedo a lo que pueda hacer a ella o … 3337 397 9.5 1.3
## 7 No cuenta con apoyo, tiene miedo 327 867 0.9 2.8
## 8 Lo quiere o lo necesita 466 1642 1.3 5.3
## 9 Los problemas se solucionaron 961 6250 2.7 20.3
## 10 Cree que la esposa debe sobrellevar … 2036 1461 5.8 4.7
## 11 Otro motivo 6497 971 18.5 3.2violenciapsy_apoyo21<-read.csv("C:/Master/3. Semester/R/Dataset/conjunto_de_datos_TB_SEC_XIII.I.csv", header = TRUE, sep = ",")
vio_apoyo21<-read.csv("C:/Master/3. Semester/R/Dataset/conjunto_de_datos_TB_SEC_XIV.csv", header = TRUE, sep = ",")
violenciapsy_apoyo16<-read.csv("C:/Master/3. Semester/R/Dataset/2016/conjunto_de_datos_tb_sec_xii.i_endireh_2016.csv", header = TRUE, sep = ",")
vio_apoyo16<-read.csv("C:/Master/3. Semester/R/Dataset/2016/conjunto_de_datos_tb_sec_xiii_2_endireh_2016.csv", header = TRUE, sep = ",")library(ggplot2)
library(dplyr)
library(tidyr)
# Variables de violencia psicológica
psico_vars <- c("P13_1_1_1","P13_1_1_2","P13_1_1_3","P13_1_1_4",
"P13_1_1_5","P13_1_1_6","P13_1_1_7","P13_1_1_9",
"P13_1_1_10","P13_1_1_11","P13_1_1_12","P13_1_1_13","P13_1_1_14")
# Preguntas correspondientes
psico_labels <- c(
"Él cree que usted lo engaña",
"Usted sale con familiares o amistades",
"Él dice que usted es celosa, posesiva o absorbente",
"Usted no desea tener relaciones sexuales",
"Él dice que ya no hay cercanía entre ustedes",
"Usted no le obedece, opina distinto o lo contradice",
"Usted estudia, trabaja muchas horas o gana más que él",
"Él dice que usted no colabora en los quehaceres de la casa",
"Él dice que usted no cumple como madre o esposa",
"Usted no quiere tener más hijos/as",
"Él dice que no le gusta cómo trata o educa a sus hijos/as",
"Él se enoja por todo o sin razón aparente",
"Otra situación"
)
# Convertir a numérico y 1 = Sí, otros = 0
violenciapsy_apoyo21 <- violenciapsy_apoyo21 %>%
mutate(across(all_of(psico_vars), ~ as.numeric(as.character(.)))) %>%
mutate(across(all_of(psico_vars), ~ ifelse(. == 1, 1, 0)))
# Transformar datos a formato largo
psico_long <- violenciapsy_apoyo21 %>%
select(all_of(psico_vars)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value")
# Calcular frecuencia y porcentaje
psico_summary <- psico_long %>%
group_by(variable) %>%
summarise(
frecuencia = sum(value, na.rm = TRUE),
total = n(),
porcentaje = round((frecuencia / total) * 100, 1),
.groups = "drop"
) %>%
mutate(pregunta = psico_labels) %>%
arrange(desc(porcentaje))
# Gráfico de barras con porcentajes
ggplot(psico_summary, aes(x = reorder(pregunta, porcentaje), y = porcentaje)) +
geom_bar(stat = "identity", fill = "#FF6666") +
coord_flip() +
geom_text(aes(label = paste0(porcentaje, "%")), hjust = -0.1) +
labs(title = "Frecuencia de formas de violencia\n psicológica 2021",
x = "Forma de violencia psicológica",
y = "Porcentaje de personas afectadas") +
theme_minimal() +
ylim(0, 100)
library(ggplot2)
library(dplyr)
library(tidyr)
# Variables de violencia psicológica 2016 (equivalentes)
psico_vars16 <- c(
"P12_1_1_8", # Él cree que usted lo engaña
"P12_1_1_10", # Ella sale con amistades o familiares
"P12_1_1_5", # Él dice que usted es celosa
"P12_1_1_19", # Usted no desea tener relaciones sexuales
"P12_1_1_16", # Usted toma decisiones sin tomarlo en cuenta
"P12_1_1_17", # Usted opina distinto o lo desmiente
"P12_1_1_1", # Usted trabaja o estudia
"P12_1_1_24", # Usted le recuerda obligaciones
"P12_1_1_22", # Él cree que usted no cumple como madre o esposa
"P12_1_1_21", # No le gusta cómo trata a hijos/as
"P12_1_1_7", # Él dice que usted llora por todo
"P12_1_1_28", # Él se enoja por todo o sin razón
"P12_1_1_29" # Otra situación
)
# Etiquetas equivalentes
psico_labels16 <- c(
"Él cree que usted lo engaña",
"Usted sale con familiares o amistades",
"Él dice que usted es celosa, posesiva o absorbente",
"Usted no desea tener relaciones sexuales",
"Usted toma decisiones sin tomarlo en cuenta",
"Usted opina diferente o lo contradice",
"Usted trabaja o estudia",
"Usted le recuerda sus obligaciones",
"Él cree que usted no cumple como madre o esposa",
"A él no le gusta cómo educa a sus hijos/as",
"Él dice que usted siempre llora por todo",
"Él se enoja por todo o sin razón aparente",
"Otra situación"
)
# ---- Convertir variables a 1/0 ----
violenciapsy_apoyo16 <- violenciapsy_apoyo16 %>%
mutate(across(all_of(psico_vars16), ~ as.numeric(as.character(.)))) %>%
mutate(across(all_of(psico_vars16), ~ ifelse(. == 1, 1, 0)))
# ---- Transformar datos ----
psico_long16 <- violenciapsy_apoyo16 %>%
select(all_of(psico_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value")
# ---- Calcular porcentajes ----
psico_summary16 <- psico_long16 %>%
group_by(variable) %>%
summarise(
frecuencia = sum(value, na.rm = TRUE),
total = n(),
porcentaje = round((frecuencia / total) * 100, 1),
.groups = "drop"
) %>%
mutate(pregunta = psico_labels16) %>%
arrange(desc(porcentaje))
# ---- Gráfico ----
ggplot(psico_summary16, aes(x = reorder(pregunta, porcentaje), y = porcentaje)) +
geom_bar(stat = "identity", fill = "#66c2a5") +
coord_flip() +
geom_text(aes(label = paste0(porcentaje, "%")), hjust = -0.1) +
labs(
title = "Frecuencia de formas de violencia psicológica 2016",
x = "Forma de violencia psicológica",
y = "Porcentaje de mujeres afectadas"
) +
theme_minimal() +
ylim(0, 100)
library(ggplot2)
library(dplyr)
library(tidyr)
# ------------------------------
# 1. Definir variables y etiquetas
# ------------------------------
psico_labels <- c(
"Él cree que usted lo engaña",
"Usted sale con familiares o amistades",
"Él dice que usted es celosa, posesiva o absorbente",
"Usted no desea tener relaciones sexuales",
"Usted toma decisiones sin tomarlo en cuenta / no obedece",
"Usted opina distinto o lo contradice",
"Usted trabaja, estudia o gana más que él",
"Usted le recuerda obligaciones / no colabora en casa",
"Él cree que usted no cumple como madre o esposa",
"A él no le gusta cómo educa a sus hijos/as",
"Él dice que usted llora por todo",
"Él se enoja por todo o sin razón",
"Otra situación"
)
# Variables de 2021 (ENDIREH)
psico_vars21 <- c(
"P13_1_1_1","P13_1_1_2","P13_1_1_3","P13_1_1_4",
"P13_1_1_5","P13_1_1_6","P13_1_1_7","P13_1_1_9",
"P13_1_1_10","P13_1_1_11","P13_1_1_12","P13_1_1_13","P13_1_1_14"
)
# Variables de 2016 (ENDIREH)
psico_vars16 <- c(
"P12_1_1_8","P12_1_1_10","P12_1_1_5","P12_1_1_19",
"P12_1_1_16","P12_1_1_17","P12_1_1_1","P12_1_1_24",
"P12_1_1_22","P12_1_1_21","P12_1_1_7","P12_1_1_28","P12_1_1_29"
)
# ------------------------------
# 2. Procesar 2021
# ------------------------------
df21 <- violenciapsy_apoyo21 %>%
mutate(across(all_of(psico_vars21), ~ ifelse(as.numeric(as.character(.)) == 1, 1, 0))) %>%
pivot_longer(cols = all_of(psico_vars21), names_to = "variable", values_to = "value") %>%
group_by(variable) %>%
summarise(
porcentaje = round(sum(value, na.rm = TRUE) / n() * 100, 1),
.groups = "drop"
) %>%
mutate(
pregunta = psico_labels,
año = "2021"
)
# ------------------------------
# 3. Procesar 2016
# ------------------------------
df16 <- violenciapsy_apoyo16 %>%
mutate(across(all_of(psico_vars16), ~ ifelse(as.numeric(as.character(.)) == 1, 1, 0))) %>%
pivot_longer(cols = all_of(psico_vars16), names_to = "variable", values_to = "value") %>%
group_by(variable) %>%
summarise(
porcentaje = round(sum(value, na.rm = TRUE) / n() * 100, 1),
.groups = "drop"
) %>%
mutate(
pregunta = psico_labels,
año = "2016"
)
# ------------------------------
# 4. Unir bases
# ------------------------------
df_all <- bind_rows(df16, df21)
# ------------------------------
# 5. GRÁFICA FINAL COMBINADA
# ------------------------------
ggplot(df_all, aes(x = pregunta, y = porcentaje, fill = año)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
coord_flip() +
geom_text(aes(label = paste0(porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1, size = 2.5) +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
ylim(0, 100) +
labs(
title = "Comparación de formas de \nviolencia psicológica \n (2016 vs 2021)",
x = "Forma de violencia psicológica",
y = "Porcentaje de mujeres afectadas",
fill = "Año"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 16),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(tidyr)
# ------------------------------
# FUNCIÓN: calcular n y %
# ------------------------------
calcular_tabla <- function(data, vars, labels, ano){
data %>%
mutate(across(all_of(vars), ~ ifelse(as.numeric(as.character(.)) == 1, 1, 0))) %>%
pivot_longer(cols = all_of(vars), names_to = "variable", values_to = "value") %>%
group_by(variable) %>%
summarise(
n = sum(value, na.rm = TRUE),
porcentaje = round(n / nrow(data) * 100, 1),
.groups = "drop"
) %>%
mutate(
pregunta = labels,
año = ano
) %>%
select(año, pregunta, n, porcentaje)
}
# ------------------------------
# TABLA 2021
# ------------------------------
tabla21 <- calcular_tabla(
data = violenciapsy_apoyo21,
vars = psico_vars21,
labels = psico_labels,
ano = "2021"
)
# ------------------------------
# TABLA 2016
# ------------------------------
tabla16 <- calcular_tabla(
data = violenciapsy_apoyo16,
vars = psico_vars16,
labels = psico_labels,
ano = "2016"
)
# ------------------------------
# TABLA FINAL COMBINADA
# ------------------------------
tabla_final <- bind_rows(tabla16, tabla21)
tabla_final## # A tibble: 26 × 4
## año pregunta n porcentaje
## <chr> <chr> <dbl> <dbl>
## 1 2016 Él cree que usted lo engaña 9688 8.7
## 2 2016 Usted sale con familiares o amistades 13400 12
## 3 2016 Él dice que usted es celosa, posesiva o absorbente 16991 15.3
## 4 2016 Usted no desea tener relaciones sexuales 15508 13.9
## 5 2016 Usted toma decisiones sin tomarlo en cuenta / no obed… 13662 12.3
## 6 2016 Usted opina distinto o lo contradice 10612 9.5
## 7 2016 Usted trabaja, estudia o gana más que él 6785 6.1
## 8 2016 Usted le recuerda obligaciones / no colabora en casa 16819 15.1
## 9 2016 Él cree que usted no cumple como madre o esposa 12112 10.9
## 10 2016 A él no le gusta cómo educa a sus hijos/as 4184 3.8
## # ℹ 16 more rowslibrary(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1. Variablen definieren
# -----------------------------
psico_vars16 <- paste0("P12_1_2_", 1:29)
# -----------------------------
# 2. Labels definieren (aus deinem Text)
# -----------------------------
psico_labels16 <- c(
"Él no trabaja",
"Él no gana suficiente dinero",
"Él no dedica suficiente tiempo o atención",
"Él dedica demasiado tiempo al trabajo",
"Él es celoso",
"Él es muy posesivo o absorbente",
"Él no respeta sus sentimientos u opiniones",
"Usted cree que él la engaña",
"Él visita demasiado a su familia o amistades",
"Él sale con amistades sin avisarle",
"A usted no le gustan sus amistades",
"Él habla con otras mujeres",
"Él no cumple lo que acuerdan",
"Él no la obedece",
"Él dice ser la única autoridad",
"Él no le da su lugar",
"Él toma alcohol o drogas",
"Él no desea tener relaciones sexuales",
"Él no colabora en los quehaceres del hogar",
"A usted no le gusta cómo trata/educa a los hijos",
"Usted cree que él no cumple como esposo/padre",
"Los parientes de él intervienen en educación de hijos",
"Aunque tiene dinero, no da gasto suficiente",
"Él no quiere tener más hijos",
"No cuida o usa bien el dinero",
"Él está enfermo y usted lo cuida",
"Usted se enoja por todo o sin razón",
"Otra situación",
"No se enoja por nada"
)
# -----------------------------
# 3. Codificación 1 = Sí, otros = 0
# -----------------------------
violenciapsy_apoyo16 <- violenciapsy_apoyo16 %>%
mutate(across(all_of(psico_vars16), ~ as.numeric(as.character(.)))) %>%
mutate(across(all_of(psico_vars16), ~ ifelse(. == 1, 1, 0)))
# -----------------------------
# 4. Transformar a formato largo
# -----------------------------
df16 <- violenciapsy_apoyo16 %>%
select(all_of(psico_vars16)) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "value") %>%
group_by(variable) %>%
summarise(
frecuencia = sum(value, na.rm = TRUE),
total = n(),
porcentaje = round(frecuencia / total * 100, 1),
.groups = "drop"
) %>%
mutate(pregunta = psico_labels16)
# Ordenar de mayor a menor
df16 <- df16 %>% arrange(desc(porcentaje))
# -----------------------------
# 5. Gráfico final
# -----------------------------
ggplot(df16, aes(x = reorder(pregunta, porcentaje), y = porcentaje)) +
geom_bar(stat = "identity", fill = "#66c2a5") +
coord_flip() +
geom_text(aes(label = paste0(porcentaje, "%")),
hjust = -0.2, size = 3) +
ylim(0, max(df16$porcentaje) + 10) +
labs(
title = "Motivos por los que usted se enoja(ba) con él\nENDIREH 2016",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 13),
axis.text.y = element_text(size = 8)
)
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# ---------------------------------------------
# 1) Variablen automatisch aus dem Datensatz holen
# ---------------------------------------------
items_2021_vars <- grep("^P13_1_2_", names(violenciapsy_apoyo21), value = TRUE)
# ---------------------------------------------
# 2) Labels aus der ENDIREH-Beschreibung
# ---------------------------------------------
labels_2021 <- c(
"P13_1_2_1" = "Él la engaña",
"P13_1_2_2" = "Él sale y pasa tiempo fuera",
"P13_1_2_3" = "Él es celoso / posesivo",
"P13_1_2_4" = "Él no desea tener relaciones sexuales",
"P13_1_2_5" = "Ya no hay cercanía",
"P13_1_2_6" = "Él la contradice / no obedece",
"P13_1_2_7" = "Él no trabaja / no gana suficiente",
"P13_1_2_8" = "Él toma alcohol o drogas",
"P13_1_2_9" = "Él no colabora en los quehaceres",
"P13_1_2_10" = "Él no cumple como padre o esposo",
"P13_1_2_11" = "Él no quiere tener más hijos(as)",
"P13_1_2_12" = "No le gusta cómo trata a los hijos(as)",
"P13_1_2_13" = "Usted se enoja sin razón aparente",
"P13_1_2_14" = "Otra situación"
)
# ---------------------------------------------
# 3) Daten vorbereiten
# ---------------------------------------------
df_items <- violenciapsy_apoyo21 %>%
select(all_of(items_2021_vars)) %>%
mutate(across(everything(), ~na_if(., 9))) %>% # 9 = No especificado → NA
mutate(across(everything(), ~ifelse(. == 1, 1, 0))) # 1 = Sí, sonst 0
# ---------------------------------------------
# 4) Zusammenfassen: Prozentanteile
# ---------------------------------------------
resultados_2021 <- df_items %>%
summarise(across(everything(), ~mean(., na.rm = TRUE) * 100)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "porcentaje") %>%
mutate(label = labels_2021[variable]) %>%
arrange(desc(porcentaje))
# ---------------------------------------------
# 5) Plot 2021
# ---------------------------------------------
ggplot(resultados_2021, aes(
x = porcentaje,
y = fct_reorder(label, porcentaje)
)) +
geom_col(fill = "#74c69d") +
geom_text(
aes(label = sprintf("%.1f", porcentaje)), # ohne %
hjust = -0.1,
size = 3,
color = "black"
) +
scale_x_continuous(expand = expansion(mult = c(0, 0.1))) +
labs(
title = "Motivos reportados (ENDIREH 2021)",
x = "Porcentaje",
y = NULL
) +
theme_minimal(base_size = 14)
`
library(ggplot2)
library(dplyr)
library(tidyr)
# Variables sobre reacciones de la pareja/expareja/novio
reacciones_vars <- c("P13_1_3_1","P13_1_3_2","P13_1_3_3","P13_1_3_4",
"P13_1_3_5","P13_1_3_6","P13_1_3_7","P13_1_3_8",
"P13_1_3_9","P13_1_3_10","P13_1_3_11","P13_1_3_12")
# Preguntas correspondientes
reacciones_labels <- c(
"Le deja de hablar o la ignora",
"Discute o le grita",
"La ofende o la insulta",
"Golpea o avienta cosas",
"La empuja o jalonea",
"La amenaza con golpearla o abandonarla",
"La golpea o agrede físicamente",
"Deja de dar dinero o de aportar a la casa",
"Se va, se ausenta o es indiferente",
"Habla o platica para resolver conflictos",
"Otra situación",
"No tienen problemas o conflictos"
)
# Convertir a numérico y 1 = Sí, otros = 0
violenciapsy_apoyo21 <- violenciapsy_apoyo21 %>%
mutate(across(all_of(reacciones_vars), ~ as.numeric(as.character(.)))) %>%
mutate(across(all_of(reacciones_vars), ~ ifelse(. == 1, 1, 0)))
# Transformar a formato largo
reacciones_long <- violenciapsy_apoyo21 %>%
select(all_of(reacciones_vars)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value")
# Calcular frecuencia y porcentaje
reacciones_summary <- reacciones_long %>%
group_by(variable) %>%
summarise(
frecuencia = sum(value, na.rm = TRUE),
total = n(),
porcentaje = round((frecuencia / total) * 100, 1),
.groups = "drop"
) %>%
mutate(pregunta = reacciones_labels) %>%
arrange(desc(porcentaje))
# Gráfico de barras con porcentajes y subtítulo
ggplot(reacciones_summary, aes(x = reorder(pregunta, porcentaje), y = porcentaje)) +
geom_bar(stat = "identity", fill = "#6699CC") +
coord_flip() +
geom_text(aes(label = paste0(porcentaje, "%")), hjust = -0.1) +
labs(
title = "Reacciones de la pareja ante conflictos 2021",
subtitle = "",
x = "Reacción",
y = "Porcentaje de personas afectadas"
) +
theme_minimal() +
ylim(0, 100)
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# -----------------------------
# 1) Variablen definieren
# -----------------------------
conflictos_vars16 <- paste0("P12_1_3_", 1:12)
# -----------------------------
# 2) Labels kürzen / mehrzeilig machen
# -----------------------------
conflictos_labels16 <- c(
"Deja de hablar\n/ ignora",
"Discute o grita",
"Ofende o insulta",
"Golpea o avienta\ncosas",
"Empuja o jalonea",
"Amenaza con\ngolpear o abandonar",
"Golpea / agrede físicamente",
"No da dinero / no\naporta al hogar",
"Se va / es indiferente",
"Habla para\nresolver conflictos",
"Otro",
"Sin problemas / conflictos"
)
# -----------------------------
# 3) Prozentwerte berechnen (1 = Sí, otros = 0)
# -----------------------------
df_conflictos16 <- violenciapsy_apoyo16 %>%
select(all_of(conflictos_vars16)) %>%
mutate(across(everything(), ~ as.numeric(as.character(.)))) %>%
mutate(across(everything(), ~ ifelse(. == 1, 1, 0))) %>%
summarise(across(everything(), ~ mean(., na.rm = TRUE) * 100)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "porcentaje") %>%
mutate(label = conflictos_labels16) %>%
arrange(desc(porcentaje))
# -----------------------------
# 4) Grafik erstellen: Balken waagrecht, Prozentzahlen rechts
# -----------------------------
ggplot(df_conflictos16, aes(
y = fct_reorder(label, porcentaje),
x = porcentaje
)) +
geom_col(fill = "#f28e2b") +
geom_text(aes(label = sprintf("%.1f", porcentaje)),
hjust = -0.1, # rechts neben dem Balken
size = 3) +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(
title = "Reacciones de la pareja ante conflictos ( 2016)",
x = "Porcentaje de mujeres",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(tidyr)
library(ggplot2)
library(forcats)
# -----------------------------
# 1) Labels und Variablen definieren
# -----------------------------
labels <- c(
"Le deja de hablar o la ignora",
"Discute o le grita",
"La ofende o la insulta",
"Golpea o avienta cosas",
"La empuja o jalonea",
"La amenaza con golpearla o abandonarla",
"La golpea o agrede físicamente",
"No da dinero / no aporta al hogar",
"Se va, se ausenta o es indiferente",
"Habla para resolver conflictos",
"Otra situación",
"Sin problemas / conflictos"
)
# Variablen 2016
vars16 <- paste0("P12_1_3_", 1:12)
# Variablen 2021
vars21 <- paste0("P13_1_3_", 1:12)
# -----------------------------
# 2) Prozentwerte berechnen
# -----------------------------
calc_percent <- function(df, vars, labels, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ as.numeric(as.character(.)))) %>%
mutate(across(everything(), ~ ifelse(. == 1, 1, 0))) %>%
summarise(across(everything(), ~ mean(., na.rm = TRUE) * 100)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "porcentaje") %>%
mutate(label = labels,
year = year)
}
df16 <- calc_percent(violenciapsy_apoyo16, vars16, labels, "2016")
df21 <- calc_percent(violenciapsy_apoyo21, vars21, labels, "2021")
# -----------------------------
# 3) Kombinieren
# -----------------------------
df_combined <- bind_rows(df16, df21)
# -----------------------------
# 4) Plot: gruppierte Balken waagrecht
# -----------------------------
ggplot(df_combined, aes(
y = fct_reorder(label, porcentaje),
x = porcentaje,
fill = year
)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = sprintf("%.1f", porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3) +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
scale_x_continuous(expand = expansion(mult = c(0, 0.2))) +
labs(
title = "Reacciones de la pareja ante conflictos \n(2016 vs 2021)",
x = "Porcentaje de mujeres",
y = "",
fill = "Año"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(tidyr)
calc_table <- function(df, vars, labels, year){
# Selektieren + 1/0 sicherstellen
df2 <- df %>%
select(all_of(vars)) %>%
mutate(across(everything(),
~ ifelse(as.numeric(as.character(.)) == 1, 1, 0)))
# Absolute Zahlen (n)
abs_vals <- colSums(df2, na.rm = TRUE)
# Prozentwerte
pct_vals <- round(colMeans(df2, na.rm = TRUE) * 100, 1)
# Saubere Tabelle
tibble(
year = year,
variable = vars,
label = labels,
n = abs_vals,
pct = pct_vals
)
}
# ----------------------------
# Tabellen erstellen
# ----------------------------
table16 <- calc_table(violenciapsy_apoyo16, vars16, labels, "2016")
table21 <- calc_table(violenciapsy_apoyo21, vars21, labels, "2021")
# ----------------------------
# Final kombinierte Tabelle
# ----------------------------
table_final <- bind_rows(table16, table21)
table_final## # A tibble: 24 × 5
## year variable label n pct
## <chr> <chr> <chr> <dbl> <dbl>
## 1 2016 P12_1_3_1 Le deja de hablar o la ignora 39395 37.1
## 2 2016 P12_1_3_2 Discute o le grita 28047 26.4
## 3 2016 P12_1_3_3 La ofende o la insulta 17796 16.8
## 4 2016 P12_1_3_4 Golpea o avienta cosas 9241 8.7
## 5 2016 P12_1_3_5 La empuja o jalonea 9482 8.9
## 6 2016 P12_1_3_6 La amenaza con golpearla o abandonarla 9300 8.8
## 7 2016 P12_1_3_7 La golpea o agrede físicamente 8104 7.6
## 8 2016 P12_1_3_8 No da dinero / no aporta al hogar 8020 8.7
## 9 2016 P12_1_3_9 Se va, se ausenta o es indiferente 18879 17.8
## 10 2016 P12_1_3_10 Habla para resolver conflictos 76032 71.6
## # ℹ 14 more rowslibrary(dplyr)
library(ggplot2)
library(forcats)
# -----------------------------
# 1) Labels definieren
# -----------------------------
conflictos_labels <- c(
"1" = "Aumentaron",
"2" = "Disminuyeron",
"3" = "Se resolvieron",
"4" = "Se mantienen igual",
"5" = "Nunca ha habido conflictos"
)
# -----------------------------
# 2) Prozentwerte berechnen
# -----------------------------
df_conflictos <- violenciapsy_apoyo21 %>%
select(P13_1_5) %>%
mutate(
P13_1_5 = as.numeric(as.character(P13_1_5)),
P13_1_5 = ifelse(P13_1_5 %in% 1:5, P13_1_5, NA) # 9 y blanco → NA
) %>%
filter(!is.na(P13_1_5)) %>%
group_by(P13_1_5) %>%
summarise(
frecuencia = n(),
.groups = "drop"
) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1),
label = conflictos_labels[as.character(P13_1_5)]
) %>%
arrange(desc(porcentaje))
# -----------------------------
# 3) Grafik erstellen
# -----------------------------
ggplot(df_conflictos, aes(x = porcentaje, y = fct_reorder(label, porcentaje))) +
geom_col(fill = "#74c69d") +
geom_text(aes(label = sprintf("%.1f", porcentaje)),
hjust = -0.1, size = 3) +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(
title = "Comparación de conflictos en la relación \n (ENDIREH 2021)",
x = "Porcentaje de mujeres",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(forcats)
# -----------------------------
# 1) Labels definieren
# -----------------------------
conflictos_labels16 <- c(
"1" = "Aumentaron",
"2" = "Disminuyeron",
"3" = "Se resolvieron",
"4" = "Se mantienen igual",
"5" = "Nunca ha habido conflictos"
)
# -----------------------------
# 2) Prozentwerte berechnen
# -----------------------------
df_conflictos16 <- violenciapsy_apoyo16 %>%
select(P12_1_5) %>%
mutate(
P12_1_5 = as.numeric(as.character(P12_1_5)),
P12_1_5 = ifelse(P12_1_5 %in% 1:5, P12_1_5, NA) # 9 y blanco → NA
) %>%
filter(!is.na(P12_1_5)) %>%
group_by(P12_1_5) %>%
summarise(
frecuencia = n(),
.groups = "drop"
) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1),
label = conflictos_labels16[as.character(P12_1_5)]
) %>%
arrange(desc(porcentaje))
# -----------------------------
# 3) Grafik erstellen
# -----------------------------
ggplot(df_conflictos16, aes(x = porcentaje, y = fct_reorder(label, porcentaje))) +
geom_col(fill = "#f28e2b") +
geom_text(aes(label = sprintf("%.1f", porcentaje)),
hjust = -0.1, size = 3) +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(
title = "Comparación de conflictos en la relación \n (ENDIREH 2016)",
x = "Porcentaje de mujeres",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(forcats)
# -----------------------------
# Labels definieren
# -----------------------------
conflictos_labels <- c(
"1" = "Aumentaron",
"2" = "Disminuyeron",
"3" = "Se resolvieron",
"4" = "Se mantienen igual",
"5" = "Nunca ha habido conflictos"
)
# -----------------------------
# 1) Daten 2016 vorbereiten
# -----------------------------
df16 <- violenciapsy_apoyo16 %>%
select(P12_1_5) %>%
mutate(P12_1_5 = as.numeric(as.character(P12_1_5)),
P12_1_5 = ifelse(P12_1_5 %in% 1:5, P12_1_5, NA)) %>%
filter(!is.na(P12_1_5)) %>%
group_by(P12_1_5) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1),
label = conflictos_labels[as.character(P12_1_5)],
year = "2016"
)
# -----------------------------
# 2) Daten 2021 vorbereiten
# -----------------------------
df21 <- violenciapsy_apoyo21 %>%
select(P13_1_5) %>%
mutate(P13_1_5 = as.numeric(as.character(P13_1_5)),
P13_1_5 = ifelse(P13_1_5 %in% 1:5, P13_1_5, NA)) %>%
filter(!is.na(P13_1_5)) %>%
group_by(P13_1_5) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1),
label = conflictos_labels[as.character(P13_1_5)],
year = "2021"
)
# -----------------------------
# 3) Beide Jahre zusammenführen
# -----------------------------
df_combined <- bind_rows(df16, df21)
# -----------------------------
# 4) Grafik erstellen: Balken horizontal, nebeneinander
# -----------------------------
ggplot(df_combined, aes(x = porcentaje, y = fct_reorder(label, porcentaje), fill = year)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = sprintf("%.1f", porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1, size = 3) +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(
title = "Comparación de conflictos en la relación\n (ENDIREH 2016 vs 2021)",
x = "Porcentaje de mujeres",
y = "",
fill = "Año"
) +
theme_minimal(base_size = 13)
library(dplyr)
# -----------------------------
# Labels definieren
# -----------------------------
conflictos_labels <- c(
"1" = "Aumentaron",
"2" = "Disminuyeron",
"3" = "Se resolvieron",
"4" = "Se mantienen igual",
"5" = "Nunca ha habido conflictos"
)
# -----------------------------
# Funktion zur Tabellenerstellung
# -----------------------------
make_table <- function(df, var, labels, year_name) {
df %>%
select({{var}}) %>%
mutate(
value = as.numeric(as.character({{var}})),
value = ifelse(value %in% 1:5, value, NA)
) %>%
filter(!is.na(value)) %>%
group_by(value) %>%
summarise(
n = n(),
.groups = "drop"
) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
label = labels[as.character(value)],
year = year_name
) %>%
select(year, value, label, n, porcentaje)
}
# -----------------------------
# Tabellen erstellen
# -----------------------------
table16 <- make_table(violenciapsy_apoyo16, P12_1_5, conflictos_labels, "2016")
table21 <- make_table(violenciapsy_apoyo21, P13_1_5, conflictos_labels, "2021")
# -----------------------------
# Kombinierte Tabelle
# -----------------------------
conflictos_table <- bind_rows(table16, table21)
# Ausgabe
conflictos_table## # A tibble: 10 × 5
## year value label n porcentaje
## <chr> <dbl> <chr> <int> <dbl>
## 1 2016 1 Aumentaron 10979 10.3
## 2 2016 2 Disminuyeron 22482 21.2
## 3 2016 3 Se resolvieron 25121 23.7
## 4 2016 4 Se mantienen igual 28332 26.7
## 5 2016 5 Nunca ha habido conflictos 19168 18.1
## 6 2021 1 Aumentaron 12391 11.8
## 7 2021 2 Disminuyeron 16171 15.4
## 8 2021 3 Se resolvieron 18295 17.4
## 9 2021 4 Se mantienen igual 41660 39.6
## 10 2021 5 Nunca ha habido conflictos 16699 15.9library(ggplot2)
library(dplyr)
library(tidyr)
# -----------------------------
# 1) Variables de violencia física 2021
# -----------------------------
fisicas_vars <- c("P14_2_1", "P14_2_2", "P14_2_3", "P14_2_4",
"P14_2_5", "P14_2_6", "P14_2_7", "P14_2_8", "P14_2_9")
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
violec21[fisicas_vars] <- lapply(violec21[fisicas_vars], function(x) as.numeric(as.character(x)))
violec21[fisicas_vars] <- lapply(violec21[fisicas_vars], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas para los códigos
# -----------------------------
fisicas_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Transformar a formato largo y ordenar categorías
# -----------------------------
fisicas_long <- violec21 %>%
select(all_of(fisicas_vars)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = fisicas_labels[as.character(valor)],
categoria = factor(categoria, levels = c("Sin importancia", "Grave", "Muy grave"))
)
# -----------------------------
# 5) Calcular frecuencias y porcentajes
# -----------------------------
fisicas_summary <- fisicas_long %>%
group_by(variable, categoria) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 6) Gráfico de barras apiladas horizontal con colores ordenados
# -----------------------------
ggplot(fisicas_summary, aes(x = reorder(variable, -porcentaje), y = porcentaje, fill = categoria)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)), position = position_stack(vjust = 0.5), size = 3) +
scale_fill_manual(values = c(
"Sin importancia" = "#FFE680",
"Grave" = "#FFA64D",
"Muy grave" = "#FF4D4D"
)) +
labs(
title = "Percepción de la gravedad de la violencia física (2021)",
subtitle = "Según las situaciones vividas en la relación de pareja",
x = "Tipo de violencia física",
y = "Porcentaje",
fill = "Gravedad percibida"
) +
theme_minimal(base_size = 13) +
coord_flip()
library(dplyr)
library(tidyr)
# -----------------------------
# 1) Variables de violencia física 2021
# -----------------------------
fisicas_vars <- c("P14_2_1", "P14_2_2", "P14_2_3", "P14_2_4",
"P14_2_5", "P14_2_6", "P14_2_7", "P14_2_8", "P14_2_9")
# -----------------------------
# 2) Convertir variables
# -----------------------------
violec21[fisicas_vars] <- lapply(violec21[fisicas_vars], function(x) as.numeric(as.character(x)))
violec21[fisicas_vars] <- lapply(violec21[fisicas_vars], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas
# -----------------------------
fisicas_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Datos en formato largo
# -----------------------------
fisicas_long <- violec21 %>%
select(all_of(fisicas_vars)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = fisicas_labels[as.character(valor)]
)
# -----------------------------
# 5) Tabla con frecuencias y porcentajes
# -----------------------------
tabla_fisicas_2021 <- fisicas_long %>%
group_by(variable, categoria) %>%
summarise(
n = n(),
.groups = "drop"
) %>%
group_by(variable) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) %>%
ungroup()
# -----------------------------
# 6) Mostrar tabla final
# -----------------------------
tabla_fisicas_2021## # A tibble: 27 × 4
## variable categoria n porcentaje
## <chr> <chr> <int> <dbl>
## 1 P14_2_1 Grave 6772 51
## 2 P14_2_1 Muy grave 4558 34.3
## 3 P14_2_1 Sin importancia 1958 14.7
## 4 P14_2_2 Grave 4889 47.1
## 5 P14_2_2 Muy grave 4454 42.9
## 6 P14_2_2 Sin importancia 1039 10
## 7 P14_2_3 Grave 232 31.7
## 8 P14_2_3 Muy grave 445 60.8
## 9 P14_2_3 Sin importancia 55 7.5
## 10 P14_2_4 Grave 1694 39.2
## # ℹ 17 more rowslibrary(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de violencia física 2016
# -----------------------------
fisicas_vars16 <- c("P13_2_1", "P13_2_2", "P13_2_3", "P13_2_4",
"P13_2_5", "P13_2_6", "P13_2_7", "P13_2_8", "P13_2_9")
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
violec16[fisicas_vars16] <- lapply(violec16[fisicas_vars16], function(x) as.numeric(as.character(x)))
violec16[fisicas_vars16] <- lapply(violec16[fisicas_vars16], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas para los códigos
# -----------------------------
fisicas_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Transformar a formato largo y ordenar categorías
# -----------------------------
fisicas_long16 <- violec16 %>%
select(all_of(fisicas_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = fisicas_labels[as.character(valor)],
categoria = factor(categoria, levels = c("Sin importancia", "Grave", "Muy grave"))
)
# -----------------------------
# 5) Calcular frecuencias y porcentajes
# -----------------------------
fisicas_summary16 <- fisicas_long16 %>%
group_by(variable, categoria) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 6) Gráfico de barras apiladas horizontal con colores ordenados
# -----------------------------
ggplot(fisicas_summary16, aes(x = reorder(variable, -porcentaje), y = porcentaje, fill = categoria)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)), position = position_stack(vjust = 0.5), size = 3) +
scale_fill_manual(values = c(
"Sin importancia" = "#a6bddb",
"Grave" = "#3690c0",
"Muy grave" = "#034e7b"
)) +
labs(
title = "Percepción de la gravedad de la violencia física (2016)",
subtitle = "Según las situaciones vividas en la relación de pareja",
x = "Tipo de violencia física",
y = "Porcentaje",
fill = "Gravedad percibida"
) +
theme_minimal(base_size = 13) +
coord_flip()
tabla_fisicas_16_wide <- fisicas_summary16 %>%
select(variable, categoria, frecuencia, porcentaje) %>%
pivot_wider(
names_from = categoria,
values_from = c(frecuencia, porcentaje),
names_glue = "{categoria}_{.value}"
)
tabla_fisicas_16_wide## # A tibble: 9 × 7
## # Groups: variable [9]
## variable `Sin importancia_frecuencia` Grave_frecuencia `Muy grave_frecuencia`
## <chr> <int> <int> <int>
## 1 P13_2_1 2720 7057 3902
## 2 P13_2_2 1617 5565 4156
## 3 P13_2_3 85 226 326
## 4 P13_2_4 349 2135 2462
## 5 P13_2_5 923 3290 2311
## 6 P13_2_6 703 3554 3829
## 7 P13_2_7 167 970 2017
## 8 P13_2_8 76 465 1012
## 9 P13_2_9 38 135 265
## # ℹ 3 more variables: `Sin importancia_porcentaje` <dbl>,
## # Grave_porcentaje <dbl>, `Muy grave_porcentaje` <dbl>Variable Pregunta P14_2_1 ¿Le ha empujado o le ha jalado el cabello? P14_2_2 ¿Le ha abofeteado o cacheteado? P14_2_3 ¿Le ha amarrado? P14_2_4 ¿Le ha pateado? P14_2_5 ¿Le ha aventado algún objeto? P14_2_6 ¿Le ha golpeado con el puño o con algún objeto? P14_2_7 ¿Le ha tratado de ahorcar o asfixiar? P14_2_8 ¿Le ha agredido con cuchillo o navaja? P14_2_9 ¿Le ha disparado con un arma de fuego?
library(ggplot2)
library(dplyr)
library(tidyr)
# Variables de violencia psicológica en orden numérico
psico_vars <- c(
"P14_2_10", "P14_2_11", "P14_2_12", "P14_2_13", "P14_2_14",
"P14_2_15", "P14_2_16", "P14_2_17", "P14_2_18", "P14_2_19",
"P14_2_20", "P14_2_21", "P14_2_22", "P14_2_23AB", "P14_2_24AB"
)
# Etiquetas descriptivas (en el mismo orden)
psico_labels <- c(
"P14_2_10" = "Avergonzada, ofendida, menospreciada o humillada",
"P14_2_11" = "Ignorada, no tomada en cuenta o sin cariño",
"P14_2_12" = "Le dijo que usted lo engaña",
"P14_2_13" = "Le hizo sentir miedo",
"P14_2_14" = "Amenazada con dejarla/abandonarla, dañarla o quitarle hijos",
"P14_2_15" = "Encerrada o prohibido salir/visitas",
"P14_2_16" = "Vigilada, espiada o seguida",
"P14_2_17" = "Llamadas o mensajes constantes para control",
"P14_2_18" = "Amenazada con arma o quemarla",
"P14_2_19" = "Amenazada con muerte propia, suya o de niños",
"P14_2_20" = "Destrucción o escondido de cosas personales o del hogar",
"P14_2_21" = "Dejada de hablar",
"P14_2_22" = "Revisión de correo o celular / exige contraseñas",
"P14_2_23AB" = "Hizo que hijos o parientes se pusieran en su contra",
"P14_2_24AB" = "Se enojó por quehacer, comida u obligaciones"
)
# Etiquetas de respuesta
respuesta_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# Conversión y limpieza de valores
violec21[psico_vars] <- lapply(violec21[psico_vars], function(x) as.numeric(as.character(x)))
violec21[psico_vars] <- lapply(violec21[psico_vars], function(x) ifelse(x %in% c(9, NA), NA, x))
# Transformar a formato largo
psico_long <- violec21 %>%
select(all_of(psico_vars)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value")
# Calcular frecuencias y porcentajes
psico_summary <- psico_long %>%
filter(!is.na(value)) %>%
group_by(variable, value) %>%
summarise(frecuencia = n(), .groups = "drop_last") %>%
mutate(
porcentaje = round((frecuencia / sum(frecuencia)) * 100, 1),
categoria = psico_labels[variable],
respuesta = respuesta_labels[as.character(value)]
)
# Ordenar las categorías en el mismo orden numérico que las variables
psico_summary$categoria <- factor(psico_summary$categoria, levels = psico_labels)
# Ordenar respuestas (Muy grave afuera)
psico_summary$respuesta <- factor(psico_summary$respuesta,
levels = c("Sin importancia", "Grave", "Muy grave"))
# Gráfico con porcentajes y colores definidos
ggplot(psico_summary, aes(x = categoria, y = porcentaje, fill = respuesta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)),
position = position_stack(vjust = 0.5), size = 3, color = "black") +
coord_flip() +
scale_fill_manual(
values = c("Muy grave" = "#FF4D4D",
"Grave" = "#FFA64D",
"Sin importancia" = "#FFE680")
) +
labs(
title = "Percepción de la gravedad de la \n violencia psicológica 2021",
x = "Variable (código ENDIREH)",
y = "Porcentaje de respuestas",
fill = "Percepción"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 9),
legend.position = "bottom"
)
tabla_psico_21_wide <- psico_summary %>%
select(variable, categoria, respuesta, frecuencia, porcentaje) %>%
pivot_wider(
names_from = respuesta,
values_from = c(frecuencia, porcentaje),
names_glue = "{respuesta}_{.value}"
) %>%
arrange(variable)
tabla_psico_21_wide## # A tibble: 15 × 8
## # Groups: variable [15]
## variable categoria `Muy grave_frecuencia` Grave_frecuencia
## <chr> <fct> <int> <int>
## 1 P14_2_10 Avergonzada, ofendida, me… 4394 5794
## 2 P14_2_11 Ignorada, no tomada en cu… 3797 7284
## 3 P14_2_12 Le dijo que usted lo enga… 3623 5645
## 4 P14_2_13 Le hizo sentir miedo 5156 5066
## 5 P14_2_14 Amenazada con dejarla/aba… 3936 4206
## 6 P14_2_15 Encerrada o prohibido sal… 2039 2186
## 7 P14_2_16 Vigilada, espiada o segui… 2066 2359
## 8 P14_2_17 Llamadas o mensajes const… 1848 3239
## 9 P14_2_18 Amenazada con arma o quem… 1100 370
## 10 P14_2_19 Amenazada con muerte prop… 2330 881
## 11 P14_2_20 Destrucción o escondido d… 2193 2576
## 12 P14_2_21 Dejada de hablar 2750 6688
## 13 P14_2_22 Revisión de correo o celu… 1655 2813
## 14 P14_2_23AB Hizo que hijos o pariente… 1944 2088
## 15 P14_2_24AB Se enojó por quehacer, co… 1635 3459
## # ℹ 4 more variables: `Sin importancia_frecuencia` <int>,
## # `Muy grave_porcentaje` <dbl>, Grave_porcentaje <dbl>,
## # `Sin importancia_porcentaje` <dbl>library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de violencia psicológica 2016
# -----------------------------
psico_vars16 <- c("P13_2_10","P13_2_11","P13_2_12","P13_2_13","P13_2_14",
"P13_2_15","P13_2_16","P13_2_17","P13_2_18","P13_2_19",
"P13_2_20","P13_2_21","P13_2_22","P13_2_23AB","P13_2_24AB")
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
violec16[psico_vars16] <- lapply(violec16[psico_vars16], function(x) as.numeric(as.character(x)))
violec16[psico_vars16] <- lapply(violec16[psico_vars16], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas para los códigos
# -----------------------------
psico_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Transformar a formato largo y ordenar categorías
# -----------------------------
psico_long16 <- violec16 %>%
select(all_of(psico_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = psico_labels[as.character(valor)],
categoria = factor(categoria, levels = c("Sin importancia", "Grave", "Muy grave"))
)
# -----------------------------
# 5) Calcular frecuencias y porcentajes
# -----------------------------
psico_summary16 <- psico_long16 %>%
group_by(variable, categoria) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 6) Gráfico de barras apiladas horizontal con colores azulados
# -----------------------------
ggplot(psico_summary16, aes(x = reorder(variable, -porcentaje), y = porcentaje, fill = categoria)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)), position = position_stack(vjust = 0.5), size = 3) +
scale_fill_manual(values = c("Sin importancia" = "#a6bddb",
"Grave" = "#3690c0",
"Muy grave" = "#034e7b")) +
labs(
title = "Percepción de la gravedad de la violencia psicológica (2016)",
subtitle = "Según las situaciones vividas en la relación de pareja",
x = "Tipo de violencia psicológica",
y = "Porcentaje",
fill = "Gravedad percibida"
) +
theme_minimal(base_size = 13) +
coord_flip()
# -----------------------------
# TABLA: Frecuencias y Porcentajes (2016)
# -----------------------------
tabla_psico_16 <- psico_summary16 %>%
arrange(variable, categoria) %>%
select(
variable,
categoria,
frecuencia,
porcentaje
)
tabla_psico_16## # A tibble: 45 × 4
## # Groups: variable [15]
## variable categoria frecuencia porcentaje
## <chr> <fct> <int> <dbl>
## 1 P13_2_10 Sin importancia 1829 14.8
## 2 P13_2_10 Grave 6216 50.4
## 3 P13_2_10 Muy grave 4290 34.8
## 4 P13_2_11 Sin importancia 4545 29.2
## 5 P13_2_11 Grave 7431 47.7
## 6 P13_2_11 Muy grave 3609 23.2
## 7 P13_2_12 Sin importancia 4920 36.8
## 8 P13_2_12 Grave 5240 39.2
## 9 P13_2_12 Muy grave 3193 23.9
## 10 P13_2_13 Sin importancia 1509 12.8
## # ℹ 35 more rowsP14_2_10 ¿La ha avergonzado, ofendido, menospreciado o humillado (le ha dicho que es fea o la ha comparado con otras mujeres)? P14_2_11 ¿La ha ignorado, no la toma en cuenta o no le brinda cariño? P14_2_12 ¿Le ha dicho que usted lo engaña? P14_2_13 ¿Le ha hecho sentir miedo? P14_2_14 ¿La ha amenazado con dejarla/abandonarla, dañarla, quitarle a los hijos(as) o correrla de la casa? P14_2_15 ¿La ha encerrado, le ha prohibido salir o que la visiten? P14_2_16 ¿La ha vigilado, espiado, la ha seguido cuando sale de su casa o se le aparece de manera sorpresiva? P14_2_17 ¿La llama o le manda mensajes por teléfono todo el tiempo, para saber dónde y con quién está y qué está haciendo? P14_2_18 ¿La ha amenazado con algún arma (cuchillo, navaja, pistola o rifle) o con quemarla? P14_2_19 ¿La ha amenazado con matarla, matarse él o matar a los niños(as)? P14_2_20 ¿Le ha destruido, tirado o escondido cosas de usted o del hogar? P14_2_21 ¿Le ha dejado de hablar? P14_2_22 ¿Le revisa su correo o celular y le exige que le dé las contraseñas? P14_2_23AB ¿Ha hecho que los hijos(as) o parientes se pongan en su contra? P14_2_24AB ¿Se ha enojado mucho porque no está listo el quehacer, porque la comida no está como él quiere o cree que usted no cumplió con sus obligaciones?
library(ggplot2)
library(dplyr)
library(tidyr)
# Variables de violencia sexual
sexual_vars <- c(
"P14_2_25", "P14_2_26", "P14_2_27",
"P14_2_28", "P14_2_29", "P14_2_30", "P14_2_31"
)
# Etiquetas descriptivas
sexual_labels <- c(
"P14_2_25" = "Le exigió con amenazas o chantajes tener relaciones sexuales",
"P14_2_26" = "La obligó a hacer cosas sexuales que no le gustaban",
"P14_2_27" = "Usó fuerza física para obligarla a tener relaciones sexuales",
"P14_2_28" = "La obligó a mirar escenas o actos sexuales/pornográficos",
"P14_2_29" = "La obligó a tener relaciones sexuales sin protección",
"P14_2_30" = "Le envió mensajes o comentarios con insinuaciones sexuales",
"P14_2_31" = "Publicó fotos, videos o información sexual para dañarla"
)
# Etiquetas de respuesta
respuesta_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# Conversión y limpieza
violec21[sexual_vars] <- lapply(violec21[sexual_vars], function(x) as.numeric(as.character(x)))
violec21[sexual_vars] <- lapply(violec21[sexual_vars], function(x) ifelse(x %in% c(9, NA), NA, x))
# Transformar a formato largo
sexual_long <- violec21 %>%
select(all_of(sexual_vars)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "value")
# Calcular frecuencias y porcentajes
sexual_summary <- sexual_long %>%
filter(!is.na(value)) %>%
group_by(variable, value) %>%
summarise(frecuencia = n(), .groups = "drop_last") %>%
mutate(
porcentaje = round((frecuencia / sum(frecuencia)) * 100, 1),
categoria = sexual_labels[variable],
respuesta = respuesta_labels[as.character(value)]
)
# Ordenar categorías según los códigos de variable
sexual_summary$categoria <- factor(sexual_summary$categoria, levels = sexual_labels)
# Ordenar respuestas: Muy grave afuera (rojo)
sexual_summary$respuesta <- factor(sexual_summary$respuesta,
levels = c("Sin importancia", "Grave", "Muy grave"))
# Gráfico con porcentajes
ggplot(sexual_summary, aes(x = categoria, y = porcentaje, fill = respuesta)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)),
position = position_stack(vjust = 0.5), size = 3, color = "black") +
coord_flip() +
scale_fill_manual(
values = c(
"Muy grave" = "#FF4D4D", # rojo
"Grave" = "#FFA64D", # naranja
"Sin importancia" = "#FFE680" # amarillo claro
)
) +
labs(
title = "Percepción de la gravedad de la \nviolencia sexual (2021)",
x = "Variable (código ENDIREH)",
y = "Porcentaje de respuestas",
fill = "Percepción"
) +
theme_minimal() +
theme(
plot.title = element_text(face = "bold", size = 14),
axis.text.y = element_text(size = 9),
legend.position = "bottom"
)
# ----------------------------------------
# TABLA: Frecuencias y Porcentajes (Sexual 2021)
# ----------------------------------------
tabla_sexual_21 <- sexual_summary %>%
arrange(variable, respuesta) %>%
select(
variable,
categoria,
respuesta,
frecuencia,
porcentaje
)
tabla_sexual_21## # A tibble: 21 × 5
## # Groups: variable [7]
## variable categoria respuesta frecuencia porcentaje
## <chr> <fct> <fct> <int> <dbl>
## 1 P14_2_25 Le exigió con amenazas o chantajes … Sin impo… 388 8.2
## 2 P14_2_25 Le exigió con amenazas o chantajes … Grave 1776 37.7
## 3 P14_2_25 Le exigió con amenazas o chantajes … Muy grave 2547 54.1
## 4 P14_2_26 La obligó a hacer cosas sexuales qu… Sin impo… 190 6.3
## 5 P14_2_26 La obligó a hacer cosas sexuales qu… Grave 1085 35.7
## 6 P14_2_26 La obligó a hacer cosas sexuales qu… Muy grave 1764 58
## 7 P14_2_27 Usó fuerza física para obligarla a … Sin impo… 150 4.3
## 8 P14_2_27 Usó fuerza física para obligarla a … Grave 1135 32.2
## 9 P14_2_27 Usó fuerza física para obligarla a … Muy grave 2244 63.6
## 10 P14_2_28 La obligó a mirar escenas o actos s… Sin impo… 110 14.7
## # ℹ 11 more rowslibrary(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de violencia sexual 2016
# -----------------------------
sexual_vars16 <- c("P13_2_25","P13_2_26","P13_2_27","P13_2_28","P13_2_29")
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
violec16[sexual_vars16] <- lapply(violec16[sexual_vars16], function(x) as.numeric(as.character(x)))
violec16[sexual_vars16] <- lapply(violec16[sexual_vars16], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas para los códigos
# -----------------------------
sexual_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Transformar a formato largo
# -----------------------------
sexual_long16 <- violec16 %>%
select(all_of(sexual_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = sexual_labels[as.character(valor)],
categoria = factor(categoria, levels = c("Sin importancia", "Grave", "Muy grave")) # Orden deseado
)
# -----------------------------
# 5) Calcular frecuencias y porcentajes
# -----------------------------
sexual_summary16 <- sexual_long16 %>%
group_by(variable, categoria) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 6) Gráfico de barras apiladas horizontal con colores ordenados
# -----------------------------
ggplot(sexual_summary16, aes(x = reorder(variable, -porcentaje), y = porcentaje, fill = categoria)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)), position = position_stack(vjust = 0.5), size = 3) +
scale_fill_manual(values = c("Sin importancia" = "#a6bddb",
"Grave" = "#3690c0",
"Muy grave" = "#034e7b")) +
labs(
title = "Percepción de la gravedad de la violencia sexual (2016)",
subtitle = "Según las situaciones vividas en la relación de pareja",
x = "Tipo de violencia sexual",
y = "Porcentaje",
fill = "Gravedad percibida"
) +
theme_minimal(base_size = 13) +
coord_flip()
tabla_sexual_16_wide <- sexual_summary16 %>%
select(variable, categoria, frecuencia, porcentaje) %>%
pivot_wider(
names_from = categoria,
values_from = c(frecuencia, porcentaje),
names_glue = "{categoria}_{.value}"
) %>%
arrange(variable)
tabla_sexual_16_wide## # A tibble: 5 × 7
## # Groups: variable [5]
## variable `Sin importancia_frecuencia` Grave_frecuencia `Muy grave_frecuencia`
## <chr> <int> <int> <int>
## 1 P13_2_25 553 1913 2225
## 2 P13_2_26 269 1123 1398
## 3 P13_2_27 262 1376 2050
## 4 P13_2_28 115 346 317
## 5 P13_2_29 412 980 1099
## # ℹ 3 more variables: `Sin importancia_porcentaje` <dbl>,
## # Grave_porcentaje <dbl>, `Muy grave_porcentaje` <dbl>library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de violencia económica 2016
# -----------------------------
eco_vars16 <- c("P13_2_30","P13_2_31","P13_2_32","P13_2_33AB","P13_2_34AB",
"P13_2_35AB","P13_2_36AB")
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
violec16[eco_vars16] <- lapply(violec16[eco_vars16], function(x) as.numeric(as.character(x)))
violec16[eco_vars16] <- lapply(violec16[eco_vars16], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas para los códigos
# -----------------------------
eco_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Transformar a formato largo y ordenar categorías
# -----------------------------
eco_long16 <- violec16 %>%
select(all_of(eco_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = eco_labels[as.character(valor)],
categoria = factor(categoria, levels = c("Sin importancia", "Grave", "Muy grave"))
)
# -----------------------------
# 5) Calcular frecuencias y porcentajes
# -----------------------------
eco_summary16 <- eco_long16 %>%
group_by(variable, categoria) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 6) Gráfico de barras apiladas horizontal con colores azulados
# -----------------------------
ggplot(eco_summary16, aes(x = reorder(variable, -porcentaje), y = porcentaje, fill = categoria)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)), position = position_stack(vjust = 0.5), size = 3) +
scale_fill_manual(values = c("Sin importancia" = "#a6bddb",
"Grave" = "#3690c0",
"Muy grave" = "#034e7b"
)) +
labs(
title = "Percepción de la gravedad de la violencia económica (2016)",
subtitle = "Según las situaciones vividas en la relación de pareja",
x = "Tipo de violencia económica",
y = "Porcentaje",
fill = "Gravedad percibida"
) +
theme_minimal(base_size = 13) +
coord_flip()
tabla_eco_16_wide <- eco_summary16 %>%
select(variable, categoria, frecuencia, porcentaje) %>%
pivot_wider(
names_from = categoria,
values_from = c(frecuencia, porcentaje),
names_glue = "{categoria}_{.value}"
) %>%
arrange(variable)
tabla_eco_16_wide## # A tibble: 7 × 7
## # Groups: variable [7]
## variable Sin importancia_frecuenci…¹ Grave_frecuencia `Muy grave_frecuencia`
## <chr> <int> <int> <int>
## 1 P13_2_30 2744 3394 1780
## 2 P13_2_31 290 1338 1259
## 3 P13_2_32 152 410 615
## 4 P13_2_33AB 1152 5012 3510
## 5 P13_2_34AB 903 3859 2871
## 6 P13_2_35AB 1664 4662 2759
## 7 P13_2_36AB 4378 4215 1704
## # ℹ abbreviated name: ¹`Sin importancia_frecuencia`
## # ℹ 3 more variables: `Sin importancia_porcentaje` <dbl>,
## # Grave_porcentaje <dbl>, `Muy grave_porcentaje` <dbl>library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de violencia económica 2021
# -----------------------------
eco_vars21 <- c("P14_2_32","P14_2_34","P14_2_35AB","P14_2_36AB","P14_2_37AB","P14_2_38AB")
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
violec21[eco_vars21] <- lapply(violec21[eco_vars21], function(x) as.numeric(as.character(x)))
violec21[eco_vars21] <- lapply(violec21[eco_vars21], function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Etiquetas para los códigos
# -----------------------------
eco_labels <- c(
"1" = "Muy grave",
"2" = "Grave",
"3" = "Sin importancia"
)
# -----------------------------
# 4) Transformar a formato largo y ordenar categorías
# -----------------------------
eco_long21 <- violec21 %>%
select(all_of(eco_vars21)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
mutate(
categoria = eco_labels[as.character(valor)],
categoria = factor(categoria, levels = c("Sin importancia", "Grave", "Muy grave"))
)
# -----------------------------
# 5) Calcular frecuencias y porcentajes
# -----------------------------
eco_summary21 <- eco_long21 %>%
group_by(variable, categoria) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 6) Gráfico de barras apiladas horizontal con colores azulados
# -----------------------------
ggplot(eco_summary21, aes(x = reorder(variable, -porcentaje), y = porcentaje, fill = categoria)) +
geom_bar(stat = "identity", position = "stack") +
geom_text(aes(label = paste0(porcentaje)), position = position_stack(vjust = 0.5), size = 3) +
scale_fill_manual(values = c(
"Muy grave" = "#FF4D4D", # rojo
"Grave" = "#FFA64D", # naranja
"Sin importancia" = "#FFE680"
)) +
labs(
title = "Percepción de la gravedad de la violencia económica (2021)",
subtitle = "Según las situaciones vividas en la relación de pareja",
x = "Tipo de violencia económica",
y = "Porcentaje",
fill = "Gravedad percibida"
) +
theme_minimal(base_size = 13) +
coord_flip()
tabla_eco_21_wide <- eco_summary21 %>%
select(variable, categoria, frecuencia, porcentaje) %>%
pivot_wider(
names_from = categoria,
values_from = c(frecuencia, porcentaje),
names_glue = "{categoria}_{.value}"
) %>%
arrange(variable)
tabla_eco_21_wide## # A tibble: 6 × 7
## # Groups: variable [6]
## variable Sin importancia_frecuenci…¹ Grave_frecuencia `Muy grave_frecuencia`
## <chr> <int> <int> <int>
## 1 P14_2_32 2340 3537 2157
## 2 P14_2_34 82 407 682
## 3 P14_2_35AB 744 4184 3644
## 4 P14_2_36AB 671 3544 3035
## 5 P14_2_37AB 1451 4432 2912
## 6 P14_2_38AB 3391 3876 1945
## # ℹ abbreviated name: ¹`Sin importancia_frecuencia`
## # ℹ 3 more variables: `Sin importancia_porcentaje` <dbl>,
## # Grave_porcentaje <dbl>, `Muy grave_porcentaje` <dbl>library(dplyr)
library(ggplot2)
# library(scales) # opcional si quieres formatear porcentajes
# Usar el dataframe correcto: aquí 'violec21'
# Reemplaza 'violec21' si tu data.frame se llama distinto
grafico_apoyo <- violec21 %>%
# seleccionar la variable de interés y convertir a numérico si viene como character/factor
mutate(P14_9_3_1 = as.numeric(as.character(P14_9_3_1))) %>%
filter(!is.na(P14_9_3_1), P14_9_3_1 %in% 1:5) %>% # mantener solo códigos válidos 1-5
mutate(tipo_apoyo = case_when(
P14_9_3_1 == 1 ~ "Orientación e información",
P14_9_3_1 == 2 ~ "Apoyo legal",
P14_9_3_1 == 3 ~ "Apoyo psicológico",
P14_9_3_1 == 4 ~ "Atención médica",
P14_9_3_1 == 5 ~ "Otro"
)) %>%
group_by(tipo_apoyo) %>%
summarise(n = n(), .groups = "drop") %>%
arrange(desc(n)) %>%
mutate(pct = round(100 * n / sum(n), 1),
etiqueta = paste0(n, " (", pct, "%)"))
# Ver el resumen en consola
print(grafico_apoyo)## # A tibble: 5 × 4
## tipo_apoyo n pct etiqueta
## <chr> <int> <dbl> <chr>
## 1 Orientación e información 165 55 165 (55%)
## 2 Apoyo psicológico 67 22.3 67 (22.3%)
## 3 Apoyo legal 60 20 60 (20%)
## 4 Otro 6 2 6 (2%)
## 5 Atención médica 2 0.7 2 (0.7%)# Gráfico horizontal con porcentajes en las barras
ggplot(grafico_apoyo, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = etiqueta),
hjust = -0.05, size = 3.5) + # etiqueta con n (pct%)
coord_flip() +
labs(
title = "Tipo de apoyo solicitado a organizaciones civiles",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_text(size = 11)) +
ylim(0, max(grafico_apoyo$n) * 1.15) # dejar espacio para las etiquetas fuera de la barra
ggplot(grafico_apoyo, aes(x = reorder(tipo_apoyo, pct), y = pct, fill = tipo_apoyo)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = paste0(pct, "%")),
hjust = -0.05, size = 3.5) +
coord_flip() +
labs(
title = "Porcentaje de tipos de apoyo solicitados",
x = "Tipo de apoyo",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 13) +
ylim(0, 100)
library(dplyr)
library(ggplot2)
# Beispiel: Datensatz definieren (ersetze violec21 durch deinen echten Datensatznamen)
data_grafik <- violec21
# Daten bereinigen und vorbereiten
data_grafik_clean <- data_grafik %>%
filter(!is.na(P14_11_3), !is.na(P14_12_3)) %>%
mutate(
tipo_violencia = case_when(
P14_11_3 %in% 1:9 ~ "física",
P14_11_3 %in% 10:24 ~ "psicológica",
P14_11_3 %in% 25:31 ~ "sexual",
P14_11_3 %in% 32:38 ~ "económica",
TRUE ~ "Otra"
),
apoyo_label = case_when(
P14_9_3_1 == 1 ~ "Orientación",
P14_9_3_1 == 2 ~ "Apoyo legal",
P14_9_3_1 == 3 ~ "Apoyo psicológico",
P14_9_3_1 == 4 ~ "Atención médica",
P14_9_3_1 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
)
# Zusammenfassung
grafik_summary <- data_grafik_clean %>%
group_by(tipo_violencia, apoyo_label) %>%
summarise(casos = n(), .groups = "drop")
# Grafik erstellen
ggplot(grafik_summary, aes(x = tipo_violencia, y = casos, fill = apoyo_label)) +
geom_bar(stat = "identity", position = "dodge") +
labs(
title = "Tipo de violencia y tipo de apoyo solicitado",
x = "Tipo de violencia",
y = "Número de casos",
fill = "Apoyo solicitado"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_3 %in% 1:8 ~ "Física",
P14_11_3 %in% 10:24 ~ "Psicológica",
P14_11_3 %in% 25:31 ~ "Sexual",
P14_11_3 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_3 == 1 ~ "Sí recibió apoyo",
P14_12_3 == 2 ~ "No recibió apoyo",
P14_12_3 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_3 == 1 ~ "Bien y con respeto",
P14_13_3 == 2 ~ "Mal / humillada",
P14_13_3 == 3 ~ "No hicieron nada",
P14_13_3 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100) %>%
ggplot(aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", position = "stack") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido según tipo de violencia y resultado del apoyo",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(ggplot2)
vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_3 %in% 1:8 ~ "Física",
P14_11_3 %in% 10:24 ~ "Psicológica",
P14_11_3 %in% 25:31 ~ "Sexual",
P14_11_3 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_3 == 1 ~ "Sí",
P14_12_3 == 2 ~ "No",
P14_12_3 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_3 == 1 ~ "Bien y con respeto",
P14_13_3 == 2 ~ "Mal / humillada",
P14_13_3 == 3 ~ "No hicieron nada",
P14_13_3 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100) %>%
ggplot(aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido según tipo de violencia",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
# Tipo de apoyo solicitado
cavi_data <- vio_apoyo21 %>%
mutate(
tipo_apoyo = case_when(
P14_9_4_1 == 1 ~ "Orientación e información",
P14_9_4_1 == 2 ~ "Apoyo legal",
P14_9_4_1 == 3 ~ "Apoyo psicológico",
P14_9_4_2 == 4 ~ "Atención médica",
P14_9_4_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_apoyo != "No especificado") %>%
count(tipo_apoyo)
library(dplyr)
library(ggplot2)
library(scales)##
## Attache Paket: 'scales'## Das folgende Objekt ist maskiert 'package:readr':
##
## col_factor# Prozentwerte berechnen
cavi_data <- cavi_data %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(cavi_data, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = pct_label), hjust = -0.1, size = 3.5) + # Prozent über den Balken
coord_flip() +
labs(
title = "Tipo de apoyo solicitado al CAVI",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(legend.position = "none") +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) # Platz für Labels oberhalb
# Trato recibido según tipo de violencia
cavi_data2 <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_4 %in% 1:8 ~ "Física",
P14_11_4 %in% 10:24 ~ "Psicológica",
P14_11_4 %in% 25:31 ~ "Sexual",
P14_11_4 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_4 == 1 ~ "Sí recibió apoyo",
P14_12_4 == 2 ~ "No recibió apoyo",
P14_12_4 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_4 == 1 ~ "Bien y con respeto",
P14_13_4 == 2 ~ "Mal / humillada",
P14_13_4 == 3 ~ "No hicieron nada",
P14_13_4 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(cavi_data2, aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato y resultado del apoyo (CAVI)",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
library(scales)
cavi_mosaic <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_4 %in% 1:8 ~ "Física",
P14_11_4 %in% 10:24 ~ "Psicológica",
P14_11_4 %in% 25:31 ~ "Sexual",
P14_11_4 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
tipo_apoyo = case_when(
P14_9_4_1 == 1 ~ "Orientación",
P14_9_4_1 == 2 ~ "Legal",
P14_9_4_1 == 3 ~ "Psicológico",
P14_9_4_2 == 4 ~ "Médico",
P14_9_4_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", tipo_apoyo != "No especificado") %>%
count(tipo_violencia, tipo_apoyo) %>%
group_by(tipo_violencia) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(cavi_mosaic, aes(x = tipo_violencia, y = pct, fill = tipo_apoyo)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(aes(label = pct_label),
position = position_fill(vjust = 0.5), size = 3.5) +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Tipo de apoyo solicitado según tipo de violencia (CAVI)",
x = "Tipo de violencia",
y = "Proporción",
fill = "Tipo de apoyo"
) +
scale_fill_brewer(palette = "Set3") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(dplyr)
library(ggplot2)
cjm_data <- vio_apoyo21 %>%
mutate(
tipo_apoyo = case_when(
P14_9_5_1 == 1 ~ "Orientación e información",
P14_9_5_1 == 2 ~ "Apoyo legal",
P14_9_5_1 == 3 ~ "Apoyo psicológico",
P14_9_5_2 == 4 ~ "Atención médica",
P14_9_5_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_apoyo != "No especificado") %>%
count(tipo_apoyo) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(cjm_data, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = pct_label), hjust = -0.1, size = 3.5) +
coord_flip() +
labs(
title = "Tipo de apoyo por Centro de Justicia para las Mujeres",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(legend.position = "none") +
scale_y_continuous(expand = expansion(mult = c(0, 0.1)))
cjm_data2 <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_5 %in% 1:8 ~ "Física",
P14_11_5 %in% 10:24 ~ "Psicológica",
P14_11_5 %in% 25:31 ~ "Sexual",
P14_11_5 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_5 == 1 ~ "Sí recibió apoyo",
P14_12_5 == 2 ~ "No recibió apoyo",
P14_12_5 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_5 == 1 ~ "Bien y con respeto",
P14_13_5 == 2 ~ "Mal / humillada",
P14_13_5 == 3 ~ "No hicieron nada",
P14_13_5 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(cjm_data2, aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido (Centro de Justicia para las Mujeres)",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
library(scales)
cjm_mosaic <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_5 %in% 1:8 ~ "Física",
P14_11_5 %in% 10:24 ~ "Psicológica",
P14_11_5 %in% 25:31 ~ "Sexual",
P14_11_5 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
tipo_apoyo = case_when(
P14_9_5_1 == 1 ~ "Orientación",
P14_9_5_1 == 2 ~ "Legal",
P14_9_5_1 == 3 ~ "Psicológico",
P14_9_5_2 == 4 ~ "Médico",
P14_9_5_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", tipo_apoyo != "No especificado") %>%
count(tipo_violencia, tipo_apoyo) %>%
group_by(tipo_violencia) %>%
mutate(
pct = n / sum(n),
pct_label = paste0(round(pct * 100, 1), "%")
)
ggplot(cjm_mosaic, aes(x = tipo_violencia, y = pct, fill = tipo_apoyo)) +
geom_bar(stat = "identity", color = "white") +
geom_text(aes(label = pct_label),
position = position_stack(vjust = 0.5), size = 3.5) +
scale_y_continuous(labels = percent_format()) +
labs(
title = "Tipo de apoyo por el Centro de Justicia para las Mujeres",
x = "Tipo de violencia",
y = "Proporción",
fill = "Tipo de apoyo"
) +
scale_fill_brewer(palette = "Set3") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(dplyr)
library(ggplot2)
dp_data <- vio_apoyo21 %>%
mutate(
tipo_apoyo = case_when(
P14_9_6_1 == 1 ~ "Orientación e información",
P14_9_6_1 == 2 ~ "Apoyo legal",
P14_9_6_1 == 3 ~ "Apoyo psicológico",
P14_9_6_2 == 4 ~ "Atención médica",
P14_9_6_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_apoyo != "No especificado") %>%
count(tipo_apoyo) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(dp_data, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = pct_label), hjust = -0.1, size = 3.8) +
coord_flip() +
labs(
title = "Tipo de apoyo solicitado a la Defensoría Pública",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(legend.position = "none") +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) # Platz für Labels
dp_data2 <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_6 %in% 1:8 ~ "Física",
P14_11_6 %in% 10:24 ~ "Psicológica",
P14_11_6 %in% 25:31 ~ "Sexual",
P14_11_6 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_6 == 1 ~ "Sí recibió apoyo",
P14_12_6 == 2 ~ "No recibió apoyo",
P14_12_6 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_6 == 1 ~ "Bien y con respeto",
P14_13_6 == 2 ~ "Mal / humillada",
P14_13_6 == 3 ~ "No hicieron nada",
P14_13_6 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(dp_data2, aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido por Defensoría Pública",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
dp_mosaic <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_6 %in% 1:8 ~ "Física",
P14_11_6 %in% 10:24 ~ "Psicológica",
P14_11_6 %in% 25:31 ~ "Sexual",
P14_11_6 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
tipo_apoyo = case_when(
P14_9_6_1 == 1 ~ "Orientación",
P14_9_6_1 == 2 ~ "Legal",
P14_9_6_1 == 3 ~ "Psicológico",
P14_9_6_2 == 4 ~ "Médico",
P14_9_6_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", tipo_apoyo != "No especificado") %>%
count(tipo_violencia, tipo_apoyo) %>%
group_by(tipo_violencia) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(dp_mosaic, aes(x = tipo_violencia, y = pct, fill = tipo_apoyo)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(aes(label = pct_label),
position = position_fill(vjust = 0.5), size = 3.5, color = "black") +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Tipo de apoyo por Defensoría Pública",
x = "Tipo de violencia",
y = "Proporción",
fill = "Tipo de apoyo"
) +
scale_fill_brewer(palette = "Set3") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(dplyr)
library(ggplot2)
clin_data <- violec21 %>%
mutate(
tipo_apoyo = case_when(
P14_9_7_1 == 1 ~ "Orientación e información",
P14_9_7_1 == 2 ~ "Apoyo legal",
P14_9_7_1 == 3 ~ "Apoyo psicológico",
P14_9_7_2 == 4 ~ "Atención médica",
P14_9_7_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_apoyo != "No especificado") %>%
count(tipo_apoyo) %>%
mutate(
pct = n / sum(n) * 100, # Prozent berechnen
pct_label = paste0(round(pct, 1), "%") # Prozent-Label formatieren
)
ggplot(clin_data, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = pct_label), hjust = -0.1, size = 3.5) + # Prozentwerte anzeigen
coord_flip() +
labs(
title = "Tipo de apoyo solicitado a clínicas / hospitales públicos",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(legend.position = "none") +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) # Platz für Labels oberhalb
clin_data2 <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_7 %in% 1:8 ~ "Física",
P14_11_7 %in% 10:24 ~ "Psicológica",
P14_11_7 %in% 25:31 ~ "Sexual",
P14_11_7 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_7 == 1 ~ "Sí recibió apoyo",
P14_12_7 == 2 ~ "No recibió apoyo",
P14_12_7 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_7 == 1 ~ "Bien y con respeto",
P14_13_7 == 2 ~ "Mal / humillada",
P14_13_7 == 3 ~ "No hicieron nada",
P14_13_7 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(clin_data2, aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido por Clínicas / Hospitales públicos",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
clin_mosaic <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_7 %in% 1:8 ~ "Física",
P14_11_7 %in% 10:24 ~ "Psicológica",
P14_11_7 %in% 25:31 ~ "Sexual",
P14_11_7 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
tipo_apoyo = case_when(
P14_9_7_1 == 1 ~ "Orientación",
P14_9_7_1 == 2 ~ "Legal",
P14_9_7_1 == 3 ~ "Psicológico",
P14_9_7_2 == 4 ~ "Médico",
P14_9_7_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", tipo_apoyo != "No especificado") %>%
count(tipo_violencia, tipo_apoyo) %>%
group_by(tipo_violencia) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(clin_mosaic, aes(x = tipo_violencia, y = pct, fill = tipo_apoyo)) +
geom_bar(stat = "identity", color = "white") +
geom_text(aes(label = pct_label),
position = position_stack(vjust = 0.5), size = 3.5) + # Prozentwerte in den Balken
scale_y_continuous(labels = function(x) paste0(x, "%")) +
labs(
title = "Tipo de apoyo por Clínicas / Hospitales públicos",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Tipo de apoyo"
) +
scale_fill_brewer(palette = "Set3") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(dplyr)
library(ggplot2)
priv_data <- vio_apoyo21 %>%
mutate(
tipo_apoyo = case_when(
P14_9_8_1 == 1 ~ "Orientación e información",
P14_9_8_1 == 2 ~ "Apoyo legal",
P14_9_8_1 == 3 ~ "Apoyo psicológico",
P14_9_8_2 == 4 ~ "Atención médica",
P14_9_8_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_apoyo != "No especificado") %>%
count(tipo_apoyo) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(priv_data, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = paste0(pct_label)),
position = position_stack(vjust = 0.5), # Label mittig im Balken
color = "white", size = 4) +
coord_flip() +
labs(
title = "Tipo de apoyo en consultorios/clínicas/hospitales privados",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(legend.position = "none")
priv_data2 <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_8 %in% 1:8 ~ "Física",
P14_11_8 %in% 10:24 ~ "Psicológica",
P14_11_8 %in% 25:31 ~ "Sexual",
P14_11_8 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_8 == 1 ~ "Sí recibió apoyo",
P14_12_8 == 2 ~ "No recibió apoyo",
P14_12_8 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_8 == 1 ~ "Bien y con respeto",
P14_13_8 == 2 ~ "Mal / humillada",
P14_13_8 == 3 ~ "No hicieron nada",
P14_13_8 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(priv_data2, aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido por Consultorios / Hospitales privados",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
priv_mosaic <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_8 %in% 1:8 ~ "Física",
P14_11_8 %in% 10:24 ~ "Psicológica",
P14_11_8 %in% 25:31 ~ "Sexual",
P14_11_8 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
tipo_apoyo = case_when(
P14_9_8_1 == 1 ~ "Orientación",
P14_9_8_1 == 2 ~ "Legal",
P14_9_8_1 == 3 ~ "Psicológico",
P14_9_8_2 == 4 ~ "Médico",
P14_9_8_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", tipo_apoyo != "No especificado") %>%
count(tipo_violencia, tipo_apoyo) %>%
group_by(tipo_violencia) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(priv_mosaic, aes(x = tipo_violencia, y = pct, fill = tipo_apoyo)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(
aes(label = pct_label),
position = position_fill(vjust = 0.5),
size = 3
) +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Tipo de apoyo por Consultorios / Hospitales privados",
x = "Tipo de violencia",
y = "Proporción",
fill = "Tipo de apoyo"
) +
scale_fill_brewer(palette = "Set3") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(dplyr)
library(ggplot2)
dif_data <- vio_apoyo21 %>%
mutate(
tipo_apoyo = case_when(
P14_9_9_1 == 1 ~ "Orientación e información",
P14_9_9_1 == 2 ~ "Apoyo legal",
P14_9_9_1 == 3 ~ "Apoyo psicológico",
P14_9_9_2 == 4 ~ "Atención médica",
P14_9_9_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_apoyo != "No especificado") %>%
count(tipo_apoyo) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(dif_data, aes(x = reorder(tipo_apoyo, n), y = n, fill = tipo_apoyo)) +
geom_bar(stat = "identity") +
geom_text(
aes(label = pct_label),
hjust = -0.2,
size = 3.5
) +
coord_flip() +
labs(
title = "Tipo de apoyo solicitado al DIF",
x = "Tipo de apoyo",
y = "Número de mujeres"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(legend.position = "none") +
expand_limits(y = max(dif_data$n) * 1.1) # Platz für Labels außerhalb der Balken
dif_data2 <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_9 %in% 1:8 ~ "Física",
P14_11_9 %in% 10:24 ~ "Psicológica",
P14_11_9 %in% 25:31 ~ "Sexual",
P14_11_9 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
P14_12_9 == 1 ~ "Sí recibió apoyo",
P14_12_9 == 2 ~ "No recibió apoyo",
P14_12_9 == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
P14_13_9 == 1 ~ "Bien y con respeto",
P14_13_9 == 2 ~ "Mal / humillada",
P14_13_9 == 3 ~ "No hicieron nada",
P14_13_9 == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", resultado != "No especificado", trato != "No especificado") %>%
count(tipo_violencia, resultado, trato) %>%
group_by(tipo_violencia, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(dif_data2, aes(x = tipo_violencia, y = pct, fill = trato)) +
geom_bar(stat = "identity", color = "white") +
facet_wrap(~resultado) +
coord_flip() +
labs(
title = "Trato recibido por DIF",
subtitle = "Distribución porcentual por tipo de violencia",
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
strip.text = element_text(face = "bold", size = 12),
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
dif_mosaic <- vio_apoyo21 %>%
mutate(
tipo_violencia = case_when(
P14_11_9 %in% 1:8 ~ "Física",
P14_11_9 %in% 10:24 ~ "Psicológica",
P14_11_9 %in% 25:31 ~ "Sexual",
P14_11_9 %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
tipo_apoyo = case_when(
P14_9_9_1 == 1 ~ "Orientación",
P14_9_9_1 == 2 ~ "Legal",
P14_9_9_1 == 3 ~ "Psicológico",
P14_9_9_2 == 4 ~ "Médico",
P14_9_9_2 == 5 ~ "Otro",
TRUE ~ "No especificado"
)
) %>%
filter(tipo_violencia != "No especificado", tipo_apoyo != "No especificado") %>%
count(tipo_violencia, tipo_apoyo) %>%
group_by(tipo_violencia) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1), "%")
)
ggplot(dif_mosaic, aes(x = tipo_violencia, y = pct, fill = tipo_apoyo)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(
aes(label = pct_label),
position = position_fill(vjust = 0.5),
size = 3.5,
color = "black"
) +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Tipo de apoyo solicitado según tipo de violencia (DIF)",
x = "Tipo de violencia",
y = "Proporción",
fill = "Tipo de apoyo"
) +
scale_fill_brewer(palette = "Set3") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(dplyr)
library(ggplot2)
# Liste der Institutionen
instituciones <- list(
"Consultorio privado" = c("P14_9_8_1","P14_9_8_2","P14_10_8","P14_11_8","P14_12_8","P14_13_8"),
"DIF" = c("P14_9_9_1","P14_9_9_2","P14_10_9","P14_11_9","P14_12_9","P14_13_9"),
"Clínica/Centro de salud/Hospital público" = c("P14_9_7_1","P14_9_7_2","P14_10_7","P14_11_7","P14_12_7","P14_13_7"),
"Defensoría Pública" = c("P14_9_5_1","P14_9_5_2","P14_10_5","P14_11_5","P14_12_5","P14_13_5"),
"Centro de Justicia para las Mujeres" = c("P14_9_6_1","P14_9_6_2","P14_10_6","P14_11_6","P14_12_6","P14_13_6"),
"CAVI / Asociación civil" = c("P14_9_4_1","P14_9_4_2","P14_10_4","P14_11_4","P14_12_4","P14_13_4"),
"Línea de atención telefónica" = c("P14_9_3_1","P14_9_3_2","P14_10_3","P14_11_3","P14_12_3","P14_13_3"),
"Instituto de las Mujeres" = c("P14_9_2_1","P14_9_2_2","P14_10_2","P14_11_2","P14_12_2","P14_13_2")
)
# Leere Liste, um Datenframes zu speichern
lista_instituciones <- list()
# Schleife über alle Institutionen
for (inst in names(instituciones)) {
cols <- instituciones[[inst]]
df_inst <- violec21 %>%
select(all_of(cols)) %>%
mutate(
institucion = inst,
tipo_apoyo = case_when(
!!sym(cols[1]) == 1 ~ "Orientación e información",
!!sym(cols[1]) == 2 ~ "Apoyo legal",
!!sym(cols[1]) == 3 ~ "Apoyo psicológico",
!!sym(cols[2]) == 4 ~ "Atención médica",
!!sym(cols[2]) == 5 ~ "Otro",
TRUE ~ "No especificado"
),
tipo_violencia = case_when(
!!sym(cols[4]) %in% 1:8 ~ "Física",
!!sym(cols[4]) %in% 10:24 ~ "Psicológica",
!!sym(cols[4]) %in% 25:31 ~ "Sexual",
!!sym(cols[4]) %in% 32:38 ~ "Económica",
TRUE ~ "No especificado"
),
resultado = case_when(
!!sym(cols[5]) == 1 ~ "Sí recibió apoyo",
!!sym(cols[5]) == 2 ~ "No recibió apoyo",
!!sym(cols[5]) == 3 ~ "Canalizada",
TRUE ~ "No especificado"
),
trato = case_when(
!!sym(cols[6]) == 1 ~ "Bien y con respeto",
!!sym(cols[6]) == 2 ~ "Mal / humillada",
!!sym(cols[6]) == 3 ~ "No hicieron nada",
!!sym(cols[6]) == 4 ~ "No había nadie",
TRUE ~ "No especificado"
)
)
lista_instituciones[[inst]] <- df_inst
}
# Alle Daten zusammenführen
comparacion_instituciones <- bind_rows(lista_instituciones)library(dplyr)
library(ggplot2)
violencia_plot <- comparacion_instituciones %>%
filter(tipo_violencia != "No especificado") %>%
count(institucion, tipo_violencia) %>%
group_by(institucion) %>%
mutate(
pct = n / sum(n) * 100,
pct_label = paste0(round(pct, 1))
)
ggplot(violencia_plot, aes(x = institucion, y = pct, fill = tipo_violencia)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(
aes(label = pct_label),
position = position_fill(vjust = 0.5),
size = 3.5,
color = "black"
) +
coord_flip() +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Comparación por institución",
x = "Institución",
y = "Proporción",
fill = "Tipo de violencia"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold")
)
library(ggplot2)
library(dplyr)
library(scales)
violencia_plot <- comparacion_instituciones %>%
filter(tipo_violencia != "No especificado") %>%
count(institucion, tipo_violencia) %>%
group_by(institucion) %>%
mutate(pct = n / sum(n) * 100)
ggplot(violencia_plot, aes(x = institucion, y = pct, fill = tipo_violencia)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(aes(label = paste0(round(pct, 1))),
position = position_fill(vjust = 0.5), size = 3) +
coord_flip() +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Comparación por institución",
x = "Institución",
y = "Proporción",
fill = "Tipo de violencia"
) +
scale_fill_brewer(palette = "Set2") +
theme_minimal(base_size = 13)
trato_plot <- comparacion_instituciones %>%
filter(trato != "No especificado", resultado != "No especificado") %>%
count(institucion, resultado, trato) %>%
group_by(institucion, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(trato_plot, aes(x = institucion, y = pct, fill = trato)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
coord_flip() +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Comparación de trato recibido por institución",
x = "Institución",
y = "Proporción",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13)
trato_plot <- comparacion_instituciones %>%
filter(trato != "No especificado", resultado != "No especificado") %>%
count(institucion, resultado, trato) %>%
group_by(institucion, resultado) %>%
mutate(pct = n / sum(n) * 100)
ggplot(trato_plot, aes(x = institucion, y = pct, fill = trato)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(aes(label = paste0(round(pct, 1), "%")),
position = position_fill(vjust = 0.5), size = 3) +
coord_flip() +
scale_y_continuous(labels = scales::percent) +
labs(
title = "Comparación de trato recibido por institución",
x = "Institución",
y = "Proporción",
fill = "Trato recibido"
) +
scale_fill_manual(values = c(
"Bien y con respeto" = "#4CAF50",
"Mal / humillada" = "#FF7043",
"No hicieron nada" = "#B0BEC5",
"No había nadie" = "#9E9E9E"
)) +
theme_minimal(base_size = 13)
apoyo_legal<-read.csv("C:/Master/3. Semester/R/Dataset/conjunto_de_datos_TB_SEC_XIV_2.csv", header = TRUE, sep = ",")library(dplyr)
library(tidyr)
library(ggplot2)
library(scales)
# Daten aufbereiten
notificacion_plot <- apoyo_legal %>%
select(P14_14_1, P14_14_2, P14_14_3, P14_14_4) %>%
pivot_longer(cols = everything(),
names_to = "institucion",
values_to = "respuesta") %>%
filter(respuesta %in% c(1, 2)) %>% # 1 = Sí, 2 = No
mutate(respuesta = ifelse(respuesta == 1, "Sí", "No")) %>%
group_by(institucion, respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(institucion) %>%
mutate(pct = n / sum(n) * 100)
# Labels für Achsen
institucion_labels <- c(
P14_14_1 = "Policía",
P14_14_2 = "Autoridades municipales",
P14_14_3 = "Juez de paz / Autoridades tradicionales",
P14_14_4 = "Fiscalía / Ministerio Público"
)
# Plot
ggplot(notificacion_plot, aes(x = institucion, y = pct, fill = respuesta)) +
geom_bar(stat = "identity", position = "fill", color = "white") +
geom_text(aes(label = paste0(round(pct, 1), "%")),
position = position_fill(vjust = 0.5), size = 3) +
coord_flip() +
scale_y_continuous(labels = percent_format(scale = 1)) +
scale_x_discrete(labels = institucion_labels) +
scale_fill_manual(values = c("Sí" = "#4CAF50", "No" = "#FF7043")) +
labs(
title = "Notificación o denuncia ante de instituciones",
x = "Institución",
y = "Proporción",
fill = "Notificó / presentó denuncia"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(scales)
# Daten aufbereiten
denuncia_plot <- apoyo_legal %>%
select(P14_15_1, P14_16_1) %>%
filter(P14_15_1 >= 1900 & P14_15_1 <= 2021, P14_16_1 != "b") %>% # gültige Jahre und nicht leer
mutate(agresion = as.factor(P14_16_1),
year = as.numeric(P14_15_1)) %>%
group_by(year, agresion) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(year) %>%
mutate(pct = n / sum(n) * 100)
# Plot
ggplot(denuncia_plot, aes(x = year, y = pct, fill = agresion)) +
geom_bar(stat = "identity", position = "stack", color = "white") +
scale_y_continuous(labels = percent_format(scale = 1)) +
scale_fill_brewer(palette = "Set3") +
labs(
title = "Agresiones denunciadas ante la policía por año",
x = "Año de la última denuncia",
y = "Proporción (%)",
fill = "Tipo de agresión"
) +
theme_minimal(base_size = 13) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))## Warning in RColorBrewer::brewer.pal(n, pal): n too large, allowed maximum for palette Set3 is 12
## Returning the palette you asked for with that many colors
library(dplyr)
library(ggplot2)
library(scales)
# Zusammenfassen der Aggressionen in Kategorien
denuncia_plot <- apoyo_legal %>%
select(P14_15_1, P14_16_1) %>%
filter(P14_15_1 >= 1900 & P14_15_1 <= 2021, P14_16_1 != "b") %>%
mutate(
year = as.numeric(P14_15_1),
categoria_violencia = case_when(
P14_16_1 %in% sprintf("%02d", 1:9) ~ "Violencia física",
P14_16_1 %in% sprintf("%02d", 10:14) ~ "Violencia psicológica",
P14_16_1 %in% sprintf("%02d", 20:24) ~ "Violencia psicológica",
P14_16_1 %in% sprintf("%02d", 25:29) ~ "Violencia sexual",
P14_16_1 %in% sprintf("%02d", 30:31) ~ "Violencia digital / ciberacoso",
P14_16_1 %in% sprintf("%02d", 32:38) ~ "Violencia económica",
TRUE ~ "Otro / No especificado"
)
) %>%
group_by(year, categoria_violencia) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(year) %>%
mutate(pct = n / sum(n) * 100)
# Plot
ggplot(denuncia_plot, aes(x = year, y = pct, fill = categoria_violencia)) +
geom_bar(stat = "identity", position = "stack", color = "white") +
scale_y_continuous(labels = percent_format(scale = 1)) +
scale_fill_brewer(palette = "Set2") +
labs(
title = "Categorías de violencia denunciadas ante la policía por año",
x = "Año de la última denuncia",
y = "Proporción (%)",
fill = "Categoría de violencia"
) +
theme_minimal(base_size = 13) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen der Polizei zusammenführen
vars_police <- c("P14_17_1_1", "P14_17_1_2", "P14_17_1_3")
datos_police <- apoyo_legal %>%
select(all_of(vars_police)) %>%
pivot_longer(
cols = everything(),
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>%
mutate(
Categoria = case_when(
respuesta == 1 ~ "Levantó la queja e iniciaron investigación",
respuesta == 2 ~ "Recibieron denuncia pero NO iniciaron investigación",
respuesta == 3 ~ "No procedía",
respuesta == 4 ~ "Propusieron conciliar",
respuesta == 5 ~ "No le creyeron / no hicieron caso",
respuesta == 6 ~ "Convencieron de no levantar denuncia",
respuesta == 7 ~ "No hicieron nada para ayudar",
respuesta == 8 ~ "Dijeron que era algo sin importancia",
respuesta == 9 ~ "Solo solicitó constancia de hechos",
respuesta == 10 ~ "Otro",
respuesta == "b" ~ "Blanco"
)
) %>%
group_by(Categoria) %>%
summarise(count = n(), .groups = "drop") %>%
mutate(pct = count / sum(count) * 100)
# Balkendiagramm erstellen
ggplot(datos_police, aes(x = reorder(Categoria, -pct), y = pct, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(pct, 1), "%")),
position = position_stack(vjust = 0.5), size = 3) +
coord_flip() +
labs(
title = "Resultado de denuncia ante la policía",
x = "Categoría de respuesta",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12) +
theme(axis.text.y = element_text(size = 10))
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen der Polizei zusammenführen
vars_police_result <- c("P14_18_1_1", "P14_18_1_2", "P14_18_1_3")
datos_police_result <- apoyo_legal %>%
select(all_of(vars_police_result)) %>%
pivot_longer(
cols = everything(),
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>%
mutate(
Categoria = case_when(
respuesta == 1 ~ "Retiró la denuncia / no siguió trámites",
respuesta == 2 ~ "Denuncia no procedió",
respuesta == 3 ~ "Firmaron acuerdo conciliatorio",
respuesta == 4 ~ "Emitieron orden de desalojo",
respuesta == 5 ~ "Detuvieron a la pareja",
respuesta == 6 ~ "Emitieron orden de protección",
respuesta == 7 ~ "Consignaron ante juez",
respuesta == 8 ~ "No sabe qué pasó",
respuesta == "b" ~ "Blanco"
)
) %>%
group_by(Categoria) %>%
summarise(count = n(), .groups = "drop") %>%
mutate(pct = count / sum(count) * 100)
# Balkendiagramm erstellen
ggplot(datos_police_result, aes(x = reorder(Categoria, -pct), y = pct, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(pct, 1), "%")),
position = position_stack(vjust = 0.5), size = 3) +
coord_flip() +
labs(
title = "Resultado de la última denuncia ante la policía",
x = "Categoría de respuesta",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12) +
theme(axis.text.y = element_text(size = 10))
library(dplyr)
library(ggplot2)
# Auswahl der Variablen
vars_police_attention <- c("P14_19_1")
datos_police_attention <- apoyo_legal %>%
select(all_of(vars_police_attention)) %>%
rename(respuesta = P14_19_1) %>%
filter(!is.na(respuesta)) %>%
mutate(
Categoria = case_when(
respuesta == 1 ~ "La atendieron bien",
respuesta == 2 ~ "La trataron mal, ofendieron o humillaron",
respuesta == 3 ~ "No hicieron nada para ayudarla",
respuesta == 4 ~ "Otra",
respuesta == "b" ~ "Blanco"
)
) %>%
group_by(Categoria) %>%
summarise(count = n(), .groups = "drop") %>%
mutate(pct = count / sum(count) * 100)
# Balkendiagramm erstellen
ggplot(datos_police_attention, aes(x = reorder(Categoria, -pct), y = pct, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(pct, 1), "%")),
position = position_stack(vjust = 0.5), size = 3) +
coord_flip() +
labs(
title = "¿Cómo la atendieron las autoridades (policía)?",
x = "Tipo de atención",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12) +
theme(axis.text.y = element_text(size = 10))
library(dplyr)
library(ggplot2)
# Daten vorbereiten
datos_ultima_denuncia <- apoyo_legal %>%
select(P14_15_2) %>%
rename(Anio = P14_15_2) %>%
mutate(
Anio = as.numeric(Anio),
Categoria = case_when(
Anio == 8888 ~ "No recuerda",
Anio == 9999 ~ "No especificado",
Anio == "b" ~ "Blanco",
TRUE ~ as.character(Anio)
)
) %>%
# NA-Werte löschen
filter(!is.na(Categoria)) %>%
# Jahre in 10-Jahres-Gruppen einteilen, Sonderkategorien behalten
mutate(
Grupo = case_when(
Categoria %in% c("No recuerda", "No especificado", "Blanco") ~ Categoria,
TRUE ~ paste0(floor(as.numeric(Categoria) / 10) * 10, "-", floor(as.numeric(Categoria) / 10) * 10 + 9)
)
) %>%
group_by(Grupo) %>%
summarise(count = n(), .groups = "drop") %>%
mutate(pct = count / sum(count) * 100) %>%
# Gruppen nach Jahr sortieren, Sonderkategorien ans Ende
mutate(
Grupo = factor(
Grupo,
levels = c(sort(as.character(unique(as.numeric(sub("-.*", "", Grupo[!Grupo %in% c("No recuerda", "No especificado", "Blanco")])) * 10))),
"No recuerda", "No especificado", "Blanco")
)
)## Warning: There were 2 warnings in `mutate()`.
## The first warning was:
## ℹ In argument: `Grupo = case_when(...)`.
## Caused by warning in `paste0()`:
## ! NAs durch Umwandlung erzeugt
## ℹ Run `dplyr::last_dplyr_warnings()` to see the 1 remaining warning.# Balkendiagramm erstellen
ggplot(datos_ultima_denuncia, aes(x = Grupo, y = pct, fill = Grupo)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(pct, 1), "%")),
position = position_stack(vjust = 0.5), size = 3) +
coord_flip() +
labs(
title = "Última vez que presentó una queja o denuncia",
x = "Año (agrupado)",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(tidyr)
library(ggplot2)
# Die Variable P14_16_2 enthält die Formen der Gewalt (kann mehrere Codes pro Frau haben)
# Beispiel: Unterstützung für multiple Antworten als Komma getrennte Strings
# Daten vorbereiten
datos_violencia <- apoyo_legal %>%
select(P14_16_2) %>%
rename(Codigo = P14_16_2) %>%
# NA oder blanco entfernen
filter(!is.na(Codigo), Codigo != "b") %>%
# Falls Codes als Strings mit Komma gespeichert sind, trennen
separate_rows(Codigo, sep = ",") %>%
mutate(Codigo = as.numeric(Codigo)) %>%
# Gewaltkategorien zuordnen
mutate(
Tipo = case_when(
Codigo >= 1 & Codigo <= 9 ~ "Física",
Codigo >= 10 & Codigo <= 24 ~ "Psicológica",
Codigo >= 25 & Codigo <= 31 ~ "Sexual",
Codigo >= 32 & Codigo <= 38 ~ "Económica",
TRUE ~ NA_character_
)
) %>%
filter(!is.na(Tipo)) %>%
group_by(Tipo) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_violencia, aes(x = Tipo, y = Porcentaje, fill = Tipo)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")), vjust = -0.5) +
labs(
title = "Tipos de violencia reportados en la denuncia (autoridades)",
x = "Tipo de violencia",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen zusammenführen
datos_queja <- apoyo_legal %>%
select(P14_17_2_1, P14_17_2_2, P14_17_2_3) %>%
rename(Queja1 = P14_17_2_1,
Queja2 = P14_17_2_2,
Queja3 = P14_17_2_3) %>%
# NA oder blanco entfernen
pivot_longer(cols = everything(), names_to = "Variable", values_to = "Codigo") %>%
filter(!is.na(Codigo), Codigo != "b") %>%
# Mehrfachantworten trennen, falls vorhanden
separate_rows(Codigo, sep = ",") %>%
mutate(Codigo = as.numeric(Codigo)) %>%
# Codes in verständliche Kategorien übersetzen
mutate(Respuesta = case_when(
Codigo == 1 ~ "Levantó la queja / iniciaron investigación",
Codigo == 2 ~ "Recibieron pero NO iniciaron investigación",
Codigo == 3 ~ "No recibieron: le dijeron que no procedía",
Codigo == 4 ~ "No recibieron: propusieron conciliar",
Codigo == 5 ~ "No recibieron: no le creyeron",
Codigo == 6 ~ "No recibieron: la convencieron de no levantar la queja",
Codigo == 7 ~ "No recibieron: no hicieron nada para ayudar",
Codigo == 8 ~ "No recibieron: dijeron que era sin importancia",
Codigo == 9 ~ "No recibieron: solo solicitó constancia de hechos",
Codigo == 10 ~ "Otro"
)) %>%
group_by(Respuesta) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen (verbessert)
ggplot(datos_queja, aes(x = reorder(Respuesta, -Porcentaje), y = Porcentaje, fill = Respuesta)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")),
vjust = -0.3, size = 4) +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) + # Platz oben schaffen
coord_cartesian(clip = "off") + # verhindert, dass Labels abgeschnitten werden
labs(
title = "Resultado de la denuncia ante la autoridades",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 13) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(face = "bold", size = 14)
)
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen zusammenführen
datos_resultado <- apoyo_legal %>%
select(P14_18_2_1, P14_18_2_2, P14_18_2_3) %>%
rename(Resultado1 = P14_18_2_1,
Resultado2 = P14_18_2_2,
Resultado3 = P14_18_2_3) %>%
# NA oder blanco entfernen
pivot_longer(cols = everything(), names_to = "Variable", values_to = "Codigo") %>%
filter(!is.na(Codigo), Codigo != "b") %>%
# Mehrfachantworten trennen, falls vorhanden
separate_rows(Codigo, sep = ",") %>%
mutate(Codigo = as.numeric(Codigo)) %>%
# Codes in verständliche Kategorien übersetzen
mutate(Respuesta = case_when(
Codigo == 1 ~ "Retiró la denuncia / no siguió trámites",
Codigo == 2 ~ "No procedió la denuncia",
Codigo == 3 ~ "Firmaron un acuerdo conciliatorio",
Codigo == 4 ~ "Emitieron orden para desalojarlo de la casa",
Codigo == 5 ~ "Detuvieron a su pareja / esposo",
Codigo == 6 ~ "Emitieron orden de protección",
Codigo == 7 ~ "Consignado ante un juez",
Codigo == 8 ~ "No sabe qué pasó"
)) %>%
group_by(Respuesta) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen (optimierte Version)
ggplot(datos_resultado, aes(x = reorder(Respuesta, -Porcentaje), y = Porcentaje, fill = Respuesta)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")),
vjust = -0.3, size = 4) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) + # Mehr Platz oben
coord_cartesian(clip = "off") + # Labels werden nicht abgeschnitten
labs(
title = "Resultado de la denuncia ante las autoridades",
x = "",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 13) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(face = "bold", size = 14)
)
library(dplyr)
library(ggplot2)
# Variable auswählen und NA/blanco entfernen
datos_atencion <- apoyo_legal %>%
select(P14_19_2) %>%
filter(!is.na(P14_19_2), P14_19_2 != "b") %>%
mutate(P14_19_2 = as.numeric(P14_19_2)) %>%
# Codes in verständliche Labels umwandeln
mutate(Atencion = case_when(
P14_19_2 == 1 ~ "La atendieron bien",
P14_19_2 == 2 ~ "La trataron mal",
P14_19_2 == 3 ~ "No hicieron nada",
P14_19_2 == 4 ~ "Otra"
)) %>%
group_by(Atencion) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm mit horizontalen Balken erstellen
ggplot(datos_atencion, aes(x = reorder(Atencion, Porcentaje), y = Porcentaje, fill = Atencion)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(
aes(label = paste0(round(Porcentaje, 1), "%")),
hjust = -0.1,
size = 4
) +
coord_flip() + # horizontale Balken
labs(
title = "Atención recibida al presentar denuncia (autoridades)",
x = "",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 13) +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) + # Platz für Text
theme(
axis.text.y = element_text(size = 11)
)
library(dplyr)
library(ggplot2)
# Variable auswählen und NA/blanco entfernen
datos_violencia <- apoyo_legal %>%
select(P14_16_3) %>%
filter(!is.na(P14_16_3), P14_16_3 != "b") %>%
mutate(P14_16_3 = as.numeric(P14_16_3)) %>%
mutate(Violencia = case_when(
P14_16_3 == 1 ~ "Empujó o jaló el cabello",
P14_16_3 == 2 ~ "Abofeteó o cacheteó",
P14_16_3 == 3 ~ "Amarró",
P14_16_3 == 4 ~ "Pateó",
P14_16_3 == 5 ~ "Aventó algún objeto",
P14_16_3 == 6 ~ "Golpeó con puño u objeto",
P14_16_3 == 7 ~ "Intentó ahorcar o asfixiar",
P14_16_3 == 8 ~ "Agresión con cuchillo o navaja",
P14_16_3 == 9 ~ "Disparó con arma de fuego",
P14_16_3 == 10 ~ "Avergonzó, ofendió o humilló",
P14_16_3 == 11 ~ "Ignoró, no brindó cariño",
P14_16_3 == 12 ~ "Dijo que usted lo engaña",
P14_16_3 == 13 ~ "Hizo sentir miedo",
P14_16_3 == 14 ~ "Amenazó con dejarla/dañarla/quitar hijos",
P14_16_3 == 15 ~ "Encerró o prohibió salir",
P14_16_3 == 16 ~ "Vigiló, espiado o siguió",
P14_16_3 == 17 ~ "Llamadas/mensajes constantes",
P14_16_3 == 18 ~ "Amenazó con arma o quemarla",
P14_16_3 == 19 ~ "Amenazó con matar",
P14_16_3 == 20 ~ "Destruyó, tiró o escondió cosas",
P14_16_3 == 21 ~ "Dejó de hablar",
P14_16_3 == 22 ~ "Revisó correo/celular",
P14_16_3 == 23 ~ "Hizo que hijos/parientes se pongan en su contra",
P14_16_3 == 24 ~ "Se enojó por quehacer/comida",
P14_16_3 == 25 ~ "Exigió relaciones sexuales con amenazas",
P14_16_3 == 26 ~ "Obligó a actos sexuales no deseados",
P14_16_3 == 27 ~ "Usó fuerza física para obligar sexo",
P14_16_3 == 28 ~ "Obligó a ver pornografía",
P14_16_3 == 29 ~ "Obligó a sexo sin protección",
P14_16_3 == 30 ~ "Mensajes/insultos sexuales por redes",
P14_16_3 == 31 ~ "Publicó información/fotos/videos dañinos",
P14_16_3 == 32 ~ "Prohibió trabajar o estudiar",
P14_16_3 == 33 ~ "Quitó dinero o usó sin consentimiento",
P14_16_3 == 34 ~ "Adueñó o quitó bienes",
P14_16_3 == 35 ~ "Gastó dinero necesario para la casa",
P14_16_3 == 36 ~ "No cumplió con dar gasto o amenazó",
P14_16_3 == 37 ~ "Fue tacaño con gastos de la casa",
P14_16_3 == 38 ~ "Reclamó por cómo gasta dinero"
)) %>%
group_by(Violencia) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen (ohne %-Zeichen)
ggplot(datos_violencia, aes(x = reorder(Violencia, -Porcentaje), y = Porcentaje, fill = Violencia)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = round(Porcentaje, 1)), vjust = -0.4, size = 3.2) +
labs(
title = "Tipos de violencia reportados ante el Juez/autoridades tradicionales/comunitarias",
x = "",
y = "Porcentaje"
) +
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_y_continuous(expand = expansion(mult = c(0, 0.12))) # mehr Platz oben für Label
library(dplyr)
library(ggplot2)
# Daten vorbereiten
datos_violencia <- apoyo_legal %>%
select(P14_16_3) %>%
filter(!is.na(P14_16_3), P14_16_3 != "b") %>%
mutate(P14_16_3 = as.numeric(P14_16_3)) %>%
mutate(Categoria = case_when(
P14_16_3 %in% 1:9 ~ "Física",
P14_16_3 %in% 10:24 ~ "Psicológica",
P14_16_3 %in% 25:29 ~ "Sexual",
P14_16_3 %in% 32:38 ~ "Económica",
TRUE ~ "Otra"
)) %>%
group_by(Categoria) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_violencia, aes(x = reorder(Categoria, -Porcentaje), y = Porcentaje, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), vjust = -0.5, size = 4) +
labs(
title = "Violencia reportada ante autoridades",
x = "",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(ggplot2)
# Daten vorbereiten
datos_atencion <- apoyo_legal %>%
select(P14_17_3_1) %>%
filter(!is.na(P14_17_3_1), P14_17_3_1 != "b") %>%
mutate(P14_17_3_1 = as.numeric(P14_17_3_1)) %>%
mutate(Categoria = case_when(
P14_17_3_1 == 1 ~ "Procedió la denuncia",
P14_17_3_1 == 2 ~ "Recibida pero no investigada",
P14_17_3_1 %in% 3:9 ~ "No procedió / Rechazada",
P14_17_3_1 == 10 ~ "Otro",
TRUE ~ NA_character_
)) %>%
group_by(Categoria) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_atencion, aes(x = reorder(Categoria, -Porcentaje), y = Porcentaje, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), vjust = -0.5, size = 4) +
labs(
title = "Resultado de la última vez que acudió a la autoridad",
x = "",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(ggplot2)
# Daten vorbereiten (Beispiel: P14_18_3_1)
datos_resultado <- apoyo_legal %>%
select(P14_18_3_1) %>%
filter(!is.na(P14_18_3_1), P14_18_3_1 != "b") %>%
mutate(P14_18_3_1 = as.numeric(P14_18_3_1)) %>%
mutate(Categoria = case_when(
P14_18_3_1 == 1 ~ "Denuncia retirada",
P14_18_3_1 == 2 ~ "Denuncia no procedió",
P14_18_3_1 == 3 ~ "Acuerdo conciliatorio",
P14_18_3_1 %in% 4:7 ~ "Acción legal tomada",
P14_18_3_1 == 8 ~ "Desconoce",
TRUE ~ NA_character_
)) %>%
group_by(Categoria) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_resultado, aes(x = reorder(Categoria, -Porcentaje), y = Porcentaje, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), vjust = -0.5, size = 4) +
labs(
title = "Resultado de la queja o denuncia ante la autoridad",
x = "",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(ggplot2)
# Daten vorbereiten
datos_atencion <- apoyo_legal %>%
select(P14_19_3) %>%
filter(!is.na(P14_19_3), P14_19_3 != "b") %>%
mutate(P14_19_3 = as.numeric(P14_19_3)) %>%
mutate(Categoria = case_when(
P14_19_3 == 1 ~ "Atendida bien",
P14_19_3 == 2 ~ "Atendida mal / humillada",
P14_19_3 == 3 ~ "No hicieron nada",
P14_19_3 == 4 ~ "Otra",
TRUE ~ NA_character_
)) %>%
group_by(Categoria) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_atencion, aes(x = reorder(Categoria, -Porcentaje), y = Porcentaje, fill = Categoria)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), vjust = -0.5, size = 4) +
labs(
title = "Atención recibida por la autoridad",
x = "",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(ggplot2)
# Daten vorbereiten
datos_violencia <- apoyo_legal %>%
select(P14_16_4) %>%
filter(!is.na(P14_16_4), P14_16_4 != "b") %>%
mutate(P14_16_4 = as.numeric(P14_16_4)) %>%
mutate(Forma = case_when(
P14_16_4 >= 1 & P14_16_4 <= 9 ~ "Física",
P14_16_4 >= 10 & P14_16_4 <= 24 ~ "Psicológica",
P14_16_4 >= 25 & P14_16_4 <= 31 ~ "Sexual",
P14_16_4 >= 32 & P14_16_4 <= 34 ~ "Económica",
TRUE ~ NA_character_
)) %>%
filter(!is.na(Forma)) %>%
group_by(Forma) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_violencia, aes(x = reorder(Forma, -Porcentaje), y = Porcentaje, fill = Forma)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), vjust = -0.5, size = 4) +
labs(
title = "Formas de violencia reportadas ante la autoridad",
x = "",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(ggplot2)
# Daten vorbereiten
# Angenommen, die Daten heißen 'apoyo_legal' und enthalten die Variablen P14_17_4_1, P14_17_4_2, P14_17_4_3
datos_reaccion <- apoyo_legal %>%
select(P14_17_4_1, P14_17_4_2, P14_17_4_3) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor), valor != "b") %>%
mutate(valor = as.numeric(valor)) %>%
group_by(valor) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100,
Reacción = case_when(
valor == 1 ~ "Levantó denuncia e iniciaron investigación",
valor == 2 ~ "Recibieron denuncia pero NO iniciaron investigación",
valor == 3 ~ "No procedió",
valor == 4 ~ "Propusieron conciliar",
valor == 5 ~ "No le creyeron",
valor == 6 ~ "Convencida de no levantar denuncia",
valor == 7 ~ "No hicieron nada para ayudarle",
valor == 8 ~ "Dijeron que era sin importancia",
valor == 9 ~ "Solo solicitó constancia de hechos",
valor == 10 ~ "Otro",
TRUE ~ NA_character_
))
# Balkendiagramm erstellen
ggplot(datos_reaccion, aes(x = reorder(Reacción, -Porcentaje), y = Porcentaje, fill = Reacción)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")), vjust = -0.3, size = 4) +
labs(
title = "Reacción de la autoridad ante la última denuncia",
x = "",
y = "Porcentaje"
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) + # 15% Platz oberhalb
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 30, hjust = 1))
library(dplyr)
library(ggplot2)
library(tidyr)
# Datenquelle ist apoyo_legal
datos_resultado <- apoyo_legal %>%
select(P14_18_4_1, P14_18_4_2, P14_18_4_3) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor), valor != "b") %>%
mutate(valor = as.numeric(valor)) %>%
group_by(valor) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100,
Resultado = case_when(
valor == 1 ~ "Retiró la denuncia / no siguió trámites",
valor == 2 ~ "No procedió la denuncia",
valor == 3 ~ "Firmaron acuerdo conciliatorio",
valor == 4 ~ "Emitieron orden de desalojo",
valor == 5 ~ "Detuvieron a la pareja/esposo",
valor == 6 ~ "Emitieron orden de protección",
valor == 7 ~ "Consignaron ante un juez",
valor == 8 ~ "No sabe qué pasó",
TRUE ~ NA_character_
))
# Balkendiagramm erstellen
ggplot(datos_resultado, aes(x = reorder(Resultado, -Porcentaje), y = Porcentaje, fill = Resultado)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")), vjust = -0.5, size = 4) +
labs(
title = "Resultado de la denuncia ante la Fiscalía / Ministerio Público",
x = "",
y = "Porcentaje (%)"
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) + # 15% Platz oberhalb
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 30, hjust = 1))
library(dplyr)
library(ggplot2)
library(tidyr)
# Datenquelle: apoyo_legal
datos_atencion <- apoyo_legal %>%
select(P14_19_4) %>%
filter(!is.na(P14_19_4), P14_19_4 != "b") %>% # leere Werte "b" ausschließen
mutate(P14_19_4 = as.numeric(P14_19_4)) %>%
group_by(P14_19_4) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100,
Atencion = case_when(
P14_19_4 == 1 ~ "La atendieron bien",
P14_19_4 == 2 ~ "La trataron mal / humillaron",
P14_19_4 == 3 ~ "No hicieron nada",
P14_19_4 == 4 ~ "Otra",
TRUE ~ NA_character_
))
# Balkendiagramm erstellen
ggplot(datos_atencion, aes(x = reorder(Atencion, -Porcentaje), y = Porcentaje, fill = Atencion)) +
geom_bar(stat = "identity", show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")), vjust = -0.5, size = 4) +
labs(
title = "¿Cómo la atendieron en la Fiscalía / Ministerio Público?",
x = "",
y = "Porcentaje (%)"
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) + # 15% Platz oberhalb
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 30, hjust = 1))
library(dplyr)
library(tidyr)
library(ggplot2)
# Wähle die Variablen der verschiedenen Institutionen
datos_satisfaccion <- apoyo_legal %>%
select(
Policia = P14_19_1,
Autoridades_municipales = P14_19_2,
Juez_de_paz = P14_19_3,
Fiscalia = P14_19_4
) %>%
pivot_longer(cols = everything(), names_to = "Institucion", values_to = "valor") %>%
filter(!is.na(valor), valor != "b") %>% # NA und leere Werte ausschließen
mutate(valor = as.numeric(valor),
Satisfaccion = case_when(
valor == 1 ~ "Atendieron bien",
valor == 2 ~ "Mal / humillaron",
valor == 3 ~ "No hicieron nada",
valor == 4 ~ "Otra",
TRUE ~ NA_character_
)) %>%
group_by(Institucion, Satisfaccion) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_satisfaccion, aes(x = Institucion, y = Porcentaje, fill = Satisfaccion)) +
geom_bar(stat = "identity", position = "dodge") +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")),
position = position_dodge(width = 0.9), vjust = -0.5, size = 3) +
labs(
title = "Satisfacción de las usuarias con diferentes instituciones",
x = "Institución",
y = "Porcentaje (%)",
fill = "Tipo de atención"
) +
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 25, hjust = 1))
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen auswählen und umformen
datos_agresiones <- apoyo_legal %>%
select(
Policia = P14_16_1,
Autoridades_municipales = P14_16_2,
Juez_de_paz = P14_16_3,
Fiscalia = P14_16_4
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(valor = as.numeric(valor),
Agresion = case_when(
valor == 1 ~ "Empujó / jaló el cabello",
valor == 2 ~ "Abofeteó / cacheteó",
valor == 3 ~ "Amarró",
valor == 4 ~ "Pateó",
valor == 5 ~ "Aventó objeto",
valor == 6 ~ "Golpe con puño/objeto",
valor == 7 ~ "Intento de ahorcamiento/asfixia",
valor == 8 ~ "Agresión con cuchillo/navaja",
valor == 9 ~ "Disparo con arma de fuego",
valor == 10 ~ "Ofensas / humillación",
valor == 11 ~ "Ignorar / no brinda cariño",
valor == 12 ~ "Acusaciones de engaño",
valor == 13 ~ "Le hizo sentir miedo",
valor == 14 ~ "Amenazas (abandono / dañar / hijos)",
valor == 15 ~ "Encerrada / prohibido salir",
valor == 16 ~ "Vigilancia / seguimiento",
valor == 17 ~ "Llamadas/mensajes constantes",
valor == 18 ~ "Amenaza con arma / quemarla",
valor == 19 ~ "Amenaza de muerte",
valor == 20 ~ "Destruyó / escondió bienes",
valor == 21 ~ "Dejó de hablar",
valor == 22 ~ "Revisión de correo / celular",
valor == 25 ~ "Exigencias sexuales / chantaje",
valor == 26 ~ "Obligación sexual no deseada",
valor == 27 ~ "Fuerza física para sexo",
valor == 28 ~ "Obligada a ver pornografía",
valor == 29 ~ "Relaciones sexuales sin protección",
valor == 30 ~ "Mensajes ofensivos / insinuaciones",
valor == 31 ~ "Publicación de información dañina",
valor == 32 ~ "Prohibición de trabajar o estudiar",
valor == 33 ~ "Quitar dinero / usar sin consentimiento",
valor == 34 ~ "Adueñarse de bienes",
TRUE ~ "Otra / desconocida"
)) %>%
group_by(Institucion, Agresion) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_agresiones, aes(x = reorder(Agresion, -Porcentaje), y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = "dodge") +
coord_flip() + # horizontale Balken für bessere Lesbarkeit
labs(
title = "Tipos de agresiones por institución donde se presentó la queja",
x = "Agresión",
y = "Porcentaje (%)",
fill = "Institución"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen auswählen und umformen
datos_agresiones <- apoyo_legal %>%
select(
Policia = P14_16_1,
Autoridades_municipales = P14_16_2,
Juez_de_paz = P14_16_3,
Fiscalia = P14_16_4
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(
valor = as.numeric(valor),
Agresion = case_when(
valor == 1 ~ "Empujó / jaló el cabello",
valor == 2 ~ "Abofeteó / cacheteó",
valor == 3 ~ "Amarró",
valor == 4 ~ "Pateó",
valor == 5 ~ "Aventó objeto",
valor == 6 ~ "Golpe con puño/objeto",
valor == 7 ~ "Intento de ahorcamiento/asfixia",
valor == 8 ~ "Agresión con cuchillo/navaja",
valor == 9 ~ "Disparo con arma de fuego",
valor == 10 ~ "Ofensas / humillación",
valor == 11 ~ "Ignorar / no brinda cariño",
valor == 12 ~ "Acusaciones de engaño",
valor == 13 ~ "Le hizo sentir miedo",
valor == 14 ~ "Amenazas (abandono / dañar / hijos)",
valor == 15 ~ "Encerrada / prohibido salir",
valor == 16 ~ "Vigilancia / seguimiento",
valor == 17 ~ "Llamadas/mensajes constantes",
valor == 18 ~ "Amenaza con arma / quemarla",
valor == 19 ~ "Amenaza de muerte",
valor == 20 ~ "Destruyó / escondió bienes",
valor == 21 ~ "Dejó de hablar",
valor == 22 ~ "Revisión de correo / celular",
valor == 25 ~ "Exigencias sexuales / chantaje",
valor == 26 ~ "Obligación sexual no deseada",
valor == 27 ~ "Fuerza física para sexo",
valor == 28 ~ "Obligada a ver pornografía",
valor == 29 ~ "Relaciones sexuales sin protección",
valor == 30 ~ "Mensajes ofensivos / insinuaciones",
valor == 31 ~ "Publicación de información dañina",
valor == 32 ~ "Prohibición de trabajar o estudiar",
valor == 33 ~ "Quitar dinero / usar sin consentimiento",
valor == 34 ~ "Adueñarse de bienes",
TRUE ~ "Otra / desconocida"
),
Tipo_violencia = case_when(
valor %in% c(1:9) ~ "Física",
valor %in% c(10:17, 30, 31) ~ "Psicológica",
valor %in% c(25:29) ~ "Sexual",
valor %in% c(20, 32:34) ~ "Económica",
TRUE ~ "Otra"
)
) %>%
group_by(Institucion, Tipo_violencia) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen
ggplot(datos_agresiones, aes(x = Tipo_violencia, y = Porcentaje, fill = Tipo_violencia)) +
geom_bar(stat = "identity", position = "dodge") +
facet_wrap(~Institucion) +
labs(
title = "Distribución de las formas de violencia según institución",
x = "Tipo de violencia",
y = "Porcentaje (%)",
fill = "Tipo de violencia"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen auswählen und umformen
datos_agresiones <- apoyo_legal %>%
select(
Policia = P14_16_1,
Autoridades_municipales = P14_16_2,
Juez_de_paz = P14_16_3,
Fiscalia = P14_16_4
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(
valor = as.numeric(valor),
Tipo_violencia = case_when(
valor %in% c(1:9) ~ "Física",
valor %in% c(10:17, 30, 31) ~ "Psicológica",
valor %in% c(25:29) ~ "Sexual",
valor %in% c(20, 32:34) ~ "Económica",
TRUE ~ "Otra"
)
) %>%
group_by(Institucion, Tipo_violencia) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Gruppiertes Balkendiagramm erstellen
ggplot(datos_agresiones, aes(x = Tipo_violencia, y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(aes(label = round(Porcentaje, 1)),
position = position_dodge(width = 0.8),
vjust = -0.5, size = 3) +
labs(
title = "Distribución de formas de violencia según institución",
x = "Tipo de violencia",
y = "Porcentaje (%)",
fill = "Institución"
) +
theme_minimal(base_size = 12)
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen auswählen und umformen
datos_ultimo_acudio <- apoyo_legal %>%
select(
Policia = P14_17_1_1,
Autoridades_municipales = P14_17_2_1,
Juez_de_paz = P14_17_3_1,
Fiscalia = P14_17_4_1
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(
valor = as.numeric(valor),
Respuesta = case_when(
valor == 1 ~ "Levantó queja e iniciaron investigación",
valor == 2 ~ "Recibieron queja pero NO iniciaron investigación",
valor == 3 ~ "No recibieron la queja: no procedía",
valor == 4 ~ "No recibieron la queja: propusieron conciliar",
valor == 5 ~ "No recibieron la queja: no le creyeron / ignoraron",
valor == 6 ~ "No recibieron la queja: la convencieron de no denunciar",
valor == 7 ~ "No recibieron la queja: no hicieron nada para ayudar",
valor == 8 ~ "No recibieron la queja: dijeron que era sin importancia",
valor == 9 ~ "No recibieron la queja: solo pidió constancia de hechos",
valor == 10 ~ "Otro",
TRUE ~ "Desconocido"
)
) %>%
group_by(Institucion, Respuesta) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Gruppiertes Balkendiagramm erstellen
ggplot(datos_ultimo_acudio, aes(x = Respuesta, y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(aes(label = round(Porcentaje, 1)),
position = position_dodge(width = 0.8),
vjust = -0.5, size = 3) +
labs(
title = "Respuesta de la última vez que acudió a la autoridad",
x = "Respuesta",
y = "Porcentaje (%)",
fill = "Institución"
) +
coord_flip() + # horizontale Balken für bessere Lesbarkeit
theme_minimal(base_size = 12)
library(dplyr)
library(tidyr)
library(ggplot2)
# Daten vorbereiten
datos_ultimo_acudio <- apoyo_legal %>%
select(
Policia = P14_17_1_1,
Autoridades_municipales = P14_17_2_1,
Juez_de_paz = P14_17_3_1,
Fiscalia = P14_17_4_1
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(
valor = as.numeric(valor),
Categoria = case_when(
valor == 1 ~ "Queja recibida e investigación",
valor == 2 ~ "Queja recibida sin investigación",
valor %in% c(3,4,5,6,7,8,9) ~ "Queja no recibida / ignorada",
valor == 10 ~ "Otro",
TRUE ~ "Desconocido"
)
) %>%
group_by(Institucion, Categoria) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Grafik erstellen: gruppierte Balken ohne Prozentzeichen
ggplot(datos_ultimo_acudio, aes(x = Categoria, y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.7)) +
geom_text(aes(label = round(Porcentaje,1)), # <- hier Prozentzeichen entfernt
position = position_dodge(width = 0.7),
vjust = -0.5, size = 3) +
labs(
title = "Resultado de la última vez que acudió a la autoridad",
x = "Categoría de respuesta",
y = "Porcentaje",
fill = "Institución"
) +
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 30, hjust = 1))
library(dplyr)
library(tidyr)
library(ggplot2)
# Variablen auswählen und umformen
datos_resultado <- apoyo_legal %>%
select(
Policia = P14_18_1_1,
Autoridades_municipales = P14_18_2_1,
Juez_de_paz = P14_18_3_1,
Fiscalia = P14_18_4_1
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(valor = as.numeric(valor),
Resultado = case_when(
valor == 1 ~ "Retiró denuncia / no siguió trámites",
valor == 2 ~ "No procedió la denuncia",
valor == 3 ~ "Acuerdo conciliatorio",
valor == 4 ~ "Orden de desalojo",
valor == 5 ~ "Detuvieron a la pareja/esposo",
valor == 6 ~ "Orden de protección",
valor == 7 ~ "Consignación ante juez",
valor == 8 ~ "No sabe qué pasó",
TRUE ~ "Otra / desconocida"
)) %>%
group_by(Institucion, Resultado) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm erstellen (horizontal und gut lesbar)
ggplot(datos_resultado, aes(x = reorder(Resultado, -Porcentaje), y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.7)) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")),
position = position_dodge(width = 0.7),
hjust = -0.1, size = 3) +
coord_flip() +
labs(
title = "Resultado de la última vez que acudió a la autoridad",
x = "Resultado",
y = "Porcentaje (%)",
fill = "Institución"
) +
theme_minimal(base_size = 12) +
theme(axis.text.x = element_text(angle = 0, hjust = 0.5),
plot.margin = margin(1, 2, 1, 1, "cm")) +
scale_y_continuous(expand = expansion(mult = c(0, 0.1)))
library(dplyr)
library(tidyr)
library(ggplot2)
# Daten vorbereiten
datos_resultado <- apoyo_legal %>%
select(
Policia = P14_18_1_1,
Autoridades_municipales = P14_18_2_1,
Juez_de_paz = P14_18_3_1,
Fiscalia = P14_18_4_1
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(valor = as.numeric(valor),
Resultado = case_when(
valor == 1 ~ "Retiró denuncia / no siguió trámites",
valor == 2 ~ "No procedió la denuncia",
valor == 3 ~ "Acuerdo conciliatorio",
valor == 4 ~ "Orden de desalojo",
valor == 5 ~ "Detuvieron a la pareja/esposo",
valor == 6 ~ "Orden de protección",
valor == 7 ~ "Consignación ante juez",
valor == 8 ~ "No sabe qué pasó",
TRUE ~ "Otra / desconocida"
)) %>%
group_by(Institucion, Resultado) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Lesbare Balkengrafik mit Facetten für Institutionen
ggplot(datos_resultado, aes(x = reorder(Resultado, Porcentaje), y = Porcentaje, fill = Resultado)) +
geom_bar(stat = "identity", width = 0.7, show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")),
hjust = -0.1, size = 3) +
facet_wrap(~Institucion, ncol = 1, scales = "free_y") +
coord_flip() +
labs(
title = "Resultado de la última vez que acudió a la autoridad",
x = "Resultado",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 12) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15)))
library(dplyr)
library(tidyr)
library(ggplot2)
# Daten vorbereiten
datos_resultado <- apoyo_legal %>%
select(
Policia = P14_18_1_1,
Autoridades_municipales = P14_18_2_1,
Juez_de_paz = P14_18_3_1,
Fiscalia = P14_18_4_1
) %>%
pivot_longer(
cols = everything(),
names_to = "Institucion",
values_to = "valor"
) %>%
filter(!is.na(valor), valor != "b") %>%
mutate(valor = as.numeric(valor),
Resultado = case_when(
valor == 1 ~ "Retiró denuncia / no siguió trámites",
valor == 2 ~ "No procedió la denuncia",
valor == 3 ~ "Acuerdo conciliatorio",
valor == 4 ~ "Orden de desalojo",
valor == 5 ~ "Detuvieron a la pareja/esposo",
valor == 6 ~ "Orden de protección",
valor == 7 ~ "Consignación ante juez",
valor == 8 ~ "No sabe qué pasó",
TRUE ~ "Otra / desconocida"
)) %>%
group_by(Institucion, Resultado) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Lesbare Balkengrafik mit größerem Zeilenabstand
ggplot(datos_resultado, aes(x = reorder(Resultado, Porcentaje), y = Porcentaje, fill = Resultado)) +
geom_bar(stat = "identity", width = 0.6, show.legend = FALSE) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")),
hjust = -0.1, size = 4) +
facet_wrap(~Institucion, ncol = 1, scales = "free_y") +
coord_flip() +
labs(
title = "Resultado de la última vez que acudió a la autoridad",
x = "Resultado",
y = "Porcentaje (%)"
) +
theme_minimal(base_size = 14) +
theme(
axis.text.y = element_text(lineheight = 1.2), # Zeilenabstand vergrößern
strip.text = element_text(size = 14), # Facettenüberschrift größer
plot.title = element_text(size = 16, face = "bold")
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.2))) # mehr Platz für Prozentzahlen
ggplot(datos_resultado, aes(x = Institucion, y = Porcentaje, fill = Resultado)) +
geom_bar(stat = "identity", position = "fill") + # 100%-gestapelt
geom_text(aes(label = paste0(round(Porcentaje,1), "%")),
position = position_fill(vjust = 0.5), size = 3.5) +
scale_y_continuous(labels = scales::percent_format()) +
labs(
title = "Distribución de resultados de la última vez que acudió a la autoridad",
x = "Institución",
y = "Porcentaje",
fill = "Resultado"
) +
theme_minimal(base_size = 12) +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
legend.position = "bottom"
)
library(ggplot2)
ggplot(datos_resultado, aes(x = Resultado, y = Porcentaje, fill = Resultado)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Porcentaje, 1)), # Prozentzeichen optional entfernen
position = position_stack(vjust = 1.05), # oberhalb der Balken
size = 3) +
facet_wrap(~ Institucion, ncol = 4) +
coord_flip() +
labs(
title = "Resultado de la última vez que acudió a la autoridad",
x = "Resultado",
y = "Porcentaje",
fill = "Resultado"
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
strip.text = element_text(size = 12, face = "bold")
)
library(dplyr)
library(tidyr)
library(ggplot2)
library(scales)
# Variablen der Institutionen
vars_satisfaccion <- c(
P14_17_4_1 = "Policía",
P14_17_4_2 = "Autoridades municipales",
P14_17_4_3 = "Juez / Autoridades tradicionales",
P14_18_4_1 = "Fiscalía / Ministerio Público"
)
# Labels der Zufriedenheit
satisfaccion_labels <- c(
"1" = "La atendieron bien",
"2" = "La trataron mal",
"3" = "No hicieron nada",
"4" = "Otra"
)
# Daten in langes Format bringen
data_satisfaccion <- apoyo_legal %>%
select(all_of(names(vars_satisfaccion))) %>%
pivot_longer(cols = everything(), names_to = "Institucion", values_to = "Respuesta") %>%
filter(!is.na(Respuesta), Respuesta != "b") %>%
mutate(
Respuesta_texto = satisfaccion_labels[as.character(Respuesta)],
Institucion = factor(Institucion, levels = names(vars_satisfaccion), labels = vars_satisfaccion)
) %>%
group_by(Institucion, Respuesta_texto) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm: Zufriedenheit nach Institution
ggplot(data_satisfaccion, aes(x = Respuesta_texto, y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = position_dodge()) +
geom_text(aes(label = paste0(round(Porcentaje,1), "%")),
position = position_dodge(width = 0.9), vjust = -0.25, size = 3) +
labs(
title = "Comparación de la satisfacción de las mujeres con las instituciones",
x = "Tipo de atención",
y = "Porcentaje (%)",
fill = "Institución"
) +
theme_minimal(base_size = 12) +
coord_flip() +
scale_y_continuous(expand = expansion(mult = c(0, 0.1)))
library(dplyr)
library(tidyr)
library(ggplot2)
library(scales)
# Beispielhafte Labels für respuestas
respuesta_labels <- c(
"1" = "Levantó la denuncia e iniciaron investigación",
"2" = "Recibieron pero NO iniciaron investigación",
"3" = "No procedía",
"4" = "Propusieron conciliar",
"5" = "No le creyeron",
"6" = "Convencieron de no levantar denuncia",
"7" = "No hicieron nada",
"8" = "Dijeron que era sin importancia",
"9" = "Solo solicitó constancia de hechos",
"10" = "Otro"
)
# Variablen der Institutionen
instituciones <- c(
P14_17_4_1 = "Policía",
P14_17_4_2 = "Autoridades municipales",
P14_17_4_3 = "Juez / Autoridades tradicionales",
P14_18_4_1 = "Fiscalía / Ministerio Público"
)
# Daten ins lange Format bringen
data_resultado <- apoyo_legal %>%
select(all_of(names(instituciones))) %>%
pivot_longer(cols = everything(), names_to = "Institucion", values_to = "Respuesta") %>%
filter(!is.na(Respuesta), Respuesta != "b") %>%
mutate(
Respuesta_texto = respuesta_labels[as.character(Respuesta)],
Institucion = factor(Institucion, levels = names(instituciones), labels = instituciones)
) %>%
group_by(Institucion, Respuesta_texto) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Institucion) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
ggplot(data_resultado, aes(x = Respuesta_texto, y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(aes(label = round(Porcentaje,1)), # Prozentzeichen entfernt
position = position_dodge(width = 0.8),
hjust = -0.1, size = 3.5) + # Labels rechts neben den Balken
labs(
title = "Resultado de la queja o denuncia por institución",
x = "",
y = "Porcentaje",
fill = "Institución"
) +
coord_flip() +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) + # mehr Platz rechts für Labels
theme_minimal(base_size = 12) +
theme(
legend.position = "top",
plot.title = element_text(face = "bold", size = 14)
)
library(ggplot2)
# Neue Spalte, um die Facetten in 2x2 anzuordnen
data_resultado$Institucion_facet <- factor(data_resultado$Institucion,
levels = c("Policía", "Autoridades municipales",
"Juez / Autoridades tradicionales",
"Fiscalía / Ministerio Público"))
ggplot(data_resultado, aes(x = Respuesta_texto, y = Porcentaje, fill = Institucion)) +
geom_bar(stat = "identity") +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5), size = 3.5) +
facet_wrap(~Institucion_facet, ncol = 2) + # 2 Spalten → 2x2 Layout
labs(
title = "Resultado de la queja o denuncia por institución",
x = "",
y = "Porcentaje",
fill = "Institución"
) +
coord_flip() +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14)
)
library(ggplot2)
library(dplyr)
# Beispiel-Daten
datos_resultado <- data.frame(
Codigo = c(1:8, "blanco"),
Frecuencia = c(50, 30, 15, 10, 5, 8, 6, 12, 4)
)
# Beschriftungen
labels_codigo <- c(
"Retiró la denuncia/no siguió trámites",
"No procedió la denuncia",
"Firmaron acuerdo conciliatorio",
"Emitieron orden de desalojo",
"Detuvieron a su pareja/expareja",
"Emitieron orden de protección",
"Lo consignaron ante un juez",
"No sabe qué pasó",
"blanco"
)
datos_resultado$Categoria <- factor(labels_codigo, levels = labels_codigo)
# Prozent berechnen
datos_resultado <- datos_resultado %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm mit Prozentwerten **innen** (weiß)
ggplot(datos_resultado, aes(x = Categoria, y = Frecuencia, fill = Categoria)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = round(Porcentaje, 1)),
position = position_stack(vjust = 0.5), # zentriert im Balken
color = "white", size = 3.5) +
coord_flip() + # horizontale Balken
labs(
title = "Resultado de la queja o denuncia ante autoridades",
x = "Categoría de resultado",
y = "Número de mujeres"
) +
theme_minimal(base_size = 12)
## Warning: Paket 'tidyverse' wurde unter R Version 4.4.2 erstellt## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ lubridate 1.9.3 ✔ stringr 1.5.1
## ✔ purrr 1.0.2 ✔ tibble 3.2.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ scales::col_factor() masks readr::col_factor()
## ✖ purrr::discard() masks scales::discard()
## ✖ dplyr::filter() masks stats::filter()
## ✖ purrr::flatten() masks jsonlite::flatten()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors# 1️⃣ Variablen auswählen
razones_vars <- c(
"P14_22_1", "P14_22_2", "P14_22_3", "P14_22_4", "P14_22_5",
"P14_22_6", "P14_22_7", "P14_22_8", "P14_22_9", "P14_22_10",
"P14_22_11", "P14_22_12", "P14_22_13", "P14_22_14", "P14_22_15"
)
# 2️⃣ Daten vorbereiten: Variablen auswählen und 9/NA entfernen
data_razones <- apoyo_legal %>%
select(any_of(razones_vars)) %>%
mutate(across(all_of(razones_vars), ~ ifelse(. %in% c(9), NA, .)))
# 3️⃣ Labels für die Variablen
razones_labels <- c(
P14_22_1 = "Por miedo de las consecuencias",
P14_22_2 = "Por vergüenza",
P14_22_3 = "Porque su pareja la amenazó",
P14_22_4 = "Pensó que no le iban a creer",
P14_22_5 = "Por sus hijos/as",
P14_22_6 = "Porque no quería que su familia se enterara",
P14_22_7 = "Porque la convencieron de no hacerlo",
P14_22_8 = "Porque se trató de algo sin importancia",
P14_22_9 = "Porque su pareja dijo que iba a cambiar",
P14_22_10 = "Porque su pareja tiene derecho a reprenderla",
P14_22_11 = "Porque él no va a cambiar",
P14_22_12 = "No sabía cómo o dónde denunciar",
P14_22_13 = "No confía en las autoridades",
P14_22_14 = "No sabía que existían leyes para sancionar la violencia",
P14_22_15 = "Otra razón"
)
# 4️⃣ Daten in langes Format bringen
data_long <- data_razones %>%
pivot_longer(cols = everything(),
names_to = "Razon",
values_to = "Respuesta") %>%
filter(Respuesta == 1) %>%
mutate(Razon = factor(Razon, levels = names(razones_labels),
labels = razones_labels))
# 5️⃣ Prozentuale Häufigkeiten berechnen
razones_summary <- data_long %>%
group_by(Razon) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%
arrange(desc(Porcentaje))
# 6️⃣ Grafik erstellen
ggplot(razones_summary, aes(x = reorder(Razon, Porcentaje), y = Porcentaje, fill = Razon)) +
geom_bar(stat = "identity") +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Motivos para no denunciar/pedir ayuda\n2021",
x = "Razones",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14)
)
# -----------------------------
# Librerías necesarias
# -----------------------------
library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de razones para no denunciar 2016
# -----------------------------
no_denuncia_vars16 <- c(
"P13_21_1","P13_21_2","P13_21_3","P13_21_4","P13_21_5","P13_21_6",
"P13_21_7","P13_21_8","P13_21_9","P13_21_10","P13_21_11","P13_21_12",
"P13_21_13","P13_21_14"
)
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
vio_apoyo16[no_denuncia_vars16] <- lapply(vio_apoyo16[no_denuncia_vars16],
function(x) as.numeric(as.character(x)))
vio_apoyo16[no_denuncia_vars16] <- lapply(vio_apoyo16[no_denuncia_vars16],
function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Transformar a formato largo
# -----------------------------
no_denuncia_long16 <- vio_apoyo16 %>%
select(all_of(no_denuncia_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(!is.na(valor)) %>%
filter(valor == 1) # Solo las respuestas "Sí"
# -----------------------------
# 4) Calcular frecuencias y porcentajes
# -----------------------------
no_denuncia_summary16 <- no_denuncia_long16 %>%
group_by(variable) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 5) Nombres descriptivos de las razones
# -----------------------------
razones_labels <- c(
"P13_21_1" = "Por miedo de las consecuencias",
"P13_21_2" = "Por vergüenza",
"P13_21_3" = "Porque la pareja la amenazó",
"P13_21_4" = "Pensó que no le iban a creer",
"P13_21_5" = "Por sus hijos",
"P13_21_6" = "No quería que su familia se enterara",
"P13_21_7" = "Porque la convencieron de no hacerlo",
"P13_21_8" = "Por ser algo sin importancia",
"P13_21_9" = "Porque su pareja dijo que iba a cambiar",
"P13_21_10" = "Porque su pareja tiene derecho a reprenderla",
"P13_21_11" = "Porque él no va a cambiar",
"P13_21_12" = "No sabía cómo y dónde denunciar",
"P13_21_13" = "No confía en las autoridades",
"P13_21_14" = "No sabía que existían leyes"
)
no_denuncia_summary16$variable <- razones_labels[no_denuncia_summary16$variable]
# -----------------------------
# 6) Gráfico de barras horizontal
# -----------------------------
ggplot(no_denuncia_summary16, aes(x = reorder(variable, porcentaje), y = porcentaje)) +
geom_bar(stat = "identity", fill = "#6497B1") + # Azul
geom_text(aes(label = paste0(porcentaje, "%")), hjust = -0.1, size = 3) +
labs(
title = "Motivos para no denunciar/pedir ayuda",
subtitle = "2016",
x = "Razones",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
coord_flip() +
ylim(0, max(no_denuncia_summary16$porcentaje) * 1.1)
library(tidyverse)
# ---------------------------------------------------
# 1) Variablenlisten für 2016 und 2021 (gleiche Endnummern)
# ---------------------------------------------------
vars_2016 <- paste0("P13_21_", 1:15)
vars_2021 <- paste0("P14_22_", 1:15)
# ---------------------------------------------------
# 2) Labels (gleich für beide Jahre!)
# ---------------------------------------------------
razones_labels <- c(
"1" = "Por miedo de las consecuencias",
"2" = "Por vergüenza",
"3" = "Porque su pareja la amenazó",
"4" = "Pensó que no le iban a creer",
"5" = "Por sus hijos/as",
"6" = "No quería que su familia se enterara",
"7" = "Porque la convencieron de no hacerlo",
"8" = "Porque se trató de algo sin importancia",
"9" = "Porque su pareja dijo que iba a cambiar",
"10" = "Porque su pareja tiene derecho a reprenderla",
"11" = "Porque él no va a cambiar",
"12" = "No sabía cómo o dónde denunciar",
"13" = "No confía en las autoridades",
"14" = "No sabía que existían leyes",
"15" = "Otra razón"
)
# ---------------------------------------------------
# 3) Funktion zur Aufbereitung eines Jahres
# ---------------------------------------------------
prep_year <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ na_if(., 9))) %>% # 9 entfernen
mutate(across(everything(), ~ as.numeric(as.character(.)))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
filter(respuesta == 1) %>% # nur "Sí"
mutate(
num = str_extract(variable, "\\d+$"), # Nummer extrahieren
razon = razones_labels[num],
año = year
) %>%
group_by(razon, año) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(año) %>%
mutate(porcentaje = frecuencia / sum(frecuencia) * 100)
}
# ---------------------------------------------------
# 4) Daten beider Jahre
# ---------------------------------------------------
data_2016 <- prep_year(vio_apoyo16, vars_2016, "2016")
data_2021 <- prep_year(apoyo_legal, vars_2021, "2021")
data_all <- bind_rows(data_2016, data_2021)
# ---------------------------------------------------
# 5) Vergleichsgrafik erstellen
# ---------------------------------------------------
ggplot(data_all, aes(x = porcentaje,
y = fct_reorder(razon, porcentaje),
fill = año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = sprintf("%.1f%%", porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.2, size = 3.3) +
labs(
title = "Motivos para no denunciar / pedir ayuda (Comparación 2016 vs 2021)",
x = "Porcentaje",
y = "Razón",
fill = "Año"
) +
theme_minimal(base_size = 13) +
coord_flip() +
expand_limits(x = max(data_all$porcentaje) * 1.15)
library(tidyverse)
# ---------------------------------------------------
# 1) Variablenlisten
# ---------------------------------------------------
vars_2016 <- paste0("P13_21_", 1:15)
vars_2021 <- paste0("P14_22_", 1:15)
# ---------------------------------------------------
# 2) Gemeinsame Labels
# ---------------------------------------------------
razones_labels <- c(
"1" = "Por miedo de las consecuencias",
"2" = "Por vergüenza",
"3" = "Porque su pareja la amenazó",
"4" = "Pensó que no le iban a creer",
"5" = "Por sus hijos/as",
"6" = "No quería que su familia se enterara",
"7" = "Porque la convencieron de no hacerlo",
"8" = "Porque se trató de algo sin importancia",
"9" = "Porque su pareja dijo que iba a cambiar",
"10" = "Porque su pareja tiene derecho a reprenderla",
"11" = "Porque él no va a cambiar",
"12" = "No sabía cómo o dónde denunciar",
"13" = "No confía en las autoridades",
"14" = "No sabía que existían leyes",
"15" = "Otra razón"
)
# ---------------------------------------------------
# 3) Funktion zur Aufbereitung eines Jahres
# ---------------------------------------------------
prep_year <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ na_if(., 9))) %>%
mutate(across(everything(), ~ as.numeric(as.character(.)))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
filter(respuesta == 1) %>%
mutate(
num = str_extract(variable, "\\d+$"),
razon = razones_labels[num],
año = year
) %>%
group_by(razon, año) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
group_by(año) %>%
mutate(porcentaje = frecuencia / sum(frecuencia) * 100)
}
# ---------------------------------------------------
# 4) Daten für beide Jahre
# ---------------------------------------------------
data_2016 <- prep_year(vio_apoyo16, vars_2016, "2016")
data_2021 <- prep_year(apoyo_legal, vars_2021, "2021")
data_all <- bind_rows(data_2016, data_2021)
# ---------------------------------------------------
# 5) Grafik (horizontal, ohne % im Label)
# ---------------------------------------------------
ggplot(data_all, aes(
x = fct_reorder(razon, porcentaje),
y = porcentaje,
fill = año
)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = round(porcentaje, 1)),
position = position_dodge(width = 0.8),
hjust = -0.2, size = 2.5) +
coord_flip() + # 👉 sorgt für waagrechte Balken
labs(
title = "Motivos para no denunciar / pedir ayuda (2016 vs 2021)",
x = "Razones",
y = "Porcentaje",
fill = "Año"
) +
theme_minimal(base_size = 13) +
expand_limits(y = max(data_all$porcentaje) * 1.15)
library(tidyverse)
# 1️⃣ Variablen auswählen
danos_vars <- c(
"P14_23_1", "P14_23_2", "P14_23_3", "P14_23_4", "P14_23_5",
"P14_23_6", "P14_23_7", "P14_23_8", "P14_23_9", "P14_23_10",
"P14_23_11", "P14_23_12", "P14_23_13", "P14_23_00"
)
# 2️⃣ Daten bereinigen
data_danos <- apoyo_legal %>%
select(any_of(danos_vars)) %>%
mutate(across(all_of(danos_vars), ~ ifelse(. %in% c(9), NA, .)))
# 3️⃣ Labels für die Variablen
danos_labels <- c(
P14_23_1 = "Tuvo que hospitalizarse u operarse",
P14_23_2 = "Tuvo moretones o hinchazón",
P14_23_3 = "Tuvo cortadas, quemaduras o pérdida de dientes",
P14_23_4 = "Tuvo hemorragias o sangrado",
P14_23_5 = "Tuvo fracturas",
P14_23_6 = "Tuvo un aborto o parto prematuro",
P14_23_7 = "Tuvo ardor o sangrado vaginal",
P14_23_8 = "Fue contagiada con una ETS",
P14_23_9 = "Tuvo desmayos",
P14_23_10 = "No puede mover alguna parte del cuerpo",
P14_23_11 = "Resultó lesionado un familiar",
P14_23_12 = "Falleció algún integrante del hogar",
P14_23_13 = "Otro daño físico",
P14_23_00 = "No tuvo ningún daño físico"
)
# 4️⃣ Daten ins lange Format bringen
data_long <- data_danos %>%
pivot_longer(cols = everything(),
names_to = "Dano",
values_to = "Respuesta") %>%
filter(Respuesta == 1) %>%
mutate(Dano = factor(Dano, levels = names(danos_labels),
labels = danos_labels))
# 5️⃣ Häufigkeiten und Prozente berechnen
danos_summary <- data_long %>%
group_by(Dano) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%
arrange(desc(Porcentaje))
# 6️⃣ Grafik erstellen
ggplot(danos_summary, aes(x = reorder(Dano, Porcentaje), y = Porcentaje, fill = Dano)) +
geom_bar(stat = "identity") +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Consecuencias fisica de agresiones",
x = "Tipo de daño físico",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14)
)
# -----------------------------
# Librerías
# -----------------------------
library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables de daños físicos 2016
# -----------------------------
danos_vars16 <- c(
"P13_22_1","P13_22_2","P13_22_3","P13_22_4","P13_22_5",
"P13_22_6","P13_22_7","P13_22_8","P13_22_9","P13_22_10",
"P13_22_11","P13_22_12","P13_22_13","P13_22_00"
)
# -----------------------------
# 2) Convertir a numérico y manejar NA
# -----------------------------
vio_apoyo16[danos_vars16] <- lapply(vio_apoyo16[danos_vars16],
function(x) as.numeric(as.character(x)))
vio_apoyo16[danos_vars16] <- lapply(vio_apoyo16[danos_vars16],
function(x) ifelse(x %in% c(9, NA), NA, x))
# -----------------------------
# 3) Transformar a formato largo y filtrar solo "Sí"
# -----------------------------
danos_long16 <- vio_apoyo16 %>%
select(all_of(danos_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(valor == 1) # Solo las respuestas "Sí"
# -----------------------------
# 4) Calcular frecuencias y porcentajes
# -----------------------------
danos_summary16 <- danos_long16 %>%
group_by(variable) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# -----------------------------
# 5) Etiquetas descriptivas
# -----------------------------
danos_labels <- c(
"P13_22_1" = "Hospitalización u operación",
"P13_22_2" = "Moretones o hinchazón",
"P13_22_3" = "Cortadas, quemaduras o pérdida de dientes",
"P13_22_4" = "Hemorragias o sangrado",
"P13_22_5" = "Fracturas",
"P13_22_6" = "Aborto o parto prematuro",
"P13_22_7" = "Ardor o sangrado vaginal",
"P13_22_8" = "Enfermedad de transmisión sexual",
"P13_22_9" = "Desmayos",
"P13_22_10" = "Inmovilidad de alguna parte del cuerpo",
"P13_22_11" = "Lesión de un familiar",
"P13_22_12" = "Fallecimiento de un integrante del hogar",
"P13_22_13" = "Otro daño físico",
"P13_22_00" = "No tuvo ningún daño físico"
)
danos_summary16$variable <- danos_labels[danos_summary16$variable]
# -----------------------------
# 6) Gráfico de barras horizontal
# -----------------------------
ggplot(danos_summary16, aes(x = reorder(variable, porcentaje), y = porcentaje)) +
geom_bar(stat = "identity", fill = "#6497B1") + # Azul, como en ENDIREH 2016
geom_text(aes(label = paste0(porcentaje, "%")), hjust = -0.1, size = 3) +
labs(
title = "Daños físicos 2016",
x = "Tipo de daño físico",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
coord_flip() +
ylim(0, max(danos_summary16$porcentaje) * 1.1)
# -----------------------------
# Librerías
# -----------------------------
library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------
# 1) Variables 2016 y 2021
# -----------------------------
# 2016
danos_vars16 <- c(
"P13_22_1","P13_22_2","P13_22_3","P13_22_4","P13_22_5",
"P13_22_6","P13_22_7","P13_22_8","P13_22_9","P13_22_10",
"P13_22_11","P13_22_12","P13_22_13","P13_22_00"
)
# 2021
danos_vars21 <- c(
"P14_23_1", "P14_23_2", "P14_23_3", "P14_23_4", "P14_23_5",
"P14_23_6", "P14_23_7", "P14_23_8", "P14_23_9", "P14_23_10",
"P14_23_11", "P14_23_12", "P14_23_13", "P14_23_00"
)
# -----------------------------
# 2) Daten vorbereiten
# -----------------------------
# 2016
vio_apoyo16[danos_vars16] <- lapply(vio_apoyo16[danos_vars16],
function(x) as.numeric(as.character(x)))
vio_apoyo16[danos_vars16] <- lapply(vio_apoyo16[danos_vars16],
function(x) ifelse(x %in% c(9, NA), NA, x))
data16_long <- vio_apoyo16 %>%
select(all_of(danos_vars16)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(valor == 1) %>%
mutate(año = "2016")
labels16 <- c(
"P13_22_1" = "Hospitalización u operación",
"P13_22_2" = "Moretones o hinchazón",
"P13_22_3" = "Cortadas, quemaduras o pérdida de dientes",
"P13_22_4" = "Hemorragias o sangrado",
"P13_22_5" = "Fracturas",
"P13_22_6" = "Aborto o parto prematuro",
"P13_22_7" = "Ardor o sangrado vaginal",
"P13_22_8" = "Enfermedad de transmisión sexual",
"P13_22_9" = "Desmayos",
"P13_22_10" = "Inmovilidad de alguna parte del cuerpo",
"P13_22_11" = "Lesión de un familiar",
"P13_22_12" = "Fallecimiento de un integrante del hogar",
"P13_22_13" = "Otro daño físico",
"P13_22_00" = "No tuvo ningún daño físico"
)
data16_long$variable <- labels16[data16_long$variable]
# 2021
apoyo_legal[danos_vars21] <- lapply(apoyo_legal[danos_vars21],
function(x) as.numeric(as.character(x)))
apoyo_legal[danos_vars21] <- lapply(apoyo_legal[danos_vars21],
function(x) ifelse(x %in% c(9, NA), NA, x))
data21_long <- apoyo_legal %>%
select(all_of(danos_vars21)) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "valor") %>%
filter(valor == 1) %>%
mutate(año = "2021")
labels21 <- c(
P14_23_1 = "Hospitalización u operación",
P14_23_2 = "Moretones o hinchazón",
P14_23_3 = "Cortadas, quemaduras o pérdida de dientes",
P14_23_4 = "Hemorragias o sangrado",
P14_23_5 = "Fracturas",
P14_23_6 = "Aborto o parto prematuro",
P14_23_7 = "Ardor o sangrado vaginal",
P14_23_8 = "Fue contagiada con una ETS",
P14_23_9 = "Desmayos",
P14_23_10 = "No puede mover alguna parte del cuerpo",
P14_23_11 = "Resultó lesionado un familiar",
P14_23_12 = "Falleció algún integrante del hogar",
P14_23_13 = "Otro daño físico",
P14_23_00 = "No tuvo ningún daño físico"
)
data21_long$variable <- labels21[data21_long$variable]
# -----------------------------
# 3) Combinar datasets
# -----------------------------
data_combined <- bind_rows(data16_long, data21_long)
# -----------------------------
# 4) Frequenzen und Prozente berechnen
# -----------------------------
summary_combined <- data_combined %>%
group_by(año, variable) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(año) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# -----------------------------
# 5) Grafik erstellen
# -----------------------------
ggplot(summary_combined, aes(x = reorder(variable, Porcentaje), y = Porcentaje, fill = año)) +
geom_bar(stat = "identity", position = "dodge") +
coord_flip() +
geom_text(aes(label = paste0(round(Porcentaje,1))),
position = position_dodge(width = 0.9), hjust = -0.1, size = 2.5) +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
labs(
title = "Daños físicos de agresiones 2016 vs 2021",
x = "Tipo de daño físico",
y = "Porcentaje de mujeres",
fill = "Año"
) +
theme_minimal(base_size = 12) +
theme(plot.title = element_text(face = "bold", size = 14))
# =============================
# 1) Frequenzen & Prozentwerte berechnen
# =============================
summary_combined <- data_combined %>%
group_by(año, variable) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 2))
# =============================
# 2) Tabelle in Wide-Format transformieren
# =============================
tabla_16_21 <- summary_combined %>%
ungroup() %>%
mutate(
Año = paste0(año, "_"),
Frec_col = paste0(Año, "Frecuencia"),
Porc_col = paste0(Año, "Porcentaje")
) %>%
select(variable, Frec_col, Porc_col, Frecuencia, Porcentaje) %>%
pivot_wider(
names_from = c(Frec_col, Porc_col),
values_from = c(Frecuencia, Porcentaje)
) %>%
arrange(variable)
tabla_16_21## # A tibble: 18 × 5
## variable Frecuencia_2016_Frec…¹ Frecuencia_2021_Frec…² Porcentaje_2016_Frec…³
## <chr> <int> <int> <dbl>
## 1 Aborto … 583 550 1.21
## 2 Ardor o… 545 533 1.13
## 3 Cortada… 839 903 1.74
## 4 Desmayos 664 670 1.37
## 5 Enferme… 565 NA 1.17
## 6 Falleci… 56 NA 0.12
## 7 Falleci… NA 25 NA
## 8 Fractur… 659 632 1.36
## 9 Fue con… NA 656 NA
## 10 Hemorra… 1029 969 2.13
## 11 Hospita… 967 716 2
## 12 Inmovil… 480 NA 0.99
## 13 Lesión … 227 NA 0.47
## 14 Moreton… 6248 5966 12.9
## 15 No pued… NA 556 NA
## 16 No tuvo… 35290 33180 73.0
## 17 Otro da… 169 228 0.35
## 18 Resultó… NA 331 NA
## # ℹ abbreviated names: ¹Frecuencia_2016_Frecuencia_2016_Porcentaje,
## # ²Frecuencia_2021_Frecuencia_2021_Porcentaje,
## # ³Porcentaje_2016_Frecuencia_2016_Porcentaje
## # ℹ 1 more variable: Porcentaje_2021_Frecuencia_2021_Porcentaje <dbl>library(tidyverse)
# 1️⃣ Variablen auswählen
consecuencias_vars <- c(
"P14_28_1", "P14_28_2", "P14_28_3", "P14_28_4",
"P14_28_5", "P14_28_6", "P14_28_7", "P14_28_8"
)
# 2️⃣ Daten bereinigen: 9 und blanco als NA behandeln
data_consecuencias <- apoyo_legal %>%
select(any_of(consecuencias_vars)) %>%
mutate(across(all_of(consecuencias_vars),
~ ifelse(. %in% c(9), NA, .)))
# 3️⃣ Labels definieren
consecuencias_labels <- c(
P14_28_1 = "Dejó de salir",
P14_28_2 = "Dejó de ver a sus familiares o amistades",
P14_28_3 = "Dejó de ir al médico",
P14_28_4 = "Dejó de trabajar o estudiar",
P14_28_5 = "Faltó al trabajo",
P14_28_6 = "Perdió dinero o propiedades",
P14_28_7 = "No ha pasado nada",
P14_28_8 = "Otro"
)
# 4️⃣ Daten ins lange Format bringen
data_long <- data_consecuencias %>%
pivot_longer(cols = everything(),
names_to = "Consecuencia",
values_to = "Respuesta") %>%
filter(Respuesta == 1) %>% # Nur affirmative Antworten
mutate(Consecuencia = factor(Consecuencia,
levels = names(consecuencias_labels),
labels = consecuencias_labels))
# 5️⃣ Häufigkeiten und Prozente berechnen
consecuencias_summary <- data_long %>%
group_by(Consecuencia) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%
arrange(desc(Porcentaje))
# 6️⃣ Grafik erstellen
ggplot(consecuencias_summary,
aes(x = reorder(Consecuencia, Porcentaje),
y = Porcentaje, fill = Consecuencia)) +
geom_bar(stat = "identity") +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Consecuencias de los agresiones de la pareja \n 2021",
x = "Tipo de consecuencia",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14)
)
library(tidyverse)
# ---------------------------------------------------
# 1) Variablenliste (ENDIREH 2016)
# ---------------------------------------------------
impacto_vars <- paste0("P13_27_", 1:8)
# ---------------------------------------------------
# 2) Labels definieren
# ---------------------------------------------------
impacto_labels <- c(
"P13_27_1" = "Dejado de salir",
"P13_27_2" = "Dejado de ver a familiares/amigos",
"P13_27_3" = "Dejado de ir al médico",
"P13_27_4" = "Dejado de trabajar/estudiar",
"P13_27_5" = "Faltado al trabajo",
"P13_27_6" = "Perdido dinero/propiedades",
"P13_27_7" = "No ha pasado nada",
"P13_27_8" = "Otra afectación"
)
# ---------------------------------------------------
# 3) Daten bereinigen
# ---------------------------------------------------
impacto_data <- vio_apoyo16 %>%
select(all_of(impacto_vars)) %>%
mutate(across(everything(), ~ na_if(., 9))) %>% # 9 → NA
mutate(across(everything(), ~ as.numeric(as.character(.)))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "valor") %>%
filter(valor == 1) %>% # nur "Sí"
mutate(razon = impacto_labels[variable])
# ---------------------------------------------------
# 4) Prozentanteile berechnen
# ---------------------------------------------------
impacto_summary <- impacto_data %>%
group_by(razon) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1)
)
# ---------------------------------------------------
# 5) Grafik erstellen (horizontal)
# ---------------------------------------------------
ggplot(impacto_summary,
aes(x = reorder(razon, porcentaje),
y = porcentaje)) +
geom_col(fill = "#4C7EBF") +
geom_text(aes(label = porcentaje),
hjust = -0.2,
size = 3.5) +
coord_flip() +
labs(
title = "Consecuencias de los agresiones de la pareja \n 2016",
x = "Afectación",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
expand_limits(y = max(impacto_summary$porcentaje) * 1.15)
library(tidyverse)
# ============================
# 1) Variablen 2016 und 2021
# ============================
vars16 <- paste0("P13_27_", 1:8)
vars21 <- paste0("P14_28_", 1:8)
# ============================
# 2) Labels einheitlich
# ============================
consequence_labels <- c(
"1" = "Dejó de salir",
"2" = "Dejó de ver a familiares/amigos",
"3" = "Dejó de ir al médico",
"4" = "Dejó de trabajar/estudiar",
"5" = "Faltó al trabajo",
"6" = "Perdió dinero/propiedades",
"7" = "No ha pasado nada",
"8" = "Otro"
)
# ============================
# 3) Daten 2021 vorbereiten
# ============================
data21 <- apoyo_legal %>%
select(all_of(vars21)) %>%
mutate(across(everything(), ~ na_if(., 9))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "valor") %>%
filter(valor == 1) %>%
mutate(
Consecuencia = consequence_labels[str_sub(variable, -1)]
) %>%
mutate(Año = "2021")
# ============================
# 4) Daten 2016 vorbereiten
# ============================
data16 <- vio_apoyo16 %>%
select(all_of(vars16)) %>%
mutate(across(everything(), ~ na_if(., 9))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "valor") %>%
filter(valor == 1) %>%
mutate(
Consecuencia = consequence_labels[str_sub(variable, -1)]
) %>%
mutate(Año = "2016")
# ============================
# 5) Kombinieren & Summaries
# ============================
combined_data <- bind_rows(data16, data21)
summary_conseq <- combined_data %>%
group_by(Año, Consecuencia) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1))
# ============================
# 6) Vergleichsgrafik 2016 vs 2021
# ============================
ggplot(summary_conseq,
aes(x = Consecuencia,
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = Porcentaje),
position = position_dodge(width = 0.8),
vjust = -0.2,
size = 3) +
coord_flip() +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
labs(
title = "Comparación de consecuencias de agresiones de pareja\n2016 vs 2021",
x = "Tipo de consecuencia",
y = "Porcentaje de mujeres",
fill = "Año"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 14)
) +
expand_limits(y = max(summary_conseq$Porcentaje) * 1.15)
library(tidyverse)
# 1) Vorbereitung: Variablennamen vereinheitlichen
tabla_2016 <- impacto_summary %>%
rename(
Consecuencia = razon,
Frecuencia_2016 = frecuencia,
Porcentaje_2016 = porcentaje
)
tabla_2021 <- consecuencias_summary %>%
rename(
Frecuencia_2021 = Frecuencia,
Porcentaje_2021 = Porcentaje
)
# 2) Zusammenführen der beiden Jahre
tabla_comparativa <- tabla_2016 %>%
full_join(tabla_2021, by = "Consecuencia") %>%
# Sortieren nach 2021 (oder nach 2016, wenn du willst)
arrange(desc(Porcentaje_2021))
# 3) Ergebnis ansehen
tabla_comparativa## # A tibble: 15 × 5
## Consecuencia Frecuencia_2016 Porcentaje_2016 Frecuencia_2021 Porcentaje_2021
## <chr> <int> <dbl> <int> <dbl>
## 1 No ha pasado… 35088 71.6 32213 67.9
## 2 Dejó de salir NA NA 5537 11.7
## 3 Dejó de ver … NA NA 4795 10.1
## 4 Dejó de trab… NA NA 1870 3.94
## 5 Faltó al tra… NA NA 1145 2.41
## 6 Perdió diner… NA NA 845 1.78
## 7 Dejó de ir a… NA NA 786 1.66
## 8 Otro NA NA 249 0.525
## 9 Dejado de ir… 680 1.4 NA NA
## 10 Dejado de sa… 5164 10.5 NA NA
## 11 Dejado de tr… 1716 3.5 NA NA
## 12 Dejado de ve… 4228 8.6 NA NA
## 13 Faltado al t… 1068 2.2 NA NA
## 14 Otra afectac… 418 0.9 NA NA
## 15 Perdido dine… 630 1.3 NA NAlibrary(tidyverse)
# 1️⃣ Relevante Variablen definieren
salud_vars <- c(
"P14_29_1", "P14_29_2", "P14_29_3", "P14_29_4",
"P14_29_5", "P14_29_6", "P14_29_7", "P14_29_8"
)
# 2️⃣ Daten bereinigen
data_salud <- apoyo_legal %>%
select(any_of(salud_vars)) %>%
mutate(across(all_of(salud_vars),
~ ifelse(. %in% c(9), NA, .))) # 9 = No especificado
# 3️⃣ Labels für jede Variable
salud_labels <- c(
P14_29_1 = "Pérdida o aumento del apetito",
P14_29_2 = "Problemas nerviosos",
P14_29_3 = "Angustia o miedo",
P14_29_4 = "Tristeza, aflicción o depresión",
P14_29_5 = "Insomnio",
P14_29_6 = "Otras enfermedades",
P14_29_7 = "Otro",
P14_29_8 = "No le ha pasado nada"
)
# 4️⃣ In langes Format umwandeln
data_salud_long <- data_salud %>%
pivot_longer(cols = everything(),
names_to = "Efecto",
values_to = "Respuesta") %>%
filter(Respuesta == 1) %>% # Nur "Sí"-Antworten
mutate(Efecto = factor(Efecto,
levels = names(salud_labels),
labels = salud_labels))
# 5️⃣ Häufigkeiten und Prozente berechnen
salud_summary <- data_salud_long %>%
group_by(Efecto) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%
arrange(desc(Porcentaje))
# 6️⃣ Grafik erstellen
ggplot(salud_summary,
aes(x = reorder(Efecto, Porcentaje),
y = Porcentaje,
fill = Efecto)) +
geom_bar(stat = "identity") +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Efectos emocionales/de salud por la pareja \n 2021",
x = "Efecto reportado",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 12) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14)
)
library(tidyverse)
# ------------------------------------------------------
# 1) Variablen definieren
# ------------------------------------------------------
vars_2016 <- c(
"P13_28_1","P13_28_2","P13_28_3","P13_28_4",
"P13_28_5","P13_28_6","P13_28_7","P13_28_8"
)
vars_2021 <- c(
"P14_29_1","P14_29_2","P14_29_3","P14_29_4",
"P14_29_5","P14_29_6","P14_29_7","P14_29_8"
)
# ------------------------------------------------------
# 2) Gemeinsame Labels für beide Jahre
# ------------------------------------------------------
efectos_labels <- c(
"1" = "Pérdida o aumento del apetito",
"2" = "Problemas nerviosos",
"3" = "Angustia o miedo",
"4" = "Tristeza, aflicción o depresión",
"5" = "Insomnio",
"6" = "Otras enfermedades",
"7" = "Otro",
"8" = "No le ha pasado nada"
)
# ------------------------------------------------------
# 3) Funktion zur Aufbereitung eines Jahres
# ------------------------------------------------------
prep_salud <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(),
~ ifelse(. %in% c(9), NA, as.numeric(.)))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "valor") %>%
mutate(item = str_extract(variable, "\\d+$")) %>% # letzte Zahl extrahieren
filter(valor == 1) %>% # nur "Sí"
group_by(item) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1),
año = year,
efecto = efectos_labels[item]
)
}
# ------------------------------------------------------
# 4) Daten vorbereiten
# ------------------------------------------------------
data_2016 <- prep_salud(vio_apoyo16, vars_2016, "2016")
data_2021 <- prep_salud(apoyo_legal, vars_2021, "2021")
# zusammenführen
data_all <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------
# 5) Grafik erstellen (waagrecht, Prozentzahlen ohne %)
# ------------------------------------------------------
ggplot(data_all,
aes(x = reorder(efecto, porcentaje),
y = porcentaje,
fill = año)) +
geom_bar(stat = "identity",
position = position_dodge(width = 0.8)) +
geom_text(aes(label = porcentaje),
position = position_dodge(width = 0.8),
hjust = -0.2,
size = 3.8) +
scale_fill_manual(values = c(
"2016" = "skyblue",
"2021" = "palevioletred"
)) +
coord_flip() +
labs(
title = "Efectos emocionales/de salud atribuídos a la pareja\nComparación 2016 vs 2021",
x = "Efecto reportado",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 15),
legend.title = element_blank()
) +
ylim(0, max(data_all$porcentaje) * 1.15)
library(tidyverse)
# ------------------------------------------------------
# 1) Variablen definieren
# ------------------------------------------------------
vars_2016 <- c(
"P13_28_1","P13_28_2","P13_28_3","P13_28_4",
"P13_28_5","P13_28_6","P13_28_7","P13_28_8"
)
vars_2021 <- c(
"P14_29_1","P14_29_2","P14_29_3","P14_29_4",
"P14_29_5","P14_29_6","P14_29_7","P14_29_8"
)
# ------------------------------------------------------
# 2) Labels
# ------------------------------------------------------
efectos_labels <- c(
"1" = "Pérdida o aumento del apetito",
"2" = "Problemas nerviosos",
"3" = "Angustia o miedo",
"4" = "Tristeza, aflicción o depresión",
"5" = "Insomnio",
"6" = "Otras enfermedades",
"7" = "Otro",
"8" = "No le ha pasado nada"
)
# ------------------------------------------------------
# 3) Funktion zur Aufbereitung eines Jahres
# ------------------------------------------------------
prep_salud <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(),
~ ifelse(. %in% c(9), NA, as.numeric(.)))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "valor") %>%
mutate(item = str_extract(variable, "\\d+$")) %>%
filter(valor == 1) %>%
group_by(item) %>%
summarise(frecuencia = n(), .groups = "drop") %>%
mutate(
porcentaje = round(frecuencia / sum(frecuencia) * 100, 1),
año = year,
efecto = efectos_labels[item]
)
}
# ------------------------------------------------------
# 4) Daten vorbereiten
# ------------------------------------------------------
data_2016 <- prep_salud(vio_apoyo16, vars_2016, "2016")
data_2021 <- prep_salud(apoyo_legal, vars_2021, "2021")
data_all <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------
# 5) Tabelle erstellen (Absolut + Prozent nebeneinander)
# ------------------------------------------------------
tabla_comparativa <- data_all %>%
select(año, efecto, frecuencia, porcentaje) %>%
pivot_wider(
names_from = año,
values_from = c(frecuencia, porcentaje),
names_glue = "{.value}_{año}"
) %>%
arrange(desc(porcentaje_2021))
tabla_comparativa## # A tibble: 8 × 5
## efecto frecuencia_2016 frecuencia_2021 porcentaje_2016 porcentaje_2021
## <chr> <int> <int> <dbl> <dbl>
## 1 No le ha pasa… 23152 20404 33.8 29.5
## 2 Tristeza, afl… 15834 16256 23.1 23.5
## 3 Angustia o mi… 8022 8876 11.7 12.8
## 4 Problemas ner… 7580 7817 11.1 11.3
## 5 Insomnio 5860 7240 8.6 10.5
## 6 Pérdida o aum… 6220 6519 9.1 9.4
## 7 Otras enferme… 1395 1612 2 2.3
## 8 Otro 399 435 0.6 0.6library(tidyverse)
# 1️⃣ Relevante Variable auswählen und bereinigen
data_reaccion <- apoyo_legal %>%
select(P14_32) %>%
mutate(
P14_32 = na_if(P14_32, 9), # 9 = No especificado
P14_32 = as.numeric(P14_32)
) %>%
filter(!is.na(P14_32))
# 2️⃣ Labels definieren
reaccion_labels <- c(
"1" = "Ha mejorado",
"2" = "Ha empeorado",
"3" = "Siempre ha sido igual"
)
# 3️⃣ Häufigkeiten und Prozente berechnen
reaccion_summary <- data_reaccion %>%
group_by(P14_32) %>%
summarise(Frecuencia = n()) %>%
mutate(
Porcentaje = Frecuencia / sum(Frecuencia) * 100,
Respuesta = factor(P14_32, levels = 1:3, labels = reaccion_labels)
)
# 4️⃣ Grafik erstellen
ggplot(reaccion_summary,
aes(x = Respuesta, y = Porcentaje, fill = Respuesta)) +
geom_bar(stat = "identity", width = 0.7) +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")),
vjust = -0.3, size = 4) +
labs(
title = "Cambia la manera de reaccionar de su pareja ante los problemas 2021",
x = "Respuesta",
y = "Porcentaje de mujeres"
) +
theme_minimal(base_size = 13) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold", size = 14),
axis.text.x = element_text(angle = 0, hjust = 0.5)
)
library(tidyverse)
# -----------------------------------------------
# 1) Variable definieren
# -----------------------------------------------
var <- "P13_31"
# -----------------------------------------------
# 2) Daten bereinigen
# -----------------------------------------------
data_p31 <- vio_apoyo16 %>%
select(all_of(var)) %>%
mutate(
P13_31 = as.numeric(as.character(P13_31)),
P13_31 = ifelse(P13_31 %in% c(9), NA, P13_31)
) %>%
filter(!is.na(P13_31))
# -----------------------------------------------
# 3) Labels erstellen
# -----------------------------------------------
labels_p31 <- c(
"1" = "Ha mejorado",
"2" = "Ha empeorado",
"3" = "Siempre ha sido igual"
)
# -----------------------------------------------
# 4) Prozentwerte berechnen
# -----------------------------------------------
summary_p31 <- data_p31 %>%
group_by(P13_31) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
Respuesta = labels_p31[as.character(P13_31)]
)
# -----------------------------------------------
# 5) Grafik erstellen (waagrecht)
# -----------------------------------------------
ggplot(summary_p31,
aes(x = reorder(Respuesta, Porcentaje),
y = Porcentaje,
fill = Respuesta)) +
geom_bar(stat = "identity") +
geom_text(aes(label = Porcentaje),
hjust = -0.2, size = 4, color = "black") +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "Cambio en la manera de reaccionar de la pareja ante problemas",
subtitle = "ENDIREH 2016 – Variable P13_31",
x = "Respuesta",
y = "Porcentaje"
) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold")
) +
ylim(0, max(summary_p31$Porcentaje) * 1.15)
library(tidyverse)
# ---------------------------------------------------
# 1) Labels para respuestas
# ---------------------------------------------------
labels_reaccion <- c(
"1" = "Ha mejorado",
"2" = "Ha empeorado",
"3" = "Siempre ha sido igual"
)
# ---------------------------------------------------
# 2) Función de limpieza
# ---------------------------------------------------
prep_reaccion <- function(data, var, year) {
data %>%
select(all_of(var)) %>%
mutate(
valor = as.numeric(!!sym(var)),
valor = ifelse(valor %in% c(9), NA, valor)
) %>%
filter(!is.na(valor)) %>%
group_by(valor) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Año = year,
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
Respuesta = labels_reaccion[as.character(valor)]
)
}
# ---------------------------------------------------
# 3) Preparar datasets
# ---------------------------------------------------
data_2016 <- prep_reaccion(vio_apoyo16, "P13_31", "2016")
data_2021 <- prep_reaccion(apoyo_legal, "P14_32", "2021")
df_total <- bind_rows(data_2016, data_2021)
# ---------------------------------------------------
# 4) Tabla comparativa (formato wide)
# ---------------------------------------------------
tabla_reaccion <- df_total %>%
select(Año, Respuesta, Frecuencia, Porcentaje) %>%
pivot_wider(
names_from = Año,
values_from = c(Frecuencia, Porcentaje),
names_glue = "{.value}_{Año}"
) %>%
arrange(match(Respuesta, labels_reaccion))
tabla_reaccion## # A tibble: 3 × 5
## Respuesta Frecuencia_2016 Frecuencia_2021 Porcentaje_2016 Porcentaje_2021
## <chr> <int> <int> <dbl> <dbl>
## 1 Ha mejorado 20722 17963 48.3 44.5
## 2 Ha empeorado 7529 7290 17.6 18.1
## 3 Siempre ha si… 14629 15112 34.1 37.4# ---------------------------------------------------
# 5) Gráfico comparativo
# ---------------------------------------------------
ggplot(df_total,
aes(x = Respuesta,
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje, "%")),
position = position_dodge(width = 0.8),
vjust = -0.3,
size = 4.2) +
scale_fill_manual(values = c(
"2016" = "skyblue",
"2021" = "palevioletred"
)) +
labs(
title = "Reacción de la pareja ante problemas:\nComparación 2016 vs 2021",
x = "Respuesta",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 15),
legend.title = element_blank()
) +
ylim(0, max(df_total$Porcentaje) * 1.20)
library(tidyverse)
# ---------------------------------------------------
# 1) Labels für Antworten
# ---------------------------------------------------
labels_reaccion <- c(
"1" = "Ha mejorado",
"2" = "Ha empeorado",
"3" = "Siempre ha sido igual"
)
# ---------------------------------------------------
# 2) Funktion zur Bereinigung
# ---------------------------------------------------
prep_reaccion <- function(data, var, year) {
data %>%
select(all_of(var)) %>%
mutate(
valor = as.numeric(!!sym(var)),
valor = ifelse(valor %in% c(9), NA, valor)
) %>%
filter(!is.na(valor)) %>%
group_by(valor) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Año = year,
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
Respuesta = labels_reaccion[as.character(valor)]
)
}
# ---------------------------------------------------
# 3) Datensätze vorbereiten
# ---------------------------------------------------
data_2016 <- prep_reaccion(vio_apoyo16, "P13_31", "2016")
data_2021 <- prep_reaccion(apoyo_legal, "P14_32", "2021")
df_total <- bind_rows(data_2016, data_2021)
# ---------------------------------------------------
# 4) Vergleichstabelle erstellen (Wide Format)
# ---------------------------------------------------
tabla_reaccion <- df_total %>%
select(Año, Respuesta, Frecuencia, Porcentaje) %>%
pivot_wider(
names_from = Año,
values_from = c(Frecuencia, Porcentaje),
names_glue = "{.value}_{Año}"
) %>%
arrange(match(Respuesta, labels_reaccion))
tabla_reaccion## # A tibble: 3 × 5
## Respuesta Frecuencia_2016 Frecuencia_2021 Porcentaje_2016 Porcentaje_2021
## <chr> <int> <int> <dbl> <dbl>
## 1 Ha mejorado 20722 17963 48.3 44.5
## 2 Ha empeorado 7529 7290 17.6 18.1
## 3 Siempre ha si… 14629 15112 34.1 37.4library(tidyverse)
# Variablenliste
causas_vars <- c(
"P14_33AB_1", "P14_33AB_2", "P14_33AB_3", "P14_33AB_4",
"P14_33AB_5", "P14_33AB_6", "P14_33AB_7", "P14_33AB_8",
"P14_33AB_9", "P14_33AB10", "P14_33AB11", "P14_33AB12",
"P14_33AB13", "P14_33AB14"
)
# 1) Auswahl + sichere Zeichen-Konvertierung + NA-Behandlung
data_causas <- apoyo_legal %>%
select(any_of(causas_vars)) %>%
# erst alle Spalten zu character (ermöglicht Vergleich mit "b")
mutate(across(everything(), ~ as.character(.))) %>%
# "b" oder leerstring -> NA; auch "9" (No especificado) -> NA
mutate(across(everything(),
~ na_if(., "b"))) %>%
mutate(across(everything(),
~ na_if(., ""))) %>%
mutate(across(everything(),
~ na_if(., "9"))) %>%
# Falls die Werte 0/1 als Strings vorliegen, in numeric umwandeln
mutate(across(everything(), ~ as.numeric(.)))
# Prüfen: kurze Übersicht
# glimpse(data_causas)
# summary(data_causas)
# 2) in langes Format umwandeln und nur "Sí" (==1) behalten
data_causas_long <- data_causas %>%
pivot_longer(cols = everything(),
names_to = "Causa",
values_to = "Respuesta") %>%
filter(!is.na(Respuesta)) %>% # entferne NAs (inkl. vorher 9/"b")
filter(Respuesta == 1) # nur affirmative Antworten zählen
# 3) Labels definieren
causas_labels <- c(
"P14_33AB_1" = "Problemas económicos",
"P14_33AB_2" = "Pérdida de empleo (de él o de usted)",
"P14_33AB_3" = "Él tenía otra relación amorosa",
"P14_33AB_4" = "Usted tenía otra relación amorosa",
"P14_33AB_5" = "Usted comenzó a trabajar",
"P14_33AB_6" = "Llegó a vivir otra persona",
"P14_33AB_7" = "Usted no se embarazó",
"P14_33AB_8" = "Usted se embarazó",
"P14_33AB_9" = "Nacimiento de un hijo o hija",
"P14_33AB10" = "Él toma o tomaba alcohol",
"P14_33AB11" = "Emergencia sanitaria por COVID-19",
"P14_33AB12" = "No sabe por qué lo hace",
"P14_33AB13" = "Por ninguna razón",
"P14_33AB14" = "Otro motivo"
)
# 4) Häufigkeiten & Prozent berechnen
causas_summary <- data_causas_long %>%
group_by(Causa) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Porcentaje = Frecuencia / sum(Frecuencia) * 100,
Causa_texto = causas_labels[Causa]
) %>%
arrange(desc(Porcentaje))
# 5) Grafik erstellen
library(ggplot2)
ggplot(causas_summary, aes(x = reorder(Causa_texto, Porcentaje),
y = Porcentaje, fill = Causa_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")),
hjust = -0.05, size = 3.5) +
scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
labs(
title = "Razón por el incio del maltrato \n 2021",
x = NULL,
y = "Porcentaje de mujeres (respondieron 'Sí')"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"))
library(tidyverse)
# ------------------------------------------------------------
# 1) Relevante Variablen definieren
# ------------------------------------------------------------
vars_razones <- c(
"P13_32AB_1", # problemas económicos
"P13_32AB_2", # pérdida de empleo
"P13_32AB_3", # él tenía otra relación
"P13_32AB_4", # usted tenía otra relación
"P13_32AB_5", # usted comenzó a trabajar
"P13_32AB_6", # llegó a vivir otra persona
"P13_32AB_7", # usted no se embarazó
"P13_32AB_8", # usted se embarazó
"P13_32AB_9", # nacimiento de un hijo(a)
"P13_32_10", # él toma o tomaba
"P13_32_11", # no sabe por qué lo hace
"P13_32_12", # por ninguna razón
"P13_32_13" # otro
)
# ------------------------------------------------------------
# 2) Labels definieren
# ------------------------------------------------------------
labels_razones <- c(
P13_32AB_1 = "Problemas económicos",
P13_32AB_2 = "Pérdida de empleo",
P13_32AB_3 = "Él tenía otra relación",
P13_32AB_4 = "Ella tenía otra relación",
P13_32AB_5 = "Ella comenzó a trabajar",
P13_32AB_6 = "Llegó otra persona a vivir con ustedes",
P13_32AB_7 = "Ella no se embarazó",
P13_32AB_8 = "Ella se embarazó",
P13_32AB_9 = "Nacimiento de un hijo/a",
P13_32_10 = "Él toma o tomaba",
P13_32_11 = "No sabe por qué lo hace",
P13_32_12 = "Por ninguna razón",
P13_32_13 = "Otro"
)
# ------------------------------------------------------------
# 3) Daten vorbereiten
# ------------------------------------------------------------
data_razones <- vio_apoyo16 %>%
select(any_of(vars_razones)) %>%
mutate(across(
everything(),
~ ifelse(. %in% c(9), NA, .) # 9 = No especificado → NA
)) %>%
pivot_longer(
cols = everything(),
names_to = "Variable",
values_to = "Respuesta"
) %>%
filter(Respuesta == 1) %>% # nur "Sí"
mutate(
Variable = factor(Variable,
levels = names(labels_razones),
labels = labels_razones)
)
# ------------------------------------------------------------
# 4) Häufigkeit & Prozent berechnen
# ------------------------------------------------------------
razones_summary <- data_razones %>%
group_by(Variable) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
Label = paste0(Frecuencia, " (", Porcentaje, "%)")
) %>%
arrange(Porcentaje)
# ------------------------------------------------------------
# 5) Grafik erstellen (waagrecht, mit Zahlen & Prozenten)
# ------------------------------------------------------------
ggplot(razones_summary,
aes(x = Variable, y = Frecuencia)) +
geom_bar(stat = "identity", fill = "#3C6E71") +
geom_text(aes(label = Label),
hjust = -0.1, size = 4) +
coord_flip() +
labs(
title = "Razón por el incio del maltrato \n 2016",
subtitle = "ENDIREH 2016 – Solo respuestas afirmativas (Sí)",
x = "Razón",
y = "Frecuencia"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.y = element_text(size = 11)
) +
ylim(0, max(razones_summary$Frecuencia) * 1.25)
library(tidyverse)
# ------------------------------------------------------------
# 1) Labels EINHEITLICH definieren für beide Jahre
# ------------------------------------------------------------
causas_labels <- c(
"econ" = "Problemas económicos",
"empleo" = "Pérdida de empleo",
"otra_el" = "Él tenía otra relación",
"otra_ella" = "Ella tenía otra relación",
"trabaja_ella" = "Ella comenzó a trabajar",
"vive_otro" = "Llegó otra persona a vivir",
"no_emb" = "Ella no se embarazó",
"si_emb" = "Ella se embarazó",
"nacimiento" = "Nacimiento de un hijo/a",
"alcohol" = "Él toma o tomaba alcohol",
"no_sabe" = "No sabe por qué lo hace",
"ninguna" = "Por ninguna razón",
"otro" = "Otro motivo"
)
# Mapping Tabellen: 2016 → Labelschlüssel
map2016 <- c(
P13_32AB_1 = "econ",
P13_32AB_2 = "empleo",
P13_32AB_3 = "otra_el",
P13_32AB_4 = "otra_ella",
P13_32AB_5 = "trabaja_ella",
P13_32AB_6 = "vive_otro",
P13_32AB_7 = "no_emb",
P13_32AB_8 = "si_emb",
P13_32AB_9 = "nacimiento",
P13_32_10 = "alcohol",
P13_32_11 = "no_sabe",
P13_32_12 = "ninguna",
P13_32_13 = "otro"
)
# Mapping Tabellen: 2021 → Labelschlüssel
map2021 <- c(
P14_33AB_1 = "econ",
P14_33AB_2 = "empleo",
P14_33AB_3 = "otra_el",
P14_33AB_4 = "otra_ella",
P14_33AB_5 = "trabaja_ella",
P14_33AB_6 = "vive_otro",
P14_33AB_7 = "no_emb",
P14_33AB_8 = "si_emb",
P14_33AB_9 = "nacimiento",
P14_33AB10 = "alcohol",
P14_33AB11 = "no_sabe",
P14_33AB12 = "ninguna",
P14_33AB13 = "otro",
P14_33AB14 = "otro"
)
# ------------------------------------------------------------
# 2) Funktion zur Vorbereitung der Daten
# ------------------------------------------------------------
prep_causas <- function(data, vars, map, year) {
data %>%
select(any_of(vars)) %>%
mutate(across(everything(), ~ as.character(.))) %>%
mutate(across(everything(), ~ na_if(., "b"))) %>%
mutate(across(everything(), ~ na_if(., ""))) %>%
mutate(across(everything(), ~ na_if(., "9"))) %>%
mutate(across(everything(), ~ as.numeric(.))) %>%
pivot_longer(cols = everything(),
names_to = "Variable",
values_to = "Respuesta") %>%
filter(Respuesta == 1) %>%
mutate(
causa_key = map[Variable],
Causa = causas_labels[causa_key],
Año = year
)
}
# ------------------------------------------------------------
# 3) Daten beider Jahre vorbereiten
# ------------------------------------------------------------
data2021 <- prep_causas(apoyo_legal, names(map2021), map2021, "2021")
data2016 <- prep_causas(vio_apoyo16, names(map2016), map2016, "2016")
df <- bind_rows(data2016, data2021)
# ------------------------------------------------------------
# 4) Zusammenfassen (Prozent pro Jahr & Ursache)
# ------------------------------------------------------------
summary_df <- df %>%
group_by(Año, Causa) %>%
summarise(Frecuencia = n(), .groups = "drop_last") %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)
) %>%
ungroup()
# Reihenfolge nach 2021 sortieren (absteigend), damit es schön aussieht
orden <- summary_df %>%
filter(Año == "2021") %>%
arrange(Porcentaje) %>%
pull(Causa)
summary_df$Causa <- factor(summary_df$Causa, levels = orden)
# ------------------------------------------------------------
# 5) Gemeinsame Grafik
# ------------------------------------------------------------
ggplot(summary_df,
aes(x = Causa,
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.3) +
coord_flip() +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
scale_y_continuous(expand = expansion(mult = c(0, 0.13))) +
labs(
title = "Razones por el inicio del maltrato\nComparación ENDIREH 2016 vs 2021",
x = "Razón",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold")
)
# ------------------------------------------------------------
# Tabelle mit absoluten Zahlen & Prozentwerten
# ------------------------------------------------------------
tabla_causas <- summary_df %>%
select(Año, Causa, Frecuencia, Porcentaje) %>%
pivot_wider(
names_from = Año,
values_from = c(Frecuencia, Porcentaje),
names_glue = "{.value}_{Año}"
) %>%
arrange(Causa)
tabla_causas## # A tibble: 13 × 5
## Causa Frecuencia_2016 Frecuencia_2021 Porcentaje_2016 Porcentaje_2021
## <fct> <int> <int> <dbl> <dbl>
## 1 Ella no se e… 302 367 0.6 0.8
## 2 Ella se emba… 361 377 0.7 0.8
## 3 Ella tenía o… 489 428 1 0.9
## 4 Llegó otra p… 510 472 1.1 1
## 5 Nacimiento d… 500 521 1 1.1
## 6 No sabe por … 4877 1286 10.1 2.7
## 7 Ella comenzó… 1338 1309 2.8 2.8
## 8 Pérdida de e… 2209 2139 4.6 4.5
## 9 Por ninguna … 7260 3305 15 7
## 10 Él tenía otr… 6726 7158 13.9 15.2
## 11 Problemas ec… 9325 7767 19.2 16.5
## 12 Él toma o to… 9625 10630 19.9 22.6
## 13 Otro motivo 4964 11296 10.2 24library(tidyverse)
# Variablenliste
ayuda_vars <- c(
"P14_34AB_1", "P14_34AB_2", "P14_34AB_3", "P14_34AB_4",
"P14_34AB_5", "P14_34AB_6", "P14_34AB_7", "P14_34AB_8"
)
# 1) Auswahl + sichere Zeichen-Konvertierung + NA-Behandlung
data_ayuda <- apoyo_legal %>%
select(any_of(ayuda_vars)) %>%
mutate(across(everything(), ~ as.character(.))) %>% # Character, damit "b" erkannt wird
mutate(across(everything(), ~ na_if(., "b"))) %>% # blanco -> NA
mutate(across(everything(), ~ na_if(., "9"))) %>% # No especificado -> NA
mutate(across(everything(), as.numeric)) # sicherstellen, dass numeric
# 2) In langes Format umwandeln und nur affirmative Antworten (1) behalten
data_ayuda_long <- data_ayuda %>%
pivot_longer(cols = everything(),
names_to = "Destino",
values_to = "Respuesta") %>%
filter(!is.na(Respuesta)) %>%
filter(Respuesta == 1)
# 3) Labels definieren
ayuda_labels <- c(
"P14_34AB_1" = "Familiares",
"P14_34AB_2" = "Amistades",
"P14_34AB_3" = "Psicólogo(a)/Trabajador(a) social",
"P14_34AB_4" = "Sacerdote/Instancia religiosa",
"P14_34AB_5" = "ONG",
"P14_34AB_6" = "Refugio para mujeres maltratadas",
"P14_34AB_7" = "No platica ni pide ayuda",
"P14_34AB_8" = "Otro"
)
# 4) Häufigkeiten & Prozent berechnen
ayuda_summary <- data_ayuda_long %>%
group_by(Destino) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Porcentaje = Frecuencia / sum(Frecuencia) * 100,
Destino_texto = ayuda_labels[Destino]
) %>%
arrange(desc(Porcentaje))
# 5) Balkendiagramm erstellen
ggplot(ayuda_summary, aes(x = reorder(Destino_texto, Porcentaje),
y = Porcentaje, fill = Destino_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = paste0(round(Porcentaje, 1), "%")),
hjust = -0.05, size = 3.5) +
scale_y_continuous(expand = expansion(mult = c(0, 0.12))) +
labs(
title = "¿a quién platica o pide ayuda por problemas? \n 2021",
x = NULL,
y = "Porcentaje de mujeres (respondieron 'Sí')"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"))
library(tidyverse)
# ------------------------------------------------------------
# 1) Relevante Variablen definieren
# ------------------------------------------------------------
vars_ayuda <- c(
"P13_33AB_1", # familiares
"P13_33AB_2", # amistades
"P13_33AB_3", # psicólogo(a) o trabajador(a) social
"P13_33AB_4", # sacerdote o instancia religiosa
"P13_33AB_5", # ONG
"P13_33AB_6", # refugio
"P13_33AB_7", # no pide ayuda
"P13_33AB_8" # otro
)
# ------------------------------------------------------------
# 2) Labels definieren
# ------------------------------------------------------------
labels_ayuda <- c(
P13_33AB_1 = "Familiares",
P13_33AB_2 = "Amistades",
P13_33AB_3 = "Psicólogo/a o trabajador(a) social",
P13_33AB_4 = "Sacerdote / Instancia religiosa",
P13_33AB_5 = "Organización no gubernamental (ONG)",
P13_33AB_6 = "Refugio para mujeres",
P13_33AB_7 = "No pide ayuda",
P13_33AB_8 = "Otro"
)
# ------------------------------------------------------------
# 3) Daten vorbereiten (nur Sí = 1)
# ------------------------------------------------------------
data_ayuda <- vio_apoyo16 %>%
select(any_of(vars_ayuda)) %>%
mutate(across(
everything(),
~ ifelse(. %in% c(9), NA, .) # 9 = No especificado
)) %>%
pivot_longer(
cols = everything(),
names_to = "Variable",
values_to = "Respuesta"
) %>%
filter(Respuesta == 1) %>% # nur "Sí"
mutate(
Variable = factor(Variable,
levels = names(labels_ayuda),
labels = labels_ayuda)
)
# ------------------------------------------------------------
# 4) Häufigkeit & Prozent berechnen
# ------------------------------------------------------------
ayuda_summary <- data_ayuda %>%
group_by(Variable) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
Label = paste0(Frecuencia, " (", Porcentaje, "%)")
) %>%
arrange(Porcentaje)
# ------------------------------------------------------------
# 5) Grafik erzeugen (waagrecht)
# ------------------------------------------------------------
ggplot(ayuda_summary,
aes(x = Variable, y = Frecuencia)) +
geom_bar(stat = "identity", fill = "#6A8EAE") +
geom_text(aes(label = Label),
hjust = -0.1, size = 4, color = "black") +
coord_flip() +
labs(
title = "¿a quién platica/pide ayuda por problemas?",
subtitle = "ENDIREH 2016 – Solo respuestas afirmativas (Sí)",
x = "Persona o institución",
y = "Frecuencia"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
axis.text.y = element_text(size = 11)
) +
ylim(0, max(ayuda_summary$Frecuencia) * 1.25)
library(tidyverse)
# ------------------------------------------------------------
# 1) Labels einheitlich definieren
# ------------------------------------------------------------
ayuda_labels <- c(
"1" = "Familiares",
"2" = "Amistades",
"3" = "Psicólogo(a)/Trabajador(a) social",
"4" = "Sacerdote/Instancia religiosa",
"5" = "ONG",
"6" = "Refugio para mujeres",
"7" = "No platica ni pide ayuda",
"8" = "Otro"
)
# ------------------------------------------------------------
# 2) Funktion zur Vorbereitung (für 2016 und 2021)
# ------------------------------------------------------------
prep_ayuda <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ as.character(.))) %>%
mutate(across(everything(), ~ na_if(., "9"))) %>%
mutate(across(everything(), ~ na_if(., "b"))) %>%
mutate(across(everything(), ~ as.numeric(.))) %>%
pivot_longer(everything(),
names_to = "item",
values_to = "valor") %>%
filter(!is.na(valor), valor == 1) %>%
mutate(
num = str_extract(item, "\\d+$"),
Destino = ayuda_labels[num],
Año = year
) %>%
group_by(Año, Destino) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1))
}
# ------------------------------------------------------------
# 3) Daten vorbereiten
# ------------------------------------------------------------
# 2021
vars_2021 <- c(
"P14_34AB_1","P14_34AB_2","P14_34AB_3","P14_34AB_4",
"P14_34AB_5","P14_34AB_6","P14_34AB_7","P14_34AB_8"
)
data_2021 <- prep_ayuda(apoyo_legal, vars_2021, "2021")
# 2016
vars_2016 <- c(
"P13_33AB_1","P13_33AB_2","P13_33AB_3","P13_33AB_4",
"P13_33AB_5","P13_33AB_6","P13_33AB_7","P13_33AB_8"
)
data_2016 <- prep_ayuda(vio_apoyo16, vars_2016, "2016")
# Zusammenführen
data_all <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------------
# 4) GRAFIK 2016 + 2021
# ------------------------------------------------------------
ggplot(data_all,
aes(x = reorder(Destino, Porcentaje),
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.8) +
coord_flip() +
scale_fill_manual(values = c("2016" = "skyblue",
"2021" = "palevioletred")) +
labs(
title = "¿A quién platica o pide ayuda por problemas?\nComparación 2016 vs 2021",
x = "Persona o institución",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"),
legend.title = element_blank()) +
ylim(0, max(data_all$Porcentaje) * 1.15)
library(tidyverse)
# ------------------------------------------------------------
# 1) Labels einheitlich definieren
# ------------------------------------------------------------
ayuda_labels <- c(
"1" = "Familiares",
"2" = "Amistades",
"3" = "Psicólogo(a)/Trabajador(a) social",
"4" = "Sacerdote/Instancia religiosa",
"5" = "ONG",
"6" = "Refugio para mujeres",
"7" = "No platica ni pide ayuda",
"8" = "Otro"
)
# ------------------------------------------------------------
# 2) Funktion zur Vorbereitung (für 2016 und 2021)
# ------------------------------------------------------------
prep_ayuda <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ as.character(.))) %>%
mutate(across(everything(), ~ na_if(., "9"))) %>%
mutate(across(everything(), ~ na_if(., "b"))) %>%
mutate(across(everything(), ~ as.numeric(.))) %>%
pivot_longer(everything(),
names_to = "item",
values_to = "valor") %>%
filter(!is.na(valor), valor == 1) %>%
mutate(
num = str_extract(item, "\\d+$"),
Destino = ayuda_labels[num],
Año = year
) %>%
group_by(Año, Destino) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1))
}
# ------------------------------------------------------------
# 3) Daten vorbereiten
# ------------------------------------------------------------
# 2021
vars_2021 <- c(
"P14_34AB_1","P14_34AB_2","P14_34AB_3","P14_34AB_4",
"P14_34AB_5","P14_34AB_6","P14_34AB_7","P14_34AB_8"
)
data_2021 <- prep_ayuda(apoyo_legal, vars_2021, "2021")
# 2016
vars_2016 <- c(
"P13_33AB_1","P13_33AB_2","P13_33AB_3","P13_33AB_4",
"P13_33AB_5","P13_33AB_6","P13_33AB_7","P13_33AB_8"
)
data_2016 <- prep_ayuda(vio_apoyo16, vars_2016, "2016")
# Zusammenführen
data_all <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------------
# 4) TABELLE (wide) erstellen
# ------------------------------------------------------------
tabla_ayuda <- data_all %>%
select(Destino, Año, Frecuencia, Porcentaje) %>%
pivot_wider(
names_from = Año,
values_from = c(Frecuencia, Porcentaje),
names_glue = "{.value}_{Año}"
) %>%
arrange(match(Destino, ayuda_labels))
tabla_ayuda## # A tibble: 8 × 5
## Destino Frecuencia_2016 Frecuencia_2021 Porcentaje_2016 Porcentaje_2021
## <chr> <int> <int> <dbl> <dbl>
## 1 Familiares 15332 14635 36.2 36.7
## 2 Amistades 4841 4455 11.4 11.2
## 3 Psicólogo(a)/… 1437 1758 3.4 4.4
## 4 Sacerdote/Ins… 1290 1104 3 2.8
## 5 ONG 122 83 0.3 0.2
## 6 Refugio para … 62 52 0.1 0.1
## 7 No platica ni… 18664 17376 44 43.6
## 8 Otro 640 426 1.5 1.1library(dplyr)
library(ggplot2)
# --------------------------
# 1. Variable finden in vio_apoyo16
# --------------------------
varname <- grep("^P13_33B$", names(vio_apoyo16), value = TRUE)
if (length(varname) == 0) {
stop("❌ Die Variable 'P13_33B' wurde im Datensatz 'vio_apoyo16' nicht gefunden.
➡ Bitte überprüfe den Variablennamen mit: names(vio_apoyo16)")
}
# --------------------------
# 2. Kategorien definieren
# --------------------------
labels <- c(
"1" = "Usted",
"2" = "Su ex-esposo/ex-pareja",
"3" = "Ambos",
"4" = "Él se fue (EE.UU. u otro lugar)",
"5" = "Enviudó",
"6" = "Otro"
)
# --------------------------
# 3. Daten bereinigen
# --------------------------
df_plot <- vio_apoyo16 %>%
filter(.data[[varname]] %in% 1:6) %>% # gültige Werte behalten
mutate(
decision = factor(
.data[[varname]],
levels = 1:6,
labels = labels
)
)
# --------------------------
# 4. Häufigkeit + Prozent
# --------------------------
plot_data <- df_plot %>%
count(decision) %>%
mutate(percent = round(n / sum(n) * 100, 1))
# --------------------------
# 5. Grafik
# --------------------------
ggplot(plot_data, aes(x = decision, y = n)) +
geom_bar(stat = "identity", fill = "steelblue") +
geom_text(
aes(
label = paste0(percent, "%"),
hjust = ifelse(percent < 8, -0.2, 1.2), # kleine Werte nach außen!
color = ifelse(percent < 8, "black", "white")
),
size = 4,
vjust = 0.5
) +
scale_color_identity() + # erlaubt direkte Farbsteuerung
coord_flip() +
labs(
title = "¿Quién tomó la decisión de separarse? (2016)",
x = "",
y = "Frecuencia"
) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1)
)
library(tidyverse)
# ---- 1) Wer hat die Entscheidung getroffen? ----
decision_vars <- c("P14_35B")
decision_labels <- c(
"1" = "Usted",
"2" = "Su exesposo o expareja",
"3" = "Ambos",
"4" = "Él se fue a Estados Unidos u otro lugar",
"5" = "Enviudó",
"6" = "Otro"
)
data_decision <- apoyo_legal %>%
select(all_of(decision_vars)) %>%
mutate(across(everything(), ~na_if(as.character(.), "b"))) %>% # blanco -> NA
filter(!is.na(P14_35B))
decision_summary <- data_decision %>%
count(P14_35B) %>%
mutate(
Porcentaje = n / sum(n) * 100,
Decision_texto = decision_labels[P14_35B]
)
# Balkendiagramm Entscheidung
ggplot(decision_summary, aes(x = reorder(Decision_texto, Porcentaje),
y = Porcentaje,
fill = Decision_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "¿Quién tomó la decisión de separarse? \n 2021",
x = NULL,
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13)
# ---- 2) Reaktionen des Ex-Partners ----
reacciones_vars <- c(
"P14_35B1_1", "P14_35B1_2", "P14_35B1_3",
"P14_35B1_4", "P14_35B1_5", "P14_35B1_6"
)
reacciones_labels <- c(
"P14_35B1_1" = "Aceptó o estuvo de acuerdo",
"P14_35B1_2" = "Se negó",
"P14_35B1_3" = "La amenazó con quitarle a sus hijos(as)",
"P14_35B1_4" = "La amenazó con quitarle la casa o pertenencias",
"P14_35B1_5" = "La sacó o corrió de la casa",
"P14_35B1_6" = "Otro"
)
data_reacciones <- apoyo_legal %>%
select(all_of(reacciones_vars)) %>%
mutate(across(everything(), ~na_if(as.character(.), "b"))) %>% # blanco -> NA
mutate(across(everything(), ~na_if(., "0"))) %>% # 0 = No se declaró -> NA
mutate(across(everything(), as.numeric)) %>%
pivot_longer(cols = everything(),
names_to = "Reaccion",
values_to = "Respuesta") %>%
filter(!is.na(Respuesta) & Respuesta == 1) # nur Sí
reacciones_summary <- data_reacciones %>%
count(Reaccion) %>%
mutate(
Porcentaje = n / sum(n) * 100,
Reaccion_texto = reacciones_labels[Reaccion]
)
# Balkendiagramm Reaktionen
ggplot(reacciones_summary, aes(x = reorder(Reaccion_texto, Porcentaje),
y = Porcentaje,
fill = Reaccion_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Reacciones del exparaja de separarse \n 2021",
x = NULL,
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13)
library(tidyverse)
# ------------------------------------------------------------
# 1) Labels für beide Jahre
# ------------------------------------------------------------
decision_labels <- c(
"1" = "Usted",
"2" = "Su exesposo/expareja",
"3" = "Ambos",
"4" = "Él se fue (EE.UU. u otro lugar)",
"5" = "Enviudó",
"6" = "Otro"
)
# ------------------------------------------------------------
# 2) Funktion zur Berechnung (für 2016 + 2021)
# ------------------------------------------------------------
prep_decision <- function(df, var, year) {
df %>%
mutate(val = as.character(.data[[var]])) %>%
mutate(val = na_if(val, "9"),
val = na_if(val, "b")) %>%
filter(val %in% names(decision_labels)) %>%
mutate(
val = factor(val, levels = names(decision_labels), labels = decision_labels),
Año = year
) %>%
count(Año, val, name = "Frecuencia") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
rename(Decision = val)
}
# ------------------------------------------------------------
# 3) Daten vorbereiten
# ------------------------------------------------------------
# 2016
data_2016 <- prep_decision(
df = vio_apoyo16,
var = "P13_33B",
year = "2016"
)
# 2021
data_2021 <- prep_decision(
df = apoyo_legal,
var = "P14_35B",
year = "2021"
)
# Daten zusammenführen
data_all <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------------
# 4) Vergleichsgrafik 2016 + 2021
# ------------------------------------------------------------
ggplot(data_all,
aes(x = reorder(Decision, Porcentaje),
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.8) +
coord_flip() +
scale_fill_manual(values = c(
"2016" = "skyblue",
"2021" = "palevioletred"
)) +
labs(
title = "¿Quién tomó la decisión de separarse?\nComparación ENDIREH 2016 vs 2021",
x = "",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
legend.title = element_blank()
) +
ylim(0, max(data_all$Porcentaje) * 1.15)
library(tidyverse)
# ------------------------------------------------------------
# 1) Labels definieren
# ------------------------------------------------------------
decision_labels <- c(
"1" = "Usted",
"2" = "Su ex-esposo/ex-pareja",
"3" = "Ambos",
"4" = "Él se fue (EE.UU. u otro lugar)",
"5" = "Enviudó",
"6" = "Otro"
)
# ------------------------------------------------------------
# 2) Funktion für beide Jahre
# ------------------------------------------------------------
prep_decision <- function(df, var, year) {
df %>%
mutate(
value = as.character(.data[[var]]),
value = na_if(value, "9"),
value = na_if(value, "b"),
value = as.numeric(value)
) %>%
filter(value %in% 1:6) %>%
mutate(
Decision = decision_labels[as.character(value)],
Año = year
) %>%
count(Año, Decision, name = "Frecuencia") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# ------------------------------------------------------------
# 3) Daten vorbereiten (2016 + 2021)
# ------------------------------------------------------------
data_2016 <- prep_decision(vio_apoyo16, "P13_33B", "2016")
data_2021 <- prep_decision(apoyo_legal, "P14_35B", "2021")
# Zusammenführen
decision_table <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------------
# 4) Ausgabe der Vergleichstabelle
# ------------------------------------------------------------
decision_table %>%
arrange(Decision, Año)## # A tibble: 12 × 4
## Año Decision Frecuencia Porcentaje
## <chr> <chr> <int> <dbl>
## 1 2016 Ambos 935 8.4
## 2 2021 Ambos 1032 8.4
## 3 2016 Enviudó 2992 26.9
## 4 2021 Enviudó 3228 26.3
## 5 2016 Otro 96 0.9
## 6 2021 Otro 87 0.7
## 7 2016 Su ex-esposo/ex-pareja 1422 12.8
## 8 2021 Su ex-esposo/ex-pareja 1527 12.5
## 9 2016 Usted 5295 47.7
## 10 2021 Usted 6083 49.6
## 11 2016 Él se fue (EE.UU. u otro lugar) 368 3.3
## 12 2021 Él se fue (EE.UU. u otro lugar) 302 2.5library(dplyr)
library(tidyr)
library(ggplot2)
# -------------------------------
# 1. Variablenliste definieren
# -------------------------------
vars <- c(
"P13_33B1_1",
"P13_33B1_2",
"P13_33B1_3",
"P13_33B1_4",
"P13_33B1_5",
"P13_33B1_6"
)
labels <- c(
"P13_33B1_1" = "Aceptó / estuvo de acuerdo",
"P13_33B1_2" = "Se negó",
"P13_33B1_3" = "Amenazó con quitarle a sus hijos",
"P13_33B1_4" = "Amenazó con quitarle casa/pertenencias",
"P13_33B1_5" = "La sacó / corrió de la casa",
"P13_33B1_6" = "Otro"
)
# -------------------------------
# 2. Daten auswählen & bereinigen
# -------------------------------
df_clean <- vio_apoyo16 %>%
select(any_of(vars)) %>% # <- funktioniert auch, wenn 1 Variable fehlt
mutate(across(
everything(),
~ ifelse(. == 1, 1, ifelse(. == 0, 0, NA)) # 1 = Sí, 0 = No, andere = NA
))
# -------------------------------
# 3. Langes Format + Zählen
# -------------------------------
df_long <- df_clean %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
filter(respuesta == 1) %>% # nur "Sí"
group_by(variable) %>%
summarise(Frecuencia = n()) %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
variable = labels[variable]
)
# -------------------------------
# 4. Grafik
# -------------------------------
ggplot(df_long,
aes(x = reorder(variable, Porcentaje),
y = Porcentaje,
fill = variable)) +
geom_col() +
geom_text(aes(label = paste0(Porcentaje, "%")),
hjust = -0.2, size = 4) +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "¿Cómo reaccionó su ex-pareja? 2016",
x = "",
y = "Porcentaje (solo respuestas afirmativas)"
) +
theme(
legend.position = "none",
plot.title = element_text(face = "bold")
) +
ylim(0, max(df_long$Porcentaje) * 1.15)
library(tidyverse)
# ============================================================
# 1) Labels definieren
# ============================================================
reaccion_labels <- c(
"1" = "Aceptó o estuvo de acuerdo",
"2" = "Se negó",
"3" = "La amenazó con quitarle a sus hijos(as)",
"4" = "La amenazó con quitarle casa o pertenencias",
"5" = "La sacó o corrió de la casa",
"6" = "Otro"
)
# ============================================================
# 2) Funktion für beide Jahre
# ============================================================
prep_reacciones <- function(df, vars, year) {
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ as.character(.))) %>%
mutate(across(everything(), ~ na_if(., "9"))) %>%
mutate(across(everything(), ~ na_if(., "b"))) %>%
mutate(across(everything(), ~ na_if(., "0"))) %>%
mutate(across(everything(), as.numeric)) %>%
pivot_longer(cols = everything(),
names_to = "item",
values_to = "valor") %>%
filter(!is.na(valor), valor == 1) %>%
mutate(
num = str_extract(item, "\\d+$"),
Reaccion = reaccion_labels[num],
Año = year
) %>%
count(Año, Reaccion, name = "Frecuencia") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# ============================================================
# 3) Daten vorbereiten
# ============================================================
# ---- 2021 ----
vars_2021 <- c(
"P14_35B1_1","P14_35B1_2","P14_35B1_3",
"P14_35B1_4","P14_35B1_5","P14_35B1_6"
)
data_2021 <- prep_reacciones(apoyo_legal, vars_2021, "2021")
# ---- 2016 ----
vars_2016 <- c(
"P13_33B1_1","P13_33B1_2","P13_33B1_3",
"P13_33B1_4","P13_33B1_5","P13_33B1_6"
)
data_2016 <- prep_reacciones(vio_apoyo16, vars_2016, "2016")
# ---- Zusammenführen ----
data_all <- bind_rows(data_2016, data_2021)
# ============================================================
# 4) Gemeinsame Grafik 2016 + 2021
# ============================================================
ggplot(data_all,
aes(x = reorder(Reaccion, Porcentaje),
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = Porcentaje),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.8) +
coord_flip() +
scale_fill_manual(values = c(
"2016" = "skyblue",
"2021" = "palevioletred"
)) +
labs(
title = "Reacciones del ex-pareja al separarse\nComparación ENDIREH 2016 vs 2021",
x = "Reacción reportada",
y = "Porcentaje"
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
legend.title = element_blank()
) +
ylim(0, max(data_all$Porcentaje) * 1.15)
library(dplyr)
library(tidyr)
# ---------------------------------------------------
# 1. Labels (für beide Jahre gleich)
# ---------------------------------------------------
reacciones_labels <- c(
"1" = "Aceptó / estuvo de acuerdo",
"2" = "Se negó",
"3" = "Amenazó con quitarle a sus hijos",
"4" = "Amenazó con quitarle casa/pertenencias",
"5" = "La sacó / corrió de la casa",
"6" = "Otro"
)
# ---------------------------------------------------
# 2. Variablenlisten für 2016 und 2021
# ---------------------------------------------------
vars_2016 <- paste0("P13_33B1_", 1:6)
vars_2021 <- paste0("P14_35B1_", 1:6)
# ---------------------------------------------------
# 3. Funktion zur Erzeugung der Zusammenfassung
# ---------------------------------------------------
summary_reacciones <- function(data, vars) {
data %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~ifelse(. == 1, 1, ifelse(. == 0, 0, NA)))) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
filter(respuesta == 1) %>% # nur "Sí"
count(variable) %>%
mutate(
Categoria = reacciones_labels[gsub(".*_", "", variable)],
Porcentaje = round(n / sum(n) * 100, 1)
) %>%
select(Categoria, n, Porcentaje)
}
# ---------------------------------------------------
# 4. Tabellen für beide Jahre erzeugen
# ---------------------------------------------------
tabla_2016 <- summary_reacciones(vio_apoyo16, vars_2016) %>%
rename(Frecuencia_2016 = n, Porcentaje_2016 = Porcentaje)
tabla_2021 <- summary_reacciones(apoyo_legal, vars_2021) %>%
rename(Frecuencia_2021 = n, Porcentaje_2021 = Porcentaje)
# ---------------------------------------------------
# 5. Zusammenführen
# ---------------------------------------------------
tabla_comparativa <- tabla_2016 %>%
full_join(tabla_2021, by = "Categoria")
# Ausgabe
tabla_comparativa## # A tibble: 6 × 5
## Categoria Frecuencia_2016 Porcentaje_2016 Frecuencia_2021 Porcentaje_2021
## <chr> <int> <dbl> <int> <dbl>
## 1 Aceptó / estu… 2412 41.9 2831 39.7
## 2 Se negó 1784 31 2238 31.4
## 3 Amenazó con q… 703 12.2 936 13.1
## 4 Amenazó con q… 370 6.4 531 7.4
## 5 La sacó / cor… 231 4 326 4.6
## 6 Otro 259 4.5 276 3.9library(tidyverse)
# ---- 1) P14_35A: Absicht oder Entscheidung zur Trennung ----
p14_35a_labels <- c(
"1" = "Piensa separarse o terminar la relación",
"2" = "Se separó un tiempo, pero volvió",
"3" = "Quiere separarse pero no puede",
"4" = "No lo piensa o no quiere separarse"
)
data_35a <- apoyo_legal %>%
select(P14_35A) %>%
mutate(P14_35A = na_if(as.character(P14_35A), "b")) %>% # blanco -> NA
mutate(P14_35A = na_if(P14_35A, "9")) %>% # 9 = No especificado -> NA
filter(!is.na(P14_35A))
summary_35a <- data_35a %>%
count(P14_35A) %>%
mutate(
Porcentaje = n / sum(n) * 100,
Decision_texto = p14_35a_labels[P14_35A]
)
# Balkendiagramm P14_35A
ggplot(summary_35a, aes(x = reorder(Decision_texto, Porcentaje),
y = Porcentaje,
fill = Decision_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Decisión o intención de separarse debido a problemas con su pareja \n 2021",
x = NULL,
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13)
# ---- 2) P14_36B: Quién se fue de la casa ----
p14_36b_labels <- c(
"1" = "Usted se fue de la casa",
"2" = "Él se fue de la casa",
"3" = "Ya no vivían juntos"
)
data_36b <- apoyo_legal %>%
select(P14_36B) %>%
mutate(P14_36B = na_if(as.character(P14_36B), "b")) %>% # blanco -> NA
filter(!is.na(P14_36B))
summary_36b <- data_36b %>%
count(P14_36B) %>%
mutate(
Porcentaje = n / sum(n) * 100,
Quien_texto = p14_36b_labels[P14_36B]
)
# Balkendiagramm P14_36B
ggplot(summary_36b, aes(x = reorder(Quien_texto, Porcentaje),
y = Porcentaje,
fill = Quien_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "¿Quién se fue de la casa tras la separación o divorcio? \n 2021",
x = NULL,
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# ----------------------------------------------------
# 1. Variable auswählen (aus vio_apoyo16)
# ----------------------------------------------------
df <- vio_apoyo16 # <--- Falls dein Dataframe anders heißt, hier ändern
varname <- grep("^P13_34A$", names(df), value = TRUE)
if (length(varname) == 0) {
stop("❌ Die Variable 'P13_34A' wurde nicht in 'vio_apoyo16' gefunden.
➡ Benutze names(vio_apoyo16), um alle Variablen anzusehen.")
}
# ----------------------------------------------------
# 2. Labels definieren
# ----------------------------------------------------
labels <- c(
"1" = "Piensa separarse / terminar la relación",
"2" = "Se separó un tiempo, pero volvió",
"3" = "Quiere separarse pero no puede",
"4" = "No piensa / no quiere separarse"
)
# ----------------------------------------------------
# 3. Daten filtern & umkodieren
# ----------------------------------------------------
df_plot <- df %>%
filter(.data[[varname]] %in% 1:4) %>% # gültige Werte
mutate(
respuesta = factor(
.data[[varname]],
levels = 1:4,
labels = labels
)
)
# ----------------------------------------------------
# 4. Häufigkeit & Prozent berechnen
# ----------------------------------------------------
plot_data <- df_plot %>%
count(respuesta) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1)
)
# ----------------------------------------------------
# 5. Grafik erstellen
# ----------------------------------------------------
ggplot(plot_data, aes(x = reorder(respuesta, Porcentaje),
y = Porcentaje)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Porcentaje, "%")),
hjust = -0.1,
size = 4) +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "Decisión de separarse debido a problemas con su pareja\n 2016",
x = "",
y = "Porcentaje"
) +
ylim(0, max(plot_data$Porcentaje) * 1.15) +
theme(
plot.title = element_text(face = "bold")
)
library(tidyverse)
# -------------------------------
# 1) Labels für beide Jahre
# -------------------------------
labels_decision <- c(
"1" = "Piensa separarse o terminar la relación",
"2" = "Se separó un tiempo, pero volvió",
"3" = "Quiere separarse pero no puede",
"4" = "No lo piensa o no quiere separarse"
)
# -------------------------------
# 2) Variablenlisten
# -------------------------------
vars_2016 <- "P13_34A"
vars_2021 <- "P14_35A"
# -------------------------------
# 3) Funktion zur Zusammenfassung
# -------------------------------
prep_decision <- function(df, var, year) {
df %>%
select(all_of(var)) %>%
mutate(across(everything(), ~na_if(as.character(.), "b"))) %>%
mutate(across(everything(), ~na_if(., "9"))) %>%
filter(!is.na(.data[[var]])) %>%
count(.data[[var]]) %>%
mutate(
Decision = labels_decision[as.character(.data[[var]])],
Porcentaje = round(n / sum(n) * 100, 1),
Año = year
) %>%
select(Año, Decision, n, Porcentaje)
}
# -------------------------------
# 4) Zusammenfassung 2016 & 2021
# -------------------------------
df_2016 <- prep_decision(vio_apoyo16, vars_2016, "2016")
df_2021 <- prep_decision(apoyo_legal, vars_2021, "2021")
df_all <- bind_rows(df_2016, df_2021)
# -------------------------------
# 5) Grafik erstellen
# -------------------------------
ggplot(df_all, aes(x = reorder(Decision, Porcentaje),
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje, "%")),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.8) +
coord_flip() +
scale_fill_manual(values = c("2016" = "skyblue", "2021" = "palevioletred")) +
labs(
title = "Decisión o intención de separarse \nComparación ENDIREH 2016 vs 2021",
x = "",
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"),
legend.title = element_blank()) +
ylim(0, max(df_all$Porcentaje) * 1.15)
# -------------------------------
# 6) Tabelle mit absoluten Zahlen und Prozenten
# -------------------------------
tabla_decision <- df_all %>%
arrange(Año, Decision) %>%
pivot_wider(
names_from = Año,
values_from = c(n, Porcentaje),
names_glue = "{Año}_{.value}"
) %>%
# Optional: Spalten umbenennen für bessere Lesbarkeit
rename(
"Casos_2016" = `2016_n`,
"Porcentaje_2016" = `2016_Porcentaje`,
"Casos_2021" = `2021_n`,
"Porcentaje_2021" = `2021_Porcentaje`
)
tabla_decision## # A tibble: 4 × 5
## Decision Casos_2016 Casos_2021 Porcentaje_2016 Porcentaje_2021
## <chr> <int> <int> <dbl> <dbl>
## 1 No lo piensa o no quier… 20368 17572 74.5 73.7
## 2 Piensa separarse o term… 2411 1953 8.8 8.2
## 3 Quiere separarse pero n… 1697 1517 6.2 6.4
## 4 Se separó un tiempo, pe… 2876 2797 10.5 11.7library(dplyr)
library(ggplot2)
# ----------------------------------------------------
# 1. Variable auswählen (aus vio_apoyo16)
# ----------------------------------------------------
df <- vio_apoyo16 # <--- Falls dein Dataframe anders heißt, hier ändern
varname <- grep("^P13_34B$", names(df), value = TRUE)
if (length(varname) == 0) {
stop("❌ Die Variable 'P13_34B' wurde nicht in 'vio_apoyo16' gefunden.
➡ Benutze names(vio_apoyo16), um alle Variablen anzusehen.")
}
# ----------------------------------------------------
# 2. Labels definieren
# ----------------------------------------------------
labels <- c(
"1" = "Usted se fue de la casa",
"2" = "Él se fue de la casa",
"3" = "Ya no vivían juntos"
)
# ----------------------------------------------------
# 3. Daten filtern & umkodieren
# ----------------------------------------------------
df_plot <- df %>%
filter(.data[[varname]] %in% 1:3) %>% # gültige Antworten
mutate(
respuesta = factor(
.data[[varname]],
levels = 1:3,
labels = labels
)
)
# ----------------------------------------------------
# 4. Häufigkeit & Prozent berechnen
# ----------------------------------------------------
plot_data <- df_plot %>%
count(respuesta) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1)
)
# ----------------------------------------------------
# 5. Grafik erstellen
# ----------------------------------------------------
ggplot(plot_data, aes(x = reorder(respuesta, Porcentaje),
y = Porcentaje)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Porcentaje, "%")),
hjust = -0.1,
size = 4) +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "Cuando se separaron o divorciaron…\n 2016" ,
x = "",
y = "Porcentaje"
) +
ylim(0, max(plot_data$Porcentaje) * 1.15) +
theme(
plot.title = element_text(face = "bold")
)
library(tidyverse)
# Funktion zur Erstellung der Tabelle für ein Jahr
tabla_separacion <- function(df, var, labels, year) {
df %>%
select(all_of(var)) %>%
filter(!is.na(.data[[var]])) %>%
count(.data[[var]]) %>%
mutate(
Quien = labels[as.character(.data[[var]])],
Porcentaje = round(n / sum(n) * 100, 1),
Año = year
) %>%
select(Año, Quien, Frecuencia = n, Porcentaje)
}
# Tabelle für 2016
tabla_2016 <- tabla_separacion(vio_apoyo16, "P13_34B", labels, "2016")
# Tabelle für 2021
tabla_2021 <- tabla_separacion(apoyo_legal, "P14_36B", p14_36b_labels, "2021")
# Zusammenführen
tabla_final <- bind_rows(tabla_2016, tabla_2021)
# Ansicht
tabla_final## Año Quien Frecuencia Porcentaje
## 1 2016 Usted se fue de la casa 2553 33.4
## 2 2016 Él se fue de la casa 4285 56.0
## 3 2016 Ya no vivían juntos 384 5.0
## 4 2016 <NA> 430 5.6
## 5 2021 Usted se fue de la casa 3254 37.7
## 6 2021 Él se fue de la casa 4960 57.4
## 7 2021 Ya no vivían juntos 428 5.0library(tidyverse)
# ------------------------------------------------------------
# 1) Variablen und Labels definieren
# ------------------------------------------------------------
vars_36a_2021 <- paste0("P14_36A_", sprintf("%02d", 1:11))
labels_36a_2021 <- c(
"P14_36A_01" = "Los problemas no son tan graves",
"P14_36A_02" = "No tiene a donde irse y él no quiere salir",
"P14_36A_03" = "No tiene cómo sostenerse económicamente",
"P14_36A_04" = "Por sus hijos(as)",
"P14_36A_05" = "Amenazas de quitarle hijos o casa",
"P14_36A_06" = "Miedo de lo que le pueda hacer",
"P14_36A_07" = "No cuenta con apoyo de nadie",
"P14_36A_08" = "Lo quiere o lo necesita",
"P14_36A_09" = "Los problemas se solucionaron",
"P14_36A_10" = "Una esposa debe sobrellevar dificultades",
"P14_36A_11" = "Otro"
)
# ------------------------------------------------------------
# 2) Daten bereinigen und ins Long-Format bringen
# ------------------------------------------------------------
data_36a_2021 <- apoyo_legal %>%
select(all_of(vars_36a_2021)) %>%
# códigos inválidos → NA
mutate(across(everything(), ~ na_if(as.character(.), "b"))) %>%
mutate(across(everything(), ~ na_if(., "9"))) %>%
mutate(across(everything(), as.numeric)) %>%
pivot_longer(
cols = everything(),
names_to = "Pregunta",
values_to = "Respuesta"
) %>%
# solo respuestas válidas
filter(!is.na(Respuesta)) %>%
mutate(
Pregunta_texto = labels_36a_2021[Pregunta]
)
# ------------------------------------------------------------
# 3) Frecuencias und Prozentwerte berechnen
# ------------------------------------------------------------
summary_36a_2021 <- data_36a_2021 %>%
group_by(Pregunta_texto) %>%
summarise(
Frecuencia = sum(Respuesta == 1),
Total = n(),
Porcentaje = Frecuencia / Total * 100,
.groups = "drop"
) %>%
filter(Frecuencia > 0) %>%
arrange(Porcentaje)
# ------------------------------------------------------------
# 4) Balkendiagramm
# ------------------------------------------------------------
ggplot(summary_36a_2021,
aes(x = reorder(Pregunta_texto, Porcentaje),
y = Porcentaje)) +
geom_col(fill = "#1f78b4") +
geom_text(
aes(label = paste0(round(Porcentaje, 1), "%")),
hjust = -0.1,
size = 3
) +
coord_flip() +
labs(
title = "Razones por las que no se ha separado \n2021",
x = NULL,
y = "Porcentaje de mujeres"
) +
ylim(0, max(summary_36a_2021$Porcentaje) * 1.15) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold")
)
library(dplyr)
library(tidyr)
library(ggplot2)
# -----------------------------------------------------
# 1. Datensatz definieren
# -----------------------------------------------------
df <- vio_apoyo16
# -----------------------------------------------------
# 2. Variablenliste
# -----------------------------------------------------
vars <- c(
"P13_35A_1","P13_35A_2","P13_35A_3","P13_35A_4","P13_35A_5",
"P13_35A_6","P13_35A_7","P13_35A_8","P13_35A_9","P13_35A_10","P13_35A_11"
)
# -----------------------------------------------------
# 3. Labels
# -----------------------------------------------------
labels <- c(
"P13_35A_1" = "Problemas no tan graves",
"P13_35A_2" = "No tiene a dónde ir / él no sale",
"P13_35A_3" = "No tiene cómo sostenerse económicamente",
"P13_35A_4" = "Por sus hijos/as",
"P13_35A_5" = "Amenaza con quitar hijos/casa",
"P13_35A_6" = "Tiene miedo de lo que pueda hacer",
"P13_35A_7" = "No tiene apoyo y le da miedo",
"P13_35A_8" = "Lo quiere o lo necesita",
"P13_35A_9" = "Los problemas se solucionaron",
"P13_35A_10" = "Una esposa debe sobrellevar dificultades",
"P13_35A_11" = "Otro"
)
# -----------------------------------------------------
# 4. Daten bereinigen
# -----------------------------------------------------
df_clean <- df %>%
select(all_of(vars)) %>%
mutate(across(everything(),
~ ifelse(. == 1, 1,
ifelse(. == 0, 0, NA))))
# -----------------------------------------------------
# 5. Long-Format + Häufigkeiten
# -----------------------------------------------------
df_long <- df_clean %>%
pivot_longer(
cols = everything(),
names_to = "variable",
values_to = "respuesta"
) %>%
filter(respuesta == 1) %>% # nur "Sí"
group_by(variable) %>%
summarise(
Frecuencia = n(),
.groups = "drop"
) %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
variable = labels[variable]
)
# -----------------------------------------------------
# 6. Grafik
# -----------------------------------------------------
ggplot(df_long,
aes(x = reorder(variable, Porcentaje),
y = Porcentaje)) +
geom_col(fill = "steelblue") +
geom_text(
aes(label = paste0(Porcentaje, "%")),
hjust = -0.15,
size = 4
) +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "¿Por qué no se separa de su pareja?\nENDIREH 2016",
x = "",
y = "Porcentaje (solo respuestas afirmativas)"
) +
theme(plot.title = element_text(face = "bold")) +
ylim(0, max(df_long$Porcentaje) * 1.15)
library(tidyverse)
# ------------------------------------------------------------
# 1) Variablen und Labels definieren
# ------------------------------------------------------------
vars_2021 <- paste0("P14_36A_", sprintf("%02d", 1:11))
labels_2021 <- c(
"P14_36A_01" = "Los problemas no son tan graves",
"P14_36A_02" = "No tiene a donde irse y él no quiere salir",
"P14_36A_03" = "No tiene cómo sostenerse económicamente",
"P14_36A_04" = "Por sus hijos(as)",
"P14_36A_05" = "Amenazas de quitarle hijos o casa",
"P14_36A_06" = "Miedo de lo que le pueda hacer",
"P14_36A_07" = "No cuenta con apoyo de nadie",
"P14_36A_08" = "Lo quiere o lo necesita",
"P14_36A_09" = "Los problemas se solucionaron",
"P14_36A_10" = "Una esposa debe sobrellevar dificultades",
"P14_36A_11" = "Otro"
)
vars_2016 <- paste0("P13_35A_", 1:11)
labels_2016 <- c(
"P13_35A_1" = "Los problemas no son tan graves",
"P13_35A_2" = "No tiene a donde irse y él no quiere salir",
"P13_35A_3" = "No tiene cómo sostenerse económicamente",
"P13_35A_4" = "Por sus hijos(as)",
"P13_35A_5" = "Amenazas de quitarle hijos o casa",
"P13_35A_6" = "Miedo de lo que le pueda hacer",
"P13_35A_7" = "No cuenta con apoyo de nadie",
"P13_35A_8" = "Lo quiere o lo necesita",
"P13_35A_9" = "Los problemas se solucionaron",
"P13_35A_10" = "Una esposa debe sobrellevar dificultades",
"P13_35A_11" = "Otro"
)
# ------------------------------------------------------------
# 2) Funktion zum Aufbereiten eines Jahres
# ------------------------------------------------------------
prep_razones <- function(df, vars, labels, year){
df %>%
select(all_of(vars)) %>%
mutate(across(everything(), ~na_if(as.character(.), "b"))) %>% # blanco -> NA
mutate(across(everything(), ~na_if(., "9"))) %>% # 9 = No especificado -> NA
mutate(across(everything(), as.numeric)) %>%
pivot_longer(cols = everything(),
names_to = "variable",
values_to = "respuesta") %>%
filter(!is.na(respuesta) & respuesta == 1) %>%
mutate(
Pregunta_texto = labels[variable],
Año = year
) %>%
group_by(Año, Pregunta_texto) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# ------------------------------------------------------------
# 3) Daten für 2016 und 2021 aufbereiten
# ------------------------------------------------------------
data_2016 <- prep_razones(vio_apoyo16, vars_2016, labels_2016, "2016")
data_2021 <- prep_razones(apoyo_legal, vars_2021, labels_2021, "2021")
# Zusammenführen
tabla_plot <- bind_rows(data_2016, data_2021)
# ------------------------------------------------------------
# 4) Grafik
# ------------------------------------------------------------
colores <- c("2016" = "skyblue", "2021" = "palevioletred")
ggplot(tabla_plot,
aes(x = reorder(Pregunta_texto, Porcentaje),
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1, size = 3) +
coord_flip() +
scale_fill_manual(values = colores) +
labs(
title = "Razones por las que no se ha separado de su pareja\nComparación ENDIREH 2016 vs 2021",
x = "Razón",
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"),
legend.title = element_blank()) +
ylim(0, max(tabla_plot$Porcentaje) * 1.15)
library(dplyr)
library(tidyr)
# Funktion zur Tabellenaufbereitung mit korrekten Prozenten
tabla_no_separa <- function(df, vars, labels, year) {
df_clean <- df %>%
select(all_of(vars)) %>%
mutate(across(everything(),
~ ifelse(. %in% c(1, 0), as.numeric(.), NA))) # 1 = Sí, 0 = No, andere = NA
# Gesamtzahl gültiger Antworten pro Variable
total_por_variable <- df_clean %>%
summarise(across(everything(), ~ sum(!is.na(.)))) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "Total")
# Anzahl Sí pro Variable
si_por_variable <- df_clean %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "respuesta") %>%
group_by(variable) %>%
summarise(Frecuencia = sum(respuesta, na.rm = TRUE), .groups = "drop")
# Zusammenführen und Prozent berechnen
tabla <- left_join(si_por_variable, total_por_variable, by = "variable") %>%
mutate(
Porcentaje = round(Frecuencia / Total * 100, 1),
Pregunta = labels[variable],
Año = year
) %>%
select(Año, Pregunta, Frecuencia, Total, Porcentaje)
return(tabla)
}
# Beispiel für 2021
vars_2021 <- paste0("P14_36A_", sprintf("%02d", 1:11))
labels_2021 <- c(
"P14_36A_01" = "Los problemas no son tan graves",
"P14_36A_02" = "No tiene a donde irse y él no quiere salir",
"P14_36A_03" = "No tiene cómo sostenerse económicamente",
"P14_36A_04" = "Por sus hijos(as)",
"P14_36A_05" = "Amenazas de quitarle hijos o casa",
"P14_36A_06" = "Miedo de lo que le pueda hacer",
"P14_36A_07" = "No cuenta con apoyo de nadie",
"P14_36A_08" = "Lo quiere o lo necesita",
"P14_36A_09" = "Los problemas se solucionaron",
"P14_36A_10" = "Una esposa debe sobrellevar dificultades",
"P14_36A_11" = "Otro"
)
tabla_2021 <- tabla_no_separa(apoyo_legal, vars_2021, labels_2021, "2021")
# Beispiel für 2016
vars_2016 <- paste0("P13_35A_", 1:11)
labels_2016 <- c(
"P13_35A_1" = "Problemas no tan graves",
"P13_35A_2" = "No tiene a dónde ir / él no sale",
"P13_35A_3" = "No tiene cómo sostenerse econ.",
"P13_35A_4" = "Por sus hijos/as",
"P13_35A_5" = "Amenaza con quitar hijos/casa",
"P13_35A_6" = "Tiene miedo de lo que pueda hacer",
"P13_35A_7" = "No tiene apoyo y le da miedo",
"P13_35A_8" = "Lo quiere o lo necesita",
"P13_35A_9" = "Los problemas se solucionaron",
"P13_35A_10" = "Una esposa debe sobrellevar dificultades",
"P13_35A_11" = "Otro"
)
tabla_2016 <- tabla_no_separa(vio_apoyo16, vars_2016, labels_2016, "2016")
# Beide Jahre zusammenführen
tabla_final <- bind_rows(tabla_2016, tabla_2021)
tabla_final## # A tibble: 22 × 5
## Año Pregunta Frecuencia Total Porcentaje
## <chr> <chr> <dbl> <int> <dbl>
## 1 2016 Problemas no tan graves 15368 27328 56.2
## 2 2016 Una esposa debe sobrellevar dificultades 2039 27328 7.5
## 3 2016 Otro 904 27328 3.3
## 4 2016 No tiene a dónde ir / él no sale 1770 27328 6.5
## 5 2016 No tiene cómo sostenerse econ. 1389 27328 5.1
## 6 2016 Por sus hijos/as 3337 27328 12.2
## 7 2016 Amenaza con quitar hijos/casa 327 27328 1.2
## 8 2016 Tiene miedo de lo que pueda hacer 466 27328 1.7
## 9 2016 No tiene apoyo y le da miedo 961 27328 3.5
## 10 2016 Lo quiere o lo necesita 2036 27328 7.5
## # ℹ 12 more rowslibrary(tidyverse)
# Variable und Labels definieren
pertenencias_var <- "P14_37B"
pertenencias_labels <- c(
"1" = "Llegaron a un arreglo",
"2" = "Dividieron las pertenencias",
"3" = "Le quitó a usted sus pertenencias, él se quedó con todo",
"4" = "Usted se quedó con todo",
"5" = "No han llegado a ningún arreglo",
"6" = "No tenían bienes comunes",
"7" = "Otro"
)
# Daten aufbereiten
data_pertenencias <- apoyo_legal %>%
select(all_of(pertenencias_var)) %>%
mutate(
P14_37B = na_if(as.character(!!sym(pertenencias_var)), "b") # blanco -> NA
) %>%
filter(!is.na(P14_37B)) %>%
mutate(
Pertenencias_texto = pertenencias_labels[P14_37B]
)
# Häufigkeiten und Prozente berechnen
summary_pertenencias <- data_pertenencias %>%
group_by(Pertenencias_texto) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%
arrange(Porcentaje)
# Balkendiagramm erstellen
ggplot(summary_pertenencias, aes(x = reorder(Pertenencias_texto, Porcentaje), y = Porcentaje, fill = Pertenencias_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Pertenencias tras la separación 2021",
x = NULL,
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# Faktorlabels gemäß Codierung
labels_2016 <- c(
"1" = "Llegaron a un arreglo",
"2" = "Dividieron las pertenencias",
"3" = "Le quitó sus pertenencias y él se quedó con todo",
"4" = "Usted se quedó con todo",
"5" = "No han llegado a ningún acuerdo",
"6" = "No tenían bienes comunes",
"7" = "Otro",
"9" = "No especificado"
)
# Daten vorbereiten
df_plot <- vio_apoyo16 %>%
filter(!is.na(P13_36B), P13_36B != "b") %>% # "b" = blanco
count(P13_36B) %>%
mutate(
P13_36B = factor(P13_36B, levels = names(labels_2016), labels = labels_2016),
percent = n / sum(n) * 100
)
# Grafik
ggplot(summary_pertenencias, aes(x = reorder(Pertenencias_texto, Porcentaje), y = Porcentaje, fill = Pertenencias_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Pertenencias tras la separación \n2016",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(tidyverse)
# Labels für 2016 und 2021
pertenencias_labels <- c(
"1" = "Llegaron a un arreglo",
"2" = "Dividieron las pertenencias",
"3" = "Le quitó a usted sus pertenencias, él se quedó con todo",
"4" = "Usted se quedó con todo",
"5" = "No han llegado a ningún arreglo",
"6" = "No tenían bienes comunes",
"7" = "Otro"
)
# Funktion zur Aufbereitung eines Jahres
prep_pertenencias <- function(df, var, year) {
df %>%
select(all_of(var)) %>%
mutate(valor = na_if(as.character(.data[[var]]), "b")) %>% # blanco -> NA
filter(!is.na(valor) & valor != "7") %>% # NA und Otro ausschließen
mutate(Pertenencias = pertenencias_labels[valor],
Año = year) %>%
group_by(Año, Pertenencias) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# Daten vorbereiten
tabla_2016 <- prep_pertenencias(vio_apoyo16, "P13_36B", "2016")
tabla_2021 <- prep_pertenencias(apoyo_legal, "P14_37B", "2021")
# Zusammenführen
tabla_plot <- bind_rows(tabla_2016, tabla_2021)
# Nur eindeutige Labels (kein NA, kein Otro)
all_labels <- unique(tabla_plot$Pertenencias)
tabla_plot <- tabla_plot %>% filter(!is.na(Pertenencias))
# Faktor für konsistente Reihenfolge
tabla_plot$Pertenencias <- factor(tabla_plot$Pertenencias, levels = all_labels)
# Farben
colores <- c("2016" = "skyblue", "2021" = "palevioletred")
# Grafik
ggplot(tabla_plot, aes(x = Pertenencias, y = Porcentaje, fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.8) +
coord_flip() +
scale_fill_manual(values = colores) +
labs(
title = "Pertenencias tras la separación\nComparación 2016 vs 2021",
x = "Categoría",
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"),
legend.title = element_blank()) +
ylim(0, max(tabla_plot$Porcentaje) * 1.15)
library(tidyverse)
# ------------------------------------------------------------
# 1) Funktion zur Aufbereitung eines Jahres
# ------------------------------------------------------------
prep_pertenencias_tab <- function(df, var, labels, year){
df %>%
select(all_of(var)) %>%
mutate(
valor = na_if(as.character(.data[[var]]), "b") # blanco -> NA
) %>%
filter(!is.na(valor)) %>%
mutate(
Pertenencias_texto = labels[valor]
) %>%
group_by(Pertenencias_texto) %>%
summarise(
Frecuencia = n(),
.groups = "drop"
) %>%
mutate(
Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1),
Año = year
) %>%
select(Año, Pertenencias_texto, Frecuencia, Porcentaje)
}
# ------------------------------------------------------------
# 2) Daten aufbereiten
# ------------------------------------------------------------
tabla_2016 <- prep_pertenencias_tab(vio_apoyo16, "P13_36B", labels_2016, "2016")
tabla_2021 <- prep_pertenencias_tab(apoyo_legal, "P14_37B", labels_2021, "2021")
# Zusammenführen
tabla_pertenencias <- bind_rows(tabla_2016, tabla_2021)
# ------------------------------------------------------------
# 3) Tabelle anzeigen
# ------------------------------------------------------------
tabla_pertenencias %>%
arrange(Año, desc(Porcentaje))## # A tibble: 9 × 4
## Año Pertenencias_texto Frecuencia Porcentaje
## <chr> <chr> <int> <dbl>
## 1 2016 Usted se quedó con todo 1860 24.3
## 2 2016 No tenían bienes comunes 1676 21.9
## 3 2016 Le quitó sus pertenencias y él se quedó con todo 1189 15.5
## 4 2016 Llegaron a un arreglo 1046 13.7
## 5 2016 Dividieron las pertenencias 686 9
## 6 2016 No han llegado a ningún acuerdo 559 7.3
## 7 2016 No especificado 441 5.8
## 8 2016 Otro 195 2.5
## 9 2021 <NA> 3254 100library(tidyverse)
# Variable und Labels definieren
hijos_var <- "P14_39B"
hijos_labels <- c(
"1" = "Se quedaron con usted",
"2" = "Se fueron con su exesposo o expareja",
"3" = "Está en litigio la custodia",
"4" = "No tiene hijos(as) o ya eran grandes",
"5" = "Otro"
)
# Daten aufbereiten
data_hijos <- apoyo_legal %>%
select(all_of(hijos_var)) %>%
mutate(
P14_39B = na_if(as.character(!!sym(hijos_var)), "b"), # blanco -> NA
P14_39B = na_if(P14_39B, "9") # 9 = No especificado -> NA
) %>%
filter(!is.na(P14_39B)) %>%
mutate(
Hijos_texto = hijos_labels[P14_39B]
)
# Häufigkeiten und Prozente berechnen
summary_hijos <- data_hijos %>%
group_by(Hijos_texto) %>%
summarise(Frecuencia = n()) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100) %>%
arrange(Porcentaje)
# Balkendiagramm erstellen
ggplot(summary_hijos, aes(x = reorder(Hijos_texto, Porcentaje), y = Porcentaje, fill = Hijos_texto)) +
geom_col(show.legend = FALSE) +
coord_flip() +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5),
hjust = -0.1, color = "black", size = 3.5) +
labs(
title = "Situación de los hijos/as tras la separación",
x = NULL,
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# Faktorlabels entsprechend der Codierung
labels_2016 <- c(
"1" = "Se quedaron con usted",
"2" = "Se fueron con su ex-esposo o ex-pareja",
"3" = "Está en litigio la custodia",
"4" = "No tiene hijos o ya eran grandes",
"5" = "Otro",
"9" = "No especificado"
)
# Daten vorbereiten
df_plot <- vio_apoyo16 %>%
filter(!is.na(P13_37B), P13_37B != "b") %>% # blanco entfernen
count(P13_37B) %>%
mutate(
P13_37B = factor(P13_37B,
levels = names(labels_2016),
labels = labels_2016),
percent = n / sum(n) * 100
)
# Grafik erstellen
ggplot(df_plot, aes(x = percent, y = P13_37B)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = sprintf("%.1f%%", percent)),
hjust = -0.1, size = 4) +
scale_x_continuous(expand = expansion(mult = c(0, 0.1))) +
labs(
title = "Situación de los hijos tras la separación \n2016",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(tidyverse)
# -------------------------------
# 1) Labels definieren
# -------------------------------
hijos_labels <- c(
"1" = "Se quedaron con usted",
"2" = "Se fueron con su exesposo o expareja",
"3" = "Está en litigio la custodia",
"4" = "No tiene hijos(as) o ya eran grandes",
"5" = "Otro"
)
# -------------------------------
# 2) Funktion zur Aufbereitung eines Jahres
# -------------------------------
prep_hijos <- function(df, var, year) {
df %>%
select(all_of(var)) %>%
mutate(valor = na_if(as.character(.data[[var]]), "b")) %>% # blanco -> NA
mutate(valor = na_if(valor, "9")) %>% # 9 = No especificado -> NA
filter(!is.na(valor) & valor != "5") %>% # NA und Otro ausschließen
mutate(Hijos = hijos_labels[valor],
Año = year) %>%
group_by(Año, Hijos) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# -------------------------------
# 3) Daten für 2016 und 2021 aufbereiten
# -------------------------------
tabla_2016 <- prep_hijos(vio_apoyo16, "P13_37B", "2016")
tabla_2021 <- prep_hijos(apoyo_legal, "P14_39B", "2021")
# -------------------------------
# 4) Zusammenführen
# -------------------------------
tabla_plot <- bind_rows(tabla_2016, tabla_2021)
# -------------------------------
# 5) Faktor für konsistente Reihenfolge
# -------------------------------
all_labels <- unique(tabla_plot$Hijos)
tabla_plot$Hijos <- factor(tabla_plot$Hijos, levels = all_labels)
# -------------------------------
# 6) Farben
# -------------------------------
colores <- c("2016" = "skyblue", "2021" = "palevioletred")
# -------------------------------
# 7) Grafik
# -------------------------------
ggplot(tabla_plot, aes(x = Hijos, y = Porcentaje, fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje, "%")),
position = position_dodge(width = 0.8),
hjust = -0.1,
size = 3.8) +
coord_flip() +
scale_fill_manual(values = colores) +
labs(
title = "Situación de los hijos tras la separación\nComparación ENDIREH 2016 vs 2021",
x = "Categoría",
y = "Porcentaje de casos"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold"),
legend.title = element_blank()) +
ylim(0, max(tabla_plot$Porcentaje) * 1.15)
library(dplyr)
# Funktion zur Aufbereitung eines Jahres
prep_hijos_tabla <- function(df, var, year) {
df %>%
select(all_of(var)) %>%
mutate(valor = na_if(as.character(.data[[var]]), "b")) %>% # blanco -> NA
mutate(valor = na_if(valor, "9")) %>% # 9 = No especificado -> NA
filter(!is.na(valor) & valor != "5") %>% # NA und "Otro" ausschließen
mutate(Hijos = hijos_labels[valor],
Año = year) %>%
group_by(Año, Hijos) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# Daten für 2016 und 2021 vorbereiten
tabla_2016 <- prep_hijos_tabla(vio_apoyo16, "P13_37B", "2016")
tabla_2021 <- prep_hijos_tabla(apoyo_legal, "P14_39B", "2021")
# Zusammenführen
tabla_final <- bind_rows(tabla_2016, tabla_2021)
# Tabelle anzeigen
tabla_final %>%
select(Año, Hijos, Frecuencia, Porcentaje) %>%
arrange(Hijos, Año)## # A tibble: 8 × 4
## Año Hijos Frecuencia Porcentaje
## <chr> <chr> <int> <dbl>
## 1 2016 Está en litigio la custodia 24 0.3
## 2 2021 Está en litigio la custodia 23 0.3
## 3 2016 No tiene hijos(as) o ya eran grandes 844 11.8
## 4 2021 No tiene hijos(as) o ya eran grandes 1246 14.6
## 5 2016 Se fueron con su exesposo o expareja 141 2
## 6 2021 Se fueron con su exesposo o expareja 184 2.2
## 7 2016 Se quedaron con usted 6144 85.9
## 8 2021 Se quedaron con usted 7093 83library(dplyr)
library(ggplot2)
# Variablenname
var <- "P14_42B"
# Labels für die Codes
labels_42B <- c(
"1" = "Entró sin consentimiento o por la fuerza",
"2" = "Intentó entrar sin consentimiento",
"3" = "No ha intentado entrar"
)
# Daten vorbereiten
data_42B <- apoyo_legal %>%
select(all_of(var)) %>%
mutate(
across(all_of(var), ~na_if(., 9)), # 9 = No especificado
across(all_of(var), as.character),
across(all_of(var), ~na_if(., "b")),
P14_42B_texto = dplyr::recode(.data[[var]], !!!labels_42B)
) %>%
filter(!is.na(P14_42B_texto)) %>%
group_by(P14_42B_texto) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Grafik erstellen
ggplot(data_42B, aes(x = reorder(P14_42B_texto, Porcentaje), y = Porcentaje, fill = P14_42B_texto)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5), # Label in der Mitte des Balkens
color = "white", size = 4) +
coord_flip() +
labs(
title = "Acciones del expareja desde la separación \n 2021",
x = "Tipo de acción",
y = "Porcentaje de respuestas"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# ------------ 1. Kategorien definieren ------------
labels <- c(
"1" = "Entró sin consentimiento / por la fuerza",
"2" = "Intentó entrar sin consentimiento",
"3" = "No intentó entrar"
)
# ------------ 2. Daten bereinigen -----------------
df_plot <- vio_apoyo16 %>%
filter(P13_40_B %in% 1:3) %>% # gültige Antworten
count(P13_40_B) %>%
mutate(
percent = round(n / sum(n) * 100, 1),
category = factor(P13_40_B,
levels = 1:3,
labels = labels)
)
# ------------ 3. Grafik ---------------------------
ggplot(df_plot, aes(x = percent, y = category)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(percent, "%")),
hjust = -0.15, size = 4) +
scale_x_continuous(expand = expansion(mult = c(0, 0.1))) +
labs(
title = "Intentos de entrada a la vivienda por la ex-pareja\nENDIREH 2016",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(tidyr)
# ================================
# 1. Labels definieren
# ================================
labels_acciones <- c(
"1" = "Entró sin permiso",
"2" = "Intentó entrar sin permiso",
"3" = "No intentó entrar"
)
# ================================
# 2. Funktion für Datenaufbereitung
# ================================
prep_acciones <- function(df, var, year) {
df %>%
select(all_of(var)) %>%
mutate(
value = as.character(.data[[var]]),
value = na_if(value, "b"),
value = na_if(value, "9")
) %>%
filter(value %in% c("1", "2", "3")) %>% # nur gültige Kategorien
mutate(
Categoria = labels_acciones[value],
Año = year
) %>%
group_by(Año, Categoria) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Año) %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1)) %>%
ungroup()
}
# ================================
# 3. Beide Jahre laden
# ================================
data_2021 <- prep_acciones(apoyo_legal, "P14_42B", "2021")
data_2016 <- prep_acciones(vio_apoyo16, "P13_40_B", "2016")
# ================================
# 4. Zusammenführen
# ================================
tabla_comb <- bind_rows(data_2016, data_2021)
# ================================
# 5. Vergleichsgrafik
# ================================
ggplot(tabla_comb,
aes(x = Categoria,
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje, "%")),
position = position_dodge(width = 0.8),
vjust = -0.3,
size = 4) +
labs(
title = "Acciones del ex-pareja desde la separación\nComparación ENDIREH 2016 vs 2021",
x = "Tipo de acción",
y = "Porcentaje"
) +
scale_fill_manual(values = c("2016" = "steelblue", "2021" = "palevioletred")) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold"),
legend.title = element_blank()
) +
ylim(0, max(tabla_comb$Porcentaje) * 1.15)
library(dplyr)
tabla_frecuencias <- function(data, var, valid = NULL) {
data %>%
mutate(
!!var := if (!is.null(valid)) ifelse(.data[[var]] %in% valid, .data[[var]], NA) else .data[[var]]
) %>%
filter(!is.na(.data[[var]])) %>%
count(.data[[var]], name = "Frecuencia") %>%
mutate(Porcentaje = round(Frecuencia / sum(Frecuencia) * 100, 1))
}
tabla_42B_2021 <- tabla_frecuencias(apoyo_legal, "P14_42B", valid = 1:3)
tabla_42B_2021## P14_42B Frecuencia Porcentaje
## 1 1 619 7.2
## 2 2 565 6.5
## 3 3 7458 86.3## P13_40_B Frecuencia Porcentaje
## 1 1 531 7.4
## 2 2 467 6.5
## 3 3 6207 86.1library(dplyr)
library(ggplot2)
# Variable
var <- "P14_43"
# Labels für die Codes
labels_43 <- c(
"1" = "Iniciaron",
"2" = "Aumentaron",
"3" = "Disminuyeron",
"4" = "Se resolvieron",
"5" = "Se mantuvieron igual",
"6" = "Nunca ha habido conflictos",
"7" = "No tiene ningún trato o relación",
"8" = "Murió antes de la emergencia sanitaria"
)
# Daten vorbereiten und Prozentwerte berechnen
data_43 <- apoyo_legal %>%
select(all_of(var)) %>%
mutate(
across(all_of(var), as.character),
across(all_of(var), ~na_if(., "b")),
across(all_of(var), ~na_if(., "9")),
P14_43_texto = dplyr::recode(.data[[var]], !!!labels_43)
) %>%
filter(!is.na(P14_43_texto)) %>%
group_by(P14_43_texto) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Balkendiagramm mit Prozentwerten
ggplot(data_43, aes(x = reorder(P14_43_texto, Porcentaje), y = Porcentaje, fill = P14_43_texto)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = round(Porcentaje,1)),
position = position_stack(vjust = 0.5), # in der Mitte des Balkens
color = "white", size = 4) +
coord_flip() +
labs(
title = "Conflictos con pareja (marzo 2020)",
x = "Tipo de conflicto",
y = "Porcentaje de respuestas"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# -----------------------------------------------------
# 1. Datensatz definieren
# -----------------------------------------------------
df <- vio_apoyo16
# -----------------------------------------------------
# 2. Variable auswählen (falls sie anders benannt ist -> grep findet sie)
# -----------------------------------------------------
varname <- grep("^P13_35B$", names(df), value = TRUE)
if (length(varname) == 0) {
stop("❌ Variable P13_35B wurde nicht gefunden. Prüfe names(vio_apoyo16).")
}
# -----------------------------------------------------
# 3. Kategorien definieren
# -----------------------------------------------------
labels <- c(
"1" = "Con sus padres",
"2" = "Con otros parientes",
"3" = "Con amigas",
"4" = "A un refugio",
"5" = "A otra casa/depto sola o con hijos/as",
"6" = "Otro lugar"
)
# -----------------------------------------------------
# 4. Daten bereinigen
# -----------------------------------------------------
df_clean <- df %>%
filter(.data[[varname]] %in% 1:6) %>% # nur gültige Kategorien
mutate(
categoria = factor(
.data[[varname]],
levels = 1:6,
labels = labels
)
)
# -----------------------------------------------------
# 5. Häufigkeit + Prozent
# -----------------------------------------------------
plot_data <- df_clean %>%
count(categoria) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1)
)
# -----------------------------------------------------
# 6. Grafik erstellen
# -----------------------------------------------------
ggplot(plot_data, aes(x = reorder(categoria, Porcentaje),
y = Porcentaje)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Porcentaje, "%")),
hjust = -0.2, size = 4) +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "¿A dónde se fue usted?",
subtitle = "2016",
x = "",
y = "Porcentaje"
) +
theme(plot.title = element_text(face = "bold")) +
ylim(0, max(plot_data$Porcentaje) * 1.15)
library(dplyr)
library(ggplot2)
# -----------------------------------------------------
# 1. Datensatz definieren
# -----------------------------------------------------
df <- apoyo_legal # 2021-Daten
# -----------------------------------------------------
# 2. Variable auswählen (falls Name leicht abweicht → grep)
# -----------------------------------------------------
varname <- grep("^P14_37B$", names(df), value = TRUE)
if (length(varname) == 0) {
stop("❌ Variable P14_37B wurde nicht gefunden. Prüfe names(apoyo_legal).")
}
# -----------------------------------------------------
# 3. Kategorien definieren
# -----------------------------------------------------
labels <- c(
"1" = "Con sus padres",
"2" = "Con otros parientes",
"3" = "Con amigas",
"4" = "A un refugio",
"5" = "A otra casa/depto sola o con hijos/as",
"6" = "Otro lugar"
)
# -----------------------------------------------------
# 4. Daten bereinigen (nur 1–6)
# -----------------------------------------------------
df_clean <- df %>%
filter(.data[[varname]] %in% 1:6) %>%
mutate(
categoria = factor(
.data[[varname]],
levels = 1:6,
labels = labels
)
)
# -----------------------------------------------------
# 5. Häufigkeit + Prozent
# -----------------------------------------------------
plot_data <- df_clean %>%
count(categoria) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1)
)
# -----------------------------------------------------
# 6. Grafik erstellen
# -----------------------------------------------------
ggplot(plot_data, aes(x = reorder(categoria, Porcentaje),
y = Porcentaje)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(Porcentaje, "%")),
hjust = -0.2, size = 4) +
coord_flip() +
theme_minimal(base_size = 13) +
labs(
title = "¿A dónde se fue usted? (2021)",
subtitle = "ENDIREH 2021",
x = "",
y = "Porcentaje"
) +
theme(plot.title = element_text(face = "bold")) +
ylim(0, max(plot_data$Porcentaje) * 1.15)
library(dplyr)
library(ggplot2)
# -----------------------------------------------------
# 1. Kategorien definieren
# -----------------------------------------------------
labels <- c(
"1" = "Con sus padres",
"2" = "Con otros parientes",
"3" = "Con amigas",
"4" = "A un refugio",
"5" = "A otra casa/depto sola o con hijos/as",
"6" = "Otro lugar"
)
# -----------------------------------------------------
# 2. Daten vorbereiten → Funktion für beide Jahre
# -----------------------------------------------------
prep_data <- function(data, var, year) {
data %>%
filter(.data[[var]] %in% 1:6) %>% # gültige Werte
mutate(
categoria = factor(.data[[var]],
levels = 1:6,
labels = labels)
) %>%
count(categoria) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = year
)
}
# -----------------------------------------------------
# 3. Beide Jahre verarbeiten
# -----------------------------------------------------
df2016 <- prep_data(vio_apoyo16, "P13_35B", "2016")
df2021 <- prep_data(apoyo_legal, "P14_37B", "2021")
# -----------------------------------------------------
# 4. Zusammenführen
# -----------------------------------------------------
df_all <- bind_rows(df2016, df2021)
# -----------------------------------------------------
# 5. Kombinierte Grafik
# -----------------------------------------------------
ggplot(df_all, aes(x = categoria,
y = Porcentaje,
fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.1, size = 3.8) +
coord_flip() +
scale_fill_manual(values = c("2016" = "steelblue", "2021" = "palevioletred")) +
labs(
title = "¿A dónde se fue usted?\n Comparación 2016 vs 2021",
x = "",
y = "Porcentaje",
fill = "Año"
) +
theme_minimal(base_size = 13) +
theme(plot.title = element_text(face = "bold")) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15)))
library(dplyr)
# -----------------------------------------------------
# 1. Kategorien definieren
# -----------------------------------------------------
labels <- c(
"1" = "Con sus padres",
"2" = "Con otros parientes",
"3" = "Con amigas",
"4" = "A un refugio",
"5" = "A otra casa/depto sola o con hijos/as",
"6" = "Otro lugar"
)
# -----------------------------------------------------
# 2. Funktion zur Berechnung der Tabelle
# -----------------------------------------------------
prep_table <- function(data, var, year) {
data %>%
filter(.data[[var]] %in% 1:6) %>% # gültige Antworten
mutate(
categoria = factor(.data[[var]],
levels = 1:6,
labels = labels)
) %>%
count(categoria) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Año = year
) %>%
rename(Frecuencia = n)
}
# -----------------------------------------------------
# 3. Tabellen für beide Jahre erzeugen
# -----------------------------------------------------
tabla_2016 <- prep_table(vio_apoyo16, "P13_35B", "2016")
tabla_2021 <- prep_table(apoyo_legal, "P14_37B", "2021")
# -----------------------------------------------------
# 4. Zusammenführen zu einer Tabelle
# -----------------------------------------------------
tabla_final <- bind_rows(tabla_2016, tabla_2021) %>%
select(Año, categoria, Frecuencia, Porcentaje)
# Ausgabe
tabla_final## Año categoria Frecuencia Porcentaje
## 1 2016 Con sus padres 1480 58.0
## 2 2016 Con otros parientes 308 12.1
## 3 2016 Con amigas 43 1.7
## 4 2016 A un refugio 8 0.3
## 5 2016 A otra casa/depto sola o con hijos/as 632 24.8
## 6 2016 Otro lugar 80 3.1
## 7 2021 Con sus padres 1887 58.0
## 8 2021 Con otros parientes 404 12.4
## 9 2021 Con amigas 54 1.7
## 10 2021 A un refugio 11 0.3
## 11 2021 A otra casa/depto sola o con hijos/as 799 24.6
## 12 2021 Otro lugar 99 3.0library(dplyr)
library(ggplot2)
# ---- 1. Kategorien definieren ----
labels <- c(
"1" = "Arreglo voluntario",
"2" = "Acuerdo legal",
"3" = "Ningún acuerdo",
"4" = "Hijos ya eran grandes / no tenían",
"5" = "Otro"
)
# ---- 2. Daten bereinigen ----
df_plot <- vio_apoyo16 %>%
filter(P13_38B %in% 1:5) %>% # gültige Werte behalten
count(P13_38B) %>% # Häufigkeiten
mutate(
percent = n / sum(n) * 100,
category = factor(P13_38B,
levels = 1:5,
labels = labels)
)
# ---- 3. Grafik ----
ggplot(df_plot, aes(x = percent, y = category)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = sprintf("%.1f%%", percent)),
hjust = -0.1, size = 4) +
scale_x_continuous(expand = expansion(mult = c(0, 0.10))) +
labs(
title = "Acuerdos sobre la manutención de hijas e hijos\nENDIREH 2016",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# ---- 1. Kategorien definieren ----
labels <- c(
"1" = "Arreglo voluntario",
"2" = "Acuerdo legal",
"3" = "Ningún acuerdo",
"4" = "Hijos/as grandes o no tenían",
"5" = "Otro"
)
# ---- 2. Daten bereinigen & Prozentwerte berechnen ----
df_plot <- apoyo_legal %>%
filter(P14_40B %in% 1:5) %>% # gültige Werte
count(P14_40B) %>% # Häufigkeiten
mutate(
percent = n / sum(n) * 100,
category = factor(P14_40B,
levels = 1:5,
labels = labels)
)
# ---- 3. Grafik erstellen ----
ggplot(df_plot, aes(x = percent, y = category)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = sprintf("%.1f%%", percent)),
hjust = -0.1, size = 4) +
scale_x_continuous(expand = expansion(mult = c(0, 0.10))) +
labs(
title = "Acuerdos sobre la manutención de hijas e hijos\nENDIREH 2021",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# ---- 1. Kategorien definieren ----
labels <- c(
"1" = "Siempre o casi siempre",
"2" = "Pocas veces",
"3" = "Nunca"
)
# ---- 2. Daten bereinigen & Prozentwerte berechnen ----
df_plot <- vio_apoyo16 %>%
filter(P13_39B %in% 1:3) %>% # gültige Werte
count(P13_39B) %>% # Häufigkeiten
mutate(
percent = round(n / sum(n) * 100, 1),
category = factor(P13_39B,
levels = 1:3,
labels = labels)
)
# ---- 3. Grafik erstellen ----
ggplot(df_plot, aes(x = percent, y = category)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(percent, "%")),
hjust = -0.1, size = 4) +
scale_x_continuous(expand = expansion(mult = c(0, 0.10))) +
labs(
title = "Cumplimiento del acuerdo económico\nENDIREH 2016",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
# ------------ 1. Kategorien definieren ------------
labels <- c(
"1" = "Siempre o casi siempre",
"2" = "Pocas veces",
"3" = "Nunca"
)
# ------------ 2. Daten bereinigen -----------------
df_plot <- apoyo_legal %>%
filter(P14_41B %in% 1:3) %>% # gültige Antworten
count(P14_41B) %>%
mutate(
percent = round(n / sum(n) * 100, 1),
category = factor(P14_41B,
levels = 1:3,
labels = labels)
)
# ------------ 3. Grafik ---------------------------
ggplot(df_plot, aes(x = percent, y = category)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = paste0(percent, "%")),
hjust = -0.15, size = 4) +
scale_x_continuous(expand = expansion(mult = c(0, 0.1))) +
labs(
title = "Cumplimiento del acuerdo económico\nENDIREH 2021",
x = "Porcentaje",
y = ""
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(tidyr)
# -----------------------------------------------------
# 1. Labels definieren (gleich für beide Jahre)
# -----------------------------------------------------
labels_acuerdo <- c(
"1" = "Arreglo voluntario",
"2" = "Acuerdo legal",
"3" = "Ningún acuerdo",
"4" = "Hijos grandes / no tenían",
"5" = "Otro"
)
labels_cumplimiento <- c(
"1" = "Siempre o casi siempre",
"2" = "Pocas veces",
"3" = "Nunca"
)
# -----------------------------------------------------
# 2. Funktion zur Berechnung von Prozenttabellen
# -----------------------------------------------------
prep <- function(data, var, labels, year, variable_name) {
data %>%
filter(.data[[var]] %in% names(labels)) %>%
count(.data[[var]]) %>%
mutate(
Porcentaje = round(n / sum(n) * 100, 1),
Categoria = factor(.data[[var]], levels = names(labels), labels = labels),
Año = year,
Variable = variable_name
) %>%
rename(Frecuencia = n)
}
# -----------------------------------------------------
# 3. Tabellen erstellen (2016 + 2021)
# -----------------------------------------------------
# Acuerdos de manutención
t2016_acuerdo <- prep(vio_apoyo16, "P13_38B", labels_acuerdo, "2016", "Acuerdo de manut.")
t2021_acuerdo <- prep(apoyo_legal, "P14_40B", labels_acuerdo, "2021", "Acuerdo de manut.")
# Cumplimiento del acuerdo económico
t2016_cump <- prep(vio_apoyo16, "P13_39B", labels_cumplimiento, "2016", "Cumplimiento")
t2021_cump <- prep(apoyo_legal, "P14_41B", labels_cumplimiento, "2021", "Cumplimiento")
# -----------------------------------------------------
# 4. Alles zu einem Datensatz kombinieren
# -----------------------------------------------------
df_all <- bind_rows(t2016_acuerdo, t2021_acuerdo, t2016_cump, t2021_cump)
# -----------------------------------------------------
# 5. Grafik erstellen (dodge = Balken nebeneinander)
# -----------------------------------------------------
ggplot(df_all, aes(x = Categoria, y = Porcentaje, fill = Año)) +
geom_col(position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Porcentaje)),
position = position_dodge(width = 0.8),
hjust = -0.2, size = 3.8) +
coord_flip() +
facet_wrap(~ Variable, scales = "free_y") +
scale_fill_manual(values = c("steelblue", "palevioletred")) +
theme_minimal(base_size = 13) +
labs(
title = "Acuerdos de manutención y cumplimiento\n (2016 vs 2021)",
x = "",
y = "Porcentaje"
) +
theme(
plot.title = element_text(face = "bold"),
legend.title = element_blank()
) +
ylim(0, max(df_all$Porcentaje) * 1.15)
library(dplyr)
# ---- Kategorien definieren ----
labels_manut <- c(
"1" = "Arreglo voluntario",
"2" = "Acuerdo legal",
"3" = "Ningún acuerdo",
"4" = "Hijos mayores / no tenían",
"5" = "Otro"
)
# ---- Funktion: Tabelle für EIN Jahr erstellen ----
make_table <- function(data, var){
data %>%
filter(.data[[var]] %in% 1:5) %>% # gültige Werte
count(.data[[var]]) %>%
mutate(
Categoria = factor(.data[[var]], levels = 1:5, labels = labels_manut),
Frecuencia = n,
Porcentaje = round(n / sum(n) * 100, 1)
) %>%
select(Categoria, Frecuencia, Porcentaje)
}
# ---- Tabellen für beide Jahre ----
tabla_2016 <- make_table(vio_apoyo16, "P13_38B") %>% mutate(Año = 2016)
tabla_2021 <- make_table(apoyo_legal, "P14_40B") %>% mutate(Año = 2021)
# ---- Beide Jahre zusammenführen ----
tabla_final <- bind_rows(tabla_2016, tabla_2021) %>%
arrange(Categoria, Año)
tabla_final## Categoria Frecuencia Porcentaje Año
## 1 Arreglo voluntario 1649 25.9 2016
## 2 Arreglo voluntario 1865 25.2 2021
## 3 Acuerdo legal 947 14.9 2016
## 4 Acuerdo legal 1146 15.5 2021
## 5 Ningún acuerdo 3331 52.3 2016
## 6 Ningún acuerdo 3813 51.6 2021
## 7 Hijos mayores / no tenían 301 4.7 2016
## 8 Hijos mayores / no tenían 405 5.5 2021
## 9 Otro 147 2.3 2016
## 10 Otro 167 2.3 2021datos_basicos1_21$SEXO = as.factor(datos_basicos1_21$SEXO)
datos_basicos1_21$EDAD =as.numeric(datos_basicos1_21$EDAD)
datos_basicos1_21$NIV = as.factor(datos_basicos1_21$NIV)
datos_basicos1_21$P2_8 = as.factor(datos_basicos1_21$P2_8)
datos_basicos1_21$P2_10 = as.factor(datos_basicos1_21$P2_10)datos_basicos2_21$DOMINIO =as.factor(datos_basicos2_21$DOMINIO)
datos_basicos2_21$P3_1=as.factor(datos_basicos2_21$P3_1)
datos_basicos2_21$P3_2=as.factor(datos_basicos2_21$P3_2)
datos_basicos2_21$P3_6=as.factor(datos_basicos2_21$P3_6)datos_basicos3_21
P4BC_1 –> anos (ex-)parejea P4BC_2 –> nivel educativo (ex-)pareja P4BC_3 –> indigena (ex-)pareja
P4_1 –> trabajo actual -si/no P4_2 –> cuando gana P4_3 –> trabajo actual (ex-)novio -si/no P4_4_CVE –> cual trabajo tiene P4_11 –> tiene dinero para su propio uso
datos_basicos3_21$P4BC_1 =as.numeric(datos_basicos3_21$P4BC_1) #P4BC_1 = edad (Ex)pareja
datos_basicos3_21$P4BC_2 =as.factor(datos_basicos3_21$P4BC_2) #P4BC_2 = nivel educativa de (Ex)pareja
datos_basicos3_21$P4_2 = as.numeric(datos_basicos3_21$P4_2) #P4_2 = cuanto recibe por su trabajo
datos_basicos3_21$P4_2_1 = as.numeric(datos_basicos3_21$P4_2_1) #P4_2_1 = cada cuanto
datos_basicos3_21$P4_3 = as.numeric(datos_basicos3_21$P4_3) #P4_3 = su pareja gana
datos_basicos3_21$P4_5_AB = as.numeric(datos_basicos3_21$P4_5_AB) #P4_5_AB = cuanto gana
datos_basicos3_21$P4_6_AB = as.numeric(datos_basicos3_21$P4_6_AB) #P4_6_AB = aparte para su familia (si/no)
datos_basicos3_21$P4_7_AB = as.numeric(datos_basicos3_21$P4_7_AB) #P4_7_AB = cuanto aparte la pareja para su familialibrary(dplyr)
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2) %>%
select(EDAD, NIV, P2_8, P2_10)# 1 = Gewalt erfahren, 0 = keine Gewalt (pro Form)
violec_especif21$viol21_fis_bin <- ifelse(violec_especif21$viol21_fis_total > 0, 1, 0)
violec_especif21$viol21_psi_bin <- ifelse(violec_especif21$viol21_psi_total > 0, 1, 0)
violec_especif21$viol21_sex_bin <- ifelse(violec_especif21$viol21_sex_total > 0, 1, 0)
violec_especif21$viol21_eco_bin <- ifelse(violec_especif21$viol21_eco_total > 0, 1, 0)
# Neue Variable: 1, wenn mind. eine Form von Gewalt vorliegt, sonst 0
violec_especif21$viol21_any_bin <- ifelse(
(violec_especif21$viol21_fis_bin +
violec_especif21$viol21_psi_bin +
violec_especif21$viol21_sex_bin +
violec_especif21$viol21_eco_bin) > 0, 1, 0)
# Optional: als Faktor mit Labels
violec_especif21$viol21_any_disc <- factor(
violec_especif21$viol21_any_bin,
levels = c(0,1),
labels = c("No", "Sí")
)
table(violec_especif21$viol21_any_disc)##
## No Sí
## 53460 37231mujer-1, hombre-2, ambos-3
P6_1_1 # ser responsable para hijos P6_1_2 #ganar mas P6_1_3 #responsable para las tareas de la casa P6_1_4 #traer el dinero a casa P6_1_5 #mayor capacidad para trabajar
1-si, de acuerdo, no, (en desacuerdo) P6_2_1 #ambos tiene los mismos derechos de salir por la noche P6_2_2 #¿Está usted de acuerdo en que las mujeres que tienen hijos(as) trabajen, aún si no tienen necesidad de hacerlo?
P6_2_3 #¿Está usted de acuerdo en que las mujeres que se visten con escotesprovocan que los hombres las molesten?
P6_2_4 # ¿Está usted de acuerdo en que las mujeres casadas deben tener relaciones sexuales con su esposo cuando él quiera?
datos_basicos4_21$P6_1_1= as.numeric(datos_basicos4_21$P6_1_1)
datos_basicos4_21$P6_1_2= as.numeric(datos_basicos4_21$P6_1_2)
datos_basicos4_21$P6_1_3= as.numeric(datos_basicos4_21$P6_1_3)
datos_basicos4_21$P6_1_4= as.numeric(datos_basicos4_21$P6_1_4)
datos_basicos4_21$P6_1_5= as.numeric(datos_basicos4_21$P6_1_5)
datos_basicos4_21$P6_2_1= as.numeric(datos_basicos4_21$P6_2_1)
datos_basicos4_21$P6_2_2= as.numeric(datos_basicos4_21$P6_2_2)
datos_basicos4_21$P6_2_3= as.numeric(datos_basicos4_21$P6_2_3)
datos_basicos4_21$P6_2_4= as.numeric(datos_basicos4_21$P6_2_4)Edad de mujeres
hist(datos_mujeres$EDAD,
main = "Distribución de la edad (mujeres)",
xlab = "Edad",
col = "lightblue",
border = "white")
# Schritt 1: Gültige Daten vorbereiten
edad_valida <- datos_mujeres$EDAD[!is.na(datos_mujeres$EDAD)]
# Schritt 2: Sinnvolle Breaks (z. B. 10er-Altersklassen, sonst einfach wieder by = 5 nehmen)
min_edad <- floor(min(edad_valida))
max_edad <- ceiling(max(edad_valida)) + 1
breaks_seq <- seq(min_edad, max_edad, by = 10) # hier breitere Klassen
# Schritt 3: Histogramm berechnen (ohne direktes Plotten)
hist_data <- hist(edad_valida,
breaks = breaks_seq,
plot = FALSE)
# Schritt 4: Prozentwerte berechnen
percent_labels <- round(hist_data$counts / sum(hist_data$counts) * 100, 1)
# Schritt 5: Histogramm mit genug Platz für Labels plotten
hist(edad_valida,
breaks = breaks_seq,
main = "Distribución por edad de las mujeres",
xlab = "edad",
col = "lightblue",
border = "white",
ylim = c(0, max(hist_data$counts) * 1.5))
# Schritt 6: Labels hinzufügen (Absolut & Prozent)
for (i in seq_along(hist_data$counts)) {
# Absolute Zahl direkt über dem Balken
text(x = hist_data$mids[i],
y = hist_data$counts[i] + 0.5,
labels = hist_data$counts[i],
cex = 0.65, # kleinere Schrift
col = "black")
# Prozentzahl deutlich darüber
text(x = hist_data$mids[i],
y = hist_data$counts[i] + (max(hist_data$counts) * 0.12),
labels = paste0(percent_labels[i], "%"),
cex = 0.6, # auch kleinere Schrift
col = "darkblue")
}
# Schritt 1: Gültige Daten vorbereiten (nur Frauen >= 15 Jahre)
edad_valida <- datos_mujeres$EDAD[!is.na(datos_mujeres$EDAD) & datos_mujeres$EDAD >= 15]
# Schritt 2: Breaks in 5-Jahres-Schritten
min_edad <- floor(min(edad_valida))
max_edad <- ceiling(max(edad_valida)) + 1
breaks_seq <- seq(min_edad, max_edad, by = 5) # jetzt 5er-Schritte
# Schritt 3: Histogrammdaten berechnen
hist_data <- hist(edad_valida,
breaks = breaks_seq,
plot = FALSE)
# Schritt 4: Prozentwerte berechnen
percent_labels <- round(hist_data$counts / sum(hist_data$counts) * 100, 1)
# Schritt 5: Histogramm mit genug Platz für Labels plotten
hist(edad_valida,
breaks = breaks_seq,
main = "Distribución por edad de las mujeres (≥15 años)",
xlab = "Edad",
col = "lightblue",
border = "white",
ylim = c(0, max(hist_data$counts) * 1.5))
# Schritt 6: Labels hinzufügen (Absolut & Prozent)
for (i in seq_along(hist_data$counts)) {
# Absolute Zahl direkt über dem Balken
text(x = hist_data$mids[i],
y = hist_data$counts[i] + 0.5,
labels = hist_data$counts[i],
cex = 0.65,
col = "black")
# Prozentzahl etwas höher darüber
text(x = hist_data$mids[i],
y = hist_data$counts[i] + (max(hist_data$counts) * 0.12),
labels = paste0(percent_labels[i], "%"),
cex = 0.6,
col = "darkblue")
}
## [1] "EDAD" "NIV" "P2_8" "P2_10"datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2) %>%
select(ID_VIV, ID_PER, EDAD, NIV, P2_8, P2_10) # alle benötigten Spalten behalten
# Bibliotheken
library(dplyr)
library(ggplot2)
# --- 1. Frauen ab 15 Jahren, nur Alter + IDs ---
datos_mujeres_limpio <- datos_mujeres %>%
filter(EDAD >= 15) %>%
select(ID_VIV, ID_PER, EDAD)
violencia_mujeres <- violec_especif21 %>%
filter(!is.na(viol21_any_disc)) %>%
select(ID_VIV, ID_PER, viol21_any_disc)
# --- 2. Zusammenführen ---
mujeres_completo <- datos_mujeres_limpio %>%
inner_join(violencia_mujeres, by = c("ID_VIV", "ID_PER"))
# --- 3. Altersgruppen bilden ---
mujeres_completo <- mujeres_completo %>%
mutate(
grupo_edad = cut(
EDAD,
breaks = c(15, 24, 34, 44, 54, 64, Inf),
labels = c("15-24", "25-34", "35-44", "45-54", "55-64", "65+"),
right = TRUE
)
)
# --- 4. Prozentuale Verteilung pro Altersgruppe ---
resumen_edad <- mujeres_completo %>%
group_by(grupo_edad, viol21_any_disc) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(grupo_edad) %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# --- 5. Grafik ---
ggplot(resumen_edad, aes(x = grupo_edad, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5),
color = "white",
size = 3.5) +
labs(
title = "Violencia según grupo de edad (mujeres ≥15 años)",
x = "Grupo de edad",
y = "Porcentaje",
fill = "¿Vivió violencia?"
) +
theme_minimal()
# Schritt 1: Gültige Daten vorbereiten
edad_valida <- datos_mujeres$EDAD[!is.na(datos_mujeres$EDAD)]
# Schritt 2: Altersgruppen definieren (hier 10er-Schritte, kannst du auch auf 5 ändern)
min_edad <- floor(min(edad_valida))
max_edad <- ceiling(max(edad_valida)) + 1
breaks_seq <- seq(min_edad, max_edad, by = 10)
# Schritt 3: Kategorien erstellen
edad_grupos <- cut(edad_valida,
breaks = breaks_seq,
right = FALSE, # z.B. [20,30) bedeutet 20–29
include.lowest = TRUE)
# Schritt 4: Tabelle berechnen (absolute Häufigkeit & Prozent)
tabla_edades <- as.data.frame(table(edad_grupos))
tabla_edades$Prozent <- round(tabla_edades$Freq / sum(tabla_edades$Freq) * 100, 1)
# Ergebnis anzeigen
tabla_edades## edad_grupos Freq Prozent
## 1 [0,10) 32023 14.5
## 2 [10,20) 37346 16.9
## 3 [20,30) 34907 15.8
## 4 [30,40) 31301 14.2
## 5 [40,50) 29934 13.5
## 6 [50,60) 25028 11.3
## 7 [60,70) 17166 7.8
## 8 [70,80) 8746 4.0
## 9 [80,90) 3537 1.6
## 10 [90,100] 940 0.4Edad de (ex)pareja
## 1) Saubere Numerik + Bereinigung
datos_basicos3_21$P4BC_1 <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4BC_1)))
edad_parejas <- datos_basicos3_21$P4BC_1
edad_parejas <- edad_parejas[is.finite(edad_parejas)]
## (Optional) Plausibilitätsfilter, anpassen falls nötig
edad_parejas <- edad_parejas[edad_parejas >= 12 & edad_parejas <= 100]
## 2) Breaks so bauen, dass sie garantiert alles abdecken und auf 10er runden
lower <- floor(min(edad_parejas) / 10) * 10
upper <- ceiling(max(edad_parejas) / 10) * 10
breaks_seq <- seq(lower, upper, by = 10)
if (max(edad_parejas) == upper) breaks_seq <- c(breaks_seq, upper + 10) # Oberkante erweitern
## 3) Histogramm (linksoffen, rechter Rand geschlossen)
hist_data <- hist(edad_parejas,
breaks = breaks_seq,
include.lowest = TRUE,
right = TRUE, # Intervalle (a, b], erste Klasse [a, b]
main = "Distribución por edad de las (ex)parejas",
xlab = "Edad",
col = "lightgreen",
border = "white",
plot = TRUE)
## 4) Prozentlabels (optional)
percent_labels <- round(hist_data$counts / sum(hist_data$counts) * 100, 1)
for (i in seq_along(hist_data$counts)) {
text(hist_data$mids[i], hist_data$counts[i] + 0.5, hist_data$counts[i], cex = 0.65)
text(hist_data$mids[i], hist_data$counts[i] + max(hist_data$counts) * 0.12,
paste0(percent_labels[i], "%"), cex = 0.6)
}
## 1) Saubere Numerik + Bereinigung
datos_basicos3_21$P4BC_1 <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4BC_1)))
edad_parejas <- datos_basicos3_21$P4BC_1
edad_parejas <- edad_parejas[is.finite(edad_parejas)]
## Filter: nur 15 bis 100 Jahre
edad_parejas <- edad_parejas[edad_parejas >= 15 & edad_parejas <= 100]
## 2) Breaks so bauen, dass sie garantiert alles abdecken – jetzt 5er-Schritte
lower <- floor(min(edad_parejas) / 5) * 5
upper <- ceiling(max(edad_parejas) / 5) * 5
breaks_seq <- seq(lower, upper, by = 5)
if (max(edad_parejas) == upper) breaks_seq <- c(breaks_seq, upper + 5) # Oberkante erweitern
## 3) Histogramm (linksoffen, rechter Rand geschlossen)
hist(edad_parejas,
breaks = breaks_seq,
main = "Distribución por edad de las (ex)parejas",
xlab = "Edad",
col = "lightgreen",
border = "white",
ylim = c(0, max(hist_data$counts) * 1.3)) # mehr Platz oben
for (i in seq_along(hist_data$counts)) {
# Absolute Zahl direkt über dem Balken
text(x = hist_data$mids[i],
y = hist_data$counts[i] + 0.5,
labels = hist_data$counts[i],
cex = 0.7,
col = "black")
# Prozentzahl etwas weiter oben
text(x = hist_data$mids[i],
y = hist_data$counts[i] + 0.1 * max(hist_data$counts), # dynamischer Abstand
labels = paste0(percent_labels[i], "%"),
cex = 0.65,
col = "darkblue")
}
Nivel educativo de mujeres
# Sicherstellen, dass NIV als Faktor vorliegt
datos_basicos1_21$NIV <- as.factor(datos_basicos1_21$NIV)
# Häufigkeiten zählen
frequencies <- table(datos_basicos1_21$NIV)
# Prozentsätze berechnen
percentages <- round(prop.table(frequencies) * 100, 2)
# Zusammenfassung in einem Data Frame
niv_summary <- data.frame(
NIV = names(frequencies),
Count = as.vector(frequencies),
Percentage = as.vector(percentages)
)
# Ausgabe
print(niv_summary)## NIV Count Percentage
## 1 0 25499 6.13
## 2 1 17561 4.22
## 3 2 114208 27.45
## 4 3 106686 25.64
## 5 4 73492 17.66
## 6 5 1148 0.28
## 7 6 4577 1.10
## 8 7 4971 1.19
## 9 8 712 0.17
## 10 9 6042 1.45
## 11 10 55955 13.45
## 12 11 5247 1.26# ggplot2 laden (falls noch nicht installiert: install.packages("ggplot2"))
library(ggplot2)
# Sicherstellen, dass NIV als Faktor vorliegt
datos_basicos1_21$NIV <- as.factor(datos_basicos1_21$NIV)
# Häufigkeiten und Prozente berechnen
frequencies <- table(datos_basicos1_21$NIV)
percentages <- round(prop.table(frequencies) * 100, 2)
niv_summary <- data.frame(
NIV = names(frequencies),
Count = as.vector(frequencies),
Percentage = as.vector(percentages)
)
# Balkendiagramm erstellen
ggplot(niv_summary, aes(x = NIV, y = Percentage)) +
geom_bar(stat = "identity", fill = "steelblue") +
geom_text(aes(label = paste0(Percentage, "%")), vjust = -0.5) +
labs(
title = "Bildungsniveau der befragten Frauen",
x = "Bildungsniveau",
y = "Prozent (%)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(ggplot2)
library(dplyr)
# 1. Nur Frauen auswählen und NAs entfernen
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2, !is.na(NIV))
# 2. Labels definieren (Mapping)
niv_labels <- c(
"00" = "Ninguno",
"01" = "Preescolar",
"02" = "Primaria",
"03" = "Secundaria",
"04" = "Preparatoria",
"05" = "Téc. (Prim.)",
"06" = "Téc. (Sec.)",
"07" = "Téc. (Prep.)",
"08" = "Normal (básica)",
"09" = "Normal (Lic.)",
"10" = "Licenciatura",
"11" = "Posgrado"
)
# 3. NIV bereinigen → sicherstellen, dass nur 2-stellige Codes stehen
datos_mujeres$NIV <- sprintf("%02d", as.numeric(as.character(datos_mujeres$NIV)))
# 4. Häufigkeiten und Prozente berechnen
frequencies <- table(datos_mujeres$NIV)
percentages <- round(prop.table(frequencies) * 100, 2)
niv_summary <- data.frame(
NIV = names(frequencies),
Count = as.vector(frequencies),
Percentage = as.vector(percentages)
)
# 5. Labels hinzufügen
niv_summary$NIV_label <- factor(niv_labels[niv_summary$NIV],
levels = niv_labels) # richtige Reihenfolge
# 6. Balkendiagramm erstellen
ggplot(niv_summary, aes(x = NIV_label, y = Percentage)) +
geom_bar(stat = "identity", fill = "steelblue") +
geom_text(aes(label = paste0(Percentage, "%")), vjust = -0.5, size = 3.5) +
labs(
title = "Nivel educativo de las mujeres encuestadas",
x = "Nivel educativo",
y = "Porcentaje (%)"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
# 1. Labels für NIV vorbereiten
niv_labels <- c(
"00" = "Ninguno",
"01" = "Preescolar",
"02" = "Primaria",
"03" = "Secundaria",
"04" = "Preparatoria",
"05" = "Téc. (Prim.)",
"06" = "Téc. (Sec.)",
"07" = "Téc. (Prep.)",
"08" = "Normal (básica)",
"09" = "Normal (Lic.)",
"10" = "Licenciatura",
"11" = "Posgrado"
)
# 2. Nur Frauen mit NIV auswählen (und NAs entfernen)
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2, !is.na(NIV)) %>%
select(ID_VIV, ID_PER, NIV)
# 3. NIV bereinigen → zweistellig
datos_mujeres$NIV <- sprintf("%02d", as.numeric(as.character(datos_mujeres$NIV)))
# 4. Gewaltvariablen vorbereiten
violencia_mujeres <- violec_especif21 %>%
filter(!is.na(viol21_any_disc)) %>%
select(ID_VIV, ID_PER, viol21_any_disc)
# 5. Datensätze zusammenführen
mujeres_completo <- datos_mujeres %>%
inner_join(violencia_mujeres, by = c("ID_VIV", "ID_PER"))
# 6. Prozentuale Verteilung pro Bildungsniveau
resumen_niv <- mujeres_completo %>%
group_by(NIV, viol21_any_disc) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(NIV) %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# 7. Labels hinzufügen
resumen_niv$NIV_label <- factor(niv_labels[resumen_niv$NIV],
levels = niv_labels)
# 8. Grafik erstellen
ggplot(resumen_niv, aes(x = NIV_label, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5),
color = "white", size = 3.5) +
labs(
title = "Violencia según nivel educativo (mujeres)",
x = "Nivel educativo",
y = "Porcentaje (%)",
fill = "¿Vivió violencia?"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
# Labels für NIV vorbereiten
niv_labels <- c(
"00" = "Ninguno",
"01" = "Preescolar",
"02" = "Primaria",
"03" = "Secundaria",
"04" = "Preparatoria",
"05" = "Téc. (Prim.)",
"06" = "Téc. (Sec.)",
"07" = "Téc. (Prep.)",
"08" = "Normal (básica)",
"09" = "Normal (Lic.)",
"10" = "Licenciatura",
"11" = "Posgrado"
)
# Nur Frauen auswählen und NIV bereinigen
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2, !is.na(NIV)) %>%
select(ID_VIV, ID_PER, NIV)
datos_mujeres$NIV <- sprintf("%02d", as.numeric(as.character(datos_mujeres$NIV)))
# Gewaltvariablen vorbereiten
violencia_mujeres <- violec_especif21 %>%
filter(!is.na(viol21_any_disc)) %>%
select(ID_VIV, ID_PER, viol21_any_disc)
# Falls Gewaltvariable Faktor/Text ist → in numerisch umwandeln
violencia_mujeres <- violencia_mujeres %>%
mutate(viol21_any_disc_num = ifelse(viol21_any_disc %in% c("1", 1, "Sí"), 1,
ifelse(viol21_any_disc %in% c("0", 0, "No"), 0, NA)))
# Datensätze zusammenführen
mujeres_completo <- datos_mujeres %>%
inner_join(violencia_mujeres, by = c("ID_VIV", "ID_PER"))
# Prozentuale Verteilung pro Bildungsniveau
resumen_niv <- mujeres_completo %>%
group_by(NIV, viol21_any_disc) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(NIV) %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# Durchschnittliche Gewaltquote berechnen
promedio_violencia <- mujeres_completo %>%
summarise(promedio = mean(viol21_any_disc_num, na.rm = TRUE)) %>%
pull(promedio) * 100 # Prozent
# Labels hinzufügen
resumen_niv$NIV_label <- factor(niv_labels[resumen_niv$NIV],
levels = niv_labels)
# Grafik erstellen
ggplot(resumen_niv, aes(x = NIV_label, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5),
color = "white", size = 3.5) +
geom_hline(yintercept = promedio_violencia,
linetype = "dashed", color = "red", linewidth = 1) +
annotate("text", x = length(unique(resumen_niv$NIV_label)),
y = promedio_violencia + 2,
label = paste0("Promedio violencia: ", round(promedio_violencia, 1), "%"),
color = "red", hjust = 1) +
labs(
title = "Violencia según nivel educativo (mujeres)",
x = "Nivel educativo",
y = "Porcentaje (%)",
fill = "¿Vivió violencia?"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
# Nur Frauen filtern
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2)
# Lesefähigkeit als Faktor umkodieren
datos_mujeres$P2_8 <- factor(datos_mujeres$P2_8,
levels = c(1, 2, 9),
labels = c("Sí", "No", "No especificado"))
# Balkendiagramm: Lese- und Schreibfähigkeit
ggplot(datos_mujeres, aes(x = P2_8)) +
geom_bar(fill = "#2E86C1") +
theme_minimal() +
labs(title = "¿Sabe leer y escribir un recado? (Solo mujeres)",
x = "Respuesta",
y = "Frecuencia") +
geom_text(stat = "count", aes(label = ..count..), vjust = -0.3)## Warning: The dot-dot notation (`..count..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(count)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
library(dplyr)
library(ggplot2)
# Nur Frauen filtern
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2)
# Lesefähigkeit als Faktor umkodieren
datos_mujeres$P2_8 <- factor(datos_mujeres$P2_8,
levels = c(1, 2, 9),
labels = c("Sí", "No", "No especificado"))
# Prozentberechnung vorbereiten
datos_plot <- datos_mujeres %>%
count(P2_8) %>%
mutate(percent = n / sum(n) * 100,
label = paste0(n, " (", round(percent, 1), "%)"))
# Balkendiagramm: Lese- und Schreibfähigkeit
ggplot(datos_plot, aes(x = P2_8, y = n)) +
geom_bar(stat = "identity", fill = "#2E86C1") +
theme_minimal() +
labs(title = "¿Sabe leer y escribir un recado? (Solo mujeres)",
x = "Respuesta",
y = "Frecuencia") +
geom_text(aes(label = label), vjust = -0.3)
library(dplyr)
library(ggplot2)
# 1. Frauen ab 15 Jahren filtern und NA-Werte bei Gewalt + Lesevariable ausschließen
datos_mujeres_limpio <- datos_mujeres %>%
filter(EDAD >= 15) %>% # nur ≥15 Jahre
select(ID_VIV, ID_PER, EDAD, P2_8) %>%
filter(!is.na(P2_8))
violencia_mujeres <- violec_especif21 %>%
filter(!is.na(viol21_any_disc)) %>%
select(ID_VIV, ID_PER, viol21_any_disc)
# 2. Datensätze zusammenführen über gemeinsame Schlüssel
mujeres_completo <- datos_mujeres_limpio %>%
inner_join(violencia_mujeres, by = c("ID_VIV", "ID_PER"))
# 3. Prozentuale Verteilung: Gewalt innerhalb jeder Lesefähigkeitsgruppe
resumen_capacidad <- mujeres_completo %>%
group_by(P2_8, viol21_any_disc) %>%
summarise(total = n(), .groups = "drop") %>%
group_by(P2_8) %>%
mutate(porcentaje = round(100 * total / sum(total), 1))
# 4. Grafik
ggplot(resumen_capacidad, aes(x = P2_8, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5),
color = "white", size = 3.5) +
labs(title = "Violencia por capacidad de leer y escribir (mujeres ≥15 años)",
x = "¿Sabe leer y escribir?",
y = "Porcentaje",
fill = "¿Vivió violencia?") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 0, hjust = 0.5))
### Nivel educativo del (ex)esposo
# Define las etiquetas del nivel educativo
niveles_educativos <- c(
"00" = "Ninguno",
"01" = "Preescolar",
"02" = "Primaria",
"03" = "Secundaria",
"04" = "Preparatoria/Bachillerato",
"05" = "Técnico c/primaria",
"06" = "Técnico c/secundaria",
"07" = "Técnico c/preparatoria",
"08" = "Normal básica",
"09" = "Normal licenciatura",
"10" = "Licenciatura",
"11" = "Posgrado",
"98" = "No sabe"
)
# Asegura que la variable es carácter y luego factor con etiquetas
datos_basicos3_21$P4BC_2 <- as.character(datos_basicos3_21$P4BC_2)
datos_basicos3_21$P4BC_2 <- factor(datos_basicos3_21$P4BC_2,
levels = names(niveles_educativos),
labels = niveles_educativos)
# Diagrama de barras del nivel educativo
barplot(table(datos_basicos3_21$P4BC_2),
las = 2,
col = "lightblue",
main = "Nivel educativo de la pareja",
ylab = "Frecuencia",
cex.names = 0.8)
Preguntar por la etnia
library(dplyr)
library(ggplot2)
# Daten filtern: nur Frauen
datos_mujeres <- datos_basicos1_21 %>%
filter(SEXO == 2)
# P2_10 als Faktor mit passenden Labels definieren
datos_mujeres$P2_10 <- factor(datos_mujeres$P2_10,
levels = c(1, 2, 3, 8),
labels = c("Sí", "Sí, en parte", "No", "No sabe"))
# Zusammenfassung: absolute Zahlen und Prozente
resumen <- datos_mujeres %>%
count(P2_10) %>%
mutate(
porcentaje = round(n / sum(n) * 100, 1),
label = paste0(n, "\n", porcentaje, "%") # beide Werte untereinander
)
# Balkendiagramm mit Labels
ggplot(resumen, aes(x = P2_10, y = n)) +
geom_col(fill = "#AF7AC5") +
geom_text(aes(label = label),
vjust = -0.3, size = 4, lineheight = 0.9) +
theme_minimal() +
labs(title = "¿Se considera indígena? (Sólo mujeres)",
x = "Respuesta",
y = "Frecuencia")
library(dplyr)
library(ggplot2)
# 1. Nur Frauen über 15 mit ID und indigener Info
datos_mujeres_indigena <- datos_basicos1_21 %>%
filter(SEXO == 2, EDAD >= 15) %>%
select(ID_VIV, ID_PER, P2_10) %>%
filter(!is.na(P2_10))
# 2. Faktor-Labels für P2_10
datos_mujeres_indigena$P2_10 <- factor(datos_mujeres_indigena$P2_10,
levels = c(1, 2, 3, 8),
labels = c("Sí", "Sí, en parte", "No", "No sabe"))
# 3. Gewaltvariablen vorbereiten (nur Frauen über 15)
violencia_mujeres <- violec_especif21 %>%
filter(!is.na(viol21_any_disc)) %>%
select(ID_VIV, ID_PER, viol21_any_disc)
# 4. Join: Bildung + Gewalt
datos_combinados <- datos_mujeres_indigena %>%
left_join(violencia_mujeres, by = c("ID_VIV", "ID_PER")) %>%
filter(!is.na(viol21_any_disc)) # NA aus Gewalt entfernen
# 5. Prozentuale Verteilung berechnen
resumen_indigena <- datos_combinados %>%
group_by(P2_10, viol21_any_disc) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(P2_10) %>%
mutate(porcentaje = round(n / sum(n) * 100, 1))
# 6. Visualisierung
ggplot(resumen_indigena, aes(x = P2_10, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5), size = 3, color = "white") +
labs(title = "Porcentaje de mujeres (15+) que han experimentado violencia, según autoidentificación indígena",
x = "¿Se considera indígena?",
y = "Porcentaje",
fill = "¿Ha vivido violencia?") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(size = 11) # Beispielgröße, z.B. 18
)
Zona residencial
library(dplyr)
library(ggplot2)
# 1. Relevante Variablen aus datos_basicos1_21 (SEXO, EDAD) holen
datos_id <- datos_basicos1_21 %>%
select(ID_VIV, ID_PER, SEXO, EDAD)
# 2. Mit datos_basicos2_21 (DOMINIO) verbinden
datos_completos <- datos_basicos2_21 %>%
left_join(datos_id, by = c("ID_VIV", "ID_PER"))
# 3. Nur Frauen über 15 mit gültigem Wohnort
datos_mujeres15 <- datos_completos %>%
filter(SEXO == 2, EDAD >= 15, !is.na(DOMINIO))
# 4. DOMINIO als Faktor umbenennen
datos_mujeres15$DOMINIO <- factor(datos_mujeres15$DOMINIO,
levels = c("U", "C", "R"),
labels = c("Urbano", "Complemento urbano", "Rural"))
# 5. Gruppieren & absolute und prozentuale Werte berechnen
resumen_dominio <- datos_mujeres15 %>%
group_by(DOMINIO) %>%
summarise(n = n()) %>%
mutate(porcentaje = round(n / sum(n) * 100, 1),
etiqueta = paste0(n, "\n(", porcentaje, "%)"))
# 6. Grafik mit absoluten Zahlen + Prozenten
ggplot(resumen_dominio, aes(x = DOMINIO, y = n)) +
geom_col(fill = "steelblue") +
geom_text(aes(label = etiqueta), vjust = -0.5, size = 4) +
labs(
title = "Distribución por tipo de zona de residencia (mujeres ≥ 15 años)",
x = "Zona de residencia",
y = "Número de mujeres"
) +
scale_y_continuous(expand = expansion(mult = c(0, 0.1))) + # <-- hier ist die Lösung!
theme_minimal()
library(dplyr)
library(ggplot2)
# 1. Relevante Variablen aus datos_basicos1_21 auswählen
datos_id <- datos_basicos1_21 %>%
select(ID_VIV, ID_PER, SEXO, EDAD)
# 2. Mit datos_basicos2_21 (enthält DOMINIO) verknüpfen
datos_completos <- datos_basicos2_21 %>%
left_join(datos_id, by = c("ID_VIV", "ID_PER"))
# 3. Filter: nur Frauen über 15 mit gültigem Wohnorttyp
datos_mujeres_zona <- datos_completos %>%
filter(SEXO == 2, EDAD >= 15, !is.na(DOMINIO)) %>%
select(ID_VIV, ID_PER, DOMINIO)
# 4. DOMINIO umcodieren
datos_mujeres_zona$DOMINIO <- factor(datos_mujeres_zona$DOMINIO,
levels = c("U", "C", "R"),
labels = c("Urbano", "Complemento urbano", "Rural"))
# 5. Gewalt-Daten vorbereiten
violencia_mujeres <- violec_especif21 %>%
filter(!is.na(viol21_any_disc)) %>%
select(ID_VIV, ID_PER, viol21_any_disc)
# 6. Verknüpfen
datos_combinados_zona <- datos_mujeres_zona %>%
left_join(violencia_mujeres, by = c("ID_VIV", "ID_PER")) %>%
filter(!is.na(viol21_any_disc)) # NA bei Gewalt entfernen
# 7. Prozentuale Verteilung berechnen
resumen_zona <- datos_combinados_zona %>%
group_by(DOMINIO, viol21_any_disc) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(DOMINIO) %>%
mutate(porcentaje = round(n / sum(n) * 100, 1))
# 8. Visualisierung
ggplot(resumen_zona, aes(x = DOMINIO, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_stack(vjust = 0.5), size = 3, color = "white") +
labs(title = "Porcentaje de mujeres (15+) que han vivido violencia, según tipo de zona de residencia",
x = "Zona de residencia",
y = "Porcentaje",
fill = "¿Ha vivido violencia?") +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(size = 12) # Beispielgröße, z.B. 18
)
library(ggplot2)
library(dplyr)
# Berechne Häufigkeiten und Prozente
datos_dom <- datos_basicos2_21 %>%
count(DOMINIO) %>%
mutate(
porcentaje = n / sum(n) * 100,
etiqueta = paste0(
case_when(
DOMINIO == "U" ~ "Urbano",
DOMINIO == "C" ~ "Complemento urbano",
DOMINIO == "R" ~ "Rural",
TRUE ~ "Desconocido"
),
"\n", n, " mujeres\n(", round(porcentaje, 1), "%)"
)
)
# Erstelle Tortendiagramm
ggplot(datos_dom, aes(x = "", y = porcentaje, fill = DOMINIO)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5), size = 4) +
labs(
title = "Distribución de mujeres según zona de residencia",
fill = "Zona"
) +
scale_fill_manual(
values = c("U" = "#66c2a5", "C" = "#fc8d62", "R" = "#8da0cb"),
labels = c("U" = "Urbano", "C" = "Complemento urbano", "R" = "Rural")
) +
theme_void()
## estado civil
library(ggplot2)
library(dplyr)
# Beschriftungen für P3_1
estado_etiquetas <- c(
"1" = "Unión libre",
"2" = "Separada",
"3" = "Divorciada",
"4" = "Viuda",
"5" = "Casada",
"6" = "Soltera"
)
# Daten vorbereiten
datos_p3_1 <- datos_basicos2_21 %>%
filter(!is.na(P3_1)) %>%
count(P3_1) %>%
mutate(
porcentaje = n / sum(n) * 100,
etiqueta = paste0(round(porcentaje, 1), "%")
)
# Tortendiagramm nur mit Prozenten
ggplot(datos_p3_1, aes(x = "", y = porcentaje, fill = P3_1)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5), size = 4) +
labs(
title = "Distribución porcentual del estado civil o conyugal de las mujeres",
fill = "Estado"
) +
scale_fill_manual(
values = RColorBrewer::brewer.pal(6, "Set2"),
labels = estado_etiquetas
) +
theme_void()
library(ggplot2)
library(dplyr)
# Etiketten definieren
p3_2_labels <- c("1" = "Sí", "2" = "No")
# Daten vorbereiten
datos_p3_2 <- datos_basicos2_21 %>%
filter(!is.na(P3_2)) %>%
count(P3_2) %>%
mutate(
porcentaje = n / sum(n) * 100,
etiqueta = paste0(round(porcentaje, 1), "%")
)
# Tortendiagramm mit Prozenten
ggplot(datos_p3_2, aes(x = "", y = porcentaje, fill = P3_2)) +
geom_col(width = 1, color = "white") +
coord_polar(theta = "y") +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5), size = 5) +
scale_fill_manual(
values = c("#66c2a5", "#fc8d62"),
labels = p3_2_labels
) +
labs(
title = "¿Su actual esposo o pareja vive con usted?",
fill = "Respuesta"
) +
theme_void()
library(dplyr)
# 1. Daten aus datos_basicos1_21 und violec_especif21 verbinden
datos_completo <- inner_join(
datos_basicos1_21 %>% select(ID_VIV, ID_PER, SEXO, EDAD),
violec_especif21 %>% select(ID_VIV, ID_PER, viol21_any_disc),
by = c("ID_VIV", "ID_PER")
)
# 2. Mit datos_basicos2_21 verbinden, um P3_2 zu bekommen
datos_completo <- inner_join(
datos_completo,
datos_basicos2_21 %>% select(ID_VIV, ID_PER, P3_2),
by = c("ID_VIV", "ID_PER")
)
# 3. Filter: Frauen über 15, keine NA in P3_2 oder Gewaltvariable
datos_filtrado <- datos_completo %>%
filter(SEXO == 2, EDAD >= 15, !is.na(P3_2), !is.na(viol21_any_disc))
# 4. P3_2 als Faktor definieren
datos_filtrado$P3_2 <- factor(datos_filtrado$P3_2, levels = c(1, 2), labels = c("Sí", "No"))
# 5. Prozentuale Gewaltverteilung nach P3_2
resumen <- datos_filtrado %>%
count(P3_2, viol21_any_disc) %>%
group_by(P3_2) %>%
mutate(porcentaje = n / sum(n) * 100)
# 6. Plot
library(ggplot2)
ggplot(resumen, aes(x = P3_2, y = porcentaje, fill = factor(viol21_any_disc))) +
geom_col(position = "stack") +
geom_text(aes(label = paste0(round(porcentaje, 1), "%")),
position = position_stack(vjust = 0.5), color = "white") +
labs(
title = "Violencia según si su actual esposo o pareja vive con usted (mujeres > 15 años)",
x = "¿Su actual esposo o pareja vive con usted?",
y = "Porcentaje",
fill = "Violencia experimentada"
) +
theme_minimal()
library(dplyr)
library(ggplot2)
# Zusammenführen der Daten (angepasst an deine Variablennamen)
datos_combinados <- datos_basicos2_21 %>%
select(ID_VIV, ID_PER, P3_1) %>%
inner_join(violec_especif21 %>% select(ID_VIV, ID_PER, viol21_any_disc), by = c("ID_VIV", "ID_PER"))
# Filter NA und Faktor mit Labels
datos_combinados <- datos_combinados %>%
filter(!is.na(P3_1), !is.na(viol21_any_disc))
estado_etiquetas <- c(
"1" = "Unión libre",
"2" = "Separada",
"3" = "Divorciada",
"4" = "Viuda",
"5" = "Casada",
"6" = "Soltera"
)
datos_combinados$P3_1 <- factor(as.character(datos_combinados$P3_1), levels = names(estado_etiquetas), labels = estado_etiquetas)
datos_combinados$viol21_any_disc <- factor(datos_combinados$viol21_any_disc, levels = c("No", "Sí"))
# Prozentual gruppieren
resumen_estado_violencia <- datos_combinados %>%
group_by(P3_1, viol21_any_disc) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(P3_1) %>%
mutate(
porcentaje = round(100 * n / sum(n), 1),
etiqueta = paste0(porcentaje, "%")
)
# Plot mit Prozenten
ggplot(resumen_estado_violencia, aes(x = P3_1, y = porcentaje, fill = viol21_any_disc)) +
geom_col(position = "stack") +
geom_text(aes(label = etiqueta), position = position_stack(vjust = 0.5), size = 4, color = "white") +
labs(
title = "Distribución porcentual de experiencias de violencia según estado civil de las mujeres",
x = "Estado civil",
y = "Porcentaje",
fill = "Violencia experimentada"
) +
theme_minimal() +
theme(
axis.text.x = element_text(angle = 45, hjust = 1),
plot.title = element_text(size = 12) # Beispielgröße, z.B. 18
)
estado actual (fianciero)
# 1) Bereinigung und Umrechnung (falls noch nicht gemacht)
datos_basicos3_21$P4_2 <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4_2)))
datos_basicos3_21$P4_2_1 <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4_2_1)))
# Nur gültige Werte
datos_lim <- datos_basicos3_21[!is.na(datos_basicos3_21$P4_2) & !is.na(datos_basicos3_21$P4_2_1), ]
datos_lim <- datos_lim[datos_lim$P4_2_1 %in% c(1,2,3), ]
# Einkommen auf Monatsbasis
datos_lim$ingreso_mensual <- NA
datos_lim$ingreso_mensual[datos_lim$P4_2_1 == 1] <- datos_lim$P4_2[datos_lim$P4_2_1 == 1] * 4.33
datos_lim$ingreso_mensual[datos_lim$P4_2_1 == 2] <- datos_lim$P4_2[datos_lim$P4_2_1 == 2] * 2
datos_lim$ingreso_mensual[datos_lim$P4_2_1 == 3] <- datos_lim$P4_2[datos_lim$P4_2_1 == 3]
# 2) Einkommensklassen definieren (anpassen nach Bedarf)
breaks <- seq(0, max(datos_lim$ingreso_mensual, na.rm = TRUE) + 5000, by = 5000)
labels <- paste0(breaks[-length(breaks)], "-", breaks[-1]-1)
# 3) Tabelle erstellen
datos_lim$clase_ingreso <- cut(datos_lim$ingreso_mensual, breaks = breaks, labels = labels, include.lowest = TRUE, right = FALSE)
tabla_ingresos <- as.data.frame(table(datos_lim$clase_ingreso))
# Prozent berechnen
tabla_ingresos$Porcentaje <- round(tabla_ingresos$Freq / sum(tabla_ingresos$Freq) * 100, 1)
# Ergebnis anzeigen
tabla_ingresos## Var1 Freq Porcentaje
## 1 0-4999 19555 43.9
## 2 5000-9999 16439 36.9
## 3 10000-14999 4795 10.8
## 4 15000-19999 1641 3.7
## 5 20000-24999 1043 2.3
## 6 25000-29999 324 0.7
## 7 30000-34999 327 0.7
## 8 35000-39999 57 0.1
## 9 40000-44999 132 0.3
## 10 45000-49999 20 0.0
## 11 50000-54999 61 0.1
## 12 55000-59999 7 0.0
## 13 60000-64999 20 0.0
## 14 65000-69999 2 0.0
## 15 70000-74999 4 0.0
## 16 75000-79999 3 0.0
## 17 80000-84999 10 0.0
## 18 85000-89999 5 0.0
## 19 90000-94999 5 0.0
## 20 95000-99999 0 0.0
## 21 1e+05-104999 5 0.0
## 22 105000-109999 2 0.0
## 23 110000-114999 0 0.0
## 24 115000-119999 0 0.0
## 25 120000-124999 2 0.0
## 26 125000-129999 1 0.0
## 27 130000-134999 1 0.0
## 28 135000-139999 0 0.0
## 29 140000-144999 0 0.0
## 30 145000-149999 0 0.0
## 31 150000-154999 0 0.0
## 32 155000-159999 0 0.0
## 33 160000-164999 0 0.0
## 34 165000-169999 0 0.0
## 35 170000-174999 1 0.0
## 36 175000-179999 0 0.0
## 37 180000-184999 0 0.0
## 38 185000-189999 0 0.0
## 39 190000-194999 0 0.0
## 40 195000-199999 0 0.0
## 41 2e+05-204999 1 0.0
## 42 205000-209999 0 0.0
## 43 210000-214999 0 0.0
## 44 215000-219999 0 0.0
## 45 220000-224999 1 0.0
## 46 225000-229999 0 0.0
## 47 230000-234999 0 0.0
## 48 235000-239999 0 0.0
## 49 240000-244999 0 0.0
## 50 245000-249999 0 0.0
## 51 250000-254999 0 0.0
## 52 255000-259999 0 0.0
## 53 260000-264999 0 0.0
## 54 265000-269999 0 0.0
## 55 270000-274999 0 0.0
## 56 275000-279999 0 0.0
## 57 280000-284999 0 0.0
## 58 285000-289999 0 0.0
## 59 290000-294999 0 0.0
## 60 295000-299999 0 0.0
## 61 3e+05-304999 0 0.0
## 62 305000-309999 0 0.0
## 63 310000-314999 0 0.0
## 64 315000-319999 0 0.0
## 65 320000-324999 0 0.0
## 66 325000-329999 0 0.0
## 67 330000-334999 0 0.0
## 68 335000-339999 0 0.0
## 69 340000-344999 0 0.0
## 70 345000-349999 0 0.0
## 71 350000-354999 0 0.0
## 72 355000-359999 0 0.0
## 73 360000-364999 0 0.0
## 74 365000-369999 0 0.0
## 75 370000-374999 0 0.0
## 76 375000-379999 0 0.0
## 77 380000-384999 0 0.0
## 78 385000-389999 0 0.0
## 79 390000-394999 0 0.0
## 80 395000-399999 0 0.0
## 81 4e+05-404999 0 0.0
## 82 405000-409999 0 0.0
## 83 410000-414999 0 0.0
## 84 415000-419999 0 0.0
## 85 420000-424999 0 0.0
## 86 425000-429999 0 0.0
## 87 430000-434999 0 0.0
## 88 435000-439999 0 0.0
## 89 440000-444999 0 0.0
## 90 445000-449999 0 0.0
## 91 450000-454999 0 0.0
## 92 455000-459999 0 0.0
## 93 460000-464999 0 0.0
## 94 465000-469999 0 0.0
## 95 470000-474999 0 0.0
## 96 475000-479999 0 0.0
## 97 480000-484999 0 0.0
## 98 485000-489999 0 0.0
## 99 490000-494999 0 0.0
## 100 495000-499999 0 0.0
## 101 5e+05-504999 0 0.0
## 102 505000-509999 0 0.0
## 103 510000-514999 0 0.0
## 104 515000-519999 0 0.0
## 105 520000-524999 0 0.0
## 106 525000-529999 0 0.0
## 107 530000-534999 0 0.0
## 108 535000-539999 0 0.0
## 109 540000-544999 0 0.0
## 110 545000-549999 0 0.0
## 111 550000-554999 0 0.0
## 112 555000-559999 0 0.0
## 113 560000-564999 0 0.0
## 114 565000-569999 0 0.0
## 115 570000-574999 0 0.0
## 116 575000-579999 0 0.0
## 117 580000-584999 0 0.0
## 118 585000-589999 0 0.0
## 119 590000-594999 0 0.0
## 120 595000-599999 0 0.0
## 121 6e+05-604999 0 0.0
## 122 605000-609999 0 0.0
## 123 610000-614999 0 0.0
## 124 615000-619999 0 0.0
## 125 620000-624999 0 0.0
## 126 625000-629999 0 0.0
## 127 630000-634999 0 0.0
## 128 635000-639999 0 0.0
## 129 640000-644999 0 0.0
## 130 645000-649999 0 0.0
## 131 650000-654999 0 0.0
## 132 655000-659999 0 0.0
## 133 660000-664999 0 0.0
## 134 665000-669999 0 0.0
## 135 670000-674999 0 0.0
## 136 675000-679999 0 0.0
## 137 680000-684999 0 0.0
## 138 685000-689999 0 0.0
## 139 690000-694999 0 0.0
## 140 695000-699999 0 0.0
## 141 7e+05-704999 0 0.0
## 142 705000-709999 0 0.0
## 143 710000-714999 0 0.0
## 144 715000-719999 0 0.0
## 145 720000-724999 0 0.0
## 146 725000-729999 0 0.0
## 147 730000-734999 0 0.0
## 148 735000-739999 0 0.0
## 149 740000-744999 0 0.0
## 150 745000-749999 0 0.0
## 151 750000-754999 0 0.0
## 152 755000-759999 0 0.0
## 153 760000-764999 0 0.0
## 154 765000-769999 0 0.0
## 155 770000-774999 0 0.0
## 156 775000-779999 0 0.0
## 157 780000-784999 0 0.0
## 158 785000-789999 0 0.0
## 159 790000-794999 0 0.0
## 160 795000-799999 0 0.0
## 161 8e+05-804999 1 0.0
## 162 805000-809999 0 0.0
## 163 810000-814999 0 0.0
## 164 815000-819999 0 0.0
## 165 820000-824999 0 0.0
## 166 825000-829999 0 0.0
## 167 830000-834999 0 0.0
## 168 835000-839999 0 0.0
## 169 840000-844999 0 0.0
## 170 845000-849999 0 0.0
## 171 850000-854999 0 0.0
## 172 855000-859999 0 0.0
## 173 860000-864999 0 0.0
## 174 865000-869999 0 0.0
## 175 870000-874999 0 0.0
## 176 875000-879999 0 0.0
## 177 880000-884999 0 0.0
## 178 885000-889999 0 0.0
## 179 890000-894999 0 0.0
## 180 895000-899999 0 0.0
## 181 9e+05-904999 0 0.0
## 182 905000-909999 0 0.0
## 183 910000-914999 0 0.0
## 184 915000-919999 0 0.0
## 185 920000-924999 0 0.0
## 186 925000-929999 0 0.0
## 187 930000-934999 0 0.0
## 188 935000-939999 0 0.0
## 189 940000-944999 0 0.0
## 190 945000-949999 0 0.0
## 191 950000-954999 0 0.0
## 192 955000-959999 0 0.0
## 193 960000-964999 0 0.0
## 194 965000-969999 0 0.0
## 195 970000-974999 0 0.0
## 196 975000-979999 0 0.0
## 197 980000-984999 0 0.0
## 198 985000-989999 0 0.0
## 199 990000-994999 0 0.0
## 200 995000-999999 12 0.0
## 201 1e+06-1004999 0 0.0
## 202 1005000-1009999 0 0.0
## 203 1010000-1014999 0 0.0
## 204 1015000-1019999 0 0.0
## 205 1020000-1024999 0 0.0
## 206 1025000-1029999 0 0.0
## 207 1030000-1034999 0 0.0
## 208 1035000-1039999 0 0.0
## 209 1040000-1044999 0 0.0
## 210 1045000-1049999 0 0.0
## 211 1050000-1054999 0 0.0
## 212 1055000-1059999 0 0.0
## 213 1060000-1064999 0 0.0
## 214 1065000-1069999 0 0.0
## 215 1070000-1074999 0 0.0
## 216 1075000-1079999 0 0.0
## 217 1080000-1084999 0 0.0
## 218 1085000-1089999 0 0.0
## 219 1090000-1094999 0 0.0
## 220 1095000-1099999 0 0.0
## 221 1100000-1104999 0 0.0
## 222 1105000-1109999 0 0.0
## 223 1110000-1114999 0 0.0
## 224 1115000-1119999 0 0.0
## 225 1120000-1124999 0 0.0
## 226 1125000-1129999 0 0.0
## 227 1130000-1134999 0 0.0
## 228 1135000-1139999 0 0.0
## 229 1140000-1144999 0 0.0
## 230 1145000-1149999 0 0.0
## 231 1150000-1154999 0 0.0
## 232 1155000-1159999 0 0.0
## 233 1160000-1164999 0 0.0
## 234 1165000-1169999 0 0.0
## 235 1170000-1174999 0 0.0
## 236 1175000-1179999 0 0.0
## 237 1180000-1184999 0 0.0
## 238 1185000-1189999 0 0.0
## 239 1190000-1194999 0 0.0
## 240 1195000-1199999 0 0.0
## 241 1200000-1204999 0 0.0
## 242 1205000-1209999 0 0.0
## 243 1210000-1214999 0 0.0
## 244 1215000-1219999 0 0.0
## 245 1220000-1224999 0 0.0
## 246 1225000-1229999 0 0.0
## 247 1230000-1234999 0 0.0
## 248 1235000-1239999 0 0.0
## 249 1240000-1244999 0 0.0
## 250 1245000-1249999 0 0.0
## 251 1250000-1254999 0 0.0
## 252 1255000-1259999 0 0.0
## 253 1260000-1264999 0 0.0
## 254 1265000-1269999 0 0.0
## 255 1270000-1274999 0 0.0
## 256 1275000-1279999 0 0.0
## 257 1280000-1284999 0 0.0
## 258 1285000-1289999 0 0.0
## 259 1290000-1294999 0 0.0
## 260 1295000-1299999 0 0.0
## 261 1300000-1304999 0 0.0
## 262 1305000-1309999 0 0.0
## 263 1310000-1314999 0 0.0
## 264 1315000-1319999 0 0.0
## 265 1320000-1324999 0 0.0
## 266 1325000-1329999 0 0.0
## 267 1330000-1334999 0 0.0
## 268 1335000-1339999 0 0.0
## 269 1340000-1344999 0 0.0
## 270 1345000-1349999 0 0.0
## 271 1350000-1354999 0 0.0
## 272 1355000-1359999 0 0.0
## 273 1360000-1364999 0 0.0
## 274 1365000-1369999 0 0.0
## 275 1370000-1374999 0 0.0
## 276 1375000-1379999 0 0.0
## 277 1380000-1384999 0 0.0
## 278 1385000-1389999 0 0.0
## 279 1390000-1394999 0 0.0
## 280 1395000-1399999 0 0.0
## 281 1400000-1404999 0 0.0
## 282 1405000-1409999 0 0.0
## 283 1410000-1414999 0 0.0
## 284 1415000-1419999 0 0.0
## 285 1420000-1424999 0 0.0
## 286 1425000-1429999 0 0.0
## 287 1430000-1434999 0 0.0
## 288 1435000-1439999 0 0.0
## 289 1440000-1444999 0 0.0
## 290 1445000-1449999 0 0.0
## 291 1450000-1454999 0 0.0
## 292 1455000-1459999 0 0.0
## 293 1460000-1464999 0 0.0
## 294 1465000-1469999 0 0.0
## 295 1470000-1474999 0 0.0
## 296 1475000-1479999 0 0.0
## 297 1480000-1484999 0 0.0
## 298 1485000-1489999 0 0.0
## 299 1490000-1494999 0 0.0
## 300 1495000-1499999 0 0.0
## 301 1500000-1504999 0 0.0
## 302 1505000-1509999 0 0.0
## 303 1510000-1514999 0 0.0
## 304 1515000-1519999 0 0.0
## 305 1520000-1524999 0 0.0
## 306 1525000-1529999 0 0.0
## 307 1530000-1534999 0 0.0
## 308 1535000-1539999 0 0.0
## 309 1540000-1544999 0 0.0
## 310 1545000-1549999 0 0.0
## 311 1550000-1554999 0 0.0
## 312 1555000-1559999 0 0.0
## 313 1560000-1564999 0 0.0
## 314 1565000-1569999 0 0.0
## 315 1570000-1574999 0 0.0
## 316 1575000-1579999 0 0.0
## 317 1580000-1584999 0 0.0
## 318 1585000-1589999 0 0.0
## 319 1590000-1594999 0 0.0
## 320 1595000-1599999 0 0.0
## 321 1600000-1604999 0 0.0
## 322 1605000-1609999 0 0.0
## 323 1610000-1614999 0 0.0
## 324 1615000-1619999 0 0.0
## 325 1620000-1624999 0 0.0
## 326 1625000-1629999 0 0.0
## 327 1630000-1634999 0 0.0
## 328 1635000-1639999 0 0.0
## 329 1640000-1644999 0 0.0
## 330 1645000-1649999 0 0.0
## 331 1650000-1654999 0 0.0
## 332 1655000-1659999 0 0.0
## 333 1660000-1664999 0 0.0
## 334 1665000-1669999 0 0.0
## 335 1670000-1674999 0 0.0
## 336 1675000-1679999 0 0.0
## 337 1680000-1684999 0 0.0
## 338 1685000-1689999 0 0.0
## 339 1690000-1694999 0 0.0
## 340 1695000-1699999 0 0.0
## 341 1700000-1704999 0 0.0
## 342 1705000-1709999 0 0.0
## 343 1710000-1714999 0 0.0
## 344 1715000-1719999 0 0.0
## 345 1720000-1724999 0 0.0
## 346 1725000-1729999 0 0.0
## 347 1730000-1734999 0 0.0
## 348 1735000-1739999 0 0.0
## 349 1740000-1744999 0 0.0
## 350 1745000-1749999 0 0.0
## 351 1750000-1754999 0 0.0
## 352 1755000-1759999 0 0.0
## 353 1760000-1764999 0 0.0
## 354 1765000-1769999 0 0.0
## 355 1770000-1774999 0 0.0
## 356 1775000-1779999 0 0.0
## 357 1780000-1784999 0 0.0
## 358 1785000-1789999 0 0.0
## 359 1790000-1794999 0 0.0
## 360 1795000-1799999 0 0.0
## 361 1800000-1804999 0 0.0
## 362 1805000-1809999 0 0.0
## 363 1810000-1814999 0 0.0
## 364 1815000-1819999 0 0.0
## 365 1820000-1824999 0 0.0
## 366 1825000-1829999 0 0.0
## 367 1830000-1834999 0 0.0
## 368 1835000-1839999 0 0.0
## 369 1840000-1844999 0 0.0
## 370 1845000-1849999 0 0.0
## 371 1850000-1854999 0 0.0
## 372 1855000-1859999 0 0.0
## 373 1860000-1864999 0 0.0
## 374 1865000-1869999 0 0.0
## 375 1870000-1874999 0 0.0
## 376 1875000-1879999 0 0.0
## 377 1880000-1884999 0 0.0
## 378 1885000-1889999 0 0.0
## 379 1890000-1894999 0 0.0
## 380 1895000-1899999 0 0.0
## 381 1900000-1904999 0 0.0
## 382 1905000-1909999 0 0.0
## 383 1910000-1914999 0 0.0
## 384 1915000-1919999 0 0.0
## 385 1920000-1924999 0 0.0
## 386 1925000-1929999 0 0.0
## 387 1930000-1934999 0 0.0
## 388 1935000-1939999 0 0.0
## 389 1940000-1944999 0 0.0
## 390 1945000-1949999 0 0.0
## 391 1950000-1954999 0 0.0
## 392 1955000-1959999 0 0.0
## 393 1960000-1964999 0 0.0
## 394 1965000-1969999 0 0.0
## 395 1970000-1974999 0 0.0
## 396 1975000-1979999 0 0.0
## 397 1980000-1984999 0 0.0
## 398 1985000-1989999 0 0.0
## 399 1990000-1994999 0 0.0
## 400 1995000-1999999 23 0.1
## 401 2e+06-2004999 0 0.0
## 402 2005000-2009999 0 0.0
## 403 2010000-2014999 0 0.0
## 404 2015000-2019999 0 0.0
## 405 2020000-2024999 0 0.0
## 406 2025000-2029999 0 0.0
## 407 2030000-2034999 0 0.0
## 408 2035000-2039999 0 0.0
## 409 2040000-2044999 0 0.0
## 410 2045000-2049999 0 0.0
## 411 2050000-2054999 0 0.0
## 412 2055000-2059999 0 0.0
## 413 2060000-2064999 0 0.0
## 414 2065000-2069999 0 0.0
## 415 2070000-2074999 0 0.0
## 416 2075000-2079999 0 0.0
## 417 2080000-2084999 0 0.0
## 418 2085000-2089999 0 0.0
## 419 2090000-2094999 0 0.0
## 420 2095000-2099999 0 0.0
## 421 2100000-2104999 0 0.0
## 422 2105000-2109999 0 0.0
## 423 2110000-2114999 0 0.0
## 424 2115000-2119999 0 0.0
## 425 2120000-2124999 0 0.0
## 426 2125000-2129999 0 0.0
## 427 2130000-2134999 0 0.0
## 428 2135000-2139999 0 0.0
## 429 2140000-2144999 0 0.0
## 430 2145000-2149999 0 0.0
## 431 2150000-2154999 0 0.0
## 432 2155000-2159999 0 0.0
## 433 2160000-2164999 0 0.0
## 434 2165000-2169999 1 0.0
## 435 2170000-2174999 0 0.0
## 436 2175000-2179999 0 0.0
## 437 2180000-2184999 0 0.0
## 438 2185000-2189999 0 0.0
## 439 2190000-2194999 0 0.0
## 440 2195000-2199999 0 0.0
## 441 2200000-2204999 0 0.0
## 442 2205000-2209999 0 0.0
## 443 2210000-2214999 0 0.0
## 444 2215000-2219999 0 0.0
## 445 2220000-2224999 0 0.0
## 446 2225000-2229999 0 0.0
## 447 2230000-2234999 0 0.0
## 448 2235000-2239999 0 0.0
## 449 2240000-2244999 0 0.0
## 450 2245000-2249999 0 0.0
## 451 2250000-2254999 0 0.0
## 452 2255000-2259999 0 0.0
## 453 2260000-2264999 0 0.0
## 454 2265000-2269999 0 0.0
## 455 2270000-2274999 0 0.0
## 456 2275000-2279999 0 0.0
## 457 2280000-2284999 0 0.0
## 458 2285000-2289999 0 0.0
## 459 2290000-2294999 0 0.0
## 460 2295000-2299999 0 0.0
## 461 2300000-2304999 0 0.0
## 462 2305000-2309999 0 0.0
## 463 2310000-2314999 0 0.0
## 464 2315000-2319999 0 0.0
## 465 2320000-2324999 0 0.0
## 466 2325000-2329999 0 0.0
## 467 2330000-2334999 0 0.0
## 468 2335000-2339999 0 0.0
## 469 2340000-2344999 0 0.0
## 470 2345000-2349999 0 0.0
## 471 2350000-2354999 0 0.0
## 472 2355000-2359999 0 0.0
## 473 2360000-2364999 0 0.0
## 474 2365000-2369999 0 0.0
## 475 2370000-2374999 0 0.0
## 476 2375000-2379999 0 0.0
## 477 2380000-2384999 0 0.0
## 478 2385000-2389999 0 0.0
## 479 2390000-2394999 0 0.0
## 480 2395000-2399999 0 0.0
## 481 2400000-2404999 0 0.0
## 482 2405000-2409999 0 0.0
## 483 2410000-2414999 0 0.0
## 484 2415000-2419999 0 0.0
## 485 2420000-2424999 0 0.0
## 486 2425000-2429999 0 0.0
## 487 2430000-2434999 0 0.0
## 488 2435000-2439999 0 0.0
## 489 2440000-2444999 0 0.0
## 490 2445000-2449999 0 0.0
## 491 2450000-2454999 0 0.0
## 492 2455000-2459999 0 0.0
## 493 2460000-2464999 0 0.0
## 494 2465000-2469999 0 0.0
## 495 2470000-2474999 0 0.0
## 496 2475000-2479999 0 0.0
## 497 2480000-2484999 0 0.0
## 498 2485000-2489999 0 0.0
## 499 2490000-2494999 0 0.0
## 500 2495000-2499999 0 0.0
## 501 2500000-2504999 0 0.0
## 502 2505000-2509999 0 0.0
## 503 2510000-2514999 0 0.0
## 504 2515000-2519999 0 0.0
## 505 2520000-2524999 0 0.0
## 506 2525000-2529999 0 0.0
## 507 2530000-2534999 0 0.0
## 508 2535000-2539999 0 0.0
## 509 2540000-2544999 0 0.0
## 510 2545000-2549999 0 0.0
## 511 2550000-2554999 0 0.0
## 512 2555000-2559999 0 0.0
## 513 2560000-2564999 0 0.0
## 514 2565000-2569999 0 0.0
## 515 2570000-2574999 0 0.0
## 516 2575000-2579999 0 0.0
## 517 2580000-2584999 0 0.0
## 518 2585000-2589999 0 0.0
## 519 2590000-2594999 0 0.0
## 520 2595000-2599999 0 0.0
## 521 2600000-2604999 0 0.0
## 522 2605000-2609999 0 0.0
## 523 2610000-2614999 0 0.0
## 524 2615000-2619999 0 0.0
## 525 2620000-2624999 0 0.0
## 526 2625000-2629999 0 0.0
## 527 2630000-2634999 0 0.0
## 528 2635000-2639999 0 0.0
## 529 2640000-2644999 0 0.0
## 530 2645000-2649999 0 0.0
## 531 2650000-2654999 0 0.0
## 532 2655000-2659999 0 0.0
## 533 2660000-2664999 0 0.0
## 534 2665000-2669999 0 0.0
## 535 2670000-2674999 0 0.0
## 536 2675000-2679999 0 0.0
## 537 2680000-2684999 0 0.0
## 538 2685000-2689999 0 0.0
## 539 2690000-2694999 0 0.0
## 540 2695000-2699999 0 0.0
## 541 2700000-2704999 0 0.0
## 542 2705000-2709999 0 0.0
## 543 2710000-2714999 0 0.0
## 544 2715000-2719999 0 0.0
## 545 2720000-2724999 0 0.0
## 546 2725000-2729999 0 0.0
## 547 2730000-2734999 0 0.0
## 548 2735000-2739999 0 0.0
## 549 2740000-2744999 0 0.0
## 550 2745000-2749999 0 0.0
## 551 2750000-2754999 0 0.0
## 552 2755000-2759999 0 0.0
## 553 2760000-2764999 0 0.0
## 554 2765000-2769999 0 0.0
## 555 2770000-2774999 0 0.0
## 556 2775000-2779999 0 0.0
## 557 2780000-2784999 0 0.0
## 558 2785000-2789999 0 0.0
## 559 2790000-2794999 0 0.0
## 560 2795000-2799999 0 0.0
## 561 2800000-2804999 0 0.0
## 562 2805000-2809999 0 0.0
## 563 2810000-2814999 0 0.0
## 564 2815000-2819999 0 0.0
## 565 2820000-2824999 0 0.0
## 566 2825000-2829999 0 0.0
## 567 2830000-2834999 0 0.0
## 568 2835000-2839999 0 0.0
## 569 2840000-2844999 0 0.0
## 570 2845000-2849999 0 0.0
## 571 2850000-2854999 0 0.0
## 572 2855000-2859999 0 0.0
## 573 2860000-2864999 0 0.0
## 574 2865000-2869999 0 0.0
## 575 2870000-2874999 0 0.0
## 576 2875000-2879999 0 0.0
## 577 2880000-2884999 0 0.0
## 578 2885000-2889999 0 0.0
## 579 2890000-2894999 0 0.0
## 580 2895000-2899999 0 0.0
## 581 2900000-2904999 0 0.0
## 582 2905000-2909999 0 0.0
## 583 2910000-2914999 0 0.0
## 584 2915000-2919999 0 0.0
## 585 2920000-2924999 0 0.0
## 586 2925000-2929999 0 0.0
## 587 2930000-2934999 0 0.0
## 588 2935000-2939999 0 0.0
## 589 2940000-2944999 0 0.0
## 590 2945000-2949999 0 0.0
## 591 2950000-2954999 0 0.0
## 592 2955000-2959999 0 0.0
## 593 2960000-2964999 0 0.0
## 594 2965000-2969999 0 0.0
## 595 2970000-2974999 0 0.0
## 596 2975000-2979999 0 0.0
## 597 2980000-2984999 0 0.0
## 598 2985000-2989999 0 0.0
## 599 2990000-2994999 0 0.0
## 600 2995000-2999999 0 0.0
## 601 3e+06-3004999 0 0.0
## 602 3005000-3009999 0 0.0
## 603 3010000-3014999 0 0.0
## 604 3015000-3019999 0 0.0
## 605 3020000-3024999 0 0.0
## 606 3025000-3029999 0 0.0
## 607 3030000-3034999 0 0.0
## 608 3035000-3039999 0 0.0
## 609 3040000-3044999 0 0.0
## 610 3045000-3049999 0 0.0
## 611 3050000-3054999 0 0.0
## 612 3055000-3059999 0 0.0
## 613 3060000-3064999 0 0.0
## 614 3065000-3069999 0 0.0
## 615 3070000-3074999 0 0.0
## 616 3075000-3079999 0 0.0
## 617 3080000-3084999 0 0.0
## 618 3085000-3089999 0 0.0
## 619 3090000-3094999 0 0.0
## 620 3095000-3099999 0 0.0
## 621 3100000-3104999 0 0.0
## 622 3105000-3109999 0 0.0
## 623 3110000-3114999 0 0.0
## 624 3115000-3119999 0 0.0
## 625 3120000-3124999 0 0.0
## 626 3125000-3129999 0 0.0
## 627 3130000-3134999 0 0.0
## 628 3135000-3139999 0 0.0
## 629 3140000-3144999 0 0.0
## 630 3145000-3149999 0 0.0
## 631 3150000-3154999 0 0.0
## 632 3155000-3159999 0 0.0
## 633 3160000-3164999 0 0.0
## 634 3165000-3169999 0 0.0
## 635 3170000-3174999 0 0.0
## 636 3175000-3179999 0 0.0
## 637 3180000-3184999 0 0.0
## 638 3185000-3189999 0 0.0
## 639 3190000-3194999 0 0.0
## 640 3195000-3199999 0 0.0
## 641 3200000-3204999 0 0.0
## 642 3205000-3209999 0 0.0
## 643 3210000-3214999 0 0.0
## 644 3215000-3219999 0 0.0
## 645 3220000-3224999 0 0.0
## 646 3225000-3229999 0 0.0
## 647 3230000-3234999 0 0.0
## 648 3235000-3239999 0 0.0
## 649 3240000-3244999 0 0.0
## 650 3245000-3249999 0 0.0
## 651 3250000-3254999 0 0.0
## 652 3255000-3259999 0 0.0
## 653 3260000-3264999 0 0.0
## 654 3265000-3269999 0 0.0
## 655 3270000-3274999 0 0.0
## 656 3275000-3279999 0 0.0
## 657 3280000-3284999 0 0.0
## 658 3285000-3289999 0 0.0
## 659 3290000-3294999 0 0.0
## 660 3295000-3299999 0 0.0
## 661 3300000-3304999 0 0.0
## 662 3305000-3309999 0 0.0
## 663 3310000-3314999 0 0.0
## 664 3315000-3319999 0 0.0
## 665 3320000-3324999 0 0.0
## 666 3325000-3329999 0 0.0
## 667 3330000-3334999 0 0.0
## 668 3335000-3339999 0 0.0
## 669 3340000-3344999 0 0.0
## 670 3345000-3349999 0 0.0
## 671 3350000-3354999 0 0.0
## 672 3355000-3359999 0 0.0
## 673 3360000-3364999 0 0.0
## 674 3365000-3369999 0 0.0
## 675 3370000-3374999 0 0.0
## 676 3375000-3379999 0 0.0
## 677 3380000-3384999 0 0.0
## 678 3385000-3389999 0 0.0
## 679 3390000-3394999 0 0.0
## 680 3395000-3399999 0 0.0
## 681 3400000-3404999 0 0.0
## 682 3405000-3409999 0 0.0
## 683 3410000-3414999 0 0.0
## 684 3415000-3419999 0 0.0
## 685 3420000-3424999 0 0.0
## 686 3425000-3429999 0 0.0
## 687 3430000-3434999 0 0.0
## 688 3435000-3439999 0 0.0
## 689 3440000-3444999 0 0.0
## 690 3445000-3449999 0 0.0
## 691 3450000-3454999 0 0.0
## 692 3455000-3459999 0 0.0
## 693 3460000-3464999 0 0.0
## 694 3465000-3469999 0 0.0
## 695 3470000-3474999 0 0.0
## 696 3475000-3479999 0 0.0
## 697 3480000-3484999 0 0.0
## 698 3485000-3489999 0 0.0
## 699 3490000-3494999 0 0.0
## 700 3495000-3499999 0 0.0
## 701 3500000-3504999 0 0.0
## 702 3505000-3509999 0 0.0
## 703 3510000-3514999 0 0.0
## 704 3515000-3519999 0 0.0
## 705 3520000-3524999 0 0.0
## 706 3525000-3529999 0 0.0
## 707 3530000-3534999 0 0.0
## 708 3535000-3539999 0 0.0
## 709 3540000-3544999 0 0.0
## 710 3545000-3549999 0 0.0
## 711 3550000-3554999 0 0.0
## 712 3555000-3559999 0 0.0
## 713 3560000-3564999 0 0.0
## 714 3565000-3569999 0 0.0
## 715 3570000-3574999 0 0.0
## 716 3575000-3579999 0 0.0
## 717 3580000-3584999 0 0.0
## 718 3585000-3589999 0 0.0
## 719 3590000-3594999 0 0.0
## 720 3595000-3599999 0 0.0
## 721 3600000-3604999 0 0.0
## 722 3605000-3609999 0 0.0
## 723 3610000-3614999 0 0.0
## 724 3615000-3619999 0 0.0
## 725 3620000-3624999 0 0.0
## 726 3625000-3629999 0 0.0
## 727 3630000-3634999 0 0.0
## 728 3635000-3639999 0 0.0
## 729 3640000-3644999 0 0.0
## 730 3645000-3649999 0 0.0
## 731 3650000-3654999 0 0.0
## 732 3655000-3659999 0 0.0
## 733 3660000-3664999 0 0.0
## 734 3665000-3669999 0 0.0
## 735 3670000-3674999 0 0.0
## 736 3675000-3679999 0 0.0
## 737 3680000-3684999 0 0.0
## 738 3685000-3689999 0 0.0
## 739 3690000-3694999 0 0.0
## 740 3695000-3699999 0 0.0
## 741 3700000-3704999 0 0.0
## 742 3705000-3709999 0 0.0
## 743 3710000-3714999 0 0.0
## 744 3715000-3719999 0 0.0
## 745 3720000-3724999 0 0.0
## 746 3725000-3729999 0 0.0
## 747 3730000-3734999 0 0.0
## 748 3735000-3739999 0 0.0
## 749 3740000-3744999 0 0.0
## 750 3745000-3749999 0 0.0
## 751 3750000-3754999 0 0.0
## 752 3755000-3759999 0 0.0
## 753 3760000-3764999 0 0.0
## 754 3765000-3769999 0 0.0
## 755 3770000-3774999 0 0.0
## 756 3775000-3779999 0 0.0
## 757 3780000-3784999 0 0.0
## 758 3785000-3789999 0 0.0
## 759 3790000-3794999 0 0.0
## 760 3795000-3799999 0 0.0
## 761 3800000-3804999 0 0.0
## 762 3805000-3809999 0 0.0
## 763 3810000-3814999 0 0.0
## 764 3815000-3819999 0 0.0
## 765 3820000-3824999 0 0.0
## 766 3825000-3829999 0 0.0
## 767 3830000-3834999 0 0.0
## 768 3835000-3839999 0 0.0
## 769 3840000-3844999 0 0.0
## 770 3845000-3849999 0 0.0
## 771 3850000-3854999 0 0.0
## 772 3855000-3859999 0 0.0
## 773 3860000-3864999 0 0.0
## 774 3865000-3869999 0 0.0
## 775 3870000-3874999 0 0.0
## 776 3875000-3879999 0 0.0
## 777 3880000-3884999 0 0.0
## 778 3885000-3889999 0 0.0
## 779 3890000-3894999 0 0.0
## 780 3895000-3899999 0 0.0
## 781 3900000-3904999 0 0.0
## 782 3905000-3909999 0 0.0
## 783 3910000-3914999 0 0.0
## 784 3915000-3919999 0 0.0
## 785 3920000-3924999 0 0.0
## 786 3925000-3929999 0 0.0
## 787 3930000-3934999 0 0.0
## 788 3935000-3939999 0 0.0
## 789 3940000-3944999 0 0.0
## 790 3945000-3949999 0 0.0
## 791 3950000-3954999 0 0.0
## 792 3955000-3959999 0 0.0
## 793 3960000-3964999 0 0.0
## 794 3965000-3969999 0 0.0
## 795 3970000-3974999 0 0.0
## 796 3975000-3979999 0 0.0
## 797 3980000-3984999 0 0.0
## 798 3985000-3989999 0 0.0
## 799 3990000-3994999 0 0.0
## 800 3995000-3999999 0 0.0
## 801 4e+06-4004999 0 0.0
## 802 4005000-4009999 0 0.0
## 803 4010000-4014999 0 0.0
## 804 4015000-4019999 0 0.0
## 805 4020000-4024999 0 0.0
## 806 4025000-4029999 0 0.0
## 807 4030000-4034999 0 0.0
## 808 4035000-4039999 0 0.0
## 809 4040000-4044999 0 0.0
## 810 4045000-4049999 0 0.0
## 811 4050000-4054999 0 0.0
## 812 4055000-4059999 0 0.0
## 813 4060000-4064999 0 0.0
## 814 4065000-4069999 0 0.0
## 815 4070000-4074999 0 0.0
## 816 4075000-4079999 0 0.0
## 817 4080000-4084999 0 0.0
## 818 4085000-4089999 0 0.0
## 819 4090000-4094999 0 0.0
## 820 4095000-4099999 0 0.0
## 821 4100000-4104999 0 0.0
## 822 4105000-4109999 0 0.0
## 823 4110000-4114999 0 0.0
## 824 4115000-4119999 0 0.0
## 825 4120000-4124999 0 0.0
## 826 4125000-4129999 0 0.0
## 827 4130000-4134999 0 0.0
## 828 4135000-4139999 0 0.0
## 829 4140000-4144999 0 0.0
## 830 4145000-4149999 0 0.0
## 831 4150000-4154999 0 0.0
## 832 4155000-4159999 0 0.0
## 833 4160000-4164999 0 0.0
## 834 4165000-4169999 0 0.0
## 835 4170000-4174999 0 0.0
## 836 4175000-4179999 0 0.0
## 837 4180000-4184999 0 0.0
## 838 4185000-4189999 0 0.0
## 839 4190000-4194999 0 0.0
## 840 4195000-4199999 0 0.0
## 841 4200000-4204999 0 0.0
## 842 4205000-4209999 0 0.0
## 843 4210000-4214999 0 0.0
## 844 4215000-4219999 0 0.0
## 845 4220000-4224999 0 0.0
## 846 4225000-4229999 0 0.0
## 847 4230000-4234999 0 0.0
## 848 4235000-4239999 0 0.0
## 849 4240000-4244999 0 0.0
## 850 4245000-4249999 0 0.0
## 851 4250000-4254999 0 0.0
## 852 4255000-4259999 0 0.0
## 853 4260000-4264999 0 0.0
## 854 4265000-4269999 0 0.0
## 855 4270000-4274999 0 0.0
## 856 4275000-4279999 0 0.0
## 857 4280000-4284999 0 0.0
## 858 4285000-4289999 0 0.0
## 859 4290000-4294999 0 0.0
## 860 4295000-4299999 0 0.0
## 861 4300000-4304999 0 0.0
## 862 4305000-4309999 0 0.0
## 863 4310000-4314999 0 0.0
## 864 4315000-4319999 0 0.0
## 865 4320000-4324999 0 0.0
## 866 4325000-4329999 24 0.1library(ggplot2)
# Variable in numerisch umgewandelt (falls nicht schon geschehen)
datos_basicos3_21$P4_3 <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4_3)))
# Nur gültige Werte (1 = Sí, 2 = No)
datos_pareja <- datos_basicos3_21[datos_basicos3_21$P4_3 %in% c(1,2), ]
# Labels erstellen
datos_pareja$trabaja_pareja <- factor(datos_pareja$P4_3,
levels = c(1,2),
labels = c("Sí", "No"))
# Häufigkeiten berechnen
tabla_pareja <- as.data.frame(table(datos_pareja$trabaja_pareja))
colnames(tabla_pareja) <- c("Respuesta", "Freq")
tabla_pareja$Porcentaje <- round(tabla_pareja$Freq / sum(tabla_pareja$Freq) * 100, 1)
# --- Grafik ---
ggplot(tabla_pareja, aes(x = Respuesta, y = Porcentaje, fill = Respuesta)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = paste0(Porcentaje, "%")),
vjust = -0.5, size = 4) +
labs(title = "¿Su (ex)pareja trabaja actualmente por un ingreso?",
x = "Respuesta",
y = "Porcentaje de mujeres") +
scale_fill_manual(values = c("Sí" = "#2ECC71", "No" = "#E74C3C")) +
theme_minimal(base_size = 12)
library(ggplot2)
# --- 1) Variable bereinigen
datos_basicos3_21$P4_6_AB <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4_6_AB)))
# Nur gültige Werte behalten (1 = Sí, 2 = No)
datos_familia <- datos_basicos3_21[datos_basicos3_21$P4_6_AB %in% c(1,2), ]
# --- 2) Labels hinzufügen
datos_familia$aporta_familia <- factor(datos_familia$P4_6_AB,
levels = c(1,2),
labels = c("Sí", "No"))
# --- 3) Häufigkeiten berechnen
tabla_familia <- as.data.frame(table(datos_familia$aporta_familia))
colnames(tabla_familia) <- c("Respuesta", "Freq")
tabla_familia$Porcentaje <- round(tabla_familia$Freq / sum(tabla_familia$Freq) * 100, 1)
# --- 4) Balkendiagramm zeichnen
ggplot(tabla_familia, aes(x = Respuesta, y = Porcentaje, fill = Respuesta)) +
geom_col(show.legend = FALSE) +
geom_text(aes(label = paste0(Porcentaje, "%")),
vjust = -0.5, size = 4) +
labs(title = "¿Su (ex)pareja aparta dinero para su familia?",
x = "Respuesta",
y = "Porcentaje de mujeres") +
scale_fill_manual(values = c("Sí" = "#2ECC71", "No" = "#E74C3C")) +
theme_minimal(base_size = 12)
# --- 1) Bereinigen
datos_basicos3_21$P4_7_AB <- suppressWarnings(as.numeric(as.character(datos_basicos3_21$P4_7_AB)))
datos_aporte <- datos_basicos3_21[!is.na(datos_basicos3_21$P4_7_AB) & datos_basicos3_21$P4_7_AB > 0, ]
# --- 2) Klassen bilden (z. B. in 5000er-Schritten)
breaks <- seq(0, max(datos_aporte$P4_7_AB, na.rm = TRUE) + 5000, by = 5000)
labels <- paste0(breaks[-length(breaks)], "-", breaks[-1] - 1)
datos_aporte$clase_aporte <- cut(datos_aporte$P4_7_AB,
breaks = breaks,
labels = labels,
include.lowest = TRUE,
right = FALSE)
# --- 3) Tabelle erstellen
tabla_aporte <- as.data.frame(table(datos_aporte$clase_aporte))
colnames(tabla_aporte) <- c("Clase_aporte", "Frecuencia")
# Prozent berechnen
tabla_aporte$Porcentaje <- round(tabla_aporte$Frecuencia / sum(tabla_aporte$Frecuencia) * 100, 1)
# --- 4) Ergebnis anzeigen
tabla_aporte## Clase_aporte Frecuencia Porcentaje
## 1 0-4999 37448 56.1
## 2 5000-9999 15048 22.5
## 3 10000-14999 4024 6.0
## 4 15000-19999 1108 1.7
## 5 20000-24999 743 1.1
## 6 25000-29999 172 0.3
## 7 30000-34999 237 0.4
## 8 35000-39999 44 0.1
## 9 40000-44999 93 0.1
## 10 45000-49999 8 0.0
## 11 50000-54999 45 0.1
## 12 55000-59999 2 0.0
## 13 60000-64999 25 0.0
## 14 65000-69999 0 0.0
## 15 70000-74999 6 0.0
## 16 75000-79999 1 0.0
## 17 80000-84999 7 0.0
## 18 85000-89999 0 0.0
## 19 90000-94999 1 0.0
## 20 95000-99999 0 0.0
## 21 1e+05-104999 4 0.0
## 22 105000-109999 0 0.0
## 23 110000-114999 0 0.0
## 24 115000-119999 0 0.0
## 25 120000-124999 0 0.0
## 26 125000-129999 0 0.0
## 27 130000-134999 0 0.0
## 28 135000-139999 0 0.0
## 29 140000-144999 0 0.0
## 30 145000-149999 0 0.0
## 31 150000-154999 1 0.0
## 32 155000-159999 0 0.0
## 33 160000-164999 0 0.0
## 34 165000-169999 0 0.0
## 35 170000-174999 1 0.0
## 36 175000-179999 0 0.0
## 37 180000-184999 0 0.0
## 38 185000-189999 0 0.0
## 39 190000-194999 0 0.0
## 40 195000-199999 0 0.0
## 41 2e+05-204999 1 0.0
## 42 205000-209999 0 0.0
## 43 210000-214999 0 0.0
## 44 215000-219999 0 0.0
## 45 220000-224999 0 0.0
## 46 225000-229999 0 0.0
## 47 230000-234999 0 0.0
## 48 235000-239999 0 0.0
## 49 240000-244999 0 0.0
## 50 245000-249999 0 0.0
## 51 250000-254999 0 0.0
## 52 255000-259999 0 0.0
## 53 260000-264999 0 0.0
## 54 265000-269999 0 0.0
## 55 270000-274999 0 0.0
## 56 275000-279999 0 0.0
## 57 280000-284999 0 0.0
## 58 285000-289999 0 0.0
## 59 290000-294999 0 0.0
## 60 295000-299999 0 0.0
## 61 3e+05-304999 0 0.0
## 62 305000-309999 0 0.0
## 63 310000-314999 0 0.0
## 64 315000-319999 0 0.0
## 65 320000-324999 0 0.0
## 66 325000-329999 0 0.0
## 67 330000-334999 0 0.0
## 68 335000-339999 0 0.0
## 69 340000-344999 0 0.0
## 70 345000-349999 0 0.0
## 71 350000-354999 0 0.0
## 72 355000-359999 0 0.0
## 73 360000-364999 0 0.0
## 74 365000-369999 0 0.0
## 75 370000-374999 0 0.0
## 76 375000-379999 0 0.0
## 77 380000-384999 0 0.0
## 78 385000-389999 0 0.0
## 79 390000-394999 0 0.0
## 80 395000-399999 0 0.0
## 81 4e+05-404999 0 0.0
## 82 405000-409999 0 0.0
## 83 410000-414999 0 0.0
## 84 415000-419999 0 0.0
## 85 420000-424999 0 0.0
## 86 425000-429999 0 0.0
## 87 430000-434999 0 0.0
## 88 435000-439999 0 0.0
## 89 440000-444999 0 0.0
## 90 445000-449999 0 0.0
## 91 450000-454999 0 0.0
## 92 455000-459999 0 0.0
## 93 460000-464999 0 0.0
## 94 465000-469999 0 0.0
## 95 470000-474999 0 0.0
## 96 475000-479999 0 0.0
## 97 480000-484999 0 0.0
## 98 485000-489999 0 0.0
## 99 490000-494999 0 0.0
## 100 495000-499999 0 0.0
## 101 5e+05-504999 0 0.0
## 102 505000-509999 0 0.0
## 103 510000-514999 0 0.0
## 104 515000-519999 0 0.0
## 105 520000-524999 0 0.0
## 106 525000-529999 0 0.0
## 107 530000-534999 0 0.0
## 108 535000-539999 0 0.0
## 109 540000-544999 0 0.0
## 110 545000-549999 0 0.0
## 111 550000-554999 0 0.0
## 112 555000-559999 0 0.0
## 113 560000-564999 0 0.0
## 114 565000-569999 0 0.0
## 115 570000-574999 0 0.0
## 116 575000-579999 0 0.0
## 117 580000-584999 0 0.0
## 118 585000-589999 0 0.0
## 119 590000-594999 0 0.0
## 120 595000-599999 0 0.0
## 121 6e+05-604999 0 0.0
## 122 605000-609999 0 0.0
## 123 610000-614999 0 0.0
## 124 615000-619999 0 0.0
## 125 620000-624999 0 0.0
## 126 625000-629999 0 0.0
## 127 630000-634999 0 0.0
## 128 635000-639999 0 0.0
## 129 640000-644999 0 0.0
## 130 645000-649999 0 0.0
## 131 650000-654999 0 0.0
## 132 655000-659999 0 0.0
## 133 660000-664999 0 0.0
## 134 665000-669999 0 0.0
## 135 670000-674999 0 0.0
## 136 675000-679999 0 0.0
## 137 680000-684999 0 0.0
## 138 685000-689999 0 0.0
## 139 690000-694999 0 0.0
## 140 695000-699999 0 0.0
## 141 7e+05-704999 0 0.0
## 142 705000-709999 0 0.0
## 143 710000-714999 0 0.0
## 144 715000-719999 0 0.0
## 145 720000-724999 0 0.0
## 146 725000-729999 0 0.0
## 147 730000-734999 0 0.0
## 148 735000-739999 0 0.0
## 149 740000-744999 0 0.0
## 150 745000-749999 0 0.0
## 151 750000-754999 0 0.0
## 152 755000-759999 0 0.0
## 153 760000-764999 0 0.0
## 154 765000-769999 0 0.0
## 155 770000-774999 0 0.0
## 156 775000-779999 0 0.0
## 157 780000-784999 0 0.0
## 158 785000-789999 0 0.0
## 159 790000-794999 0 0.0
## 160 795000-799999 0 0.0
## 161 8e+05-804999 0 0.0
## 162 805000-809999 0 0.0
## 163 810000-814999 0 0.0
## 164 815000-819999 0 0.0
## 165 820000-824999 0 0.0
## 166 825000-829999 0 0.0
## 167 830000-834999 0 0.0
## 168 835000-839999 0 0.0
## 169 840000-844999 0 0.0
## 170 845000-849999 0 0.0
## 171 850000-854999 0 0.0
## 172 855000-859999 0 0.0
## 173 860000-864999 0 0.0
## 174 865000-869999 0 0.0
## 175 870000-874999 0 0.0
## 176 875000-879999 0 0.0
## 177 880000-884999 0 0.0
## 178 885000-889999 0 0.0
## 179 890000-894999 0 0.0
## 180 895000-899999 0 0.0
## 181 9e+05-904999 0 0.0
## 182 905000-909999 0 0.0
## 183 910000-914999 0 0.0
## 184 915000-919999 0 0.0
## 185 920000-924999 0 0.0
## 186 925000-929999 0 0.0
## 187 930000-934999 0 0.0
## 188 935000-939999 0 0.0
## 189 940000-944999 0 0.0
## 190 945000-949999 0 0.0
## 191 950000-954999 0 0.0
## 192 955000-959999 0 0.0
## 193 960000-964999 0 0.0
## 194 965000-969999 0 0.0
## 195 970000-974999 0 0.0
## 196 975000-979999 0 0.0
## 197 980000-984999 0 0.0
## 198 985000-989999 0 0.0
## 199 990000-994999 0 0.0
## 200 995000-999999 7779 11.6library(dplyr)
datos_basicos3_21 <- datos_basicos3_21 %>%
mutate(
P4_2 = as.numeric(P4_2),
P4_2_1 = as.numeric(P4_2_1),
P4_2_mensual = case_when(
P4_2_1 == 1 ~ P4_2 * 4, # semana → 4 Wochen im Monat
P4_2_1 == 2 ~ P4_2 * 2, # quincena → 2 Zahlungen im Monat
P4_2_1 == 3 ~ P4_2, # mes → unverändert
TRUE ~ NA_real_ # andere Codes (8, 9, blanco)
)
)
datos_basicos3_21$P4_5_AB_mensual## NULLlibrary(dplyr)
datos_basicos3_21 <- datos_basicos3_21 %>%
mutate(
P4_5_AB = as.numeric(P4_5_AB),
P4_5_1_AB = as.numeric(P4_5_1_AB),
P4_5_AB_mensual = case_when(
P4_5_1_AB == 1 ~ P4_5_AB * 4, # semana → 4 Wochen
P4_5_1_AB == 2 ~ P4_5_AB * 2, # quincena → 2 Zahlungen
P4_5_1_AB == 3 ~ P4_5_AB, # mes → unverändert
TRUE ~ NA_real_ # andere Codes (8, 9, blanco)
)
)library(dplyr)
# Daten extrahieren
female <- datos_basicos3_21$P4_2_mensual
male <- datos_basicos3_21$P4_5_AB_mensual
female <- female[!is.na(female)]
male <- male[!is.na(male)]
# Bin-Breite festlegen
binwidth <- 1000
min_val <- floor(min(c(female, male), na.rm = TRUE)/binwidth)*binwidth
max_val <- ceiling(max(c(female, male), na.rm = TRUE)/binwidth)*binwidth
bins <- seq(min_val, max_val, by = binwidth)
# Funktion zum Zählen
count_bins <- function(values, bins, gender_label){
counts <- hist(values, breaks = bins, plot = FALSE)
data.frame(
Income_group = paste(head(bins,-1), "-", tail(bins,-1), sep = ""),
Count = counts$counts,
Gender = gender_label
)
}
# Tabelle erstellen
df_female <- count_bins(female, bins, "Mujeres")
df_male <- count_bins(male, bins, "Hombres")
df_counts <- bind_rows(df_female, df_male)
# Ausgabe
df_counts## Income_group Count Gender
## 1 0-1000 2364 Mujeres
## 2 1000-2000 5072 Mujeres
## 3 2000-3000 3522 Mujeres
## 4 3000-4000 7162 Mujeres
## 5 4000-5000 4922 Mujeres
## 6 5000-6000 6107 Mujeres
## 7 6000-7000 1810 Mujeres
## 8 7000-8000 4045 Mujeres
## 9 8000-9000 780 Mujeres
## 10 9000-10000 2436 Mujeres
## 11 10000-11000 336 Mujeres
## 12 11000-12000 1567 Mujeres
## 13 12000-13000 217 Mujeres
## 14 13000-14000 529 Mujeres
## 15 14000-15000 637 Mujeres
## 16 15000-16000 547 Mujeres
## 17 16000-17000 77 Mujeres
## 18 17000-18000 259 Mujeres
## 19 18000-19000 33 Mujeres
## 20 19000-20000 869 Mujeres
## 21 20000-21000 20 Mujeres
## 22 21000-22000 59 Mujeres
## 23 22000-23000 22 Mujeres
## 24 23000-24000 134 Mujeres
## 25 24000-25000 160 Mujeres
## 26 25000-26000 48 Mujeres
## 27 26000-27000 7 Mujeres
## 28 27000-28000 74 Mujeres
## 29 28000-29000 5 Mujeres
## 30 29000-30000 257 Mujeres
## 31 30000-31000 0 Mujeres
## 32 31000-32000 38 Mujeres
## 33 32000-33000 3 Mujeres
## 34 33000-34000 8 Mujeres
## 35 34000-35000 22 Mujeres
## 36 35000-36000 20 Mujeres
## 37 36000-37000 3 Mujeres
## 38 37000-38000 9 Mujeres
## 39 38000-39000 3 Mujeres
## 40 39000-40000 125 Mujeres
## 41 40000-41000 0 Mujeres
## 42 41000-42000 2 Mujeres
## 43 42000-43000 0 Mujeres
## 44 43000-44000 7 Mujeres
## 45 44000-45000 11 Mujeres
## 46 45000-46000 0 Mujeres
## 47 46000-47000 0 Mujeres
## 48 47000-48000 13 Mujeres
## 49 48000-49000 0 Mujeres
## 50 49000-50000 51 Mujeres
## 51 50000-51000 0 Mujeres
## 52 51000-52000 2 Mujeres
## 53 52000-53000 0 Mujeres
## 54 53000-54000 1 Mujeres
## 55 54000-55000 1 Mujeres
## 56 55000-56000 5 Mujeres
## 57 56000-57000 1 Mujeres
## 58 57000-58000 1 Mujeres
## 59 58000-59000 0 Mujeres
## 60 59000-60000 16 Mujeres
## 61 60000-61000 0 Mujeres
## 62 61000-62000 1 Mujeres
## 63 62000-63000 0 Mujeres
## 64 63000-64000 2 Mujeres
## 65 64000-65000 1 Mujeres
## 66 65000-66000 0 Mujeres
## 67 66000-67000 0 Mujeres
## 68 67000-68000 0 Mujeres
## 69 68000-69000 0 Mujeres
## 70 69000-70000 4 Mujeres
## 71 70000-71000 0 Mujeres
## 72 71000-72000 2 Mujeres
## 73 72000-73000 0 Mujeres
## 74 73000-74000 0 Mujeres
## 75 74000-75000 1 Mujeres
## 76 75000-76000 1 Mujeres
## 77 76000-77000 0 Mujeres
## 78 77000-78000 0 Mujeres
## 79 78000-79000 0 Mujeres
## 80 79000-80000 13 Mujeres
## 81 80000-81000 0 Mujeres
## 82 81000-82000 0 Mujeres
## 83 82000-83000 0 Mujeres
## 84 83000-84000 0 Mujeres
## 85 84000-85000 0 Mujeres
## 86 85000-86000 0 Mujeres
## 87 86000-87000 0 Mujeres
## 88 87000-88000 1 Mujeres
## 89 88000-89000 0 Mujeres
## 90 89000-90000 4 Mujeres
## 91 90000-91000 0 Mujeres
## 92 91000-92000 1 Mujeres
## 93 92000-93000 0 Mujeres
## 94 93000-94000 0 Mujeres
## 95 94000-95000 0 Mujeres
## 96 95000-96000 1 Mujeres
## 97 96000-97000 0 Mujeres
## 98 97000-98000 0 Mujeres
## 99 98000-99000 0 Mujeres
## 100 99000-1e+05 5 Mujeres
## 101 1e+05-101000 0 Mujeres
## 102 101000-102000 0 Mujeres
## 103 102000-103000 0 Mujeres
## 104 103000-104000 0 Mujeres
## 105 104000-105000 0 Mujeres
## 106 105000-106000 1 Mujeres
## 107 106000-107000 0 Mujeres
## 108 107000-108000 0 Mujeres
## 109 108000-109000 0 Mujeres
## 110 109000-110000 0 Mujeres
## 111 110000-111000 0 Mujeres
## 112 111000-112000 0 Mujeres
## 113 112000-113000 0 Mujeres
## 114 113000-114000 0 Mujeres
## 115 114000-115000 0 Mujeres
## 116 115000-116000 0 Mujeres
## 117 116000-117000 0 Mujeres
## 118 117000-118000 0 Mujeres
## 119 118000-119000 0 Mujeres
## 120 119000-120000 3 Mujeres
## 121 120000-121000 0 Mujeres
## 122 121000-122000 0 Mujeres
## 123 122000-123000 0 Mujeres
## 124 123000-124000 0 Mujeres
## 125 124000-125000 0 Mujeres
## 126 125000-126000 0 Mujeres
## 127 126000-127000 0 Mujeres
## 128 127000-128000 0 Mujeres
## 129 128000-129000 0 Mujeres
## 130 129000-130000 0 Mujeres
## 131 130000-131000 0 Mujeres
## 132 131000-132000 0 Mujeres
## 133 132000-133000 0 Mujeres
## 134 133000-134000 0 Mujeres
## 135 134000-135000 1 Mujeres
## 136 135000-136000 0 Mujeres
## 137 136000-137000 0 Mujeres
## 138 137000-138000 0 Mujeres
## 139 138000-139000 0 Mujeres
## 140 139000-140000 0 Mujeres
## 141 140000-141000 0 Mujeres
## 142 141000-142000 0 Mujeres
## 143 142000-143000 0 Mujeres
## 144 143000-144000 0 Mujeres
## 145 144000-145000 0 Mujeres
## 146 145000-146000 0 Mujeres
## 147 146000-147000 0 Mujeres
## 148 147000-148000 0 Mujeres
## 149 148000-149000 0 Mujeres
## 150 149000-150000 0 Mujeres
## 151 150000-151000 0 Mujeres
## 152 151000-152000 0 Mujeres
## 153 152000-153000 0 Mujeres
## 154 153000-154000 0 Mujeres
## 155 154000-155000 0 Mujeres
## 156 155000-156000 0 Mujeres
## 157 156000-157000 0 Mujeres
## 158 157000-158000 0 Mujeres
## 159 158000-159000 0 Mujeres
## 160 159000-160000 0 Mujeres
## 161 160000-161000 0 Mujeres
## 162 161000-162000 0 Mujeres
## 163 162000-163000 0 Mujeres
## 164 163000-164000 0 Mujeres
## 165 164000-165000 0 Mujeres
## 166 165000-166000 0 Mujeres
## 167 166000-167000 0 Mujeres
## 168 167000-168000 0 Mujeres
## 169 168000-169000 0 Mujeres
## 170 169000-170000 1 Mujeres
## 171 170000-171000 0 Mujeres
## 172 171000-172000 0 Mujeres
## 173 172000-173000 0 Mujeres
## 174 173000-174000 0 Mujeres
## 175 174000-175000 0 Mujeres
## 176 175000-176000 0 Mujeres
## 177 176000-177000 0 Mujeres
## 178 177000-178000 0 Mujeres
## 179 178000-179000 0 Mujeres
## 180 179000-180000 0 Mujeres
## 181 180000-181000 0 Mujeres
## 182 181000-182000 0 Mujeres
## 183 182000-183000 0 Mujeres
## 184 183000-184000 0 Mujeres
## 185 184000-185000 0 Mujeres
## 186 185000-186000 0 Mujeres
## 187 186000-187000 0 Mujeres
## 188 187000-188000 0 Mujeres
## 189 188000-189000 0 Mujeres
## 190 189000-190000 0 Mujeres
## 191 190000-191000 0 Mujeres
## 192 191000-192000 0 Mujeres
## 193 192000-193000 0 Mujeres
## 194 193000-194000 0 Mujeres
## 195 194000-195000 0 Mujeres
## 196 195000-196000 0 Mujeres
## 197 196000-197000 0 Mujeres
## 198 197000-198000 0 Mujeres
## 199 198000-199000 0 Mujeres
## 200 199000-2e+05 1 Mujeres
## 201 2e+05-201000 0 Mujeres
## 202 201000-202000 0 Mujeres
## 203 202000-203000 0 Mujeres
## 204 203000-204000 0 Mujeres
## 205 204000-205000 0 Mujeres
## 206 205000-206000 0 Mujeres
## 207 206000-207000 1 Mujeres
## 208 207000-208000 0 Mujeres
## 209 208000-209000 0 Mujeres
## 210 209000-210000 0 Mujeres
## 211 210000-211000 0 Mujeres
## 212 211000-212000 0 Mujeres
## 213 212000-213000 0 Mujeres
## 214 213000-214000 0 Mujeres
## 215 214000-215000 0 Mujeres
## 216 215000-216000 0 Mujeres
## 217 216000-217000 0 Mujeres
## 218 217000-218000 0 Mujeres
## 219 218000-219000 0 Mujeres
## 220 219000-220000 0 Mujeres
## 221 220000-221000 0 Mujeres
## 222 221000-222000 0 Mujeres
## 223 222000-223000 0 Mujeres
## 224 223000-224000 0 Mujeres
## 225 224000-225000 0 Mujeres
## 226 225000-226000 0 Mujeres
## 227 226000-227000 0 Mujeres
## 228 227000-228000 0 Mujeres
## 229 228000-229000 0 Mujeres
## 230 229000-230000 0 Mujeres
## 231 230000-231000 0 Mujeres
## 232 231000-232000 0 Mujeres
## 233 232000-233000 0 Mujeres
## 234 233000-234000 0 Mujeres
## 235 234000-235000 0 Mujeres
## 236 235000-236000 0 Mujeres
## 237 236000-237000 0 Mujeres
## 238 237000-238000 0 Mujeres
## 239 238000-239000 0 Mujeres
## 240 239000-240000 0 Mujeres
## 241 240000-241000 0 Mujeres
## 242 241000-242000 0 Mujeres
## 243 242000-243000 0 Mujeres
## 244 243000-244000 0 Mujeres
## 245 244000-245000 0 Mujeres
## 246 245000-246000 0 Mujeres
## 247 246000-247000 0 Mujeres
## 248 247000-248000 0 Mujeres
## 249 248000-249000 0 Mujeres
## 250 249000-250000 0 Mujeres
## 251 250000-251000 0 Mujeres
## 252 251000-252000 0 Mujeres
## 253 252000-253000 0 Mujeres
## 254 253000-254000 0 Mujeres
## 255 254000-255000 0 Mujeres
## 256 255000-256000 0 Mujeres
## 257 256000-257000 0 Mujeres
## 258 257000-258000 0 Mujeres
## 259 258000-259000 0 Mujeres
## 260 259000-260000 0 Mujeres
## 261 260000-261000 0 Mujeres
## 262 261000-262000 0 Mujeres
## 263 262000-263000 0 Mujeres
## 264 263000-264000 0 Mujeres
## 265 264000-265000 0 Mujeres
## 266 265000-266000 0 Mujeres
## 267 266000-267000 0 Mujeres
## 268 267000-268000 0 Mujeres
## 269 268000-269000 0 Mujeres
## 270 269000-270000 0 Mujeres
## 271 270000-271000 0 Mujeres
## 272 271000-272000 0 Mujeres
## 273 272000-273000 0 Mujeres
## 274 273000-274000 0 Mujeres
## 275 274000-275000 0 Mujeres
## 276 275000-276000 0 Mujeres
## 277 276000-277000 0 Mujeres
## 278 277000-278000 0 Mujeres
## 279 278000-279000 0 Mujeres
## 280 279000-280000 0 Mujeres
## 281 280000-281000 0 Mujeres
## 282 281000-282000 0 Mujeres
## 283 282000-283000 0 Mujeres
## 284 283000-284000 0 Mujeres
## 285 284000-285000 0 Mujeres
## 286 285000-286000 0 Mujeres
## 287 286000-287000 0 Mujeres
## 288 287000-288000 0 Mujeres
## 289 288000-289000 0 Mujeres
## 290 289000-290000 0 Mujeres
## 291 290000-291000 0 Mujeres
## 292 291000-292000 0 Mujeres
## 293 292000-293000 0 Mujeres
## 294 293000-294000 0 Mujeres
## 295 294000-295000 0 Mujeres
## 296 295000-296000 0 Mujeres
## 297 296000-297000 0 Mujeres
## 298 297000-298000 0 Mujeres
## 299 298000-299000 0 Mujeres
## 300 299000-3e+05 0 Mujeres
## 301 3e+05-301000 0 Mujeres
## 302 301000-302000 0 Mujeres
## 303 302000-303000 0 Mujeres
## 304 303000-304000 0 Mujeres
## 305 304000-305000 0 Mujeres
## 306 305000-306000 0 Mujeres
## 307 306000-307000 0 Mujeres
## 308 307000-308000 0 Mujeres
## 309 308000-309000 0 Mujeres
## 310 309000-310000 0 Mujeres
## 311 310000-311000 0 Mujeres
## 312 311000-312000 0 Mujeres
## 313 312000-313000 0 Mujeres
## 314 313000-314000 0 Mujeres
## 315 314000-315000 0 Mujeres
## 316 315000-316000 0 Mujeres
## 317 316000-317000 0 Mujeres
## 318 317000-318000 0 Mujeres
## 319 318000-319000 0 Mujeres
## 320 319000-320000 0 Mujeres
## 321 320000-321000 0 Mujeres
## 322 321000-322000 0 Mujeres
## 323 322000-323000 0 Mujeres
## 324 323000-324000 0 Mujeres
## 325 324000-325000 0 Mujeres
## 326 325000-326000 0 Mujeres
## 327 326000-327000 0 Mujeres
## 328 327000-328000 0 Mujeres
## 329 328000-329000 0 Mujeres
## 330 329000-330000 0 Mujeres
## 331 330000-331000 0 Mujeres
## 332 331000-332000 0 Mujeres
## 333 332000-333000 0 Mujeres
## 334 333000-334000 0 Mujeres
## 335 334000-335000 0 Mujeres
## 336 335000-336000 0 Mujeres
## 337 336000-337000 0 Mujeres
## 338 337000-338000 0 Mujeres
## 339 338000-339000 0 Mujeres
## 340 339000-340000 0 Mujeres
## 341 340000-341000 0 Mujeres
## 342 341000-342000 0 Mujeres
## 343 342000-343000 0 Mujeres
## 344 343000-344000 0 Mujeres
## 345 344000-345000 0 Mujeres
## 346 345000-346000 0 Mujeres
## 347 346000-347000 0 Mujeres
## 348 347000-348000 0 Mujeres
## 349 348000-349000 0 Mujeres
## 350 349000-350000 0 Mujeres
## 351 350000-351000 0 Mujeres
## 352 351000-352000 0 Mujeres
## 353 352000-353000 0 Mujeres
## 354 353000-354000 0 Mujeres
## 355 354000-355000 0 Mujeres
## 356 355000-356000 0 Mujeres
## 357 356000-357000 0 Mujeres
## 358 357000-358000 0 Mujeres
## 359 358000-359000 0 Mujeres
## 360 359000-360000 0 Mujeres
## 361 360000-361000 0 Mujeres
## 362 361000-362000 0 Mujeres
## 363 362000-363000 0 Mujeres
## 364 363000-364000 0 Mujeres
## 365 364000-365000 0 Mujeres
## 366 365000-366000 0 Mujeres
## 367 366000-367000 0 Mujeres
## 368 367000-368000 0 Mujeres
## 369 368000-369000 0 Mujeres
## 370 369000-370000 0 Mujeres
## 371 370000-371000 0 Mujeres
## 372 371000-372000 0 Mujeres
## 373 372000-373000 0 Mujeres
## 374 373000-374000 0 Mujeres
## 375 374000-375000 0 Mujeres
## 376 375000-376000 0 Mujeres
## 377 376000-377000 0 Mujeres
## 378 377000-378000 0 Mujeres
## 379 378000-379000 0 Mujeres
## 380 379000-380000 0 Mujeres
## 381 380000-381000 0 Mujeres
## 382 381000-382000 0 Mujeres
## 383 382000-383000 0 Mujeres
## 384 383000-384000 0 Mujeres
## 385 384000-385000 0 Mujeres
## 386 385000-386000 0 Mujeres
## 387 386000-387000 0 Mujeres
## 388 387000-388000 0 Mujeres
## 389 388000-389000 0 Mujeres
## 390 389000-390000 0 Mujeres
## 391 390000-391000 0 Mujeres
## 392 391000-392000 0 Mujeres
## 393 392000-393000 0 Mujeres
## 394 393000-394000 0 Mujeres
## 395 394000-395000 0 Mujeres
## 396 395000-396000 0 Mujeres
## 397 396000-397000 0 Mujeres
## 398 397000-398000 0 Mujeres
## 399 398000-399000 0 Mujeres
## 400 399000-4e+05 0 Mujeres
## 401 4e+05-401000 0 Mujeres
## 402 401000-402000 0 Mujeres
## 403 402000-403000 0 Mujeres
## 404 403000-404000 0 Mujeres
## 405 404000-405000 0 Mujeres
## 406 405000-406000 0 Mujeres
## 407 406000-407000 0 Mujeres
## 408 407000-408000 0 Mujeres
## 409 408000-409000 0 Mujeres
## 410 409000-410000 0 Mujeres
## 411 410000-411000 0 Mujeres
## 412 411000-412000 0 Mujeres
## 413 412000-413000 0 Mujeres
## 414 413000-414000 0 Mujeres
## 415 414000-415000 0 Mujeres
## 416 415000-416000 0 Mujeres
## 417 416000-417000 0 Mujeres
## 418 417000-418000 0 Mujeres
## 419 418000-419000 0 Mujeres
## 420 419000-420000 0 Mujeres
## 421 420000-421000 0 Mujeres
## 422 421000-422000 0 Mujeres
## 423 422000-423000 0 Mujeres
## 424 423000-424000 0 Mujeres
## 425 424000-425000 0 Mujeres
## 426 425000-426000 0 Mujeres
## 427 426000-427000 0 Mujeres
## 428 427000-428000 0 Mujeres
## 429 428000-429000 0 Mujeres
## 430 429000-430000 0 Mujeres
## 431 430000-431000 0 Mujeres
## 432 431000-432000 0 Mujeres
## 433 432000-433000 0 Mujeres
## 434 433000-434000 0 Mujeres
## 435 434000-435000 0 Mujeres
## 436 435000-436000 0 Mujeres
## 437 436000-437000 0 Mujeres
## 438 437000-438000 0 Mujeres
## 439 438000-439000 0 Mujeres
## 440 439000-440000 0 Mujeres
## 441 440000-441000 0 Mujeres
## 442 441000-442000 0 Mujeres
## 443 442000-443000 0 Mujeres
## 444 443000-444000 0 Mujeres
## 445 444000-445000 0 Mujeres
## 446 445000-446000 0 Mujeres
## 447 446000-447000 0 Mujeres
## 448 447000-448000 0 Mujeres
## 449 448000-449000 0 Mujeres
## 450 449000-450000 0 Mujeres
## 451 450000-451000 0 Mujeres
## 452 451000-452000 0 Mujeres
## 453 452000-453000 0 Mujeres
## 454 453000-454000 0 Mujeres
## 455 454000-455000 0 Mujeres
## 456 455000-456000 0 Mujeres
## 457 456000-457000 0 Mujeres
## 458 457000-458000 0 Mujeres
## 459 458000-459000 0 Mujeres
## 460 459000-460000 0 Mujeres
## 461 460000-461000 0 Mujeres
## 462 461000-462000 0 Mujeres
## 463 462000-463000 0 Mujeres
## 464 463000-464000 0 Mujeres
## 465 464000-465000 0 Mujeres
## 466 465000-466000 0 Mujeres
## 467 466000-467000 0 Mujeres
## 468 467000-468000 0 Mujeres
## 469 468000-469000 0 Mujeres
## 470 469000-470000 0 Mujeres
## 471 470000-471000 0 Mujeres
## 472 471000-472000 0 Mujeres
## 473 472000-473000 0 Mujeres
## 474 473000-474000 0 Mujeres
## 475 474000-475000 0 Mujeres
## 476 475000-476000 0 Mujeres
## 477 476000-477000 0 Mujeres
## 478 477000-478000 0 Mujeres
## 479 478000-479000 0 Mujeres
## 480 479000-480000 0 Mujeres
## 481 480000-481000 0 Mujeres
## 482 481000-482000 0 Mujeres
## 483 482000-483000 0 Mujeres
## 484 483000-484000 0 Mujeres
## 485 484000-485000 0 Mujeres
## 486 485000-486000 0 Mujeres
## 487 486000-487000 0 Mujeres
## 488 487000-488000 0 Mujeres
## 489 488000-489000 0 Mujeres
## 490 489000-490000 0 Mujeres
## 491 490000-491000 0 Mujeres
## 492 491000-492000 0 Mujeres
## 493 492000-493000 0 Mujeres
## 494 493000-494000 0 Mujeres
## 495 494000-495000 0 Mujeres
## 496 495000-496000 0 Mujeres
## 497 496000-497000 0 Mujeres
## 498 497000-498000 0 Mujeres
## 499 498000-499000 0 Mujeres
## 500 499000-5e+05 0 Mujeres
## 501 5e+05-501000 0 Mujeres
## 502 501000-502000 0 Mujeres
## 503 502000-503000 0 Mujeres
## 504 503000-504000 0 Mujeres
## 505 504000-505000 0 Mujeres
## 506 505000-506000 0 Mujeres
## 507 506000-507000 0 Mujeres
## 508 507000-508000 0 Mujeres
## 509 508000-509000 0 Mujeres
## 510 509000-510000 0 Mujeres
## 511 510000-511000 0 Mujeres
## 512 511000-512000 0 Mujeres
## 513 512000-513000 0 Mujeres
## 514 513000-514000 0 Mujeres
## 515 514000-515000 0 Mujeres
## 516 515000-516000 0 Mujeres
## 517 516000-517000 0 Mujeres
## 518 517000-518000 0 Mujeres
## 519 518000-519000 0 Mujeres
## 520 519000-520000 0 Mujeres
## 521 520000-521000 0 Mujeres
## 522 521000-522000 0 Mujeres
## 523 522000-523000 0 Mujeres
## 524 523000-524000 0 Mujeres
## 525 524000-525000 0 Mujeres
## 526 525000-526000 0 Mujeres
## 527 526000-527000 0 Mujeres
## 528 527000-528000 0 Mujeres
## 529 528000-529000 0 Mujeres
## 530 529000-530000 0 Mujeres
## 531 530000-531000 0 Mujeres
## 532 531000-532000 0 Mujeres
## 533 532000-533000 0 Mujeres
## 534 533000-534000 0 Mujeres
## 535 534000-535000 0 Mujeres
## 536 535000-536000 0 Mujeres
## 537 536000-537000 0 Mujeres
## 538 537000-538000 0 Mujeres
## 539 538000-539000 0 Mujeres
## 540 539000-540000 0 Mujeres
## 541 540000-541000 0 Mujeres
## 542 541000-542000 0 Mujeres
## 543 542000-543000 0 Mujeres
## 544 543000-544000 0 Mujeres
## 545 544000-545000 0 Mujeres
## 546 545000-546000 0 Mujeres
## 547 546000-547000 0 Mujeres
## 548 547000-548000 0 Mujeres
## 549 548000-549000 0 Mujeres
## 550 549000-550000 0 Mujeres
## 551 550000-551000 0 Mujeres
## 552 551000-552000 0 Mujeres
## 553 552000-553000 0 Mujeres
## 554 553000-554000 0 Mujeres
## 555 554000-555000 0 Mujeres
## 556 555000-556000 0 Mujeres
## 557 556000-557000 0 Mujeres
## 558 557000-558000 0 Mujeres
## 559 558000-559000 0 Mujeres
## 560 559000-560000 0 Mujeres
## 561 560000-561000 0 Mujeres
## 562 561000-562000 0 Mujeres
## 563 562000-563000 0 Mujeres
## 564 563000-564000 0 Mujeres
## 565 564000-565000 0 Mujeres
## 566 565000-566000 0 Mujeres
## 567 566000-567000 0 Mujeres
## 568 567000-568000 0 Mujeres
## 569 568000-569000 0 Mujeres
## 570 569000-570000 0 Mujeres
## 571 570000-571000 0 Mujeres
## 572 571000-572000 0 Mujeres
## 573 572000-573000 0 Mujeres
## 574 573000-574000 0 Mujeres
## 575 574000-575000 0 Mujeres
## 576 575000-576000 0 Mujeres
## 577 576000-577000 0 Mujeres
## 578 577000-578000 0 Mujeres
## 579 578000-579000 0 Mujeres
## 580 579000-580000 0 Mujeres
## 581 580000-581000 0 Mujeres
## 582 581000-582000 0 Mujeres
## 583 582000-583000 0 Mujeres
## 584 583000-584000 0 Mujeres
## 585 584000-585000 0 Mujeres
## 586 585000-586000 0 Mujeres
## 587 586000-587000 0 Mujeres
## 588 587000-588000 0 Mujeres
## 589 588000-589000 0 Mujeres
## 590 589000-590000 0 Mujeres
## 591 590000-591000 0 Mujeres
## 592 591000-592000 0 Mujeres
## 593 592000-593000 0 Mujeres
## 594 593000-594000 0 Mujeres
## 595 594000-595000 0 Mujeres
## 596 595000-596000 0 Mujeres
## 597 596000-597000 0 Mujeres
## 598 597000-598000 0 Mujeres
## 599 598000-599000 0 Mujeres
## 600 599000-6e+05 0 Mujeres
## 601 6e+05-601000 0 Mujeres
## 602 601000-602000 0 Mujeres
## 603 602000-603000 0 Mujeres
## 604 603000-604000 0 Mujeres
## 605 604000-605000 0 Mujeres
## 606 605000-606000 0 Mujeres
## 607 606000-607000 0 Mujeres
## 608 607000-608000 0 Mujeres
## 609 608000-609000 0 Mujeres
## 610 609000-610000 0 Mujeres
## 611 610000-611000 0 Mujeres
## 612 611000-612000 0 Mujeres
## 613 612000-613000 0 Mujeres
## 614 613000-614000 0 Mujeres
## 615 614000-615000 0 Mujeres
## 616 615000-616000 0 Mujeres
## 617 616000-617000 0 Mujeres
## 618 617000-618000 0 Mujeres
## 619 618000-619000 0 Mujeres
## 620 619000-620000 0 Mujeres
## 621 620000-621000 0 Mujeres
## 622 621000-622000 0 Mujeres
## 623 622000-623000 0 Mujeres
## 624 623000-624000 0 Mujeres
## 625 624000-625000 0 Mujeres
## 626 625000-626000 0 Mujeres
## 627 626000-627000 0 Mujeres
## 628 627000-628000 0 Mujeres
## 629 628000-629000 0 Mujeres
## 630 629000-630000 0 Mujeres
## 631 630000-631000 0 Mujeres
## 632 631000-632000 0 Mujeres
## 633 632000-633000 0 Mujeres
## 634 633000-634000 0 Mujeres
## 635 634000-635000 0 Mujeres
## 636 635000-636000 0 Mujeres
## 637 636000-637000 0 Mujeres
## 638 637000-638000 0 Mujeres
## 639 638000-639000 0 Mujeres
## 640 639000-640000 0 Mujeres
## 641 640000-641000 0 Mujeres
## 642 641000-642000 0 Mujeres
## 643 642000-643000 0 Mujeres
## 644 643000-644000 0 Mujeres
## 645 644000-645000 0 Mujeres
## 646 645000-646000 0 Mujeres
## 647 646000-647000 0 Mujeres
## 648 647000-648000 0 Mujeres
## 649 648000-649000 0 Mujeres
## 650 649000-650000 0 Mujeres
## 651 650000-651000 0 Mujeres
## 652 651000-652000 0 Mujeres
## 653 652000-653000 0 Mujeres
## 654 653000-654000 0 Mujeres
## 655 654000-655000 0 Mujeres
## 656 655000-656000 0 Mujeres
## 657 656000-657000 0 Mujeres
## 658 657000-658000 0 Mujeres
## 659 658000-659000 0 Mujeres
## 660 659000-660000 0 Mujeres
## 661 660000-661000 0 Mujeres
## 662 661000-662000 0 Mujeres
## 663 662000-663000 0 Mujeres
## 664 663000-664000 0 Mujeres
## 665 664000-665000 0 Mujeres
## 666 665000-666000 0 Mujeres
## 667 666000-667000 0 Mujeres
## 668 667000-668000 0 Mujeres
## 669 668000-669000 0 Mujeres
## 670 669000-670000 0 Mujeres
## 671 670000-671000 0 Mujeres
## 672 671000-672000 0 Mujeres
## 673 672000-673000 0 Mujeres
## 674 673000-674000 0 Mujeres
## 675 674000-675000 0 Mujeres
## 676 675000-676000 0 Mujeres
## 677 676000-677000 0 Mujeres
## 678 677000-678000 0 Mujeres
## 679 678000-679000 0 Mujeres
## 680 679000-680000 0 Mujeres
## 681 680000-681000 0 Mujeres
## 682 681000-682000 0 Mujeres
## 683 682000-683000 0 Mujeres
## 684 683000-684000 0 Mujeres
## 685 684000-685000 0 Mujeres
## 686 685000-686000 0 Mujeres
## 687 686000-687000 0 Mujeres
## 688 687000-688000 0 Mujeres
## 689 688000-689000 0 Mujeres
## 690 689000-690000 0 Mujeres
## 691 690000-691000 0 Mujeres
## 692 691000-692000 0 Mujeres
## 693 692000-693000 0 Mujeres
## 694 693000-694000 0 Mujeres
## 695 694000-695000 0 Mujeres
## 696 695000-696000 0 Mujeres
## 697 696000-697000 0 Mujeres
## 698 697000-698000 0 Mujeres
## 699 698000-699000 0 Mujeres
## 700 699000-7e+05 0 Mujeres
## 701 7e+05-701000 0 Mujeres
## 702 701000-702000 0 Mujeres
## 703 702000-703000 0 Mujeres
## 704 703000-704000 0 Mujeres
## 705 704000-705000 0 Mujeres
## 706 705000-706000 0 Mujeres
## 707 706000-707000 0 Mujeres
## 708 707000-708000 0 Mujeres
## 709 708000-709000 0 Mujeres
## 710 709000-710000 0 Mujeres
## 711 710000-711000 0 Mujeres
## 712 711000-712000 0 Mujeres
## 713 712000-713000 0 Mujeres
## 714 713000-714000 0 Mujeres
## 715 714000-715000 0 Mujeres
## 716 715000-716000 0 Mujeres
## 717 716000-717000 0 Mujeres
## 718 717000-718000 0 Mujeres
## 719 718000-719000 0 Mujeres
## 720 719000-720000 0 Mujeres
## 721 720000-721000 0 Mujeres
## 722 721000-722000 0 Mujeres
## 723 722000-723000 0 Mujeres
## 724 723000-724000 0 Mujeres
## 725 724000-725000 0 Mujeres
## 726 725000-726000 0 Mujeres
## 727 726000-727000 0 Mujeres
## 728 727000-728000 0 Mujeres
## 729 728000-729000 0 Mujeres
## 730 729000-730000 0 Mujeres
## 731 730000-731000 0 Mujeres
## 732 731000-732000 0 Mujeres
## 733 732000-733000 0 Mujeres
## 734 733000-734000 0 Mujeres
## 735 734000-735000 0 Mujeres
## 736 735000-736000 0 Mujeres
## 737 736000-737000 0 Mujeres
## 738 737000-738000 0 Mujeres
## 739 738000-739000 0 Mujeres
## 740 739000-740000 0 Mujeres
## 741 740000-741000 0 Mujeres
## 742 741000-742000 0 Mujeres
## 743 742000-743000 0 Mujeres
## 744 743000-744000 0 Mujeres
## 745 744000-745000 0 Mujeres
## 746 745000-746000 0 Mujeres
## 747 746000-747000 0 Mujeres
## 748 747000-748000 0 Mujeres
## 749 748000-749000 0 Mujeres
## 750 749000-750000 0 Mujeres
## 751 750000-751000 0 Mujeres
## 752 751000-752000 0 Mujeres
## 753 752000-753000 0 Mujeres
## 754 753000-754000 0 Mujeres
## 755 754000-755000 0 Mujeres
## 756 755000-756000 0 Mujeres
## 757 756000-757000 0 Mujeres
## 758 757000-758000 0 Mujeres
## 759 758000-759000 0 Mujeres
## 760 759000-760000 0 Mujeres
## 761 760000-761000 0 Mujeres
## 762 761000-762000 0 Mujeres
## 763 762000-763000 0 Mujeres
## 764 763000-764000 0 Mujeres
## 765 764000-765000 0 Mujeres
## 766 765000-766000 0 Mujeres
## 767 766000-767000 0 Mujeres
## 768 767000-768000 0 Mujeres
## 769 768000-769000 0 Mujeres
## 770 769000-770000 0 Mujeres
## 771 770000-771000 0 Mujeres
## 772 771000-772000 0 Mujeres
## 773 772000-773000 0 Mujeres
## 774 773000-774000 0 Mujeres
## 775 774000-775000 0 Mujeres
## 776 775000-776000 0 Mujeres
## 777 776000-777000 0 Mujeres
## 778 777000-778000 0 Mujeres
## 779 778000-779000 0 Mujeres
## 780 779000-780000 0 Mujeres
## 781 780000-781000 0 Mujeres
## 782 781000-782000 0 Mujeres
## 783 782000-783000 0 Mujeres
## 784 783000-784000 0 Mujeres
## 785 784000-785000 0 Mujeres
## 786 785000-786000 0 Mujeres
## 787 786000-787000 0 Mujeres
## 788 787000-788000 0 Mujeres
## 789 788000-789000 0 Mujeres
## 790 789000-790000 0 Mujeres
## 791 790000-791000 0 Mujeres
## 792 791000-792000 0 Mujeres
## 793 792000-793000 0 Mujeres
## 794 793000-794000 0 Mujeres
## 795 794000-795000 0 Mujeres
## 796 795000-796000 0 Mujeres
## 797 796000-797000 0 Mujeres
## 798 797000-798000 0 Mujeres
## 799 798000-799000 0 Mujeres
## 800 799000-8e+05 1 Mujeres
## 801 8e+05-801000 0 Mujeres
## 802 801000-802000 0 Mujeres
## 803 802000-803000 0 Mujeres
## 804 803000-804000 0 Mujeres
## 805 804000-805000 0 Mujeres
## 806 805000-806000 0 Mujeres
## 807 806000-807000 0 Mujeres
## 808 807000-808000 0 Mujeres
## 809 808000-809000 0 Mujeres
## 810 809000-810000 0 Mujeres
## 811 810000-811000 0 Mujeres
## 812 811000-812000 0 Mujeres
## 813 812000-813000 0 Mujeres
## 814 813000-814000 0 Mujeres
## 815 814000-815000 0 Mujeres
## 816 815000-816000 0 Mujeres
## 817 816000-817000 0 Mujeres
## 818 817000-818000 0 Mujeres
## 819 818000-819000 0 Mujeres
## 820 819000-820000 0 Mujeres
## 821 820000-821000 0 Mujeres
## 822 821000-822000 0 Mujeres
## 823 822000-823000 0 Mujeres
## 824 823000-824000 0 Mujeres
## 825 824000-825000 0 Mujeres
## 826 825000-826000 0 Mujeres
## 827 826000-827000 0 Mujeres
## 828 827000-828000 0 Mujeres
## 829 828000-829000 0 Mujeres
## 830 829000-830000 0 Mujeres
## 831 830000-831000 0 Mujeres
## 832 831000-832000 0 Mujeres
## 833 832000-833000 0 Mujeres
## 834 833000-834000 0 Mujeres
## 835 834000-835000 0 Mujeres
## 836 835000-836000 0 Mujeres
## 837 836000-837000 0 Mujeres
## 838 837000-838000 0 Mujeres
## 839 838000-839000 0 Mujeres
## 840 839000-840000 0 Mujeres
## 841 840000-841000 0 Mujeres
## 842 841000-842000 0 Mujeres
## 843 842000-843000 0 Mujeres
## 844 843000-844000 0 Mujeres
## 845 844000-845000 0 Mujeres
## 846 845000-846000 0 Mujeres
## 847 846000-847000 0 Mujeres
## 848 847000-848000 0 Mujeres
## 849 848000-849000 0 Mujeres
## 850 849000-850000 0 Mujeres
## 851 850000-851000 0 Mujeres
## 852 851000-852000 0 Mujeres
## 853 852000-853000 0 Mujeres
## 854 853000-854000 0 Mujeres
## 855 854000-855000 0 Mujeres
## 856 855000-856000 0 Mujeres
## 857 856000-857000 0 Mujeres
## 858 857000-858000 0 Mujeres
## 859 858000-859000 0 Mujeres
## 860 859000-860000 0 Mujeres
## 861 860000-861000 0 Mujeres
## 862 861000-862000 0 Mujeres
## 863 862000-863000 0 Mujeres
## 864 863000-864000 0 Mujeres
## 865 864000-865000 0 Mujeres
## 866 865000-866000 0 Mujeres
## 867 866000-867000 0 Mujeres
## 868 867000-868000 0 Mujeres
## 869 868000-869000 0 Mujeres
## 870 869000-870000 0 Mujeres
## 871 870000-871000 0 Mujeres
## 872 871000-872000 0 Mujeres
## 873 872000-873000 0 Mujeres
## 874 873000-874000 0 Mujeres
## 875 874000-875000 0 Mujeres
## 876 875000-876000 0 Mujeres
## 877 876000-877000 0 Mujeres
## 878 877000-878000 0 Mujeres
## 879 878000-879000 0 Mujeres
## 880 879000-880000 0 Mujeres
## 881 880000-881000 0 Mujeres
## 882 881000-882000 0 Mujeres
## 883 882000-883000 0 Mujeres
## 884 883000-884000 0 Mujeres
## 885 884000-885000 0 Mujeres
## 886 885000-886000 0 Mujeres
## 887 886000-887000 0 Mujeres
## 888 887000-888000 0 Mujeres
## 889 888000-889000 0 Mujeres
## 890 889000-890000 0 Mujeres
## 891 890000-891000 0 Mujeres
## 892 891000-892000 0 Mujeres
## 893 892000-893000 0 Mujeres
## 894 893000-894000 0 Mujeres
## 895 894000-895000 0 Mujeres
## 896 895000-896000 0 Mujeres
## 897 896000-897000 0 Mujeres
## 898 897000-898000 0 Mujeres
## 899 898000-899000 0 Mujeres
## 900 899000-9e+05 0 Mujeres
## 901 9e+05-901000 0 Mujeres
## 902 901000-902000 0 Mujeres
## 903 902000-903000 0 Mujeres
## 904 903000-904000 0 Mujeres
## 905 904000-905000 0 Mujeres
## 906 905000-906000 0 Mujeres
## 907 906000-907000 0 Mujeres
## 908 907000-908000 0 Mujeres
## 909 908000-909000 0 Mujeres
## 910 909000-910000 0 Mujeres
## 911 910000-911000 0 Mujeres
## 912 911000-912000 0 Mujeres
## 913 912000-913000 0 Mujeres
## 914 913000-914000 0 Mujeres
## 915 914000-915000 0 Mujeres
## 916 915000-916000 0 Mujeres
## 917 916000-917000 0 Mujeres
## 918 917000-918000 0 Mujeres
## 919 918000-919000 0 Mujeres
## 920 919000-920000 0 Mujeres
## 921 920000-921000 0 Mujeres
## 922 921000-922000 0 Mujeres
## 923 922000-923000 0 Mujeres
## 924 923000-924000 0 Mujeres
## 925 924000-925000 0 Mujeres
## 926 925000-926000 0 Mujeres
## 927 926000-927000 0 Mujeres
## 928 927000-928000 0 Mujeres
## 929 928000-929000 0 Mujeres
## 930 929000-930000 0 Mujeres
## 931 930000-931000 0 Mujeres
## 932 931000-932000 0 Mujeres
## 933 932000-933000 0 Mujeres
## 934 933000-934000 0 Mujeres
## 935 934000-935000 0 Mujeres
## 936 935000-936000 0 Mujeres
## 937 936000-937000 0 Mujeres
## 938 937000-938000 0 Mujeres
## 939 938000-939000 0 Mujeres
## 940 939000-940000 0 Mujeres
## 941 940000-941000 0 Mujeres
## 942 941000-942000 0 Mujeres
## 943 942000-943000 0 Mujeres
## 944 943000-944000 0 Mujeres
## 945 944000-945000 0 Mujeres
## 946 945000-946000 0 Mujeres
## 947 946000-947000 0 Mujeres
## 948 947000-948000 0 Mujeres
## 949 948000-949000 0 Mujeres
## 950 949000-950000 0 Mujeres
## 951 950000-951000 0 Mujeres
## 952 951000-952000 0 Mujeres
## 953 952000-953000 0 Mujeres
## 954 953000-954000 0 Mujeres
## 955 954000-955000 0 Mujeres
## 956 955000-956000 0 Mujeres
## 957 956000-957000 0 Mujeres
## 958 957000-958000 0 Mujeres
## 959 958000-959000 0 Mujeres
## 960 959000-960000 0 Mujeres
## 961 960000-961000 0 Mujeres
## 962 961000-962000 0 Mujeres
## 963 962000-963000 0 Mujeres
## 964 963000-964000 0 Mujeres
## 965 964000-965000 0 Mujeres
## 966 965000-966000 0 Mujeres
## 967 966000-967000 0 Mujeres
## 968 967000-968000 0 Mujeres
## 969 968000-969000 0 Mujeres
## 970 969000-970000 0 Mujeres
## 971 970000-971000 0 Mujeres
## 972 971000-972000 0 Mujeres
## 973 972000-973000 0 Mujeres
## 974 973000-974000 0 Mujeres
## 975 974000-975000 0 Mujeres
## 976 975000-976000 0 Mujeres
## 977 976000-977000 0 Mujeres
## 978 977000-978000 0 Mujeres
## 979 978000-979000 0 Mujeres
## 980 979000-980000 0 Mujeres
## 981 980000-981000 0 Mujeres
## 982 981000-982000 0 Mujeres
## 983 982000-983000 0 Mujeres
## 984 983000-984000 0 Mujeres
## 985 984000-985000 0 Mujeres
## 986 985000-986000 0 Mujeres
## 987 986000-987000 0 Mujeres
## 988 987000-988000 0 Mujeres
## 989 988000-989000 0 Mujeres
## 990 989000-990000 0 Mujeres
## 991 990000-991000 0 Mujeres
## 992 991000-992000 0 Mujeres
## 993 992000-993000 0 Mujeres
## 994 993000-994000 0 Mujeres
## 995 994000-995000 0 Mujeres
## 996 995000-996000 0 Mujeres
## 997 996000-997000 0 Mujeres
## 998 997000-998000 0 Mujeres
## 999 998000-999000 0 Mujeres
## 1000 999000-1e+06 12 Mujeres
## 1001 1e+06-1001000 0 Mujeres
## 1002 1001000-1002000 0 Mujeres
## 1003 1002000-1003000 0 Mujeres
## 1004 1003000-1004000 0 Mujeres
## 1005 1004000-1005000 0 Mujeres
## 1006 1005000-1006000 0 Mujeres
## 1007 1006000-1007000 0 Mujeres
## 1008 1007000-1008000 0 Mujeres
## 1009 1008000-1009000 0 Mujeres
## 1010 1009000-1010000 0 Mujeres
## 1011 1010000-1011000 0 Mujeres
## 1012 1011000-1012000 0 Mujeres
## 1013 1012000-1013000 0 Mujeres
## 1014 1013000-1014000 0 Mujeres
## 1015 1014000-1015000 0 Mujeres
## 1016 1015000-1016000 0 Mujeres
## 1017 1016000-1017000 0 Mujeres
## 1018 1017000-1018000 0 Mujeres
## 1019 1018000-1019000 0 Mujeres
## 1020 1019000-1020000 0 Mujeres
## 1021 1020000-1021000 0 Mujeres
## 1022 1021000-1022000 0 Mujeres
## 1023 1022000-1023000 0 Mujeres
## 1024 1023000-1024000 0 Mujeres
## 1025 1024000-1025000 0 Mujeres
## 1026 1025000-1026000 0 Mujeres
## 1027 1026000-1027000 0 Mujeres
## 1028 1027000-1028000 0 Mujeres
## 1029 1028000-1029000 0 Mujeres
## 1030 1029000-1030000 0 Mujeres
## 1031 1030000-1031000 0 Mujeres
## 1032 1031000-1032000 0 Mujeres
## 1033 1032000-1033000 0 Mujeres
## 1034 1033000-1034000 0 Mujeres
## 1035 1034000-1035000 0 Mujeres
## 1036 1035000-1036000 0 Mujeres
## 1037 1036000-1037000 0 Mujeres
## 1038 1037000-1038000 0 Mujeres
## 1039 1038000-1039000 0 Mujeres
## 1040 1039000-1040000 0 Mujeres
## 1041 1040000-1041000 0 Mujeres
## 1042 1041000-1042000 0 Mujeres
## 1043 1042000-1043000 0 Mujeres
## 1044 1043000-1044000 0 Mujeres
## 1045 1044000-1045000 0 Mujeres
## 1046 1045000-1046000 0 Mujeres
## 1047 1046000-1047000 0 Mujeres
## 1048 1047000-1048000 0 Mujeres
## 1049 1048000-1049000 0 Mujeres
## 1050 1049000-1050000 0 Mujeres
## 1051 1050000-1051000 0 Mujeres
## 1052 1051000-1052000 0 Mujeres
## 1053 1052000-1053000 0 Mujeres
## 1054 1053000-1054000 0 Mujeres
## 1055 1054000-1055000 0 Mujeres
## 1056 1055000-1056000 0 Mujeres
## 1057 1056000-1057000 0 Mujeres
## 1058 1057000-1058000 0 Mujeres
## 1059 1058000-1059000 0 Mujeres
## 1060 1059000-1060000 0 Mujeres
## 1061 1060000-1061000 0 Mujeres
## 1062 1061000-1062000 0 Mujeres
## 1063 1062000-1063000 0 Mujeres
## 1064 1063000-1064000 0 Mujeres
## 1065 1064000-1065000 0 Mujeres
## 1066 1065000-1066000 0 Mujeres
## 1067 1066000-1067000 0 Mujeres
## 1068 1067000-1068000 0 Mujeres
## 1069 1068000-1069000 0 Mujeres
## 1070 1069000-1070000 0 Mujeres
## 1071 1070000-1071000 0 Mujeres
## 1072 1071000-1072000 0 Mujeres
## 1073 1072000-1073000 0 Mujeres
## 1074 1073000-1074000 0 Mujeres
## 1075 1074000-1075000 0 Mujeres
## 1076 1075000-1076000 0 Mujeres
## 1077 1076000-1077000 0 Mujeres
## 1078 1077000-1078000 0 Mujeres
## 1079 1078000-1079000 0 Mujeres
## 1080 1079000-1080000 0 Mujeres
## 1081 1080000-1081000 0 Mujeres
## 1082 1081000-1082000 0 Mujeres
## 1083 1082000-1083000 0 Mujeres
## 1084 1083000-1084000 0 Mujeres
## 1085 1084000-1085000 0 Mujeres
## 1086 1085000-1086000 0 Mujeres
## 1087 1086000-1087000 0 Mujeres
## 1088 1087000-1088000 0 Mujeres
## 1089 1088000-1089000 0 Mujeres
## 1090 1089000-1090000 0 Mujeres
## 1091 1090000-1091000 0 Mujeres
## 1092 1091000-1092000 0 Mujeres
## 1093 1092000-1093000 0 Mujeres
## 1094 1093000-1094000 0 Mujeres
## 1095 1094000-1095000 0 Mujeres
## 1096 1095000-1096000 0 Mujeres
## 1097 1096000-1097000 0 Mujeres
## 1098 1097000-1098000 0 Mujeres
## 1099 1098000-1099000 0 Mujeres
## 1100 1099000-1100000 0 Mujeres
## 1101 1100000-1101000 0 Mujeres
## 1102 1101000-1102000 0 Mujeres
## 1103 1102000-1103000 0 Mujeres
## 1104 1103000-1104000 0 Mujeres
## 1105 1104000-1105000 0 Mujeres
## 1106 1105000-1106000 0 Mujeres
## 1107 1106000-1107000 0 Mujeres
## 1108 1107000-1108000 0 Mujeres
## 1109 1108000-1109000 0 Mujeres
## 1110 1109000-1110000 0 Mujeres
## 1111 1110000-1111000 0 Mujeres
## 1112 1111000-1112000 0 Mujeres
## 1113 1112000-1113000 0 Mujeres
## 1114 1113000-1114000 0 Mujeres
## 1115 1114000-1115000 0 Mujeres
## 1116 1115000-1116000 0 Mujeres
## 1117 1116000-1117000 0 Mujeres
## 1118 1117000-1118000 0 Mujeres
## 1119 1118000-1119000 0 Mujeres
## 1120 1119000-1120000 0 Mujeres
## 1121 1120000-1121000 0 Mujeres
## 1122 1121000-1122000 0 Mujeres
## 1123 1122000-1123000 0 Mujeres
## 1124 1123000-1124000 0 Mujeres
## 1125 1124000-1125000 0 Mujeres
## 1126 1125000-1126000 0 Mujeres
## 1127 1126000-1127000 0 Mujeres
## 1128 1127000-1128000 0 Mujeres
## 1129 1128000-1129000 0 Mujeres
## 1130 1129000-1130000 0 Mujeres
## 1131 1130000-1131000 0 Mujeres
## 1132 1131000-1132000 0 Mujeres
## 1133 1132000-1133000 0 Mujeres
## 1134 1133000-1134000 0 Mujeres
## 1135 1134000-1135000 0 Mujeres
## 1136 1135000-1136000 0 Mujeres
## 1137 1136000-1137000 0 Mujeres
## 1138 1137000-1138000 0 Mujeres
## 1139 1138000-1139000 0 Mujeres
## 1140 1139000-1140000 0 Mujeres
## 1141 1140000-1141000 0 Mujeres
## 1142 1141000-1142000 0 Mujeres
## 1143 1142000-1143000 0 Mujeres
## 1144 1143000-1144000 0 Mujeres
## 1145 1144000-1145000 0 Mujeres
## 1146 1145000-1146000 0 Mujeres
## 1147 1146000-1147000 0 Mujeres
## 1148 1147000-1148000 0 Mujeres
## 1149 1148000-1149000 0 Mujeres
## 1150 1149000-1150000 0 Mujeres
## 1151 1150000-1151000 0 Mujeres
## 1152 1151000-1152000 0 Mujeres
## 1153 1152000-1153000 0 Mujeres
## 1154 1153000-1154000 0 Mujeres
## 1155 1154000-1155000 0 Mujeres
## 1156 1155000-1156000 0 Mujeres
## 1157 1156000-1157000 0 Mujeres
## 1158 1157000-1158000 0 Mujeres
## 1159 1158000-1159000 0 Mujeres
## 1160 1159000-1160000 0 Mujeres
## 1161 1160000-1161000 0 Mujeres
## 1162 1161000-1162000 0 Mujeres
## 1163 1162000-1163000 0 Mujeres
## 1164 1163000-1164000 0 Mujeres
## 1165 1164000-1165000 0 Mujeres
## 1166 1165000-1166000 0 Mujeres
## 1167 1166000-1167000 0 Mujeres
## 1168 1167000-1168000 0 Mujeres
## 1169 1168000-1169000 0 Mujeres
## 1170 1169000-1170000 0 Mujeres
## 1171 1170000-1171000 0 Mujeres
## 1172 1171000-1172000 0 Mujeres
## 1173 1172000-1173000 0 Mujeres
## 1174 1173000-1174000 0 Mujeres
## 1175 1174000-1175000 0 Mujeres
## 1176 1175000-1176000 0 Mujeres
## 1177 1176000-1177000 0 Mujeres
## 1178 1177000-1178000 0 Mujeres
## 1179 1178000-1179000 0 Mujeres
## 1180 1179000-1180000 0 Mujeres
## 1181 1180000-1181000 0 Mujeres
## 1182 1181000-1182000 0 Mujeres
## 1183 1182000-1183000 0 Mujeres
## 1184 1183000-1184000 0 Mujeres
## 1185 1184000-1185000 0 Mujeres
## 1186 1185000-1186000 0 Mujeres
## 1187 1186000-1187000 0 Mujeres
## 1188 1187000-1188000 0 Mujeres
## 1189 1188000-1189000 0 Mujeres
## 1190 1189000-1190000 0 Mujeres
## 1191 1190000-1191000 0 Mujeres
## 1192 1191000-1192000 0 Mujeres
## 1193 1192000-1193000 0 Mujeres
## 1194 1193000-1194000 0 Mujeres
## 1195 1194000-1195000 0 Mujeres
## 1196 1195000-1196000 0 Mujeres
## 1197 1196000-1197000 0 Mujeres
## 1198 1197000-1198000 0 Mujeres
## 1199 1198000-1199000 0 Mujeres
## 1200 1199000-1200000 0 Mujeres
## 1201 1200000-1201000 0 Mujeres
## 1202 1201000-1202000 0 Mujeres
## 1203 1202000-1203000 0 Mujeres
## 1204 1203000-1204000 0 Mujeres
## 1205 1204000-1205000 0 Mujeres
## 1206 1205000-1206000 0 Mujeres
## 1207 1206000-1207000 0 Mujeres
## 1208 1207000-1208000 0 Mujeres
## 1209 1208000-1209000 0 Mujeres
## 1210 1209000-1210000 0 Mujeres
## 1211 1210000-1211000 0 Mujeres
## 1212 1211000-1212000 0 Mujeres
## 1213 1212000-1213000 0 Mujeres
## 1214 1213000-1214000 0 Mujeres
## 1215 1214000-1215000 0 Mujeres
## 1216 1215000-1216000 0 Mujeres
## 1217 1216000-1217000 0 Mujeres
## 1218 1217000-1218000 0 Mujeres
## 1219 1218000-1219000 0 Mujeres
## 1220 1219000-1220000 0 Mujeres
## 1221 1220000-1221000 0 Mujeres
## 1222 1221000-1222000 0 Mujeres
## 1223 1222000-1223000 0 Mujeres
## 1224 1223000-1224000 0 Mujeres
## 1225 1224000-1225000 0 Mujeres
## 1226 1225000-1226000 0 Mujeres
## 1227 1226000-1227000 0 Mujeres
## 1228 1227000-1228000 0 Mujeres
## 1229 1228000-1229000 0 Mujeres
## 1230 1229000-1230000 0 Mujeres
## 1231 1230000-1231000 0 Mujeres
## 1232 1231000-1232000 0 Mujeres
## 1233 1232000-1233000 0 Mujeres
## 1234 1233000-1234000 0 Mujeres
## 1235 1234000-1235000 0 Mujeres
## 1236 1235000-1236000 0 Mujeres
## 1237 1236000-1237000 0 Mujeres
## 1238 1237000-1238000 0 Mujeres
## 1239 1238000-1239000 0 Mujeres
## 1240 1239000-1240000 0 Mujeres
## 1241 1240000-1241000 0 Mujeres
## 1242 1241000-1242000 0 Mujeres
## 1243 1242000-1243000 0 Mujeres
## 1244 1243000-1244000 0 Mujeres
## 1245 1244000-1245000 0 Mujeres
## 1246 1245000-1246000 0 Mujeres
## 1247 1246000-1247000 0 Mujeres
## 1248 1247000-1248000 0 Mujeres
## 1249 1248000-1249000 0 Mujeres
## 1250 1249000-1250000 0 Mujeres
## 1251 1250000-1251000 0 Mujeres
## 1252 1251000-1252000 0 Mujeres
## 1253 1252000-1253000 0 Mujeres
## 1254 1253000-1254000 0 Mujeres
## 1255 1254000-1255000 0 Mujeres
## 1256 1255000-1256000 0 Mujeres
## 1257 1256000-1257000 0 Mujeres
## 1258 1257000-1258000 0 Mujeres
## 1259 1258000-1259000 0 Mujeres
## 1260 1259000-1260000 0 Mujeres
## 1261 1260000-1261000 0 Mujeres
## 1262 1261000-1262000 0 Mujeres
## 1263 1262000-1263000 0 Mujeres
## 1264 1263000-1264000 0 Mujeres
## 1265 1264000-1265000 0 Mujeres
## 1266 1265000-1266000 0 Mujeres
## 1267 1266000-1267000 0 Mujeres
## 1268 1267000-1268000 0 Mujeres
## 1269 1268000-1269000 0 Mujeres
## 1270 1269000-1270000 0 Mujeres
## 1271 1270000-1271000 0 Mujeres
## 1272 1271000-1272000 0 Mujeres
## 1273 1272000-1273000 0 Mujeres
## 1274 1273000-1274000 0 Mujeres
## 1275 1274000-1275000 0 Mujeres
## 1276 1275000-1276000 0 Mujeres
## 1277 1276000-1277000 0 Mujeres
## 1278 1277000-1278000 0 Mujeres
## 1279 1278000-1279000 0 Mujeres
## 1280 1279000-1280000 0 Mujeres
## 1281 1280000-1281000 0 Mujeres
## 1282 1281000-1282000 0 Mujeres
## 1283 1282000-1283000 0 Mujeres
## 1284 1283000-1284000 0 Mujeres
## 1285 1284000-1285000 0 Mujeres
## 1286 1285000-1286000 0 Mujeres
## 1287 1286000-1287000 0 Mujeres
## 1288 1287000-1288000 0 Mujeres
## 1289 1288000-1289000 0 Mujeres
## 1290 1289000-1290000 0 Mujeres
## 1291 1290000-1291000 0 Mujeres
## 1292 1291000-1292000 0 Mujeres
## 1293 1292000-1293000 0 Mujeres
## 1294 1293000-1294000 0 Mujeres
## 1295 1294000-1295000 0 Mujeres
## 1296 1295000-1296000 0 Mujeres
## 1297 1296000-1297000 0 Mujeres
## 1298 1297000-1298000 0 Mujeres
## 1299 1298000-1299000 0 Mujeres
## 1300 1299000-1300000 0 Mujeres
## 1301 1300000-1301000 0 Mujeres
## 1302 1301000-1302000 0 Mujeres
## 1303 1302000-1303000 0 Mujeres
## 1304 1303000-1304000 0 Mujeres
## 1305 1304000-1305000 0 Mujeres
## 1306 1305000-1306000 0 Mujeres
## 1307 1306000-1307000 0 Mujeres
## 1308 1307000-1308000 0 Mujeres
## 1309 1308000-1309000 0 Mujeres
## 1310 1309000-1310000 0 Mujeres
## 1311 1310000-1311000 0 Mujeres
## 1312 1311000-1312000 0 Mujeres
## 1313 1312000-1313000 0 Mujeres
## 1314 1313000-1314000 0 Mujeres
## 1315 1314000-1315000 0 Mujeres
## 1316 1315000-1316000 0 Mujeres
## 1317 1316000-1317000 0 Mujeres
## 1318 1317000-1318000 0 Mujeres
## 1319 1318000-1319000 0 Mujeres
## 1320 1319000-1320000 0 Mujeres
## 1321 1320000-1321000 0 Mujeres
## 1322 1321000-1322000 0 Mujeres
## 1323 1322000-1323000 0 Mujeres
## 1324 1323000-1324000 0 Mujeres
## 1325 1324000-1325000 0 Mujeres
## 1326 1325000-1326000 0 Mujeres
## 1327 1326000-1327000 0 Mujeres
## 1328 1327000-1328000 0 Mujeres
## 1329 1328000-1329000 0 Mujeres
## 1330 1329000-1330000 0 Mujeres
## 1331 1330000-1331000 0 Mujeres
## 1332 1331000-1332000 0 Mujeres
## 1333 1332000-1333000 0 Mujeres
## 1334 1333000-1334000 0 Mujeres
## 1335 1334000-1335000 0 Mujeres
## 1336 1335000-1336000 0 Mujeres
## 1337 1336000-1337000 0 Mujeres
## 1338 1337000-1338000 0 Mujeres
## 1339 1338000-1339000 0 Mujeres
## 1340 1339000-1340000 0 Mujeres
## 1341 1340000-1341000 0 Mujeres
## 1342 1341000-1342000 0 Mujeres
## 1343 1342000-1343000 0 Mujeres
## 1344 1343000-1344000 0 Mujeres
## 1345 1344000-1345000 0 Mujeres
## 1346 1345000-1346000 0 Mujeres
## 1347 1346000-1347000 0 Mujeres
## 1348 1347000-1348000 0 Mujeres
## 1349 1348000-1349000 0 Mujeres
## 1350 1349000-1350000 0 Mujeres
## 1351 1350000-1351000 0 Mujeres
## 1352 1351000-1352000 0 Mujeres
## 1353 1352000-1353000 0 Mujeres
## 1354 1353000-1354000 0 Mujeres
## 1355 1354000-1355000 0 Mujeres
## 1356 1355000-1356000 0 Mujeres
## 1357 1356000-1357000 0 Mujeres
## 1358 1357000-1358000 0 Mujeres
## 1359 1358000-1359000 0 Mujeres
## 1360 1359000-1360000 0 Mujeres
## 1361 1360000-1361000 0 Mujeres
## 1362 1361000-1362000 0 Mujeres
## 1363 1362000-1363000 0 Mujeres
## 1364 1363000-1364000 0 Mujeres
## 1365 1364000-1365000 0 Mujeres
## 1366 1365000-1366000 0 Mujeres
## 1367 1366000-1367000 0 Mujeres
## 1368 1367000-1368000 0 Mujeres
## 1369 1368000-1369000 0 Mujeres
## 1370 1369000-1370000 0 Mujeres
## 1371 1370000-1371000 0 Mujeres
## 1372 1371000-1372000 0 Mujeres
## 1373 1372000-1373000 0 Mujeres
## 1374 1373000-1374000 0 Mujeres
## 1375 1374000-1375000 0 Mujeres
## 1376 1375000-1376000 0 Mujeres
## 1377 1376000-1377000 0 Mujeres
## 1378 1377000-1378000 0 Mujeres
## 1379 1378000-1379000 0 Mujeres
## 1380 1379000-1380000 0 Mujeres
## 1381 1380000-1381000 0 Mujeres
## 1382 1381000-1382000 0 Mujeres
## 1383 1382000-1383000 0 Mujeres
## 1384 1383000-1384000 0 Mujeres
## 1385 1384000-1385000 0 Mujeres
## 1386 1385000-1386000 0 Mujeres
## 1387 1386000-1387000 0 Mujeres
## 1388 1387000-1388000 0 Mujeres
## 1389 1388000-1389000 0 Mujeres
## 1390 1389000-1390000 0 Mujeres
## 1391 1390000-1391000 0 Mujeres
## 1392 1391000-1392000 0 Mujeres
## 1393 1392000-1393000 0 Mujeres
## 1394 1393000-1394000 0 Mujeres
## 1395 1394000-1395000 0 Mujeres
## 1396 1395000-1396000 0 Mujeres
## 1397 1396000-1397000 0 Mujeres
## 1398 1397000-1398000 0 Mujeres
## 1399 1398000-1399000 0 Mujeres
## 1400 1399000-1400000 0 Mujeres
## 1401 1400000-1401000 0 Mujeres
## 1402 1401000-1402000 0 Mujeres
## 1403 1402000-1403000 0 Mujeres
## 1404 1403000-1404000 0 Mujeres
## 1405 1404000-1405000 0 Mujeres
## 1406 1405000-1406000 0 Mujeres
## 1407 1406000-1407000 0 Mujeres
## 1408 1407000-1408000 0 Mujeres
## 1409 1408000-1409000 0 Mujeres
## 1410 1409000-1410000 0 Mujeres
## 1411 1410000-1411000 0 Mujeres
## 1412 1411000-1412000 0 Mujeres
## 1413 1412000-1413000 0 Mujeres
## 1414 1413000-1414000 0 Mujeres
## 1415 1414000-1415000 0 Mujeres
## 1416 1415000-1416000 0 Mujeres
## 1417 1416000-1417000 0 Mujeres
## 1418 1417000-1418000 0 Mujeres
## 1419 1418000-1419000 0 Mujeres
## 1420 1419000-1420000 0 Mujeres
## 1421 1420000-1421000 0 Mujeres
## 1422 1421000-1422000 0 Mujeres
## 1423 1422000-1423000 0 Mujeres
## 1424 1423000-1424000 0 Mujeres
## 1425 1424000-1425000 0 Mujeres
## 1426 1425000-1426000 0 Mujeres
## 1427 1426000-1427000 0 Mujeres
## 1428 1427000-1428000 0 Mujeres
## 1429 1428000-1429000 0 Mujeres
## 1430 1429000-1430000 0 Mujeres
## 1431 1430000-1431000 0 Mujeres
## 1432 1431000-1432000 0 Mujeres
## 1433 1432000-1433000 0 Mujeres
## 1434 1433000-1434000 0 Mujeres
## 1435 1434000-1435000 0 Mujeres
## 1436 1435000-1436000 0 Mujeres
## 1437 1436000-1437000 0 Mujeres
## 1438 1437000-1438000 0 Mujeres
## 1439 1438000-1439000 0 Mujeres
## 1440 1439000-1440000 0 Mujeres
## 1441 1440000-1441000 0 Mujeres
## 1442 1441000-1442000 0 Mujeres
## 1443 1442000-1443000 0 Mujeres
## 1444 1443000-1444000 0 Mujeres
## 1445 1444000-1445000 0 Mujeres
## 1446 1445000-1446000 0 Mujeres
## 1447 1446000-1447000 0 Mujeres
## 1448 1447000-1448000 0 Mujeres
## 1449 1448000-1449000 0 Mujeres
## 1450 1449000-1450000 0 Mujeres
## 1451 1450000-1451000 0 Mujeres
## 1452 1451000-1452000 0 Mujeres
## 1453 1452000-1453000 0 Mujeres
## 1454 1453000-1454000 0 Mujeres
## 1455 1454000-1455000 0 Mujeres
## 1456 1455000-1456000 0 Mujeres
## 1457 1456000-1457000 0 Mujeres
## 1458 1457000-1458000 0 Mujeres
## 1459 1458000-1459000 0 Mujeres
## 1460 1459000-1460000 0 Mujeres
## 1461 1460000-1461000 0 Mujeres
## 1462 1461000-1462000 0 Mujeres
## 1463 1462000-1463000 0 Mujeres
## 1464 1463000-1464000 0 Mujeres
## 1465 1464000-1465000 0 Mujeres
## 1466 1465000-1466000 0 Mujeres
## 1467 1466000-1467000 0 Mujeres
## 1468 1467000-1468000 0 Mujeres
## 1469 1468000-1469000 0 Mujeres
## 1470 1469000-1470000 0 Mujeres
## 1471 1470000-1471000 0 Mujeres
## 1472 1471000-1472000 0 Mujeres
## 1473 1472000-1473000 0 Mujeres
## 1474 1473000-1474000 0 Mujeres
## 1475 1474000-1475000 0 Mujeres
## 1476 1475000-1476000 0 Mujeres
## 1477 1476000-1477000 0 Mujeres
## 1478 1477000-1478000 0 Mujeres
## 1479 1478000-1479000 0 Mujeres
## 1480 1479000-1480000 0 Mujeres
## 1481 1480000-1481000 0 Mujeres
## 1482 1481000-1482000 0 Mujeres
## 1483 1482000-1483000 0 Mujeres
## 1484 1483000-1484000 0 Mujeres
## 1485 1484000-1485000 0 Mujeres
## 1486 1485000-1486000 0 Mujeres
## 1487 1486000-1487000 0 Mujeres
## 1488 1487000-1488000 0 Mujeres
## 1489 1488000-1489000 0 Mujeres
## 1490 1489000-1490000 0 Mujeres
## 1491 1490000-1491000 0 Mujeres
## 1492 1491000-1492000 0 Mujeres
## 1493 1492000-1493000 0 Mujeres
## 1494 1493000-1494000 0 Mujeres
## 1495 1494000-1495000 0 Mujeres
## 1496 1495000-1496000 0 Mujeres
## 1497 1496000-1497000 0 Mujeres
## 1498 1497000-1498000 0 Mujeres
## 1499 1498000-1499000 0 Mujeres
## 1500 1499000-1500000 0 Mujeres
## 1501 1500000-1501000 0 Mujeres
## 1502 1501000-1502000 0 Mujeres
## 1503 1502000-1503000 0 Mujeres
## 1504 1503000-1504000 0 Mujeres
## 1505 1504000-1505000 0 Mujeres
## 1506 1505000-1506000 0 Mujeres
## 1507 1506000-1507000 0 Mujeres
## 1508 1507000-1508000 0 Mujeres
## 1509 1508000-1509000 0 Mujeres
## 1510 1509000-1510000 0 Mujeres
## 1511 1510000-1511000 0 Mujeres
## 1512 1511000-1512000 0 Mujeres
## 1513 1512000-1513000 0 Mujeres
## 1514 1513000-1514000 0 Mujeres
## 1515 1514000-1515000 0 Mujeres
## 1516 1515000-1516000 0 Mujeres
## 1517 1516000-1517000 0 Mujeres
## 1518 1517000-1518000 0 Mujeres
## 1519 1518000-1519000 0 Mujeres
## 1520 1519000-1520000 0 Mujeres
## 1521 1520000-1521000 0 Mujeres
## 1522 1521000-1522000 0 Mujeres
## 1523 1522000-1523000 0 Mujeres
## 1524 1523000-1524000 0 Mujeres
## 1525 1524000-1525000 0 Mujeres
## 1526 1525000-1526000 0 Mujeres
## 1527 1526000-1527000 0 Mujeres
## 1528 1527000-1528000 0 Mujeres
## 1529 1528000-1529000 0 Mujeres
## 1530 1529000-1530000 0 Mujeres
## 1531 1530000-1531000 0 Mujeres
## 1532 1531000-1532000 0 Mujeres
## 1533 1532000-1533000 0 Mujeres
## 1534 1533000-1534000 0 Mujeres
## 1535 1534000-1535000 0 Mujeres
## 1536 1535000-1536000 0 Mujeres
## 1537 1536000-1537000 0 Mujeres
## 1538 1537000-1538000 0 Mujeres
## 1539 1538000-1539000 0 Mujeres
## 1540 1539000-1540000 0 Mujeres
## 1541 1540000-1541000 0 Mujeres
## 1542 1541000-1542000 0 Mujeres
## 1543 1542000-1543000 0 Mujeres
## 1544 1543000-1544000 0 Mujeres
## 1545 1544000-1545000 0 Mujeres
## 1546 1545000-1546000 0 Mujeres
## 1547 1546000-1547000 0 Mujeres
## 1548 1547000-1548000 0 Mujeres
## 1549 1548000-1549000 0 Mujeres
## 1550 1549000-1550000 0 Mujeres
## 1551 1550000-1551000 0 Mujeres
## 1552 1551000-1552000 0 Mujeres
## 1553 1552000-1553000 0 Mujeres
## 1554 1553000-1554000 0 Mujeres
## 1555 1554000-1555000 0 Mujeres
## 1556 1555000-1556000 0 Mujeres
## 1557 1556000-1557000 0 Mujeres
## 1558 1557000-1558000 0 Mujeres
## 1559 1558000-1559000 0 Mujeres
## 1560 1559000-1560000 0 Mujeres
## 1561 1560000-1561000 0 Mujeres
## 1562 1561000-1562000 0 Mujeres
## 1563 1562000-1563000 0 Mujeres
## 1564 1563000-1564000 0 Mujeres
## 1565 1564000-1565000 0 Mujeres
## 1566 1565000-1566000 0 Mujeres
## 1567 1566000-1567000 0 Mujeres
## 1568 1567000-1568000 0 Mujeres
## 1569 1568000-1569000 0 Mujeres
## 1570 1569000-1570000 0 Mujeres
## 1571 1570000-1571000 0 Mujeres
## 1572 1571000-1572000 0 Mujeres
## 1573 1572000-1573000 0 Mujeres
## 1574 1573000-1574000 0 Mujeres
## 1575 1574000-1575000 0 Mujeres
## 1576 1575000-1576000 0 Mujeres
## 1577 1576000-1577000 0 Mujeres
## 1578 1577000-1578000 0 Mujeres
## 1579 1578000-1579000 0 Mujeres
## 1580 1579000-1580000 0 Mujeres
## 1581 1580000-1581000 0 Mujeres
## 1582 1581000-1582000 0 Mujeres
## 1583 1582000-1583000 0 Mujeres
## 1584 1583000-1584000 0 Mujeres
## 1585 1584000-1585000 0 Mujeres
## 1586 1585000-1586000 0 Mujeres
## 1587 1586000-1587000 0 Mujeres
## 1588 1587000-1588000 0 Mujeres
## 1589 1588000-1589000 0 Mujeres
## 1590 1589000-1590000 0 Mujeres
## 1591 1590000-1591000 0 Mujeres
## 1592 1591000-1592000 0 Mujeres
## 1593 1592000-1593000 0 Mujeres
## 1594 1593000-1594000 0 Mujeres
## 1595 1594000-1595000 0 Mujeres
## 1596 1595000-1596000 0 Mujeres
## 1597 1596000-1597000 0 Mujeres
## 1598 1597000-1598000 0 Mujeres
## 1599 1598000-1599000 0 Mujeres
## 1600 1599000-1600000 0 Mujeres
## 1601 1600000-1601000 0 Mujeres
## 1602 1601000-1602000 0 Mujeres
## 1603 1602000-1603000 0 Mujeres
## 1604 1603000-1604000 0 Mujeres
## 1605 1604000-1605000 0 Mujeres
## 1606 1605000-1606000 0 Mujeres
## 1607 1606000-1607000 0 Mujeres
## 1608 1607000-1608000 0 Mujeres
## 1609 1608000-1609000 0 Mujeres
## 1610 1609000-1610000 0 Mujeres
## 1611 1610000-1611000 0 Mujeres
## 1612 1611000-1612000 0 Mujeres
## 1613 1612000-1613000 0 Mujeres
## 1614 1613000-1614000 0 Mujeres
## 1615 1614000-1615000 0 Mujeres
## 1616 1615000-1616000 0 Mujeres
## 1617 1616000-1617000 0 Mujeres
## 1618 1617000-1618000 0 Mujeres
## 1619 1618000-1619000 0 Mujeres
## 1620 1619000-1620000 0 Mujeres
## 1621 1620000-1621000 0 Mujeres
## 1622 1621000-1622000 0 Mujeres
## 1623 1622000-1623000 0 Mujeres
## 1624 1623000-1624000 0 Mujeres
## 1625 1624000-1625000 0 Mujeres
## 1626 1625000-1626000 0 Mujeres
## 1627 1626000-1627000 0 Mujeres
## 1628 1627000-1628000 0 Mujeres
## 1629 1628000-1629000 0 Mujeres
## 1630 1629000-1630000 0 Mujeres
## 1631 1630000-1631000 0 Mujeres
## 1632 1631000-1632000 0 Mujeres
## 1633 1632000-1633000 0 Mujeres
## 1634 1633000-1634000 0 Mujeres
## 1635 1634000-1635000 0 Mujeres
## 1636 1635000-1636000 0 Mujeres
## 1637 1636000-1637000 0 Mujeres
## 1638 1637000-1638000 0 Mujeres
## 1639 1638000-1639000 0 Mujeres
## 1640 1639000-1640000 0 Mujeres
## 1641 1640000-1641000 0 Mujeres
## 1642 1641000-1642000 0 Mujeres
## 1643 1642000-1643000 0 Mujeres
## 1644 1643000-1644000 0 Mujeres
## 1645 1644000-1645000 0 Mujeres
## 1646 1645000-1646000 0 Mujeres
## 1647 1646000-1647000 0 Mujeres
## 1648 1647000-1648000 0 Mujeres
## 1649 1648000-1649000 0 Mujeres
## 1650 1649000-1650000 0 Mujeres
## 1651 1650000-1651000 0 Mujeres
## 1652 1651000-1652000 0 Mujeres
## 1653 1652000-1653000 0 Mujeres
## 1654 1653000-1654000 0 Mujeres
## 1655 1654000-1655000 0 Mujeres
## 1656 1655000-1656000 0 Mujeres
## 1657 1656000-1657000 0 Mujeres
## 1658 1657000-1658000 0 Mujeres
## 1659 1658000-1659000 0 Mujeres
## 1660 1659000-1660000 0 Mujeres
## 1661 1660000-1661000 0 Mujeres
## 1662 1661000-1662000 0 Mujeres
## 1663 1662000-1663000 0 Mujeres
## 1664 1663000-1664000 0 Mujeres
## 1665 1664000-1665000 0 Mujeres
## 1666 1665000-1666000 0 Mujeres
## 1667 1666000-1667000 0 Mujeres
## 1668 1667000-1668000 0 Mujeres
## 1669 1668000-1669000 0 Mujeres
## 1670 1669000-1670000 0 Mujeres
## 1671 1670000-1671000 0 Mujeres
## 1672 1671000-1672000 0 Mujeres
## 1673 1672000-1673000 0 Mujeres
## 1674 1673000-1674000 0 Mujeres
## 1675 1674000-1675000 0 Mujeres
## 1676 1675000-1676000 0 Mujeres
## 1677 1676000-1677000 0 Mujeres
## 1678 1677000-1678000 0 Mujeres
## 1679 1678000-1679000 0 Mujeres
## 1680 1679000-1680000 0 Mujeres
## 1681 1680000-1681000 0 Mujeres
## 1682 1681000-1682000 0 Mujeres
## 1683 1682000-1683000 0 Mujeres
## 1684 1683000-1684000 0 Mujeres
## 1685 1684000-1685000 0 Mujeres
## 1686 1685000-1686000 0 Mujeres
## 1687 1686000-1687000 0 Mujeres
## 1688 1687000-1688000 0 Mujeres
## 1689 1688000-1689000 0 Mujeres
## 1690 1689000-1690000 0 Mujeres
## 1691 1690000-1691000 0 Mujeres
## 1692 1691000-1692000 0 Mujeres
## 1693 1692000-1693000 0 Mujeres
## 1694 1693000-1694000 0 Mujeres
## 1695 1694000-1695000 0 Mujeres
## 1696 1695000-1696000 0 Mujeres
## 1697 1696000-1697000 0 Mujeres
## 1698 1697000-1698000 0 Mujeres
## 1699 1698000-1699000 0 Mujeres
## 1700 1699000-1700000 0 Mujeres
## 1701 1700000-1701000 0 Mujeres
## 1702 1701000-1702000 0 Mujeres
## 1703 1702000-1703000 0 Mujeres
## 1704 1703000-1704000 0 Mujeres
## 1705 1704000-1705000 0 Mujeres
## 1706 1705000-1706000 0 Mujeres
## 1707 1706000-1707000 0 Mujeres
## 1708 1707000-1708000 0 Mujeres
## 1709 1708000-1709000 0 Mujeres
## 1710 1709000-1710000 0 Mujeres
## 1711 1710000-1711000 0 Mujeres
## 1712 1711000-1712000 0 Mujeres
## 1713 1712000-1713000 0 Mujeres
## 1714 1713000-1714000 0 Mujeres
## 1715 1714000-1715000 0 Mujeres
## 1716 1715000-1716000 0 Mujeres
## 1717 1716000-1717000 0 Mujeres
## 1718 1717000-1718000 0 Mujeres
## 1719 1718000-1719000 0 Mujeres
## 1720 1719000-1720000 0 Mujeres
## 1721 1720000-1721000 0 Mujeres
## 1722 1721000-1722000 0 Mujeres
## 1723 1722000-1723000 0 Mujeres
## 1724 1723000-1724000 0 Mujeres
## 1725 1724000-1725000 0 Mujeres
## 1726 1725000-1726000 0 Mujeres
## 1727 1726000-1727000 0 Mujeres
## 1728 1727000-1728000 0 Mujeres
## 1729 1728000-1729000 0 Mujeres
## 1730 1729000-1730000 0 Mujeres
## 1731 1730000-1731000 0 Mujeres
## 1732 1731000-1732000 0 Mujeres
## 1733 1732000-1733000 0 Mujeres
## 1734 1733000-1734000 0 Mujeres
## 1735 1734000-1735000 0 Mujeres
## 1736 1735000-1736000 0 Mujeres
## 1737 1736000-1737000 0 Mujeres
## 1738 1737000-1738000 0 Mujeres
## 1739 1738000-1739000 0 Mujeres
## 1740 1739000-1740000 0 Mujeres
## 1741 1740000-1741000 0 Mujeres
## 1742 1741000-1742000 0 Mujeres
## 1743 1742000-1743000 0 Mujeres
## 1744 1743000-1744000 0 Mujeres
## 1745 1744000-1745000 0 Mujeres
## 1746 1745000-1746000 0 Mujeres
## 1747 1746000-1747000 0 Mujeres
## 1748 1747000-1748000 0 Mujeres
## 1749 1748000-1749000 0 Mujeres
## 1750 1749000-1750000 0 Mujeres
## 1751 1750000-1751000 0 Mujeres
## 1752 1751000-1752000 0 Mujeres
## 1753 1752000-1753000 0 Mujeres
## 1754 1753000-1754000 0 Mujeres
## 1755 1754000-1755000 0 Mujeres
## 1756 1755000-1756000 0 Mujeres
## 1757 1756000-1757000 0 Mujeres
## 1758 1757000-1758000 0 Mujeres
## 1759 1758000-1759000 0 Mujeres
## 1760 1759000-1760000 0 Mujeres
## 1761 1760000-1761000 0 Mujeres
## 1762 1761000-1762000 0 Mujeres
## 1763 1762000-1763000 0 Mujeres
## 1764 1763000-1764000 0 Mujeres
## 1765 1764000-1765000 0 Mujeres
## 1766 1765000-1766000 0 Mujeres
## 1767 1766000-1767000 0 Mujeres
## 1768 1767000-1768000 0 Mujeres
## 1769 1768000-1769000 0 Mujeres
## 1770 1769000-1770000 0 Mujeres
## 1771 1770000-1771000 0 Mujeres
## 1772 1771000-1772000 0 Mujeres
## 1773 1772000-1773000 0 Mujeres
## 1774 1773000-1774000 0 Mujeres
## 1775 1774000-1775000 0 Mujeres
## 1776 1775000-1776000 0 Mujeres
## 1777 1776000-1777000 0 Mujeres
## 1778 1777000-1778000 0 Mujeres
## 1779 1778000-1779000 0 Mujeres
## 1780 1779000-1780000 0 Mujeres
## 1781 1780000-1781000 0 Mujeres
## 1782 1781000-1782000 0 Mujeres
## 1783 1782000-1783000 0 Mujeres
## 1784 1783000-1784000 0 Mujeres
## 1785 1784000-1785000 0 Mujeres
## 1786 1785000-1786000 0 Mujeres
## 1787 1786000-1787000 0 Mujeres
## 1788 1787000-1788000 0 Mujeres
## 1789 1788000-1789000 0 Mujeres
## 1790 1789000-1790000 0 Mujeres
## 1791 1790000-1791000 0 Mujeres
## 1792 1791000-1792000 0 Mujeres
## 1793 1792000-1793000 0 Mujeres
## 1794 1793000-1794000 0 Mujeres
## 1795 1794000-1795000 0 Mujeres
## 1796 1795000-1796000 0 Mujeres
## 1797 1796000-1797000 0 Mujeres
## 1798 1797000-1798000 0 Mujeres
## 1799 1798000-1799000 0 Mujeres
## 1800 1799000-1800000 0 Mujeres
## 1801 1800000-1801000 0 Mujeres
## 1802 1801000-1802000 0 Mujeres
## 1803 1802000-1803000 0 Mujeres
## 1804 1803000-1804000 0 Mujeres
## 1805 1804000-1805000 0 Mujeres
## 1806 1805000-1806000 0 Mujeres
## 1807 1806000-1807000 0 Mujeres
## 1808 1807000-1808000 0 Mujeres
## 1809 1808000-1809000 0 Mujeres
## 1810 1809000-1810000 0 Mujeres
## 1811 1810000-1811000 0 Mujeres
## 1812 1811000-1812000 0 Mujeres
## 1813 1812000-1813000 0 Mujeres
## 1814 1813000-1814000 0 Mujeres
## 1815 1814000-1815000 0 Mujeres
## 1816 1815000-1816000 0 Mujeres
## 1817 1816000-1817000 0 Mujeres
## 1818 1817000-1818000 0 Mujeres
## 1819 1818000-1819000 0 Mujeres
## 1820 1819000-1820000 0 Mujeres
## 1821 1820000-1821000 0 Mujeres
## 1822 1821000-1822000 0 Mujeres
## 1823 1822000-1823000 0 Mujeres
## 1824 1823000-1824000 0 Mujeres
## 1825 1824000-1825000 0 Mujeres
## 1826 1825000-1826000 0 Mujeres
## 1827 1826000-1827000 0 Mujeres
## 1828 1827000-1828000 0 Mujeres
## 1829 1828000-1829000 0 Mujeres
## 1830 1829000-1830000 0 Mujeres
## 1831 1830000-1831000 0 Mujeres
## 1832 1831000-1832000 0 Mujeres
## 1833 1832000-1833000 0 Mujeres
## 1834 1833000-1834000 0 Mujeres
## 1835 1834000-1835000 0 Mujeres
## 1836 1835000-1836000 0 Mujeres
## 1837 1836000-1837000 0 Mujeres
## 1838 1837000-1838000 0 Mujeres
## 1839 1838000-1839000 0 Mujeres
## 1840 1839000-1840000 0 Mujeres
## 1841 1840000-1841000 0 Mujeres
## 1842 1841000-1842000 0 Mujeres
## 1843 1842000-1843000 0 Mujeres
## 1844 1843000-1844000 0 Mujeres
## 1845 1844000-1845000 0 Mujeres
## 1846 1845000-1846000 0 Mujeres
## 1847 1846000-1847000 0 Mujeres
## 1848 1847000-1848000 0 Mujeres
## 1849 1848000-1849000 0 Mujeres
## 1850 1849000-1850000 0 Mujeres
## 1851 1850000-1851000 0 Mujeres
## 1852 1851000-1852000 0 Mujeres
## 1853 1852000-1853000 0 Mujeres
## 1854 1853000-1854000 0 Mujeres
## 1855 1854000-1855000 0 Mujeres
## 1856 1855000-1856000 0 Mujeres
## 1857 1856000-1857000 0 Mujeres
## 1858 1857000-1858000 0 Mujeres
## 1859 1858000-1859000 0 Mujeres
## 1860 1859000-1860000 0 Mujeres
## 1861 1860000-1861000 0 Mujeres
## 1862 1861000-1862000 0 Mujeres
## 1863 1862000-1863000 0 Mujeres
## 1864 1863000-1864000 0 Mujeres
## 1865 1864000-1865000 0 Mujeres
## 1866 1865000-1866000 0 Mujeres
## 1867 1866000-1867000 0 Mujeres
## 1868 1867000-1868000 0 Mujeres
## 1869 1868000-1869000 0 Mujeres
## 1870 1869000-1870000 0 Mujeres
## 1871 1870000-1871000 0 Mujeres
## 1872 1871000-1872000 0 Mujeres
## 1873 1872000-1873000 0 Mujeres
## 1874 1873000-1874000 0 Mujeres
## 1875 1874000-1875000 0 Mujeres
## 1876 1875000-1876000 0 Mujeres
## 1877 1876000-1877000 0 Mujeres
## 1878 1877000-1878000 0 Mujeres
## 1879 1878000-1879000 0 Mujeres
## 1880 1879000-1880000 0 Mujeres
## 1881 1880000-1881000 0 Mujeres
## 1882 1881000-1882000 0 Mujeres
## 1883 1882000-1883000 0 Mujeres
## 1884 1883000-1884000 0 Mujeres
## 1885 1884000-1885000 0 Mujeres
## 1886 1885000-1886000 0 Mujeres
## 1887 1886000-1887000 0 Mujeres
## 1888 1887000-1888000 0 Mujeres
## 1889 1888000-1889000 0 Mujeres
## 1890 1889000-1890000 0 Mujeres
## 1891 1890000-1891000 0 Mujeres
## 1892 1891000-1892000 0 Mujeres
## 1893 1892000-1893000 0 Mujeres
## 1894 1893000-1894000 0 Mujeres
## 1895 1894000-1895000 0 Mujeres
## 1896 1895000-1896000 0 Mujeres
## 1897 1896000-1897000 0 Mujeres
## 1898 1897000-1898000 0 Mujeres
## 1899 1898000-1899000 0 Mujeres
## 1900 1899000-1900000 0 Mujeres
## 1901 1900000-1901000 0 Mujeres
## 1902 1901000-1902000 0 Mujeres
## 1903 1902000-1903000 0 Mujeres
## 1904 1903000-1904000 0 Mujeres
## 1905 1904000-1905000 0 Mujeres
## 1906 1905000-1906000 0 Mujeres
## 1907 1906000-1907000 0 Mujeres
## 1908 1907000-1908000 0 Mujeres
## 1909 1908000-1909000 0 Mujeres
## 1910 1909000-1910000 0 Mujeres
## 1911 1910000-1911000 0 Mujeres
## 1912 1911000-1912000 0 Mujeres
## 1913 1912000-1913000 0 Mujeres
## 1914 1913000-1914000 0 Mujeres
## 1915 1914000-1915000 0 Mujeres
## 1916 1915000-1916000 0 Mujeres
## 1917 1916000-1917000 0 Mujeres
## 1918 1917000-1918000 0 Mujeres
## 1919 1918000-1919000 0 Mujeres
## 1920 1919000-1920000 0 Mujeres
## 1921 1920000-1921000 0 Mujeres
## 1922 1921000-1922000 0 Mujeres
## 1923 1922000-1923000 0 Mujeres
## 1924 1923000-1924000 0 Mujeres
## 1925 1924000-1925000 0 Mujeres
## 1926 1925000-1926000 0 Mujeres
## 1927 1926000-1927000 0 Mujeres
## 1928 1927000-1928000 0 Mujeres
## 1929 1928000-1929000 0 Mujeres
## 1930 1929000-1930000 0 Mujeres
## 1931 1930000-1931000 0 Mujeres
## 1932 1931000-1932000 0 Mujeres
## 1933 1932000-1933000 0 Mujeres
## 1934 1933000-1934000 0 Mujeres
## 1935 1934000-1935000 0 Mujeres
## 1936 1935000-1936000 0 Mujeres
## 1937 1936000-1937000 0 Mujeres
## 1938 1937000-1938000 0 Mujeres
## 1939 1938000-1939000 0 Mujeres
## 1940 1939000-1940000 0 Mujeres
## 1941 1940000-1941000 0 Mujeres
## 1942 1941000-1942000 0 Mujeres
## 1943 1942000-1943000 0 Mujeres
## 1944 1943000-1944000 0 Mujeres
## 1945 1944000-1945000 0 Mujeres
## 1946 1945000-1946000 0 Mujeres
## 1947 1946000-1947000 0 Mujeres
## 1948 1947000-1948000 0 Mujeres
## 1949 1948000-1949000 0 Mujeres
## 1950 1949000-1950000 0 Mujeres
## 1951 1950000-1951000 0 Mujeres
## 1952 1951000-1952000 0 Mujeres
## 1953 1952000-1953000 0 Mujeres
## 1954 1953000-1954000 0 Mujeres
## 1955 1954000-1955000 0 Mujeres
## 1956 1955000-1956000 0 Mujeres
## 1957 1956000-1957000 0 Mujeres
## 1958 1957000-1958000 0 Mujeres
## 1959 1958000-1959000 0 Mujeres
## 1960 1959000-1960000 0 Mujeres
## 1961 1960000-1961000 0 Mujeres
## 1962 1961000-1962000 0 Mujeres
## 1963 1962000-1963000 0 Mujeres
## 1964 1963000-1964000 0 Mujeres
## 1965 1964000-1965000 0 Mujeres
## 1966 1965000-1966000 0 Mujeres
## 1967 1966000-1967000 0 Mujeres
## 1968 1967000-1968000 0 Mujeres
## 1969 1968000-1969000 0 Mujeres
## 1970 1969000-1970000 0 Mujeres
## 1971 1970000-1971000 0 Mujeres
## 1972 1971000-1972000 0 Mujeres
## 1973 1972000-1973000 0 Mujeres
## 1974 1973000-1974000 0 Mujeres
## 1975 1974000-1975000 0 Mujeres
## 1976 1975000-1976000 0 Mujeres
## 1977 1976000-1977000 0 Mujeres
## 1978 1977000-1978000 0 Mujeres
## 1979 1978000-1979000 0 Mujeres
## 1980 1979000-1980000 0 Mujeres
## 1981 1980000-1981000 0 Mujeres
## 1982 1981000-1982000 0 Mujeres
## 1983 1982000-1983000 0 Mujeres
## 1984 1983000-1984000 0 Mujeres
## 1985 1984000-1985000 0 Mujeres
## 1986 1985000-1986000 0 Mujeres
## 1987 1986000-1987000 0 Mujeres
## 1988 1987000-1988000 0 Mujeres
## 1989 1988000-1989000 0 Mujeres
## 1990 1989000-1990000 0 Mujeres
## 1991 1990000-1991000 0 Mujeres
## 1992 1991000-1992000 0 Mujeres
## 1993 1992000-1993000 0 Mujeres
## 1994 1993000-1994000 0 Mujeres
## 1995 1994000-1995000 0 Mujeres
## 1996 1995000-1996000 0 Mujeres
## 1997 1996000-1997000 0 Mujeres
## 1998 1997000-1998000 0 Mujeres
## 1999 1998000-1999000 0 Mujeres
## 2000 1999000-2e+06 24 Mujeres
## 2001 2e+06-2001000 0 Mujeres
## 2002 2001000-2002000 0 Mujeres
## 2003 2002000-2003000 0 Mujeres
## 2004 2003000-2004000 0 Mujeres
## 2005 2004000-2005000 0 Mujeres
## 2006 2005000-2006000 0 Mujeres
## 2007 2006000-2007000 0 Mujeres
## 2008 2007000-2008000 0 Mujeres
## 2009 2008000-2009000 0 Mujeres
## 2010 2009000-2010000 0 Mujeres
## 2011 2010000-2011000 0 Mujeres
## 2012 2011000-2012000 0 Mujeres
## 2013 2012000-2013000 0 Mujeres
## 2014 2013000-2014000 0 Mujeres
## 2015 2014000-2015000 0 Mujeres
## 2016 2015000-2016000 0 Mujeres
## 2017 2016000-2017000 0 Mujeres
## 2018 2017000-2018000 0 Mujeres
## 2019 2018000-2019000 0 Mujeres
## 2020 2019000-2020000 0 Mujeres
## 2021 2020000-2021000 0 Mujeres
## 2022 2021000-2022000 0 Mujeres
## 2023 2022000-2023000 0 Mujeres
## 2024 2023000-2024000 0 Mujeres
## 2025 2024000-2025000 0 Mujeres
## 2026 2025000-2026000 0 Mujeres
## 2027 2026000-2027000 0 Mujeres
## 2028 2027000-2028000 0 Mujeres
## 2029 2028000-2029000 0 Mujeres
## 2030 2029000-2030000 0 Mujeres
## 2031 2030000-2031000 0 Mujeres
## 2032 2031000-2032000 0 Mujeres
## 2033 2032000-2033000 0 Mujeres
## 2034 2033000-2034000 0 Mujeres
## 2035 2034000-2035000 0 Mujeres
## 2036 2035000-2036000 0 Mujeres
## 2037 2036000-2037000 0 Mujeres
## 2038 2037000-2038000 0 Mujeres
## 2039 2038000-2039000 0 Mujeres
## 2040 2039000-2040000 0 Mujeres
## 2041 2040000-2041000 0 Mujeres
## 2042 2041000-2042000 0 Mujeres
## 2043 2042000-2043000 0 Mujeres
## 2044 2043000-2044000 0 Mujeres
## 2045 2044000-2045000 0 Mujeres
## 2046 2045000-2046000 0 Mujeres
## 2047 2046000-2047000 0 Mujeres
## 2048 2047000-2048000 0 Mujeres
## 2049 2048000-2049000 0 Mujeres
## 2050 2049000-2050000 0 Mujeres
## 2051 2050000-2051000 0 Mujeres
## 2052 2051000-2052000 0 Mujeres
## 2053 2052000-2053000 0 Mujeres
## 2054 2053000-2054000 0 Mujeres
## 2055 2054000-2055000 0 Mujeres
## 2056 2055000-2056000 0 Mujeres
## 2057 2056000-2057000 0 Mujeres
## 2058 2057000-2058000 0 Mujeres
## 2059 2058000-2059000 0 Mujeres
## 2060 2059000-2060000 0 Mujeres
## 2061 2060000-2061000 0 Mujeres
## 2062 2061000-2062000 0 Mujeres
## 2063 2062000-2063000 0 Mujeres
## 2064 2063000-2064000 0 Mujeres
## 2065 2064000-2065000 0 Mujeres
## 2066 2065000-2066000 0 Mujeres
## 2067 2066000-2067000 0 Mujeres
## 2068 2067000-2068000 0 Mujeres
## 2069 2068000-2069000 0 Mujeres
## 2070 2069000-2070000 0 Mujeres
## 2071 2070000-2071000 0 Mujeres
## 2072 2071000-2072000 0 Mujeres
## 2073 2072000-2073000 0 Mujeres
## 2074 2073000-2074000 0 Mujeres
## 2075 2074000-2075000 0 Mujeres
## 2076 2075000-2076000 0 Mujeres
## 2077 2076000-2077000 0 Mujeres
## 2078 2077000-2078000 0 Mujeres
## 2079 2078000-2079000 0 Mujeres
## 2080 2079000-2080000 0 Mujeres
## 2081 2080000-2081000 0 Mujeres
## 2082 2081000-2082000 0 Mujeres
## 2083 2082000-2083000 0 Mujeres
## 2084 2083000-2084000 0 Mujeres
## 2085 2084000-2085000 0 Mujeres
## 2086 2085000-2086000 0 Mujeres
## 2087 2086000-2087000 0 Mujeres
## 2088 2087000-2088000 0 Mujeres
## 2089 2088000-2089000 0 Mujeres
## 2090 2089000-2090000 0 Mujeres
## 2091 2090000-2091000 0 Mujeres
## 2092 2091000-2092000 0 Mujeres
## 2093 2092000-2093000 0 Mujeres
## 2094 2093000-2094000 0 Mujeres
## 2095 2094000-2095000 0 Mujeres
## 2096 2095000-2096000 0 Mujeres
## 2097 2096000-2097000 0 Mujeres
## 2098 2097000-2098000 0 Mujeres
## 2099 2098000-2099000 0 Mujeres
## 2100 2099000-2100000 0 Mujeres
## 2101 2100000-2101000 0 Mujeres
## 2102 2101000-2102000 0 Mujeres
## 2103 2102000-2103000 0 Mujeres
## 2104 2103000-2104000 0 Mujeres
## 2105 2104000-2105000 0 Mujeres
## 2106 2105000-2106000 0 Mujeres
## 2107 2106000-2107000 0 Mujeres
## 2108 2107000-2108000 0 Mujeres
## 2109 2108000-2109000 0 Mujeres
## 2110 2109000-2110000 0 Mujeres
## 2111 2110000-2111000 0 Mujeres
## 2112 2111000-2112000 0 Mujeres
## 2113 2112000-2113000 0 Mujeres
## 2114 2113000-2114000 0 Mujeres
## 2115 2114000-2115000 0 Mujeres
## 2116 2115000-2116000 0 Mujeres
## 2117 2116000-2117000 0 Mujeres
## 2118 2117000-2118000 0 Mujeres
## 2119 2118000-2119000 0 Mujeres
## 2120 2119000-2120000 0 Mujeres
## 2121 2120000-2121000 0 Mujeres
## 2122 2121000-2122000 0 Mujeres
## 2123 2122000-2123000 0 Mujeres
## 2124 2123000-2124000 0 Mujeres
## 2125 2124000-2125000 0 Mujeres
## 2126 2125000-2126000 0 Mujeres
## 2127 2126000-2127000 0 Mujeres
## 2128 2127000-2128000 0 Mujeres
## 2129 2128000-2129000 0 Mujeres
## 2130 2129000-2130000 0 Mujeres
## 2131 2130000-2131000 0 Mujeres
## 2132 2131000-2132000 0 Mujeres
## 2133 2132000-2133000 0 Mujeres
## 2134 2133000-2134000 0 Mujeres
## 2135 2134000-2135000 0 Mujeres
## 2136 2135000-2136000 0 Mujeres
## 2137 2136000-2137000 0 Mujeres
## 2138 2137000-2138000 0 Mujeres
## 2139 2138000-2139000 0 Mujeres
## 2140 2139000-2140000 0 Mujeres
## 2141 2140000-2141000 0 Mujeres
## 2142 2141000-2142000 0 Mujeres
## 2143 2142000-2143000 0 Mujeres
## 2144 2143000-2144000 0 Mujeres
## 2145 2144000-2145000 0 Mujeres
## 2146 2145000-2146000 0 Mujeres
## 2147 2146000-2147000 0 Mujeres
## 2148 2147000-2148000 0 Mujeres
## 2149 2148000-2149000 0 Mujeres
## 2150 2149000-2150000 0 Mujeres
## 2151 2150000-2151000 0 Mujeres
## 2152 2151000-2152000 0 Mujeres
## 2153 2152000-2153000 0 Mujeres
## 2154 2153000-2154000 0 Mujeres
## 2155 2154000-2155000 0 Mujeres
## 2156 2155000-2156000 0 Mujeres
## 2157 2156000-2157000 0 Mujeres
## 2158 2157000-2158000 0 Mujeres
## 2159 2158000-2159000 0 Mujeres
## 2160 2159000-2160000 0 Mujeres
## 2161 2160000-2161000 0 Mujeres
## 2162 2161000-2162000 0 Mujeres
## 2163 2162000-2163000 0 Mujeres
## 2164 2163000-2164000 0 Mujeres
## 2165 2164000-2165000 0 Mujeres
## 2166 2165000-2166000 0 Mujeres
## 2167 2166000-2167000 0 Mujeres
## 2168 2167000-2168000 0 Mujeres
## 2169 2168000-2169000 0 Mujeres
## 2170 2169000-2170000 0 Mujeres
## 2171 2170000-2171000 0 Mujeres
## 2172 2171000-2172000 0 Mujeres
## 2173 2172000-2173000 0 Mujeres
## 2174 2173000-2174000 0 Mujeres
## 2175 2174000-2175000 0 Mujeres
## 2176 2175000-2176000 0 Mujeres
## 2177 2176000-2177000 0 Mujeres
## 2178 2177000-2178000 0 Mujeres
## 2179 2178000-2179000 0 Mujeres
## 2180 2179000-2180000 0 Mujeres
## 2181 2180000-2181000 0 Mujeres
## 2182 2181000-2182000 0 Mujeres
## 2183 2182000-2183000 0 Mujeres
## 2184 2183000-2184000 0 Mujeres
## 2185 2184000-2185000 0 Mujeres
## 2186 2185000-2186000 0 Mujeres
## 2187 2186000-2187000 0 Mujeres
## 2188 2187000-2188000 0 Mujeres
## 2189 2188000-2189000 0 Mujeres
## 2190 2189000-2190000 0 Mujeres
## 2191 2190000-2191000 0 Mujeres
## 2192 2191000-2192000 0 Mujeres
## 2193 2192000-2193000 0 Mujeres
## 2194 2193000-2194000 0 Mujeres
## 2195 2194000-2195000 0 Mujeres
## 2196 2195000-2196000 0 Mujeres
## 2197 2196000-2197000 0 Mujeres
## 2198 2197000-2198000 0 Mujeres
## 2199 2198000-2199000 0 Mujeres
## 2200 2199000-2200000 0 Mujeres
## 2201 2200000-2201000 0 Mujeres
## 2202 2201000-2202000 0 Mujeres
## 2203 2202000-2203000 0 Mujeres
## 2204 2203000-2204000 0 Mujeres
## 2205 2204000-2205000 0 Mujeres
## 2206 2205000-2206000 0 Mujeres
## 2207 2206000-2207000 0 Mujeres
## 2208 2207000-2208000 0 Mujeres
## 2209 2208000-2209000 0 Mujeres
## 2210 2209000-2210000 0 Mujeres
## 2211 2210000-2211000 0 Mujeres
## 2212 2211000-2212000 0 Mujeres
## 2213 2212000-2213000 0 Mujeres
## 2214 2213000-2214000 0 Mujeres
## 2215 2214000-2215000 0 Mujeres
## 2216 2215000-2216000 0 Mujeres
## 2217 2216000-2217000 0 Mujeres
## 2218 2217000-2218000 0 Mujeres
## 2219 2218000-2219000 0 Mujeres
## 2220 2219000-2220000 0 Mujeres
## 2221 2220000-2221000 0 Mujeres
## 2222 2221000-2222000 0 Mujeres
## 2223 2222000-2223000 0 Mujeres
## 2224 2223000-2224000 0 Mujeres
## 2225 2224000-2225000 0 Mujeres
## 2226 2225000-2226000 0 Mujeres
## 2227 2226000-2227000 0 Mujeres
## 2228 2227000-2228000 0 Mujeres
## 2229 2228000-2229000 0 Mujeres
## 2230 2229000-2230000 0 Mujeres
## 2231 2230000-2231000 0 Mujeres
## 2232 2231000-2232000 0 Mujeres
## 2233 2232000-2233000 0 Mujeres
## 2234 2233000-2234000 0 Mujeres
## 2235 2234000-2235000 0 Mujeres
## 2236 2235000-2236000 0 Mujeres
## 2237 2236000-2237000 0 Mujeres
## 2238 2237000-2238000 0 Mujeres
## 2239 2238000-2239000 0 Mujeres
## 2240 2239000-2240000 0 Mujeres
## 2241 2240000-2241000 0 Mujeres
## 2242 2241000-2242000 0 Mujeres
## 2243 2242000-2243000 0 Mujeres
## 2244 2243000-2244000 0 Mujeres
## 2245 2244000-2245000 0 Mujeres
## 2246 2245000-2246000 0 Mujeres
## 2247 2246000-2247000 0 Mujeres
## 2248 2247000-2248000 0 Mujeres
## 2249 2248000-2249000 0 Mujeres
## 2250 2249000-2250000 0 Mujeres
## 2251 2250000-2251000 0 Mujeres
## 2252 2251000-2252000 0 Mujeres
## 2253 2252000-2253000 0 Mujeres
## 2254 2253000-2254000 0 Mujeres
## 2255 2254000-2255000 0 Mujeres
## 2256 2255000-2256000 0 Mujeres
## 2257 2256000-2257000 0 Mujeres
## 2258 2257000-2258000 0 Mujeres
## 2259 2258000-2259000 0 Mujeres
## 2260 2259000-2260000 0 Mujeres
## 2261 2260000-2261000 0 Mujeres
## 2262 2261000-2262000 0 Mujeres
## 2263 2262000-2263000 0 Mujeres
## 2264 2263000-2264000 0 Mujeres
## 2265 2264000-2265000 0 Mujeres
## 2266 2265000-2266000 0 Mujeres
## 2267 2266000-2267000 0 Mujeres
## 2268 2267000-2268000 0 Mujeres
## 2269 2268000-2269000 0 Mujeres
## 2270 2269000-2270000 0 Mujeres
## 2271 2270000-2271000 0 Mujeres
## 2272 2271000-2272000 0 Mujeres
## 2273 2272000-2273000 0 Mujeres
## 2274 2273000-2274000 0 Mujeres
## 2275 2274000-2275000 0 Mujeres
## 2276 2275000-2276000 0 Mujeres
## 2277 2276000-2277000 0 Mujeres
## 2278 2277000-2278000 0 Mujeres
## 2279 2278000-2279000 0 Mujeres
## 2280 2279000-2280000 0 Mujeres
## 2281 2280000-2281000 0 Mujeres
## 2282 2281000-2282000 0 Mujeres
## 2283 2282000-2283000 0 Mujeres
## 2284 2283000-2284000 0 Mujeres
## 2285 2284000-2285000 0 Mujeres
## 2286 2285000-2286000 0 Mujeres
## 2287 2286000-2287000 0 Mujeres
## 2288 2287000-2288000 0 Mujeres
## 2289 2288000-2289000 0 Mujeres
## 2290 2289000-2290000 0 Mujeres
## 2291 2290000-2291000 0 Mujeres
## 2292 2291000-2292000 0 Mujeres
## 2293 2292000-2293000 0 Mujeres
## 2294 2293000-2294000 0 Mujeres
## 2295 2294000-2295000 0 Mujeres
## 2296 2295000-2296000 0 Mujeres
## 2297 2296000-2297000 0 Mujeres
## 2298 2297000-2298000 0 Mujeres
## 2299 2298000-2299000 0 Mujeres
## 2300 2299000-2300000 0 Mujeres
## 2301 2300000-2301000 0 Mujeres
## 2302 2301000-2302000 0 Mujeres
## 2303 2302000-2303000 0 Mujeres
## 2304 2303000-2304000 0 Mujeres
## 2305 2304000-2305000 0 Mujeres
## 2306 2305000-2306000 0 Mujeres
## 2307 2306000-2307000 0 Mujeres
## 2308 2307000-2308000 0 Mujeres
## 2309 2308000-2309000 0 Mujeres
## 2310 2309000-2310000 0 Mujeres
## 2311 2310000-2311000 0 Mujeres
## 2312 2311000-2312000 0 Mujeres
## 2313 2312000-2313000 0 Mujeres
## 2314 2313000-2314000 0 Mujeres
## 2315 2314000-2315000 0 Mujeres
## 2316 2315000-2316000 0 Mujeres
## 2317 2316000-2317000 0 Mujeres
## 2318 2317000-2318000 0 Mujeres
## 2319 2318000-2319000 0 Mujeres
## 2320 2319000-2320000 0 Mujeres
## 2321 2320000-2321000 0 Mujeres
## 2322 2321000-2322000 0 Mujeres
## 2323 2322000-2323000 0 Mujeres
## 2324 2323000-2324000 0 Mujeres
## 2325 2324000-2325000 0 Mujeres
## 2326 2325000-2326000 0 Mujeres
## 2327 2326000-2327000 0 Mujeres
## 2328 2327000-2328000 0 Mujeres
## 2329 2328000-2329000 0 Mujeres
## 2330 2329000-2330000 0 Mujeres
## 2331 2330000-2331000 0 Mujeres
## 2332 2331000-2332000 0 Mujeres
## 2333 2332000-2333000 0 Mujeres
## 2334 2333000-2334000 0 Mujeres
## 2335 2334000-2335000 0 Mujeres
## 2336 2335000-2336000 0 Mujeres
## 2337 2336000-2337000 0 Mujeres
## 2338 2337000-2338000 0 Mujeres
## 2339 2338000-2339000 0 Mujeres
## 2340 2339000-2340000 0 Mujeres
## 2341 2340000-2341000 0 Mujeres
## 2342 2341000-2342000 0 Mujeres
## 2343 2342000-2343000 0 Mujeres
## 2344 2343000-2344000 0 Mujeres
## 2345 2344000-2345000 0 Mujeres
## 2346 2345000-2346000 0 Mujeres
## 2347 2346000-2347000 0 Mujeres
## 2348 2347000-2348000 0 Mujeres
## 2349 2348000-2349000 0 Mujeres
## 2350 2349000-2350000 0 Mujeres
## 2351 2350000-2351000 0 Mujeres
## 2352 2351000-2352000 0 Mujeres
## 2353 2352000-2353000 0 Mujeres
## 2354 2353000-2354000 0 Mujeres
## 2355 2354000-2355000 0 Mujeres
## 2356 2355000-2356000 0 Mujeres
## 2357 2356000-2357000 0 Mujeres
## 2358 2357000-2358000 0 Mujeres
## 2359 2358000-2359000 0 Mujeres
## 2360 2359000-2360000 0 Mujeres
## 2361 2360000-2361000 0 Mujeres
## 2362 2361000-2362000 0 Mujeres
## 2363 2362000-2363000 0 Mujeres
## 2364 2363000-2364000 0 Mujeres
## 2365 2364000-2365000 0 Mujeres
## 2366 2365000-2366000 0 Mujeres
## 2367 2366000-2367000 0 Mujeres
## 2368 2367000-2368000 0 Mujeres
## 2369 2368000-2369000 0 Mujeres
## 2370 2369000-2370000 0 Mujeres
## 2371 2370000-2371000 0 Mujeres
## 2372 2371000-2372000 0 Mujeres
## 2373 2372000-2373000 0 Mujeres
## 2374 2373000-2374000 0 Mujeres
## 2375 2374000-2375000 0 Mujeres
## 2376 2375000-2376000 0 Mujeres
## 2377 2376000-2377000 0 Mujeres
## 2378 2377000-2378000 0 Mujeres
## 2379 2378000-2379000 0 Mujeres
## 2380 2379000-2380000 0 Mujeres
## 2381 2380000-2381000 0 Mujeres
## 2382 2381000-2382000 0 Mujeres
## 2383 2382000-2383000 0 Mujeres
## 2384 2383000-2384000 0 Mujeres
## 2385 2384000-2385000 0 Mujeres
## 2386 2385000-2386000 0 Mujeres
## 2387 2386000-2387000 0 Mujeres
## 2388 2387000-2388000 0 Mujeres
## 2389 2388000-2389000 0 Mujeres
## 2390 2389000-2390000 0 Mujeres
## 2391 2390000-2391000 0 Mujeres
## 2392 2391000-2392000 0 Mujeres
## 2393 2392000-2393000 0 Mujeres
## 2394 2393000-2394000 0 Mujeres
## 2395 2394000-2395000 0 Mujeres
## 2396 2395000-2396000 0 Mujeres
## 2397 2396000-2397000 0 Mujeres
## 2398 2397000-2398000 0 Mujeres
## 2399 2398000-2399000 0 Mujeres
## 2400 2399000-2400000 0 Mujeres
## 2401 2400000-2401000 0 Mujeres
## 2402 2401000-2402000 0 Mujeres
## 2403 2402000-2403000 0 Mujeres
## 2404 2403000-2404000 0 Mujeres
## 2405 2404000-2405000 0 Mujeres
## 2406 2405000-2406000 0 Mujeres
## 2407 2406000-2407000 0 Mujeres
## 2408 2407000-2408000 0 Mujeres
## 2409 2408000-2409000 0 Mujeres
## 2410 2409000-2410000 0 Mujeres
## 2411 2410000-2411000 0 Mujeres
## 2412 2411000-2412000 0 Mujeres
## 2413 2412000-2413000 0 Mujeres
## 2414 2413000-2414000 0 Mujeres
## 2415 2414000-2415000 0 Mujeres
## 2416 2415000-2416000 0 Mujeres
## 2417 2416000-2417000 0 Mujeres
## 2418 2417000-2418000 0 Mujeres
## 2419 2418000-2419000 0 Mujeres
## 2420 2419000-2420000 0 Mujeres
## 2421 2420000-2421000 0 Mujeres
## 2422 2421000-2422000 0 Mujeres
## 2423 2422000-2423000 0 Mujeres
## 2424 2423000-2424000 0 Mujeres
## 2425 2424000-2425000 0 Mujeres
## 2426 2425000-2426000 0 Mujeres
## 2427 2426000-2427000 0 Mujeres
## 2428 2427000-2428000 0 Mujeres
## 2429 2428000-2429000 0 Mujeres
## 2430 2429000-2430000 0 Mujeres
## 2431 2430000-2431000 0 Mujeres
## 2432 2431000-2432000 0 Mujeres
## 2433 2432000-2433000 0 Mujeres
## 2434 2433000-2434000 0 Mujeres
## 2435 2434000-2435000 0 Mujeres
## 2436 2435000-2436000 0 Mujeres
## 2437 2436000-2437000 0 Mujeres
## 2438 2437000-2438000 0 Mujeres
## 2439 2438000-2439000 0 Mujeres
## 2440 2439000-2440000 0 Mujeres
## 2441 2440000-2441000 0 Mujeres
## 2442 2441000-2442000 0 Mujeres
## 2443 2442000-2443000 0 Mujeres
## 2444 2443000-2444000 0 Mujeres
## 2445 2444000-2445000 0 Mujeres
## 2446 2445000-2446000 0 Mujeres
## 2447 2446000-2447000 0 Mujeres
## 2448 2447000-2448000 0 Mujeres
## 2449 2448000-2449000 0 Mujeres
## 2450 2449000-2450000 0 Mujeres
## 2451 2450000-2451000 0 Mujeres
## 2452 2451000-2452000 0 Mujeres
## 2453 2452000-2453000 0 Mujeres
## 2454 2453000-2454000 0 Mujeres
## 2455 2454000-2455000 0 Mujeres
## 2456 2455000-2456000 0 Mujeres
## 2457 2456000-2457000 0 Mujeres
## 2458 2457000-2458000 0 Mujeres
## 2459 2458000-2459000 0 Mujeres
## 2460 2459000-2460000 0 Mujeres
## 2461 2460000-2461000 0 Mujeres
## 2462 2461000-2462000 0 Mujeres
## 2463 2462000-2463000 0 Mujeres
## 2464 2463000-2464000 0 Mujeres
## 2465 2464000-2465000 0 Mujeres
## 2466 2465000-2466000 0 Mujeres
## 2467 2466000-2467000 0 Mujeres
## 2468 2467000-2468000 0 Mujeres
## 2469 2468000-2469000 0 Mujeres
## 2470 2469000-2470000 0 Mujeres
## 2471 2470000-2471000 0 Mujeres
## 2472 2471000-2472000 0 Mujeres
## 2473 2472000-2473000 0 Mujeres
## 2474 2473000-2474000 0 Mujeres
## 2475 2474000-2475000 0 Mujeres
## 2476 2475000-2476000 0 Mujeres
## 2477 2476000-2477000 0 Mujeres
## 2478 2477000-2478000 0 Mujeres
## 2479 2478000-2479000 0 Mujeres
## 2480 2479000-2480000 0 Mujeres
## 2481 2480000-2481000 0 Mujeres
## 2482 2481000-2482000 0 Mujeres
## 2483 2482000-2483000 0 Mujeres
## 2484 2483000-2484000 0 Mujeres
## 2485 2484000-2485000 0 Mujeres
## 2486 2485000-2486000 0 Mujeres
## 2487 2486000-2487000 0 Mujeres
## 2488 2487000-2488000 0 Mujeres
## 2489 2488000-2489000 0 Mujeres
## 2490 2489000-2490000 0 Mujeres
## 2491 2490000-2491000 0 Mujeres
## 2492 2491000-2492000 0 Mujeres
## 2493 2492000-2493000 0 Mujeres
## 2494 2493000-2494000 0 Mujeres
## 2495 2494000-2495000 0 Mujeres
## 2496 2495000-2496000 0 Mujeres
## 2497 2496000-2497000 0 Mujeres
## 2498 2497000-2498000 0 Mujeres
## 2499 2498000-2499000 0 Mujeres
## 2500 2499000-2500000 0 Mujeres
## 2501 2500000-2501000 0 Mujeres
## 2502 2501000-2502000 0 Mujeres
## 2503 2502000-2503000 0 Mujeres
## 2504 2503000-2504000 0 Mujeres
## 2505 2504000-2505000 0 Mujeres
## 2506 2505000-2506000 0 Mujeres
## 2507 2506000-2507000 0 Mujeres
## 2508 2507000-2508000 0 Mujeres
## 2509 2508000-2509000 0 Mujeres
## 2510 2509000-2510000 0 Mujeres
## 2511 2510000-2511000 0 Mujeres
## 2512 2511000-2512000 0 Mujeres
## 2513 2512000-2513000 0 Mujeres
## 2514 2513000-2514000 0 Mujeres
## 2515 2514000-2515000 0 Mujeres
## 2516 2515000-2516000 0 Mujeres
## 2517 2516000-2517000 0 Mujeres
## 2518 2517000-2518000 0 Mujeres
## 2519 2518000-2519000 0 Mujeres
## 2520 2519000-2520000 0 Mujeres
## 2521 2520000-2521000 0 Mujeres
## 2522 2521000-2522000 0 Mujeres
## 2523 2522000-2523000 0 Mujeres
## 2524 2523000-2524000 0 Mujeres
## 2525 2524000-2525000 0 Mujeres
## 2526 2525000-2526000 0 Mujeres
## 2527 2526000-2527000 0 Mujeres
## 2528 2527000-2528000 0 Mujeres
## 2529 2528000-2529000 0 Mujeres
## 2530 2529000-2530000 0 Mujeres
## 2531 2530000-2531000 0 Mujeres
## 2532 2531000-2532000 0 Mujeres
## 2533 2532000-2533000 0 Mujeres
## 2534 2533000-2534000 0 Mujeres
## 2535 2534000-2535000 0 Mujeres
## 2536 2535000-2536000 0 Mujeres
## 2537 2536000-2537000 0 Mujeres
## 2538 2537000-2538000 0 Mujeres
## 2539 2538000-2539000 0 Mujeres
## 2540 2539000-2540000 0 Mujeres
## 2541 2540000-2541000 0 Mujeres
## 2542 2541000-2542000 0 Mujeres
## 2543 2542000-2543000 0 Mujeres
## 2544 2543000-2544000 0 Mujeres
## 2545 2544000-2545000 0 Mujeres
## 2546 2545000-2546000 0 Mujeres
## 2547 2546000-2547000 0 Mujeres
## 2548 2547000-2548000 0 Mujeres
## 2549 2548000-2549000 0 Mujeres
## 2550 2549000-2550000 0 Mujeres
## 2551 2550000-2551000 0 Mujeres
## 2552 2551000-2552000 0 Mujeres
## 2553 2552000-2553000 0 Mujeres
## 2554 2553000-2554000 0 Mujeres
## 2555 2554000-2555000 0 Mujeres
## 2556 2555000-2556000 0 Mujeres
## 2557 2556000-2557000 0 Mujeres
## 2558 2557000-2558000 0 Mujeres
## 2559 2558000-2559000 0 Mujeres
## 2560 2559000-2560000 0 Mujeres
## 2561 2560000-2561000 0 Mujeres
## 2562 2561000-2562000 0 Mujeres
## 2563 2562000-2563000 0 Mujeres
## 2564 2563000-2564000 0 Mujeres
## 2565 2564000-2565000 0 Mujeres
## 2566 2565000-2566000 0 Mujeres
## 2567 2566000-2567000 0 Mujeres
## 2568 2567000-2568000 0 Mujeres
## 2569 2568000-2569000 0 Mujeres
## 2570 2569000-2570000 0 Mujeres
## 2571 2570000-2571000 0 Mujeres
## 2572 2571000-2572000 0 Mujeres
## 2573 2572000-2573000 0 Mujeres
## 2574 2573000-2574000 0 Mujeres
## 2575 2574000-2575000 0 Mujeres
## 2576 2575000-2576000 0 Mujeres
## 2577 2576000-2577000 0 Mujeres
## 2578 2577000-2578000 0 Mujeres
## 2579 2578000-2579000 0 Mujeres
## 2580 2579000-2580000 0 Mujeres
## 2581 2580000-2581000 0 Mujeres
## 2582 2581000-2582000 0 Mujeres
## 2583 2582000-2583000 0 Mujeres
## 2584 2583000-2584000 0 Mujeres
## 2585 2584000-2585000 0 Mujeres
## 2586 2585000-2586000 0 Mujeres
## 2587 2586000-2587000 0 Mujeres
## 2588 2587000-2588000 0 Mujeres
## 2589 2588000-2589000 0 Mujeres
## 2590 2589000-2590000 0 Mujeres
## 2591 2590000-2591000 0 Mujeres
## 2592 2591000-2592000 0 Mujeres
## 2593 2592000-2593000 0 Mujeres
## 2594 2593000-2594000 0 Mujeres
## 2595 2594000-2595000 0 Mujeres
## 2596 2595000-2596000 0 Mujeres
## 2597 2596000-2597000 0 Mujeres
## 2598 2597000-2598000 0 Mujeres
## 2599 2598000-2599000 0 Mujeres
## 2600 2599000-2600000 0 Mujeres
## 2601 2600000-2601000 0 Mujeres
## 2602 2601000-2602000 0 Mujeres
## 2603 2602000-2603000 0 Mujeres
## 2604 2603000-2604000 0 Mujeres
## 2605 2604000-2605000 0 Mujeres
## 2606 2605000-2606000 0 Mujeres
## 2607 2606000-2607000 0 Mujeres
## 2608 2607000-2608000 0 Mujeres
## 2609 2608000-2609000 0 Mujeres
## 2610 2609000-2610000 0 Mujeres
## 2611 2610000-2611000 0 Mujeres
## 2612 2611000-2612000 0 Mujeres
## 2613 2612000-2613000 0 Mujeres
## 2614 2613000-2614000 0 Mujeres
## 2615 2614000-2615000 0 Mujeres
## 2616 2615000-2616000 0 Mujeres
## 2617 2616000-2617000 0 Mujeres
## 2618 2617000-2618000 0 Mujeres
## 2619 2618000-2619000 0 Mujeres
## 2620 2619000-2620000 0 Mujeres
## 2621 2620000-2621000 0 Mujeres
## 2622 2621000-2622000 0 Mujeres
## 2623 2622000-2623000 0 Mujeres
## 2624 2623000-2624000 0 Mujeres
## 2625 2624000-2625000 0 Mujeres
## 2626 2625000-2626000 0 Mujeres
## 2627 2626000-2627000 0 Mujeres
## 2628 2627000-2628000 0 Mujeres
## 2629 2628000-2629000 0 Mujeres
## 2630 2629000-2630000 0 Mujeres
## 2631 2630000-2631000 0 Mujeres
## 2632 2631000-2632000 0 Mujeres
## 2633 2632000-2633000 0 Mujeres
## 2634 2633000-2634000 0 Mujeres
## 2635 2634000-2635000 0 Mujeres
## 2636 2635000-2636000 0 Mujeres
## 2637 2636000-2637000 0 Mujeres
## 2638 2637000-2638000 0 Mujeres
## 2639 2638000-2639000 0 Mujeres
## 2640 2639000-2640000 0 Mujeres
## 2641 2640000-2641000 0 Mujeres
## 2642 2641000-2642000 0 Mujeres
## 2643 2642000-2643000 0 Mujeres
## 2644 2643000-2644000 0 Mujeres
## 2645 2644000-2645000 0 Mujeres
## 2646 2645000-2646000 0 Mujeres
## 2647 2646000-2647000 0 Mujeres
## 2648 2647000-2648000 0 Mujeres
## 2649 2648000-2649000 0 Mujeres
## 2650 2649000-2650000 0 Mujeres
## 2651 2650000-2651000 0 Mujeres
## 2652 2651000-2652000 0 Mujeres
## 2653 2652000-2653000 0 Mujeres
## 2654 2653000-2654000 0 Mujeres
## 2655 2654000-2655000 0 Mujeres
## 2656 2655000-2656000 0 Mujeres
## 2657 2656000-2657000 0 Mujeres
## 2658 2657000-2658000 0 Mujeres
## 2659 2658000-2659000 0 Mujeres
## 2660 2659000-2660000 0 Mujeres
## 2661 2660000-2661000 0 Mujeres
## 2662 2661000-2662000 0 Mujeres
## 2663 2662000-2663000 0 Mujeres
## 2664 2663000-2664000 0 Mujeres
## 2665 2664000-2665000 0 Mujeres
## 2666 2665000-2666000 0 Mujeres
## 2667 2666000-2667000 0 Mujeres
## 2668 2667000-2668000 0 Mujeres
## 2669 2668000-2669000 0 Mujeres
## 2670 2669000-2670000 0 Mujeres
## 2671 2670000-2671000 0 Mujeres
## 2672 2671000-2672000 0 Mujeres
## 2673 2672000-2673000 0 Mujeres
## 2674 2673000-2674000 0 Mujeres
## 2675 2674000-2675000 0 Mujeres
## 2676 2675000-2676000 0 Mujeres
## 2677 2676000-2677000 0 Mujeres
## 2678 2677000-2678000 0 Mujeres
## 2679 2678000-2679000 0 Mujeres
## 2680 2679000-2680000 0 Mujeres
## 2681 2680000-2681000 0 Mujeres
## 2682 2681000-2682000 0 Mujeres
## 2683 2682000-2683000 0 Mujeres
## 2684 2683000-2684000 0 Mujeres
## 2685 2684000-2685000 0 Mujeres
## 2686 2685000-2686000 0 Mujeres
## 2687 2686000-2687000 0 Mujeres
## 2688 2687000-2688000 0 Mujeres
## 2689 2688000-2689000 0 Mujeres
## 2690 2689000-2690000 0 Mujeres
## 2691 2690000-2691000 0 Mujeres
## 2692 2691000-2692000 0 Mujeres
## 2693 2692000-2693000 0 Mujeres
## 2694 2693000-2694000 0 Mujeres
## 2695 2694000-2695000 0 Mujeres
## 2696 2695000-2696000 0 Mujeres
## 2697 2696000-2697000 0 Mujeres
## 2698 2697000-2698000 0 Mujeres
## 2699 2698000-2699000 0 Mujeres
## 2700 2699000-2700000 0 Mujeres
## 2701 2700000-2701000 0 Mujeres
## 2702 2701000-2702000 0 Mujeres
## 2703 2702000-2703000 0 Mujeres
## 2704 2703000-2704000 0 Mujeres
## 2705 2704000-2705000 0 Mujeres
## 2706 2705000-2706000 0 Mujeres
## 2707 2706000-2707000 0 Mujeres
## 2708 2707000-2708000 0 Mujeres
## 2709 2708000-2709000 0 Mujeres
## 2710 2709000-2710000 0 Mujeres
## 2711 2710000-2711000 0 Mujeres
## 2712 2711000-2712000 0 Mujeres
## 2713 2712000-2713000 0 Mujeres
## 2714 2713000-2714000 0 Mujeres
## 2715 2714000-2715000 0 Mujeres
## 2716 2715000-2716000 0 Mujeres
## 2717 2716000-2717000 0 Mujeres
## 2718 2717000-2718000 0 Mujeres
## 2719 2718000-2719000 0 Mujeres
## 2720 2719000-2720000 0 Mujeres
## 2721 2720000-2721000 0 Mujeres
## 2722 2721000-2722000 0 Mujeres
## 2723 2722000-2723000 0 Mujeres
## 2724 2723000-2724000 0 Mujeres
## 2725 2724000-2725000 0 Mujeres
## 2726 2725000-2726000 0 Mujeres
## 2727 2726000-2727000 0 Mujeres
## 2728 2727000-2728000 0 Mujeres
## 2729 2728000-2729000 0 Mujeres
## 2730 2729000-2730000 0 Mujeres
## 2731 2730000-2731000 0 Mujeres
## 2732 2731000-2732000 0 Mujeres
## 2733 2732000-2733000 0 Mujeres
## 2734 2733000-2734000 0 Mujeres
## 2735 2734000-2735000 0 Mujeres
## 2736 2735000-2736000 0 Mujeres
## 2737 2736000-2737000 0 Mujeres
## 2738 2737000-2738000 0 Mujeres
## 2739 2738000-2739000 0 Mujeres
## 2740 2739000-2740000 0 Mujeres
## 2741 2740000-2741000 0 Mujeres
## 2742 2741000-2742000 0 Mujeres
## 2743 2742000-2743000 0 Mujeres
## 2744 2743000-2744000 0 Mujeres
## 2745 2744000-2745000 0 Mujeres
## 2746 2745000-2746000 0 Mujeres
## 2747 2746000-2747000 0 Mujeres
## 2748 2747000-2748000 0 Mujeres
## 2749 2748000-2749000 0 Mujeres
## 2750 2749000-2750000 0 Mujeres
## 2751 2750000-2751000 0 Mujeres
## 2752 2751000-2752000 0 Mujeres
## 2753 2752000-2753000 0 Mujeres
## 2754 2753000-2754000 0 Mujeres
## 2755 2754000-2755000 0 Mujeres
## 2756 2755000-2756000 0 Mujeres
## 2757 2756000-2757000 0 Mujeres
## 2758 2757000-2758000 0 Mujeres
## 2759 2758000-2759000 0 Mujeres
## 2760 2759000-2760000 0 Mujeres
## 2761 2760000-2761000 0 Mujeres
## 2762 2761000-2762000 0 Mujeres
## 2763 2762000-2763000 0 Mujeres
## 2764 2763000-2764000 0 Mujeres
## 2765 2764000-2765000 0 Mujeres
## 2766 2765000-2766000 0 Mujeres
## 2767 2766000-2767000 0 Mujeres
## 2768 2767000-2768000 0 Mujeres
## 2769 2768000-2769000 0 Mujeres
## 2770 2769000-2770000 0 Mujeres
## 2771 2770000-2771000 0 Mujeres
## 2772 2771000-2772000 0 Mujeres
## 2773 2772000-2773000 0 Mujeres
## 2774 2773000-2774000 0 Mujeres
## 2775 2774000-2775000 0 Mujeres
## 2776 2775000-2776000 0 Mujeres
## 2777 2776000-2777000 0 Mujeres
## 2778 2777000-2778000 0 Mujeres
## 2779 2778000-2779000 0 Mujeres
## 2780 2779000-2780000 0 Mujeres
## 2781 2780000-2781000 0 Mujeres
## 2782 2781000-2782000 0 Mujeres
## 2783 2782000-2783000 0 Mujeres
## 2784 2783000-2784000 0 Mujeres
## 2785 2784000-2785000 0 Mujeres
## 2786 2785000-2786000 0 Mujeres
## 2787 2786000-2787000 0 Mujeres
## 2788 2787000-2788000 0 Mujeres
## 2789 2788000-2789000 0 Mujeres
## 2790 2789000-2790000 0 Mujeres
## 2791 2790000-2791000 0 Mujeres
## 2792 2791000-2792000 0 Mujeres
## 2793 2792000-2793000 0 Mujeres
## 2794 2793000-2794000 0 Mujeres
## 2795 2794000-2795000 0 Mujeres
## 2796 2795000-2796000 0 Mujeres
## 2797 2796000-2797000 0 Mujeres
## 2798 2797000-2798000 0 Mujeres
## 2799 2798000-2799000 0 Mujeres
## 2800 2799000-2800000 0 Mujeres
## 2801 2800000-2801000 0 Mujeres
## 2802 2801000-2802000 0 Mujeres
## 2803 2802000-2803000 0 Mujeres
## 2804 2803000-2804000 0 Mujeres
## 2805 2804000-2805000 0 Mujeres
## 2806 2805000-2806000 0 Mujeres
## 2807 2806000-2807000 0 Mujeres
## 2808 2807000-2808000 0 Mujeres
## 2809 2808000-2809000 0 Mujeres
## 2810 2809000-2810000 0 Mujeres
## 2811 2810000-2811000 0 Mujeres
## 2812 2811000-2812000 0 Mujeres
## 2813 2812000-2813000 0 Mujeres
## 2814 2813000-2814000 0 Mujeres
## 2815 2814000-2815000 0 Mujeres
## 2816 2815000-2816000 0 Mujeres
## 2817 2816000-2817000 0 Mujeres
## 2818 2817000-2818000 0 Mujeres
## 2819 2818000-2819000 0 Mujeres
## 2820 2819000-2820000 0 Mujeres
## 2821 2820000-2821000 0 Mujeres
## 2822 2821000-2822000 0 Mujeres
## 2823 2822000-2823000 0 Mujeres
## 2824 2823000-2824000 0 Mujeres
## 2825 2824000-2825000 0 Mujeres
## 2826 2825000-2826000 0 Mujeres
## 2827 2826000-2827000 0 Mujeres
## 2828 2827000-2828000 0 Mujeres
## 2829 2828000-2829000 0 Mujeres
## 2830 2829000-2830000 0 Mujeres
## 2831 2830000-2831000 0 Mujeres
## 2832 2831000-2832000 0 Mujeres
## 2833 2832000-2833000 0 Mujeres
## 2834 2833000-2834000 0 Mujeres
## 2835 2834000-2835000 0 Mujeres
## 2836 2835000-2836000 0 Mujeres
## 2837 2836000-2837000 0 Mujeres
## 2838 2837000-2838000 0 Mujeres
## 2839 2838000-2839000 0 Mujeres
## 2840 2839000-2840000 0 Mujeres
## 2841 2840000-2841000 0 Mujeres
## 2842 2841000-2842000 0 Mujeres
## 2843 2842000-2843000 0 Mujeres
## 2844 2843000-2844000 0 Mujeres
## 2845 2844000-2845000 0 Mujeres
## 2846 2845000-2846000 0 Mujeres
## 2847 2846000-2847000 0 Mujeres
## 2848 2847000-2848000 0 Mujeres
## 2849 2848000-2849000 0 Mujeres
## 2850 2849000-2850000 0 Mujeres
## 2851 2850000-2851000 0 Mujeres
## 2852 2851000-2852000 0 Mujeres
## 2853 2852000-2853000 0 Mujeres
## 2854 2853000-2854000 0 Mujeres
## 2855 2854000-2855000 0 Mujeres
## 2856 2855000-2856000 0 Mujeres
## 2857 2856000-2857000 0 Mujeres
## 2858 2857000-2858000 0 Mujeres
## 2859 2858000-2859000 0 Mujeres
## 2860 2859000-2860000 0 Mujeres
## 2861 2860000-2861000 0 Mujeres
## 2862 2861000-2862000 0 Mujeres
## 2863 2862000-2863000 0 Mujeres
## 2864 2863000-2864000 0 Mujeres
## 2865 2864000-2865000 0 Mujeres
## 2866 2865000-2866000 0 Mujeres
## 2867 2866000-2867000 0 Mujeres
## 2868 2867000-2868000 0 Mujeres
## 2869 2868000-2869000 0 Mujeres
## 2870 2869000-2870000 0 Mujeres
## 2871 2870000-2871000 0 Mujeres
## 2872 2871000-2872000 0 Mujeres
## 2873 2872000-2873000 0 Mujeres
## 2874 2873000-2874000 0 Mujeres
## 2875 2874000-2875000 0 Mujeres
## 2876 2875000-2876000 0 Mujeres
## 2877 2876000-2877000 0 Mujeres
## 2878 2877000-2878000 0 Mujeres
## 2879 2878000-2879000 0 Mujeres
## 2880 2879000-2880000 0 Mujeres
## 2881 2880000-2881000 0 Mujeres
## 2882 2881000-2882000 0 Mujeres
## 2883 2882000-2883000 0 Mujeres
## 2884 2883000-2884000 0 Mujeres
## 2885 2884000-2885000 0 Mujeres
## 2886 2885000-2886000 0 Mujeres
## 2887 2886000-2887000 0 Mujeres
## 2888 2887000-2888000 0 Mujeres
## 2889 2888000-2889000 0 Mujeres
## 2890 2889000-2890000 0 Mujeres
## 2891 2890000-2891000 0 Mujeres
## 2892 2891000-2892000 0 Mujeres
## 2893 2892000-2893000 0 Mujeres
## 2894 2893000-2894000 0 Mujeres
## 2895 2894000-2895000 0 Mujeres
## 2896 2895000-2896000 0 Mujeres
## 2897 2896000-2897000 0 Mujeres
## 2898 2897000-2898000 0 Mujeres
## 2899 2898000-2899000 0 Mujeres
## 2900 2899000-2900000 0 Mujeres
## 2901 2900000-2901000 0 Mujeres
## 2902 2901000-2902000 0 Mujeres
## 2903 2902000-2903000 0 Mujeres
## 2904 2903000-2904000 0 Mujeres
## 2905 2904000-2905000 0 Mujeres
## 2906 2905000-2906000 0 Mujeres
## 2907 2906000-2907000 0 Mujeres
## 2908 2907000-2908000 0 Mujeres
## 2909 2908000-2909000 0 Mujeres
## 2910 2909000-2910000 0 Mujeres
## 2911 2910000-2911000 0 Mujeres
## 2912 2911000-2912000 0 Mujeres
## 2913 2912000-2913000 0 Mujeres
## 2914 2913000-2914000 0 Mujeres
## 2915 2914000-2915000 0 Mujeres
## 2916 2915000-2916000 0 Mujeres
## 2917 2916000-2917000 0 Mujeres
## 2918 2917000-2918000 0 Mujeres
## 2919 2918000-2919000 0 Mujeres
## 2920 2919000-2920000 0 Mujeres
## 2921 2920000-2921000 0 Mujeres
## 2922 2921000-2922000 0 Mujeres
## 2923 2922000-2923000 0 Mujeres
## 2924 2923000-2924000 0 Mujeres
## 2925 2924000-2925000 0 Mujeres
## 2926 2925000-2926000 0 Mujeres
## 2927 2926000-2927000 0 Mujeres
## 2928 2927000-2928000 0 Mujeres
## 2929 2928000-2929000 0 Mujeres
## 2930 2929000-2930000 0 Mujeres
## 2931 2930000-2931000 0 Mujeres
## 2932 2931000-2932000 0 Mujeres
## 2933 2932000-2933000 0 Mujeres
## 2934 2933000-2934000 0 Mujeres
## 2935 2934000-2935000 0 Mujeres
## 2936 2935000-2936000 0 Mujeres
## 2937 2936000-2937000 0 Mujeres
## 2938 2937000-2938000 0 Mujeres
## 2939 2938000-2939000 0 Mujeres
## 2940 2939000-2940000 0 Mujeres
## 2941 2940000-2941000 0 Mujeres
## 2942 2941000-2942000 0 Mujeres
## 2943 2942000-2943000 0 Mujeres
## 2944 2943000-2944000 0 Mujeres
## 2945 2944000-2945000 0 Mujeres
## 2946 2945000-2946000 0 Mujeres
## 2947 2946000-2947000 0 Mujeres
## 2948 2947000-2948000 0 Mujeres
## 2949 2948000-2949000 0 Mujeres
## 2950 2949000-2950000 0 Mujeres
## 2951 2950000-2951000 0 Mujeres
## 2952 2951000-2952000 0 Mujeres
## 2953 2952000-2953000 0 Mujeres
## 2954 2953000-2954000 0 Mujeres
## 2955 2954000-2955000 0 Mujeres
## 2956 2955000-2956000 0 Mujeres
## 2957 2956000-2957000 0 Mujeres
## 2958 2957000-2958000 0 Mujeres
## 2959 2958000-2959000 0 Mujeres
## 2960 2959000-2960000 0 Mujeres
## 2961 2960000-2961000 0 Mujeres
## 2962 2961000-2962000 0 Mujeres
## 2963 2962000-2963000 0 Mujeres
## 2964 2963000-2964000 0 Mujeres
## 2965 2964000-2965000 0 Mujeres
## 2966 2965000-2966000 0 Mujeres
## 2967 2966000-2967000 0 Mujeres
## 2968 2967000-2968000 0 Mujeres
## 2969 2968000-2969000 0 Mujeres
## 2970 2969000-2970000 0 Mujeres
## 2971 2970000-2971000 0 Mujeres
## 2972 2971000-2972000 0 Mujeres
## 2973 2972000-2973000 0 Mujeres
## 2974 2973000-2974000 0 Mujeres
## 2975 2974000-2975000 0 Mujeres
## 2976 2975000-2976000 0 Mujeres
## 2977 2976000-2977000 0 Mujeres
## 2978 2977000-2978000 0 Mujeres
## 2979 2978000-2979000 0 Mujeres
## 2980 2979000-2980000 0 Mujeres
## 2981 2980000-2981000 0 Mujeres
## 2982 2981000-2982000 0 Mujeres
## 2983 2982000-2983000 0 Mujeres
## 2984 2983000-2984000 0 Mujeres
## 2985 2984000-2985000 0 Mujeres
## 2986 2985000-2986000 0 Mujeres
## 2987 2986000-2987000 0 Mujeres
## 2988 2987000-2988000 0 Mujeres
## 2989 2988000-2989000 0 Mujeres
## 2990 2989000-2990000 0 Mujeres
## 2991 2990000-2991000 0 Mujeres
## 2992 2991000-2992000 0 Mujeres
## 2993 2992000-2993000 0 Mujeres
## 2994 2993000-2994000 0 Mujeres
## 2995 2994000-2995000 0 Mujeres
## 2996 2995000-2996000 0 Mujeres
## 2997 2996000-2997000 0 Mujeres
## 2998 2997000-2998000 0 Mujeres
## 2999 2998000-2999000 0 Mujeres
## 3000 2999000-3e+06 0 Mujeres
## 3001 3e+06-3001000 0 Mujeres
## 3002 3001000-3002000 0 Mujeres
## 3003 3002000-3003000 0 Mujeres
## 3004 3003000-3004000 0 Mujeres
## 3005 3004000-3005000 0 Mujeres
## 3006 3005000-3006000 0 Mujeres
## 3007 3006000-3007000 0 Mujeres
## 3008 3007000-3008000 0 Mujeres
## 3009 3008000-3009000 0 Mujeres
## 3010 3009000-3010000 0 Mujeres
## 3011 3010000-3011000 0 Mujeres
## 3012 3011000-3012000 0 Mujeres
## 3013 3012000-3013000 0 Mujeres
## 3014 3013000-3014000 0 Mujeres
## 3015 3014000-3015000 0 Mujeres
## 3016 3015000-3016000 0 Mujeres
## 3017 3016000-3017000 0 Mujeres
## 3018 3017000-3018000 0 Mujeres
## 3019 3018000-3019000 0 Mujeres
## 3020 3019000-3020000 0 Mujeres
## 3021 3020000-3021000 0 Mujeres
## 3022 3021000-3022000 0 Mujeres
## 3023 3022000-3023000 0 Mujeres
## 3024 3023000-3024000 0 Mujeres
## 3025 3024000-3025000 0 Mujeres
## 3026 3025000-3026000 0 Mujeres
## 3027 3026000-3027000 0 Mujeres
## 3028 3027000-3028000 0 Mujeres
## 3029 3028000-3029000 0 Mujeres
## 3030 3029000-3030000 0 Mujeres
## 3031 3030000-3031000 0 Mujeres
## 3032 3031000-3032000 0 Mujeres
## 3033 3032000-3033000 0 Mujeres
## 3034 3033000-3034000 0 Mujeres
## 3035 3034000-3035000 0 Mujeres
## 3036 3035000-3036000 0 Mujeres
## 3037 3036000-3037000 0 Mujeres
## 3038 3037000-3038000 0 Mujeres
## 3039 3038000-3039000 0 Mujeres
## 3040 3039000-3040000 0 Mujeres
## 3041 3040000-3041000 0 Mujeres
## 3042 3041000-3042000 0 Mujeres
## 3043 3042000-3043000 0 Mujeres
## 3044 3043000-3044000 0 Mujeres
## 3045 3044000-3045000 0 Mujeres
## 3046 3045000-3046000 0 Mujeres
## 3047 3046000-3047000 0 Mujeres
## 3048 3047000-3048000 0 Mujeres
## 3049 3048000-3049000 0 Mujeres
## 3050 3049000-3050000 0 Mujeres
## 3051 3050000-3051000 0 Mujeres
## 3052 3051000-3052000 0 Mujeres
## 3053 3052000-3053000 0 Mujeres
## 3054 3053000-3054000 0 Mujeres
## 3055 3054000-3055000 0 Mujeres
## 3056 3055000-3056000 0 Mujeres
## 3057 3056000-3057000 0 Mujeres
## 3058 3057000-3058000 0 Mujeres
## 3059 3058000-3059000 0 Mujeres
## 3060 3059000-3060000 0 Mujeres
## 3061 3060000-3061000 0 Mujeres
## 3062 3061000-3062000 0 Mujeres
## 3063 3062000-3063000 0 Mujeres
## 3064 3063000-3064000 0 Mujeres
## 3065 3064000-3065000 0 Mujeres
## 3066 3065000-3066000 0 Mujeres
## 3067 3066000-3067000 0 Mujeres
## 3068 3067000-3068000 0 Mujeres
## 3069 3068000-3069000 0 Mujeres
## 3070 3069000-3070000 0 Mujeres
## 3071 3070000-3071000 0 Mujeres
## 3072 3071000-3072000 0 Mujeres
## 3073 3072000-3073000 0 Mujeres
## 3074 3073000-3074000 0 Mujeres
## 3075 3074000-3075000 0 Mujeres
## 3076 3075000-3076000 0 Mujeres
## 3077 3076000-3077000 0 Mujeres
## 3078 3077000-3078000 0 Mujeres
## 3079 3078000-3079000 0 Mujeres
## 3080 3079000-3080000 0 Mujeres
## 3081 3080000-3081000 0 Mujeres
## 3082 3081000-3082000 0 Mujeres
## 3083 3082000-3083000 0 Mujeres
## 3084 3083000-3084000 0 Mujeres
## 3085 3084000-3085000 0 Mujeres
## 3086 3085000-3086000 0 Mujeres
## 3087 3086000-3087000 0 Mujeres
## 3088 3087000-3088000 0 Mujeres
## 3089 3088000-3089000 0 Mujeres
## 3090 3089000-3090000 0 Mujeres
## 3091 3090000-3091000 0 Mujeres
## 3092 3091000-3092000 0 Mujeres
## 3093 3092000-3093000 0 Mujeres
## 3094 3093000-3094000 0 Mujeres
## 3095 3094000-3095000 0 Mujeres
## 3096 3095000-3096000 0 Mujeres
## 3097 3096000-3097000 0 Mujeres
## 3098 3097000-3098000 0 Mujeres
## 3099 3098000-3099000 0 Mujeres
## 3100 3099000-3100000 0 Mujeres
## 3101 3100000-3101000 0 Mujeres
## 3102 3101000-3102000 0 Mujeres
## 3103 3102000-3103000 0 Mujeres
## 3104 3103000-3104000 0 Mujeres
## 3105 3104000-3105000 0 Mujeres
## 3106 3105000-3106000 0 Mujeres
## 3107 3106000-3107000 0 Mujeres
## 3108 3107000-3108000 0 Mujeres
## 3109 3108000-3109000 0 Mujeres
## 3110 3109000-3110000 0 Mujeres
## 3111 3110000-3111000 0 Mujeres
## 3112 3111000-3112000 0 Mujeres
## 3113 3112000-3113000 0 Mujeres
## 3114 3113000-3114000 0 Mujeres
## 3115 3114000-3115000 0 Mujeres
## 3116 3115000-3116000 0 Mujeres
## 3117 3116000-3117000 0 Mujeres
## 3118 3117000-3118000 0 Mujeres
## 3119 3118000-3119000 0 Mujeres
## 3120 3119000-3120000 0 Mujeres
## 3121 3120000-3121000 0 Mujeres
## 3122 3121000-3122000 0 Mujeres
## 3123 3122000-3123000 0 Mujeres
## 3124 3123000-3124000 0 Mujeres
## 3125 3124000-3125000 0 Mujeres
## 3126 3125000-3126000 0 Mujeres
## 3127 3126000-3127000 0 Mujeres
## 3128 3127000-3128000 0 Mujeres
## 3129 3128000-3129000 0 Mujeres
## 3130 3129000-3130000 0 Mujeres
## 3131 3130000-3131000 0 Mujeres
## 3132 3131000-3132000 0 Mujeres
## 3133 3132000-3133000 0 Mujeres
## 3134 3133000-3134000 0 Mujeres
## 3135 3134000-3135000 0 Mujeres
## 3136 3135000-3136000 0 Mujeres
## 3137 3136000-3137000 0 Mujeres
## 3138 3137000-3138000 0 Mujeres
## 3139 3138000-3139000 0 Mujeres
## 3140 3139000-3140000 0 Mujeres
## 3141 3140000-3141000 0 Mujeres
## 3142 3141000-3142000 0 Mujeres
## 3143 3142000-3143000 0 Mujeres
## 3144 3143000-3144000 0 Mujeres
## 3145 3144000-3145000 0 Mujeres
## 3146 3145000-3146000 0 Mujeres
## 3147 3146000-3147000 0 Mujeres
## 3148 3147000-3148000 0 Mujeres
## 3149 3148000-3149000 0 Mujeres
## 3150 3149000-3150000 0 Mujeres
## 3151 3150000-3151000 0 Mujeres
## 3152 3151000-3152000 0 Mujeres
## 3153 3152000-3153000 0 Mujeres
## 3154 3153000-3154000 0 Mujeres
## 3155 3154000-3155000 0 Mujeres
## 3156 3155000-3156000 0 Mujeres
## 3157 3156000-3157000 0 Mujeres
## 3158 3157000-3158000 0 Mujeres
## 3159 3158000-3159000 0 Mujeres
## 3160 3159000-3160000 0 Mujeres
## 3161 3160000-3161000 0 Mujeres
## 3162 3161000-3162000 0 Mujeres
## 3163 3162000-3163000 0 Mujeres
## 3164 3163000-3164000 0 Mujeres
## 3165 3164000-3165000 0 Mujeres
## 3166 3165000-3166000 0 Mujeres
## 3167 3166000-3167000 0 Mujeres
## 3168 3167000-3168000 0 Mujeres
## 3169 3168000-3169000 0 Mujeres
## 3170 3169000-3170000 0 Mujeres
## 3171 3170000-3171000 0 Mujeres
## 3172 3171000-3172000 0 Mujeres
## 3173 3172000-3173000 0 Mujeres
## 3174 3173000-3174000 0 Mujeres
## 3175 3174000-3175000 0 Mujeres
## 3176 3175000-3176000 0 Mujeres
## 3177 3176000-3177000 0 Mujeres
## 3178 3177000-3178000 0 Mujeres
## 3179 3178000-3179000 0 Mujeres
## 3180 3179000-3180000 0 Mujeres
## 3181 3180000-3181000 0 Mujeres
## 3182 3181000-3182000 0 Mujeres
## 3183 3182000-3183000 0 Mujeres
## 3184 3183000-3184000 0 Mujeres
## 3185 3184000-3185000 0 Mujeres
## 3186 3185000-3186000 0 Mujeres
## 3187 3186000-3187000 0 Mujeres
## 3188 3187000-3188000 0 Mujeres
## 3189 3188000-3189000 0 Mujeres
## 3190 3189000-3190000 0 Mujeres
## 3191 3190000-3191000 0 Mujeres
## 3192 3191000-3192000 0 Mujeres
## 3193 3192000-3193000 0 Mujeres
## 3194 3193000-3194000 0 Mujeres
## 3195 3194000-3195000 0 Mujeres
## 3196 3195000-3196000 0 Mujeres
## 3197 3196000-3197000 0 Mujeres
## 3198 3197000-3198000 0 Mujeres
## 3199 3198000-3199000 0 Mujeres
## 3200 3199000-3200000 0 Mujeres
## 3201 3200000-3201000 0 Mujeres
## 3202 3201000-3202000 0 Mujeres
## 3203 3202000-3203000 0 Mujeres
## 3204 3203000-3204000 0 Mujeres
## 3205 3204000-3205000 0 Mujeres
## 3206 3205000-3206000 0 Mujeres
## 3207 3206000-3207000 0 Mujeres
## 3208 3207000-3208000 0 Mujeres
## 3209 3208000-3209000 0 Mujeres
## 3210 3209000-3210000 0 Mujeres
## 3211 3210000-3211000 0 Mujeres
## 3212 3211000-3212000 0 Mujeres
## 3213 3212000-3213000 0 Mujeres
## 3214 3213000-3214000 0 Mujeres
## 3215 3214000-3215000 0 Mujeres
## 3216 3215000-3216000 0 Mujeres
## 3217 3216000-3217000 0 Mujeres
## 3218 3217000-3218000 0 Mujeres
## 3219 3218000-3219000 0 Mujeres
## 3220 3219000-3220000 0 Mujeres
## 3221 3220000-3221000 0 Mujeres
## 3222 3221000-3222000 0 Mujeres
## 3223 3222000-3223000 0 Mujeres
## 3224 3223000-3224000 0 Mujeres
## 3225 3224000-3225000 0 Mujeres
## 3226 3225000-3226000 0 Mujeres
## 3227 3226000-3227000 0 Mujeres
## 3228 3227000-3228000 0 Mujeres
## 3229 3228000-3229000 0 Mujeres
## 3230 3229000-3230000 0 Mujeres
## 3231 3230000-3231000 0 Mujeres
## 3232 3231000-3232000 0 Mujeres
## 3233 3232000-3233000 0 Mujeres
## 3234 3233000-3234000 0 Mujeres
## 3235 3234000-3235000 0 Mujeres
## 3236 3235000-3236000 0 Mujeres
## 3237 3236000-3237000 0 Mujeres
## 3238 3237000-3238000 0 Mujeres
## 3239 3238000-3239000 0 Mujeres
## 3240 3239000-3240000 0 Mujeres
## 3241 3240000-3241000 0 Mujeres
## 3242 3241000-3242000 0 Mujeres
## 3243 3242000-3243000 0 Mujeres
## 3244 3243000-3244000 0 Mujeres
## 3245 3244000-3245000 0 Mujeres
## 3246 3245000-3246000 0 Mujeres
## 3247 3246000-3247000 0 Mujeres
## 3248 3247000-3248000 0 Mujeres
## 3249 3248000-3249000 0 Mujeres
## 3250 3249000-3250000 0 Mujeres
## 3251 3250000-3251000 0 Mujeres
## 3252 3251000-3252000 0 Mujeres
## 3253 3252000-3253000 0 Mujeres
## 3254 3253000-3254000 0 Mujeres
## 3255 3254000-3255000 0 Mujeres
## 3256 3255000-3256000 0 Mujeres
## 3257 3256000-3257000 0 Mujeres
## 3258 3257000-3258000 0 Mujeres
## 3259 3258000-3259000 0 Mujeres
## 3260 3259000-3260000 0 Mujeres
## 3261 3260000-3261000 0 Mujeres
## 3262 3261000-3262000 0 Mujeres
## 3263 3262000-3263000 0 Mujeres
## 3264 3263000-3264000 0 Mujeres
## 3265 3264000-3265000 0 Mujeres
## 3266 3265000-3266000 0 Mujeres
## 3267 3266000-3267000 0 Mujeres
## 3268 3267000-3268000 0 Mujeres
## 3269 3268000-3269000 0 Mujeres
## 3270 3269000-3270000 0 Mujeres
## 3271 3270000-3271000 0 Mujeres
## 3272 3271000-3272000 0 Mujeres
## 3273 3272000-3273000 0 Mujeres
## 3274 3273000-3274000 0 Mujeres
## 3275 3274000-3275000 0 Mujeres
## 3276 3275000-3276000 0 Mujeres
## 3277 3276000-3277000 0 Mujeres
## 3278 3277000-3278000 0 Mujeres
## 3279 3278000-3279000 0 Mujeres
## 3280 3279000-3280000 0 Mujeres
## 3281 3280000-3281000 0 Mujeres
## 3282 3281000-3282000 0 Mujeres
## 3283 3282000-3283000 0 Mujeres
## 3284 3283000-3284000 0 Mujeres
## 3285 3284000-3285000 0 Mujeres
## 3286 3285000-3286000 0 Mujeres
## 3287 3286000-3287000 0 Mujeres
## 3288 3287000-3288000 0 Mujeres
## 3289 3288000-3289000 0 Mujeres
## 3290 3289000-3290000 0 Mujeres
## 3291 3290000-3291000 0 Mujeres
## 3292 3291000-3292000 0 Mujeres
## 3293 3292000-3293000 0 Mujeres
## 3294 3293000-3294000 0 Mujeres
## 3295 3294000-3295000 0 Mujeres
## 3296 3295000-3296000 0 Mujeres
## 3297 3296000-3297000 0 Mujeres
## 3298 3297000-3298000 0 Mujeres
## 3299 3298000-3299000 0 Mujeres
## 3300 3299000-3300000 0 Mujeres
## 3301 3300000-3301000 0 Mujeres
## 3302 3301000-3302000 0 Mujeres
## 3303 3302000-3303000 0 Mujeres
## 3304 3303000-3304000 0 Mujeres
## 3305 3304000-3305000 0 Mujeres
## 3306 3305000-3306000 0 Mujeres
## 3307 3306000-3307000 0 Mujeres
## 3308 3307000-3308000 0 Mujeres
## 3309 3308000-3309000 0 Mujeres
## 3310 3309000-3310000 0 Mujeres
## 3311 3310000-3311000 0 Mujeres
## 3312 3311000-3312000 0 Mujeres
## 3313 3312000-3313000 0 Mujeres
## 3314 3313000-3314000 0 Mujeres
## 3315 3314000-3315000 0 Mujeres
## 3316 3315000-3316000 0 Mujeres
## 3317 3316000-3317000 0 Mujeres
## 3318 3317000-3318000 0 Mujeres
## 3319 3318000-3319000 0 Mujeres
## 3320 3319000-3320000 0 Mujeres
## 3321 3320000-3321000 0 Mujeres
## 3322 3321000-3322000 0 Mujeres
## 3323 3322000-3323000 0 Mujeres
## 3324 3323000-3324000 0 Mujeres
## 3325 3324000-3325000 0 Mujeres
## 3326 3325000-3326000 0 Mujeres
## 3327 3326000-3327000 0 Mujeres
## 3328 3327000-3328000 0 Mujeres
## 3329 3328000-3329000 0 Mujeres
## 3330 3329000-3330000 0 Mujeres
## 3331 3330000-3331000 0 Mujeres
## 3332 3331000-3332000 0 Mujeres
## 3333 3332000-3333000 0 Mujeres
## 3334 3333000-3334000 0 Mujeres
## 3335 3334000-3335000 0 Mujeres
## 3336 3335000-3336000 0 Mujeres
## 3337 3336000-3337000 0 Mujeres
## 3338 3337000-3338000 0 Mujeres
## 3339 3338000-3339000 0 Mujeres
## 3340 3339000-3340000 0 Mujeres
## 3341 3340000-3341000 0 Mujeres
## 3342 3341000-3342000 0 Mujeres
## 3343 3342000-3343000 0 Mujeres
## 3344 3343000-3344000 0 Mujeres
## 3345 3344000-3345000 0 Mujeres
## 3346 3345000-3346000 0 Mujeres
## 3347 3346000-3347000 0 Mujeres
## 3348 3347000-3348000 0 Mujeres
## 3349 3348000-3349000 0 Mujeres
## 3350 3349000-3350000 0 Mujeres
## 3351 3350000-3351000 0 Mujeres
## 3352 3351000-3352000 0 Mujeres
## 3353 3352000-3353000 0 Mujeres
## 3354 3353000-3354000 0 Mujeres
## 3355 3354000-3355000 0 Mujeres
## 3356 3355000-3356000 0 Mujeres
## 3357 3356000-3357000 0 Mujeres
## 3358 3357000-3358000 0 Mujeres
## 3359 3358000-3359000 0 Mujeres
## 3360 3359000-3360000 0 Mujeres
## 3361 3360000-3361000 0 Mujeres
## 3362 3361000-3362000 0 Mujeres
## 3363 3362000-3363000 0 Mujeres
## 3364 3363000-3364000 0 Mujeres
## 3365 3364000-3365000 0 Mujeres
## 3366 3365000-3366000 0 Mujeres
## 3367 3366000-3367000 0 Mujeres
## 3368 3367000-3368000 0 Mujeres
## 3369 3368000-3369000 0 Mujeres
## 3370 3369000-3370000 0 Mujeres
## 3371 3370000-3371000 0 Mujeres
## 3372 3371000-3372000 0 Mujeres
## 3373 3372000-3373000 0 Mujeres
## 3374 3373000-3374000 0 Mujeres
## 3375 3374000-3375000 0 Mujeres
## 3376 3375000-3376000 0 Mujeres
## 3377 3376000-3377000 0 Mujeres
## 3378 3377000-3378000 0 Mujeres
## 3379 3378000-3379000 0 Mujeres
## 3380 3379000-3380000 0 Mujeres
## 3381 3380000-3381000 0 Mujeres
## 3382 3381000-3382000 0 Mujeres
## 3383 3382000-3383000 0 Mujeres
## 3384 3383000-3384000 0 Mujeres
## 3385 3384000-3385000 0 Mujeres
## 3386 3385000-3386000 0 Mujeres
## 3387 3386000-3387000 0 Mujeres
## 3388 3387000-3388000 0 Mujeres
## 3389 3388000-3389000 0 Mujeres
## 3390 3389000-3390000 0 Mujeres
## 3391 3390000-3391000 0 Mujeres
## 3392 3391000-3392000 0 Mujeres
## 3393 3392000-3393000 0 Mujeres
## 3394 3393000-3394000 0 Mujeres
## 3395 3394000-3395000 0 Mujeres
## 3396 3395000-3396000 0 Mujeres
## 3397 3396000-3397000 0 Mujeres
## 3398 3397000-3398000 0 Mujeres
## 3399 3398000-3399000 0 Mujeres
## 3400 3399000-3400000 0 Mujeres
## 3401 3400000-3401000 0 Mujeres
## 3402 3401000-3402000 0 Mujeres
## 3403 3402000-3403000 0 Mujeres
## 3404 3403000-3404000 0 Mujeres
## 3405 3404000-3405000 0 Mujeres
## 3406 3405000-3406000 0 Mujeres
## 3407 3406000-3407000 0 Mujeres
## 3408 3407000-3408000 0 Mujeres
## 3409 3408000-3409000 0 Mujeres
## 3410 3409000-3410000 0 Mujeres
## 3411 3410000-3411000 0 Mujeres
## 3412 3411000-3412000 0 Mujeres
## 3413 3412000-3413000 0 Mujeres
## 3414 3413000-3414000 0 Mujeres
## 3415 3414000-3415000 0 Mujeres
## 3416 3415000-3416000 0 Mujeres
## 3417 3416000-3417000 0 Mujeres
## 3418 3417000-3418000 0 Mujeres
## 3419 3418000-3419000 0 Mujeres
## 3420 3419000-3420000 0 Mujeres
## 3421 3420000-3421000 0 Mujeres
## 3422 3421000-3422000 0 Mujeres
## 3423 3422000-3423000 0 Mujeres
## 3424 3423000-3424000 0 Mujeres
## 3425 3424000-3425000 0 Mujeres
## 3426 3425000-3426000 0 Mujeres
## 3427 3426000-3427000 0 Mujeres
## 3428 3427000-3428000 0 Mujeres
## 3429 3428000-3429000 0 Mujeres
## 3430 3429000-3430000 0 Mujeres
## 3431 3430000-3431000 0 Mujeres
## 3432 3431000-3432000 0 Mujeres
## 3433 3432000-3433000 0 Mujeres
## 3434 3433000-3434000 0 Mujeres
## 3435 3434000-3435000 0 Mujeres
## 3436 3435000-3436000 0 Mujeres
## 3437 3436000-3437000 0 Mujeres
## 3438 3437000-3438000 0 Mujeres
## 3439 3438000-3439000 0 Mujeres
## 3440 3439000-3440000 0 Mujeres
## 3441 3440000-3441000 0 Mujeres
## 3442 3441000-3442000 0 Mujeres
## 3443 3442000-3443000 0 Mujeres
## 3444 3443000-3444000 0 Mujeres
## 3445 3444000-3445000 0 Mujeres
## 3446 3445000-3446000 0 Mujeres
## 3447 3446000-3447000 0 Mujeres
## 3448 3447000-3448000 0 Mujeres
## 3449 3448000-3449000 0 Mujeres
## 3450 3449000-3450000 0 Mujeres
## 3451 3450000-3451000 0 Mujeres
## 3452 3451000-3452000 0 Mujeres
## 3453 3452000-3453000 0 Mujeres
## 3454 3453000-3454000 0 Mujeres
## 3455 3454000-3455000 0 Mujeres
## 3456 3455000-3456000 0 Mujeres
## 3457 3456000-3457000 0 Mujeres
## 3458 3457000-3458000 0 Mujeres
## 3459 3458000-3459000 0 Mujeres
## 3460 3459000-3460000 0 Mujeres
## 3461 3460000-3461000 0 Mujeres
## 3462 3461000-3462000 0 Mujeres
## 3463 3462000-3463000 0 Mujeres
## 3464 3463000-3464000 0 Mujeres
## 3465 3464000-3465000 0 Mujeres
## 3466 3465000-3466000 0 Mujeres
## 3467 3466000-3467000 0 Mujeres
## 3468 3467000-3468000 0 Mujeres
## 3469 3468000-3469000 0 Mujeres
## 3470 3469000-3470000 0 Mujeres
## 3471 3470000-3471000 0 Mujeres
## 3472 3471000-3472000 0 Mujeres
## 3473 3472000-3473000 0 Mujeres
## 3474 3473000-3474000 0 Mujeres
## 3475 3474000-3475000 0 Mujeres
## 3476 3475000-3476000 0 Mujeres
## 3477 3476000-3477000 0 Mujeres
## 3478 3477000-3478000 0 Mujeres
## 3479 3478000-3479000 0 Mujeres
## 3480 3479000-3480000 0 Mujeres
## 3481 3480000-3481000 0 Mujeres
## 3482 3481000-3482000 0 Mujeres
## 3483 3482000-3483000 0 Mujeres
## 3484 3483000-3484000 0 Mujeres
## 3485 3484000-3485000 0 Mujeres
## 3486 3485000-3486000 0 Mujeres
## 3487 3486000-3487000 0 Mujeres
## 3488 3487000-3488000 0 Mujeres
## 3489 3488000-3489000 0 Mujeres
## 3490 3489000-3490000 0 Mujeres
## 3491 3490000-3491000 0 Mujeres
## 3492 3491000-3492000 0 Mujeres
## 3493 3492000-3493000 0 Mujeres
## 3494 3493000-3494000 0 Mujeres
## 3495 3494000-3495000 0 Mujeres
## 3496 3495000-3496000 0 Mujeres
## 3497 3496000-3497000 0 Mujeres
## 3498 3497000-3498000 0 Mujeres
## 3499 3498000-3499000 0 Mujeres
## 3500 3499000-3500000 0 Mujeres
## 3501 3500000-3501000 0 Mujeres
## 3502 3501000-3502000 0 Mujeres
## 3503 3502000-3503000 0 Mujeres
## 3504 3503000-3504000 0 Mujeres
## 3505 3504000-3505000 0 Mujeres
## 3506 3505000-3506000 0 Mujeres
## 3507 3506000-3507000 0 Mujeres
## 3508 3507000-3508000 0 Mujeres
## 3509 3508000-3509000 0 Mujeres
## 3510 3509000-3510000 0 Mujeres
## 3511 3510000-3511000 0 Mujeres
## 3512 3511000-3512000 0 Mujeres
## 3513 3512000-3513000 0 Mujeres
## 3514 3513000-3514000 0 Mujeres
## 3515 3514000-3515000 0 Mujeres
## 3516 3515000-3516000 0 Mujeres
## 3517 3516000-3517000 0 Mujeres
## 3518 3517000-3518000 0 Mujeres
## 3519 3518000-3519000 0 Mujeres
## 3520 3519000-3520000 0 Mujeres
## 3521 3520000-3521000 0 Mujeres
## 3522 3521000-3522000 0 Mujeres
## 3523 3522000-3523000 0 Mujeres
## 3524 3523000-3524000 0 Mujeres
## 3525 3524000-3525000 0 Mujeres
## 3526 3525000-3526000 0 Mujeres
## 3527 3526000-3527000 0 Mujeres
## 3528 3527000-3528000 0 Mujeres
## 3529 3528000-3529000 0 Mujeres
## 3530 3529000-3530000 0 Mujeres
## 3531 3530000-3531000 0 Mujeres
## 3532 3531000-3532000 0 Mujeres
## 3533 3532000-3533000 0 Mujeres
## 3534 3533000-3534000 0 Mujeres
## 3535 3534000-3535000 0 Mujeres
## 3536 3535000-3536000 0 Mujeres
## 3537 3536000-3537000 0 Mujeres
## 3538 3537000-3538000 0 Mujeres
## 3539 3538000-3539000 0 Mujeres
## 3540 3539000-3540000 0 Mujeres
## 3541 3540000-3541000 0 Mujeres
## 3542 3541000-3542000 0 Mujeres
## 3543 3542000-3543000 0 Mujeres
## 3544 3543000-3544000 0 Mujeres
## 3545 3544000-3545000 0 Mujeres
## 3546 3545000-3546000 0 Mujeres
## 3547 3546000-3547000 0 Mujeres
## 3548 3547000-3548000 0 Mujeres
## 3549 3548000-3549000 0 Mujeres
## 3550 3549000-3550000 0 Mujeres
## 3551 3550000-3551000 0 Mujeres
## 3552 3551000-3552000 0 Mujeres
## 3553 3552000-3553000 0 Mujeres
## 3554 3553000-3554000 0 Mujeres
## 3555 3554000-3555000 0 Mujeres
## 3556 3555000-3556000 0 Mujeres
## 3557 3556000-3557000 0 Mujeres
## 3558 3557000-3558000 0 Mujeres
## 3559 3558000-3559000 0 Mujeres
## 3560 3559000-3560000 0 Mujeres
## 3561 3560000-3561000 0 Mujeres
## 3562 3561000-3562000 0 Mujeres
## 3563 3562000-3563000 0 Mujeres
## 3564 3563000-3564000 0 Mujeres
## 3565 3564000-3565000 0 Mujeres
## 3566 3565000-3566000 0 Mujeres
## 3567 3566000-3567000 0 Mujeres
## 3568 3567000-3568000 0 Mujeres
## 3569 3568000-3569000 0 Mujeres
## 3570 3569000-3570000 0 Mujeres
## 3571 3570000-3571000 0 Mujeres
## 3572 3571000-3572000 0 Mujeres
## 3573 3572000-3573000 0 Mujeres
## 3574 3573000-3574000 0 Mujeres
## 3575 3574000-3575000 0 Mujeres
## 3576 3575000-3576000 0 Mujeres
## 3577 3576000-3577000 0 Mujeres
## 3578 3577000-3578000 0 Mujeres
## 3579 3578000-3579000 0 Mujeres
## 3580 3579000-3580000 0 Mujeres
## 3581 3580000-3581000 0 Mujeres
## 3582 3581000-3582000 0 Mujeres
## 3583 3582000-3583000 0 Mujeres
## 3584 3583000-3584000 0 Mujeres
## 3585 3584000-3585000 0 Mujeres
## 3586 3585000-3586000 0 Mujeres
## 3587 3586000-3587000 0 Mujeres
## 3588 3587000-3588000 0 Mujeres
## 3589 3588000-3589000 0 Mujeres
## 3590 3589000-3590000 0 Mujeres
## 3591 3590000-3591000 0 Mujeres
## 3592 3591000-3592000 0 Mujeres
## 3593 3592000-3593000 0 Mujeres
## 3594 3593000-3594000 0 Mujeres
## 3595 3594000-3595000 0 Mujeres
## 3596 3595000-3596000 0 Mujeres
## 3597 3596000-3597000 0 Mujeres
## 3598 3597000-3598000 0 Mujeres
## 3599 3598000-3599000 0 Mujeres
## 3600 3599000-3600000 0 Mujeres
## 3601 3600000-3601000 0 Mujeres
## 3602 3601000-3602000 0 Mujeres
## 3603 3602000-3603000 0 Mujeres
## 3604 3603000-3604000 0 Mujeres
## 3605 3604000-3605000 0 Mujeres
## 3606 3605000-3606000 0 Mujeres
## 3607 3606000-3607000 0 Mujeres
## 3608 3607000-3608000 0 Mujeres
## 3609 3608000-3609000 0 Mujeres
## 3610 3609000-3610000 0 Mujeres
## 3611 3610000-3611000 0 Mujeres
## 3612 3611000-3612000 0 Mujeres
## 3613 3612000-3613000 0 Mujeres
## 3614 3613000-3614000 0 Mujeres
## 3615 3614000-3615000 0 Mujeres
## 3616 3615000-3616000 0 Mujeres
## 3617 3616000-3617000 0 Mujeres
## 3618 3617000-3618000 0 Mujeres
## 3619 3618000-3619000 0 Mujeres
## 3620 3619000-3620000 0 Mujeres
## 3621 3620000-3621000 0 Mujeres
## 3622 3621000-3622000 0 Mujeres
## 3623 3622000-3623000 0 Mujeres
## 3624 3623000-3624000 0 Mujeres
## 3625 3624000-3625000 0 Mujeres
## 3626 3625000-3626000 0 Mujeres
## 3627 3626000-3627000 0 Mujeres
## 3628 3627000-3628000 0 Mujeres
## 3629 3628000-3629000 0 Mujeres
## 3630 3629000-3630000 0 Mujeres
## 3631 3630000-3631000 0 Mujeres
## 3632 3631000-3632000 0 Mujeres
## 3633 3632000-3633000 0 Mujeres
## 3634 3633000-3634000 0 Mujeres
## 3635 3634000-3635000 0 Mujeres
## 3636 3635000-3636000 0 Mujeres
## 3637 3636000-3637000 0 Mujeres
## 3638 3637000-3638000 0 Mujeres
## 3639 3638000-3639000 0 Mujeres
## 3640 3639000-3640000 0 Mujeres
## 3641 3640000-3641000 0 Mujeres
## 3642 3641000-3642000 0 Mujeres
## 3643 3642000-3643000 0 Mujeres
## 3644 3643000-3644000 0 Mujeres
## 3645 3644000-3645000 0 Mujeres
## 3646 3645000-3646000 0 Mujeres
## 3647 3646000-3647000 0 Mujeres
## 3648 3647000-3648000 0 Mujeres
## 3649 3648000-3649000 0 Mujeres
## 3650 3649000-3650000 0 Mujeres
## 3651 3650000-3651000 0 Mujeres
## 3652 3651000-3652000 0 Mujeres
## 3653 3652000-3653000 0 Mujeres
## 3654 3653000-3654000 0 Mujeres
## 3655 3654000-3655000 0 Mujeres
## 3656 3655000-3656000 0 Mujeres
## 3657 3656000-3657000 0 Mujeres
## 3658 3657000-3658000 0 Mujeres
## 3659 3658000-3659000 0 Mujeres
## 3660 3659000-3660000 0 Mujeres
## 3661 3660000-3661000 0 Mujeres
## 3662 3661000-3662000 0 Mujeres
## 3663 3662000-3663000 0 Mujeres
## 3664 3663000-3664000 0 Mujeres
## 3665 3664000-3665000 0 Mujeres
## 3666 3665000-3666000 0 Mujeres
## 3667 3666000-3667000 0 Mujeres
## 3668 3667000-3668000 0 Mujeres
## 3669 3668000-3669000 0 Mujeres
## 3670 3669000-3670000 0 Mujeres
## 3671 3670000-3671000 0 Mujeres
## 3672 3671000-3672000 0 Mujeres
## 3673 3672000-3673000 0 Mujeres
## 3674 3673000-3674000 0 Mujeres
## 3675 3674000-3675000 0 Mujeres
## 3676 3675000-3676000 0 Mujeres
## 3677 3676000-3677000 0 Mujeres
## 3678 3677000-3678000 0 Mujeres
## 3679 3678000-3679000 0 Mujeres
## 3680 3679000-3680000 0 Mujeres
## 3681 3680000-3681000 0 Mujeres
## 3682 3681000-3682000 0 Mujeres
## 3683 3682000-3683000 0 Mujeres
## 3684 3683000-3684000 0 Mujeres
## 3685 3684000-3685000 0 Mujeres
## 3686 3685000-3686000 0 Mujeres
## 3687 3686000-3687000 0 Mujeres
## 3688 3687000-3688000 0 Mujeres
## 3689 3688000-3689000 0 Mujeres
## 3690 3689000-3690000 0 Mujeres
## 3691 3690000-3691000 0 Mujeres
## 3692 3691000-3692000 0 Mujeres
## 3693 3692000-3693000 0 Mujeres
## 3694 3693000-3694000 0 Mujeres
## 3695 3694000-3695000 0 Mujeres
## 3696 3695000-3696000 0 Mujeres
## 3697 3696000-3697000 0 Mujeres
## 3698 3697000-3698000 0 Mujeres
## 3699 3698000-3699000 0 Mujeres
## 3700 3699000-3700000 0 Mujeres
## 3701 3700000-3701000 0 Mujeres
## 3702 3701000-3702000 0 Mujeres
## 3703 3702000-3703000 0 Mujeres
## 3704 3703000-3704000 0 Mujeres
## 3705 3704000-3705000 0 Mujeres
## 3706 3705000-3706000 0 Mujeres
## 3707 3706000-3707000 0 Mujeres
## 3708 3707000-3708000 0 Mujeres
## 3709 3708000-3709000 0 Mujeres
## 3710 3709000-3710000 0 Mujeres
## 3711 3710000-3711000 0 Mujeres
## 3712 3711000-3712000 0 Mujeres
## 3713 3712000-3713000 0 Mujeres
## 3714 3713000-3714000 0 Mujeres
## 3715 3714000-3715000 0 Mujeres
## 3716 3715000-3716000 0 Mujeres
## 3717 3716000-3717000 0 Mujeres
## 3718 3717000-3718000 0 Mujeres
## 3719 3718000-3719000 0 Mujeres
## 3720 3719000-3720000 0 Mujeres
## 3721 3720000-3721000 0 Mujeres
## 3722 3721000-3722000 0 Mujeres
## 3723 3722000-3723000 0 Mujeres
## 3724 3723000-3724000 0 Mujeres
## 3725 3724000-3725000 0 Mujeres
## 3726 3725000-3726000 0 Mujeres
## 3727 3726000-3727000 0 Mujeres
## 3728 3727000-3728000 0 Mujeres
## 3729 3728000-3729000 0 Mujeres
## 3730 3729000-3730000 0 Mujeres
## 3731 3730000-3731000 0 Mujeres
## 3732 3731000-3732000 0 Mujeres
## 3733 3732000-3733000 0 Mujeres
## 3734 3733000-3734000 0 Mujeres
## 3735 3734000-3735000 0 Mujeres
## 3736 3735000-3736000 0 Mujeres
## 3737 3736000-3737000 0 Mujeres
## 3738 3737000-3738000 0 Mujeres
## 3739 3738000-3739000 0 Mujeres
## 3740 3739000-3740000 0 Mujeres
## 3741 3740000-3741000 0 Mujeres
## 3742 3741000-3742000 0 Mujeres
## 3743 3742000-3743000 0 Mujeres
## 3744 3743000-3744000 0 Mujeres
## 3745 3744000-3745000 0 Mujeres
## 3746 3745000-3746000 0 Mujeres
## 3747 3746000-3747000 0 Mujeres
## 3748 3747000-3748000 0 Mujeres
## 3749 3748000-3749000 0 Mujeres
## 3750 3749000-3750000 0 Mujeres
## 3751 3750000-3751000 0 Mujeres
## 3752 3751000-3752000 0 Mujeres
## 3753 3752000-3753000 0 Mujeres
## 3754 3753000-3754000 0 Mujeres
## 3755 3754000-3755000 0 Mujeres
## 3756 3755000-3756000 0 Mujeres
## 3757 3756000-3757000 0 Mujeres
## 3758 3757000-3758000 0 Mujeres
## 3759 3758000-3759000 0 Mujeres
## 3760 3759000-3760000 0 Mujeres
## 3761 3760000-3761000 0 Mujeres
## 3762 3761000-3762000 0 Mujeres
## 3763 3762000-3763000 0 Mujeres
## 3764 3763000-3764000 0 Mujeres
## 3765 3764000-3765000 0 Mujeres
## 3766 3765000-3766000 0 Mujeres
## 3767 3766000-3767000 0 Mujeres
## 3768 3767000-3768000 0 Mujeres
## 3769 3768000-3769000 0 Mujeres
## 3770 3769000-3770000 0 Mujeres
## 3771 3770000-3771000 0 Mujeres
## 3772 3771000-3772000 0 Mujeres
## 3773 3772000-3773000 0 Mujeres
## 3774 3773000-3774000 0 Mujeres
## 3775 3774000-3775000 0 Mujeres
## 3776 3775000-3776000 0 Mujeres
## 3777 3776000-3777000 0 Mujeres
## 3778 3777000-3778000 0 Mujeres
## 3779 3778000-3779000 0 Mujeres
## 3780 3779000-3780000 0 Mujeres
## 3781 3780000-3781000 0 Mujeres
## 3782 3781000-3782000 0 Mujeres
## 3783 3782000-3783000 0 Mujeres
## 3784 3783000-3784000 0 Mujeres
## 3785 3784000-3785000 0 Mujeres
## 3786 3785000-3786000 0 Mujeres
## 3787 3786000-3787000 0 Mujeres
## 3788 3787000-3788000 0 Mujeres
## 3789 3788000-3789000 0 Mujeres
## 3790 3789000-3790000 0 Mujeres
## 3791 3790000-3791000 0 Mujeres
## 3792 3791000-3792000 0 Mujeres
## 3793 3792000-3793000 0 Mujeres
## 3794 3793000-3794000 0 Mujeres
## 3795 3794000-3795000 0 Mujeres
## 3796 3795000-3796000 0 Mujeres
## 3797 3796000-3797000 0 Mujeres
## 3798 3797000-3798000 0 Mujeres
## 3799 3798000-3799000 0 Mujeres
## 3800 3799000-3800000 0 Mujeres
## 3801 3800000-3801000 0 Mujeres
## 3802 3801000-3802000 0 Mujeres
## 3803 3802000-3803000 0 Mujeres
## 3804 3803000-3804000 0 Mujeres
## 3805 3804000-3805000 0 Mujeres
## 3806 3805000-3806000 0 Mujeres
## 3807 3806000-3807000 0 Mujeres
## 3808 3807000-3808000 0 Mujeres
## 3809 3808000-3809000 0 Mujeres
## 3810 3809000-3810000 0 Mujeres
## 3811 3810000-3811000 0 Mujeres
## 3812 3811000-3812000 0 Mujeres
## 3813 3812000-3813000 0 Mujeres
## 3814 3813000-3814000 0 Mujeres
## 3815 3814000-3815000 0 Mujeres
## 3816 3815000-3816000 0 Mujeres
## 3817 3816000-3817000 0 Mujeres
## 3818 3817000-3818000 0 Mujeres
## 3819 3818000-3819000 0 Mujeres
## 3820 3819000-3820000 0 Mujeres
## 3821 3820000-3821000 0 Mujeres
## 3822 3821000-3822000 0 Mujeres
## 3823 3822000-3823000 0 Mujeres
## 3824 3823000-3824000 0 Mujeres
## 3825 3824000-3825000 0 Mujeres
## 3826 3825000-3826000 0 Mujeres
## 3827 3826000-3827000 0 Mujeres
## 3828 3827000-3828000 0 Mujeres
## 3829 3828000-3829000 0 Mujeres
## 3830 3829000-3830000 0 Mujeres
## 3831 3830000-3831000 0 Mujeres
## 3832 3831000-3832000 0 Mujeres
## 3833 3832000-3833000 0 Mujeres
## 3834 3833000-3834000 0 Mujeres
## 3835 3834000-3835000 0 Mujeres
## 3836 3835000-3836000 0 Mujeres
## 3837 3836000-3837000 0 Mujeres
## 3838 3837000-3838000 0 Mujeres
## 3839 3838000-3839000 0 Mujeres
## 3840 3839000-3840000 0 Mujeres
## 3841 3840000-3841000 0 Mujeres
## 3842 3841000-3842000 0 Mujeres
## 3843 3842000-3843000 0 Mujeres
## 3844 3843000-3844000 0 Mujeres
## 3845 3844000-3845000 0 Mujeres
## 3846 3845000-3846000 0 Mujeres
## 3847 3846000-3847000 0 Mujeres
## 3848 3847000-3848000 0 Mujeres
## 3849 3848000-3849000 0 Mujeres
## 3850 3849000-3850000 0 Mujeres
## 3851 3850000-3851000 0 Mujeres
## 3852 3851000-3852000 0 Mujeres
## 3853 3852000-3853000 0 Mujeres
## 3854 3853000-3854000 0 Mujeres
## 3855 3854000-3855000 0 Mujeres
## 3856 3855000-3856000 0 Mujeres
## 3857 3856000-3857000 0 Mujeres
## 3858 3857000-3858000 0 Mujeres
## 3859 3858000-3859000 0 Mujeres
## 3860 3859000-3860000 0 Mujeres
## 3861 3860000-3861000 0 Mujeres
## 3862 3861000-3862000 0 Mujeres
## 3863 3862000-3863000 0 Mujeres
## 3864 3863000-3864000 0 Mujeres
## 3865 3864000-3865000 0 Mujeres
## 3866 3865000-3866000 0 Mujeres
## 3867 3866000-3867000 0 Mujeres
## 3868 3867000-3868000 0 Mujeres
## 3869 3868000-3869000 0 Mujeres
## 3870 3869000-3870000 0 Mujeres
## 3871 3870000-3871000 0 Mujeres
## 3872 3871000-3872000 0 Mujeres
## 3873 3872000-3873000 0 Mujeres
## 3874 3873000-3874000 0 Mujeres
## 3875 3874000-3875000 0 Mujeres
## 3876 3875000-3876000 0 Mujeres
## 3877 3876000-3877000 0 Mujeres
## 3878 3877000-3878000 0 Mujeres
## 3879 3878000-3879000 0 Mujeres
## 3880 3879000-3880000 0 Mujeres
## 3881 3880000-3881000 0 Mujeres
## 3882 3881000-3882000 0 Mujeres
## 3883 3882000-3883000 0 Mujeres
## 3884 3883000-3884000 0 Mujeres
## 3885 3884000-3885000 0 Mujeres
## 3886 3885000-3886000 0 Mujeres
## 3887 3886000-3887000 0 Mujeres
## 3888 3887000-3888000 0 Mujeres
## 3889 3888000-3889000 0 Mujeres
## 3890 3889000-3890000 0 Mujeres
## 3891 3890000-3891000 0 Mujeres
## 3892 3891000-3892000 0 Mujeres
## 3893 3892000-3893000 0 Mujeres
## 3894 3893000-3894000 0 Mujeres
## 3895 3894000-3895000 0 Mujeres
## 3896 3895000-3896000 0 Mujeres
## 3897 3896000-3897000 0 Mujeres
## 3898 3897000-3898000 0 Mujeres
## 3899 3898000-3899000 0 Mujeres
## 3900 3899000-3900000 0 Mujeres
## 3901 3900000-3901000 0 Mujeres
## 3902 3901000-3902000 0 Mujeres
## 3903 3902000-3903000 0 Mujeres
## 3904 3903000-3904000 0 Mujeres
## 3905 3904000-3905000 0 Mujeres
## 3906 3905000-3906000 0 Mujeres
## 3907 3906000-3907000 0 Mujeres
## 3908 3907000-3908000 0 Mujeres
## 3909 3908000-3909000 0 Mujeres
## 3910 3909000-3910000 0 Mujeres
## 3911 3910000-3911000 0 Mujeres
## 3912 3911000-3912000 0 Mujeres
## 3913 3912000-3913000 0 Mujeres
## 3914 3913000-3914000 0 Mujeres
## 3915 3914000-3915000 0 Mujeres
## 3916 3915000-3916000 0 Mujeres
## 3917 3916000-3917000 0 Mujeres
## 3918 3917000-3918000 0 Mujeres
## 3919 3918000-3919000 0 Mujeres
## 3920 3919000-3920000 0 Mujeres
## 3921 3920000-3921000 0 Mujeres
## 3922 3921000-3922000 0 Mujeres
## 3923 3922000-3923000 0 Mujeres
## 3924 3923000-3924000 0 Mujeres
## 3925 3924000-3925000 0 Mujeres
## 3926 3925000-3926000 0 Mujeres
## 3927 3926000-3927000 0 Mujeres
## 3928 3927000-3928000 0 Mujeres
## 3929 3928000-3929000 0 Mujeres
## 3930 3929000-3930000 0 Mujeres
## 3931 3930000-3931000 0 Mujeres
## 3932 3931000-3932000 0 Mujeres
## 3933 3932000-3933000 0 Mujeres
## 3934 3933000-3934000 0 Mujeres
## 3935 3934000-3935000 0 Mujeres
## 3936 3935000-3936000 0 Mujeres
## 3937 3936000-3937000 0 Mujeres
## 3938 3937000-3938000 0 Mujeres
## 3939 3938000-3939000 0 Mujeres
## 3940 3939000-3940000 0 Mujeres
## 3941 3940000-3941000 0 Mujeres
## 3942 3941000-3942000 0 Mujeres
## 3943 3942000-3943000 0 Mujeres
## 3944 3943000-3944000 0 Mujeres
## 3945 3944000-3945000 0 Mujeres
## 3946 3945000-3946000 0 Mujeres
## 3947 3946000-3947000 0 Mujeres
## 3948 3947000-3948000 0 Mujeres
## 3949 3948000-3949000 0 Mujeres
## 3950 3949000-3950000 0 Mujeres
## 3951 3950000-3951000 0 Mujeres
## 3952 3951000-3952000 0 Mujeres
## 3953 3952000-3953000 0 Mujeres
## 3954 3953000-3954000 0 Mujeres
## 3955 3954000-3955000 0 Mujeres
## 3956 3955000-3956000 0 Mujeres
## 3957 3956000-3957000 0 Mujeres
## 3958 3957000-3958000 0 Mujeres
## 3959 3958000-3959000 0 Mujeres
## 3960 3959000-3960000 0 Mujeres
## 3961 3960000-3961000 0 Mujeres
## 3962 3961000-3962000 0 Mujeres
## 3963 3962000-3963000 0 Mujeres
## 3964 3963000-3964000 0 Mujeres
## 3965 3964000-3965000 0 Mujeres
## 3966 3965000-3966000 0 Mujeres
## 3967 3966000-3967000 0 Mujeres
## 3968 3967000-3968000 0 Mujeres
## 3969 3968000-3969000 0 Mujeres
## 3970 3969000-3970000 0 Mujeres
## 3971 3970000-3971000 0 Mujeres
## 3972 3971000-3972000 0 Mujeres
## 3973 3972000-3973000 0 Mujeres
## 3974 3973000-3974000 0 Mujeres
## 3975 3974000-3975000 0 Mujeres
## 3976 3975000-3976000 0 Mujeres
## 3977 3976000-3977000 0 Mujeres
## 3978 3977000-3978000 0 Mujeres
## 3979 3978000-3979000 0 Mujeres
## 3980 3979000-3980000 0 Mujeres
## 3981 3980000-3981000 0 Mujeres
## 3982 3981000-3982000 0 Mujeres
## 3983 3982000-3983000 0 Mujeres
## 3984 3983000-3984000 0 Mujeres
## 3985 3984000-3985000 0 Mujeres
## 3986 3985000-3986000 0 Mujeres
## 3987 3986000-3987000 0 Mujeres
## 3988 3987000-3988000 0 Mujeres
## 3989 3988000-3989000 0 Mujeres
## 3990 3989000-3990000 0 Mujeres
## 3991 3990000-3991000 0 Mujeres
## 3992 3991000-3992000 0 Mujeres
## 3993 3992000-3993000 0 Mujeres
## 3994 3993000-3994000 0 Mujeres
## 3995 3994000-3995000 0 Mujeres
## 3996 3995000-3996000 0 Mujeres
## 3997 3996000-3997000 0 Mujeres
## 3998 3997000-3998000 0 Mujeres
## 3999 3998000-3999000 0 Mujeres
## 4000 3999000-4e+06 24 Mujeres
## 4001 0-1000 627 Hombres
## 4002 1000-2000 2432 Hombres
## 4003 2000-3000 2505 Hombres
## 4004 3000-4000 6131 Hombres
## 4005 4000-5000 4688 Hombres
## 4006 5000-6000 7370 Hombres
## 4007 6000-7000 2072 Hombres
## 4008 7000-8000 7261 Hombres
## 4009 8000-9000 904 Hombres
## 4010 9000-10000 3567 Hombres
## 4011 10000-11000 274 Hombres
## 4012 11000-12000 2767 Hombres
## 4013 12000-13000 197 Hombres
## 4014 13000-14000 807 Hombres
## 4015 14000-15000 680 Hombres
## 4016 15000-16000 970 Hombres
## 4017 16000-17000 63 Hombres
## 4018 17000-18000 297 Hombres
## 4019 18000-19000 22 Hombres
## 4020 19000-20000 1233 Hombres
## 4021 20000-21000 14 Hombres
## 4022 21000-22000 75 Hombres
## 4023 22000-23000 20 Hombres
## 4024 23000-24000 259 Hombres
## 4025 24000-25000 192 Hombres
## 4026 25000-26000 37 Hombres
## 4027 26000-27000 11 Hombres
## 4028 27000-28000 126 Hombres
## 4029 28000-29000 5 Hombres
## 4030 29000-30000 393 Hombres
## 4031 30000-31000 0 Hombres
## 4032 31000-32000 111 Hombres
## 4033 32000-33000 1 Hombres
## 4034 33000-34000 10 Hombres
## 4035 34000-35000 57 Hombres
## 4036 35000-36000 40 Hombres
## 4037 36000-37000 0 Hombres
## 4038 37000-38000 14 Hombres
## 4039 38000-39000 3 Hombres
## 4040 39000-40000 288 Hombres
## 4041 40000-41000 0 Hombres
## 4042 41000-42000 7 Hombres
## 4043 42000-43000 0 Hombres
## 4044 43000-44000 10 Hombres
## 4045 44000-45000 21 Hombres
## 4046 45000-46000 4 Hombres
## 4047 46000-47000 1 Hombres
## 4048 47000-48000 27 Hombres
## 4049 48000-49000 1 Hombres
## 4050 49000-50000 107 Hombres
## 4051 50000-51000 2 Hombres
## 4052 51000-52000 3 Hombres
## 4053 52000-53000 0 Hombres
## 4054 53000-54000 2 Hombres
## 4055 54000-55000 3 Hombres
## 4056 55000-56000 5 Hombres
## 4057 56000-57000 0 Hombres
## 4058 57000-58000 2 Hombres
## 4059 58000-59000 1 Hombres
## 4060 59000-60000 78 Hombres
## 4061 60000-61000 2 Hombres
## 4062 61000-62000 0 Hombres
## 4063 62000-63000 0 Hombres
## 4064 63000-64000 10 Hombres
## 4065 64000-65000 0 Hombres
## 4066 65000-66000 0 Hombres
## 4067 66000-67000 3 Hombres
## 4068 67000-68000 0 Hombres
## 4069 68000-69000 0 Hombres
## 4070 69000-70000 16 Hombres
## 4071 70000-71000 0 Hombres
## 4072 71000-72000 10 Hombres
## 4073 72000-73000 0 Hombres
## 4074 73000-74000 1 Hombres
## 4075 74000-75000 1 Hombres
## 4076 75000-76000 2 Hombres
## 4077 76000-77000 0 Hombres
## 4078 77000-78000 1 Hombres
## 4079 78000-79000 0 Hombres
## 4080 79000-80000 37 Hombres
## 4081 80000-81000 0 Hombres
## 4082 81000-82000 0 Hombres
## 4083 82000-83000 1 Hombres
## 4084 83000-84000 2 Hombres
## 4085 84000-85000 0 Hombres
## 4086 85000-86000 0 Hombres
## 4087 86000-87000 0 Hombres
## 4088 87000-88000 1 Hombres
## 4089 88000-89000 0 Hombres
## 4090 89000-90000 3 Hombres
## 4091 90000-91000 0 Hombres
## 4092 91000-92000 0 Hombres
## 4093 92000-93000 0 Hombres
## 4094 93000-94000 0 Hombres
## 4095 94000-95000 0 Hombres
## 4096 95000-96000 1 Hombres
## 4097 96000-97000 0 Hombres
## 4098 97000-98000 0 Hombres
## 4099 98000-99000 0 Hombres
## 4100 99000-1e+05 19 Hombres
## 4101 1e+05-101000 0 Hombres
## 4102 101000-102000 0 Hombres
## 4103 102000-103000 0 Hombres
## 4104 103000-104000 1 Hombres
## 4105 104000-105000 0 Hombres
## 4106 105000-106000 0 Hombres
## 4107 106000-107000 0 Hombres
## 4108 107000-108000 0 Hombres
## 4109 108000-109000 0 Hombres
## 4110 109000-110000 0 Hombres
## 4111 110000-111000 0 Hombres
## 4112 111000-112000 1 Hombres
## 4113 112000-113000 0 Hombres
## 4114 113000-114000 0 Hombres
## 4115 114000-115000 1 Hombres
## 4116 115000-116000 0 Hombres
## 4117 116000-117000 0 Hombres
## 4118 117000-118000 0 Hombres
## 4119 118000-119000 0 Hombres
## 4120 119000-120000 9 Hombres
## 4121 120000-121000 0 Hombres
## 4122 121000-122000 0 Hombres
## 4123 122000-123000 0 Hombres
## 4124 123000-124000 0 Hombres
## 4125 124000-125000 0 Hombres
## 4126 125000-126000 0 Hombres
## 4127 126000-127000 0 Hombres
## 4128 127000-128000 1 Hombres
## 4129 128000-129000 0 Hombres
## 4130 129000-130000 2 Hombres
## 4131 130000-131000 0 Hombres
## 4132 131000-132000 0 Hombres
## 4133 132000-133000 0 Hombres
## 4134 133000-134000 0 Hombres
## 4135 134000-135000 0 Hombres
## 4136 135000-136000 0 Hombres
## 4137 136000-137000 0 Hombres
## 4138 137000-138000 0 Hombres
## 4139 138000-139000 0 Hombres
## 4140 139000-140000 2 Hombres
## 4141 140000-141000 0 Hombres
## 4142 141000-142000 0 Hombres
## 4143 142000-143000 0 Hombres
## 4144 143000-144000 1 Hombres
## 4145 144000-145000 0 Hombres
## 4146 145000-146000 0 Hombres
## 4147 146000-147000 0 Hombres
## 4148 147000-148000 0 Hombres
## 4149 148000-149000 0 Hombres
## 4150 149000-150000 0 Hombres
## 4151 150000-151000 0 Hombres
## 4152 151000-152000 0 Hombres
## 4153 152000-153000 0 Hombres
## 4154 153000-154000 0 Hombres
## 4155 154000-155000 0 Hombres
## 4156 155000-156000 0 Hombres
## 4157 156000-157000 0 Hombres
## 4158 157000-158000 0 Hombres
## 4159 158000-159000 0 Hombres
## 4160 159000-160000 2 Hombres
## 4161 160000-161000 0 Hombres
## 4162 161000-162000 0 Hombres
## 4163 162000-163000 0 Hombres
## 4164 163000-164000 0 Hombres
## 4165 164000-165000 0 Hombres
## 4166 165000-166000 0 Hombres
## 4167 166000-167000 0 Hombres
## 4168 167000-168000 0 Hombres
## 4169 168000-169000 0 Hombres
## 4170 169000-170000 1 Hombres
## 4171 170000-171000 0 Hombres
## 4172 171000-172000 0 Hombres
## 4173 172000-173000 0 Hombres
## 4174 173000-174000 0 Hombres
## 4175 174000-175000 0 Hombres
## 4176 175000-176000 0 Hombres
## 4177 176000-177000 0 Hombres
## 4178 177000-178000 0 Hombres
## 4179 178000-179000 0 Hombres
## 4180 179000-180000 0 Hombres
## 4181 180000-181000 0 Hombres
## 4182 181000-182000 0 Hombres
## 4183 182000-183000 0 Hombres
## 4184 183000-184000 0 Hombres
## 4185 184000-185000 0 Hombres
## 4186 185000-186000 0 Hombres
## 4187 186000-187000 0 Hombres
## 4188 187000-188000 0 Hombres
## 4189 188000-189000 0 Hombres
## 4190 189000-190000 0 Hombres
## 4191 190000-191000 0 Hombres
## 4192 191000-192000 0 Hombres
## 4193 192000-193000 0 Hombres
## 4194 193000-194000 0 Hombres
## 4195 194000-195000 0 Hombres
## 4196 195000-196000 0 Hombres
## 4197 196000-197000 0 Hombres
## 4198 197000-198000 0 Hombres
## 4199 198000-199000 0 Hombres
## 4200 199000-2e+05 6 Hombres
## 4201 2e+05-201000 0 Hombres
## 4202 201000-202000 0 Hombres
## 4203 202000-203000 0 Hombres
## 4204 203000-204000 0 Hombres
## 4205 204000-205000 0 Hombres
## 4206 205000-206000 0 Hombres
## 4207 206000-207000 0 Hombres
## 4208 207000-208000 0 Hombres
## 4209 208000-209000 0 Hombres
## 4210 209000-210000 0 Hombres
## 4211 210000-211000 0 Hombres
## 4212 211000-212000 0 Hombres
## 4213 212000-213000 0 Hombres
## 4214 213000-214000 0 Hombres
## 4215 214000-215000 0 Hombres
## 4216 215000-216000 0 Hombres
## 4217 216000-217000 0 Hombres
## 4218 217000-218000 0 Hombres
## 4219 218000-219000 0 Hombres
## 4220 219000-220000 0 Hombres
## 4221 220000-221000 0 Hombres
## 4222 221000-222000 0 Hombres
## 4223 222000-223000 0 Hombres
## 4224 223000-224000 0 Hombres
## 4225 224000-225000 0 Hombres
## 4226 225000-226000 0 Hombres
## 4227 226000-227000 0 Hombres
## 4228 227000-228000 0 Hombres
## 4229 228000-229000 0 Hombres
## 4230 229000-230000 0 Hombres
## 4231 230000-231000 0 Hombres
## 4232 231000-232000 0 Hombres
## 4233 232000-233000 0 Hombres
## 4234 233000-234000 0 Hombres
## 4235 234000-235000 0 Hombres
## 4236 235000-236000 0 Hombres
## 4237 236000-237000 0 Hombres
## 4238 237000-238000 0 Hombres
## 4239 238000-239000 0 Hombres
## 4240 239000-240000 0 Hombres
## 4241 240000-241000 0 Hombres
## 4242 241000-242000 0 Hombres
## 4243 242000-243000 0 Hombres
## 4244 243000-244000 0 Hombres
## 4245 244000-245000 0 Hombres
## 4246 245000-246000 0 Hombres
## 4247 246000-247000 0 Hombres
## 4248 247000-248000 0 Hombres
## 4249 248000-249000 0 Hombres
## 4250 249000-250000 1 Hombres
## 4251 250000-251000 0 Hombres
## 4252 251000-252000 0 Hombres
## 4253 252000-253000 0 Hombres
## 4254 253000-254000 0 Hombres
## 4255 254000-255000 0 Hombres
## 4256 255000-256000 0 Hombres
## 4257 256000-257000 0 Hombres
## 4258 257000-258000 0 Hombres
## 4259 258000-259000 0 Hombres
## 4260 259000-260000 0 Hombres
## 4261 260000-261000 0 Hombres
## 4262 261000-262000 0 Hombres
## 4263 262000-263000 0 Hombres
## 4264 263000-264000 0 Hombres
## 4265 264000-265000 0 Hombres
## 4266 265000-266000 0 Hombres
## 4267 266000-267000 0 Hombres
## 4268 267000-268000 0 Hombres
## 4269 268000-269000 0 Hombres
## 4270 269000-270000 0 Hombres
## 4271 270000-271000 0 Hombres
## 4272 271000-272000 0 Hombres
## 4273 272000-273000 0 Hombres
## 4274 273000-274000 0 Hombres
## 4275 274000-275000 0 Hombres
## 4276 275000-276000 0 Hombres
## 4277 276000-277000 0 Hombres
## 4278 277000-278000 0 Hombres
## 4279 278000-279000 0 Hombres
## 4280 279000-280000 0 Hombres
## 4281 280000-281000 0 Hombres
## 4282 281000-282000 0 Hombres
## 4283 282000-283000 0 Hombres
## 4284 283000-284000 0 Hombres
## 4285 284000-285000 0 Hombres
## 4286 285000-286000 0 Hombres
## 4287 286000-287000 0 Hombres
## 4288 287000-288000 0 Hombres
## 4289 288000-289000 0 Hombres
## 4290 289000-290000 0 Hombres
## 4291 290000-291000 0 Hombres
## 4292 291000-292000 0 Hombres
## 4293 292000-293000 0 Hombres
## 4294 293000-294000 0 Hombres
## 4295 294000-295000 0 Hombres
## 4296 295000-296000 0 Hombres
## 4297 296000-297000 0 Hombres
## 4298 297000-298000 0 Hombres
## 4299 298000-299000 0 Hombres
## 4300 299000-3e+05 0 Hombres
## 4301 3e+05-301000 0 Hombres
## 4302 301000-302000 0 Hombres
## 4303 302000-303000 0 Hombres
## 4304 303000-304000 0 Hombres
## 4305 304000-305000 0 Hombres
## 4306 305000-306000 0 Hombres
## 4307 306000-307000 0 Hombres
## 4308 307000-308000 0 Hombres
## 4309 308000-309000 0 Hombres
## 4310 309000-310000 0 Hombres
## 4311 310000-311000 1 Hombres
## 4312 311000-312000 0 Hombres
## 4313 312000-313000 0 Hombres
## 4314 313000-314000 0 Hombres
## 4315 314000-315000 0 Hombres
## 4316 315000-316000 0 Hombres
## 4317 316000-317000 0 Hombres
## 4318 317000-318000 0 Hombres
## 4319 318000-319000 0 Hombres
## 4320 319000-320000 0 Hombres
## 4321 320000-321000 0 Hombres
## 4322 321000-322000 0 Hombres
## 4323 322000-323000 0 Hombres
## 4324 323000-324000 0 Hombres
## 4325 324000-325000 0 Hombres
## 4326 325000-326000 0 Hombres
## 4327 326000-327000 0 Hombres
## 4328 327000-328000 0 Hombres
## 4329 328000-329000 0 Hombres
## 4330 329000-330000 0 Hombres
## 4331 330000-331000 0 Hombres
## 4332 331000-332000 0 Hombres
## 4333 332000-333000 0 Hombres
## 4334 333000-334000 0 Hombres
## 4335 334000-335000 0 Hombres
## 4336 335000-336000 0 Hombres
## 4337 336000-337000 0 Hombres
## 4338 337000-338000 0 Hombres
## 4339 338000-339000 0 Hombres
## 4340 339000-340000 0 Hombres
## 4341 340000-341000 0 Hombres
## 4342 341000-342000 0 Hombres
## 4343 342000-343000 0 Hombres
## 4344 343000-344000 0 Hombres
## 4345 344000-345000 0 Hombres
## 4346 345000-346000 0 Hombres
## 4347 346000-347000 0 Hombres
## 4348 347000-348000 0 Hombres
## 4349 348000-349000 0 Hombres
## 4350 349000-350000 0 Hombres
## 4351 350000-351000 0 Hombres
## 4352 351000-352000 0 Hombres
## 4353 352000-353000 0 Hombres
## 4354 353000-354000 0 Hombres
## 4355 354000-355000 0 Hombres
## 4356 355000-356000 0 Hombres
## 4357 356000-357000 0 Hombres
## 4358 357000-358000 0 Hombres
## 4359 358000-359000 0 Hombres
## 4360 359000-360000 0 Hombres
## 4361 360000-361000 0 Hombres
## 4362 361000-362000 0 Hombres
## 4363 362000-363000 0 Hombres
## 4364 363000-364000 0 Hombres
## 4365 364000-365000 0 Hombres
## 4366 365000-366000 0 Hombres
## 4367 366000-367000 0 Hombres
## 4368 367000-368000 0 Hombres
## 4369 368000-369000 0 Hombres
## 4370 369000-370000 0 Hombres
## 4371 370000-371000 0 Hombres
## 4372 371000-372000 0 Hombres
## 4373 372000-373000 0 Hombres
## 4374 373000-374000 0 Hombres
## 4375 374000-375000 0 Hombres
## 4376 375000-376000 0 Hombres
## 4377 376000-377000 0 Hombres
## 4378 377000-378000 0 Hombres
## 4379 378000-379000 0 Hombres
## 4380 379000-380000 0 Hombres
## 4381 380000-381000 0 Hombres
## 4382 381000-382000 0 Hombres
## 4383 382000-383000 0 Hombres
## 4384 383000-384000 0 Hombres
## 4385 384000-385000 0 Hombres
## 4386 385000-386000 0 Hombres
## 4387 386000-387000 0 Hombres
## 4388 387000-388000 0 Hombres
## 4389 388000-389000 0 Hombres
## 4390 389000-390000 0 Hombres
## 4391 390000-391000 0 Hombres
## 4392 391000-392000 0 Hombres
## 4393 392000-393000 0 Hombres
## 4394 393000-394000 0 Hombres
## 4395 394000-395000 0 Hombres
## 4396 395000-396000 0 Hombres
## 4397 396000-397000 0 Hombres
## 4398 397000-398000 0 Hombres
## 4399 398000-399000 0 Hombres
## 4400 399000-4e+05 0 Hombres
## 4401 4e+05-401000 0 Hombres
## 4402 401000-402000 0 Hombres
## 4403 402000-403000 0 Hombres
## 4404 403000-404000 0 Hombres
## 4405 404000-405000 0 Hombres
## 4406 405000-406000 0 Hombres
## 4407 406000-407000 0 Hombres
## 4408 407000-408000 0 Hombres
## 4409 408000-409000 0 Hombres
## 4410 409000-410000 0 Hombres
## 4411 410000-411000 0 Hombres
## 4412 411000-412000 0 Hombres
## 4413 412000-413000 0 Hombres
## 4414 413000-414000 0 Hombres
## 4415 414000-415000 0 Hombres
## 4416 415000-416000 0 Hombres
## 4417 416000-417000 0 Hombres
## 4418 417000-418000 0 Hombres
## 4419 418000-419000 0 Hombres
## 4420 419000-420000 0 Hombres
## 4421 420000-421000 0 Hombres
## 4422 421000-422000 0 Hombres
## 4423 422000-423000 0 Hombres
## 4424 423000-424000 0 Hombres
## 4425 424000-425000 0 Hombres
## 4426 425000-426000 0 Hombres
## 4427 426000-427000 0 Hombres
## 4428 427000-428000 0 Hombres
## 4429 428000-429000 0 Hombres
## 4430 429000-430000 0 Hombres
## 4431 430000-431000 0 Hombres
## 4432 431000-432000 0 Hombres
## 4433 432000-433000 0 Hombres
## 4434 433000-434000 0 Hombres
## 4435 434000-435000 0 Hombres
## 4436 435000-436000 0 Hombres
## 4437 436000-437000 0 Hombres
## 4438 437000-438000 0 Hombres
## 4439 438000-439000 0 Hombres
## 4440 439000-440000 0 Hombres
## 4441 440000-441000 0 Hombres
## 4442 441000-442000 0 Hombres
## 4443 442000-443000 0 Hombres
## 4444 443000-444000 0 Hombres
## 4445 444000-445000 0 Hombres
## 4446 445000-446000 0 Hombres
## 4447 446000-447000 0 Hombres
## 4448 447000-448000 0 Hombres
## 4449 448000-449000 0 Hombres
## 4450 449000-450000 0 Hombres
## 4451 450000-451000 0 Hombres
## 4452 451000-452000 0 Hombres
## 4453 452000-453000 0 Hombres
## 4454 453000-454000 0 Hombres
## 4455 454000-455000 0 Hombres
## 4456 455000-456000 0 Hombres
## 4457 456000-457000 0 Hombres
## 4458 457000-458000 0 Hombres
## 4459 458000-459000 0 Hombres
## 4460 459000-460000 0 Hombres
## 4461 460000-461000 0 Hombres
## 4462 461000-462000 0 Hombres
## 4463 462000-463000 0 Hombres
## 4464 463000-464000 0 Hombres
## 4465 464000-465000 0 Hombres
## 4466 465000-466000 0 Hombres
## 4467 466000-467000 0 Hombres
## 4468 467000-468000 0 Hombres
## 4469 468000-469000 0 Hombres
## 4470 469000-470000 0 Hombres
## 4471 470000-471000 0 Hombres
## 4472 471000-472000 0 Hombres
## 4473 472000-473000 0 Hombres
## 4474 473000-474000 0 Hombres
## 4475 474000-475000 0 Hombres
## 4476 475000-476000 0 Hombres
## 4477 476000-477000 0 Hombres
## 4478 477000-478000 0 Hombres
## 4479 478000-479000 0 Hombres
## 4480 479000-480000 0 Hombres
## 4481 480000-481000 0 Hombres
## 4482 481000-482000 0 Hombres
## 4483 482000-483000 0 Hombres
## 4484 483000-484000 0 Hombres
## 4485 484000-485000 0 Hombres
## 4486 485000-486000 0 Hombres
## 4487 486000-487000 0 Hombres
## 4488 487000-488000 0 Hombres
## 4489 488000-489000 0 Hombres
## 4490 489000-490000 0 Hombres
## 4491 490000-491000 0 Hombres
## 4492 491000-492000 0 Hombres
## 4493 492000-493000 0 Hombres
## 4494 493000-494000 0 Hombres
## 4495 494000-495000 0 Hombres
## 4496 495000-496000 0 Hombres
## 4497 496000-497000 0 Hombres
## 4498 497000-498000 0 Hombres
## 4499 498000-499000 0 Hombres
## 4500 499000-5e+05 0 Hombres
## 4501 5e+05-501000 0 Hombres
## 4502 501000-502000 0 Hombres
## 4503 502000-503000 0 Hombres
## 4504 503000-504000 0 Hombres
## 4505 504000-505000 0 Hombres
## 4506 505000-506000 0 Hombres
## 4507 506000-507000 0 Hombres
## 4508 507000-508000 0 Hombres
## 4509 508000-509000 0 Hombres
## 4510 509000-510000 0 Hombres
## 4511 510000-511000 0 Hombres
## 4512 511000-512000 0 Hombres
## 4513 512000-513000 0 Hombres
## 4514 513000-514000 0 Hombres
## 4515 514000-515000 0 Hombres
## 4516 515000-516000 0 Hombres
## 4517 516000-517000 0 Hombres
## 4518 517000-518000 0 Hombres
## 4519 518000-519000 0 Hombres
## 4520 519000-520000 0 Hombres
## 4521 520000-521000 0 Hombres
## 4522 521000-522000 0 Hombres
## 4523 522000-523000 0 Hombres
## 4524 523000-524000 0 Hombres
## 4525 524000-525000 0 Hombres
## 4526 525000-526000 0 Hombres
## 4527 526000-527000 0 Hombres
## 4528 527000-528000 0 Hombres
## 4529 528000-529000 0 Hombres
## 4530 529000-530000 0 Hombres
## 4531 530000-531000 0 Hombres
## 4532 531000-532000 0 Hombres
## 4533 532000-533000 0 Hombres
## 4534 533000-534000 0 Hombres
## 4535 534000-535000 0 Hombres
## 4536 535000-536000 0 Hombres
## 4537 536000-537000 0 Hombres
## 4538 537000-538000 0 Hombres
## 4539 538000-539000 0 Hombres
## 4540 539000-540000 0 Hombres
## 4541 540000-541000 0 Hombres
## 4542 541000-542000 0 Hombres
## 4543 542000-543000 0 Hombres
## 4544 543000-544000 0 Hombres
## 4545 544000-545000 0 Hombres
## 4546 545000-546000 0 Hombres
## 4547 546000-547000 0 Hombres
## 4548 547000-548000 0 Hombres
## 4549 548000-549000 0 Hombres
## 4550 549000-550000 0 Hombres
## 4551 550000-551000 0 Hombres
## 4552 551000-552000 0 Hombres
## 4553 552000-553000 0 Hombres
## 4554 553000-554000 0 Hombres
## 4555 554000-555000 0 Hombres
## 4556 555000-556000 0 Hombres
## 4557 556000-557000 0 Hombres
## 4558 557000-558000 0 Hombres
## 4559 558000-559000 0 Hombres
## 4560 559000-560000 0 Hombres
## 4561 560000-561000 0 Hombres
## 4562 561000-562000 0 Hombres
## 4563 562000-563000 0 Hombres
## 4564 563000-564000 0 Hombres
## 4565 564000-565000 0 Hombres
## 4566 565000-566000 0 Hombres
## 4567 566000-567000 0 Hombres
## 4568 567000-568000 0 Hombres
## 4569 568000-569000 0 Hombres
## 4570 569000-570000 0 Hombres
## 4571 570000-571000 0 Hombres
## 4572 571000-572000 0 Hombres
## 4573 572000-573000 0 Hombres
## 4574 573000-574000 0 Hombres
## 4575 574000-575000 0 Hombres
## 4576 575000-576000 0 Hombres
## 4577 576000-577000 0 Hombres
## 4578 577000-578000 0 Hombres
## 4579 578000-579000 0 Hombres
## 4580 579000-580000 0 Hombres
## 4581 580000-581000 0 Hombres
## 4582 581000-582000 0 Hombres
## 4583 582000-583000 0 Hombres
## 4584 583000-584000 0 Hombres
## 4585 584000-585000 0 Hombres
## 4586 585000-586000 0 Hombres
## 4587 586000-587000 0 Hombres
## 4588 587000-588000 0 Hombres
## 4589 588000-589000 0 Hombres
## 4590 589000-590000 0 Hombres
## 4591 590000-591000 0 Hombres
## 4592 591000-592000 0 Hombres
## 4593 592000-593000 0 Hombres
## 4594 593000-594000 0 Hombres
## 4595 594000-595000 0 Hombres
## 4596 595000-596000 0 Hombres
## 4597 596000-597000 0 Hombres
## 4598 597000-598000 0 Hombres
## 4599 598000-599000 0 Hombres
## 4600 599000-6e+05 0 Hombres
## 4601 6e+05-601000 0 Hombres
## 4602 601000-602000 0 Hombres
## 4603 602000-603000 0 Hombres
## 4604 603000-604000 0 Hombres
## 4605 604000-605000 0 Hombres
## 4606 605000-606000 0 Hombres
## 4607 606000-607000 0 Hombres
## 4608 607000-608000 0 Hombres
## 4609 608000-609000 0 Hombres
## 4610 609000-610000 0 Hombres
## 4611 610000-611000 0 Hombres
## 4612 611000-612000 0 Hombres
## 4613 612000-613000 0 Hombres
## 4614 613000-614000 0 Hombres
## 4615 614000-615000 0 Hombres
## 4616 615000-616000 0 Hombres
## 4617 616000-617000 0 Hombres
## 4618 617000-618000 0 Hombres
## 4619 618000-619000 0 Hombres
## 4620 619000-620000 0 Hombres
## 4621 620000-621000 0 Hombres
## 4622 621000-622000 0 Hombres
## 4623 622000-623000 0 Hombres
## 4624 623000-624000 0 Hombres
## 4625 624000-625000 0 Hombres
## 4626 625000-626000 0 Hombres
## 4627 626000-627000 0 Hombres
## 4628 627000-628000 0 Hombres
## 4629 628000-629000 0 Hombres
## 4630 629000-630000 0 Hombres
## 4631 630000-631000 0 Hombres
## 4632 631000-632000 0 Hombres
## 4633 632000-633000 0 Hombres
## 4634 633000-634000 0 Hombres
## 4635 634000-635000 0 Hombres
## 4636 635000-636000 0 Hombres
## 4637 636000-637000 0 Hombres
## 4638 637000-638000 0 Hombres
## 4639 638000-639000 0 Hombres
## 4640 639000-640000 0 Hombres
## 4641 640000-641000 0 Hombres
## 4642 641000-642000 0 Hombres
## 4643 642000-643000 0 Hombres
## 4644 643000-644000 0 Hombres
## 4645 644000-645000 0 Hombres
## 4646 645000-646000 0 Hombres
## 4647 646000-647000 0 Hombres
## 4648 647000-648000 0 Hombres
## 4649 648000-649000 0 Hombres
## 4650 649000-650000 0 Hombres
## 4651 650000-651000 0 Hombres
## 4652 651000-652000 0 Hombres
## 4653 652000-653000 0 Hombres
## 4654 653000-654000 0 Hombres
## 4655 654000-655000 0 Hombres
## 4656 655000-656000 0 Hombres
## 4657 656000-657000 0 Hombres
## 4658 657000-658000 0 Hombres
## 4659 658000-659000 0 Hombres
## 4660 659000-660000 0 Hombres
## 4661 660000-661000 0 Hombres
## 4662 661000-662000 0 Hombres
## 4663 662000-663000 0 Hombres
## 4664 663000-664000 0 Hombres
## 4665 664000-665000 0 Hombres
## 4666 665000-666000 0 Hombres
## 4667 666000-667000 0 Hombres
## 4668 667000-668000 0 Hombres
## 4669 668000-669000 0 Hombres
## 4670 669000-670000 0 Hombres
## 4671 670000-671000 0 Hombres
## 4672 671000-672000 0 Hombres
## 4673 672000-673000 0 Hombres
## 4674 673000-674000 0 Hombres
## 4675 674000-675000 0 Hombres
## 4676 675000-676000 0 Hombres
## 4677 676000-677000 0 Hombres
## 4678 677000-678000 0 Hombres
## 4679 678000-679000 0 Hombres
## 4680 679000-680000 0 Hombres
## 4681 680000-681000 0 Hombres
## 4682 681000-682000 0 Hombres
## 4683 682000-683000 0 Hombres
## 4684 683000-684000 0 Hombres
## 4685 684000-685000 0 Hombres
## 4686 685000-686000 0 Hombres
## 4687 686000-687000 0 Hombres
## 4688 687000-688000 0 Hombres
## 4689 688000-689000 0 Hombres
## 4690 689000-690000 0 Hombres
## 4691 690000-691000 0 Hombres
## 4692 691000-692000 0 Hombres
## 4693 692000-693000 0 Hombres
## 4694 693000-694000 0 Hombres
## 4695 694000-695000 0 Hombres
## 4696 695000-696000 0 Hombres
## 4697 696000-697000 0 Hombres
## 4698 697000-698000 0 Hombres
## 4699 698000-699000 0 Hombres
## 4700 699000-7e+05 0 Hombres
## 4701 7e+05-701000 0 Hombres
## 4702 701000-702000 0 Hombres
## 4703 702000-703000 0 Hombres
## 4704 703000-704000 0 Hombres
## 4705 704000-705000 0 Hombres
## 4706 705000-706000 0 Hombres
## 4707 706000-707000 0 Hombres
## 4708 707000-708000 0 Hombres
## 4709 708000-709000 0 Hombres
## 4710 709000-710000 0 Hombres
## 4711 710000-711000 0 Hombres
## 4712 711000-712000 0 Hombres
## 4713 712000-713000 0 Hombres
## 4714 713000-714000 0 Hombres
## 4715 714000-715000 0 Hombres
## 4716 715000-716000 0 Hombres
## 4717 716000-717000 0 Hombres
## 4718 717000-718000 0 Hombres
## 4719 718000-719000 0 Hombres
## 4720 719000-720000 0 Hombres
## 4721 720000-721000 0 Hombres
## 4722 721000-722000 0 Hombres
## 4723 722000-723000 0 Hombres
## 4724 723000-724000 0 Hombres
## 4725 724000-725000 0 Hombres
## 4726 725000-726000 0 Hombres
## 4727 726000-727000 0 Hombres
## 4728 727000-728000 0 Hombres
## 4729 728000-729000 0 Hombres
## 4730 729000-730000 0 Hombres
## 4731 730000-731000 0 Hombres
## 4732 731000-732000 0 Hombres
## 4733 732000-733000 0 Hombres
## 4734 733000-734000 0 Hombres
## 4735 734000-735000 0 Hombres
## 4736 735000-736000 0 Hombres
## 4737 736000-737000 0 Hombres
## 4738 737000-738000 0 Hombres
## 4739 738000-739000 0 Hombres
## 4740 739000-740000 0 Hombres
## 4741 740000-741000 0 Hombres
## 4742 741000-742000 0 Hombres
## 4743 742000-743000 0 Hombres
## 4744 743000-744000 0 Hombres
## 4745 744000-745000 0 Hombres
## 4746 745000-746000 0 Hombres
## 4747 746000-747000 0 Hombres
## 4748 747000-748000 0 Hombres
## 4749 748000-749000 0 Hombres
## 4750 749000-750000 0 Hombres
## 4751 750000-751000 0 Hombres
## 4752 751000-752000 0 Hombres
## 4753 752000-753000 0 Hombres
## 4754 753000-754000 0 Hombres
## 4755 754000-755000 0 Hombres
## 4756 755000-756000 0 Hombres
## 4757 756000-757000 0 Hombres
## 4758 757000-758000 0 Hombres
## 4759 758000-759000 0 Hombres
## 4760 759000-760000 0 Hombres
## 4761 760000-761000 0 Hombres
## 4762 761000-762000 0 Hombres
## 4763 762000-763000 0 Hombres
## 4764 763000-764000 0 Hombres
## 4765 764000-765000 0 Hombres
## 4766 765000-766000 0 Hombres
## 4767 766000-767000 0 Hombres
## 4768 767000-768000 0 Hombres
## 4769 768000-769000 0 Hombres
## 4770 769000-770000 0 Hombres
## 4771 770000-771000 0 Hombres
## 4772 771000-772000 0 Hombres
## 4773 772000-773000 0 Hombres
## 4774 773000-774000 0 Hombres
## 4775 774000-775000 0 Hombres
## 4776 775000-776000 0 Hombres
## 4777 776000-777000 0 Hombres
## 4778 777000-778000 0 Hombres
## 4779 778000-779000 0 Hombres
## 4780 779000-780000 0 Hombres
## 4781 780000-781000 0 Hombres
## 4782 781000-782000 0 Hombres
## 4783 782000-783000 0 Hombres
## 4784 783000-784000 0 Hombres
## 4785 784000-785000 0 Hombres
## 4786 785000-786000 0 Hombres
## 4787 786000-787000 0 Hombres
## 4788 787000-788000 0 Hombres
## 4789 788000-789000 0 Hombres
## 4790 789000-790000 0 Hombres
## 4791 790000-791000 0 Hombres
## 4792 791000-792000 0 Hombres
## 4793 792000-793000 0 Hombres
## 4794 793000-794000 0 Hombres
## 4795 794000-795000 0 Hombres
## 4796 795000-796000 0 Hombres
## 4797 796000-797000 0 Hombres
## 4798 797000-798000 0 Hombres
## 4799 798000-799000 0 Hombres
## 4800 799000-8e+05 0 Hombres
## 4801 8e+05-801000 0 Hombres
## 4802 801000-802000 0 Hombres
## 4803 802000-803000 0 Hombres
## 4804 803000-804000 0 Hombres
## 4805 804000-805000 0 Hombres
## 4806 805000-806000 0 Hombres
## 4807 806000-807000 0 Hombres
## 4808 807000-808000 0 Hombres
## 4809 808000-809000 0 Hombres
## 4810 809000-810000 0 Hombres
## 4811 810000-811000 0 Hombres
## 4812 811000-812000 0 Hombres
## 4813 812000-813000 0 Hombres
## 4814 813000-814000 0 Hombres
## 4815 814000-815000 0 Hombres
## 4816 815000-816000 0 Hombres
## 4817 816000-817000 0 Hombres
## 4818 817000-818000 0 Hombres
## 4819 818000-819000 0 Hombres
## 4820 819000-820000 0 Hombres
## 4821 820000-821000 0 Hombres
## 4822 821000-822000 0 Hombres
## 4823 822000-823000 0 Hombres
## 4824 823000-824000 0 Hombres
## 4825 824000-825000 0 Hombres
## 4826 825000-826000 0 Hombres
## 4827 826000-827000 0 Hombres
## 4828 827000-828000 0 Hombres
## 4829 828000-829000 0 Hombres
## 4830 829000-830000 0 Hombres
## 4831 830000-831000 0 Hombres
## 4832 831000-832000 0 Hombres
## 4833 832000-833000 0 Hombres
## 4834 833000-834000 0 Hombres
## 4835 834000-835000 0 Hombres
## 4836 835000-836000 0 Hombres
## 4837 836000-837000 0 Hombres
## 4838 837000-838000 0 Hombres
## 4839 838000-839000 0 Hombres
## 4840 839000-840000 0 Hombres
## 4841 840000-841000 0 Hombres
## 4842 841000-842000 0 Hombres
## 4843 842000-843000 0 Hombres
## 4844 843000-844000 0 Hombres
## 4845 844000-845000 0 Hombres
## 4846 845000-846000 0 Hombres
## 4847 846000-847000 0 Hombres
## 4848 847000-848000 0 Hombres
## 4849 848000-849000 0 Hombres
## 4850 849000-850000 0 Hombres
## 4851 850000-851000 0 Hombres
## 4852 851000-852000 0 Hombres
## 4853 852000-853000 0 Hombres
## 4854 853000-854000 0 Hombres
## 4855 854000-855000 0 Hombres
## 4856 855000-856000 0 Hombres
## 4857 856000-857000 0 Hombres
## 4858 857000-858000 0 Hombres
## 4859 858000-859000 0 Hombres
## 4860 859000-860000 0 Hombres
## 4861 860000-861000 0 Hombres
## 4862 861000-862000 0 Hombres
## 4863 862000-863000 0 Hombres
## 4864 863000-864000 0 Hombres
## 4865 864000-865000 0 Hombres
## 4866 865000-866000 0 Hombres
## 4867 866000-867000 0 Hombres
## 4868 867000-868000 0 Hombres
## 4869 868000-869000 0 Hombres
## 4870 869000-870000 0 Hombres
## 4871 870000-871000 0 Hombres
## 4872 871000-872000 0 Hombres
## 4873 872000-873000 0 Hombres
## 4874 873000-874000 0 Hombres
## 4875 874000-875000 0 Hombres
## 4876 875000-876000 0 Hombres
## 4877 876000-877000 0 Hombres
## 4878 877000-878000 0 Hombres
## 4879 878000-879000 0 Hombres
## 4880 879000-880000 0 Hombres
## 4881 880000-881000 0 Hombres
## 4882 881000-882000 0 Hombres
## 4883 882000-883000 0 Hombres
## 4884 883000-884000 0 Hombres
## 4885 884000-885000 0 Hombres
## 4886 885000-886000 0 Hombres
## 4887 886000-887000 0 Hombres
## 4888 887000-888000 0 Hombres
## 4889 888000-889000 0 Hombres
## 4890 889000-890000 0 Hombres
## 4891 890000-891000 0 Hombres
## 4892 891000-892000 0 Hombres
## 4893 892000-893000 0 Hombres
## 4894 893000-894000 0 Hombres
## 4895 894000-895000 0 Hombres
## 4896 895000-896000 0 Hombres
## 4897 896000-897000 0 Hombres
## 4898 897000-898000 0 Hombres
## 4899 898000-899000 0 Hombres
## 4900 899000-9e+05 0 Hombres
## 4901 9e+05-901000 0 Hombres
## 4902 901000-902000 0 Hombres
## 4903 902000-903000 0 Hombres
## 4904 903000-904000 0 Hombres
## 4905 904000-905000 0 Hombres
## 4906 905000-906000 0 Hombres
## 4907 906000-907000 0 Hombres
## 4908 907000-908000 0 Hombres
## 4909 908000-909000 0 Hombres
## 4910 909000-910000 0 Hombres
## 4911 910000-911000 0 Hombres
## 4912 911000-912000 0 Hombres
## 4913 912000-913000 0 Hombres
## 4914 913000-914000 0 Hombres
## 4915 914000-915000 0 Hombres
## 4916 915000-916000 0 Hombres
## 4917 916000-917000 0 Hombres
## 4918 917000-918000 0 Hombres
## 4919 918000-919000 0 Hombres
## 4920 919000-920000 0 Hombres
## 4921 920000-921000 0 Hombres
## 4922 921000-922000 0 Hombres
## 4923 922000-923000 0 Hombres
## 4924 923000-924000 0 Hombres
## 4925 924000-925000 0 Hombres
## 4926 925000-926000 0 Hombres
## 4927 926000-927000 0 Hombres
## 4928 927000-928000 0 Hombres
## 4929 928000-929000 0 Hombres
## 4930 929000-930000 0 Hombres
## 4931 930000-931000 0 Hombres
## 4932 931000-932000 0 Hombres
## 4933 932000-933000 0 Hombres
## 4934 933000-934000 0 Hombres
## 4935 934000-935000 0 Hombres
## 4936 935000-936000 0 Hombres
## 4937 936000-937000 0 Hombres
## 4938 937000-938000 0 Hombres
## 4939 938000-939000 0 Hombres
## 4940 939000-940000 0 Hombres
## 4941 940000-941000 0 Hombres
## 4942 941000-942000 0 Hombres
## 4943 942000-943000 0 Hombres
## 4944 943000-944000 0 Hombres
## 4945 944000-945000 0 Hombres
## 4946 945000-946000 0 Hombres
## 4947 946000-947000 0 Hombres
## 4948 947000-948000 0 Hombres
## 4949 948000-949000 0 Hombres
## 4950 949000-950000 0 Hombres
## 4951 950000-951000 0 Hombres
## 4952 951000-952000 0 Hombres
## 4953 952000-953000 0 Hombres
## 4954 953000-954000 0 Hombres
## 4955 954000-955000 0 Hombres
## 4956 955000-956000 0 Hombres
## 4957 956000-957000 0 Hombres
## 4958 957000-958000 0 Hombres
## 4959 958000-959000 0 Hombres
## 4960 959000-960000 0 Hombres
## 4961 960000-961000 0 Hombres
## 4962 961000-962000 0 Hombres
## 4963 962000-963000 0 Hombres
## 4964 963000-964000 0 Hombres
## 4965 964000-965000 0 Hombres
## 4966 965000-966000 0 Hombres
## 4967 966000-967000 0 Hombres
## 4968 967000-968000 0 Hombres
## 4969 968000-969000 0 Hombres
## 4970 969000-970000 0 Hombres
## 4971 970000-971000 0 Hombres
## 4972 971000-972000 0 Hombres
## 4973 972000-973000 0 Hombres
## 4974 973000-974000 0 Hombres
## 4975 974000-975000 0 Hombres
## 4976 975000-976000 0 Hombres
## 4977 976000-977000 0 Hombres
## 4978 977000-978000 0 Hombres
## 4979 978000-979000 0 Hombres
## 4980 979000-980000 0 Hombres
## 4981 980000-981000 0 Hombres
## 4982 981000-982000 0 Hombres
## 4983 982000-983000 0 Hombres
## 4984 983000-984000 0 Hombres
## 4985 984000-985000 0 Hombres
## 4986 985000-986000 0 Hombres
## 4987 986000-987000 0 Hombres
## 4988 987000-988000 0 Hombres
## 4989 988000-989000 0 Hombres
## 4990 989000-990000 0 Hombres
## 4991 990000-991000 0 Hombres
## 4992 991000-992000 0 Hombres
## 4993 992000-993000 0 Hombres
## 4994 993000-994000 0 Hombres
## 4995 994000-995000 0 Hombres
## 4996 995000-996000 0 Hombres
## 4997 996000-997000 0 Hombres
## 4998 997000-998000 0 Hombres
## 4999 998000-999000 0 Hombres
## 5000 999000-1e+06 8 Hombres
## 5001 1e+06-1001000 0 Hombres
## 5002 1001000-1002000 0 Hombres
## 5003 1002000-1003000 0 Hombres
## 5004 1003000-1004000 0 Hombres
## 5005 1004000-1005000 0 Hombres
## 5006 1005000-1006000 0 Hombres
## 5007 1006000-1007000 0 Hombres
## 5008 1007000-1008000 0 Hombres
## 5009 1008000-1009000 0 Hombres
## 5010 1009000-1010000 0 Hombres
## 5011 1010000-1011000 0 Hombres
## 5012 1011000-1012000 0 Hombres
## 5013 1012000-1013000 0 Hombres
## 5014 1013000-1014000 0 Hombres
## 5015 1014000-1015000 0 Hombres
## 5016 1015000-1016000 0 Hombres
## 5017 1016000-1017000 0 Hombres
## 5018 1017000-1018000 0 Hombres
## 5019 1018000-1019000 0 Hombres
## 5020 1019000-1020000 0 Hombres
## 5021 1020000-1021000 0 Hombres
## 5022 1021000-1022000 0 Hombres
## 5023 1022000-1023000 0 Hombres
## 5024 1023000-1024000 0 Hombres
## 5025 1024000-1025000 0 Hombres
## 5026 1025000-1026000 0 Hombres
## 5027 1026000-1027000 0 Hombres
## 5028 1027000-1028000 0 Hombres
## 5029 1028000-1029000 0 Hombres
## 5030 1029000-1030000 0 Hombres
## 5031 1030000-1031000 0 Hombres
## 5032 1031000-1032000 0 Hombres
## 5033 1032000-1033000 0 Hombres
## 5034 1033000-1034000 0 Hombres
## 5035 1034000-1035000 0 Hombres
## 5036 1035000-1036000 0 Hombres
## 5037 1036000-1037000 0 Hombres
## 5038 1037000-1038000 0 Hombres
## 5039 1038000-1039000 0 Hombres
## 5040 1039000-1040000 0 Hombres
## 5041 1040000-1041000 0 Hombres
## 5042 1041000-1042000 0 Hombres
## 5043 1042000-1043000 0 Hombres
## 5044 1043000-1044000 0 Hombres
## 5045 1044000-1045000 0 Hombres
## 5046 1045000-1046000 0 Hombres
## 5047 1046000-1047000 0 Hombres
## 5048 1047000-1048000 0 Hombres
## 5049 1048000-1049000 0 Hombres
## 5050 1049000-1050000 0 Hombres
## 5051 1050000-1051000 0 Hombres
## 5052 1051000-1052000 0 Hombres
## 5053 1052000-1053000 0 Hombres
## 5054 1053000-1054000 0 Hombres
## 5055 1054000-1055000 0 Hombres
## 5056 1055000-1056000 0 Hombres
## 5057 1056000-1057000 0 Hombres
## 5058 1057000-1058000 0 Hombres
## 5059 1058000-1059000 0 Hombres
## 5060 1059000-1060000 0 Hombres
## 5061 1060000-1061000 0 Hombres
## 5062 1061000-1062000 0 Hombres
## 5063 1062000-1063000 0 Hombres
## 5064 1063000-1064000 0 Hombres
## 5065 1064000-1065000 0 Hombres
## 5066 1065000-1066000 0 Hombres
## 5067 1066000-1067000 0 Hombres
## 5068 1067000-1068000 0 Hombres
## 5069 1068000-1069000 0 Hombres
## 5070 1069000-1070000 0 Hombres
## 5071 1070000-1071000 0 Hombres
## 5072 1071000-1072000 0 Hombres
## 5073 1072000-1073000 0 Hombres
## 5074 1073000-1074000 0 Hombres
## 5075 1074000-1075000 0 Hombres
## 5076 1075000-1076000 0 Hombres
## 5077 1076000-1077000 0 Hombres
## 5078 1077000-1078000 0 Hombres
## 5079 1078000-1079000 0 Hombres
## 5080 1079000-1080000 0 Hombres
## 5081 1080000-1081000 0 Hombres
## 5082 1081000-1082000 0 Hombres
## 5083 1082000-1083000 0 Hombres
## 5084 1083000-1084000 0 Hombres
## 5085 1084000-1085000 0 Hombres
## 5086 1085000-1086000 0 Hombres
## 5087 1086000-1087000 0 Hombres
## 5088 1087000-1088000 0 Hombres
## 5089 1088000-1089000 0 Hombres
## 5090 1089000-1090000 0 Hombres
## 5091 1090000-1091000 0 Hombres
## 5092 1091000-1092000 0 Hombres
## 5093 1092000-1093000 0 Hombres
## 5094 1093000-1094000 0 Hombres
## 5095 1094000-1095000 0 Hombres
## 5096 1095000-1096000 0 Hombres
## 5097 1096000-1097000 0 Hombres
## 5098 1097000-1098000 0 Hombres
## 5099 1098000-1099000 0 Hombres
## 5100 1099000-1100000 0 Hombres
## 5101 1100000-1101000 0 Hombres
## 5102 1101000-1102000 0 Hombres
## 5103 1102000-1103000 0 Hombres
## 5104 1103000-1104000 0 Hombres
## 5105 1104000-1105000 0 Hombres
## 5106 1105000-1106000 0 Hombres
## 5107 1106000-1107000 0 Hombres
## 5108 1107000-1108000 0 Hombres
## 5109 1108000-1109000 0 Hombres
## 5110 1109000-1110000 0 Hombres
## 5111 1110000-1111000 0 Hombres
## 5112 1111000-1112000 0 Hombres
## 5113 1112000-1113000 0 Hombres
## 5114 1113000-1114000 0 Hombres
## 5115 1114000-1115000 0 Hombres
## 5116 1115000-1116000 0 Hombres
## 5117 1116000-1117000 0 Hombres
## 5118 1117000-1118000 0 Hombres
## 5119 1118000-1119000 0 Hombres
## 5120 1119000-1120000 0 Hombres
## 5121 1120000-1121000 0 Hombres
## 5122 1121000-1122000 0 Hombres
## 5123 1122000-1123000 0 Hombres
## 5124 1123000-1124000 0 Hombres
## 5125 1124000-1125000 0 Hombres
## 5126 1125000-1126000 0 Hombres
## 5127 1126000-1127000 0 Hombres
## 5128 1127000-1128000 0 Hombres
## 5129 1128000-1129000 0 Hombres
## 5130 1129000-1130000 0 Hombres
## 5131 1130000-1131000 0 Hombres
## 5132 1131000-1132000 0 Hombres
## 5133 1132000-1133000 0 Hombres
## 5134 1133000-1134000 0 Hombres
## 5135 1134000-1135000 0 Hombres
## 5136 1135000-1136000 0 Hombres
## 5137 1136000-1137000 0 Hombres
## 5138 1137000-1138000 0 Hombres
## 5139 1138000-1139000 0 Hombres
## 5140 1139000-1140000 0 Hombres
## 5141 1140000-1141000 0 Hombres
## 5142 1141000-1142000 0 Hombres
## 5143 1142000-1143000 0 Hombres
## 5144 1143000-1144000 0 Hombres
## 5145 1144000-1145000 0 Hombres
## 5146 1145000-1146000 0 Hombres
## 5147 1146000-1147000 0 Hombres
## 5148 1147000-1148000 0 Hombres
## 5149 1148000-1149000 0 Hombres
## 5150 1149000-1150000 0 Hombres
## 5151 1150000-1151000 0 Hombres
## 5152 1151000-1152000 0 Hombres
## 5153 1152000-1153000 0 Hombres
## 5154 1153000-1154000 0 Hombres
## 5155 1154000-1155000 0 Hombres
## 5156 1155000-1156000 0 Hombres
## 5157 1156000-1157000 0 Hombres
## 5158 1157000-1158000 0 Hombres
## 5159 1158000-1159000 0 Hombres
## 5160 1159000-1160000 0 Hombres
## 5161 1160000-1161000 0 Hombres
## 5162 1161000-1162000 0 Hombres
## 5163 1162000-1163000 0 Hombres
## 5164 1163000-1164000 0 Hombres
## 5165 1164000-1165000 0 Hombres
## 5166 1165000-1166000 0 Hombres
## 5167 1166000-1167000 0 Hombres
## 5168 1167000-1168000 0 Hombres
## 5169 1168000-1169000 0 Hombres
## 5170 1169000-1170000 0 Hombres
## 5171 1170000-1171000 0 Hombres
## 5172 1171000-1172000 0 Hombres
## 5173 1172000-1173000 0 Hombres
## 5174 1173000-1174000 0 Hombres
## 5175 1174000-1175000 0 Hombres
## 5176 1175000-1176000 0 Hombres
## 5177 1176000-1177000 0 Hombres
## 5178 1177000-1178000 0 Hombres
## 5179 1178000-1179000 0 Hombres
## 5180 1179000-1180000 0 Hombres
## 5181 1180000-1181000 0 Hombres
## 5182 1181000-1182000 0 Hombres
## 5183 1182000-1183000 0 Hombres
## 5184 1183000-1184000 0 Hombres
## 5185 1184000-1185000 0 Hombres
## 5186 1185000-1186000 0 Hombres
## 5187 1186000-1187000 0 Hombres
## 5188 1187000-1188000 0 Hombres
## 5189 1188000-1189000 0 Hombres
## 5190 1189000-1190000 0 Hombres
## 5191 1190000-1191000 0 Hombres
## 5192 1191000-1192000 0 Hombres
## 5193 1192000-1193000 0 Hombres
## 5194 1193000-1194000 0 Hombres
## 5195 1194000-1195000 0 Hombres
## 5196 1195000-1196000 0 Hombres
## 5197 1196000-1197000 0 Hombres
## 5198 1197000-1198000 0 Hombres
## 5199 1198000-1199000 0 Hombres
## 5200 1199000-1200000 0 Hombres
## 5201 1200000-1201000 0 Hombres
## 5202 1201000-1202000 0 Hombres
## 5203 1202000-1203000 0 Hombres
## 5204 1203000-1204000 0 Hombres
## 5205 1204000-1205000 0 Hombres
## 5206 1205000-1206000 0 Hombres
## 5207 1206000-1207000 0 Hombres
## 5208 1207000-1208000 0 Hombres
## 5209 1208000-1209000 0 Hombres
## 5210 1209000-1210000 0 Hombres
## 5211 1210000-1211000 0 Hombres
## 5212 1211000-1212000 0 Hombres
## 5213 1212000-1213000 0 Hombres
## 5214 1213000-1214000 0 Hombres
## 5215 1214000-1215000 0 Hombres
## 5216 1215000-1216000 0 Hombres
## 5217 1216000-1217000 0 Hombres
## 5218 1217000-1218000 0 Hombres
## 5219 1218000-1219000 0 Hombres
## 5220 1219000-1220000 0 Hombres
## 5221 1220000-1221000 0 Hombres
## 5222 1221000-1222000 0 Hombres
## 5223 1222000-1223000 0 Hombres
## 5224 1223000-1224000 0 Hombres
## 5225 1224000-1225000 0 Hombres
## 5226 1225000-1226000 0 Hombres
## 5227 1226000-1227000 0 Hombres
## 5228 1227000-1228000 0 Hombres
## 5229 1228000-1229000 0 Hombres
## 5230 1229000-1230000 0 Hombres
## 5231 1230000-1231000 0 Hombres
## 5232 1231000-1232000 0 Hombres
## 5233 1232000-1233000 0 Hombres
## 5234 1233000-1234000 0 Hombres
## 5235 1234000-1235000 0 Hombres
## 5236 1235000-1236000 0 Hombres
## 5237 1236000-1237000 0 Hombres
## 5238 1237000-1238000 0 Hombres
## 5239 1238000-1239000 0 Hombres
## 5240 1239000-1240000 0 Hombres
## 5241 1240000-1241000 0 Hombres
## 5242 1241000-1242000 0 Hombres
## 5243 1242000-1243000 0 Hombres
## 5244 1243000-1244000 0 Hombres
## 5245 1244000-1245000 0 Hombres
## 5246 1245000-1246000 0 Hombres
## 5247 1246000-1247000 0 Hombres
## 5248 1247000-1248000 0 Hombres
## 5249 1248000-1249000 0 Hombres
## 5250 1249000-1250000 0 Hombres
## 5251 1250000-1251000 0 Hombres
## 5252 1251000-1252000 0 Hombres
## 5253 1252000-1253000 0 Hombres
## 5254 1253000-1254000 0 Hombres
## 5255 1254000-1255000 0 Hombres
## 5256 1255000-1256000 0 Hombres
## 5257 1256000-1257000 0 Hombres
## 5258 1257000-1258000 0 Hombres
## 5259 1258000-1259000 0 Hombres
## 5260 1259000-1260000 0 Hombres
## 5261 1260000-1261000 0 Hombres
## 5262 1261000-1262000 0 Hombres
## 5263 1262000-1263000 0 Hombres
## 5264 1263000-1264000 0 Hombres
## 5265 1264000-1265000 0 Hombres
## 5266 1265000-1266000 0 Hombres
## 5267 1266000-1267000 0 Hombres
## 5268 1267000-1268000 0 Hombres
## 5269 1268000-1269000 0 Hombres
## 5270 1269000-1270000 0 Hombres
## 5271 1270000-1271000 0 Hombres
## 5272 1271000-1272000 0 Hombres
## 5273 1272000-1273000 0 Hombres
## 5274 1273000-1274000 0 Hombres
## 5275 1274000-1275000 0 Hombres
## 5276 1275000-1276000 0 Hombres
## 5277 1276000-1277000 0 Hombres
## 5278 1277000-1278000 0 Hombres
## 5279 1278000-1279000 0 Hombres
## 5280 1279000-1280000 0 Hombres
## 5281 1280000-1281000 0 Hombres
## 5282 1281000-1282000 0 Hombres
## 5283 1282000-1283000 0 Hombres
## 5284 1283000-1284000 0 Hombres
## 5285 1284000-1285000 0 Hombres
## 5286 1285000-1286000 0 Hombres
## 5287 1286000-1287000 0 Hombres
## 5288 1287000-1288000 0 Hombres
## 5289 1288000-1289000 0 Hombres
## 5290 1289000-1290000 0 Hombres
## 5291 1290000-1291000 0 Hombres
## 5292 1291000-1292000 0 Hombres
## 5293 1292000-1293000 0 Hombres
## 5294 1293000-1294000 0 Hombres
## 5295 1294000-1295000 0 Hombres
## 5296 1295000-1296000 0 Hombres
## 5297 1296000-1297000 0 Hombres
## 5298 1297000-1298000 0 Hombres
## 5299 1298000-1299000 0 Hombres
## 5300 1299000-1300000 0 Hombres
## 5301 1300000-1301000 0 Hombres
## 5302 1301000-1302000 0 Hombres
## 5303 1302000-1303000 0 Hombres
## 5304 1303000-1304000 0 Hombres
## 5305 1304000-1305000 0 Hombres
## 5306 1305000-1306000 0 Hombres
## 5307 1306000-1307000 0 Hombres
## 5308 1307000-1308000 0 Hombres
## 5309 1308000-1309000 0 Hombres
## 5310 1309000-1310000 0 Hombres
## 5311 1310000-1311000 0 Hombres
## 5312 1311000-1312000 0 Hombres
## 5313 1312000-1313000 0 Hombres
## 5314 1313000-1314000 0 Hombres
## 5315 1314000-1315000 0 Hombres
## 5316 1315000-1316000 0 Hombres
## 5317 1316000-1317000 0 Hombres
## 5318 1317000-1318000 0 Hombres
## 5319 1318000-1319000 0 Hombres
## 5320 1319000-1320000 0 Hombres
## 5321 1320000-1321000 0 Hombres
## 5322 1321000-1322000 0 Hombres
## 5323 1322000-1323000 0 Hombres
## 5324 1323000-1324000 0 Hombres
## 5325 1324000-1325000 0 Hombres
## 5326 1325000-1326000 0 Hombres
## 5327 1326000-1327000 0 Hombres
## 5328 1327000-1328000 0 Hombres
## 5329 1328000-1329000 0 Hombres
## 5330 1329000-1330000 0 Hombres
## 5331 1330000-1331000 0 Hombres
## 5332 1331000-1332000 0 Hombres
## 5333 1332000-1333000 0 Hombres
## 5334 1333000-1334000 0 Hombres
## 5335 1334000-1335000 0 Hombres
## 5336 1335000-1336000 0 Hombres
## 5337 1336000-1337000 0 Hombres
## 5338 1337000-1338000 0 Hombres
## 5339 1338000-1339000 0 Hombres
## 5340 1339000-1340000 0 Hombres
## 5341 1340000-1341000 0 Hombres
## 5342 1341000-1342000 0 Hombres
## 5343 1342000-1343000 0 Hombres
## 5344 1343000-1344000 0 Hombres
## 5345 1344000-1345000 0 Hombres
## 5346 1345000-1346000 0 Hombres
## 5347 1346000-1347000 0 Hombres
## 5348 1347000-1348000 0 Hombres
## 5349 1348000-1349000 0 Hombres
## 5350 1349000-1350000 0 Hombres
## 5351 1350000-1351000 0 Hombres
## 5352 1351000-1352000 0 Hombres
## 5353 1352000-1353000 0 Hombres
## 5354 1353000-1354000 0 Hombres
## 5355 1354000-1355000 0 Hombres
## 5356 1355000-1356000 0 Hombres
## 5357 1356000-1357000 0 Hombres
## 5358 1357000-1358000 0 Hombres
## 5359 1358000-1359000 0 Hombres
## 5360 1359000-1360000 0 Hombres
## 5361 1360000-1361000 0 Hombres
## 5362 1361000-1362000 0 Hombres
## 5363 1362000-1363000 0 Hombres
## 5364 1363000-1364000 0 Hombres
## 5365 1364000-1365000 0 Hombres
## 5366 1365000-1366000 0 Hombres
## 5367 1366000-1367000 0 Hombres
## 5368 1367000-1368000 0 Hombres
## 5369 1368000-1369000 0 Hombres
## 5370 1369000-1370000 0 Hombres
## 5371 1370000-1371000 0 Hombres
## 5372 1371000-1372000 0 Hombres
## 5373 1372000-1373000 0 Hombres
## 5374 1373000-1374000 0 Hombres
## 5375 1374000-1375000 0 Hombres
## 5376 1375000-1376000 0 Hombres
## 5377 1376000-1377000 0 Hombres
## 5378 1377000-1378000 0 Hombres
## 5379 1378000-1379000 0 Hombres
## 5380 1379000-1380000 0 Hombres
## 5381 1380000-1381000 0 Hombres
## 5382 1381000-1382000 0 Hombres
## 5383 1382000-1383000 0 Hombres
## 5384 1383000-1384000 0 Hombres
## 5385 1384000-1385000 0 Hombres
## 5386 1385000-1386000 0 Hombres
## 5387 1386000-1387000 0 Hombres
## 5388 1387000-1388000 0 Hombres
## 5389 1388000-1389000 0 Hombres
## 5390 1389000-1390000 0 Hombres
## 5391 1390000-1391000 0 Hombres
## 5392 1391000-1392000 0 Hombres
## 5393 1392000-1393000 0 Hombres
## 5394 1393000-1394000 0 Hombres
## 5395 1394000-1395000 0 Hombres
## 5396 1395000-1396000 0 Hombres
## 5397 1396000-1397000 0 Hombres
## 5398 1397000-1398000 0 Hombres
## 5399 1398000-1399000 0 Hombres
## 5400 1399000-1400000 0 Hombres
## 5401 1400000-1401000 0 Hombres
## 5402 1401000-1402000 0 Hombres
## 5403 1402000-1403000 0 Hombres
## 5404 1403000-1404000 0 Hombres
## 5405 1404000-1405000 0 Hombres
## 5406 1405000-1406000 0 Hombres
## 5407 1406000-1407000 0 Hombres
## 5408 1407000-1408000 0 Hombres
## 5409 1408000-1409000 0 Hombres
## 5410 1409000-1410000 0 Hombres
## 5411 1410000-1411000 0 Hombres
## 5412 1411000-1412000 0 Hombres
## 5413 1412000-1413000 0 Hombres
## 5414 1413000-1414000 0 Hombres
## 5415 1414000-1415000 0 Hombres
## 5416 1415000-1416000 0 Hombres
## 5417 1416000-1417000 0 Hombres
## 5418 1417000-1418000 0 Hombres
## 5419 1418000-1419000 0 Hombres
## 5420 1419000-1420000 0 Hombres
## 5421 1420000-1421000 0 Hombres
## 5422 1421000-1422000 0 Hombres
## 5423 1422000-1423000 0 Hombres
## 5424 1423000-1424000 0 Hombres
## 5425 1424000-1425000 0 Hombres
## 5426 1425000-1426000 0 Hombres
## 5427 1426000-1427000 0 Hombres
## 5428 1427000-1428000 0 Hombres
## 5429 1428000-1429000 0 Hombres
## 5430 1429000-1430000 0 Hombres
## 5431 1430000-1431000 0 Hombres
## 5432 1431000-1432000 0 Hombres
## 5433 1432000-1433000 0 Hombres
## 5434 1433000-1434000 0 Hombres
## 5435 1434000-1435000 0 Hombres
## 5436 1435000-1436000 0 Hombres
## 5437 1436000-1437000 0 Hombres
## 5438 1437000-1438000 0 Hombres
## 5439 1438000-1439000 0 Hombres
## 5440 1439000-1440000 0 Hombres
## 5441 1440000-1441000 0 Hombres
## 5442 1441000-1442000 0 Hombres
## 5443 1442000-1443000 0 Hombres
## 5444 1443000-1444000 0 Hombres
## 5445 1444000-1445000 0 Hombres
## 5446 1445000-1446000 0 Hombres
## 5447 1446000-1447000 0 Hombres
## 5448 1447000-1448000 0 Hombres
## 5449 1448000-1449000 0 Hombres
## 5450 1449000-1450000 0 Hombres
## 5451 1450000-1451000 0 Hombres
## 5452 1451000-1452000 0 Hombres
## 5453 1452000-1453000 0 Hombres
## 5454 1453000-1454000 0 Hombres
## 5455 1454000-1455000 0 Hombres
## 5456 1455000-1456000 0 Hombres
## 5457 1456000-1457000 0 Hombres
## 5458 1457000-1458000 0 Hombres
## 5459 1458000-1459000 0 Hombres
## 5460 1459000-1460000 0 Hombres
## 5461 1460000-1461000 0 Hombres
## 5462 1461000-1462000 0 Hombres
## 5463 1462000-1463000 0 Hombres
## 5464 1463000-1464000 0 Hombres
## 5465 1464000-1465000 0 Hombres
## 5466 1465000-1466000 0 Hombres
## 5467 1466000-1467000 0 Hombres
## 5468 1467000-1468000 0 Hombres
## 5469 1468000-1469000 0 Hombres
## 5470 1469000-1470000 0 Hombres
## 5471 1470000-1471000 0 Hombres
## 5472 1471000-1472000 0 Hombres
## 5473 1472000-1473000 0 Hombres
## 5474 1473000-1474000 0 Hombres
## 5475 1474000-1475000 0 Hombres
## 5476 1475000-1476000 0 Hombres
## 5477 1476000-1477000 0 Hombres
## 5478 1477000-1478000 0 Hombres
## 5479 1478000-1479000 0 Hombres
## 5480 1479000-1480000 0 Hombres
## 5481 1480000-1481000 0 Hombres
## 5482 1481000-1482000 0 Hombres
## 5483 1482000-1483000 0 Hombres
## 5484 1483000-1484000 0 Hombres
## 5485 1484000-1485000 0 Hombres
## 5486 1485000-1486000 0 Hombres
## 5487 1486000-1487000 0 Hombres
## 5488 1487000-1488000 0 Hombres
## 5489 1488000-1489000 0 Hombres
## 5490 1489000-1490000 0 Hombres
## 5491 1490000-1491000 0 Hombres
## 5492 1491000-1492000 0 Hombres
## 5493 1492000-1493000 0 Hombres
## 5494 1493000-1494000 0 Hombres
## 5495 1494000-1495000 0 Hombres
## 5496 1495000-1496000 0 Hombres
## 5497 1496000-1497000 0 Hombres
## 5498 1497000-1498000 0 Hombres
## 5499 1498000-1499000 0 Hombres
## 5500 1499000-1500000 0 Hombres
## 5501 1500000-1501000 0 Hombres
## 5502 1501000-1502000 0 Hombres
## 5503 1502000-1503000 0 Hombres
## 5504 1503000-1504000 0 Hombres
## 5505 1504000-1505000 0 Hombres
## 5506 1505000-1506000 0 Hombres
## 5507 1506000-1507000 0 Hombres
## 5508 1507000-1508000 0 Hombres
## 5509 1508000-1509000 0 Hombres
## 5510 1509000-1510000 0 Hombres
## 5511 1510000-1511000 0 Hombres
## 5512 1511000-1512000 0 Hombres
## 5513 1512000-1513000 0 Hombres
## 5514 1513000-1514000 0 Hombres
## 5515 1514000-1515000 0 Hombres
## 5516 1515000-1516000 0 Hombres
## 5517 1516000-1517000 0 Hombres
## 5518 1517000-1518000 0 Hombres
## 5519 1518000-1519000 0 Hombres
## 5520 1519000-1520000 0 Hombres
## 5521 1520000-1521000 0 Hombres
## 5522 1521000-1522000 0 Hombres
## 5523 1522000-1523000 0 Hombres
## 5524 1523000-1524000 0 Hombres
## 5525 1524000-1525000 0 Hombres
## 5526 1525000-1526000 0 Hombres
## 5527 1526000-1527000 0 Hombres
## 5528 1527000-1528000 0 Hombres
## 5529 1528000-1529000 0 Hombres
## 5530 1529000-1530000 0 Hombres
## 5531 1530000-1531000 0 Hombres
## 5532 1531000-1532000 0 Hombres
## 5533 1532000-1533000 0 Hombres
## 5534 1533000-1534000 0 Hombres
## 5535 1534000-1535000 0 Hombres
## 5536 1535000-1536000 0 Hombres
## 5537 1536000-1537000 0 Hombres
## 5538 1537000-1538000 0 Hombres
## 5539 1538000-1539000 0 Hombres
## 5540 1539000-1540000 0 Hombres
## 5541 1540000-1541000 0 Hombres
## 5542 1541000-1542000 0 Hombres
## 5543 1542000-1543000 0 Hombres
## 5544 1543000-1544000 0 Hombres
## 5545 1544000-1545000 0 Hombres
## 5546 1545000-1546000 0 Hombres
## 5547 1546000-1547000 0 Hombres
## 5548 1547000-1548000 0 Hombres
## 5549 1548000-1549000 0 Hombres
## 5550 1549000-1550000 0 Hombres
## 5551 1550000-1551000 0 Hombres
## 5552 1551000-1552000 0 Hombres
## 5553 1552000-1553000 0 Hombres
## 5554 1553000-1554000 0 Hombres
## 5555 1554000-1555000 0 Hombres
## 5556 1555000-1556000 0 Hombres
## 5557 1556000-1557000 0 Hombres
## 5558 1557000-1558000 0 Hombres
## 5559 1558000-1559000 0 Hombres
## 5560 1559000-1560000 0 Hombres
## 5561 1560000-1561000 0 Hombres
## 5562 1561000-1562000 0 Hombres
## 5563 1562000-1563000 0 Hombres
## 5564 1563000-1564000 0 Hombres
## 5565 1564000-1565000 0 Hombres
## 5566 1565000-1566000 0 Hombres
## 5567 1566000-1567000 0 Hombres
## 5568 1567000-1568000 0 Hombres
## 5569 1568000-1569000 0 Hombres
## 5570 1569000-1570000 0 Hombres
## 5571 1570000-1571000 0 Hombres
## 5572 1571000-1572000 0 Hombres
## 5573 1572000-1573000 0 Hombres
## 5574 1573000-1574000 0 Hombres
## 5575 1574000-1575000 0 Hombres
## 5576 1575000-1576000 0 Hombres
## 5577 1576000-1577000 0 Hombres
## 5578 1577000-1578000 0 Hombres
## 5579 1578000-1579000 0 Hombres
## 5580 1579000-1580000 0 Hombres
## 5581 1580000-1581000 0 Hombres
## 5582 1581000-1582000 0 Hombres
## 5583 1582000-1583000 0 Hombres
## 5584 1583000-1584000 0 Hombres
## 5585 1584000-1585000 0 Hombres
## 5586 1585000-1586000 0 Hombres
## 5587 1586000-1587000 0 Hombres
## 5588 1587000-1588000 0 Hombres
## 5589 1588000-1589000 0 Hombres
## 5590 1589000-1590000 0 Hombres
## 5591 1590000-1591000 0 Hombres
## 5592 1591000-1592000 0 Hombres
## 5593 1592000-1593000 0 Hombres
## 5594 1593000-1594000 0 Hombres
## 5595 1594000-1595000 0 Hombres
## 5596 1595000-1596000 0 Hombres
## 5597 1596000-1597000 0 Hombres
## 5598 1597000-1598000 0 Hombres
## 5599 1598000-1599000 0 Hombres
## 5600 1599000-1600000 0 Hombres
## 5601 1600000-1601000 0 Hombres
## 5602 1601000-1602000 0 Hombres
## 5603 1602000-1603000 0 Hombres
## 5604 1603000-1604000 0 Hombres
## 5605 1604000-1605000 0 Hombres
## 5606 1605000-1606000 0 Hombres
## 5607 1606000-1607000 0 Hombres
## 5608 1607000-1608000 0 Hombres
## 5609 1608000-1609000 0 Hombres
## 5610 1609000-1610000 0 Hombres
## 5611 1610000-1611000 0 Hombres
## 5612 1611000-1612000 0 Hombres
## 5613 1612000-1613000 0 Hombres
## 5614 1613000-1614000 0 Hombres
## 5615 1614000-1615000 0 Hombres
## 5616 1615000-1616000 0 Hombres
## 5617 1616000-1617000 0 Hombres
## 5618 1617000-1618000 0 Hombres
## 5619 1618000-1619000 0 Hombres
## 5620 1619000-1620000 0 Hombres
## 5621 1620000-1621000 0 Hombres
## 5622 1621000-1622000 0 Hombres
## 5623 1622000-1623000 0 Hombres
## 5624 1623000-1624000 0 Hombres
## 5625 1624000-1625000 0 Hombres
## 5626 1625000-1626000 0 Hombres
## 5627 1626000-1627000 0 Hombres
## 5628 1627000-1628000 0 Hombres
## 5629 1628000-1629000 0 Hombres
## 5630 1629000-1630000 0 Hombres
## 5631 1630000-1631000 0 Hombres
## 5632 1631000-1632000 0 Hombres
## 5633 1632000-1633000 0 Hombres
## 5634 1633000-1634000 0 Hombres
## 5635 1634000-1635000 0 Hombres
## 5636 1635000-1636000 0 Hombres
## 5637 1636000-1637000 0 Hombres
## 5638 1637000-1638000 0 Hombres
## 5639 1638000-1639000 0 Hombres
## 5640 1639000-1640000 0 Hombres
## 5641 1640000-1641000 0 Hombres
## 5642 1641000-1642000 0 Hombres
## 5643 1642000-1643000 0 Hombres
## 5644 1643000-1644000 0 Hombres
## 5645 1644000-1645000 0 Hombres
## 5646 1645000-1646000 0 Hombres
## 5647 1646000-1647000 0 Hombres
## 5648 1647000-1648000 0 Hombres
## 5649 1648000-1649000 0 Hombres
## 5650 1649000-1650000 0 Hombres
## 5651 1650000-1651000 0 Hombres
## 5652 1651000-1652000 0 Hombres
## 5653 1652000-1653000 0 Hombres
## 5654 1653000-1654000 0 Hombres
## 5655 1654000-1655000 0 Hombres
## 5656 1655000-1656000 0 Hombres
## 5657 1656000-1657000 0 Hombres
## 5658 1657000-1658000 0 Hombres
## 5659 1658000-1659000 0 Hombres
## 5660 1659000-1660000 0 Hombres
## 5661 1660000-1661000 0 Hombres
## 5662 1661000-1662000 0 Hombres
## 5663 1662000-1663000 0 Hombres
## 5664 1663000-1664000 0 Hombres
## 5665 1664000-1665000 0 Hombres
## 5666 1665000-1666000 0 Hombres
## 5667 1666000-1667000 0 Hombres
## 5668 1667000-1668000 0 Hombres
## 5669 1668000-1669000 0 Hombres
## 5670 1669000-1670000 0 Hombres
## 5671 1670000-1671000 0 Hombres
## 5672 1671000-1672000 0 Hombres
## 5673 1672000-1673000 0 Hombres
## 5674 1673000-1674000 0 Hombres
## 5675 1674000-1675000 0 Hombres
## 5676 1675000-1676000 0 Hombres
## 5677 1676000-1677000 0 Hombres
## 5678 1677000-1678000 0 Hombres
## 5679 1678000-1679000 0 Hombres
## 5680 1679000-1680000 0 Hombres
## 5681 1680000-1681000 0 Hombres
## 5682 1681000-1682000 0 Hombres
## 5683 1682000-1683000 0 Hombres
## 5684 1683000-1684000 0 Hombres
## 5685 1684000-1685000 0 Hombres
## 5686 1685000-1686000 0 Hombres
## 5687 1686000-1687000 0 Hombres
## 5688 1687000-1688000 0 Hombres
## 5689 1688000-1689000 0 Hombres
## 5690 1689000-1690000 0 Hombres
## 5691 1690000-1691000 0 Hombres
## 5692 1691000-1692000 0 Hombres
## 5693 1692000-1693000 0 Hombres
## 5694 1693000-1694000 0 Hombres
## 5695 1694000-1695000 0 Hombres
## 5696 1695000-1696000 0 Hombres
## 5697 1696000-1697000 0 Hombres
## 5698 1697000-1698000 0 Hombres
## 5699 1698000-1699000 0 Hombres
## 5700 1699000-1700000 0 Hombres
## 5701 1700000-1701000 0 Hombres
## 5702 1701000-1702000 0 Hombres
## 5703 1702000-1703000 0 Hombres
## 5704 1703000-1704000 0 Hombres
## 5705 1704000-1705000 0 Hombres
## 5706 1705000-1706000 0 Hombres
## 5707 1706000-1707000 0 Hombres
## 5708 1707000-1708000 0 Hombres
## 5709 1708000-1709000 0 Hombres
## 5710 1709000-1710000 0 Hombres
## 5711 1710000-1711000 0 Hombres
## 5712 1711000-1712000 0 Hombres
## 5713 1712000-1713000 0 Hombres
## 5714 1713000-1714000 0 Hombres
## 5715 1714000-1715000 0 Hombres
## 5716 1715000-1716000 0 Hombres
## 5717 1716000-1717000 0 Hombres
## 5718 1717000-1718000 0 Hombres
## 5719 1718000-1719000 0 Hombres
## 5720 1719000-1720000 0 Hombres
## 5721 1720000-1721000 0 Hombres
## 5722 1721000-1722000 0 Hombres
## 5723 1722000-1723000 0 Hombres
## 5724 1723000-1724000 0 Hombres
## 5725 1724000-1725000 0 Hombres
## 5726 1725000-1726000 0 Hombres
## 5727 1726000-1727000 0 Hombres
## 5728 1727000-1728000 0 Hombres
## 5729 1728000-1729000 0 Hombres
## 5730 1729000-1730000 0 Hombres
## 5731 1730000-1731000 0 Hombres
## 5732 1731000-1732000 0 Hombres
## 5733 1732000-1733000 0 Hombres
## 5734 1733000-1734000 0 Hombres
## 5735 1734000-1735000 0 Hombres
## 5736 1735000-1736000 0 Hombres
## 5737 1736000-1737000 0 Hombres
## 5738 1737000-1738000 0 Hombres
## 5739 1738000-1739000 0 Hombres
## 5740 1739000-1740000 0 Hombres
## 5741 1740000-1741000 0 Hombres
## 5742 1741000-1742000 0 Hombres
## 5743 1742000-1743000 0 Hombres
## 5744 1743000-1744000 0 Hombres
## 5745 1744000-1745000 0 Hombres
## 5746 1745000-1746000 0 Hombres
## 5747 1746000-1747000 0 Hombres
## 5748 1747000-1748000 0 Hombres
## 5749 1748000-1749000 0 Hombres
## 5750 1749000-1750000 0 Hombres
## 5751 1750000-1751000 0 Hombres
## 5752 1751000-1752000 0 Hombres
## 5753 1752000-1753000 0 Hombres
## 5754 1753000-1754000 0 Hombres
## 5755 1754000-1755000 0 Hombres
## 5756 1755000-1756000 0 Hombres
## 5757 1756000-1757000 0 Hombres
## 5758 1757000-1758000 0 Hombres
## 5759 1758000-1759000 0 Hombres
## 5760 1759000-1760000 0 Hombres
## 5761 1760000-1761000 0 Hombres
## 5762 1761000-1762000 0 Hombres
## 5763 1762000-1763000 0 Hombres
## 5764 1763000-1764000 0 Hombres
## 5765 1764000-1765000 0 Hombres
## 5766 1765000-1766000 0 Hombres
## 5767 1766000-1767000 0 Hombres
## 5768 1767000-1768000 0 Hombres
## 5769 1768000-1769000 0 Hombres
## 5770 1769000-1770000 0 Hombres
## 5771 1770000-1771000 0 Hombres
## 5772 1771000-1772000 0 Hombres
## 5773 1772000-1773000 0 Hombres
## 5774 1773000-1774000 0 Hombres
## 5775 1774000-1775000 0 Hombres
## 5776 1775000-1776000 0 Hombres
## 5777 1776000-1777000 0 Hombres
## 5778 1777000-1778000 0 Hombres
## 5779 1778000-1779000 0 Hombres
## 5780 1779000-1780000 0 Hombres
## 5781 1780000-1781000 0 Hombres
## 5782 1781000-1782000 0 Hombres
## 5783 1782000-1783000 0 Hombres
## 5784 1783000-1784000 0 Hombres
## 5785 1784000-1785000 0 Hombres
## 5786 1785000-1786000 0 Hombres
## 5787 1786000-1787000 0 Hombres
## 5788 1787000-1788000 0 Hombres
## 5789 1788000-1789000 0 Hombres
## 5790 1789000-1790000 0 Hombres
## 5791 1790000-1791000 0 Hombres
## 5792 1791000-1792000 0 Hombres
## 5793 1792000-1793000 0 Hombres
## 5794 1793000-1794000 0 Hombres
## 5795 1794000-1795000 0 Hombres
## 5796 1795000-1796000 0 Hombres
## 5797 1796000-1797000 0 Hombres
## 5798 1797000-1798000 0 Hombres
## 5799 1798000-1799000 0 Hombres
## 5800 1799000-1800000 0 Hombres
## 5801 1800000-1801000 0 Hombres
## 5802 1801000-1802000 0 Hombres
## 5803 1802000-1803000 0 Hombres
## 5804 1803000-1804000 0 Hombres
## 5805 1804000-1805000 0 Hombres
## 5806 1805000-1806000 0 Hombres
## 5807 1806000-1807000 0 Hombres
## 5808 1807000-1808000 0 Hombres
## 5809 1808000-1809000 0 Hombres
## 5810 1809000-1810000 0 Hombres
## 5811 1810000-1811000 0 Hombres
## 5812 1811000-1812000 0 Hombres
## 5813 1812000-1813000 0 Hombres
## 5814 1813000-1814000 0 Hombres
## 5815 1814000-1815000 0 Hombres
## 5816 1815000-1816000 0 Hombres
## 5817 1816000-1817000 0 Hombres
## 5818 1817000-1818000 0 Hombres
## 5819 1818000-1819000 0 Hombres
## 5820 1819000-1820000 0 Hombres
## 5821 1820000-1821000 0 Hombres
## 5822 1821000-1822000 0 Hombres
## 5823 1822000-1823000 0 Hombres
## 5824 1823000-1824000 0 Hombres
## 5825 1824000-1825000 0 Hombres
## 5826 1825000-1826000 0 Hombres
## 5827 1826000-1827000 0 Hombres
## 5828 1827000-1828000 0 Hombres
## 5829 1828000-1829000 0 Hombres
## 5830 1829000-1830000 0 Hombres
## 5831 1830000-1831000 0 Hombres
## 5832 1831000-1832000 0 Hombres
## 5833 1832000-1833000 0 Hombres
## 5834 1833000-1834000 0 Hombres
## 5835 1834000-1835000 0 Hombres
## 5836 1835000-1836000 0 Hombres
## 5837 1836000-1837000 0 Hombres
## 5838 1837000-1838000 0 Hombres
## 5839 1838000-1839000 0 Hombres
## 5840 1839000-1840000 0 Hombres
## 5841 1840000-1841000 0 Hombres
## 5842 1841000-1842000 0 Hombres
## 5843 1842000-1843000 0 Hombres
## 5844 1843000-1844000 0 Hombres
## 5845 1844000-1845000 0 Hombres
## 5846 1845000-1846000 0 Hombres
## 5847 1846000-1847000 0 Hombres
## 5848 1847000-1848000 0 Hombres
## 5849 1848000-1849000 0 Hombres
## 5850 1849000-1850000 0 Hombres
## 5851 1850000-1851000 0 Hombres
## 5852 1851000-1852000 0 Hombres
## 5853 1852000-1853000 0 Hombres
## 5854 1853000-1854000 0 Hombres
## 5855 1854000-1855000 0 Hombres
## 5856 1855000-1856000 0 Hombres
## 5857 1856000-1857000 0 Hombres
## 5858 1857000-1858000 0 Hombres
## 5859 1858000-1859000 0 Hombres
## 5860 1859000-1860000 0 Hombres
## 5861 1860000-1861000 0 Hombres
## 5862 1861000-1862000 0 Hombres
## 5863 1862000-1863000 0 Hombres
## 5864 1863000-1864000 0 Hombres
## 5865 1864000-1865000 0 Hombres
## 5866 1865000-1866000 0 Hombres
## 5867 1866000-1867000 0 Hombres
## 5868 1867000-1868000 0 Hombres
## 5869 1868000-1869000 0 Hombres
## 5870 1869000-1870000 0 Hombres
## 5871 1870000-1871000 0 Hombres
## 5872 1871000-1872000 0 Hombres
## 5873 1872000-1873000 0 Hombres
## 5874 1873000-1874000 0 Hombres
## 5875 1874000-1875000 0 Hombres
## 5876 1875000-1876000 0 Hombres
## 5877 1876000-1877000 0 Hombres
## 5878 1877000-1878000 0 Hombres
## 5879 1878000-1879000 0 Hombres
## 5880 1879000-1880000 0 Hombres
## 5881 1880000-1881000 0 Hombres
## 5882 1881000-1882000 0 Hombres
## 5883 1882000-1883000 0 Hombres
## 5884 1883000-1884000 0 Hombres
## 5885 1884000-1885000 0 Hombres
## 5886 1885000-1886000 0 Hombres
## 5887 1886000-1887000 0 Hombres
## 5888 1887000-1888000 0 Hombres
## 5889 1888000-1889000 0 Hombres
## 5890 1889000-1890000 0 Hombres
## 5891 1890000-1891000 0 Hombres
## 5892 1891000-1892000 0 Hombres
## 5893 1892000-1893000 0 Hombres
## 5894 1893000-1894000 0 Hombres
## 5895 1894000-1895000 0 Hombres
## 5896 1895000-1896000 0 Hombres
## 5897 1896000-1897000 0 Hombres
## 5898 1897000-1898000 0 Hombres
## 5899 1898000-1899000 0 Hombres
## 5900 1899000-1900000 0 Hombres
## 5901 1900000-1901000 0 Hombres
## 5902 1901000-1902000 0 Hombres
## 5903 1902000-1903000 0 Hombres
## 5904 1903000-1904000 0 Hombres
## 5905 1904000-1905000 0 Hombres
## 5906 1905000-1906000 0 Hombres
## 5907 1906000-1907000 0 Hombres
## 5908 1907000-1908000 0 Hombres
## 5909 1908000-1909000 0 Hombres
## 5910 1909000-1910000 0 Hombres
## 5911 1910000-1911000 0 Hombres
## 5912 1911000-1912000 0 Hombres
## 5913 1912000-1913000 0 Hombres
## 5914 1913000-1914000 0 Hombres
## 5915 1914000-1915000 0 Hombres
## 5916 1915000-1916000 0 Hombres
## 5917 1916000-1917000 0 Hombres
## 5918 1917000-1918000 0 Hombres
## 5919 1918000-1919000 0 Hombres
## 5920 1919000-1920000 0 Hombres
## 5921 1920000-1921000 0 Hombres
## 5922 1921000-1922000 0 Hombres
## 5923 1922000-1923000 0 Hombres
## 5924 1923000-1924000 0 Hombres
## 5925 1924000-1925000 0 Hombres
## 5926 1925000-1926000 0 Hombres
## 5927 1926000-1927000 0 Hombres
## 5928 1927000-1928000 0 Hombres
## 5929 1928000-1929000 0 Hombres
## 5930 1929000-1930000 0 Hombres
## 5931 1930000-1931000 0 Hombres
## 5932 1931000-1932000 0 Hombres
## 5933 1932000-1933000 0 Hombres
## 5934 1933000-1934000 0 Hombres
## 5935 1934000-1935000 0 Hombres
## 5936 1935000-1936000 0 Hombres
## 5937 1936000-1937000 0 Hombres
## 5938 1937000-1938000 0 Hombres
## 5939 1938000-1939000 0 Hombres
## 5940 1939000-1940000 0 Hombres
## 5941 1940000-1941000 0 Hombres
## 5942 1941000-1942000 0 Hombres
## 5943 1942000-1943000 0 Hombres
## 5944 1943000-1944000 0 Hombres
## 5945 1944000-1945000 0 Hombres
## 5946 1945000-1946000 0 Hombres
## 5947 1946000-1947000 0 Hombres
## 5948 1947000-1948000 0 Hombres
## 5949 1948000-1949000 0 Hombres
## 5950 1949000-1950000 0 Hombres
## 5951 1950000-1951000 0 Hombres
## 5952 1951000-1952000 0 Hombres
## 5953 1952000-1953000 0 Hombres
## 5954 1953000-1954000 0 Hombres
## 5955 1954000-1955000 0 Hombres
## 5956 1955000-1956000 0 Hombres
## 5957 1956000-1957000 0 Hombres
## 5958 1957000-1958000 0 Hombres
## 5959 1958000-1959000 0 Hombres
## 5960 1959000-1960000 0 Hombres
## 5961 1960000-1961000 0 Hombres
## 5962 1961000-1962000 0 Hombres
## 5963 1962000-1963000 0 Hombres
## 5964 1963000-1964000 0 Hombres
## 5965 1964000-1965000 0 Hombres
## 5966 1965000-1966000 0 Hombres
## 5967 1966000-1967000 0 Hombres
## 5968 1967000-1968000 0 Hombres
## 5969 1968000-1969000 0 Hombres
## 5970 1969000-1970000 0 Hombres
## 5971 1970000-1971000 0 Hombres
## 5972 1971000-1972000 0 Hombres
## 5973 1972000-1973000 0 Hombres
## 5974 1973000-1974000 0 Hombres
## 5975 1974000-1975000 0 Hombres
## 5976 1975000-1976000 0 Hombres
## 5977 1976000-1977000 0 Hombres
## 5978 1977000-1978000 0 Hombres
## 5979 1978000-1979000 0 Hombres
## 5980 1979000-1980000 0 Hombres
## 5981 1980000-1981000 0 Hombres
## 5982 1981000-1982000 0 Hombres
## 5983 1982000-1983000 0 Hombres
## 5984 1983000-1984000 0 Hombres
## 5985 1984000-1985000 0 Hombres
## 5986 1985000-1986000 0 Hombres
## 5987 1986000-1987000 0 Hombres
## 5988 1987000-1988000 0 Hombres
## 5989 1988000-1989000 0 Hombres
## 5990 1989000-1990000 0 Hombres
## 5991 1990000-1991000 0 Hombres
## 5992 1991000-1992000 0 Hombres
## 5993 1992000-1993000 0 Hombres
## 5994 1993000-1994000 0 Hombres
## 5995 1994000-1995000 0 Hombres
## 5996 1995000-1996000 0 Hombres
## 5997 1996000-1997000 0 Hombres
## 5998 1997000-1998000 0 Hombres
## 5999 1998000-1999000 0 Hombres
## 6000 1999000-2e+06 19 Hombres
## 6001 2e+06-2001000 0 Hombres
## 6002 2001000-2002000 0 Hombres
## 6003 2002000-2003000 0 Hombres
## 6004 2003000-2004000 0 Hombres
## 6005 2004000-2005000 0 Hombres
## 6006 2005000-2006000 0 Hombres
## 6007 2006000-2007000 0 Hombres
## 6008 2007000-2008000 0 Hombres
## 6009 2008000-2009000 0 Hombres
## 6010 2009000-2010000 0 Hombres
## 6011 2010000-2011000 0 Hombres
## 6012 2011000-2012000 0 Hombres
## 6013 2012000-2013000 0 Hombres
## 6014 2013000-2014000 0 Hombres
## 6015 2014000-2015000 0 Hombres
## 6016 2015000-2016000 0 Hombres
## 6017 2016000-2017000 0 Hombres
## 6018 2017000-2018000 0 Hombres
## 6019 2018000-2019000 0 Hombres
## 6020 2019000-2020000 0 Hombres
## 6021 2020000-2021000 0 Hombres
## 6022 2021000-2022000 0 Hombres
## 6023 2022000-2023000 0 Hombres
## 6024 2023000-2024000 0 Hombres
## 6025 2024000-2025000 0 Hombres
## 6026 2025000-2026000 0 Hombres
## 6027 2026000-2027000 0 Hombres
## 6028 2027000-2028000 0 Hombres
## 6029 2028000-2029000 0 Hombres
## 6030 2029000-2030000 0 Hombres
## 6031 2030000-2031000 0 Hombres
## 6032 2031000-2032000 0 Hombres
## 6033 2032000-2033000 0 Hombres
## 6034 2033000-2034000 0 Hombres
## 6035 2034000-2035000 0 Hombres
## 6036 2035000-2036000 0 Hombres
## 6037 2036000-2037000 0 Hombres
## 6038 2037000-2038000 0 Hombres
## 6039 2038000-2039000 0 Hombres
## 6040 2039000-2040000 0 Hombres
## 6041 2040000-2041000 0 Hombres
## 6042 2041000-2042000 0 Hombres
## 6043 2042000-2043000 0 Hombres
## 6044 2043000-2044000 0 Hombres
## 6045 2044000-2045000 0 Hombres
## 6046 2045000-2046000 0 Hombres
## 6047 2046000-2047000 0 Hombres
## 6048 2047000-2048000 0 Hombres
## 6049 2048000-2049000 0 Hombres
## 6050 2049000-2050000 0 Hombres
## 6051 2050000-2051000 0 Hombres
## 6052 2051000-2052000 0 Hombres
## 6053 2052000-2053000 0 Hombres
## 6054 2053000-2054000 0 Hombres
## 6055 2054000-2055000 0 Hombres
## 6056 2055000-2056000 0 Hombres
## 6057 2056000-2057000 0 Hombres
## 6058 2057000-2058000 0 Hombres
## 6059 2058000-2059000 0 Hombres
## 6060 2059000-2060000 0 Hombres
## 6061 2060000-2061000 0 Hombres
## 6062 2061000-2062000 0 Hombres
## 6063 2062000-2063000 0 Hombres
## 6064 2063000-2064000 0 Hombres
## 6065 2064000-2065000 0 Hombres
## 6066 2065000-2066000 0 Hombres
## 6067 2066000-2067000 0 Hombres
## 6068 2067000-2068000 0 Hombres
## 6069 2068000-2069000 0 Hombres
## 6070 2069000-2070000 0 Hombres
## 6071 2070000-2071000 0 Hombres
## 6072 2071000-2072000 0 Hombres
## 6073 2072000-2073000 0 Hombres
## 6074 2073000-2074000 0 Hombres
## 6075 2074000-2075000 0 Hombres
## 6076 2075000-2076000 0 Hombres
## 6077 2076000-2077000 0 Hombres
## 6078 2077000-2078000 0 Hombres
## 6079 2078000-2079000 0 Hombres
## 6080 2079000-2080000 0 Hombres
## 6081 2080000-2081000 0 Hombres
## 6082 2081000-2082000 0 Hombres
## 6083 2082000-2083000 0 Hombres
## 6084 2083000-2084000 0 Hombres
## 6085 2084000-2085000 0 Hombres
## 6086 2085000-2086000 0 Hombres
## 6087 2086000-2087000 0 Hombres
## 6088 2087000-2088000 0 Hombres
## 6089 2088000-2089000 0 Hombres
## 6090 2089000-2090000 0 Hombres
## 6091 2090000-2091000 0 Hombres
## 6092 2091000-2092000 0 Hombres
## 6093 2092000-2093000 0 Hombres
## 6094 2093000-2094000 0 Hombres
## 6095 2094000-2095000 0 Hombres
## 6096 2095000-2096000 0 Hombres
## 6097 2096000-2097000 0 Hombres
## 6098 2097000-2098000 0 Hombres
## 6099 2098000-2099000 0 Hombres
## 6100 2099000-2100000 0 Hombres
## 6101 2100000-2101000 0 Hombres
## 6102 2101000-2102000 0 Hombres
## 6103 2102000-2103000 0 Hombres
## 6104 2103000-2104000 0 Hombres
## 6105 2104000-2105000 0 Hombres
## 6106 2105000-2106000 0 Hombres
## 6107 2106000-2107000 0 Hombres
## 6108 2107000-2108000 0 Hombres
## 6109 2108000-2109000 0 Hombres
## 6110 2109000-2110000 0 Hombres
## 6111 2110000-2111000 0 Hombres
## 6112 2111000-2112000 0 Hombres
## 6113 2112000-2113000 0 Hombres
## 6114 2113000-2114000 0 Hombres
## 6115 2114000-2115000 0 Hombres
## 6116 2115000-2116000 0 Hombres
## 6117 2116000-2117000 0 Hombres
## 6118 2117000-2118000 0 Hombres
## 6119 2118000-2119000 0 Hombres
## 6120 2119000-2120000 0 Hombres
## 6121 2120000-2121000 0 Hombres
## 6122 2121000-2122000 0 Hombres
## 6123 2122000-2123000 0 Hombres
## 6124 2123000-2124000 0 Hombres
## 6125 2124000-2125000 0 Hombres
## 6126 2125000-2126000 0 Hombres
## 6127 2126000-2127000 0 Hombres
## 6128 2127000-2128000 0 Hombres
## 6129 2128000-2129000 0 Hombres
## 6130 2129000-2130000 0 Hombres
## 6131 2130000-2131000 0 Hombres
## 6132 2131000-2132000 0 Hombres
## 6133 2132000-2133000 0 Hombres
## 6134 2133000-2134000 0 Hombres
## 6135 2134000-2135000 0 Hombres
## 6136 2135000-2136000 0 Hombres
## 6137 2136000-2137000 0 Hombres
## 6138 2137000-2138000 0 Hombres
## 6139 2138000-2139000 0 Hombres
## 6140 2139000-2140000 0 Hombres
## 6141 2140000-2141000 0 Hombres
## 6142 2141000-2142000 0 Hombres
## 6143 2142000-2143000 0 Hombres
## 6144 2143000-2144000 0 Hombres
## 6145 2144000-2145000 0 Hombres
## 6146 2145000-2146000 0 Hombres
## 6147 2146000-2147000 0 Hombres
## 6148 2147000-2148000 0 Hombres
## 6149 2148000-2149000 0 Hombres
## 6150 2149000-2150000 0 Hombres
## 6151 2150000-2151000 0 Hombres
## 6152 2151000-2152000 0 Hombres
## 6153 2152000-2153000 0 Hombres
## 6154 2153000-2154000 0 Hombres
## 6155 2154000-2155000 0 Hombres
## 6156 2155000-2156000 0 Hombres
## 6157 2156000-2157000 0 Hombres
## 6158 2157000-2158000 0 Hombres
## 6159 2158000-2159000 0 Hombres
## 6160 2159000-2160000 0 Hombres
## 6161 2160000-2161000 0 Hombres
## 6162 2161000-2162000 0 Hombres
## 6163 2162000-2163000 0 Hombres
## 6164 2163000-2164000 0 Hombres
## 6165 2164000-2165000 0 Hombres
## 6166 2165000-2166000 0 Hombres
## 6167 2166000-2167000 0 Hombres
## 6168 2167000-2168000 0 Hombres
## 6169 2168000-2169000 0 Hombres
## 6170 2169000-2170000 0 Hombres
## 6171 2170000-2171000 0 Hombres
## 6172 2171000-2172000 0 Hombres
## 6173 2172000-2173000 0 Hombres
## 6174 2173000-2174000 0 Hombres
## 6175 2174000-2175000 0 Hombres
## 6176 2175000-2176000 0 Hombres
## 6177 2176000-2177000 0 Hombres
## 6178 2177000-2178000 0 Hombres
## 6179 2178000-2179000 0 Hombres
## 6180 2179000-2180000 0 Hombres
## 6181 2180000-2181000 0 Hombres
## 6182 2181000-2182000 0 Hombres
## 6183 2182000-2183000 0 Hombres
## 6184 2183000-2184000 0 Hombres
## 6185 2184000-2185000 0 Hombres
## 6186 2185000-2186000 0 Hombres
## 6187 2186000-2187000 0 Hombres
## 6188 2187000-2188000 0 Hombres
## 6189 2188000-2189000 0 Hombres
## 6190 2189000-2190000 0 Hombres
## 6191 2190000-2191000 0 Hombres
## 6192 2191000-2192000 0 Hombres
## 6193 2192000-2193000 0 Hombres
## 6194 2193000-2194000 0 Hombres
## 6195 2194000-2195000 0 Hombres
## 6196 2195000-2196000 0 Hombres
## 6197 2196000-2197000 0 Hombres
## 6198 2197000-2198000 0 Hombres
## 6199 2198000-2199000 0 Hombres
## 6200 2199000-2200000 0 Hombres
## 6201 2200000-2201000 0 Hombres
## 6202 2201000-2202000 0 Hombres
## 6203 2202000-2203000 0 Hombres
## 6204 2203000-2204000 0 Hombres
## 6205 2204000-2205000 0 Hombres
## 6206 2205000-2206000 0 Hombres
## 6207 2206000-2207000 0 Hombres
## 6208 2207000-2208000 0 Hombres
## 6209 2208000-2209000 0 Hombres
## 6210 2209000-2210000 0 Hombres
## 6211 2210000-2211000 0 Hombres
## 6212 2211000-2212000 0 Hombres
## 6213 2212000-2213000 0 Hombres
## 6214 2213000-2214000 0 Hombres
## 6215 2214000-2215000 0 Hombres
## 6216 2215000-2216000 0 Hombres
## 6217 2216000-2217000 0 Hombres
## 6218 2217000-2218000 0 Hombres
## 6219 2218000-2219000 0 Hombres
## 6220 2219000-2220000 0 Hombres
## 6221 2220000-2221000 0 Hombres
## 6222 2221000-2222000 0 Hombres
## 6223 2222000-2223000 0 Hombres
## 6224 2223000-2224000 0 Hombres
## 6225 2224000-2225000 0 Hombres
## 6226 2225000-2226000 0 Hombres
## 6227 2226000-2227000 0 Hombres
## 6228 2227000-2228000 0 Hombres
## 6229 2228000-2229000 0 Hombres
## 6230 2229000-2230000 0 Hombres
## 6231 2230000-2231000 0 Hombres
## 6232 2231000-2232000 0 Hombres
## 6233 2232000-2233000 0 Hombres
## 6234 2233000-2234000 0 Hombres
## 6235 2234000-2235000 0 Hombres
## 6236 2235000-2236000 0 Hombres
## 6237 2236000-2237000 0 Hombres
## 6238 2237000-2238000 0 Hombres
## 6239 2238000-2239000 0 Hombres
## 6240 2239000-2240000 0 Hombres
## 6241 2240000-2241000 0 Hombres
## 6242 2241000-2242000 0 Hombres
## 6243 2242000-2243000 0 Hombres
## 6244 2243000-2244000 0 Hombres
## 6245 2244000-2245000 0 Hombres
## 6246 2245000-2246000 0 Hombres
## 6247 2246000-2247000 0 Hombres
## 6248 2247000-2248000 0 Hombres
## 6249 2248000-2249000 0 Hombres
## 6250 2249000-2250000 0 Hombres
## 6251 2250000-2251000 0 Hombres
## 6252 2251000-2252000 0 Hombres
## 6253 2252000-2253000 0 Hombres
## 6254 2253000-2254000 0 Hombres
## 6255 2254000-2255000 0 Hombres
## 6256 2255000-2256000 0 Hombres
## 6257 2256000-2257000 0 Hombres
## 6258 2257000-2258000 0 Hombres
## 6259 2258000-2259000 0 Hombres
## 6260 2259000-2260000 0 Hombres
## 6261 2260000-2261000 0 Hombres
## 6262 2261000-2262000 0 Hombres
## 6263 2262000-2263000 0 Hombres
## 6264 2263000-2264000 0 Hombres
## 6265 2264000-2265000 0 Hombres
## 6266 2265000-2266000 0 Hombres
## 6267 2266000-2267000 0 Hombres
## 6268 2267000-2268000 0 Hombres
## 6269 2268000-2269000 0 Hombres
## 6270 2269000-2270000 0 Hombres
## 6271 2270000-2271000 0 Hombres
## 6272 2271000-2272000 0 Hombres
## 6273 2272000-2273000 0 Hombres
## 6274 2273000-2274000 0 Hombres
## 6275 2274000-2275000 0 Hombres
## 6276 2275000-2276000 0 Hombres
## 6277 2276000-2277000 0 Hombres
## 6278 2277000-2278000 0 Hombres
## 6279 2278000-2279000 0 Hombres
## 6280 2279000-2280000 0 Hombres
## 6281 2280000-2281000 0 Hombres
## 6282 2281000-2282000 0 Hombres
## 6283 2282000-2283000 0 Hombres
## 6284 2283000-2284000 0 Hombres
## 6285 2284000-2285000 0 Hombres
## 6286 2285000-2286000 0 Hombres
## 6287 2286000-2287000 0 Hombres
## 6288 2287000-2288000 0 Hombres
## 6289 2288000-2289000 0 Hombres
## 6290 2289000-2290000 0 Hombres
## 6291 2290000-2291000 0 Hombres
## 6292 2291000-2292000 0 Hombres
## 6293 2292000-2293000 0 Hombres
## 6294 2293000-2294000 0 Hombres
## 6295 2294000-2295000 0 Hombres
## 6296 2295000-2296000 0 Hombres
## 6297 2296000-2297000 0 Hombres
## 6298 2297000-2298000 0 Hombres
## 6299 2298000-2299000 0 Hombres
## 6300 2299000-2300000 0 Hombres
## 6301 2300000-2301000 0 Hombres
## 6302 2301000-2302000 0 Hombres
## 6303 2302000-2303000 0 Hombres
## 6304 2303000-2304000 0 Hombres
## 6305 2304000-2305000 0 Hombres
## 6306 2305000-2306000 0 Hombres
## 6307 2306000-2307000 0 Hombres
## 6308 2307000-2308000 0 Hombres
## 6309 2308000-2309000 0 Hombres
## 6310 2309000-2310000 0 Hombres
## 6311 2310000-2311000 0 Hombres
## 6312 2311000-2312000 0 Hombres
## 6313 2312000-2313000 0 Hombres
## 6314 2313000-2314000 0 Hombres
## 6315 2314000-2315000 0 Hombres
## 6316 2315000-2316000 0 Hombres
## 6317 2316000-2317000 0 Hombres
## 6318 2317000-2318000 0 Hombres
## 6319 2318000-2319000 0 Hombres
## 6320 2319000-2320000 0 Hombres
## 6321 2320000-2321000 0 Hombres
## 6322 2321000-2322000 0 Hombres
## 6323 2322000-2323000 0 Hombres
## 6324 2323000-2324000 0 Hombres
## 6325 2324000-2325000 0 Hombres
## 6326 2325000-2326000 0 Hombres
## 6327 2326000-2327000 0 Hombres
## 6328 2327000-2328000 0 Hombres
## 6329 2328000-2329000 0 Hombres
## 6330 2329000-2330000 0 Hombres
## 6331 2330000-2331000 0 Hombres
## 6332 2331000-2332000 0 Hombres
## 6333 2332000-2333000 0 Hombres
## 6334 2333000-2334000 0 Hombres
## 6335 2334000-2335000 0 Hombres
## 6336 2335000-2336000 0 Hombres
## 6337 2336000-2337000 0 Hombres
## 6338 2337000-2338000 0 Hombres
## 6339 2338000-2339000 0 Hombres
## 6340 2339000-2340000 0 Hombres
## 6341 2340000-2341000 0 Hombres
## 6342 2341000-2342000 0 Hombres
## 6343 2342000-2343000 0 Hombres
## 6344 2343000-2344000 0 Hombres
## 6345 2344000-2345000 0 Hombres
## 6346 2345000-2346000 0 Hombres
## 6347 2346000-2347000 0 Hombres
## 6348 2347000-2348000 0 Hombres
## 6349 2348000-2349000 0 Hombres
## 6350 2349000-2350000 0 Hombres
## 6351 2350000-2351000 0 Hombres
## 6352 2351000-2352000 0 Hombres
## 6353 2352000-2353000 0 Hombres
## 6354 2353000-2354000 0 Hombres
## 6355 2354000-2355000 0 Hombres
## 6356 2355000-2356000 0 Hombres
## 6357 2356000-2357000 0 Hombres
## 6358 2357000-2358000 0 Hombres
## 6359 2358000-2359000 0 Hombres
## 6360 2359000-2360000 0 Hombres
## 6361 2360000-2361000 0 Hombres
## 6362 2361000-2362000 0 Hombres
## 6363 2362000-2363000 0 Hombres
## 6364 2363000-2364000 0 Hombres
## 6365 2364000-2365000 0 Hombres
## 6366 2365000-2366000 0 Hombres
## 6367 2366000-2367000 0 Hombres
## 6368 2367000-2368000 0 Hombres
## 6369 2368000-2369000 0 Hombres
## 6370 2369000-2370000 0 Hombres
## 6371 2370000-2371000 0 Hombres
## 6372 2371000-2372000 0 Hombres
## 6373 2372000-2373000 0 Hombres
## 6374 2373000-2374000 0 Hombres
## 6375 2374000-2375000 0 Hombres
## 6376 2375000-2376000 0 Hombres
## 6377 2376000-2377000 0 Hombres
## 6378 2377000-2378000 0 Hombres
## 6379 2378000-2379000 0 Hombres
## 6380 2379000-2380000 0 Hombres
## 6381 2380000-2381000 0 Hombres
## 6382 2381000-2382000 0 Hombres
## 6383 2382000-2383000 0 Hombres
## 6384 2383000-2384000 0 Hombres
## 6385 2384000-2385000 0 Hombres
## 6386 2385000-2386000 0 Hombres
## 6387 2386000-2387000 0 Hombres
## 6388 2387000-2388000 0 Hombres
## 6389 2388000-2389000 0 Hombres
## 6390 2389000-2390000 0 Hombres
## 6391 2390000-2391000 0 Hombres
## 6392 2391000-2392000 0 Hombres
## 6393 2392000-2393000 0 Hombres
## 6394 2393000-2394000 0 Hombres
## 6395 2394000-2395000 0 Hombres
## 6396 2395000-2396000 0 Hombres
## 6397 2396000-2397000 0 Hombres
## 6398 2397000-2398000 0 Hombres
## 6399 2398000-2399000 0 Hombres
## 6400 2399000-2400000 0 Hombres
## 6401 2400000-2401000 0 Hombres
## 6402 2401000-2402000 0 Hombres
## 6403 2402000-2403000 0 Hombres
## 6404 2403000-2404000 0 Hombres
## 6405 2404000-2405000 0 Hombres
## 6406 2405000-2406000 0 Hombres
## 6407 2406000-2407000 0 Hombres
## 6408 2407000-2408000 0 Hombres
## 6409 2408000-2409000 0 Hombres
## 6410 2409000-2410000 0 Hombres
## 6411 2410000-2411000 0 Hombres
## 6412 2411000-2412000 0 Hombres
## 6413 2412000-2413000 0 Hombres
## 6414 2413000-2414000 0 Hombres
## 6415 2414000-2415000 0 Hombres
## 6416 2415000-2416000 0 Hombres
## 6417 2416000-2417000 0 Hombres
## 6418 2417000-2418000 0 Hombres
## 6419 2418000-2419000 0 Hombres
## 6420 2419000-2420000 0 Hombres
## 6421 2420000-2421000 0 Hombres
## 6422 2421000-2422000 0 Hombres
## 6423 2422000-2423000 0 Hombres
## 6424 2423000-2424000 0 Hombres
## 6425 2424000-2425000 0 Hombres
## 6426 2425000-2426000 0 Hombres
## 6427 2426000-2427000 0 Hombres
## 6428 2427000-2428000 0 Hombres
## 6429 2428000-2429000 0 Hombres
## 6430 2429000-2430000 0 Hombres
## 6431 2430000-2431000 0 Hombres
## 6432 2431000-2432000 0 Hombres
## 6433 2432000-2433000 0 Hombres
## 6434 2433000-2434000 0 Hombres
## 6435 2434000-2435000 0 Hombres
## 6436 2435000-2436000 0 Hombres
## 6437 2436000-2437000 0 Hombres
## 6438 2437000-2438000 0 Hombres
## 6439 2438000-2439000 0 Hombres
## 6440 2439000-2440000 0 Hombres
## 6441 2440000-2441000 0 Hombres
## 6442 2441000-2442000 0 Hombres
## 6443 2442000-2443000 0 Hombres
## 6444 2443000-2444000 0 Hombres
## 6445 2444000-2445000 0 Hombres
## 6446 2445000-2446000 0 Hombres
## 6447 2446000-2447000 0 Hombres
## 6448 2447000-2448000 0 Hombres
## 6449 2448000-2449000 0 Hombres
## 6450 2449000-2450000 0 Hombres
## 6451 2450000-2451000 0 Hombres
## 6452 2451000-2452000 0 Hombres
## 6453 2452000-2453000 0 Hombres
## 6454 2453000-2454000 0 Hombres
## 6455 2454000-2455000 0 Hombres
## 6456 2455000-2456000 0 Hombres
## 6457 2456000-2457000 0 Hombres
## 6458 2457000-2458000 0 Hombres
## 6459 2458000-2459000 0 Hombres
## 6460 2459000-2460000 0 Hombres
## 6461 2460000-2461000 0 Hombres
## 6462 2461000-2462000 0 Hombres
## 6463 2462000-2463000 0 Hombres
## 6464 2463000-2464000 0 Hombres
## 6465 2464000-2465000 0 Hombres
## 6466 2465000-2466000 0 Hombres
## 6467 2466000-2467000 0 Hombres
## 6468 2467000-2468000 0 Hombres
## 6469 2468000-2469000 0 Hombres
## 6470 2469000-2470000 0 Hombres
## 6471 2470000-2471000 0 Hombres
## 6472 2471000-2472000 0 Hombres
## 6473 2472000-2473000 0 Hombres
## 6474 2473000-2474000 0 Hombres
## 6475 2474000-2475000 0 Hombres
## 6476 2475000-2476000 0 Hombres
## 6477 2476000-2477000 0 Hombres
## 6478 2477000-2478000 0 Hombres
## 6479 2478000-2479000 0 Hombres
## 6480 2479000-2480000 0 Hombres
## 6481 2480000-2481000 0 Hombres
## 6482 2481000-2482000 0 Hombres
## 6483 2482000-2483000 0 Hombres
## 6484 2483000-2484000 0 Hombres
## 6485 2484000-2485000 0 Hombres
## 6486 2485000-2486000 0 Hombres
## 6487 2486000-2487000 0 Hombres
## 6488 2487000-2488000 0 Hombres
## 6489 2488000-2489000 0 Hombres
## 6490 2489000-2490000 0 Hombres
## 6491 2490000-2491000 0 Hombres
## 6492 2491000-2492000 0 Hombres
## 6493 2492000-2493000 0 Hombres
## 6494 2493000-2494000 0 Hombres
## 6495 2494000-2495000 0 Hombres
## 6496 2495000-2496000 0 Hombres
## 6497 2496000-2497000 0 Hombres
## 6498 2497000-2498000 0 Hombres
## 6499 2498000-2499000 0 Hombres
## 6500 2499000-2500000 0 Hombres
## 6501 2500000-2501000 0 Hombres
## 6502 2501000-2502000 0 Hombres
## 6503 2502000-2503000 0 Hombres
## 6504 2503000-2504000 0 Hombres
## 6505 2504000-2505000 0 Hombres
## 6506 2505000-2506000 0 Hombres
## 6507 2506000-2507000 0 Hombres
## 6508 2507000-2508000 0 Hombres
## 6509 2508000-2509000 0 Hombres
## 6510 2509000-2510000 0 Hombres
## 6511 2510000-2511000 0 Hombres
## 6512 2511000-2512000 0 Hombres
## 6513 2512000-2513000 0 Hombres
## 6514 2513000-2514000 0 Hombres
## 6515 2514000-2515000 0 Hombres
## 6516 2515000-2516000 0 Hombres
## 6517 2516000-2517000 0 Hombres
## 6518 2517000-2518000 0 Hombres
## 6519 2518000-2519000 0 Hombres
## 6520 2519000-2520000 0 Hombres
## 6521 2520000-2521000 0 Hombres
## 6522 2521000-2522000 0 Hombres
## 6523 2522000-2523000 0 Hombres
## 6524 2523000-2524000 0 Hombres
## 6525 2524000-2525000 0 Hombres
## 6526 2525000-2526000 0 Hombres
## 6527 2526000-2527000 0 Hombres
## 6528 2527000-2528000 0 Hombres
## 6529 2528000-2529000 0 Hombres
## 6530 2529000-2530000 0 Hombres
## 6531 2530000-2531000 0 Hombres
## 6532 2531000-2532000 0 Hombres
## 6533 2532000-2533000 0 Hombres
## 6534 2533000-2534000 0 Hombres
## 6535 2534000-2535000 0 Hombres
## 6536 2535000-2536000 0 Hombres
## 6537 2536000-2537000 0 Hombres
## 6538 2537000-2538000 0 Hombres
## 6539 2538000-2539000 0 Hombres
## 6540 2539000-2540000 0 Hombres
## 6541 2540000-2541000 0 Hombres
## 6542 2541000-2542000 0 Hombres
## 6543 2542000-2543000 0 Hombres
## 6544 2543000-2544000 0 Hombres
## 6545 2544000-2545000 0 Hombres
## 6546 2545000-2546000 0 Hombres
## 6547 2546000-2547000 0 Hombres
## 6548 2547000-2548000 0 Hombres
## 6549 2548000-2549000 0 Hombres
## 6550 2549000-2550000 0 Hombres
## 6551 2550000-2551000 0 Hombres
## 6552 2551000-2552000 0 Hombres
## 6553 2552000-2553000 0 Hombres
## 6554 2553000-2554000 0 Hombres
## 6555 2554000-2555000 0 Hombres
## 6556 2555000-2556000 0 Hombres
## 6557 2556000-2557000 0 Hombres
## 6558 2557000-2558000 0 Hombres
## 6559 2558000-2559000 0 Hombres
## 6560 2559000-2560000 0 Hombres
## 6561 2560000-2561000 0 Hombres
## 6562 2561000-2562000 0 Hombres
## 6563 2562000-2563000 0 Hombres
## 6564 2563000-2564000 0 Hombres
## 6565 2564000-2565000 0 Hombres
## 6566 2565000-2566000 0 Hombres
## 6567 2566000-2567000 0 Hombres
## 6568 2567000-2568000 0 Hombres
## 6569 2568000-2569000 0 Hombres
## 6570 2569000-2570000 0 Hombres
## 6571 2570000-2571000 0 Hombres
## 6572 2571000-2572000 0 Hombres
## 6573 2572000-2573000 0 Hombres
## 6574 2573000-2574000 0 Hombres
## 6575 2574000-2575000 0 Hombres
## 6576 2575000-2576000 0 Hombres
## 6577 2576000-2577000 0 Hombres
## 6578 2577000-2578000 0 Hombres
## 6579 2578000-2579000 0 Hombres
## 6580 2579000-2580000 0 Hombres
## 6581 2580000-2581000 0 Hombres
## 6582 2581000-2582000 0 Hombres
## 6583 2582000-2583000 0 Hombres
## 6584 2583000-2584000 0 Hombres
## 6585 2584000-2585000 0 Hombres
## 6586 2585000-2586000 0 Hombres
## 6587 2586000-2587000 0 Hombres
## 6588 2587000-2588000 0 Hombres
## 6589 2588000-2589000 0 Hombres
## 6590 2589000-2590000 0 Hombres
## 6591 2590000-2591000 0 Hombres
## 6592 2591000-2592000 0 Hombres
## 6593 2592000-2593000 0 Hombres
## 6594 2593000-2594000 0 Hombres
## 6595 2594000-2595000 0 Hombres
## 6596 2595000-2596000 0 Hombres
## 6597 2596000-2597000 0 Hombres
## 6598 2597000-2598000 0 Hombres
## 6599 2598000-2599000 0 Hombres
## 6600 2599000-2600000 0 Hombres
## 6601 2600000-2601000 0 Hombres
## 6602 2601000-2602000 0 Hombres
## 6603 2602000-2603000 0 Hombres
## 6604 2603000-2604000 0 Hombres
## 6605 2604000-2605000 0 Hombres
## 6606 2605000-2606000 0 Hombres
## 6607 2606000-2607000 0 Hombres
## 6608 2607000-2608000 0 Hombres
## 6609 2608000-2609000 0 Hombres
## 6610 2609000-2610000 0 Hombres
## 6611 2610000-2611000 0 Hombres
## 6612 2611000-2612000 0 Hombres
## 6613 2612000-2613000 0 Hombres
## 6614 2613000-2614000 0 Hombres
## 6615 2614000-2615000 0 Hombres
## 6616 2615000-2616000 0 Hombres
## 6617 2616000-2617000 0 Hombres
## 6618 2617000-2618000 0 Hombres
## 6619 2618000-2619000 0 Hombres
## 6620 2619000-2620000 0 Hombres
## 6621 2620000-2621000 0 Hombres
## 6622 2621000-2622000 0 Hombres
## 6623 2622000-2623000 0 Hombres
## 6624 2623000-2624000 0 Hombres
## 6625 2624000-2625000 0 Hombres
## 6626 2625000-2626000 0 Hombres
## 6627 2626000-2627000 0 Hombres
## 6628 2627000-2628000 0 Hombres
## 6629 2628000-2629000 0 Hombres
## 6630 2629000-2630000 0 Hombres
## 6631 2630000-2631000 0 Hombres
## 6632 2631000-2632000 0 Hombres
## 6633 2632000-2633000 0 Hombres
## 6634 2633000-2634000 0 Hombres
## 6635 2634000-2635000 0 Hombres
## 6636 2635000-2636000 0 Hombres
## 6637 2636000-2637000 0 Hombres
## 6638 2637000-2638000 0 Hombres
## 6639 2638000-2639000 0 Hombres
## 6640 2639000-2640000 0 Hombres
## 6641 2640000-2641000 0 Hombres
## 6642 2641000-2642000 0 Hombres
## 6643 2642000-2643000 0 Hombres
## 6644 2643000-2644000 0 Hombres
## 6645 2644000-2645000 0 Hombres
## 6646 2645000-2646000 0 Hombres
## 6647 2646000-2647000 0 Hombres
## 6648 2647000-2648000 0 Hombres
## 6649 2648000-2649000 0 Hombres
## 6650 2649000-2650000 0 Hombres
## 6651 2650000-2651000 0 Hombres
## 6652 2651000-2652000 0 Hombres
## 6653 2652000-2653000 0 Hombres
## 6654 2653000-2654000 0 Hombres
## 6655 2654000-2655000 0 Hombres
## 6656 2655000-2656000 0 Hombres
## 6657 2656000-2657000 0 Hombres
## 6658 2657000-2658000 0 Hombres
## 6659 2658000-2659000 0 Hombres
## 6660 2659000-2660000 0 Hombres
## 6661 2660000-2661000 0 Hombres
## 6662 2661000-2662000 0 Hombres
## 6663 2662000-2663000 0 Hombres
## 6664 2663000-2664000 0 Hombres
## 6665 2664000-2665000 0 Hombres
## 6666 2665000-2666000 0 Hombres
## 6667 2666000-2667000 0 Hombres
## 6668 2667000-2668000 0 Hombres
## 6669 2668000-2669000 0 Hombres
## 6670 2669000-2670000 0 Hombres
## 6671 2670000-2671000 0 Hombres
## 6672 2671000-2672000 0 Hombres
## 6673 2672000-2673000 0 Hombres
## 6674 2673000-2674000 0 Hombres
## 6675 2674000-2675000 0 Hombres
## 6676 2675000-2676000 0 Hombres
## 6677 2676000-2677000 0 Hombres
## 6678 2677000-2678000 0 Hombres
## 6679 2678000-2679000 0 Hombres
## 6680 2679000-2680000 0 Hombres
## 6681 2680000-2681000 0 Hombres
## 6682 2681000-2682000 0 Hombres
## 6683 2682000-2683000 0 Hombres
## 6684 2683000-2684000 0 Hombres
## 6685 2684000-2685000 0 Hombres
## 6686 2685000-2686000 0 Hombres
## 6687 2686000-2687000 0 Hombres
## 6688 2687000-2688000 0 Hombres
## 6689 2688000-2689000 0 Hombres
## 6690 2689000-2690000 0 Hombres
## 6691 2690000-2691000 0 Hombres
## 6692 2691000-2692000 0 Hombres
## 6693 2692000-2693000 0 Hombres
## 6694 2693000-2694000 0 Hombres
## 6695 2694000-2695000 0 Hombres
## 6696 2695000-2696000 0 Hombres
## 6697 2696000-2697000 0 Hombres
## 6698 2697000-2698000 0 Hombres
## 6699 2698000-2699000 0 Hombres
## 6700 2699000-2700000 0 Hombres
## 6701 2700000-2701000 0 Hombres
## 6702 2701000-2702000 0 Hombres
## 6703 2702000-2703000 0 Hombres
## 6704 2703000-2704000 0 Hombres
## 6705 2704000-2705000 0 Hombres
## 6706 2705000-2706000 0 Hombres
## 6707 2706000-2707000 0 Hombres
## 6708 2707000-2708000 0 Hombres
## 6709 2708000-2709000 0 Hombres
## 6710 2709000-2710000 0 Hombres
## 6711 2710000-2711000 0 Hombres
## 6712 2711000-2712000 0 Hombres
## 6713 2712000-2713000 0 Hombres
## 6714 2713000-2714000 0 Hombres
## 6715 2714000-2715000 0 Hombres
## 6716 2715000-2716000 0 Hombres
## 6717 2716000-2717000 0 Hombres
## 6718 2717000-2718000 0 Hombres
## 6719 2718000-2719000 0 Hombres
## 6720 2719000-2720000 0 Hombres
## 6721 2720000-2721000 0 Hombres
## 6722 2721000-2722000 0 Hombres
## 6723 2722000-2723000 0 Hombres
## 6724 2723000-2724000 0 Hombres
## 6725 2724000-2725000 0 Hombres
## 6726 2725000-2726000 0 Hombres
## 6727 2726000-2727000 0 Hombres
## 6728 2727000-2728000 0 Hombres
## 6729 2728000-2729000 0 Hombres
## 6730 2729000-2730000 0 Hombres
## 6731 2730000-2731000 0 Hombres
## 6732 2731000-2732000 0 Hombres
## 6733 2732000-2733000 0 Hombres
## 6734 2733000-2734000 0 Hombres
## 6735 2734000-2735000 0 Hombres
## 6736 2735000-2736000 0 Hombres
## 6737 2736000-2737000 0 Hombres
## 6738 2737000-2738000 0 Hombres
## 6739 2738000-2739000 0 Hombres
## 6740 2739000-2740000 0 Hombres
## 6741 2740000-2741000 0 Hombres
## 6742 2741000-2742000 0 Hombres
## 6743 2742000-2743000 0 Hombres
## 6744 2743000-2744000 0 Hombres
## 6745 2744000-2745000 0 Hombres
## 6746 2745000-2746000 0 Hombres
## 6747 2746000-2747000 0 Hombres
## 6748 2747000-2748000 0 Hombres
## 6749 2748000-2749000 0 Hombres
## 6750 2749000-2750000 0 Hombres
## 6751 2750000-2751000 0 Hombres
## 6752 2751000-2752000 0 Hombres
## 6753 2752000-2753000 0 Hombres
## 6754 2753000-2754000 0 Hombres
## 6755 2754000-2755000 0 Hombres
## 6756 2755000-2756000 0 Hombres
## 6757 2756000-2757000 0 Hombres
## 6758 2757000-2758000 0 Hombres
## 6759 2758000-2759000 0 Hombres
## 6760 2759000-2760000 0 Hombres
## 6761 2760000-2761000 0 Hombres
## 6762 2761000-2762000 0 Hombres
## 6763 2762000-2763000 0 Hombres
## 6764 2763000-2764000 0 Hombres
## 6765 2764000-2765000 0 Hombres
## 6766 2765000-2766000 0 Hombres
## 6767 2766000-2767000 0 Hombres
## 6768 2767000-2768000 0 Hombres
## 6769 2768000-2769000 0 Hombres
## 6770 2769000-2770000 0 Hombres
## 6771 2770000-2771000 0 Hombres
## 6772 2771000-2772000 0 Hombres
## 6773 2772000-2773000 0 Hombres
## 6774 2773000-2774000 0 Hombres
## 6775 2774000-2775000 0 Hombres
## 6776 2775000-2776000 0 Hombres
## 6777 2776000-2777000 0 Hombres
## 6778 2777000-2778000 0 Hombres
## 6779 2778000-2779000 0 Hombres
## 6780 2779000-2780000 0 Hombres
## 6781 2780000-2781000 0 Hombres
## 6782 2781000-2782000 0 Hombres
## 6783 2782000-2783000 0 Hombres
## 6784 2783000-2784000 0 Hombres
## 6785 2784000-2785000 0 Hombres
## 6786 2785000-2786000 0 Hombres
## 6787 2786000-2787000 0 Hombres
## 6788 2787000-2788000 0 Hombres
## 6789 2788000-2789000 0 Hombres
## 6790 2789000-2790000 0 Hombres
## 6791 2790000-2791000 0 Hombres
## 6792 2791000-2792000 0 Hombres
## 6793 2792000-2793000 0 Hombres
## 6794 2793000-2794000 0 Hombres
## 6795 2794000-2795000 0 Hombres
## 6796 2795000-2796000 0 Hombres
## 6797 2796000-2797000 0 Hombres
## 6798 2797000-2798000 0 Hombres
## 6799 2798000-2799000 0 Hombres
## 6800 2799000-2800000 0 Hombres
## 6801 2800000-2801000 0 Hombres
## 6802 2801000-2802000 0 Hombres
## 6803 2802000-2803000 0 Hombres
## 6804 2803000-2804000 0 Hombres
## 6805 2804000-2805000 0 Hombres
## 6806 2805000-2806000 0 Hombres
## 6807 2806000-2807000 0 Hombres
## 6808 2807000-2808000 0 Hombres
## 6809 2808000-2809000 0 Hombres
## 6810 2809000-2810000 0 Hombres
## 6811 2810000-2811000 0 Hombres
## 6812 2811000-2812000 0 Hombres
## 6813 2812000-2813000 0 Hombres
## 6814 2813000-2814000 0 Hombres
## 6815 2814000-2815000 0 Hombres
## 6816 2815000-2816000 0 Hombres
## 6817 2816000-2817000 0 Hombres
## 6818 2817000-2818000 0 Hombres
## 6819 2818000-2819000 0 Hombres
## 6820 2819000-2820000 0 Hombres
## 6821 2820000-2821000 0 Hombres
## 6822 2821000-2822000 0 Hombres
## 6823 2822000-2823000 0 Hombres
## 6824 2823000-2824000 0 Hombres
## 6825 2824000-2825000 0 Hombres
## 6826 2825000-2826000 0 Hombres
## 6827 2826000-2827000 0 Hombres
## 6828 2827000-2828000 0 Hombres
## 6829 2828000-2829000 0 Hombres
## 6830 2829000-2830000 0 Hombres
## 6831 2830000-2831000 0 Hombres
## 6832 2831000-2832000 0 Hombres
## 6833 2832000-2833000 0 Hombres
## 6834 2833000-2834000 0 Hombres
## 6835 2834000-2835000 0 Hombres
## 6836 2835000-2836000 0 Hombres
## 6837 2836000-2837000 0 Hombres
## 6838 2837000-2838000 0 Hombres
## 6839 2838000-2839000 0 Hombres
## 6840 2839000-2840000 0 Hombres
## 6841 2840000-2841000 0 Hombres
## 6842 2841000-2842000 0 Hombres
## 6843 2842000-2843000 0 Hombres
## 6844 2843000-2844000 0 Hombres
## 6845 2844000-2845000 0 Hombres
## 6846 2845000-2846000 0 Hombres
## 6847 2846000-2847000 0 Hombres
## 6848 2847000-2848000 0 Hombres
## 6849 2848000-2849000 0 Hombres
## 6850 2849000-2850000 0 Hombres
## 6851 2850000-2851000 0 Hombres
## 6852 2851000-2852000 0 Hombres
## 6853 2852000-2853000 0 Hombres
## 6854 2853000-2854000 0 Hombres
## 6855 2854000-2855000 0 Hombres
## 6856 2855000-2856000 0 Hombres
## 6857 2856000-2857000 0 Hombres
## 6858 2857000-2858000 0 Hombres
## 6859 2858000-2859000 0 Hombres
## 6860 2859000-2860000 0 Hombres
## 6861 2860000-2861000 0 Hombres
## 6862 2861000-2862000 0 Hombres
## 6863 2862000-2863000 0 Hombres
## 6864 2863000-2864000 0 Hombres
## 6865 2864000-2865000 0 Hombres
## 6866 2865000-2866000 0 Hombres
## 6867 2866000-2867000 0 Hombres
## 6868 2867000-2868000 0 Hombres
## 6869 2868000-2869000 0 Hombres
## 6870 2869000-2870000 0 Hombres
## 6871 2870000-2871000 0 Hombres
## 6872 2871000-2872000 0 Hombres
## 6873 2872000-2873000 0 Hombres
## 6874 2873000-2874000 0 Hombres
## 6875 2874000-2875000 0 Hombres
## 6876 2875000-2876000 0 Hombres
## 6877 2876000-2877000 0 Hombres
## 6878 2877000-2878000 0 Hombres
## 6879 2878000-2879000 0 Hombres
## 6880 2879000-2880000 0 Hombres
## 6881 2880000-2881000 0 Hombres
## 6882 2881000-2882000 0 Hombres
## 6883 2882000-2883000 0 Hombres
## 6884 2883000-2884000 0 Hombres
## 6885 2884000-2885000 0 Hombres
## 6886 2885000-2886000 0 Hombres
## 6887 2886000-2887000 0 Hombres
## 6888 2887000-2888000 0 Hombres
## 6889 2888000-2889000 0 Hombres
## 6890 2889000-2890000 0 Hombres
## 6891 2890000-2891000 0 Hombres
## 6892 2891000-2892000 0 Hombres
## 6893 2892000-2893000 0 Hombres
## 6894 2893000-2894000 0 Hombres
## 6895 2894000-2895000 0 Hombres
## 6896 2895000-2896000 0 Hombres
## 6897 2896000-2897000 0 Hombres
## 6898 2897000-2898000 0 Hombres
## 6899 2898000-2899000 0 Hombres
## 6900 2899000-2900000 0 Hombres
## 6901 2900000-2901000 0 Hombres
## 6902 2901000-2902000 0 Hombres
## 6903 2902000-2903000 0 Hombres
## 6904 2903000-2904000 0 Hombres
## 6905 2904000-2905000 0 Hombres
## 6906 2905000-2906000 0 Hombres
## 6907 2906000-2907000 0 Hombres
## 6908 2907000-2908000 0 Hombres
## 6909 2908000-2909000 0 Hombres
## 6910 2909000-2910000 0 Hombres
## 6911 2910000-2911000 0 Hombres
## 6912 2911000-2912000 0 Hombres
## 6913 2912000-2913000 0 Hombres
## 6914 2913000-2914000 0 Hombres
## 6915 2914000-2915000 0 Hombres
## 6916 2915000-2916000 0 Hombres
## 6917 2916000-2917000 0 Hombres
## 6918 2917000-2918000 0 Hombres
## 6919 2918000-2919000 0 Hombres
## 6920 2919000-2920000 0 Hombres
## 6921 2920000-2921000 0 Hombres
## 6922 2921000-2922000 0 Hombres
## 6923 2922000-2923000 0 Hombres
## 6924 2923000-2924000 0 Hombres
## 6925 2924000-2925000 0 Hombres
## 6926 2925000-2926000 0 Hombres
## 6927 2926000-2927000 0 Hombres
## 6928 2927000-2928000 0 Hombres
## 6929 2928000-2929000 0 Hombres
## 6930 2929000-2930000 0 Hombres
## 6931 2930000-2931000 0 Hombres
## 6932 2931000-2932000 0 Hombres
## 6933 2932000-2933000 0 Hombres
## 6934 2933000-2934000 0 Hombres
## 6935 2934000-2935000 0 Hombres
## 6936 2935000-2936000 0 Hombres
## 6937 2936000-2937000 0 Hombres
## 6938 2937000-2938000 0 Hombres
## 6939 2938000-2939000 0 Hombres
## 6940 2939000-2940000 0 Hombres
## 6941 2940000-2941000 0 Hombres
## 6942 2941000-2942000 0 Hombres
## 6943 2942000-2943000 0 Hombres
## 6944 2943000-2944000 0 Hombres
## 6945 2944000-2945000 0 Hombres
## 6946 2945000-2946000 0 Hombres
## 6947 2946000-2947000 0 Hombres
## 6948 2947000-2948000 0 Hombres
## 6949 2948000-2949000 0 Hombres
## 6950 2949000-2950000 0 Hombres
## 6951 2950000-2951000 0 Hombres
## 6952 2951000-2952000 0 Hombres
## 6953 2952000-2953000 0 Hombres
## 6954 2953000-2954000 0 Hombres
## 6955 2954000-2955000 0 Hombres
## 6956 2955000-2956000 0 Hombres
## 6957 2956000-2957000 0 Hombres
## 6958 2957000-2958000 0 Hombres
## 6959 2958000-2959000 0 Hombres
## 6960 2959000-2960000 0 Hombres
## 6961 2960000-2961000 0 Hombres
## 6962 2961000-2962000 0 Hombres
## 6963 2962000-2963000 0 Hombres
## 6964 2963000-2964000 0 Hombres
## 6965 2964000-2965000 0 Hombres
## 6966 2965000-2966000 0 Hombres
## 6967 2966000-2967000 0 Hombres
## 6968 2967000-2968000 0 Hombres
## 6969 2968000-2969000 0 Hombres
## 6970 2969000-2970000 0 Hombres
## 6971 2970000-2971000 0 Hombres
## 6972 2971000-2972000 0 Hombres
## 6973 2972000-2973000 0 Hombres
## 6974 2973000-2974000 0 Hombres
## 6975 2974000-2975000 0 Hombres
## 6976 2975000-2976000 0 Hombres
## 6977 2976000-2977000 0 Hombres
## 6978 2977000-2978000 0 Hombres
## 6979 2978000-2979000 0 Hombres
## 6980 2979000-2980000 0 Hombres
## 6981 2980000-2981000 0 Hombres
## 6982 2981000-2982000 0 Hombres
## 6983 2982000-2983000 0 Hombres
## 6984 2983000-2984000 0 Hombres
## 6985 2984000-2985000 0 Hombres
## 6986 2985000-2986000 0 Hombres
## 6987 2986000-2987000 0 Hombres
## 6988 2987000-2988000 0 Hombres
## 6989 2988000-2989000 0 Hombres
## 6990 2989000-2990000 0 Hombres
## 6991 2990000-2991000 0 Hombres
## 6992 2991000-2992000 0 Hombres
## 6993 2992000-2993000 0 Hombres
## 6994 2993000-2994000 0 Hombres
## 6995 2994000-2995000 0 Hombres
## 6996 2995000-2996000 0 Hombres
## 6997 2996000-2997000 0 Hombres
## 6998 2997000-2998000 0 Hombres
## 6999 2998000-2999000 0 Hombres
## 7000 2999000-3e+06 0 Hombres
## 7001 3e+06-3001000 0 Hombres
## 7002 3001000-3002000 0 Hombres
## 7003 3002000-3003000 0 Hombres
## 7004 3003000-3004000 0 Hombres
## 7005 3004000-3005000 0 Hombres
## 7006 3005000-3006000 0 Hombres
## 7007 3006000-3007000 0 Hombres
## 7008 3007000-3008000 0 Hombres
## 7009 3008000-3009000 0 Hombres
## 7010 3009000-3010000 0 Hombres
## 7011 3010000-3011000 0 Hombres
## 7012 3011000-3012000 0 Hombres
## 7013 3012000-3013000 0 Hombres
## 7014 3013000-3014000 0 Hombres
## 7015 3014000-3015000 0 Hombres
## 7016 3015000-3016000 0 Hombres
## 7017 3016000-3017000 0 Hombres
## 7018 3017000-3018000 0 Hombres
## 7019 3018000-3019000 0 Hombres
## 7020 3019000-3020000 0 Hombres
## 7021 3020000-3021000 0 Hombres
## 7022 3021000-3022000 0 Hombres
## 7023 3022000-3023000 0 Hombres
## 7024 3023000-3024000 0 Hombres
## 7025 3024000-3025000 0 Hombres
## 7026 3025000-3026000 0 Hombres
## 7027 3026000-3027000 0 Hombres
## 7028 3027000-3028000 0 Hombres
## 7029 3028000-3029000 0 Hombres
## 7030 3029000-3030000 0 Hombres
## 7031 3030000-3031000 0 Hombres
## 7032 3031000-3032000 0 Hombres
## 7033 3032000-3033000 0 Hombres
## 7034 3033000-3034000 0 Hombres
## 7035 3034000-3035000 0 Hombres
## 7036 3035000-3036000 0 Hombres
## 7037 3036000-3037000 0 Hombres
## 7038 3037000-3038000 0 Hombres
## 7039 3038000-3039000 0 Hombres
## 7040 3039000-3040000 0 Hombres
## 7041 3040000-3041000 0 Hombres
## 7042 3041000-3042000 0 Hombres
## 7043 3042000-3043000 0 Hombres
## 7044 3043000-3044000 0 Hombres
## 7045 3044000-3045000 0 Hombres
## 7046 3045000-3046000 0 Hombres
## 7047 3046000-3047000 0 Hombres
## 7048 3047000-3048000 0 Hombres
## 7049 3048000-3049000 0 Hombres
## 7050 3049000-3050000 0 Hombres
## 7051 3050000-3051000 0 Hombres
## 7052 3051000-3052000 0 Hombres
## 7053 3052000-3053000 0 Hombres
## 7054 3053000-3054000 0 Hombres
## 7055 3054000-3055000 0 Hombres
## 7056 3055000-3056000 0 Hombres
## 7057 3056000-3057000 0 Hombres
## 7058 3057000-3058000 0 Hombres
## 7059 3058000-3059000 0 Hombres
## 7060 3059000-3060000 0 Hombres
## 7061 3060000-3061000 0 Hombres
## 7062 3061000-3062000 0 Hombres
## 7063 3062000-3063000 0 Hombres
## 7064 3063000-3064000 0 Hombres
## 7065 3064000-3065000 0 Hombres
## 7066 3065000-3066000 0 Hombres
## 7067 3066000-3067000 0 Hombres
## 7068 3067000-3068000 0 Hombres
## 7069 3068000-3069000 0 Hombres
## 7070 3069000-3070000 0 Hombres
## 7071 3070000-3071000 0 Hombres
## 7072 3071000-3072000 0 Hombres
## 7073 3072000-3073000 0 Hombres
## 7074 3073000-3074000 0 Hombres
## 7075 3074000-3075000 0 Hombres
## 7076 3075000-3076000 0 Hombres
## 7077 3076000-3077000 0 Hombres
## 7078 3077000-3078000 0 Hombres
## 7079 3078000-3079000 0 Hombres
## 7080 3079000-3080000 0 Hombres
## 7081 3080000-3081000 0 Hombres
## 7082 3081000-3082000 0 Hombres
## 7083 3082000-3083000 0 Hombres
## 7084 3083000-3084000 0 Hombres
## 7085 3084000-3085000 0 Hombres
## 7086 3085000-3086000 0 Hombres
## 7087 3086000-3087000 0 Hombres
## 7088 3087000-3088000 0 Hombres
## 7089 3088000-3089000 0 Hombres
## 7090 3089000-3090000 0 Hombres
## 7091 3090000-3091000 0 Hombres
## 7092 3091000-3092000 0 Hombres
## 7093 3092000-3093000 0 Hombres
## 7094 3093000-3094000 0 Hombres
## 7095 3094000-3095000 0 Hombres
## 7096 3095000-3096000 0 Hombres
## 7097 3096000-3097000 0 Hombres
## 7098 3097000-3098000 0 Hombres
## 7099 3098000-3099000 0 Hombres
## 7100 3099000-3100000 0 Hombres
## 7101 3100000-3101000 0 Hombres
## 7102 3101000-3102000 0 Hombres
## 7103 3102000-3103000 0 Hombres
## 7104 3103000-3104000 0 Hombres
## 7105 3104000-3105000 0 Hombres
## 7106 3105000-3106000 0 Hombres
## 7107 3106000-3107000 0 Hombres
## 7108 3107000-3108000 0 Hombres
## 7109 3108000-3109000 0 Hombres
## 7110 3109000-3110000 0 Hombres
## 7111 3110000-3111000 0 Hombres
## 7112 3111000-3112000 0 Hombres
## 7113 3112000-3113000 0 Hombres
## 7114 3113000-3114000 0 Hombres
## 7115 3114000-3115000 0 Hombres
## 7116 3115000-3116000 0 Hombres
## 7117 3116000-3117000 0 Hombres
## 7118 3117000-3118000 0 Hombres
## 7119 3118000-3119000 0 Hombres
## 7120 3119000-3120000 0 Hombres
## 7121 3120000-3121000 0 Hombres
## 7122 3121000-3122000 0 Hombres
## 7123 3122000-3123000 0 Hombres
## 7124 3123000-3124000 0 Hombres
## 7125 3124000-3125000 0 Hombres
## 7126 3125000-3126000 0 Hombres
## 7127 3126000-3127000 0 Hombres
## 7128 3127000-3128000 0 Hombres
## 7129 3128000-3129000 0 Hombres
## 7130 3129000-3130000 0 Hombres
## 7131 3130000-3131000 0 Hombres
## 7132 3131000-3132000 0 Hombres
## 7133 3132000-3133000 0 Hombres
## 7134 3133000-3134000 0 Hombres
## 7135 3134000-3135000 0 Hombres
## 7136 3135000-3136000 0 Hombres
## 7137 3136000-3137000 0 Hombres
## 7138 3137000-3138000 0 Hombres
## 7139 3138000-3139000 0 Hombres
## 7140 3139000-3140000 0 Hombres
## 7141 3140000-3141000 0 Hombres
## 7142 3141000-3142000 0 Hombres
## 7143 3142000-3143000 0 Hombres
## 7144 3143000-3144000 0 Hombres
## 7145 3144000-3145000 0 Hombres
## 7146 3145000-3146000 0 Hombres
## 7147 3146000-3147000 0 Hombres
## 7148 3147000-3148000 0 Hombres
## 7149 3148000-3149000 0 Hombres
## 7150 3149000-3150000 0 Hombres
## 7151 3150000-3151000 0 Hombres
## 7152 3151000-3152000 0 Hombres
## 7153 3152000-3153000 0 Hombres
## 7154 3153000-3154000 0 Hombres
## 7155 3154000-3155000 0 Hombres
## 7156 3155000-3156000 0 Hombres
## 7157 3156000-3157000 0 Hombres
## 7158 3157000-3158000 0 Hombres
## 7159 3158000-3159000 0 Hombres
## 7160 3159000-3160000 0 Hombres
## 7161 3160000-3161000 0 Hombres
## 7162 3161000-3162000 0 Hombres
## 7163 3162000-3163000 0 Hombres
## 7164 3163000-3164000 0 Hombres
## 7165 3164000-3165000 0 Hombres
## 7166 3165000-3166000 0 Hombres
## 7167 3166000-3167000 0 Hombres
## 7168 3167000-3168000 0 Hombres
## 7169 3168000-3169000 0 Hombres
## 7170 3169000-3170000 0 Hombres
## 7171 3170000-3171000 0 Hombres
## 7172 3171000-3172000 0 Hombres
## 7173 3172000-3173000 0 Hombres
## 7174 3173000-3174000 0 Hombres
## 7175 3174000-3175000 0 Hombres
## 7176 3175000-3176000 0 Hombres
## 7177 3176000-3177000 0 Hombres
## 7178 3177000-3178000 0 Hombres
## 7179 3178000-3179000 0 Hombres
## 7180 3179000-3180000 0 Hombres
## 7181 3180000-3181000 0 Hombres
## 7182 3181000-3182000 0 Hombres
## 7183 3182000-3183000 0 Hombres
## 7184 3183000-3184000 0 Hombres
## 7185 3184000-3185000 0 Hombres
## 7186 3185000-3186000 0 Hombres
## 7187 3186000-3187000 0 Hombres
## 7188 3187000-3188000 0 Hombres
## 7189 3188000-3189000 0 Hombres
## 7190 3189000-3190000 0 Hombres
## 7191 3190000-3191000 0 Hombres
## 7192 3191000-3192000 0 Hombres
## 7193 3192000-3193000 0 Hombres
## 7194 3193000-3194000 0 Hombres
## 7195 3194000-3195000 0 Hombres
## 7196 3195000-3196000 0 Hombres
## 7197 3196000-3197000 0 Hombres
## 7198 3197000-3198000 0 Hombres
## 7199 3198000-3199000 0 Hombres
## 7200 3199000-3200000 0 Hombres
## 7201 3200000-3201000 0 Hombres
## 7202 3201000-3202000 0 Hombres
## 7203 3202000-3203000 0 Hombres
## 7204 3203000-3204000 0 Hombres
## 7205 3204000-3205000 0 Hombres
## 7206 3205000-3206000 0 Hombres
## 7207 3206000-3207000 0 Hombres
## 7208 3207000-3208000 0 Hombres
## 7209 3208000-3209000 0 Hombres
## 7210 3209000-3210000 0 Hombres
## 7211 3210000-3211000 0 Hombres
## 7212 3211000-3212000 0 Hombres
## 7213 3212000-3213000 0 Hombres
## 7214 3213000-3214000 0 Hombres
## 7215 3214000-3215000 0 Hombres
## 7216 3215000-3216000 0 Hombres
## 7217 3216000-3217000 0 Hombres
## 7218 3217000-3218000 0 Hombres
## 7219 3218000-3219000 0 Hombres
## 7220 3219000-3220000 0 Hombres
## 7221 3220000-3221000 0 Hombres
## 7222 3221000-3222000 0 Hombres
## 7223 3222000-3223000 0 Hombres
## 7224 3223000-3224000 0 Hombres
## 7225 3224000-3225000 0 Hombres
## 7226 3225000-3226000 0 Hombres
## 7227 3226000-3227000 0 Hombres
## 7228 3227000-3228000 0 Hombres
## 7229 3228000-3229000 0 Hombres
## 7230 3229000-3230000 0 Hombres
## 7231 3230000-3231000 0 Hombres
## 7232 3231000-3232000 0 Hombres
## 7233 3232000-3233000 0 Hombres
## 7234 3233000-3234000 0 Hombres
## 7235 3234000-3235000 0 Hombres
## 7236 3235000-3236000 0 Hombres
## 7237 3236000-3237000 0 Hombres
## 7238 3237000-3238000 0 Hombres
## 7239 3238000-3239000 0 Hombres
## 7240 3239000-3240000 0 Hombres
## 7241 3240000-3241000 0 Hombres
## 7242 3241000-3242000 0 Hombres
## 7243 3242000-3243000 0 Hombres
## 7244 3243000-3244000 0 Hombres
## 7245 3244000-3245000 0 Hombres
## 7246 3245000-3246000 0 Hombres
## 7247 3246000-3247000 0 Hombres
## 7248 3247000-3248000 0 Hombres
## 7249 3248000-3249000 0 Hombres
## 7250 3249000-3250000 0 Hombres
## 7251 3250000-3251000 0 Hombres
## 7252 3251000-3252000 0 Hombres
## 7253 3252000-3253000 0 Hombres
## 7254 3253000-3254000 0 Hombres
## 7255 3254000-3255000 0 Hombres
## 7256 3255000-3256000 0 Hombres
## 7257 3256000-3257000 0 Hombres
## 7258 3257000-3258000 0 Hombres
## 7259 3258000-3259000 0 Hombres
## 7260 3259000-3260000 0 Hombres
## 7261 3260000-3261000 0 Hombres
## 7262 3261000-3262000 0 Hombres
## 7263 3262000-3263000 0 Hombres
## 7264 3263000-3264000 0 Hombres
## 7265 3264000-3265000 0 Hombres
## 7266 3265000-3266000 0 Hombres
## 7267 3266000-3267000 0 Hombres
## 7268 3267000-3268000 0 Hombres
## 7269 3268000-3269000 0 Hombres
## 7270 3269000-3270000 0 Hombres
## 7271 3270000-3271000 0 Hombres
## 7272 3271000-3272000 0 Hombres
## 7273 3272000-3273000 0 Hombres
## 7274 3273000-3274000 0 Hombres
## 7275 3274000-3275000 0 Hombres
## 7276 3275000-3276000 0 Hombres
## 7277 3276000-3277000 0 Hombres
## 7278 3277000-3278000 0 Hombres
## 7279 3278000-3279000 0 Hombres
## 7280 3279000-3280000 0 Hombres
## 7281 3280000-3281000 0 Hombres
## 7282 3281000-3282000 0 Hombres
## 7283 3282000-3283000 0 Hombres
## 7284 3283000-3284000 0 Hombres
## 7285 3284000-3285000 0 Hombres
## 7286 3285000-3286000 0 Hombres
## 7287 3286000-3287000 0 Hombres
## 7288 3287000-3288000 0 Hombres
## 7289 3288000-3289000 0 Hombres
## 7290 3289000-3290000 0 Hombres
## 7291 3290000-3291000 0 Hombres
## 7292 3291000-3292000 0 Hombres
## 7293 3292000-3293000 0 Hombres
## 7294 3293000-3294000 0 Hombres
## 7295 3294000-3295000 0 Hombres
## 7296 3295000-3296000 0 Hombres
## 7297 3296000-3297000 0 Hombres
## 7298 3297000-3298000 0 Hombres
## 7299 3298000-3299000 0 Hombres
## 7300 3299000-3300000 0 Hombres
## 7301 3300000-3301000 0 Hombres
## 7302 3301000-3302000 0 Hombres
## 7303 3302000-3303000 0 Hombres
## 7304 3303000-3304000 0 Hombres
## 7305 3304000-3305000 0 Hombres
## 7306 3305000-3306000 0 Hombres
## 7307 3306000-3307000 0 Hombres
## 7308 3307000-3308000 0 Hombres
## 7309 3308000-3309000 0 Hombres
## 7310 3309000-3310000 0 Hombres
## 7311 3310000-3311000 0 Hombres
## 7312 3311000-3312000 0 Hombres
## 7313 3312000-3313000 0 Hombres
## 7314 3313000-3314000 0 Hombres
## 7315 3314000-3315000 0 Hombres
## 7316 3315000-3316000 0 Hombres
## 7317 3316000-3317000 0 Hombres
## 7318 3317000-3318000 0 Hombres
## 7319 3318000-3319000 0 Hombres
## 7320 3319000-3320000 0 Hombres
## 7321 3320000-3321000 0 Hombres
## 7322 3321000-3322000 0 Hombres
## 7323 3322000-3323000 0 Hombres
## 7324 3323000-3324000 0 Hombres
## 7325 3324000-3325000 0 Hombres
## 7326 3325000-3326000 0 Hombres
## 7327 3326000-3327000 0 Hombres
## 7328 3327000-3328000 0 Hombres
## 7329 3328000-3329000 0 Hombres
## 7330 3329000-3330000 0 Hombres
## 7331 3330000-3331000 0 Hombres
## 7332 3331000-3332000 0 Hombres
## 7333 3332000-3333000 0 Hombres
## 7334 3333000-3334000 0 Hombres
## 7335 3334000-3335000 0 Hombres
## 7336 3335000-3336000 0 Hombres
## 7337 3336000-3337000 0 Hombres
## 7338 3337000-3338000 0 Hombres
## 7339 3338000-3339000 0 Hombres
## 7340 3339000-3340000 0 Hombres
## 7341 3340000-3341000 0 Hombres
## 7342 3341000-3342000 0 Hombres
## 7343 3342000-3343000 0 Hombres
## 7344 3343000-3344000 0 Hombres
## 7345 3344000-3345000 0 Hombres
## 7346 3345000-3346000 0 Hombres
## 7347 3346000-3347000 0 Hombres
## 7348 3347000-3348000 0 Hombres
## 7349 3348000-3349000 0 Hombres
## 7350 3349000-3350000 0 Hombres
## 7351 3350000-3351000 0 Hombres
## 7352 3351000-3352000 0 Hombres
## 7353 3352000-3353000 0 Hombres
## 7354 3353000-3354000 0 Hombres
## 7355 3354000-3355000 0 Hombres
## 7356 3355000-3356000 0 Hombres
## 7357 3356000-3357000 0 Hombres
## 7358 3357000-3358000 0 Hombres
## 7359 3358000-3359000 0 Hombres
## 7360 3359000-3360000 0 Hombres
## 7361 3360000-3361000 0 Hombres
## 7362 3361000-3362000 0 Hombres
## 7363 3362000-3363000 0 Hombres
## 7364 3363000-3364000 0 Hombres
## 7365 3364000-3365000 0 Hombres
## 7366 3365000-3366000 0 Hombres
## 7367 3366000-3367000 0 Hombres
## 7368 3367000-3368000 0 Hombres
## 7369 3368000-3369000 0 Hombres
## 7370 3369000-3370000 0 Hombres
## 7371 3370000-3371000 0 Hombres
## 7372 3371000-3372000 0 Hombres
## 7373 3372000-3373000 0 Hombres
## 7374 3373000-3374000 0 Hombres
## 7375 3374000-3375000 0 Hombres
## 7376 3375000-3376000 0 Hombres
## 7377 3376000-3377000 0 Hombres
## 7378 3377000-3378000 0 Hombres
## 7379 3378000-3379000 0 Hombres
## 7380 3379000-3380000 0 Hombres
## 7381 3380000-3381000 0 Hombres
## 7382 3381000-3382000 0 Hombres
## 7383 3382000-3383000 0 Hombres
## 7384 3383000-3384000 0 Hombres
## 7385 3384000-3385000 0 Hombres
## 7386 3385000-3386000 0 Hombres
## 7387 3386000-3387000 0 Hombres
## 7388 3387000-3388000 0 Hombres
## 7389 3388000-3389000 0 Hombres
## 7390 3389000-3390000 0 Hombres
## 7391 3390000-3391000 0 Hombres
## 7392 3391000-3392000 0 Hombres
## 7393 3392000-3393000 0 Hombres
## 7394 3393000-3394000 0 Hombres
## 7395 3394000-3395000 0 Hombres
## 7396 3395000-3396000 0 Hombres
## 7397 3396000-3397000 0 Hombres
## 7398 3397000-3398000 0 Hombres
## 7399 3398000-3399000 0 Hombres
## 7400 3399000-3400000 0 Hombres
## 7401 3400000-3401000 0 Hombres
## 7402 3401000-3402000 0 Hombres
## 7403 3402000-3403000 0 Hombres
## 7404 3403000-3404000 0 Hombres
## 7405 3404000-3405000 0 Hombres
## 7406 3405000-3406000 0 Hombres
## 7407 3406000-3407000 0 Hombres
## 7408 3407000-3408000 0 Hombres
## 7409 3408000-3409000 0 Hombres
## 7410 3409000-3410000 0 Hombres
## 7411 3410000-3411000 0 Hombres
## 7412 3411000-3412000 0 Hombres
## 7413 3412000-3413000 0 Hombres
## 7414 3413000-3414000 0 Hombres
## 7415 3414000-3415000 0 Hombres
## 7416 3415000-3416000 0 Hombres
## 7417 3416000-3417000 0 Hombres
## 7418 3417000-3418000 0 Hombres
## 7419 3418000-3419000 0 Hombres
## 7420 3419000-3420000 0 Hombres
## 7421 3420000-3421000 0 Hombres
## 7422 3421000-3422000 0 Hombres
## 7423 3422000-3423000 0 Hombres
## 7424 3423000-3424000 0 Hombres
## 7425 3424000-3425000 0 Hombres
## 7426 3425000-3426000 0 Hombres
## 7427 3426000-3427000 0 Hombres
## 7428 3427000-3428000 0 Hombres
## 7429 3428000-3429000 0 Hombres
## 7430 3429000-3430000 0 Hombres
## 7431 3430000-3431000 0 Hombres
## 7432 3431000-3432000 0 Hombres
## 7433 3432000-3433000 0 Hombres
## 7434 3433000-3434000 0 Hombres
## 7435 3434000-3435000 0 Hombres
## 7436 3435000-3436000 0 Hombres
## 7437 3436000-3437000 0 Hombres
## 7438 3437000-3438000 0 Hombres
## 7439 3438000-3439000 0 Hombres
## 7440 3439000-3440000 0 Hombres
## 7441 3440000-3441000 0 Hombres
## 7442 3441000-3442000 0 Hombres
## 7443 3442000-3443000 0 Hombres
## 7444 3443000-3444000 0 Hombres
## 7445 3444000-3445000 0 Hombres
## 7446 3445000-3446000 0 Hombres
## 7447 3446000-3447000 0 Hombres
## 7448 3447000-3448000 0 Hombres
## 7449 3448000-3449000 0 Hombres
## 7450 3449000-3450000 0 Hombres
## 7451 3450000-3451000 0 Hombres
## 7452 3451000-3452000 0 Hombres
## 7453 3452000-3453000 0 Hombres
## 7454 3453000-3454000 0 Hombres
## 7455 3454000-3455000 0 Hombres
## 7456 3455000-3456000 0 Hombres
## 7457 3456000-3457000 0 Hombres
## 7458 3457000-3458000 0 Hombres
## 7459 3458000-3459000 0 Hombres
## 7460 3459000-3460000 0 Hombres
## 7461 3460000-3461000 0 Hombres
## 7462 3461000-3462000 0 Hombres
## 7463 3462000-3463000 0 Hombres
## 7464 3463000-3464000 0 Hombres
## 7465 3464000-3465000 0 Hombres
## 7466 3465000-3466000 0 Hombres
## 7467 3466000-3467000 0 Hombres
## 7468 3467000-3468000 0 Hombres
## 7469 3468000-3469000 0 Hombres
## 7470 3469000-3470000 0 Hombres
## 7471 3470000-3471000 0 Hombres
## 7472 3471000-3472000 0 Hombres
## 7473 3472000-3473000 0 Hombres
## 7474 3473000-3474000 0 Hombres
## 7475 3474000-3475000 0 Hombres
## 7476 3475000-3476000 0 Hombres
## 7477 3476000-3477000 0 Hombres
## 7478 3477000-3478000 0 Hombres
## 7479 3478000-3479000 0 Hombres
## 7480 3479000-3480000 0 Hombres
## 7481 3480000-3481000 0 Hombres
## 7482 3481000-3482000 0 Hombres
## 7483 3482000-3483000 0 Hombres
## 7484 3483000-3484000 0 Hombres
## 7485 3484000-3485000 0 Hombres
## 7486 3485000-3486000 0 Hombres
## 7487 3486000-3487000 0 Hombres
## 7488 3487000-3488000 0 Hombres
## 7489 3488000-3489000 0 Hombres
## 7490 3489000-3490000 0 Hombres
## 7491 3490000-3491000 0 Hombres
## 7492 3491000-3492000 0 Hombres
## 7493 3492000-3493000 0 Hombres
## 7494 3493000-3494000 0 Hombres
## 7495 3494000-3495000 0 Hombres
## 7496 3495000-3496000 0 Hombres
## 7497 3496000-3497000 0 Hombres
## 7498 3497000-3498000 0 Hombres
## 7499 3498000-3499000 0 Hombres
## 7500 3499000-3500000 0 Hombres
## 7501 3500000-3501000 0 Hombres
## 7502 3501000-3502000 0 Hombres
## 7503 3502000-3503000 0 Hombres
## 7504 3503000-3504000 0 Hombres
## 7505 3504000-3505000 0 Hombres
## 7506 3505000-3506000 0 Hombres
## 7507 3506000-3507000 0 Hombres
## 7508 3507000-3508000 0 Hombres
## 7509 3508000-3509000 0 Hombres
## 7510 3509000-3510000 0 Hombres
## 7511 3510000-3511000 0 Hombres
## 7512 3511000-3512000 0 Hombres
## 7513 3512000-3513000 0 Hombres
## 7514 3513000-3514000 0 Hombres
## 7515 3514000-3515000 0 Hombres
## 7516 3515000-3516000 0 Hombres
## 7517 3516000-3517000 0 Hombres
## 7518 3517000-3518000 0 Hombres
## 7519 3518000-3519000 0 Hombres
## 7520 3519000-3520000 0 Hombres
## 7521 3520000-3521000 0 Hombres
## 7522 3521000-3522000 0 Hombres
## 7523 3522000-3523000 0 Hombres
## 7524 3523000-3524000 0 Hombres
## 7525 3524000-3525000 0 Hombres
## 7526 3525000-3526000 0 Hombres
## 7527 3526000-3527000 0 Hombres
## 7528 3527000-3528000 0 Hombres
## 7529 3528000-3529000 0 Hombres
## 7530 3529000-3530000 0 Hombres
## 7531 3530000-3531000 0 Hombres
## 7532 3531000-3532000 0 Hombres
## 7533 3532000-3533000 0 Hombres
## 7534 3533000-3534000 0 Hombres
## 7535 3534000-3535000 0 Hombres
## 7536 3535000-3536000 0 Hombres
## 7537 3536000-3537000 0 Hombres
## 7538 3537000-3538000 0 Hombres
## 7539 3538000-3539000 0 Hombres
## 7540 3539000-3540000 0 Hombres
## 7541 3540000-3541000 0 Hombres
## 7542 3541000-3542000 0 Hombres
## 7543 3542000-3543000 0 Hombres
## 7544 3543000-3544000 0 Hombres
## 7545 3544000-3545000 0 Hombres
## 7546 3545000-3546000 0 Hombres
## 7547 3546000-3547000 0 Hombres
## 7548 3547000-3548000 0 Hombres
## 7549 3548000-3549000 0 Hombres
## 7550 3549000-3550000 0 Hombres
## 7551 3550000-3551000 0 Hombres
## 7552 3551000-3552000 0 Hombres
## 7553 3552000-3553000 0 Hombres
## 7554 3553000-3554000 0 Hombres
## 7555 3554000-3555000 0 Hombres
## 7556 3555000-3556000 0 Hombres
## 7557 3556000-3557000 0 Hombres
## 7558 3557000-3558000 0 Hombres
## 7559 3558000-3559000 0 Hombres
## 7560 3559000-3560000 0 Hombres
## 7561 3560000-3561000 0 Hombres
## 7562 3561000-3562000 0 Hombres
## 7563 3562000-3563000 0 Hombres
## 7564 3563000-3564000 0 Hombres
## 7565 3564000-3565000 0 Hombres
## 7566 3565000-3566000 0 Hombres
## 7567 3566000-3567000 0 Hombres
## 7568 3567000-3568000 0 Hombres
## 7569 3568000-3569000 0 Hombres
## 7570 3569000-3570000 0 Hombres
## 7571 3570000-3571000 0 Hombres
## 7572 3571000-3572000 0 Hombres
## 7573 3572000-3573000 0 Hombres
## 7574 3573000-3574000 0 Hombres
## 7575 3574000-3575000 0 Hombres
## 7576 3575000-3576000 0 Hombres
## 7577 3576000-3577000 0 Hombres
## 7578 3577000-3578000 0 Hombres
## 7579 3578000-3579000 0 Hombres
## 7580 3579000-3580000 0 Hombres
## 7581 3580000-3581000 0 Hombres
## 7582 3581000-3582000 0 Hombres
## 7583 3582000-3583000 0 Hombres
## 7584 3583000-3584000 0 Hombres
## 7585 3584000-3585000 0 Hombres
## 7586 3585000-3586000 0 Hombres
## 7587 3586000-3587000 0 Hombres
## 7588 3587000-3588000 0 Hombres
## 7589 3588000-3589000 0 Hombres
## 7590 3589000-3590000 0 Hombres
## 7591 3590000-3591000 0 Hombres
## 7592 3591000-3592000 0 Hombres
## 7593 3592000-3593000 0 Hombres
## 7594 3593000-3594000 0 Hombres
## 7595 3594000-3595000 0 Hombres
## 7596 3595000-3596000 0 Hombres
## 7597 3596000-3597000 0 Hombres
## 7598 3597000-3598000 0 Hombres
## 7599 3598000-3599000 0 Hombres
## 7600 3599000-3600000 0 Hombres
## 7601 3600000-3601000 0 Hombres
## 7602 3601000-3602000 0 Hombres
## 7603 3602000-3603000 0 Hombres
## 7604 3603000-3604000 0 Hombres
## 7605 3604000-3605000 0 Hombres
## 7606 3605000-3606000 0 Hombres
## 7607 3606000-3607000 0 Hombres
## 7608 3607000-3608000 0 Hombres
## 7609 3608000-3609000 0 Hombres
## 7610 3609000-3610000 0 Hombres
## 7611 3610000-3611000 0 Hombres
## 7612 3611000-3612000 0 Hombres
## 7613 3612000-3613000 0 Hombres
## 7614 3613000-3614000 0 Hombres
## 7615 3614000-3615000 0 Hombres
## 7616 3615000-3616000 0 Hombres
## 7617 3616000-3617000 0 Hombres
## 7618 3617000-3618000 0 Hombres
## 7619 3618000-3619000 0 Hombres
## 7620 3619000-3620000 0 Hombres
## 7621 3620000-3621000 0 Hombres
## 7622 3621000-3622000 0 Hombres
## 7623 3622000-3623000 0 Hombres
## 7624 3623000-3624000 0 Hombres
## 7625 3624000-3625000 0 Hombres
## 7626 3625000-3626000 0 Hombres
## 7627 3626000-3627000 0 Hombres
## 7628 3627000-3628000 0 Hombres
## 7629 3628000-3629000 0 Hombres
## 7630 3629000-3630000 0 Hombres
## 7631 3630000-3631000 0 Hombres
## 7632 3631000-3632000 0 Hombres
## 7633 3632000-3633000 0 Hombres
## 7634 3633000-3634000 0 Hombres
## 7635 3634000-3635000 0 Hombres
## 7636 3635000-3636000 0 Hombres
## 7637 3636000-3637000 0 Hombres
## 7638 3637000-3638000 0 Hombres
## 7639 3638000-3639000 0 Hombres
## 7640 3639000-3640000 0 Hombres
## 7641 3640000-3641000 0 Hombres
## 7642 3641000-3642000 0 Hombres
## 7643 3642000-3643000 0 Hombres
## 7644 3643000-3644000 0 Hombres
## 7645 3644000-3645000 0 Hombres
## 7646 3645000-3646000 0 Hombres
## 7647 3646000-3647000 0 Hombres
## 7648 3647000-3648000 0 Hombres
## 7649 3648000-3649000 0 Hombres
## 7650 3649000-3650000 0 Hombres
## 7651 3650000-3651000 0 Hombres
## 7652 3651000-3652000 0 Hombres
## 7653 3652000-3653000 0 Hombres
## 7654 3653000-3654000 0 Hombres
## 7655 3654000-3655000 0 Hombres
## 7656 3655000-3656000 0 Hombres
## 7657 3656000-3657000 0 Hombres
## 7658 3657000-3658000 0 Hombres
## 7659 3658000-3659000 0 Hombres
## 7660 3659000-3660000 0 Hombres
## 7661 3660000-3661000 0 Hombres
## 7662 3661000-3662000 0 Hombres
## 7663 3662000-3663000 0 Hombres
## 7664 3663000-3664000 0 Hombres
## 7665 3664000-3665000 0 Hombres
## 7666 3665000-3666000 0 Hombres
## 7667 3666000-3667000 0 Hombres
## 7668 3667000-3668000 0 Hombres
## 7669 3668000-3669000 0 Hombres
## 7670 3669000-3670000 0 Hombres
## 7671 3670000-3671000 0 Hombres
## 7672 3671000-3672000 0 Hombres
## 7673 3672000-3673000 0 Hombres
## 7674 3673000-3674000 0 Hombres
## 7675 3674000-3675000 0 Hombres
## 7676 3675000-3676000 0 Hombres
## 7677 3676000-3677000 0 Hombres
## 7678 3677000-3678000 0 Hombres
## 7679 3678000-3679000 0 Hombres
## 7680 3679000-3680000 0 Hombres
## 7681 3680000-3681000 0 Hombres
## 7682 3681000-3682000 0 Hombres
## 7683 3682000-3683000 0 Hombres
## 7684 3683000-3684000 0 Hombres
## 7685 3684000-3685000 0 Hombres
## 7686 3685000-3686000 0 Hombres
## 7687 3686000-3687000 0 Hombres
## 7688 3687000-3688000 0 Hombres
## 7689 3688000-3689000 0 Hombres
## 7690 3689000-3690000 0 Hombres
## 7691 3690000-3691000 0 Hombres
## 7692 3691000-3692000 0 Hombres
## 7693 3692000-3693000 0 Hombres
## 7694 3693000-3694000 0 Hombres
## 7695 3694000-3695000 0 Hombres
## 7696 3695000-3696000 0 Hombres
## 7697 3696000-3697000 0 Hombres
## 7698 3697000-3698000 0 Hombres
## 7699 3698000-3699000 0 Hombres
## 7700 3699000-3700000 0 Hombres
## 7701 3700000-3701000 0 Hombres
## 7702 3701000-3702000 0 Hombres
## 7703 3702000-3703000 0 Hombres
## 7704 3703000-3704000 0 Hombres
## 7705 3704000-3705000 0 Hombres
## 7706 3705000-3706000 0 Hombres
## 7707 3706000-3707000 0 Hombres
## 7708 3707000-3708000 0 Hombres
## 7709 3708000-3709000 0 Hombres
## 7710 3709000-3710000 0 Hombres
## 7711 3710000-3711000 0 Hombres
## 7712 3711000-3712000 0 Hombres
## 7713 3712000-3713000 0 Hombres
## 7714 3713000-3714000 0 Hombres
## 7715 3714000-3715000 0 Hombres
## 7716 3715000-3716000 0 Hombres
## 7717 3716000-3717000 0 Hombres
## 7718 3717000-3718000 0 Hombres
## 7719 3718000-3719000 0 Hombres
## 7720 3719000-3720000 0 Hombres
## 7721 3720000-3721000 0 Hombres
## 7722 3721000-3722000 0 Hombres
## 7723 3722000-3723000 0 Hombres
## 7724 3723000-3724000 0 Hombres
## 7725 3724000-3725000 0 Hombres
## 7726 3725000-3726000 0 Hombres
## 7727 3726000-3727000 0 Hombres
## 7728 3727000-3728000 0 Hombres
## 7729 3728000-3729000 0 Hombres
## 7730 3729000-3730000 0 Hombres
## 7731 3730000-3731000 0 Hombres
## 7732 3731000-3732000 0 Hombres
## 7733 3732000-3733000 0 Hombres
## 7734 3733000-3734000 0 Hombres
## 7735 3734000-3735000 0 Hombres
## 7736 3735000-3736000 0 Hombres
## 7737 3736000-3737000 0 Hombres
## 7738 3737000-3738000 0 Hombres
## 7739 3738000-3739000 0 Hombres
## 7740 3739000-3740000 0 Hombres
## 7741 3740000-3741000 0 Hombres
## 7742 3741000-3742000 0 Hombres
## 7743 3742000-3743000 0 Hombres
## 7744 3743000-3744000 0 Hombres
## 7745 3744000-3745000 0 Hombres
## 7746 3745000-3746000 0 Hombres
## 7747 3746000-3747000 0 Hombres
## 7748 3747000-3748000 0 Hombres
## 7749 3748000-3749000 0 Hombres
## 7750 3749000-3750000 0 Hombres
## 7751 3750000-3751000 0 Hombres
## 7752 3751000-3752000 0 Hombres
## 7753 3752000-3753000 0 Hombres
## 7754 3753000-3754000 0 Hombres
## 7755 3754000-3755000 0 Hombres
## 7756 3755000-3756000 0 Hombres
## 7757 3756000-3757000 0 Hombres
## 7758 3757000-3758000 0 Hombres
## 7759 3758000-3759000 0 Hombres
## 7760 3759000-3760000 0 Hombres
## 7761 3760000-3761000 0 Hombres
## 7762 3761000-3762000 0 Hombres
## 7763 3762000-3763000 0 Hombres
## 7764 3763000-3764000 0 Hombres
## 7765 3764000-3765000 0 Hombres
## 7766 3765000-3766000 0 Hombres
## 7767 3766000-3767000 0 Hombres
## 7768 3767000-3768000 0 Hombres
## 7769 3768000-3769000 0 Hombres
## 7770 3769000-3770000 0 Hombres
## 7771 3770000-3771000 0 Hombres
## 7772 3771000-3772000 0 Hombres
## 7773 3772000-3773000 0 Hombres
## 7774 3773000-3774000 0 Hombres
## 7775 3774000-3775000 0 Hombres
## 7776 3775000-3776000 0 Hombres
## 7777 3776000-3777000 0 Hombres
## 7778 3777000-3778000 0 Hombres
## 7779 3778000-3779000 0 Hombres
## 7780 3779000-3780000 0 Hombres
## 7781 3780000-3781000 0 Hombres
## 7782 3781000-3782000 0 Hombres
## 7783 3782000-3783000 0 Hombres
## 7784 3783000-3784000 0 Hombres
## 7785 3784000-3785000 0 Hombres
## 7786 3785000-3786000 0 Hombres
## 7787 3786000-3787000 0 Hombres
## 7788 3787000-3788000 0 Hombres
## 7789 3788000-3789000 0 Hombres
## 7790 3789000-3790000 0 Hombres
## 7791 3790000-3791000 0 Hombres
## 7792 3791000-3792000 0 Hombres
## 7793 3792000-3793000 0 Hombres
## 7794 3793000-3794000 0 Hombres
## 7795 3794000-3795000 0 Hombres
## 7796 3795000-3796000 0 Hombres
## 7797 3796000-3797000 0 Hombres
## 7798 3797000-3798000 0 Hombres
## 7799 3798000-3799000 0 Hombres
## 7800 3799000-3800000 0 Hombres
## 7801 3800000-3801000 0 Hombres
## 7802 3801000-3802000 0 Hombres
## 7803 3802000-3803000 0 Hombres
## 7804 3803000-3804000 0 Hombres
## 7805 3804000-3805000 0 Hombres
## 7806 3805000-3806000 0 Hombres
## 7807 3806000-3807000 0 Hombres
## 7808 3807000-3808000 0 Hombres
## 7809 3808000-3809000 0 Hombres
## 7810 3809000-3810000 0 Hombres
## 7811 3810000-3811000 0 Hombres
## 7812 3811000-3812000 0 Hombres
## 7813 3812000-3813000 0 Hombres
## 7814 3813000-3814000 0 Hombres
## 7815 3814000-3815000 0 Hombres
## 7816 3815000-3816000 0 Hombres
## 7817 3816000-3817000 0 Hombres
## 7818 3817000-3818000 0 Hombres
## 7819 3818000-3819000 0 Hombres
## 7820 3819000-3820000 0 Hombres
## 7821 3820000-3821000 0 Hombres
## 7822 3821000-3822000 0 Hombres
## 7823 3822000-3823000 0 Hombres
## 7824 3823000-3824000 0 Hombres
## 7825 3824000-3825000 0 Hombres
## 7826 3825000-3826000 0 Hombres
## 7827 3826000-3827000 0 Hombres
## 7828 3827000-3828000 0 Hombres
## 7829 3828000-3829000 0 Hombres
## 7830 3829000-3830000 0 Hombres
## 7831 3830000-3831000 0 Hombres
## 7832 3831000-3832000 0 Hombres
## 7833 3832000-3833000 0 Hombres
## 7834 3833000-3834000 0 Hombres
## 7835 3834000-3835000 0 Hombres
## 7836 3835000-3836000 0 Hombres
## 7837 3836000-3837000 0 Hombres
## 7838 3837000-3838000 0 Hombres
## 7839 3838000-3839000 0 Hombres
## 7840 3839000-3840000 0 Hombres
## 7841 3840000-3841000 0 Hombres
## 7842 3841000-3842000 0 Hombres
## 7843 3842000-3843000 0 Hombres
## 7844 3843000-3844000 0 Hombres
## 7845 3844000-3845000 0 Hombres
## 7846 3845000-3846000 0 Hombres
## 7847 3846000-3847000 0 Hombres
## 7848 3847000-3848000 0 Hombres
## 7849 3848000-3849000 0 Hombres
## 7850 3849000-3850000 0 Hombres
## 7851 3850000-3851000 0 Hombres
## 7852 3851000-3852000 0 Hombres
## 7853 3852000-3853000 0 Hombres
## 7854 3853000-3854000 0 Hombres
## 7855 3854000-3855000 0 Hombres
## 7856 3855000-3856000 0 Hombres
## 7857 3856000-3857000 0 Hombres
## 7858 3857000-3858000 0 Hombres
## 7859 3858000-3859000 0 Hombres
## 7860 3859000-3860000 0 Hombres
## 7861 3860000-3861000 0 Hombres
## 7862 3861000-3862000 0 Hombres
## 7863 3862000-3863000 0 Hombres
## 7864 3863000-3864000 0 Hombres
## 7865 3864000-3865000 0 Hombres
## 7866 3865000-3866000 0 Hombres
## 7867 3866000-3867000 0 Hombres
## 7868 3867000-3868000 0 Hombres
## 7869 3868000-3869000 0 Hombres
## 7870 3869000-3870000 0 Hombres
## 7871 3870000-3871000 0 Hombres
## 7872 3871000-3872000 0 Hombres
## 7873 3872000-3873000 0 Hombres
## 7874 3873000-3874000 0 Hombres
## 7875 3874000-3875000 0 Hombres
## 7876 3875000-3876000 0 Hombres
## 7877 3876000-3877000 0 Hombres
## 7878 3877000-3878000 0 Hombres
## 7879 3878000-3879000 0 Hombres
## 7880 3879000-3880000 0 Hombres
## 7881 3880000-3881000 0 Hombres
## 7882 3881000-3882000 0 Hombres
## 7883 3882000-3883000 0 Hombres
## 7884 3883000-3884000 0 Hombres
## 7885 3884000-3885000 0 Hombres
## 7886 3885000-3886000 0 Hombres
## 7887 3886000-3887000 0 Hombres
## 7888 3887000-3888000 0 Hombres
## 7889 3888000-3889000 0 Hombres
## 7890 3889000-3890000 0 Hombres
## 7891 3890000-3891000 0 Hombres
## 7892 3891000-3892000 0 Hombres
## 7893 3892000-3893000 0 Hombres
## 7894 3893000-3894000 0 Hombres
## 7895 3894000-3895000 0 Hombres
## 7896 3895000-3896000 0 Hombres
## 7897 3896000-3897000 0 Hombres
## 7898 3897000-3898000 0 Hombres
## 7899 3898000-3899000 0 Hombres
## 7900 3899000-3900000 0 Hombres
## 7901 3900000-3901000 0 Hombres
## 7902 3901000-3902000 0 Hombres
## 7903 3902000-3903000 0 Hombres
## 7904 3903000-3904000 0 Hombres
## 7905 3904000-3905000 0 Hombres
## 7906 3905000-3906000 0 Hombres
## 7907 3906000-3907000 0 Hombres
## 7908 3907000-3908000 0 Hombres
## 7909 3908000-3909000 0 Hombres
## 7910 3909000-3910000 0 Hombres
## 7911 3910000-3911000 0 Hombres
## 7912 3911000-3912000 0 Hombres
## 7913 3912000-3913000 0 Hombres
## 7914 3913000-3914000 0 Hombres
## 7915 3914000-3915000 0 Hombres
## 7916 3915000-3916000 0 Hombres
## 7917 3916000-3917000 0 Hombres
## 7918 3917000-3918000 0 Hombres
## 7919 3918000-3919000 0 Hombres
## 7920 3919000-3920000 0 Hombres
## 7921 3920000-3921000 0 Hombres
## 7922 3921000-3922000 0 Hombres
## 7923 3922000-3923000 0 Hombres
## 7924 3923000-3924000 0 Hombres
## 7925 3924000-3925000 0 Hombres
## 7926 3925000-3926000 0 Hombres
## 7927 3926000-3927000 0 Hombres
## 7928 3927000-3928000 0 Hombres
## 7929 3928000-3929000 0 Hombres
## 7930 3929000-3930000 0 Hombres
## 7931 3930000-3931000 0 Hombres
## 7932 3931000-3932000 0 Hombres
## 7933 3932000-3933000 0 Hombres
## 7934 3933000-3934000 0 Hombres
## 7935 3934000-3935000 0 Hombres
## 7936 3935000-3936000 0 Hombres
## 7937 3936000-3937000 0 Hombres
## 7938 3937000-3938000 0 Hombres
## 7939 3938000-3939000 0 Hombres
## 7940 3939000-3940000 0 Hombres
## 7941 3940000-3941000 0 Hombres
## 7942 3941000-3942000 0 Hombres
## 7943 3942000-3943000 0 Hombres
## 7944 3943000-3944000 0 Hombres
## 7945 3944000-3945000 0 Hombres
## 7946 3945000-3946000 0 Hombres
## 7947 3946000-3947000 0 Hombres
## 7948 3947000-3948000 0 Hombres
## 7949 3948000-3949000 0 Hombres
## 7950 3949000-3950000 0 Hombres
## 7951 3950000-3951000 0 Hombres
## 7952 3951000-3952000 0 Hombres
## 7953 3952000-3953000 0 Hombres
## 7954 3953000-3954000 0 Hombres
## 7955 3954000-3955000 0 Hombres
## 7956 3955000-3956000 0 Hombres
## 7957 3956000-3957000 0 Hombres
## 7958 3957000-3958000 0 Hombres
## 7959 3958000-3959000 0 Hombres
## 7960 3959000-3960000 0 Hombres
## 7961 3960000-3961000 0 Hombres
## 7962 3961000-3962000 0 Hombres
## 7963 3962000-3963000 0 Hombres
## 7964 3963000-3964000 0 Hombres
## 7965 3964000-3965000 0 Hombres
## 7966 3965000-3966000 0 Hombres
## 7967 3966000-3967000 0 Hombres
## 7968 3967000-3968000 0 Hombres
## 7969 3968000-3969000 0 Hombres
## 7970 3969000-3970000 0 Hombres
## 7971 3970000-3971000 0 Hombres
## 7972 3971000-3972000 0 Hombres
## 7973 3972000-3973000 0 Hombres
## 7974 3973000-3974000 0 Hombres
## 7975 3974000-3975000 0 Hombres
## 7976 3975000-3976000 0 Hombres
## 7977 3976000-3977000 0 Hombres
## 7978 3977000-3978000 0 Hombres
## 7979 3978000-3979000 0 Hombres
## 7980 3979000-3980000 0 Hombres
## 7981 3980000-3981000 0 Hombres
## 7982 3981000-3982000 0 Hombres
## 7983 3982000-3983000 0 Hombres
## 7984 3983000-3984000 0 Hombres
## 7985 3984000-3985000 0 Hombres
## 7986 3985000-3986000 0 Hombres
## 7987 3986000-3987000 0 Hombres
## 7988 3987000-3988000 0 Hombres
## 7989 3988000-3989000 0 Hombres
## 7990 3989000-3990000 0 Hombres
## 7991 3990000-3991000 0 Hombres
## 7992 3991000-3992000 0 Hombres
## 7993 3992000-3993000 0 Hombres
## 7994 3993000-3994000 0 Hombres
## 7995 3994000-3995000 0 Hombres
## 7996 3995000-3996000 0 Hombres
## 7997 3996000-3997000 0 Hombres
## 7998 3997000-3998000 0 Hombres
## 7999 3998000-3999000 0 Hombres
## 8000 3999000-4e+06 27 Hombreslibrary(ggplot2)
library(dplyr)
# Daten filtern
female <- datos_basicos3_21$P4_2_mensual
male <- datos_basicos3_21$P4_5_AB_mensual
female <- female[!is.na(female) & female > 0]
male <- male[!is.na(male) & male > 0]
# Tabelle mit Mittelwerten
df_income <- data.frame(
Gender = c("Mujeres", "Hombres"),
Income = c(mean(female), mean(male))
)
# Balkendiagramm
ggplot(df_income, aes(x = Gender, y = Income, fill = Gender)) +
geom_col(width = 0.6, alpha = 0.8) +
scale_fill_manual(values = c("Mujeres" = "pink", "Hombres" = "lightblue")) +
labs(
title = "Ingreso mensual promedio por género",
x = "Género",
y = "Ingreso mensual promedio"
) +
theme_minimal()
library(ggplot2)
library(dplyr)
# Datos: limpieza
female <- datos_basicos3_21$P4_2_mensual
male <- datos_basicos3_21$P4_5_AB_mensual
female <- female[!is.na(female) & female > 0]
male <- male[!is.na(male) & male > 0]
# Clases de ingreso (en pasos de 10,000; último grupo >50,000)
breaks <- c(seq(0, 50000, by = 10000), Inf)
labels <- c("0-10 mil", "10-20 mil", "20-30 mil", "30-40 mil", "40-50 mil", ">50 mil")
# Frecuencias
df_female <- as.data.frame(table(cut(female, breaks = breaks, labels = labels, right = FALSE)))
colnames(df_female) <- c("Clase_ingreso", "Frecuencia")
df_female$Genero <- "Mujeres"
df_male <- as.data.frame(table(cut(male, breaks = breaks, labels = labels, right = FALSE)))
colnames(df_male) <- c("Clase_ingreso", "Frecuencia")
df_male$Genero <- "Hombres"
# Unir data frames
df_plot <- rbind(df_female, df_male)
# Gráfico
ggplot(df_plot, aes(x = Clase_ingreso, y = Frecuencia, fill = Genero)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
scale_fill_manual(values = c("Mujeres" = "pink", "Hombres" = "lightblue")) +
labs(
title = "Distribución de ingresos mensuales por género",
x = "Clases de ingreso (mensual)",
y = "Número de personas",
fill = "Género"
) +
theme_minimal(base_size = 14) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(ggplot2)
library(dplyr)
# Daten: Bereinigung
female <- datos_basicos3_21$P4_2_mensual
male <- datos_basicos3_21$P4_5_AB_mensual
female <- female[!is.na(female) & female > 0]
male <- male[!is.na(male) & male > 0]
# Einkommensklassen (in Schritten von 10.000; letzter Gruppe >50.000)
breaks <- c(seq(0, 50000, by = 10000), Inf)
labels <- c("0-10 mil", "10-20 mil", "20-30 mil", "30-40 mil", "40-50 mil", ">50 mil")
# Häufigkeiten
df_female <- as.data.frame(table(cut(female, breaks = breaks, labels = labels, right = FALSE)))
colnames(df_female) <- c("Clase_ingreso", "Frecuencia")
df_female$Genero <- "Mujeres"
df_male <- as.data.frame(table(cut(male, breaks = breaks, labels = labels, right = FALSE)))
colnames(df_male) <- c("Clase_ingreso", "Frecuencia")
df_male$Genero <- "Hombres"
# Kombinieren
df_plot <- rbind(df_female, df_male)
# Prozent berechnen
df_plot <- df_plot %>%
group_by(Genero) %>%
mutate(Procentaje = round(100 * Frecuencia / sum(Frecuencia), 1)) %>%
ungroup()
# Balkendiagramm mit Prozentangaben
ggplot(df_plot, aes(x = Clase_ingreso, y = Frecuencia, fill = Genero)) +
geom_bar(stat = "identity", position = position_dodge(width = 0.8)) +
geom_text(aes(label = paste0(Procentaje, "%")),
position = position_dodge(width = 0.8),
vjust = -0.5, size = 3.5) +
scale_fill_manual(values = c("Mujeres" = "pink", "Hombres" = "lightblue")) +
labs(
title = "Distribución de ingresos mensuales por género",
x = "Clases de ingreso (mensual)",
y = "Número de personas",
fill = "Género"
) +
theme_minimal(base_size = 14) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
# 1. Datensätze zusammenführen
merged_data <- violencia_mujeres %>%
inner_join(datos_basicos3_21 %>% select(ID_VIV, ID_PER, P4_2_mensual), by = c("ID_VIV", "ID_PER"))
# 2. Einkommensklassen erstellen (z. B. alle 5000 Einheiten)
merged_data <- merged_data %>%
mutate(clase_ingreso = cut(P4_2_mensual,
breaks = seq(0, max(P4_2_mensual, na.rm = TRUE) + 5000, by = 5000),
include.lowest = TRUE,
labels = paste0(seq(0, max(P4_2_mensual, na.rm = TRUE), by = 5000),
"-", seq(4999, max(P4_2_mensual, na.rm = TRUE) + 4999, by = 5000))))
# 3. Gráfico de barras: proporción de mujeres que han sufrido violencia según clase de ingreso
ggplot(merged_data, aes(x = clase_ingreso, fill = factor(viol21_any_disc))) +
geom_bar(position = "fill") +
scale_y_continuous(labels = scales::percent_format()) +
labs(x = "Clase de ingreso",
y = "Porcentaje",
fill = "Violencia experimentada") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(ggplot2)
library(dplyr)
# Daten bereinigen
female <- datos_basicos3_21$P4_2_mensual
male <- datos_basicos3_21$P4_5_AB_mensual
female <- female[!is.na(female) & female > 0]
male <- male[!is.na(male) & male > 0]
# Einkommensklassen definieren
breaks <- c(seq(0, 50000, by = 10000), Inf)
labels <- c("0-10 mil", "10-20 mil", "20-30 mil", "30-40 mil", "40-50 mil", ">50 mil")
# Häufigkeiten berechnen
df_female <- as.data.frame(table(cut(female, breaks = breaks, labels = labels, right = FALSE)))
colnames(df_female) <- c("Ingreso", "Frecuencia")
df_female$Genero <- "Mujeres"
df_female$Frecuencia <- as.numeric(df_female$Frecuencia)
df_male <- as.data.frame(table(cut(male, breaks = breaks, labels = labels, right = FALSE)))
colnames(df_male) <- c("Ingreso", "Frecuencia")
df_male$Genero <- "Hombres"
df_male$Frecuencia <- as.numeric(df_male$Frecuencia)
# Männer negativ machen, damit sie nach links zeigen
df_male$Frecuencia <- -df_male$Frecuencia
# Zusammenführen
df_plot <- rbind(df_female, df_male)
# Reihenfolge der Einkommensklassen fixieren
df_plot$Ingreso <- factor(df_plot$Ingreso, levels = labels, ordered = TRUE)
# Plot: gespiegelte Flächen
ggplot(df_plot, aes(x = Frecuencia, y = Ingreso, fill = Genero)) +
geom_col(width = 0.9, alpha = 0.7) +
scale_fill_manual(values = c("Mujeres" = "pink", "Hombres" = "lightblue")) +
scale_x_continuous(labels = abs) + # Werte positiv darstellen
labs(
title = "Distribución de ingresos mensuales por género",
x = "Número de personas",
y = "Clases de ingreso (mensual)",
fill = "Género"
) +
theme_minimal(base_size = 14)
library(dplyr)
library(ggplot2)
library(scales)
# 1. Datensätze zusammenführen
merged_data <- violencia_mujeres %>%
inner_join(datos_basicos3_21 %>% select(ID_VIV, ID_PER, P4_2_mensual),
by = c("ID_VIV", "ID_PER"))
# 2. Einkommensklassen nach Quantilen erstellen
merged_data <- merged_data %>%
filter(!is.na(P4_2_mensual)) %>%
mutate(clase_ingreso = ntile(P4_2_mensual, 4)) # Hier: Quartile (4 Klassen)
# Optional: Labels für Quantile erzeugen
quantile_labels <- merged_data %>%
group_by(clase_ingreso) %>%
summarise(rango = paste0(min(P4_2_mensual), "-", max(P4_2_mensual)), .groups = "drop") %>%
arrange(clase_ingreso)
merged_data <- merged_data %>%
left_join(quantile_labels, by = "clase_ingreso") %>%
mutate(clase_ingreso_label = paste0("Q", clase_ingreso, " (", rango, ")"))
# 3. Balkendiagramm: Gewalt nach Einkommensquantilen
ggplot(merged_data, aes(x = clase_ingreso_label, fill = factor(viol21_any_disc))) +
geom_bar(position = "fill") +
scale_y_continuous(labels = percent_format()) +
labs(
x = "Clase de ingreso (Quantiles)",
y = "Porcentaje",
fill = "Violencia experimentada",
title = "Proporción de mujeres que han sufrido violencia según clase de ingreso"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
library(scales)
# 1. Datensätze zusammenführen
merged_data <- violencia_mujeres %>%
inner_join(datos_basicos3_21 %>% select(ID_VIV, ID_PER, P4_2_mensual),
by = c("ID_VIV", "ID_PER"))
# 2. Einkommensklassen nach Dezilen erstellen
merged_data <- merged_data %>%
filter(!is.na(P4_2_mensual)) %>%
mutate(clase_ingreso = ntile(P4_2_mensual, 10)) # Dezile
# Labels für Dezile erzeugen
quantile_labels <- merged_data %>%
group_by(clase_ingreso) %>%
summarise(rango = paste0(min(P4_2_mensual), "-", max(P4_2_mensual)), .groups = "drop") %>%
arrange(clase_ingreso)
merged_data <- merged_data %>%
left_join(quantile_labels, by = "clase_ingreso") %>%
mutate(clase_ingreso_label = paste0("D", clase_ingreso, " (", rango, ")"))
# 3. Prozentwerte berechnen für Labels
resumen <- merged_data %>%
group_by(clase_ingreso_label, viol21_any_disc) %>%
summarise(count = n(), .groups = "drop") %>%
group_by(clase_ingreso_label) %>%
mutate(porcentaje = round(100 * count / sum(count), 1))
# 4. Balkendiagramm: Gewalt nach Einkommensdezilen
ggplot(resumen, aes(x = clase_ingreso_label, y = porcentaje, fill = factor(viol21_any_disc))) +
geom_col(position = "fill") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_fill(vjust = 0.5), size = 3, color = "white") +
scale_y_continuous(labels = percent_format()) +
labs(
x = "Clase de ingreso (Dezile)",
y = "Porcentaje",
fill = "Violencia experimentada",
title = "Proporción de mujeres que han sufrido violencia según clase de ingreso"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
library(scales)
# 1. Datensätze zusammenführen
merged_data <- violencia_mujeres %>%
inner_join(datos_basicos3_21 %>% select(ID_VIV, ID_PER, P4_2_mensual),
by = c("ID_VIV", "ID_PER"))
# 2. Einkommensklassen nach Dezilen erstellen
merged_data <- merged_data %>%
filter(!is.na(P4_2_mensual)) %>%
mutate(clase_ingreso = ntile(P4_2_mensual, 10)) # Dezile
# Labels für Dezile erzeugen
quantile_labels <- merged_data %>%
group_by(clase_ingreso) %>%
summarise(rango = paste0(min(P4_2_mensual), "-", max(P4_2_mensual)), .groups = "drop") %>%
arrange(clase_ingreso) %>% # sicherstellen, dass Reihenfolge nach Dezilen
mutate(clase_ingreso_label = paste0("D", clase_ingreso, " (", rango, ")"))
merged_data <- merged_data %>%
left_join(quantile_labels, by = "clase_ingreso")
# Reihenfolge als Faktor setzen
merged_data$clase_ingreso_label <- factor(
merged_data$clase_ingreso_label,
levels = quantile_labels$clase_ingreso_label # Reihenfolge von D1 bis D10
)
# Wichtiger Schritt: Reihenfolge der Dezile als Faktor setzen
merged_data$clase_ingreso_label <- factor(merged_data$clase_ingreso_label,
levels = unique(merged_data$clase_ingreso_label))
# 3. Prozentwerte berechnen für Labels
resumen <- merged_data %>%
group_by(clase_ingreso_label, viol21_any_disc) %>%
summarise(count = n(), .groups = "drop") %>%
group_by(clase_ingreso_label) %>%
mutate(porcentaje = round(100 * count / sum(count), 1)) %>%
ungroup()
# 4. Balkendiagramm: Gewalt nach Einkommensdezilen
ggplot(resumen, aes(x = clase_ingreso_label, y = porcentaje, fill = factor(viol21_any_disc))) +
geom_col(position = "fill") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_fill(vjust = 0.5), size = 3, color = "white") +
scale_y_continuous(labels = percent_format()) +
labs(
x = "Clase de ingreso (Dezile)",
y = "Proporción (%)",
fill = "Violencia experimentada",
title = "Proporción de mujeres que han sufrido violencia según clase de ingreso"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
library(scales)
# 1. Datensätze zusammenführen
merged_data <- violencia_mujeres %>%
inner_join(datos_basicos3_21 %>% select(ID_VIV, ID_PER, P4_2_mensual),
by = c("ID_VIV", "ID_PER"))
# 2. Einkommensklassen nach Dezilen erstellen
merged_data <- merged_data %>%
filter(!is.na(P4_2_mensual)) %>%
mutate(clase_ingreso = ntile(P4_2_mensual, 10)) # Dezile
# Labels für Dezile erzeugen und Reihenfolge setzen
quantile_labels <- merged_data %>%
group_by(clase_ingreso) %>%
summarise(rango = paste0(min(P4_2_mensual), "-", max(P4_2_mensual)), .groups = "drop") %>%
arrange(clase_ingreso) %>%
mutate(clase_ingreso_label = paste0("D", clase_ingreso, " (", rango, ")"))
merged_data <- merged_data %>%
left_join(quantile_labels, by = "clase_ingreso") %>%
mutate(clase_ingreso_label = factor(clase_ingreso_label,
levels = quantile_labels$clase_ingreso_label)) # Reihenfolge setzen
# 3. Prozentwerte berechnen für Labels
resumen <- merged_data %>%
group_by(clase_ingreso_label, viol21_any_disc) %>%
summarise(count = n(), .groups = "drop") %>%
group_by(clase_ingreso_label) %>%
mutate(porcentaje = round(100 * count / sum(count), 1))
# 4. Balkendiagramm: Gewalt nach Einkommensdezilen
ggplot(resumen, aes(x = clase_ingreso_label, y = porcentaje, fill = factor(viol21_any_disc))) +
geom_col(position = "fill") +
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_fill(vjust = 0.5), size = 3, color = "white") +
scale_y_continuous(labels = percent_format()) +
labs(
x = "Clase de ingreso (Dezile)",
y = "Prozentsatz",
fill = "Violencia experimentada",
title = "Proporción de mujeres que han sufrido violencia según clase de ingreso"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
datos_basicos4_21<-read.csv("C:/Master/3. Semester/R/Dataset/TB_SEC_VI.csv", header = TRUE, sep = ",") Preguntas sobre roles masulinos y femininos
mujer-1, hombre-2, ambos-3
P6_1_1 # ser responsable para hijos P6_1_2 #ganar mas P6_1_3 #responsable para las tareas de la casa P6_1_4 #traer el dinero a casa P6_1_5 #mayor capacidad para trabajar
1-si, de acuerdo, no, (en desacuerdo) P6_2_1 #ambos tiene los mismos derechos de salir por la noche P6_2_2 #¿Está usted de acuerdo en que las mujeres que tienen hijos(as) trabajen, aún si no tienen necesidad de hacerlo?
P6_2_3 #¿Está usted de acuerdo en que las mujeres que se visten con escotesprovocan que los hombres las molesten?
P6_2_4 # ¿Está usted de acuerdo en que las mujeres casadas deben tener relaciones sexuales con su esposo cuando él quiera?
datos_basicos4_21$P6_1_1= as.numeric(datos_basicos4_21$P6_1_1)
datos_basicos4_21$P6_1_2= as.numeric(datos_basicos4_21$P6_1_2)
datos_basicos4_21$P6_1_3= as.numeric(datos_basicos4_21$P6_1_3)
datos_basicos4_21$P6_1_4= as.numeric(datos_basicos4_21$P6_1_4)
datos_basicos4_21$P6_1_5= as.numeric(datos_basicos4_21$P6_1_5)
datos_basicos4_21$P6_2_1= as.numeric(datos_basicos4_21$P6_2_1)
datos_basicos4_21$P6_2_2= as.numeric(datos_basicos4_21$P6_2_2)
datos_basicos4_21$P6_2_3= as.numeric(datos_basicos4_21$P6_2_3)
datos_basicos4_21$P6_2_4= as.numeric(datos_basicos4_21$P6_2_4)# Erstelle eine Funktion, die die Häufigkeiten für eine Variable berechnet
frequencias <- function(var) {
table(var, useNA = "ifany") # zählt auch NAs, falls vorhanden
}
# Liste der Variablen
vars <- c("P6_1_1", "P6_1_2", "P6_1_3", "P6_1_4", "P6_1_5")
# Erstelle eine leere Liste, um die Häufigkeiten zu speichern
freq_list <- list()
# Schleife durch die Variablen
for (v in vars) {
freq_list[[v]] <- frequencias(datos_basicos4_21[[v]])
}
# Ausgabe als Tabelle
freq_list## $P6_1_1
## var
## 1 2 3
## 9208 920 99999
##
## $P6_1_2
## var
## 1 2 3
## 2397 15588 92142
##
## $P6_1_3
## var
## 1 2 3
## 16176 892 93059
##
## $P6_1_4
## var
## 1 2 3
## 922 26982 82223
##
## $P6_1_5
## var
## 1 2 3
## 3412 5813 100902library(ggplot2)
library(dplyr)
library(tidyr)
# Variablen in numerisch umwandeln (falls noch nicht geschehen)
datos_basicos4_21 <- datos_basicos4_21 %>%
mutate(across(P6_1_1:P6_1_5, as.numeric))
# Daten ins lange Format bringen
datos_long <- datos_basicos4_21 %>%
select(P6_1_1:P6_1_5) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "respuesta")
# Häufigkeiten und Prozentanteile berechnen
datos_plot <- datos_long %>%
group_by(variable, respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(pct = n / sum(n) * 100,
label = paste0(round(pct, 1), "%"))
# Gestapeltes 100%-Balkendiagramm erstellen
ggplot(datos_plot, aes(x = variable, y = pct, fill = factor(respuesta, labels = c("Mujer", "Hombre", "Ambos")))) +
geom_bar(stat = "identity", position = "fill") + # fill skaliert automatisch auf 100%
geom_text(aes(label = label), position = position_fill(vjust = 0.5), size = 3) +
scale_y_continuous(labels = scales::percent_format(scale = 1)) +
labs(x = "Variable", y = "Porcentaje", fill = "Respuesta") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(tidyverse)
# Daten einlesen (du hast sie schon geladen)
# datos_basicos4_21 <- read.csv("C:/Master/3. Semester/R/Dataset/2021/TB_SEC_IV.csv", header = TRUE, sep = ",")
# Variablen für Rollenbilder
roles_fragen <- c("P6_1_1", "P6_1_2", "P6_1_3", "P6_1_4", "P6_1_5")
# Mapping für Rollen
roles_map <- c("1" = "Mujer", "2" = "Hombre", "3" = "Ambos")
# Daten in langes Format bringen und Rollen umkodieren
df_long <- datos_basicos4_21 %>%
select(all_of(roles_fragen)) %>%
pivot_longer(cols = everything(), names_to = "Pregunta", values_to = "Rol") %>%
mutate(Rol = recode(as.character(Rol), !!!roles_map))
# Breite Tabelle mit echten Befragtenzahlen (Count)
df_wide_count <- df_long %>%
group_by(Pregunta, Rol) %>%
summarise(Count = n(), .groups = 'drop') %>%
pivot_wider(names_from = Rol, values_from = Count, values_fill = 0)
# Breite Tabelle mit Prozenten
df_wide_percent <- df_long %>%
group_by(Pregunta, Rol) %>%
summarise(Count = n(), .groups = 'drop') %>%
group_by(Pregunta) %>%
mutate(Percent = round(Count / sum(Count) * 100, 1)) %>%
select(-Count) %>%
pivot_wider(names_from = Rol, values_from = Percent, values_fill = 0)
# Tabellen anzeigen
df_wide_count # echte Befragtenzahlen## # A tibble: 5 × 4
## Pregunta Ambos Hombre Mujer
## <chr> <int> <int> <int>
## 1 P6_1_1 99999 920 9208
## 2 P6_1_2 92142 15588 2397
## 3 P6_1_3 93059 892 16176
## 4 P6_1_4 82223 26982 922
## 5 P6_1_5 100902 5813 3412## # A tibble: 5 × 4
## # Groups: Pregunta [5]
## Pregunta Ambos Hombre Mujer
## <chr> <dbl> <dbl> <dbl>
## 1 P6_1_1 90.8 0.8 8.4
## 2 P6_1_2 83.7 14.2 2.2
## 3 P6_1_3 84.5 0.8 14.7
## 4 P6_1_4 74.7 24.5 0.8
## 5 P6_1_5 91.6 5.3 3.1library(dplyr)
library(tidyr)
# Variablen in numerisch umwandeln (falls noch nicht geschehen)
datos_basicos4_21 <- datos_basicos4_21 %>%
mutate(across(P6_2_1:P6_2_4, as.numeric))
# Funktion zur Berechnung von Häufigkeiten und Prozenten
frequencias_pct <- function(var) {
tab <- table(var, useNA = "ifany")
pct <- prop.table(tab) * 100
data.frame(
Respuesta = c("Sí, acuerdo", "No, desacuerdo"),
Frecuencia = as.numeric(tab),
Porcentaje = round(as.numeric(pct), 1)
)
}
# Variablenliste
vars <- c("P6_2_1", "P6_2_2", "P6_2_3", "P6_2_4")
# Tabelle für jede Variable erstellen und zusammenfügen
resultados <- lapply(vars, function(v) {
df <- frequencias_pct(datos_basicos4_21[[v]])
df$Variable <- v
df
}) %>% bind_rows() %>%
select(Variable, Respuesta, Frecuencia, Porcentaje)
# Ausgabe der Tabelle
resultados## Variable Respuesta Frecuencia Porcentaje
## 1 P6_2_1 Sí, acuerdo 83058 75.4
## 2 P6_2_1 No, desacuerdo 27069 24.6
## 3 P6_2_2 Sí, acuerdo 76325 69.3
## 4 P6_2_2 No, desacuerdo 33802 30.7
## 5 P6_2_3 Sí, acuerdo 34341 31.2
## 6 P6_2_3 No, desacuerdo 75786 68.8
## 7 P6_2_4 Sí, acuerdo 8522 7.7
## 8 P6_2_4 No, desacuerdo 101605 92.3library(ggplot2)
library(dplyr)
library(tidyr)
# Variablen in numerisch umwandeln (falls noch nicht geschehen)
datos_basicos4_21 <- datos_basicos4_21 %>%
mutate(across(P6_2_1:P6_2_4, as.numeric))
# Daten ins lange Format bringen
datos_long <- datos_basicos4_21 %>%
select(P6_2_1:P6_2_4) %>%
pivot_longer(cols = everything(), names_to = "variable", values_to = "respuesta")
# Häufigkeiten und Prozentanteile berechnen
datos_plot <- datos_long %>%
group_by(variable, respuesta) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(variable) %>%
mutate(pct = n / sum(n) * 100,
label = paste0(round(pct, 1), "%"))
# Werte mit Labels versehen
datos_plot$respuesta <- factor(datos_plot$respuesta, levels = c(1, 2),
labels = c("Sí, acuerdo", "No, desacuerdo"))
# Gestapeltes 100%-Balkendiagramm erstellen
ggplot(datos_plot, aes(x = variable, y = pct, fill = respuesta)) +
geom_bar(stat = "identity", position = "fill") + # fill skaliert auf 100%
geom_text(aes(label = label), position = position_fill(vjust = 0.5), size = 4) +
scale_y_continuous(labels = scales::percent_format(scale = 1)) +
labs(x = "Variable", y = "Porcentaje", fill = "Respuesta") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Correlacion entre mujeres que no pueden salir la casa por razones economico y otras
library(dplyr)
# Schritt 1: Variable im Datensatz "apoyo_legal" erzeugen
vulnerabilidad <- apoyo_legal %>%
select(UPM, VIV_SEL, HOGAR, N_REN, P14_36A_02, P14_36A_03, P14_36A_07) %>%
mutate(across(starts_with("P14_36A_"), ~na_if(as.character(.), "b")), # "b" = blanco
across(starts_with("P14_36A_"), ~na_if(., "9")), # 9 = no especificado
across(starts_with("P14_36A_"), as.numeric)) %>%
mutate(vulnerabilidad_estructural = if_else(
P14_36A_02 == 1 | P14_36A_03 == 1 | P14_36A_07 == 1, 1, 0
)) %>%
select(UPM, VIV_SEL, HOGAR, N_REN, vulnerabilidad_estructural)
# Schritt 2: Bildungsdaten vorbereiten
educacion <- datos_basicos1_21 %>%
filter(SEXO == 2, !is.na(NIV)) %>%
mutate(
NIV = sprintf("%02d", as.numeric(NIV)), # sicherstellen, dass "02" usw. erhalten bleibt
Nivel_educativo = recode(NIV, !!!niv_labels)
) %>%
select(UPM, VIV_SEL, HOGAR, N_REN, Nivel_educativo)
# Schritt 3: Datensätze zusammenführen (über gemeinsame Schlüsselvariablen)
datos_merge <- left_join(vulnerabilidad, educacion,
by = c("UPM", "VIV_SEL", "HOGAR", "N_REN"))
# Schritt 4: Kreuztabelle (absolute und relative Häufigkeiten)
tabla_vul_edu <- datos_merge %>%
filter(!is.na(vulnerabilidad_estructural), !is.na(Nivel_educativo)) %>%
group_by(Nivel_educativo, vulnerabilidad_estructural) %>%
summarise(Frecuencia = n(), .groups = "drop") %>%
group_by(Nivel_educativo) %>%
mutate(Porcentaje = Frecuencia / sum(Frecuencia) * 100)
# Schritt 5: Ausgabe
print(tabla_vul_edu)## # A tibble: 24 × 4
## # Groups: Nivel_educativo [12]
## Nivel_educativo vulnerabilidad_estructural Frecuencia Porcentaje
## <chr> <dbl> <int> <dbl>
## 1 12 0 338 96.6
## 2 12 1 12 3.43
## 3 Licenciatura 0 322 93.9
## 4 Licenciatura 1 21 6.12
## 5 Normal (Lic.) 0 48 88.9
## 6 Normal (Lic.) 1 6 11.1
## 7 Normal (básica) 0 424 89.5
## 8 Normal (básica) 1 50 10.5
## 9 Posgrado 0 2786 93.8
## 10 Posgrado 1 183 6.16
## # ℹ 14 more rows# Optional: Grafik
library(ggplot2)
ggplot(tabla_vul_edu, aes(x = Nivel_educativo, y = Porcentaje,
fill = factor(vulnerabilidad_estructural,
labels = c("Sin vulnerabilidad", "Con vulnerabilidad")))) +
geom_bar(stat = "identity", position = "dodge") +
labs(
title = "Relación entre vulnerabilidad estructural y nivel educativo",
x = "Nivel educativo",
y = "Porcentaje (%)",
fill = "Condición"
) +
theme_minimal(base_size = 13) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
# 1️⃣ Variable vulnerabilidad_estructural erzeugen
vulnerabilidad <- apoyo_legal %>%
select(UPM, VIV_SEL, HOGAR, N_REN, P14_36A_02, P14_36A_03, P14_36A_07) %>%
mutate(across(starts_with("P14_36A_"), ~na_if(as.character(.), "b")), # "b" = blanco
across(starts_with("P14_36A_"), ~na_if(., "9")), # 9 = no especificado
across(starts_with("P14_36A_"), as.numeric)) %>%
mutate(vulnerabilidad_estructural = if_else(
P14_36A_02 == 1 | P14_36A_03 == 1 | P14_36A_07 == 1, 1, 0
)) %>%
select(UPM, VIV_SEL, HOGAR, N_REN, vulnerabilidad_estructural)
# 2️⃣ Mit den Einkommensdaten zusammenführen
merged_data <- vulnerabilidad %>%
inner_join(datos_basicos3_21 %>% select(UPM, VIV_SEL, HOGAR, N_REN, P4_2_mensual),
by = c("UPM", "VIV_SEL", "HOGAR", "N_REN"))
# 3️⃣ Einkommensdezile erstellen
merged_data <- merged_data %>%
filter(!is.na(P4_2_mensual)) %>%
mutate(clase_ingreso = ntile(P4_2_mensual, 10)) # Dezile
# 4️⃣ Prozentwerte pro Einkommensdezil und vulnerabilidad
resumen <- merged_data %>%
group_by(clase_ingreso, vulnerabilidad_estructural) %>%
summarise(count = n(), .groups = "drop") %>%
group_by(clase_ingreso) %>%
mutate(porcentaje = round(100 * count / sum(count), 0)) # gerundet, kein %
# 5️⃣ Balkendiagramm
library(ggplot2)
ggplot(resumen, aes(x = factor(clase_ingreso), y = porcentaje, fill = factor(vulnerabilidad_estructural))) +
geom_col(position = "dodge") +
geom_text(aes(label = count), position = position_dodge(width = 0.9), vjust = -0.3) +
labs(
x = "Einkommensdezil",
y = "Anzahl Frauen",
fill = "Vulnerabilitätsstatus",
title = "Frauen mit struktureller Vulnerabilität nach Einkommensdezil"
) +
theme_minimal() +
theme(axis.text.x = element_text(angle = 0, hjust = 0.5))
library(dplyr)
library(ggplot2)
# 1️⃣ Variable vulnerabilidad_estructural erzeugen
vulnerabilidad <- apoyo_legal %>%
select(UPM, VIV_SEL, HOGAR, N_REN, P14_36A_02, P14_36A_03, P14_36A_07) %>%
mutate(across(starts_with("P14_36A_"), ~na_if(as.character(.), "b")),
across(starts_with("P14_36A_"), ~na_if(., "9")),
across(starts_with("P14_36A_"), as.numeric)) %>%
mutate(vulnerabilidad_estructural = if_else(
P14_36A_02 == 1 | P14_36A_03 == 1 | P14_36A_07 == 1, 1, 0
)) %>%
select(UPM, VIV_SEL, HOGAR, N_REN, vulnerabilidad_estructural)
# 2️⃣ Mit Einkommensdaten zusammenführen
merged_data <- vulnerabilidad %>%
inner_join(datos_basicos3_21 %>% select(UPM, VIV_SEL, HOGAR, N_REN, P4_2_mensual),
by = c("UPM", "VIV_SEL", "HOGAR", "N_REN"))
# 3️⃣ Dezile erstellen und Einkommensspanne berechnen
merged_data <- merged_data %>%
filter(!is.na(P4_2_mensual)) %>%
mutate(decil = ntile(P4_2_mensual, 10))
# Spanen für Labels berechnen
decile_labels <- merged_data %>%
group_by(decil) %>%
summarise(rango = paste0(min(P4_2_mensual), " - ", max(P4_2_mensual)), .groups = "drop")
merged_data <- merged_data %>%
left_join(decile_labels, by = "decil") %>%
mutate(decil_label = paste0("D", decil, " (", rango, ")"))
# 4️⃣ Anzahl und gerundete Prozentwerte pro Dezil und vulnerabilidad
resumen <- merged_data %>%
group_by(decil_label, vulnerabilidad_estructural) %>%
summarise(cantidad = n(), .groups = "drop") %>%
group_by(decil_label) %>%
mutate(porcentaje = round(100 * cantidad / sum(cantidad), 0)) %>%
arrange(decil_label)
# 5️⃣ Balkendiagramm
ggplot(resumen, aes(x = decil_label, y = cantidad, fill = factor(vulnerabilidad_estructural))) +
geom_col(position = "dodge") +
geom_text(aes(label = cantidad), position = position_dodge(width = 0.9), vjust = -0.3) +
labs(
x = "Decil de ingreso (rango mensual)",
y = "Cantidad de mujeres",
fill = "Vulnerabilidad estructural",
title = "Mujeres con vulnerabilidad estructural según decil de ingreso"
) +
theme_minimal(base_size = 13) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
# 1️⃣ Variable vulnerabilidad_estructural erzeugen
vulnerabilidad <- apoyo_legal %>%
select(UPM, VIV_SEL, HOGAR, N_REN, P14_36A_02, P14_36A_03, P14_36A_07) %>%
mutate(across(starts_with("P14_36A_"), ~na_if(as.character(.), "b")),
across(starts_with("P14_36A_"), ~na_if(., "9")),
across(starts_with("P14_36A_"), as.numeric)) %>%
mutate(vulnerabilidad_estructural = if_else(
P14_36A_02 == 1 | P14_36A_03 == 1 | P14_36A_07 == 1, 1, 0
)) %>%
select(UPM, VIV_SEL, HOGAR, N_REN, vulnerabilidad_estructural)
# 2️⃣ Mit Einkommensdaten zusammenführen und NA löschen
merged_data <- vulnerabilidad %>%
inner_join(datos_basicos3_21 %>% select(UPM, VIV_SEL, HOGAR, N_REN, P4_2_mensual),
by = c("UPM", "VIV_SEL", "HOGAR", "N_REN")) %>%
filter(!is.na(P4_2_mensual) & !is.na(vulnerabilidad_estructural))
# 3️⃣ Dezile erstellen und Einkommensspanne berechnen
merged_data <- merged_data %>%
mutate(decil = ntile(P4_2_mensual, 10))
# Spanen für Labels berechnen
decile_labels <- merged_data %>%
group_by(decil) %>%
summarise(rango = paste0(min(P4_2_mensual), " - ", max(P4_2_mensual)), .groups = "drop")
merged_data <- merged_data %>%
left_join(decile_labels, by = "decil") %>%
mutate(decil_label = paste0("D", decil, " (", rango, ")"))
# 4️⃣ Anzahl pro Dezil und vulnerabilidad
resumen <- merged_data %>%
group_by(decil_label, vulnerabilidad_estructural) %>%
summarise(cantidad = n(), .groups = "drop") %>%
arrange(decil_label)
# 5️⃣ Balkendiagramm
ggplot(resumen, aes(x = decil_label, y = cantidad, fill = factor(vulnerabilidad_estructural))) +
geom_col(position = "dodge") +
geom_text(aes(label = cantidad), position = position_dodge(width = 0.9), vjust = -0.3) +
labs(
x = "Decil de ingreso (rango mensual)",
y = "Cantidad de mujeres",
fill = "Vulnerabilidad estructural",
title = "Mujeres con vulnerabilidad estructural según decil de ingreso"
) +
theme_minimal(base_size = 13) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
# 1️⃣ Crear variable general de violencia
violec_especif21 <- violec_especif21 %>%
mutate(
violencia_total = if_else(
(viol21_fis_disc == "Sí" |
viol21_psi_disc == "Sí" |
viol21_sex_disc == "Sí" |
viol21_eco_disc == "Sí"), 1, 0
)
)
# 2️⃣ Unir con datos de ingreso y eliminar NAs
merged_violencia <- violec_especif21 %>%
inner_join(datos_basicos3_21 %>% select(UPM, VIV_SEL, HOGAR, N_REN, P4_2_mensual),
by = c("UPM", "VIV_SEL", "HOGAR", "N_REN")) %>%
filter(!is.na(P4_2_mensual) & !is.na(violencia_total))
# 3️⃣ Crear deciles de ingreso
merged_violencia <- merged_violencia %>%
mutate(decil = ntile(P4_2_mensual, 10))
# 4️⃣ Calcular rango de ingreso por decil
decile_labels <- merged_violencia %>%
group_by(decil) %>%
summarise(rango = paste0(min(P4_2_mensual), " - ", max(P4_2_mensual)), .groups = "drop")
merged_violencia <- merged_violencia %>%
left_join(decile_labels, by = "decil") %>%
mutate(decil_label = paste0("D", decil, " (", rango, ")"))
# 5️⃣ Resumen por decil y violencia
resumen_violencia <- merged_violencia %>%
group_by(decil_label, violencia_total) %>%
summarise(cantidad = n(), .groups = "drop") %>%
arrange(decil_label)
# 6️⃣ Gráfico de barras
ggplot(resumen_violencia, aes(x = decil_label, y = cantidad, fill = factor(violencia_total))) +
geom_col(position = "dodge") +
geom_text(aes(label = cantidad), position = position_dodge(width = 0.9), vjust = -0.3) +
scale_fill_manual(values = c("0" = "skyblue", "1" = "tomato"),
labels = c("No", "Sí")) +
labs(
x = "Decil de ingreso (rango mensual)",
y = "Cantidad de mujeres",
fill = "Ha experimentado violencia",
title = "Proporción de mujeres que han experimentado violencia según decil de ingreso"
) +
theme_minimal(base_size = 13) +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
library(dplyr)
library(ggplot2)
library(tidyr)
# 1️⃣ Seleccionar y limpiar variables de violencia
violencia_tipo <- violec_especif21 %>%
select(UPM, VIV_SEL, HOGAR, N_REN,
viol21_fis_disc, viol21_psi_disc,
viol21_sex_disc, viol21_eco_disc) %>%
inner_join(vulnerabilidad, by = c("UPM", "VIV_SEL", "HOGAR", "N_REN")) %>%
filter(!is.na(vulnerabilidad_estructural)) %>%
pivot_longer(
cols = starts_with("viol21"),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>%
mutate(tipo_violencia = recode(tipo_violencia,
"viol21_fis_disc" = "Física",
"viol21_psi_disc" = "Psicológica",
"viol21_sex_disc" = "Sexual",
"viol21_eco_disc" = "Económica"))
# 2️⃣ Resumen: frecuencia y porcentaje por tipo y vulnerabilidad
resumen_tipo <- violencia_tipo %>%
group_by(vulnerabilidad_estructural, tipo_violencia) %>%
summarise(cantidad = sum(respuesta == "Sí"),
total = n(),
porcentaje = round(100 * cantidad / total),
.groups = "drop")
# 3️⃣ Gráfico de barras
ggplot(resumen_tipo, aes(x = tipo_violencia, y = cantidad, fill = factor(vulnerabilidad_estructural))) +
geom_col(position = "dodge") +
geom_text(aes(label = cantidad), position = position_dodge(width = 0.9), vjust = -0.3) +
scale_fill_manual(values = c("0" = "skyblue", "1" = "tomato"),
labels = c("No vulnerable", "Vulnerable")) +
labs(
x = "Tipo de violencia",
y = "Cantidad de mujeres",
fill = "Vulnerabilidad estructural",
title = "Experiencia de violencia según vulnerabilidad estructural"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(tidyr)
# 1️⃣ Seleccionar y unir variables de violencia con vulnerabilidad
violencia_tipo <- violec_especif21 %>%
select(UPM, VIV_SEL, HOGAR, N_REN,
viol21_fis_disc, viol21_psi_disc,
viol21_sex_disc, viol21_eco_disc) %>%
inner_join(vulnerabilidad, by = c("UPM", "VIV_SEL", "HOGAR", "N_REN")) %>%
filter(!is.na(vulnerabilidad_estructural)) %>%
pivot_longer(
cols = starts_with("viol21"),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>%
mutate(tipo_violencia = recode(tipo_violencia,
"viol21_fis_disc" = "Física",
"viol21_psi_disc" = "Psicológica",
"viol21_sex_disc" = "Sexual",
"viol21_eco_disc" = "Económica"))
# 2️⃣ Resumen: porcentaje de mujeres que han sufrido cada tipo de violencia
resumen_tipo <- violencia_tipo %>%
group_by(vulnerabilidad_estructural, tipo_violencia) %>%
summarise(cantidad = sum(respuesta == "Sí"),
total = n(),
porcentaje = round(100 * cantidad / total),
.groups = "drop")
# 3️⃣ Gráfico de barras apiladas al 100%
ggplot(resumen_tipo, aes(x = factor(vulnerabilidad_estructural),
y = porcentaje,
fill = tipo_violencia)) +
geom_col(position = "fill") + # 100% por barra
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_fill(vjust = 0.5), size = 3, color = "white") +
scale_y_continuous(labels = scales::percent_format()) +
scale_fill_manual(values = c("Física" = "#E41A1C",
"Psicológica" = "#377EB8",
"Sexual" = "#4DAF4A",
"Económica" = "#FF7F00")) +
labs(
x = "Vulnerabilidad estructural",
y = "Porcentaje",
fill = "Tipo de violencia",
title = "Distribución de tipos de violencia según vulnerabilidad estructural"
) +
scale_x_discrete(labels = c("0" = "No vulnerable", "1" = "Vulnerable")) +
theme_minimal(base_size = 13)
library(dplyr)
library(ggplot2)
library(tidyr)
# 1️⃣ Seleccionar y unir variables de violencia con vulnerabilidad
violencia_tipo <- violec_especif21 %>%
select(UPM, VIV_SEL, HOGAR, N_REN,
viol21_fis_disc, viol21_psi_disc,
viol21_sex_disc, viol21_eco_disc) %>%
inner_join(vulnerabilidad, by = c("UPM", "VIV_SEL", "HOGAR", "N_REN")) %>%
filter(!is.na(vulnerabilidad_estructural)) %>%
pivot_longer(
cols = starts_with("viol21"),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>%
mutate(tipo_violencia = recode(tipo_violencia,
"viol21_fis_disc" = "Física",
"viol21_psi_disc" = "Psicológica",
"viol21_sex_disc" = "Sexual",
"viol21_eco_disc" = "Económica"))
# 2️⃣ Resumen: porcentaje por tipo de violencia y vulnerabilidad
resumen_tipo <- violencia_tipo %>%
group_by(tipo_violencia, vulnerabilidad_estructural) %>%
summarise(cantidad = sum(respuesta == "Sí"),
total = n(),
porcentaje = round(100 * cantidad / total),
.groups = "drop")
# 3️⃣ Gráfico de barras apiladas al 100% con 4 barras
ggplot(resumen_tipo, aes(x = tipo_violencia, y = porcentaje, fill = factor(vulnerabilidad_estructural))) +
geom_col(position = "fill") + # posición 100%
geom_text(aes(label = paste0(porcentaje, "%")),
position = position_fill(vjust = 0.5), size = 3, color = "white") +
scale_y_continuous(labels = scales::percent_format()) +
scale_fill_manual(values = c("0" = "#377EB8", "1" = "#E41A1C"),
labels = c("0" = "No vulnerable", "1" = "Vulnerable")) +
labs(
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Vulnerabilidad estructural",
title = "Distribución de mujeres vulnerables y no vulnerables por tipo de violencia"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(tidyr)
library(ggplot2)
# 1️⃣ Vulnerabilitätsvariable vorbereiten (falls noch nicht geschehen)
vulnerabilidad <- apoyo_legal %>%
select(UPM, VIV_SEL, HOGAR, N_REN, P14_36A_02, P14_36A_03, P14_36A_07) %>%
mutate(across(starts_with("P14_36A_"), ~na_if(as.character(.), "b")), # "b" = blanco
across(starts_with("P14_36A_"), ~na_if(., "9")), # 9 = no especificado
across(starts_with("P14_36A_"), as.numeric)) %>%
mutate(vulnerabilidad_estructural = if_else(
P14_36A_02 == 1 | P14_36A_03 == 1 | P14_36A_07 == 1, 1, 0
)) %>%
select(UPM, VIV_SEL, HOGAR, N_REN, vulnerabilidad_estructural)
# 2️⃣ Datensätze zusammenführen
violec_merge <- violec_especif21 %>%
inner_join(vulnerabilidad, by = c("UPM", "VIV_SEL", "HOGAR", "N_REN"))
# 3️⃣ Daten für Balkendiagramm aufbereiten
violencia_tipo <- violec_merge %>%
select(viol21_fis_disc, viol21_psi_disc, viol21_sex_disc, viol21_eco_disc, vulnerabilidad_estructural) %>%
pivot_longer(
cols = c(viol21_fis_disc, viol21_psi_disc, viol21_sex_disc, viol21_eco_disc),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
filter(respuesta %in% c("Sí", "No")) %>%
mutate(vulnerabilidad_estructural = ifelse(vulnerabilidad_estructural == 1, "Vulnerables", "No vulnerables"),
tipo_violencia = recode(tipo_violencia,
viol21_fis_disc = "Física",
viol21_psi_disc = "Psicológica",
viol21_sex_disc = "Sexual",
viol21_eco_disc = "Económica"))
# 4️⃣ Prozentwerte berechnen innerhalb jeder Gewaltform
resumen <- violencia_tipo %>%
group_by(tipo_violencia, vulnerabilidad_estructural) %>%
summarise(cantidad = sum(respuesta == "Sí"), .groups = "drop") %>%
group_by(tipo_violencia) %>%
mutate(porcentaje = cantidad / sum(cantidad) * 100)
# 5️⃣ Balkendiagramm erstellen
ggplot(resumen, aes(x = tipo_violencia, y = porcentaje, fill = vulnerabilidad_estructural)) +
geom_col(position = "fill") + # 100% pro Gewaltform
geom_text(aes(label = round(porcentaje)),
position = position_fill(vjust = 0.5), color = "white") +
scale_y_continuous(labels = scales::percent_format()) +
labs(
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Vulnerabilidad estructural",
title = "Distribución de la violencia según vulnerabilidad estructural"
) +
theme_minimal(base_size = 13)
ich habe bei economica 43% na, fisica 43%, 36% psicologica, 58% de sexual.kann man diese nicht einfach löschen und dann die prozentverteilung sehen
library(dplyr)
library(tidyr)
library(ggplot2)
library(scales)
# 1️⃣ Pivotieren und NAs pro Gewaltform entfernen
violencia_tipo <- violec_merge %>%
select(viol21_fis_disc, viol21_psi_disc, viol21_sex_disc, viol21_eco_disc, vulnerabilidad_estructural) %>%
pivot_longer(
cols = c(viol21_fis_disc, viol21_psi_disc, viol21_sex_disc, viol21_eco_disc),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
filter(!is.na(respuesta)) %>% # NA löschen
mutate(
vulnerabilidad_estructural = ifelse(vulnerabilidad_estructural == 1, "Vulnerables", "No vulnerables"),
tipo_violencia = recode(tipo_violencia,
viol21_fis_disc = "Física",
viol21_psi_disc = "Psicológica",
viol21_sex_disc = "Sexual",
viol21_eco_disc = "Económica")
)
# 2️⃣ Prozentwerte pro Gewaltform und Vulnerabilität
resumen <- violencia_tipo %>%
group_by(tipo_violencia, vulnerabilidad_estructural) %>%
summarise(cantidad = sum(respuesta == "Sí"), total = n(), .groups = "drop") %>%
mutate(porcentaje = cantidad / total * 100)
# 3️⃣ Balkendiagramm erstellen (100%-Balken, unterteilt nach vulnerables / no vulnerables)
ggplot(resumen, aes(x = tipo_violencia, y = porcentaje, fill = vulnerabilidad_estructural)) +
geom_col(position = "fill") +
geom_text(aes(label = round(porcentaje)),
position = position_fill(vjust = 0.5), color = "white") +
scale_y_continuous(labels = percent_format()) +
labs(
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Vulnerabilidad estructural",
title = "Distribución de la violencia según vulnerabilidad estructural"
) +
theme_minimal(base_size = 13)
resumen <- violencia_tipo %>%
group_by(tipo_violencia, vulnerabilidad_estructural) %>%
summarise(cantidad = sum(respuesta == "Sí"), .groups = "drop") %>%
group_by(tipo_violencia) %>%
mutate(porcentaje = cantidad / sum(cantidad) * 100) # Prozent auf die gesamte Gewaltform
# Balkendiagramm
ggplot(resumen, aes(x = tipo_violencia, y = porcentaje, fill = vulnerabilidad_estructural)) +
geom_col(position = "fill") +
geom_text(aes(label = round(porcentaje)),
position = position_fill(vjust = 0.5), color = "white") +
scale_y_continuous(labels = scales::percent_format()) +
labs(
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Vulnerabilidad estructural",
title = "Distribución de la violencia según vulnerabilidad estructural"
) +
theme_minimal(base_size = 13)
library(dplyr)
library(tidyr)
library(ggplot2)
library(scales)
# 1️⃣ Nur gültige Antworten berücksichtigen und NAs löschen
violencia_tipo <- violec_merge %>%
select(viol21_fis_disc, viol21_psi_disc, viol21_sex_disc, viol21_eco_disc, vulnerabilidad_estructural) %>%
pivot_longer(
cols = c(viol21_fis_disc, viol21_psi_disc, viol21_sex_disc, viol21_eco_disc),
names_to = "tipo_violencia",
values_to = "respuesta"
) %>%
filter(respuesta %in% c("Sí", "No")) %>%
mutate(
vulnerabilidad_estructural = ifelse(vulnerabilidad_estructural == 1, "Vulnerables", "No vulnerables"),
tipo_violencia = recode(tipo_violencia,
viol21_fis_disc = "Física",
viol21_psi_disc = "Psicológica",
viol21_sex_disc = "Sexual",
viol21_eco_disc = "Económica")
)
# 2️⃣ Prozentwerte und absolute Zahlen pro Gewaltform berechnen
resumen <- violencia_tipo %>%
group_by(tipo_violencia, vulnerabilidad_estructural) %>%
summarise(cantidad = sum(respuesta == "Sí"), .groups = "drop") %>%
group_by(tipo_violencia) %>%
mutate(
porcentaje = cantidad / sum(cantidad) * 100,
label = paste0(cantidad, " (", round(porcentaje), "%)")
)
# 3️⃣ Balkendiagramm mit Prozent und Absolutzahlen
ggplot(resumen, aes(x = tipo_violencia, y = porcentaje, fill = vulnerabilidad_estructural)) +
geom_col(position = "fill") + # 100% Balken pro Gewaltform
geom_text(aes(label = label),
position = position_fill(vjust = 0.5), color = "white", size = 3.5) +
scale_y_continuous(labels = percent_format()) +
labs(
x = "Tipo de violencia",
y = "Porcentaje",
fill = "Vulnerabilidad estructural",
title = "Distribución de la violencia según vulnerabilidad estructural\ncon número de casos y porcentajes"
) +
theme_minimal(base_size = 13)