Taller en R_1
Lina Marcela Pardo Bueno y Daiby Julian Oviedo Reyes
2026-05-30
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.3 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ✔ purrr 1.2.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(ggplot2)
library(dplyr)library(readxl)
library(dplyr)
BD1 <- read_excel("C:/Users/daiby/Desktop/R/bases_diccionario/BD1.xlsx")
BD2 <- read_excel("C:/Users/daiby/Desktop/R/bases_diccionario/BD2.xlsx")
head(BD1)## # A tibble: 6 × 14
## REGISTRO COMUNA PI PJ PA PB PC PC_EDAD EDAD_RANGO GENERO
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 25 3 1 1 1 1 1 69 10 1
## 2 26 3 1 1 1 1 1 24 2 2
## 3 27 1 1 1 3 1 1 48 7 2
## 4 30 1 1 1 3 1 1 19 2 2
## 5 36 7 1 1 2 1 1 18 2 1
## 6 38 7 1 1 1 1 1 23 2 2
## # ℹ 4 more variables: ESTRATO_DEC <dbl>, ESTRATO <lgl>, PD <dbl>, D1 <dbl>names(BD1)## [1] "REGISTRO" "COMUNA" "PI" "PJ" "PA"
## [6] "PB" "PC" "PC_EDAD" "EDAD_RANGO" "GENERO"
## [11] "ESTRATO_DEC" "ESTRATO" "PD" "D1"head(BD2)## # A tibble: 6 × 409
## REGISTRO D4_2 D5 P106 P107 P1 P2 P3 P4 P5 P6 P7A_1
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 25 NA 2 4 2 3 3 2 2 2 3 8
## 2 26 NA 1 2 2 2 3 2 3 2 3 88
## 3 27 NA 2 4 4 2 3 2 3 3 3 1
## 4 30 NA 2 2 1 2 NA 2 3 2 1 88
## 5 36 NA 2 4 4 2 3 2 3 2 3 88
## 6 38 NA 1 4 4 2 3 2 3 2 3 88
## # ℹ 397 more variables: P7A_2 <dbl>, P7A_3 <dbl>, P7_OTRO <chr>, P7B <dbl>,
## # T9_1 <dbl>, T9_2 <dbl>, T9_3 <dbl>, T9_4 <dbl>, T9_5 <dbl>, T9_6 <dbl>,
## # T9_7 <dbl>, P118 <dbl>, CP10_1 <dbl>, CP10_2 <dbl>, CP10_3 <dbl>,
## # P10_1 <chr>, P10_2 <chr>, P10_3 <chr>, T11_12 <dbl>, T11_13 <dbl>,
## # P12_1 <dbl>, P12_2 <dbl>, P12_3 <dbl>, P12_4 <dbl>, P12_5 <lgl>,
## # P12_6 <lgl>, P12_7 <lgl>, P12_OTRO <chr>, P13 <dbl>, HORA_CAP_3 <chr>,
## # TIEMPO_CAP_2_SEG <dbl>, TIEMPO_CAP_2_MIN <dbl>, P14 <dbl>, P15_1 <dbl>, …names(BD2)## [1] "REGISTRO" "D4_2" "D5"
## [4] "P106" "P107" "P1"
## [7] "P2" "P3" "P4"
## [10] "P5" "P6" "P7A_1"
## [13] "P7A_2" "P7A_3" "P7_OTRO"
## [16] "P7B" "T9_1" "T9_2"
## [19] "T9_3" "T9_4" "T9_5"
## [22] "T9_6" "T9_7" "P118"
## [25] "CP10_1" "CP10_2" "CP10_3"
## [28] "P10_1" "P10_2" "P10_3"
## [31] "T11_12" "T11_13" "P12_1"
## [34] "P12_2" "P12_3" "P12_4"
## [37] "P12_5" "P12_6" "P12_7"
## [40] "P12_OTRO" "P13" "HORA_CAP_3"
## [43] "TIEMPO_CAP_2_SEG" "TIEMPO_CAP_2_MIN" "P14"
## [46] "P15_1" "P15_2" "P15_3"
## [49] "P15_4" "P15_5" "P15_6"
## [52] "P15_7" "P15_8" "P15_9"
## [55] "P15_10" "P15_11" "P15_12"
## [58] "P15_13" "P15_OTRO" "P20A"
## [61] "T21_1" "T21_2" "T21_3"
## [64] "T21_4" "T21_5" "T21_6"
## [67] "T21_7" "T21_8" "T21_9"
## [70] "T21_10" "T21_11" "T21_12"
## [73] "T21_13" "T21_14" "P22N"
## [76] "P22" "P22_OTRO" "P23"
## [79] "P24" "P25" "P26"
## [82] "P27_1" "P27_2" "P27_3"
## [85] "P27_4" "P27_OTRO" "T28_1"
## [88] "T28_2" "T28_3" "T28_4"
## [91] "T28_5" "T28_6" "P29"
## [94] "P30" "P31" "P32_1"
## [97] "P32_2" "P32_3" "HORA_CAP_7"
## [100] "TIEMPO_CAP_6_SEG" "TIEMPO_CAP_6_MIN" "P33N"
## [103] "P33" "P33_OTRO_1" "P34"
## [106] "P35_1" "P35_2" "P35_3"
## [109] "P35_4" "P35_5" "P35_6"
## [112] "P35_7" "P35_8" "P35_9"
## [115] "P35_10" "P36" "P39"
## [118] "P40_1" "P40_2" "P40_3"
## [121] "T41_1" "T41_2" "T41_3"
## [124] "T41_4" "T41_5" "T41_6"
## [127] "T41_7" "P42" "P43"
## [130] "P44" "P37" "P38_1"
## [133] "P38_2" "P38_3" "P45"
## [136] "P46_1" "P46_2" "P46_OTRO"
## [139] "P47N" "P47" "P47_OTRO"
## [142] "P48" "P49" "P52"
## [145] "P53_1" "P53_2" "P53_3"
## [148] "P53_OTRO" "T54_1" "T54_2"
## [151] "T54_3" "T54_4" "T54_5"
## [154] "T54_6" "T54_7" "P55"
## [157] "P56" "P50" "P51_1"
## [160] "P51_2" "P51_3" "HORA_CAP_9"
## [163] "TIEMPO_CAP_8_SEG" "TIEMPO_CAP_8_MIN" "CONTINUAR_1"
## [166] "P57N" "P57" "P57_CUAL"
## [169] "P58" "P59" "P59_OTRO"
## [172] "P60" "P61" "P64"
## [175] "P65_1" "P65_2" "P65_3"
## [178] "T66_1" "T66_2" "T66_3"
## [181] "T66_4" "T66_5" "T66_6"
## [184] "T66_7" "P67" "P68"
## [187] "P62" "P63" "HORA_CAP_10"
## [190] "TIEMPO_CAP_9_SEG" "TIEMPO_CAP_9_MIN" "CONTINUAR_2"
## [193] "P69" "P70" "P71_COD"
## [196] "P71" "P71N" "P71L"
## [199] "P72" "P73" "P74"
## [202] "P75_1" "P75_2" "P75_3"
## [205] "P75_OTRO" "T76_1" "T76_2"
## [208] "T76_3" "T76_4" "T76_5"
## [211] "T76_6" "T76_7" "T76_8"
## [214] "P77" "P78" "P78A"
## [217] "P78B" "HORA_CAP_11" "TIEMPO_CAP_10_SEG"
## [220] "TIEMPO_CAP_10_MIN" "CONTINUAR_4" "PFAM"
## [223] "PFM" "T79_1" "T79_2"
## [226] "T79_3" "T79_4" "T79_5"
## [229] "MENCIONES_79" "P80A" "P80B"
## [232] "P81" "P81_CONOC" "P81_OTRO_CONOC"
## [235] "P81_DESC" "P81_OTRO_DESC" "P82"
## [238] "P83_1_1" "P83_1_2" "P83_1_3"
## [241] "P83_1_4" "P83_1_5" "P83_1_6"
## [244] "P83_1_7" "P84" "T85_1"
## [247] "T85_2" "T85_3" "T85_4"
## [250] "T85_5" "T85_6" "P86_1"
## [253] "P86_2" "P86_3" "P86A"
## [256] "HORA_CAP_12" "TIEMPO_CAP_11_SEG" "TIEMPO_CAP_11_MIN"
## [259] "T87_1" "T87_2" "T87_3"
## [262] "T87_4" "T87_5" "T87_6"
## [265] "T87_7" "T87_8" "T87_9"
## [268] "T87_10" "T87_11" "T87_12"
## [271] "T87_13" "T87_14" "T87_15"
## [274] "T87_16" "T87_17" "T87_18"
## [277] "T87_19" "T87_20" "T87_21"
## [280] "T87_22" "T87_23" "P90"
## [283] "CONTINUAR_3" "HORA_CAP_13" "TIEMPO_CAP_12_SEG"
## [286] "TIEMPO_CAP_12_MIN" "T92_1" "T92_2"
## [289] "T92_3" "T92_4" "T92_5"
## [292] "T92_6" "T92_7" "T92_8"
## [295] "T92_9" "T92_10" "T92_11"
## [298] "T93_1" "T93_2" "T93_3"
## [301] "T93_4" "T93_5" "P94_1"
## [304] "P94_2" "P94_3" "P94_4"
## [307] "P94_5" "P94_6" "P94_7"
## [310] "P94_8" "T96_1" "T96_2"
## [313] "T96_3" "T96_4" "T96_5"
## [316] "T96_6" "T96_7" "T96_8"
## [319] "T96_9" "T96_10" "T96_11"
## [322] "T96_12" "T96_13" "T96_14"
## [325] "T96_15" "T96_16" "T96_17"
## [328] "T96_18" "T96_19" "T96_20"
## [331] "T96_21" "P97_1" "P97_2"
## [334] "P97_3" "P98" "P99_1"
## [337] "P99_2" "P99_3" "P99_4"
## [340] "P99_5" "P99_6" "P99_7"
## [343] "P99_8" "P100_1" "P100_2"
## [346] "P100_3" "P100_4" "P100_5"
## [349] "P100_6" "P100_7" "P100_8"
## [352] "P100_9" "P100_10" "P101"
## [355] "T102_1" "T102_2" "T102_3"
## [358] "T102_4" "T102_5" "T102_6"
## [361] "T102_7" "T102_8" "T102_9"
## [364] "T102_10" "T102_11" "T102_12"
## [367] "T102_13" "T102_14" "T102_15"
## [370] "P103_1" "P103_2" "P103_3"
## [373] "P103_4" "P103_5" "P103_6"
## [376] "P103_7" "P103_8" "P103_9"
## [379] "P103_10" "P103_11" "T104_1"
## [382] "T104_2" "T104_3" "T104_4"
## [385] "T104_5" "T104_6" "HORA_CAP_14"
## [388] "TIEMPO_CAP_13_SEG" "TIEMPO_CAP_13_MIN" "P105_1"
## [391] "P105_2" "P105_3" "P105_4"
## [394] "P105_5" "P105_6" "P108_1"
## [397] "P108_2" "CP108_PAIS" "P108_PAIS"
## [400] "P108_DEP" "P108_OTRO_DEP" "P108_MUNI"
## [403] "P108_MUNI_OTRO" "P109" "P109_OTRO"
## [406] "P110" "P111" "P113"
## [409] "FACTOR"Caracterización social
A continuación encontreremos una tabla con las variables mas importantes para analizar la problematica sobre seguridad, Rango de edad, Genero, estrato.
CR <- BD1 %>%
select(EDAD_RANGO,GENERO,ESTRATO_DEC)%>%
mutate(
GENERO1=ifelse(GENERO =="1","Mujer","Hombre")
)
head(CR)## # A tibble: 6 × 4
## EDAD_RANGO GENERO ESTRATO_DEC GENERO1
## <dbl> <dbl> <dbl> <chr>
## 1 10 1 2 Mujer
## 2 2 2 2 Hombre
## 3 7 2 2 Hombre
## 4 2 2 7 Hombre
## 5 2 1 2 Mujer
## 6 2 2 2 HombreCaracterización social por genero
CR %>%
count(GENERO1) %>%
mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ggplot(aes(x = "", y = Porcentaje, fill = GENERO1)) +
geom_col(width = 1, color = "white") +
scale_fill_manual(values = c("Hombre" = "light blue", "Mujer" = "pink"))+
coord_polar(theta = "y", start = 0) +
geom_text(aes(label = Etiqueta),
position = position_stack(vjust = 0.5),
color = "white",
size = 5) +
theme_minimal() +
labs(title = "Distribución por Género",
x = NULL,
y = NULL,
caption = "Fuente: Estudio de seguridad Ciudad Castellana") 
##Caracterización de Estrato
CR %>%
mutate(ESTRATO_DEC = as.factor(ESTRATO_DEC)) %>%
count(ESTRATO_DEC) %>%
mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ggplot(aes(x = reorder(ESTRATO_DEC, -Porcentaje), y = Porcentaje, fill = ESTRATO_DEC)) +
geom_col(color = "white") +
geom_text(aes(label = Etiqueta),
vjust = -0.5,
color = "black",
size = 4) +
theme_minimal() +
theme(legend.position = "none") +
labs(title = "Estrato Socioeconómico",
x = "Estrato",
y = "Porcentaje (%)",
caption = "Fuente: Estudio de seguridad Ciudad Castellana")
## Caracterización de Rango de edad
CR %>%
mutate(EDAD_RANGO = as.factor(EDAD_RANGO)) %>%
count(EDAD_RANGO) %>%
mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ggplot(aes(x = Porcentaje, y = reorder(EDAD_RANGO, -Porcentaje), fill = EDAD_RANGO)) +
geom_col(color = "white") +
geom_text(aes(label = Etiqueta),
hjust = -0.2,
color = "black",
size = 4) +
theme_minimal() +
theme(legend.position = "none") +
scale_x_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(title = "Distribución por Rango de Edad",
x = "Porcentaje (%)",
y = "Rango de Edad",
caption = "Fuente: Estudio de seguridad Ciudad Castellana")
PERCEPCION DE SEGURIDAD
PS <- BD2 %>%
select(P1,P3,P5) %>%
rename( Barrio =P1,Comuna =P3,Ciudad=P5)
head(PS)## # A tibble: 6 × 3
## Barrio Comuna Ciudad
## <dbl> <dbl> <dbl>
## 1 3 2 2
## 2 2 2 2
## 3 2 2 3
## 4 2 2 2
## 5 2 2 2
## 6 2 2 2Percepcion de seguridad en la ciudad
PS %>%
mutate(across(c(Barrio, Comuna, Ciudad), as.character)) %>%
pivot_longer(cols = c(Barrio, Comuna, Ciudad),
names_to = "Variable",
values_to = "Categoria") %>%
group_by(Variable, Categoria) %>%
summarise(n = n(), .groups = "drop_last") %>%
mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ungroup() %>%
ggplot(aes(x = Categoria, y = Porcentaje, fill = Categoria)) +
geom_col(color = "white") +
geom_text(aes(label = Etiqueta),
vjust = -0.5,
color = "black",
size = 3.5) +
facet_wrap(~ Variable, scales = "free_x") +
scale_x_discrete(labels = c("1" = "Muy Seguro",
"2" = "Seguro",
"3" = "Inseguro",
"4" = "Muy Inseguro")) +
theme_minimal() +
theme(legend.position = "none",
strip.text = element_text(face = "bold", size = 13, hjust = 0),
axis.text.x = element_text(angle = 45, hjust = 1)) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(title = "Percepción de Seguridad por Barrio, Comuna y Ciudad",
x = "Nivel de Seguridad",
y = "Porcentaje (%)",
caption = "Fuente: Estudio de seguridad Ciudad Castellana")
De la grafica anterior se puede observar que el barro y comuna las
personas sienten mayor seguridad pero en la ciudad esta percepción
disminuye diviendose las opiniones entre seguro e inseguro.
PERCEPCION POR VARIBLES
pv <- left_join(BD1, BD2)%>%
mutate(
GENERO1=ifelse(GENERO =="1","Mujer","Hombre")
)## Joining with `by = join_by(REGISTRO)`head(pv)## # A tibble: 6 × 423
## REGISTRO COMUNA PI PJ PA PB PC PC_EDAD EDAD_RANGO GENERO
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 25 3 1 1 1 1 1 69 10 1
## 2 26 3 1 1 1 1 1 24 2 2
## 3 27 1 1 1 3 1 1 48 7 2
## 4 30 1 1 1 3 1 1 19 2 2
## 5 36 7 1 1 2 1 1 18 2 1
## 6 38 7 1 1 1 1 1 23 2 2
## # ℹ 413 more variables: ESTRATO_DEC <dbl>, ESTRATO <lgl>, PD <dbl>, D1 <dbl>,
## # D4_2 <dbl>, D5 <dbl>, P106 <dbl>, P107 <dbl>, P1 <dbl>, P2 <dbl>, P3 <dbl>,
## # P4 <dbl>, P5 <dbl>, P6 <dbl>, P7A_1 <dbl>, P7A_2 <dbl>, P7A_3 <dbl>,
## # P7_OTRO <chr>, P7B <dbl>, T9_1 <dbl>, T9_2 <dbl>, T9_3 <dbl>, T9_4 <dbl>,
## # T9_5 <dbl>, T9_6 <dbl>, T9_7 <dbl>, P118 <dbl>, CP10_1 <dbl>, CP10_2 <dbl>,
## # CP10_3 <dbl>, P10_1 <chr>, P10_2 <chr>, P10_3 <chr>, T11_12 <dbl>,
## # T11_13 <dbl>, P12_1 <dbl>, P12_2 <dbl>, P12_3 <dbl>, P12_4 <dbl>, …pv %>%
rename(Barrio = P1, Comuna = P3, Ciudad = P5) %>%
mutate(across(c(GENERO1, Barrio, Comuna, Ciudad), as.character)) %>%
pivot_longer(cols = c(Barrio, Comuna, Ciudad),
names_to = "Variable",
values_to = "Categoria") %>%
group_by(Variable, GENERO1, Categoria) %>%
summarise(n = n(), .groups = "drop_last") %>%
mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ungroup() %>%
filter(!is.na(GENERO1), !is.na(Categoria)) %>%
ggplot(aes(x = Categoria, y = Porcentaje, fill = GENERO1)) +
geom_col(position = "dodge", color = "white") +
scale_fill_manual(values = c("Hombre" = "light blue", "Mujer" = "pink"))+
geom_text(aes(label = Etiqueta),
position = position_dodge(width = 0.9),
hjust = -0.1,
color = "black",
size = 3) +
facet_wrap(~ Variable, ncol = 1) +
scale_x_discrete(labels = c("1" = "Muy Seguro",
"2" = "Seguro",
"3" = "Inseguro",
"4" = "Muy Inseguro")) +
coord_flip() +
theme_minimal() +
theme(legend.position = "bottom",
strip.text = element_text(face = "bold", size = 12, hjust = 0)) +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(title = "Percepción de Seguridad por Barrio, Comuna y Ciudad según Género",
x = NULL,
y = "Porcentaje (%)",
fill = "Género:",
caption = "Fuente: Estudio de seguridad ciudad castellana")
De acuerdo con la grafica anterior podemos observar que en la ciudad las
mujeres perciben mayor seguridad frente a los hombres.
Percepción por estrato en el barrio
pv %>% rename(Barrio = P1) %>% mutate(across(c(ESTRATO_DEC, Barrio), as.character)) %>% group_by(ESTRATO_DEC, Barrio) %>% summarise(n = n(), .groups = "drop_last") %>% mutate(Porcentaje = n / sum(n) * 100, Etiqueta = paste0(round(Porcentaje, 1), "%")) %>% ungroup() %>% filter(!is.na(ESTRATO_DEC), !is.na(Barrio)) %>% ggplot(aes(x = Barrio, y = Porcentaje, fill = ESTRATO_DEC)) + geom_col(position = "dodge", color = "white") + geom_text(aes(label = Etiqueta), position = position_dodge(width = 0.9), vjust = -0.5, color = "black", size = 2.5) + scale_x_discrete(labels = c("1" = "Muy Seguro", "2" = "Seguro", "3" = "Inseguro", "4" = "Muy Inseguro")) + theme_minimal() + theme(legend.position = "bottom") + scale_y_continuous(expand = expansion(mult = c(0, 0.15))) + labs(title = "Percepción de Seguridad en el Barrio según Estrato", x = "Nivel de Seguridad", y = "Porcentaje (%)", fill = "Estrato:", caption = "Fuente: Estudio de seguridad ciudad castellana")
De acuerdo con lo atenrior se puede observar que las personas de estrato
6 son la que perciben mayor seguridad en el barrio, y las estrato 5
menor seguridad
Percepción por estrato en la comuna
pv %>% rename(Comuna = P3) %>% mutate(across(c(ESTRATO_DEC, Comuna), as.character)) %>% group_by(ESTRATO_DEC, Comuna) %>% summarise(n = n(), .groups = "drop_last") %>% mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ungroup() %>%
filter(!is.na(ESTRATO_DEC), !is.na(Comuna)) %>%
ggplot(aes(x = Comuna, y = Porcentaje, fill = ESTRATO_DEC)) +
geom_col(position = "dodge", color = "white") +
geom_text(aes(label = Etiqueta),
position = position_dodge(width = 0.9),
vjust = -0.5,
color = "black",
size = 2.5) + scale_x_discrete(labels = c("1" = "Muy Seguro", "2" = "Seguro", "3" = "Inseguro", "4" = "Muy Inseguro")) +
theme_minimal() +
theme(legend.position = "bottom") +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(title = "Percepción de Seguridad en la comuna según Estrato",
x = "Nivel de Seguridad",
y = "Porcentaje (%)",
fill = "Estrato:",
caption = "Fuente: Estudio de seguridad ciudad castellana")
De acuerdo con lo atenrior se puede observar que las personas de estrato
1 y 2 son los que perciben mayor seguridad en la comuna y los de estrato
6 se sienten muy inseguros
Percepción por estrato en la ciudad
pv %>% rename(Ciudad = P5) %>% mutate(across(c(ESTRATO_DEC, Ciudad), as.character)) %>% group_by(ESTRATO_DEC, Ciudad) %>% summarise(n = n(), .groups = "drop_last") %>% mutate(Porcentaje = n / sum(n) * 100,
Etiqueta = paste0(round(Porcentaje, 1), "%")) %>%
ungroup() %>%
filter(!is.na(ESTRATO_DEC), !is.na(Ciudad)) %>%
ggplot(aes(x = Ciudad, y = Porcentaje, fill = ESTRATO_DEC)) +
geom_col(position = "dodge", color = "white") +
geom_text(aes(label = Etiqueta),
position = position_dodge(width = 0.9),
vjust = -0.5,
color = "black",
size = 2.5) + scale_x_discrete(labels = c("1" = "Muy Seguro", "2" = "Seguro", "3" = "Inseguro", "4" = "Muy Inseguro")) +
theme_minimal() +
theme(legend.position = "bottom") +
scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
labs(title = "Percepción de Seguridad en la ciudad según Estrato",
x = "Nivel de Seguridad",
y = "Porcentaje (%)",
fill = "Estrato:",
caption = "Fuente: Estudio de seguridad ciudad castellana")
De acuerdo con o atenrior se ve que las personas que en mayor parte se
sienten segura en la ciudad son las de estrato 6 pero así mismo el
restante se siente muy inseguro que equivale al 33%, falta validar si
los que no mencionan estrato ( número 7) en que estrato se
identifican
INDICE DE VICTIMIZACIÓN
pv_con_indice <- pv%>%
select(COMUNA,P20A,FACTOR) %>%
mutate(
Condicion_Victima = case_when(P20A == 1 | P20A == 2 | P20A == 3 | P20A == 4 | P20A == 6 ~ 1, TRUE ~ 0))
print(pv_con_indice)## # A tibble: 4,673 × 4
## COMUNA P20A FACTOR Condicion_Victima
## <dbl> <dbl> <dbl> <dbl>
## 1 3 6 176. 1
## 2 3 10 280. 0
## 3 1 10 180. 0
## 4 1 10 245. 0
## 5 7 10 128. 0
## 6 7 10 63.7 0
## 7 7 10 169. 0
## 8 6 10 220. 0
## 9 6 10 266. 0
## 10 3 10 345. 0
## # ℹ 4,663 more rowsindice_ciudad <- pv_con_indice %>%
summarise(
Indice_ciudad = (sum(Condicion_Victima * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE)) * 100
)
print("ÍNDICE DE VICTIMIZACIÓN GENERAL (PONDERADO)")## [1] "ÍNDICE DE VICTIMIZACIÓN GENERAL (PONDERADO)"print(indice_ciudad)## # A tibble: 1 × 1
## Indice_ciudad
## <dbl>
## 1 20.0indice_comunas <- pv_con_indice %>%
group_by(COMUNA) %>%
summarise(
Indice = (sum(Condicion_Victima * FACTOR, na.rm = TRUE) / sum(FACTOR, na.rm = TRUE))*100
)%>%
arrange(desc(Indice))
print(indice_comunas)## # A tibble: 20 × 2
## COMUNA Indice
## <dbl> <dbl>
## 1 5 27.6
## 2 7 23.4
## 3 60 22.9
## 4 4 22.5
## 5 8 21.6
## 6 13 20.8
## 7 16 20.8
## 8 3 20.5
## 9 2 19.7
## 10 9 18.9
## 11 1 18.2
## 12 10 18.0
## 13 80 17.0
## 14 12 15.1
## 15 90 14.3
## 16 6 13.8
## 17 11 13.1
## 18 70 12.7
## 19 15 11.3
## 20 50 0¿ Cuál es el índice de victimización para la icudad castellana?
Respuesta: El indice es de 20
¿ cuál es el índice de victimización por comunas?
library(knitr)
kable(indice_comunas, digits = 4,
col.names = c("Comuna", "Índice de Victimización"),
caption = "Índice de Victimización por Comuna")| Comuna | Índice de Victimización |
|---|---|
| 5 | 27.5735 |
| 7 | 23.4415 |
| 60 | 22.9498 |
| 4 | 22.5247 |
| 8 | 21.5679 |
| 13 | 20.7877 |
| 16 | 20.7770 |
| 3 | 20.5160 |
| 2 | 19.6810 |
| 9 | 18.8964 |
| 1 | 18.1827 |
| 10 | 18.0033 |
| 80 | 16.9776 |
| 12 | 15.1208 |
| 90 | 14.2799 |
| 6 | 13.7626 |
| 11 | 13.1406 |
| 70 | 12.7091 |
| 15 | 11.2756 |
| 50 | 0.0000 |
¿ En que comuna es mayor este índice?
Respuesta: la comuna con mayor indice es la comuna 5 con 27,5735
¿ En que comuna es menor indice ?
Respuesta: la comuna con menor indice es la comuna 15 con 11,2756