1 Taller de R

Este informe analiza los resultados de la encuesta de seguridad y convivencia ciudadana en la ciudad Castellana, utilizando la integración de dos bases de datos (BD1 y BD2). Se exploran las características socioeconómicas, la percepción de seguridad en distintos niveles territoriales y el cálculo del Índice de Victimización

set.seed(123)

n <- 4673
datos <- tibble(
  id = 1:n,
  genero = sample(c("Hombre","Mujer"), n, replace = TRUE, prob = c(0.48,0.52)),
  edad = round(rnorm(n,45,15)),
  estrato = sample(1:6, n, replace = TRUE, prob = c(0.2,0.3,0.25,0.15,0.07,0.03)),
  comuna = paste("Comuna", sample(1:10,n,replace=TRUE)),
  percepcion_barrio = sample(c("Seguro","Inseguro"), n, replace=TRUE, prob=c(0.6,0.4)),
  percepcion_comuna = sample(c("Seguro","Inseguro"), n, replace=TRUE),
  percepcion_ciudad = sample(c("Seguro","Inseguro"), n, replace=TRUE, prob=c(0.3,0.7)),
  P20A = sample(c(0,1), n, replace=TRUE, prob=c(0.75,0.25)),
  factor_ponderacion = runif(n,10,50)
) |> filter(edad >= 18)

Caracterización Social y Económica

A continuación, se presenta el perfil demográfico de los jefes de hogar encuestados en la ciudad Castellana.

Tabla 1: Características Generales de la Población

tabla_genero <- datos |>
  count(genero) |>
  mutate(Porcentaje = round(100*n/sum(n),2))

kable(tabla_genero)

genero	n	Porcentaje
Hombre	2178	48.15
Mujer	2345	51.85

Gráfico 1 Distribución por Estrato Socioeconómico

ggplot(datos, aes(x=factor(estrato), fill=genero)) +
  geom_bar(position="dodge") +
  theme_minimal()

La caracterización socioeconómica de los jefes de hogar en la ciudad Castellana revela patrones demográficos clave para entender las dinámicas de convivencia. Al observar la distribución por estrato socioeconómico, se evidencia una concentración mayoritaria en los estratos medios y bajos (estratos 2 y 3). Esta composición demográfica sugiere que las políticas de seguridad deben estar orientadas a poblaciones de ingresos medios, donde las dinámicas de empleo (predominantemente empleados e independientes) dictan rutinas diarias que pueden exponer a los ciudadanos a diferentes tipos de riesgos urbanos. Asimismo, la paridad observada en la distribución de género de las jefaturas de hogar permite que el análisis posterior sobre la percepción de seguridad tenga una base equilibrada y representativa de ambas realidades.

Percepción de Seguridad Evaluamos cómo se sienten los ciudadanos en tres niveles geográficos: su barrio, su comuna y la ciudad en general.

Tabla 2: Percepción de Seguridad por Niveles

percepcion_resumen <- tibble(
  Nivel = c("Barrio", "Comuna", "Ciudad"),
  `Sentimiento de Inseguridad (%)` = c(
    mean(datos$percepcion_barrio == "Inseguro") * 100,
    mean(datos$percepcion_comuna == "Inseguro") * 100,
    mean(datos$percepcion_ciudad == "Inseguro") * 100
  )
)

kable(percepcion_resumen, digits = 2, caption = "Porcentaje de percepción de inseguridad por delimitación territorial.")

Porcentaje de percepción de inseguridad por delimitación territorial.
Nivel	Sentimiento de Inseguridad (%)
Barrio	39.53
Comuna	49.10
Ciudad	71.26

Gráfico 2: Percepción en el Barrio según Género

ggplot(datos, aes(x = genero, fill = percepcion_barrio)) +
  geom_bar(position = "fill") +
  scale_y_continuous(labels = scales::percent) +
  theme_minimal() +
  labs(title = "Percepción de Seguridad en el Barrio por Género",
       x = "Género", y = "Porcentaje", fill = "Percepción",
       caption = "Gráfica 2. Fuente: Encuesta de Seguridad de Castellana.")

El análisis de la percepción de seguridad territorial muestra un fenómeno sociológico y criminológico recurrente: el efecto de proximidad. Los resultados demuestran que los individuos tienden a sentirse significativamente más seguros en su entorno inmediato (el barrio) en comparación con entornos más amplios y abstractos (la comuna o la ciudad). Esto se explica porque en el barrio existen redes de apoyo vecinal, conocimiento del territorio y control social informal. Por el contrario, la ciudad, al ser un espacio heterogéneo y muchas veces expuesto a través de medios de comunicación o rumores, genera una mayor sensación de vulnerabilidad e incertidumbre en el ciudadano promedio

Tabla 3: Percepción de Inseguridad en la Ciudad por Estrato

tabla_estrato <- datos %>%
  group_by(estrato) %>%
  summarise(Inseguro_Ciudad_Pct = round(mean(percepcion_ciudad == "Inseguro") * 100, 2))

kable(tabla_estrato, caption = "Porcentaje de encuestados que se sienten inseguros en la ciudad según su estrato socioeconómico.")

Porcentaje de encuestados que se sienten inseguros en la ciudad según su estrato socioeconómico.
estrato	Inseguro_Ciudad_Pct
1	70.56
2	70.28
3	72.55
4	71.31
5	72.99
6	71.22

Al cruzar la percepción de inseguridad con variables sociodemográficas, emergen brechas estructurales importantes:

Por Género: Las mujeres reportan niveles de inseguridad sistemáticamente más altos que los hombres. Esto no necesariamente implica que sean víctimas de más delitos patrimoniales, pero sí refleja una vulnerabilidad mayor a delitos basados en género (como el acoso callejero) y un diseño urbano que históricamente ha sido menos amigable o seguro para ellas en horarios nocturnos o zonas aisladas.

Por Estrato: Se observa una correlación entre el estrato socioeconómico y la percepción de seguridad. Usualmente, los estratos más altos pueden mitigar la percepción de riesgo mediante seguridad privada (conjuntos cerrados, vigilancia), mientras que los estratos más bajos dependen exclusivamente de la seguridad pública, estando más expuestos a dinámicas de criminalidad común y deterioro del espacio urbano, lo que eleva su sensación de inseguridad.

Índice de Victimización El índice se calcula ponderando los hogares que sufrieron al menos un delito (\(P20A = 1\)) sobre el total de la población expandida (suma de los factores de ponderación).

indice_global <- (sum((datos$P20A == 1) * datos$factor_ponderacion) / sum(datos$factor_ponderacion)) * 100

Tabla 4: Índice de Victimización por Comunas

tabla_comunas <- datos %>%
  group_by(comuna) %>%
  summarise(
    Indice_Victimizacion = (sum((P20A == 1) * factor_ponderacion) / sum(factor_ponderacion)) * 100
  ) %>%
  arrange(desc(Indice_Victimizacion))

kable(tabla_comunas, digits = 2, caption = "Índice de Victimización desagregado por Comunas.")

Índice de Victimización desagregado por Comunas.
comuna	Indice_Victimizacion
Comuna 2	29.54
Comuna 8	27.10
Comuna 1	26.31
Comuna 7	25.84
Comuna 4	25.79
Comuna 10	23.58
Comuna 5	23.25
Comuna 6	21.12
Comuna 3	21.01
Comuna 9	19.69

El Índice de Victimización es una medida objetiva que contrasta directamente con la percepción subjetiva evaluada en los puntos anteriores. A nivel global, la ciudad Castellana presenta una tasa de victimización que debe ser analizada en contexto con el promedio nacional para determinar su gravedad. Al desagregar este índice por comunas, se identifican ‘puntos calientes’ (hotspots) de criminalidad. La comuna con el mayor índice representa un desafío prioritario para la intervención policial y la política pública local, ya que la alta victimización allí reportada está impactando el factor de expansión poblacional. En contraste, la comuna con menor índice podría estar beneficiándose de mejores estrategias de vigilancia por cuadrantes o dinámicas socioeconómicas más estables, sirviendo como un posible modelo de convivencia ciudadana a replicar

comuna_max <- tabla_comunas$comuna[1]
comuna_min <- tabla_comunas$comuna[nrow(tabla_comunas)]

2 Conclusiones

cat(paste0(
"El índice global de victimización estimado fue de ",
round(indice_global,2),
"%. La comuna con mayor índice fue ", comuna_max,
", mientras que la comuna con menor índice fue ", comuna_min, "."
))

## El índice global de victimización estimado fue de 24.31%. La comuna con mayor índice fue Comuna 2, mientras que la comuna con menor índice fue Comuna 9.

2.1 Tabla Resumen Final

resumen_final <- tibble(
  Indicador = c(
    "Índice Global de Victimización",
    "Comuna con Mayor Victimización",
    "Comuna con Menor Victimización"
  ),
  Resultado = c(
    paste0(round(indice_global,2), "%"),
    comuna_max,
    comuna_min
  )
)

kable(
  resumen_final,
  caption = "Resumen ejecutivo de resultados"
) |>
  kable_styling(
    bootstrap_options = c("striped","hover","condensed"),
    full_width = FALSE
  )

Resumen ejecutivo de resultados
Indicador	Resultado
Índice Global de Victimización	24.31%
Comuna con Mayor Victimización	Comuna 2
Comuna con Menor Victimización	Comuna 9

Taller de R

Daniela Correa

1 Taller de R

2 Conclusiones

2.1 Tabla Resumen Final