VISUALIZACIÓN DE DATOS

Inseguridad y territorio en Bogotá:
¿qué nos cuentan las UPZ?
Docente: Carlos Amortegui

Logo de la institución

Preparación de los datos

a. Instalación de paquetes

Para realizar la exploración de los datos se utilizarán paquetes de R que permiten importar archivos, organizar la información y realizar cálculos estadísticos.

El siguiente código instala los paquetes necesarios para trabajar con archivos Excel y CSV, manipular datos y elaborar gráficos.

# Instalación de paquetes necesarios para el proyecto

install.packages("tidyverse")  # Manipulación, transformación y exploración de datos. Incluye dplyr, tidyr, ggplot2 y readr.
install.packages("sf")         # Lectura y manejo de información geográfica. Permite trabajar con los polígonos de las UPZ y localidades.
install.packages("leaflet")    # Creación de mapas interactivos con zoom, etiquetas y resaltado de territorios.
install.packages("scales")     # Formato de números, porcentajes, tasas y escalas en gráficos.
install.packages("knitr")      # Organización y presentación de tablas y resultados dentro del informe R Markdown.

b. Carga de paquetes

Una vez instalados, los paquetes se cargan para poder utilizar sus funciones durante el análisis.

# Cargar las librerías necesarias
library(tidyverse)
library(sf)
library(leaflet)
library(scales)
library(knitr)

c. Configuración general del documento

Configuración del comportamiento general del documento

# Definir la paleta de colores del proyecto
morado   <- "#351A4F"
magenta  <- "#D9006C"
turquesa <- "#168C86"
gris     <- "#D9D6DD"

# Configuración general de los gráficos
tema_clase <- theme_minimal(base_size = 12) +
  theme(
    plot.title.position = "plot",
    plot.title = element_text(
      face = "bold", size = 15, color = morado
    ),
    plot.subtitle = element_text(
      size = 10.5, color = "grey35"
    ),
    panel.grid.minor = element_blank(),
    plot.caption = element_text(
      hjust = 0, color = "grey45", size = 8.5
    ),
    plot.margin = margin(10, 20, 10, 10)
  )

# Opciones generales de presentación del informe
knitr::opts_chunk$set(
  echo = TRUE,
  warning = FALSE,
  message = FALSE,
  fig.align = "center",
  fig.width = 8,
  fig.height = 5,
  dpi = 120
)

1. Introducción

La seguridad ciudadana es una de las dimensiones que influye en la calidad de vida y en las condiciones de convivencia de una ciudad. Sin embargo, su comportamiento no necesariamente es igual en todos los territorios, ya que cada zona presenta características particulares relacionadas con su población, infraestructura, condiciones socioeconómicas y entorno urbano.

En Bogotá, las Unidades de Planeamiento Zonal (UPZ) permiten observar estas diferencias desde una perspectiva territorial. A través de ellas es posible comparar las condiciones de distintos sectores de la ciudad y explorar cómo se relacionan con los registros de delitos y la percepción de inseguridad de sus habitantes.

Este trabajo desarrolla un análisis exploratorio de datos (EDA) sobre las 112 UPZ urbanas de Bogotá, utilizando información relacionada con delitos denunciados, población, vivienda, alumbrado público y condiciones socioeconómicas.

El propósito es identificar patrones, diferencias y posibles relaciones entre las características de cada territorio y los indicadores de seguridad disponibles. Para ello, se utilizarán herramientas estadísticas y visualizaciones que faciliten la interpretación de los resultados, incluyendo representaciones geográficas que permitan reconocer las diferencias entre las zonas de la ciudad.

El análisis no busca establecer relaciones de causalidad ni afirmar que una característica territorial sea la causa directa de determinados comportamientos delictivos. Su alcance es exploratorio y pretende comprender mejor la información disponible, reconocer patrones y generar preguntas que puedan orientar investigaciones posteriores.

1.1. Objetivo general

Explorar las condiciones de seguridad y las características territoriales, demográficas y socioeconómicas de las UPZ urbanas de Bogotá, mediante técnicas de análisis exploratorio de datos y visualización, con el propósito de identificar patrones, diferencias y posibles relaciones que permitan comprender el comportamiento de los indicadores de inseguridad en la ciudad.

1.2. Objetivos específicos

  • Describir la estructura y las características de la información disponible para las 112 UPZ de Bogotá.

  • Explorar la distribución de los indicadores de delitos, población, vivienda, infraestructura y condiciones socioeconómicas.

  • Identificar diferencias territoriales mediante el uso de estadísticas descriptivas, comparaciones y mapas.

  • Examinar posibles relaciones entre los indicadores de seguridad y las características de cada UPZ.

  • Comunicar los principales hallazgos mediante visualizaciones y una narrativa basada en los datos.

2. Descripción de los datos

Para desarrollar el análisis se utiliza una base de datos consolidada que contiene información de 112 Unidades de Planeamiento Zonal de Bogotá. Cada registro representa una UPZ e incluye variables relacionadas con su territorio, población, condiciones de vivienda, infraestructura, delitos denunciados y características socioeconómicas.

La información se encuentra organizada en cinco grandes bloques:

  1. Territorio: identificación de la UPZ, localidad y extensión geográfica.

  2. Demografía: población, densidad poblacional y composición por grupos de edad.

  3. Vivienda e infraestructura: características de las viviendas y disponibilidad de alumbrado público.

  4. Delitos: registros de denuncias y tasas por cada 10.000 habitantes para diez categorías de delitos.

  5. Encuesta Multipropósito: información relacionada con pobreza, ingresos, estrato, educación, percepción de inseguridad y condiciones del entorno.

Adicionalmente, se dispone de archivos geográficos que representan los límites de las UPZ y las localidades urbanas de Bogotá. Estos archivos permitirán integrar la información estadística con su ubicación territorial.

3. Carga de la información

Vamos a conectar nuestro informe con los archivos.

Se cargaran tres fuentes: 1. La base estadística de las UPZ. 2. El mapa de las UPZ. 3. El mapa de las localidades.

# 3.1. Importación de la base estadística

upz <- read_csv(
  "input/upz_variables.csv",
  show_col_types = FALSE
)

# 3.2. Importación de los archivos geográficos

upz_shp <- st_read(
  "input/shp/upz_bogota.shp",
  quiet = TRUE
)

localidades_shp <- st_read(
  "input/shp/localidades_bogota.shp",
  quiet = TRUE
)

Notas:

  • read_csv() permite importar la información estadística.

  • st_read() permite leer los archivos geográficos.

  • Los objetos terminados en **_shp** contienen geometrías que representan los límites territoriales.

4. Exploración inicial de los datos

Antes de realizar los análisis estadísticos y las visualizaciones, es necesario conocer la estructura de la información disponible y verificar sus características generales.

Esta primera exploración permite identificar la cantidad de registros y variables, los tipos de datos utilizados y las condiciones generales de la base. De esta manera, se busca establecer un punto de partida que facilite el desarrollo de las siguientes etapas del análisis.

4.1. Dimensiones y estructura de la información

La base de datos contiene información de diferentes características de las UPZ de Bogotá. Para comenzar, se revisa su dimensión general, identificando cuántos registros y variables están disponibles.

Cada registro representa una UPZ, mientras que las columnas corresponden a las diferentes características e indicadores recopilados para el análisis.

# Consultar las dimensiones generales de la base
dim(upz)
## [1] 112  67
# Identificar la cantidad de registros
nrow(upz)
## [1] 112
# Identificar la cantidad de variables
ncol(upz)
## [1] 67
# Consultar los primeros registros
head(upz)
upz_cod upz_nombre localidad_cod localidad area_km2 poblacion densidad_hab_km2 pct_mujeres pct_0_14 pct_15_29 pct_60_mas viviendas_totales viviendas_ocupadas pct_viviendas_desocupadas personas_por_vivienda luminarias luminarias_km2 luminarias_1000hab pct_luminarias_led casos_homicidios casos_lesiones casos_hurto_personas casos_hurto_residencias casos_hurto_automotor casos_hurto_bicicletas casos_hurto_comercio casos_hurto_celulares casos_hurto_motos casos_violencia_intrafamiliar casos_total tasa_homicidios tasa_lesiones tasa_hurto_personas tasa_hurto_residencias tasa_hurto_automotor tasa_hurto_bicicletas tasa_hurto_comercio tasa_hurto_celulares tasa_hurto_motos tasa_violencia_intrafamiliar tasa_total em_agrupada pct_pobreza edad_promedio salario_promedio pct_estrato_1_2 pct_estrato_3_4 pct_estrato_5_6 pct_vivienda_propia pct_arriendo anios_educacion_15mas pct_padre_universitario pct_madre_universitaria pct_percibe_inseguridad pct_cerca_ollas pct_cerca_bares pct_cerca_lotes_oscuros pct_cerca_basureros pct_cerca_terminales pct_cerca_fabricas min_transmilenio min_sitp min_parque min_cai_policia min_centro_medico min_cultura min_ciclorruta
1 Paseo De Los Libertadores 1 Usaquén 6.33 2690 424.81 51.26 18.85 26.13 12.94 1087 1022 5.98 2.63 524 82.75 194.80 28.44 0 8 44 1 0 1 3 17 0 0 74 0.00 29.74 163.57 3.72 0.00 3.72 11.15 63.20 0.00 0.00 275.09 TRUE 1.37 36.54 3937004 13.92 83.87 2.21 54.45 38.00 12.16 24.14 17.37 36.18 17.53 15.68 24.15 6.13 20.93 11.55 13.01 9.99 7.00 21.66 29.82 33.90 9.00
2 La Academia 11 Suba 6.74 5260 779.85 51.35 24.11 18.46 9.26 1554 1515 2.51 3.47 534 79.17 101.52 0.37 1 3 75 0 3 1 9 26 0 5 123 1.90 5.70 142.59 0.00 5.70 1.90 17.11 49.43 0.00 9.51 233.84 TRUE 0.86 38.71 4280663 0.63 87.06 12.31 57.98 36.81 13.57 24.16 14.82 40.88 7.43 17.03 16.71 1.35 26.66 1.70 10.78 9.56 5.44 24.50 34.17 29.61 13.45
3 Guaymaral 11 Suba 4.55 2692 591.30 51.63 18.31 20.88 14.04 789 698 11.53 3.86 184 40.42 68.35 0.00 0 1 29 0 0 2 2 9 0 2 45 0.00 3.71 107.73 0.00 0.00 7.43 7.43 33.43 0.00 7.43 167.16 TRUE 0.86 38.71 4280663 0.63 87.06 12.31 57.98 36.81 13.57 24.16 14.82 40.88 7.43 17.03 16.71 1.35 26.66 1.70 10.78 9.56 5.44 24.50 34.17 29.61 13.45
9 Verbenal 1 Usaquén 3.57 131999 36967.66 52.77 20.15 25.15 11.61 46809 45055 3.75 2.93 3555 995.61 26.93 65.77 3 104 386 29 19 17 26 125 30 205 944 0.23 7.88 29.24 2.20 1.44 1.29 1.97 9.47 2.27 15.53 71.52 FALSE 3.12 33.28 1933709 31.32 66.05 2.63 36.78 55.53 12.16 8.36 6.13 65.43 17.53 15.68 24.15 6.13 20.93 11.55 6.96 5.96 8.60 18.39 34.18 42.77 14.45
10 La Uribe 1 Usaquén 3.47 37014 10682.12 54.34 17.24 20.18 15.62 14399 13763 4.42 2.69 1328 383.26 35.88 49.25 1 26 328 31 4 14 47 129 1 40 621 0.27 7.02 88.62 8.38 1.08 3.78 12.70 34.85 0.27 10.81 167.77 TRUE 1.37 36.54 3937004 13.92 83.87 2.21 54.45 38.00 12.16 24.14 17.37 36.18 17.53 15.68 24.15 6.13 20.93 11.55 13.01 9.99 7.00 21.66 29.82 33.90 9.00
11 San Cristobal Norte 1 Usaquén 2.76 72939 26401.70 52.65 19.59 24.65 14.38 24886 24401 1.95 2.99 2578 933.16 35.34 49.34 4 73 351 27 5 11 39 117 9 157 793 0.55 10.01 48.12 3.70 0.69 1.51 5.35 16.04 1.23 21.52 108.72 FALSE 5.19 34.50 1368739 29.48 68.87 1.65 28.86 58.05 10.95 4.76 3.31 49.84 25.91 15.41 19.15 8.30 3.38 5.99 17.76 11.43 10.39 25.32 29.71 28.10 18.27

4.2. Tipos de variables y estructura

Además de conocer el tamaño de la base, es importante identificar el tipo de información que contiene cada variable.

Esta revisión permite diferenciar los campos que representan cantidades, porcentajes, tasas, categorías territoriales y otras características.

La identificación de estos tipos de datos es importante porque no todas las variables pueden analizarse de la misma manera. Por ejemplo, una variable de población permite realizar cálculos estadísticos, mientras que una variable como el nombre de la localidad se utiliza principalmente para clasificar y agrupar la información.

# Consultar la estructura y los tipos de variables
glimpse(upz)
## Rows: 112
## Columns: 67
## $ upz_cod                       <dbl> 1, 2, 3, 9, 10, 11, 12, 13, 14, 15, 16, …
## $ upz_nombre                    <chr> "Paseo De Los Libertadores", "La Academi…
## $ localidad_cod                 <dbl> 1, 11, 11, 1, 1, 1, 1, 1, 1, 1, 1, 11, 1…
## $ localidad                     <chr> "Usaquén", "Suba", "Suba", "Usaquén", "U…
## $ area_km2                      <dbl> 6.33, 6.74, 4.55, 3.57, 3.47, 2.76, 2.92…
## $ poblacion                     <dbl> 2690, 5260, 2692, 131999, 37014, 72939, …
## $ densidad_hab_km2              <dbl> 424.81, 779.85, 591.30, 36967.66, 10682.…
## $ pct_mujeres                   <dbl> 51.26, 51.35, 51.63, 52.77, 54.34, 52.65…
## $ pct_0_14                      <dbl> 18.85, 24.11, 18.31, 20.15, 17.24, 19.59…
## $ pct_15_29                     <dbl> 26.13, 18.46, 20.88, 25.15, 20.18, 24.65…
## $ pct_60_mas                    <dbl> 12.94, 9.26, 14.04, 11.61, 15.62, 14.38,…
## $ viviendas_totales             <dbl> 1087, 1554, 789, 46809, 14399, 24886, 24…
## $ viviendas_ocupadas            <dbl> 1022, 1515, 698, 45055, 13763, 24401, 23…
## $ pct_viviendas_desocupadas     <dbl> 5.98, 2.51, 11.53, 3.75, 4.42, 1.95, 3.6…
## $ personas_por_vivienda         <dbl> 2.63, 3.47, 3.86, 2.93, 2.69, 2.99, 2.68…
## $ luminarias                    <dbl> 524, 534, 184, 3555, 1328, 2578, 2734, 5…
## $ luminarias_km2                <dbl> 82.75, 79.17, 40.42, 995.61, 383.26, 933…
## $ luminarias_1000hab            <dbl> 194.80, 101.52, 68.35, 26.93, 35.88, 35.…
## $ pct_luminarias_led            <dbl> 28.44, 0.37, 0.00, 65.77, 49.25, 49.34, …
## $ casos_homicidios              <dbl> 0, 1, 0, 3, 1, 4, 1, 0, 0, 0, 3, 1, 2, 0…
## $ casos_lesiones                <dbl> 8, 3, 1, 104, 26, 73, 52, 75, 36, 14, 49…
## $ casos_hurto_personas          <dbl> 44, 75, 29, 386, 328, 351, 500, 1189, 78…
## $ casos_hurto_residencias       <dbl> 1, 0, 0, 29, 31, 27, 19, 87, 35, 24, 76,…
## $ casos_hurto_automotor         <dbl> 0, 3, 0, 19, 4, 5, 7, 11, 3, 1, 8, 14, 1…
## $ casos_hurto_bicicletas        <dbl> 1, 1, 2, 17, 14, 11, 38, 71, 26, 12, 32,…
## $ casos_hurto_comercio          <dbl> 3, 9, 2, 26, 47, 39, 58, 95, 72, 28, 125…
## $ casos_hurto_celulares         <dbl> 17, 26, 9, 125, 129, 117, 170, 368, 262,…
## $ casos_hurto_motos             <dbl> 0, 0, 0, 30, 1, 9, 6, 3, 3, 0, 5, 8, 8, …
## $ casos_violencia_intrafamiliar <dbl> 0, 5, 2, 205, 40, 157, 92, 92, 73, 14, 4…
## $ casos_total                   <dbl> 74, 123, 45, 944, 621, 793, 943, 1991, 1…
## $ tasa_homicidios               <dbl> 0.00, 1.90, 0.00, 0.23, 0.27, 0.55, 0.16…
## $ tasa_lesiones                 <dbl> 29.74, 5.70, 3.71, 7.88, 7.02, 10.01, 8.…
## $ tasa_hurto_personas           <dbl> 163.57, 142.59, 107.73, 29.24, 88.62, 48…
## $ tasa_hurto_residencias        <dbl> 3.72, 0.00, 0.00, 2.20, 8.38, 3.70, 3.01…
## $ tasa_hurto_automotor          <dbl> 0.00, 5.70, 0.00, 1.44, 1.08, 0.69, 1.11…
## $ tasa_hurto_bicicletas         <dbl> 3.72, 1.90, 7.43, 1.29, 3.78, 1.51, 6.03…
## $ tasa_hurto_comercio           <dbl> 11.15, 17.11, 7.43, 1.97, 12.70, 5.35, 9…
## $ tasa_hurto_celulares          <dbl> 63.20, 49.43, 33.43, 9.47, 34.85, 16.04,…
## $ tasa_hurto_motos              <dbl> 0.00, 0.00, 0.00, 2.27, 0.27, 1.23, 0.95…
## $ tasa_violencia_intrafamiliar  <dbl> 0.00, 9.51, 7.43, 15.53, 10.81, 21.52, 1…
## $ tasa_total                    <dbl> 275.09, 233.84, 167.16, 71.52, 167.77, 1…
## $ em_agrupada                   <lgl> TRUE, TRUE, TRUE, FALSE, TRUE, FALSE, FA…
## $ pct_pobreza                   <dbl> 1.37, 0.86, 0.86, 3.12, 1.37, 5.19, 0.84…
## $ edad_promedio                 <dbl> 36.54, 38.71, 38.71, 33.28, 36.54, 34.50…
## $ salario_promedio              <dbl> 3937004, 4280663, 4280663, 1933709, 3937…
## $ pct_estrato_1_2               <dbl> 13.92, 0.63, 0.63, 31.32, 13.92, 29.48, …
## $ pct_estrato_3_4               <dbl> 83.87, 87.06, 87.06, 66.05, 83.87, 68.87…
## $ pct_estrato_5_6               <dbl> 2.21, 12.31, 12.31, 2.63, 2.21, 1.65, 0.…
## $ pct_vivienda_propia           <dbl> 54.45, 57.98, 57.98, 36.78, 54.45, 28.86…
## $ pct_arriendo                  <dbl> 38.00, 36.81, 36.81, 55.53, 38.00, 58.05…
## $ anios_educacion_15mas         <dbl> 12.16, 13.57, 13.57, 12.16, 12.16, 10.95…
## $ pct_padre_universitario       <dbl> 24.14, 24.16, 24.16, 8.36, 24.14, 4.76, …
## $ pct_madre_universitaria       <dbl> 17.37, 14.82, 14.82, 6.13, 17.37, 3.31, …
## $ pct_percibe_inseguridad       <dbl> 36.18, 40.88, 40.88, 65.43, 36.18, 49.84…
## $ pct_cerca_ollas               <dbl> 17.53, 7.43, 7.43, 17.53, 17.53, 25.91, …
## $ pct_cerca_bares               <dbl> 15.68, 17.03, 17.03, 15.68, 15.68, 15.41…
## $ pct_cerca_lotes_oscuros       <dbl> 24.15, 16.71, 16.71, 24.15, 24.15, 19.15…
## $ pct_cerca_basureros           <dbl> 6.13, 1.35, 1.35, 6.13, 6.13, 8.30, 11.7…
## $ pct_cerca_terminales          <dbl> 20.93, 26.66, 26.66, 20.93, 20.93, 3.38,…
## $ pct_cerca_fabricas            <dbl> 11.55, 1.70, 1.70, 11.55, 11.55, 5.99, 2…
## $ min_transmilenio              <dbl> 13.01, 10.78, 10.78, 6.96, 13.01, 17.76,…
## $ min_sitp                      <dbl> 9.99, 9.56, 9.56, 5.96, 9.99, 11.43, 6.8…
## $ min_parque                    <dbl> 7.00, 5.44, 5.44, 8.60, 7.00, 10.39, 5.1…
## $ min_cai_policia               <dbl> 21.66, 24.50, 24.50, 18.39, 21.66, 25.32…
## $ min_centro_medico             <dbl> 29.82, 34.17, 34.17, 34.18, 29.82, 29.71…
## $ min_cultura                   <dbl> 33.90, 29.61, 29.61, 42.77, 33.90, 28.10…
## $ min_ciclorruta                <dbl> 9.00, 13.45, 13.45, 14.45, 9.00, 18.27, …

4.3. Revisión de valores faltantes

Los valores faltantes representan información que no se encuentra disponible para una o varias variables. Su identificación es importante porque pueden afectar los cálculos estadísticos, las comparaciones y las relaciones entre variables.

En esta etapa se revisa la cantidad de datos faltantes en cada columna, con el propósito de determinar si existen limitaciones en la información disponible.

# Calcular la cantidad de valores faltantes por variable

faltantes <- upz %>%
  summarise(
    across(
      everything(),
      ~ sum(is.na(.))
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Cantidad_faltantes"
  ) %>%
  filter(Cantidad_faltantes > 0) %>%
  arrange(desc(Cantidad_faltantes))

# Presentar los resultados

if (nrow(faltantes) == 0) {

  cat("No se encontraron valores faltantes en la base de datos.")

} else {

  knitr::kable(
    faltantes,
    caption = "Variables con valores faltantes"
  )

}
## No se encontraron valores faltantes en la base de datos.

4.4. Identificación de registros duplicados

Debido a que cada registro representa una UPZ, el código de identificación territorial debe ser único dentro de la base de datos.

Por esta razón, se revisa si existen códigos repetidos que puedan generar duplicidad de información o afectar las comparaciones posteriores.

# Identificar códigos UPZ repetidos

duplicados_upz <- upz %>%
  count(upz_cod, name = "Frecuencia") %>%
  filter(Frecuencia > 1)

# Presentar el resultado

if (nrow(duplicados_upz) == 0) {

  cat("No se encontraron códigos UPZ duplicados.")

} else {

  knitr::kable(
    duplicados_upz,
    caption = "Códigos UPZ duplicados"
  )

}
## No se encontraron códigos UPZ duplicados.

4.5. Resumen general de la exploración inicial

Una vez realizadas las verificaciones iniciales, se consolida un resumen de las principales características de la base de datos.

Este resultado permite establecer las condiciones generales de la información con la que se desarrollará el análisis exploratorio.

resumen_base <- tibble(
  Indicador = c(
    "Cantidad de registros",
    "Cantidad de variables",
    "Códigos UPZ únicos",
    "Valores faltantes",
    "Códigos UPZ duplicados"
  ),

  Resultado = c(
    nrow(upz),
    ncol(upz),
    n_distinct(upz$upz_cod),
    sum(is.na(upz)),
    nrow(duplicados_upz)
  )
)

knitr::kable(
  resumen_base,
  col.names = c("Indicador", "Resultado"),
  caption = "Resumen de la exploración inicial"
)
Resumen de la exploración inicial
Indicador Resultado
Cantidad de registros 112
Cantidad de variables 67
Códigos UPZ únicos 112
Valores faltantes 0
Códigos UPZ duplicados 0

Interpretación de la revisión inicial

Los resultados muestran que la base de datos está conformada por 112 registros y 67 variables, con una correspondencia de un registro por cada código UPZ.

En la revisión realizada no se identificaron valores faltantes ni códigos territoriales duplicados. Esto representa una condición favorable para continuar con el análisis exploratorio.

Sin embargo, la ausencia de valores faltantes y duplicados no garantiza por sí sola la calidad de toda la información. Todavía es necesario revisar la distribución de las variables, identificar posibles valores extremos y evaluar la coherencia de los indicadores calculados.

Por lo tanto, esta primera revisión constituye un punto de partida para profundizar en el comportamiento estadístico de las variables.

5. Análisis exploratorio de las variables

Una vez revisada la estructura general de la información, se inicia el análisis exploratorio de las variables con el propósito de comprender su comportamiento, identificar diferencias entre los territorios y reconocer posibles patrones que puedan orientar la investigación.

En esta etapa se utilizarán estadísticas descriptivas y representaciones gráficas para examinar las principales características de las UPZ de Bogotá.

5.1. Análisis demográfico: población y distribución territorial

La población constituye una de las variables fundamentales para comprender las diferencias entre las UPZ, ya que permite dimensionar el tamaño de cada territorio en términos de habitantes.

Su análisis es especialmente importante para este trabajo, porque los indicadores de delitos se expresan tanto en cantidades absolutas como en tasas por cada 10.000 habitantes. Por lo tanto, conocer cómo se distribuye la población permitirá interpretar posteriormente las diferencias en los indicadores de seguridad.

5.1.1. Distribución de la población por UPZ

Inicialmente se analiza la cantidad de habitantes registrados en cada UPZ, con el propósito de identificar las diferencias existentes entre los territorios y reconocer cuáles concentran una mayor o menor población.

a. Estadísticas descriptivas de población

Primero vamos a calcular las principales medidas estadísticas.

# Calcular las principales medidas descriptivas
# de la población de las UPZ

estadisticas_poblacion <- upz %>%
  summarise(
    Total_UPZ = n(),
    Poblacion_total = sum(poblacion),
    Media = mean(poblacion),
    Mediana = median(poblacion),
    Desviacion_estandar = sd(poblacion),
    Minimo = min(poblacion),
    Q1 = quantile(poblacion, 0.25),
    Q3 = quantile(poblacion, 0.75),
    Maximo = max(poblacion)
  )


# Presentar resultados

estadisticas_poblacion %>%
  tidyr::pivot_longer(
    cols = everything(),
    names_to = "Estadística",
    values_to = "Valor"
  ) %>%
  knitr::kable(
    col.names = c("Estadística", "Resultado"),
    caption = "Estadísticas descriptivas de población por UPZ"
  )
Estadísticas descriptivas de población por UPZ
Estadística Resultado
Total_UPZ 112.00
Poblacion_total 7936532.00
Media 70861.89
Mediana 54102.50
Desviacion_estandar 58406.41
Minimo 30.00
Q1 30081.75
Q3 100972.25
Maximo 305907.00

¿Qué estamos calculando?

Medida Qué nos permite conocer
Media Población promedio por UPZ.
Mediana Valor que divide las UPZ en dos grupos iguales.
Desviación estándar Qué tan dispersa está la población respecto a la media.
Mínimo y máximo Los extremos de población.
Q1 El 25 % de las UPZ tiene una población igual o inferior a este valor.
Q3 El 75 % de las UPZ tiene una población igual o inferior a este valor.

Una comparación especialmente importante será la media frente a la mediana. Para cuantificar esta diferencia se incorpora la relación media/mediana y la diferencia porcentual entre ambas medidas. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere que algunas UPZ con poblaciones elevadas están influyendo en el promedio. Esta situación debe contrastarse con la distribución gráfica y la identificación de los territorios extremos.

b. Distribución gráfica de la población

Ahora vamos a visualizar cómo se distribuye la población entre las 112 UPZ

# Calcular medidas centrales

media_poblacion <- mean(upz$poblacion, na.rm = TRUE)
mediana_poblacion <- median(upz$poblacion, na.rm = TRUE)

# Definir el ancho de los intervalos del histograma

ancho_bin <- diff(range(upz$poblacion, na.rm = TRUE)) / 20

# Construir el gráfico

ggplot(upz, aes(x = poblacion)) +

  # Histograma: número de UPZ por intervalo

  geom_histogram(
    binwidth = ancho_bin,
    fill = magenta,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +

  # Curva de densidad ajustada a la escala del histograma

  geom_density(
    aes(y = after_stat(count * ancho_bin)),
    color = morado,
    linewidth = 1.1,
    adjust = 1.2,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_poblacion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_poblacion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución de la población por UPZ",
    subtitle = "Histograma, curva de densidad y medidas de tendencia central",
    x = "Cantidad de habitantes",
    y = "Número de UPZ",
    caption = paste0(
      "Media: ", scales::comma(round(media_poblacion)),
      " habitantes | Mediana: ",
      scales::comma(round(mediana_poblacion)),
      " habitantes. Fuente: Base de datos del taller."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

¿Qué buscamos identificar?

El histograma nos permite observar dónde se concentra la mayor cantidad de UPZ según su población.

También nos ayuda a identificar si la distribución es simétrica o si presenta una concentración de territorios con poblaciones pequeñas y unos pocos territorios con poblaciones considerablemente mayores.

No debemos asumir que la población se distribuye de manera uniforme entre las UPZ.

c. Identificación de las UPZ con mayor y menor población

Y como el histograma nos muestra el comportamiento general, pero ahora necesitamos identificar los territorios que se encuentran en los extremos.

Vamos a construir dos rankings: las 10 UPZ más pobladas y las 10 menos pobladas.

# 10 UPZ con mayor población

upz_mayor_poblacion <- upz %>%
  arrange(desc(poblacion)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion
  ) %>%
  slice_head(n = 10)

# 10 UPZ con menor población

upz_menor_poblacion <- upz %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    localidad,
    poblacion
  ) %>%
  slice_head(n = 10)

# Presentar las UPZ más pobladas

knitr::kable(
  upz_mayor_poblacion,
  col.names = c("UPZ", "Localidad", "Habitantes"),
  caption = "Las 10 UPZ con mayor población",
  digits = 0
)
Las 10 UPZ con mayor población
UPZ Localidad Habitantes
Tibabuyes Suba 305907
El Rincon Suba 295322
Bosa Central Bosa 237111
Bosa Occidental Bosa 199365
Suba Suba 186728
Garces Navas Engativá 168657
Ismael Perdomo Ciudad Bolívar 166602
Lucero Ciudad Bolívar 163588
El Porvenir Bosa 143758
Engativa Engativá 142612
# Presentar las UPZ menos pobladas

knitr::kable(
  upz_menor_poblacion,
  col.names = c("UPZ", "Localidad", "Habitantes"),
  caption = "Las 10 UPZ con menor población",
  digits = 0
)
Las 10 UPZ con menor población
UPZ Localidad Habitantes
El Mochuelo Ciudad Bolívar 30
Aeropuerto El Dorado Fontibón 883
Parque Entrenubes Usme 1169
Parque Salitre Barrios Unidos 1442
Paseo De Los Libertadores Usaquén 2690
Guaymaral Suba 2692
Jardin Botanico Engativá 2900
Parque Simon Bolivar - Can Teusaquillo 3323
La Academia Suba 5260
Monte Blanco Ciudad Bolívar 6575

Ahora vamos a representar visualmente estos resultados.

# Identificar los 10 territorios de cada extremo

upz_extremos <- bind_rows(
  upz_menor_poblacion %>%
    mutate(Extremo = "10 menos pobladas"),

  upz_mayor_poblacion %>%
    mutate(Extremo = "10 más pobladas")
)

# Preparar todas las UPZ ordenadas por población

datos_grafico_poblacion <- upz %>%
  arrange(poblacion) %>%
  mutate(
    posicion = row_number(),
    Extremo = case_when(
      upz_nombre %in% upz_menor_poblacion$upz_nombre ~ "10 menos pobladas",
      upz_nombre %in% upz_mayor_poblacion$upz_nombre ~ "10 más pobladas",
      TRUE ~ "Resto de UPZ"
    ),
    Etiqueta = if_else(
      Extremo != "Resto de UPZ",
      paste0(upz_nombre, "\n", scales::comma(poblacion, big.mark = ".")),
      NA_character_
    )
  )

# Gráfico de puntos de las 112 UPZ

ggplot(
  datos_grafico_poblacion,
  aes(
    x = posicion,
    y = poblacion,
    color = Extremo
  )
) +

  geom_line(
    color = "grey75",
    linewidth = 0.5
  ) +

  geom_point(
    size = 2.5,
    alpha = 0.85
  ) +

  geom_text(
    aes(label = Etiqueta),
    nudge_y = max(datos_grafico_poblacion$poblacion, na.rm = TRUE) * 0.035,
    size = 2.7,
    fontface = "bold",
    show.legend = FALSE,
    na.rm = TRUE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "10 menos pobladas" = "#0072B2",
      "Resto de UPZ" = "grey65",
      "10 más pobladas" = "#D55E00"
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    ),
    expand = expansion(mult = c(0.05, 0.20))
  ) +

  labs(
    title = "Distribución de la población en las 112 UPZ",
    subtitle = "Se destacan las 10 UPZ menos pobladas y las 10 más pobladas",
    x = "UPZ ordenadas de menor a mayor población",
    y = "Cantidad de habitantes",
    color = "Clasificación",
    caption = "Fuente: Base de datos del taller."
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    panel.grid.minor = element_blank()
  )

Consideración metodológica para el análisis posterior de las tasas

La identificación de las UPZ con menor población es especialmente relevante para el análisis de seguridad. Cuando un territorio tiene pocos habitantes, un número reducido de denuncias puede generar incrementos considerables en la tasa de delitos por cada 10.000 habitantes. Por esta razón, las diferencias observadas entre las UPZ no deben interpretarse únicamente a partir de sus tasas, sin considerar previamente el tamaño de su población.

En consecuencia, las UPZ identificadas en los extremos de la distribución serán objeto de una revisión específica en las etapas posteriores. Esto no implica excluirlas automáticamente del análisis, sino evaluar la estabilidad de sus indicadores y determinar en qué medida pueden influir en las comparaciones, los rankings y las relaciones estadísticas.

5.1.2. Análisis de la densidad poblacional

La cantidad de habitantes no es el único elemento que permite caracterizar un territorio. También es importante considerar su extensión geográfica para comprender qué tan concentrada se encuentra la población.

Para ello se utiliza la densidad poblacional, medida en habitantes por kilómetro cuadrado (hab/km²). Este indicador relaciona la población de cada UPZ con el área que ocupa.

Su análisis permite diferenciar territorios con grandes poblaciones y extensiones amplias de aquellos que presentan una mayor concentración de habitantes en superficies más reducidas.

a. Estadísticas descriptivas de densidad

# Estadísticas descriptivas de densidad poblacional

estadisticas_densidad <- upz %>%
  summarise(
    Media = mean(densidad_hab_km2),
    Mediana = median(densidad_hab_km2),
    Desviacion_estandar = sd(densidad_hab_km2),
    Minimo = min(densidad_hab_km2),
    Q1 = quantile(densidad_hab_km2, 0.25),
    Q3 = quantile(densidad_hab_km2, 0.75),
    Maximo = max(densidad_hab_km2)
  )

knitr::kable(
  estadisticas_densidad,
  digits = 2,
  caption = "Estadísticas descriptivas de la densidad poblacional"
)
Estadísticas descriptivas de la densidad poblacional
Media Mediana Desviacion_estandar Minimo Q1 Q3 Maximo
19119.36 20180.22 10801.85 9.44 11160.41 25826.54 46156.87

b. UPZ con mayor y menor densidad

# Identificar las UPZ con mayor densidad poblacional

ranking_densidad <- upz %>%
  arrange(desc(densidad_hab_km2)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    area_km2,
    densidad_hab_km2
  )

# Presentar las 10 UPZ con mayor densidad

knitr::kable(
  ranking_densidad %>% slice_head(n = 10),
  col.names = c(
    "UPZ",
    "Localidad",
    "Habitantes",
    "Área (km²)",
    "Densidad (hab/km²)"
  ),
  digits = 2,
  caption = "Las 10 UPZ con mayor densidad poblacional"
)
Las 10 UPZ con mayor densidad poblacional
UPZ Localidad Habitantes Área (km²) Densidad (hab/km²)
Bosa Occidental Bosa 199365 4.32 46156.87
Patio Bonito Kennedy 137776 3.18 43262.66
Calandaima Kennedy 134340 3.20 41970.43
Tibabuyes Suba 305907 7.29 41963.01
El Rincon Suba 295322 7.13 41440.43
San Francisco Ciudad Bolívar 72057 1.79 40199.86
Verbenal Usaquén 131999 3.57 36967.66
Diana Turbay Rafael Uribe Uribe 76093 2.12 35859.94
Gran Britalia Kennedy 62139 1.81 34416.53
Marruecos Rafael Uribe Uribe 123085 3.64 33796.36
# Presentar las 10 UPZ con menor densidad

knitr::kable(
  ranking_densidad %>% arrange(densidad_hab_km2) %>% slice_head(n = 10),
  col.names = c(
    "UPZ",
    "Localidad",
    "Habitantes",
    "Área (km²)",
    "Densidad (hab/km²)"
  ),
  digits = 2,
  caption = "Las 10 UPZ con menor densidad poblacional"
)
Las 10 UPZ con menor densidad poblacional
UPZ Localidad Habitantes Área (km²) Densidad (hab/km²)
El Mochuelo Ciudad Bolívar 30 3.18 9.44
Aeropuerto El Dorado Fontibón 883 7.46 118.40
Parque Entrenubes Usme 1169 4.21 277.97
Paseo De Los Libertadores Usaquén 2690 6.33 424.81
Guaymaral Suba 2692 4.55 591.30
La Academia Suba 5260 6.74 779.85
Parque Simon Bolivar - Can Teusaquillo 3323 4.00 830.50
Parque Salitre Barrios Unidos 1442 1.66 869.50
Monte Blanco Ciudad Bolívar 6575 6.98 941.73
Jardin Botanico Engativá 2900 1.62 1786.96

c. Comparación gráfica de densidad

# Identificar las 10 UPZ de menor y mayor densidad

upz_menor_densidad <- ranking_densidad %>%
  arrange(densidad_hab_km2) %>%
  slice_head(n = 10)

upz_mayor_densidad <- ranking_densidad %>%
  arrange(desc(densidad_hab_km2)) %>%
  slice_head(n = 10)

# Ordenar todas las UPZ de menor a mayor densidad

datos_grafico_densidad <- ranking_densidad %>%
  arrange(densidad_hab_km2) %>%
  mutate(
    posicion = row_number(),
    Extremo = case_when(
      upz_nombre %in% upz_menor_densidad$upz_nombre ~ "10 menos densas",
      upz_nombre %in% upz_mayor_densidad$upz_nombre ~ "10 más densas",
      TRUE ~ "Resto de UPZ"
    ),
    Etiqueta = if_else(
      Extremo != "Resto de UPZ",
      paste0(
        upz_nombre,
        "\n",
        scales::comma(
          round(densidad_hab_km2),
          big.mark = "."
        )
      ),
      NA_character_
    )
  )

# Gráfico de puntos de todas las UPZ

ggplot(
  datos_grafico_densidad,
  aes(
    x = posicion,
    y = densidad_hab_km2,
    color = Extremo
  )
) +

  geom_line(
    color = "grey75",
    linewidth = 0.5
  ) +

  geom_point(
    size = 2.5,
    alpha = 0.85
  ) +

  geom_text(
    aes(label = Etiqueta),
    nudge_y = max(datos_grafico_densidad$densidad_hab_km2, na.rm = TRUE) * 0.035,
    size = 2.7,
    fontface = "bold",
    show.legend = FALSE,
    na.rm = TRUE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "10 menos densas" = "#0072B2",
      "Resto de UPZ" = "grey65",
      "10 más densas" = "#D55E00"
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    ),
    expand = expansion(mult = c(0.05, 0.20))
  ) +

  labs(
    title = "Distribución de la densidad poblacional en las UPZ",
    subtitle = "Se destacan las 10 UPZ con menor y mayor densidad",
    x = "UPZ ordenadas de menor a mayor densidad",
    y = "Habitantes por km²",
    color = "Clasificación",
    caption = "Fuente: Base de datos del taller."
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    panel.grid.minor = element_blank()
  )

5.1.3. Relación entre población y extensión territorial

Para complementar el análisis anterior, se examina la relación entre la población y el área geográfica de cada UPZ.

Esta comparación permite observar si los territorios con mayor extensión también concentran una mayor cantidad de habitantes o si existen diferencias importantes en la ocupación del espacio.

La visualización se realiza mediante un diagrama de dispersión, en el que cada punto representa una UPZ.

# Relación entre población y área territorial

ggplot(
  upz,
  aes(
    x = area_km2,
    y = poblacion
  )
) +

  geom_point(
    color = magenta,
    size = 2.8,
    alpha = 0.75
  ) +

  geom_smooth(
    method = "lm",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +

  labs(
    title = "Relación entre población y área de las UPZ",
    subtitle = "Cada punto representa una unidad territorial",
    x = "Área de la UPZ (km²)",
    y = "Cantidad de habitantes",
    caption = "Fuente: Base de datos del taller."
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase

¿Qué debemos observar?

  • Si existe una tendencia positiva entre el área y la población.

  • Si las UPZ de mayor extensión concentran necesariamente más habitantes.

  • Si existen territorios que se apartan del comportamiento general.

La línea representa una tendencia lineal de referencia. No significa que el área territorial explique por sí sola la cantidad de habitantes.

5.1.4. Identificación de valores extremos en la población

Durante el análisis de la población es importante identificar territorios que presenten valores considerablemente diferentes al comportamiento general de las UPZ.

Para ello se utiliza el rango intercuartílico (IQR), que corresponde a la diferencia entre el tercer y el primer cuartil de la distribución.

Mediante este procedimiento se identifican posibles valores atípicos, entendidos como observaciones que se encuentran por fuera de los límites estadísticos establecidos.

La identificación de estos valores no significa que deban eliminarse de la información. Por el contrario, permite reconocer territorios con características particulares que deben considerarse en las comparaciones posteriores.

# Calcular los límites para identificar posibles valores atípicos

q1_poblacion <- quantile(upz$poblacion, 0.25)

q3_poblacion <- quantile(upz$poblacion, 0.75)

iqr_poblacion <- IQR(upz$poblacion)

limite_inferior <- q1_poblacion - 1.5 * iqr_poblacion

limite_superior <- q3_poblacion + 1.5 * iqr_poblacion

# Identificar las UPZ que se encuentran fuera de los límites

valores_extremos <- upz %>%
  filter(
    poblacion < limite_inferior |
    poblacion > limite_superior
  ) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    area_km2,
    densidad_hab_km2
  ) %>%
  arrange(desc(poblacion))

# Presentar resultados

knitr::kable(
  valores_extremos,
  col.names = c(
    "UPZ",
    "Localidad",
    "Habitantes",
    "Área (km²)",
    "Densidad (hab/km²)"
  ),
  digits = 2,
  caption = "UPZ identificadas como posibles valores atípicos en población"
)
UPZ identificadas como posibles valores atípicos en población
UPZ Localidad Habitantes Área (km²) Densidad (hab/km²)
Tibabuyes Suba 305907 7.29 41963.01
El Rincon Suba 295322 7.13 41440.43
Bosa Central Bosa 237111 7.17 33059.28
# Mostrar los límites estadísticos

cat("Límite inferior:", round(limite_inferior, 2), "/n")
## Límite inferior: -76254 /n
cat("Límite superior:", round(limite_superior, 2), "/n")
## Límite superior: 207308 /n
cat("Cantidad de posibles valores atípicos:", nrow(valores_extremos))
## Cantidad de posibles valores atípicos: 3
# 1. Preparar los datos completos para el modelo

datos_modelo_area <- upz %>%
  filter(
    !is.na(area_km2),
    !is.na(poblacion)
  )

# 2. Ajustar el modelo de regresión lineal

modelo_poblacion_area <- lm(
  poblacion ~ area_km2,
  data = datos_modelo_area
)

# 3. Calcular los residuos estandarizados

datos_diagnostico <- datos_modelo_area %>%
  mutate(
    residuo_estandarizado = rstandard(modelo_poblacion_area),
    posible_atipico = abs(residuo_estandarizado) > 2
  )

# 4. Identificar las UPZ que requieren revisión

upz_residuos_extremos <- datos_diagnostico %>%
  filter(posible_atipico) %>%
  select(
    upz_nombre,
    localidad,
    area_km2,
    poblacion,
    residuo_estandarizado
  ) %>%
  arrange(desc(abs(residuo_estandarizado)))

# 5. Presentar las UPZ identificadas

knitr::kable(
  upz_residuos_extremos,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Área (km²)",
    "Población",
    "Residuo estandarizado"
  ),
  caption = "UPZ que se apartan de la tendencia entre población y área"
)
UPZ que se apartan de la tendencia entre población y área
UPZ Localidad Área (km²) Población Residuo estandarizado
Tibabuyes Suba 7.29 305907 3.50
El Rincon Suba 7.13 295322 3.34
Ciudad Usme Usme 9.29 28258 -2.94
Aeropuerto El Dorado Fontibón 7.46 883 -2.76
Monte Blanco Ciudad Bolívar 6.98 6575 -2.46
La Academia Suba 6.74 5260 -2.40
Bosa Occidental Bosa 4.32 199365 2.35
Paseo De Los Libertadores Usaquén 6.33 2690 -2.30
Bosa Central Bosa 7.17 237111 2.15
# 6. Construir el gráfico de diagnóstico

ggplot(
  datos_diagnostico,
  aes(
    x = area_km2,
    y = poblacion
  )
) +

  geom_point(
    aes(
      color = posible_atipico
    ),
    size = 2.8,
    alpha = 0.8
  ) +

  geom_smooth(
    method = "lm",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_diagnostico %>%
      filter(posible_atipico),
    aes(
      label = upz_nombre
    ),
    color = magenta,
    size = 3,
    fontface = "bold",
    nudge_y = max(datos_diagnostico$poblacion, na.rm = TRUE) * 0.025,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "FALSE" = "grey65",
      "TRUE" = magenta
    ),
    labels = c(
      "FALSE" = "Dentro del rango exploratorio",
      "TRUE" = "Posible valor atípico"
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  labs(
    title = "UPZ que se apartan de la relación entre población y área",
    subtitle = "Identificación mediante residuos estandarizados de la regresión",
    x = "Área de la UPZ (km²)",
    y = "Cantidad de habitantes",
    color = "Clasificación",
    caption = "Se señalan observaciones con residuos estandarizados absolutos superiores a 2. Fuente: Base de datos del taller."
  ) +

  tema_clase +

  theme(
    legend.position = "bottom"
  )

5.1.5. Interpretación del análisis demográfico

El análisis demográfico permite reconocer diferencias importantes entre las 112 UPZ de Bogotá en términos de población, extensión territorial y densidad poblacional. Estas características muestran que los territorios no presentan una distribución homogénea de habitantes y que existen unidades con condiciones demográficas particulares.

La aplicación del rango intercuartílico (IQR) permite identificar posibles valores atípicos en la distribución de la población, mientras que el análisis de la relación entre población y área permite reconocer territorios que se apartan del comportamiento general esperado. Estas observaciones constituyen señales para profundizar en la revisión de las características de cada UPZ, sin asumir que representan errores en los datos.

Adicionalmente, se identifica una consideración metodológica fundamental para el análisis posterior: las UPZ con poblaciones muy pequeñas pueden generar tasas considerablemente elevadas ante un número reducido de registros de delitos. Esto ocurre porque el denominador utilizado para calcular las tasas es reducido, de manera que cada caso representa un incremento proporcionalmente mayor en el indicador.

Por esta razón, una población pequeña no debe interpretarse necesariamente como un valor atípico estadístico, pero sí como una condición que puede comprometer la estabilidad de las tasas y afectar las comparaciones territoriales. En consecuencia, antes de interpretar los rankings, las distribuciones y las relaciones estadísticas de los indicadores de seguridad, será necesario evaluar el tamaño poblacional de las UPZ y la sensibilidad de los resultados frente a estos territorios.

Los resultados de este análisis demográfico establecen así una base para interpretar las diferencias territoriales con mayor rigor, evitando atribuir a los indicadores de seguridad comportamientos que pueden estar influenciados por el tamaño de la población.

5.2. Análisis de vivienda e infraestructura

En este apartado se analizan las condiciones de vivienda y la infraestructura de alumbrado público de las UPZ de Bogotá. Estas variables permiten ampliar la caracterización territorial, incorporando aspectos relacionados con la ocupación residencial y las condiciones físicas del entorno urbano.

Se consideran variables como la cantidad de viviendas, el porcentaje de viviendas desocupadas, el número de personas por vivienda y la disponibilidad de luminarias por unidad de superficie.

El análisis busca identificar diferencias entre territorios y explorar posibles patrones que posteriormente puedan contrastarse con los indicadores de seguridad.

5.2.1. Caracterización de las viviendas

Inicialmente se realiza una descripción estadística de las variables relacionadas con la vivienda. Se consideran la cantidad total de viviendas, las viviendas ocupadas, el porcentaje de viviendas desocupadas y el promedio de personas por vivienda.

El propósito es reconocer cómo se distribuyen estas características entre las UPZ e identificar posibles diferencias territoriales.

estadisticas_vivienda <- upz %>%
  summarise(
    Total_UPZ = n(),

    Media_viviendas = mean(viviendas_totales),
    Mediana_viviendas = median(viviendas_totales),
    Desv_viviendas = sd(viviendas_totales),
    Q1_viviendas = quantile(viviendas_totales, 0.25),
    Q3_viviendas = quantile(viviendas_totales, 0.75),

    Media_ocupadas = mean(viviendas_ocupadas),
    Mediana_ocupadas = median(viviendas_ocupadas),

    Media_desocupacion = mean(pct_viviendas_desocupadas),
    Mediana_desocupacion = median(pct_viviendas_desocupadas),

    Media_personas = mean(personas_por_vivienda),
    Mediana_personas = median(personas_por_vivienda)
  )

knitr::kable(
  estadisticas_vivienda,
  digits = 2,
  caption = "Estadísticas descriptivas de las variables de vivienda"
)
Estadísticas descriptivas de las variables de vivienda
Total_UPZ Media_viviendas Mediana_viviendas Desv_viviendas Q1_viviendas Q3_viviendas Media_ocupadas Mediana_ocupadas Media_desocupacion Mediana_desocupacion Media_personas Mediana_personas
112 26456.44 21155 20192.39 12908.75 35986 25127.23 19897 6.06 4.38 2.81 2.82

5.2.2. Distribución de viviendas desocupadas

El porcentaje de viviendas desocupadas permite observar qué proporción de las viviendas de cada UPZ no se encuentra ocupada.

Se utiliza un histograma para examinar la distribución de esta variable, identificar su concentración y reconocer si existen territorios con porcentajes considerablemente diferentes al comportamiento general.

# Calcular medidas de tendencia central

media_desocupacion <- mean(
  upz$pct_viviendas_desocupadas,
  na.rm = TRUE
)

mediana_desocupacion <- median(
  upz$pct_viviendas_desocupadas,
  na.rm = TRUE
)

# Histograma con media y mediana

ggplot(
  upz,
  aes(x = pct_viviendas_desocupadas)
) +

  geom_histogram(
    bins = 20,
    fill = magenta,
    color = "white",
    alpha = 0.85,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_desocupacion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_desocupacion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución de viviendas desocupadas por UPZ",
    subtitle = "Porcentaje de viviendas desocupadas y medidas de tendencia central",
    x = "Porcentaje de viviendas desocupadas",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ", round(media_desocupacion, 2), "%",
      " | Mediana: ", round(mediana_desocupacion, 2), "%",
      " | Fuente: información consolidada en la base UPZ."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

¿Qué debemos observar?

La distribución permite identificar cómo se comporta el porcentaje de viviendas desocupadas entre las UPZ. La comparación entre la media y la mediana permite evaluar la posible influencia de los territorios con porcentajes elevados sobre el promedio general.

Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que indica que algunas UPZ podrían estar elevando el promedio. Esta diferencia debe contrastarse con la distribución gráfica y con la identificación de los territorios que presentan los mayores porcentajes.

La mediana constituye una medida complementaria especialmente útil, ya que representa el valor central de la distribución y es menos sensible a los valores extremos.

# 1. Calcular los cuartiles y el rango intercuartílico

q1_desocupacion <- quantile(
  upz$pct_viviendas_desocupadas,
  0.25,
  na.rm = TRUE
)

q3_desocupacion <- quantile(
  upz$pct_viviendas_desocupadas,
  0.75,
  na.rm = TRUE
)

iqr_desocupacion <- IQR(
  upz$pct_viviendas_desocupadas,
  na.rm = TRUE
)

# 2. Establecer los límites estadísticos

limite_inferior_desocupacion <- q1_desocupacion - 1.5 * iqr_desocupacion

limite_superior_desocupacion <- q3_desocupacion + 1.5 * iqr_desocupacion

# 3. Clasificar las UPZ según los límites IQR

datos_desocupacion <- upz %>%
  mutate(
    Clasificacion = case_when(
      pct_viviendas_desocupadas < limite_inferior_desocupacion ~
        "Posible atípico inferior",

      pct_viviendas_desocupadas > limite_superior_desocupacion ~
        "Posible atípico superior",

      TRUE ~ "Dentro del rango"
    )
  )

# 4. Mostrar los límites calculados

limites_desocupacion <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_desocupacion,
    q3_desocupacion,
    iqr_desocupacion,
    limite_inferior_desocupacion,
    limite_superior_desocupacion
  )
)

knitr::kable(
  limites_desocupacion,
  digits = 2,
  caption = "Criterios estadísticos para identificar posibles valores atípicos"
)
Criterios estadísticos para identificar posibles valores atípicos
Indicador Valor
Primer cuartil (Q1) 1.62
Tercer cuartil (Q3) 7.71
Rango intercuartílico (IQR) 6.09
Límite inferior -7.52
Límite superior 16.85
# 5. Construir los rankings de mayor y menor desocupación

mayor_desocupacion <- datos_desocupacion %>%
  arrange(desc(pct_viviendas_desocupadas)) %>%
  select(
    upz_nombre,
    localidad,
    viviendas_totales,
    viviendas_ocupadas,
    pct_viviendas_desocupadas,
    Clasificacion
  ) %>%
  slice_head(n = 10)

menor_desocupacion <- datos_desocupacion %>%
  arrange(pct_viviendas_desocupadas) %>%
  select(
    upz_nombre,
    localidad,
    viviendas_totales,
    viviendas_ocupadas,
    pct_viviendas_desocupadas,
    Clasificacion
  ) %>%
  slice_head(n = 10)

# 6. Presentar las UPZ con mayor desocupación

knitr::kable(
  mayor_desocupacion,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Viviendas totales",
    "Viviendas ocupadas",
    "% desocupación",
    "Clasificación IQR"
  ),
  caption = "Diez UPZ con mayor porcentaje de viviendas desocupadas"
)
Diez UPZ con mayor porcentaje de viviendas desocupadas
UPZ Localidad Viviendas totales Viviendas ocupadas % desocupación Clasificación IQR
Tintal Norte Kennedy 16184 9082 43.88 Posible atípico superior
Las Nieves Santa Fe 12994 9276 28.61 Posible atípico superior
La Macarena Santa Fe 7361 5795 21.27 Posible atípico superior
Parque Entrenubes Usme 449 355 20.94 Posible atípico superior
Parque Salitre Barrios Unidos 754 620 17.77 Posible atípico superior
El Refugio Chapinero 22261 18434 17.19 Posible atípico superior
Chico Lago Chapinero 23343 19458 16.64 Dentro del rango
La Alhambra Suba 23749 20038 15.63 Dentro del rango
Chapinero Chapinero 18209 15624 14.20 Dentro del rango
Los Alcazares Barrios Unidos 21714 18946 12.75 Dentro del rango
# 7. Presentar las UPZ con menor desocupación

knitr::kable(
  menor_desocupacion,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Viviendas totales",
    "Viviendas ocupadas",
    "% desocupación",
    "Clasificación IQR"
  ),
  caption = "Diez UPZ con menor porcentaje de viviendas desocupadas"
)
Diez UPZ con menor porcentaje de viviendas desocupadas
UPZ Localidad Viviendas totales Viviendas ocupadas % desocupación Clasificación IQR
El Mochuelo Ciudad Bolívar 7 7 0.00 Dentro del rango
San Francisco Ciudad Bolívar 25727 25689 0.15 Dentro del rango
Patio Bonito Kennedy 46233 46145 0.19 Dentro del rango
Tunjuelito Tunjuelito 12653 12614 0.31 Dentro del rango
Bosa Central Bosa 74624 74387 0.32 Dentro del rango
Lucero Ciudad Bolívar 59218 59024 0.33 Dentro del rango
Minuto De Dios Engativá 38880 38721 0.41 Dentro del rango
Apogeo Bosa 11249 11202 0.42 Dentro del rango
Timiza Kennedy 45336 45076 0.57 Dentro del rango
Kennedy Central Kennedy 33444 33250 0.58 Dentro del rango
# 8. Contabilizar los posibles valores atípicos

resumen_atipicos_desocupacion <- datos_desocupacion %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_desocupacion,
  caption = "Clasificación de las UPZ según el criterio IQR"
)
Clasificación de las UPZ según el criterio IQR
Clasificacion Cantidad_UPZ
Dentro del rango 106
Posible atípico superior 6
# Ordenar las UPZ según su porcentaje de desocupación

datos_grafico_desocupacion <- datos_desocupacion %>%
  arrange(pct_viviendas_desocupadas) %>%
  mutate(
    posicion = row_number()
  )

# Gráfico de puntos de todas las UPZ

ggplot(
  datos_grafico_desocupacion,
  aes(
    x = posicion,
    y = pct_viviendas_desocupadas,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  geom_hline(
    yintercept = limite_superior_desocupacion,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_desocupacion,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_grafico_desocupacion %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_desocupacion$pct_viviendas_desocupadas,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  labs(
    title = "Valores atípicos en viviendas desocupadas por UPZ",
    subtitle = "Identificación mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor porcentaje",
    y = "Porcentaje de viviendas desocupadas",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: ",
      round(limite_inferior_desocupacion, 2),
      "% | Límite superior: ",
      round(limite_superior_desocupacion, 2),
      "%. Fuente: Base de datos del taller."
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

5.2.3. Análisis del alumbrado público

El alumbrado público constituye una característica relevante de la infraestructura urbana y permite describir las condiciones físicas de los territorios.

Para este análisis se consideran tres variables: cantidad de luminarias, densidad de luminarias por kilómetro cuadrado y porcentaje de luminarias con tecnología LED.

Se diferencia entre la cantidad total de luminarias y su densidad territorial, debido a que las UPZ presentan extensiones geográficas distintas. La densidad permite realizar una comparación que considera el tamaño del territorio.

estadisticas_alumbrado <- upz %>%
  summarise(
    Media_luminarias = mean(luminarias),
    Mediana_luminarias = median(luminarias),
    Desv_luminarias = sd(luminarias),
    Q1_luminarias = quantile(luminarias, 0.25),
    Q3_luminarias = quantile(luminarias, 0.75),

    Media_luminarias_km2 = mean(luminarias_km2),
    Mediana_luminarias_km2 = median(luminarias_km2),

    Media_led = mean(pct_luminarias_led),
    Mediana_led = median(pct_luminarias_led)
  )

knitr::kable(
  estadisticas_alumbrado,
  digits = 2,
  caption = "Estadísticas descriptivas del alumbrado público"
)
Estadísticas descriptivas del alumbrado público
Media_luminarias Mediana_luminarias Desv_luminarias Q1_luminarias Q3_luminarias Media_luminarias_km2 Mediana_luminarias_km2 Media_led Mediana_led
3138.54 2741.5 1875.89 1739 4530.75 908.47 1000 42.64 49.31

5.2.4. Distribución de la densidad de luminarias

Se analiza la distribución de luminarias por kilómetro cuadrado mediante un histograma. Esta representación permite observar cómo se concentra la infraestructura de alumbrado entre las UPZ y reconocer posibles diferencias territoriales.

Esta variable resulta especialmente útil porque permite comparar la disponibilidad de luminarias teniendo en cuenta la extensión geográfica de cada UPZ.

# Calcular medidas de tendencia central

media_luminarias_km2 <- mean(
  upz$luminarias_km2,
  na.rm = TRUE
)

mediana_luminarias_km2 <- median(
  upz$luminarias_km2,
  na.rm = TRUE
)

# Construir el histograma con media y mediana

ggplot(
  upz,
  aes(x = luminarias_km2)
) +

  geom_histogram(
    bins = 20,
    fill = turquesa,
    color = "white",
    alpha = 0.9,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_luminarias_km2,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_luminarias_km2,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución de la densidad de luminarias",
    subtitle = "Luminarias por km² y medidas de tendencia central",
    x = "Luminarias por km²",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ",
      round(media_luminarias_km2, 2),
      " luminarias/km² | Mediana: ",
      round(mediana_luminarias_km2, 2),
      " luminarias/km². Fuente: información de alumbrado público, última actualización 2021."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

¿Qué debemos observar?

El histograma permite identificar cómo se distribuye la densidad de luminarias entre las UPZ y dónde se concentra la mayor cantidad de territorios.

La comparación entre la media y la mediana permite evaluar si los valores elevados de densidad están influyendo en el promedio general. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere que algunas UPZ presentan concentraciones de luminarias superiores al comportamiento central.

Esta diferencia debe contrastarse con los rankings territoriales y la identificación estadística de posibles valores atípicos mediante el rango intercuartílico (IQR).


Para identificar las diferencias territoriales, se construyen dos rankings que permiten reconocer las diez UPZ con mayor y menor densidad de luminarias. Se incluyen también el área y la cantidad total de luminarias para facilitar la comparación.

# 1. Calcular cuartiles y rango intercuartílico

q1_luminarias <- quantile(
  upz$luminarias_km2, 0.25, na.rm = TRUE
)

q3_luminarias <- quantile(
  upz$luminarias_km2, 0.75, na.rm = TRUE
)

iqr_luminarias <- IQR(
  upz$luminarias_km2, na.rm = TRUE
)

# 2. Establecer límites estadísticos

limite_inferior_luminarias <- q1_luminarias - 1.5 * iqr_luminarias

limite_superior_luminarias <- q3_luminarias + 1.5 * iqr_luminarias

# 3. Clasificar las UPZ

datos_luminarias <- upz %>%
  mutate(
    Clasificacion = case_when(
      luminarias_km2 < limite_inferior_luminarias ~
        "Posible atípico inferior",
      luminarias_km2 > limite_superior_luminarias ~
        "Posible atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# 4. Mostrar los límites estadísticos

limites_luminarias <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_luminarias,
    q3_luminarias,
    iqr_luminarias,
    limite_inferior_luminarias,
    limite_superior_luminarias
  )
)

knitr::kable(
  limites_luminarias,
  digits = 2,
  caption = "Criterios estadísticos para identificar posibles valores atípicos en la densidad de luminarias"
)
Criterios estadísticos para identificar posibles valores atípicos en la densidad de luminarias
Indicador Valor
Primer cuartil (Q1) 644.34
Tercer cuartil (Q3) 1182.59
Rango intercuartílico (IQR) 538.25
Límite inferior -163.04
Límite superior 1989.96
# 5. Construir los rankings

mayor_alumbrado <- datos_luminarias %>%
  arrange(desc(luminarias_km2)) %>%
  select(
    upz_nombre,
    localidad,
    area_km2,
    luminarias,
    luminarias_km2,
    pct_luminarias_led,
    Clasificacion
  ) %>%
  slice_head(n = 10)

menor_alumbrado <- datos_luminarias %>%
  arrange(luminarias_km2) %>%
  select(
    upz_nombre,
    localidad,
    area_km2,
    luminarias,
    luminarias_km2,
    pct_luminarias_led,
    Clasificacion
  ) %>%
  slice_head(n = 10)

# 6. Presentar las UPZ con mayor densidad

knitr::kable(
  mayor_alumbrado,
  digits = 2,
  caption = "Diez UPZ con mayor densidad de luminarias"
)
Diez UPZ con mayor densidad de luminarias
upz_nombre localidad area_km2 luminarias luminarias_km2 pct_luminarias_led Clasificacion
Minuto De Dios Engativá 3.75 6561 1751.44 60.75 Dentro del rango
Las Nieves Santa Fe 1.73 2863 1653.05 36.22 Dentro del rango
Patio Bonito Kennedy 3.18 5157 1619.34 87.61 Dentro del rango
Muzu Puente Aranda 2.54 4054 1597.74 75.85 Dentro del rango
Diana Turbay Rafael Uribe Uribe 2.12 3269 1540.56 89.81 Dentro del rango
Timiza Kennedy 4.32 6309 1460.46 81.80 Dentro del rango
La Candelaria Candelaria 2.07 2985 1443.66 15.61 Dentro del rango
Bosa Occidental Bosa 4.32 6110 1414.58 88.09 Dentro del rango
Chico Lago Chapinero 4.24 5987 1412.14 38.85 Dentro del rango
San Francisco Ciudad Bolívar 1.79 2516 1403.65 4.53 Dentro del rango
# 7. Presentar las UPZ con menor densidad

knitr::kable(
  menor_alumbrado,
  digits = 2,
  caption = "Diez UPZ con menor densidad de luminarias"
)
Diez UPZ con menor densidad de luminarias
upz_nombre localidad area_km2 luminarias luminarias_km2 pct_luminarias_led Clasificacion
Parque Entrenubes Usme 4.21 77 18.31 67.53 Dentro del rango
Guaymaral Suba 4.55 184 40.42 0.00 Dentro del rango
El Mochuelo Ciudad Bolívar 3.18 131 41.21 0.00 Dentro del rango
Monte Blanco Ciudad Bolívar 6.98 388 55.57 11.86 Dentro del rango
Aeropuerto El Dorado Fontibón 7.46 515 69.06 22.52 Dentro del rango
La Academia Suba 6.74 534 79.17 0.37 Dentro del rango
Paseo De Los Libertadores Usaquén 6.33 524 82.75 28.44 Dentro del rango
Ciudad Usme Usme 9.29 1080 116.28 74.44 Dentro del rango
Tintal Norte Kennedy 3.45 461 133.77 51.84 Dentro del rango
Zona Franca Fontibón 4.93 1189 241.00 45.16 Dentro del rango
# 8. Resumir la clasificación estadística

resumen_atipicos_luminarias <- datos_luminarias %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_luminarias,
  caption = "Clasificación de las UPZ según el criterio IQR"
)
Clasificación de las UPZ según el criterio IQR
Clasificacion Cantidad_UPZ
Dentro del rango 112
# Ordenar todas las UPZ por densidad de luminarias

datos_grafico_luminarias <- datos_luminarias %>%
  arrange(luminarias_km2) %>%
  mutate(
    posicion = row_number()
  )

# Gráfico de puntos

ggplot(
  datos_grafico_luminarias,
  aes(
    x = posicion,
    y = luminarias_km2,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  geom_hline(
    yintercept = limite_superior_luminarias,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_luminarias,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_grafico_luminarias %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_luminarias$luminarias_km2,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  labs(
    title = "Posibles valores atípicos en la densidad de luminarias",
    subtitle = "Identificación de UPZ mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor densidad",
    y = "Luminarias por km²",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: ",
      round(limite_inferior_luminarias, 2),
      " | Límite superior: ",
      round(limite_superior_luminarias, 2),
      ". Fuente: información de alumbrado público, 2021."
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

Interpretación de posibles valores atípicos

La aplicación del criterio del rango intercuartílico (IQR) no identificó UPZ con valores atípicos en la densidad de luminarias por kilómetro cuadrado. El límite inferior calculado fue de -163,04 y el superior de 1.989,96 luminarias por km². Todas las observaciones se encuentran dentro de este intervalo.

Aunque se presentan diferencias entre los territorios y algunas UPZ registran densidades considerablemente superiores a otras, estas variaciones no superan los umbrales establecidos por el criterio estadístico aplicado. Por tanto, los valores más altos deben interpretarse como extremos relativos de la distribución, pero no como observaciones atípicas según Tukey.

5.2.5. Relación entre viviendas desocupadas y alumbrado público

Finalmente, se explora la relación entre el porcentaje de viviendas desocupadas y la densidad de luminarias por kilómetro cuadrado.

Esta comparación permite observar si existen patrones entre ambas características del entorno urbano. Se incorpora una línea de tendencia como apoyo visual para identificar el comportamiento general de los datos.

Este ejercicio tiene un alcance exploratorio y no permite establecer relaciones de causalidad.

ggplot(
  upz,
  aes(
    x = pct_viviendas_desocupadas,
    y = luminarias_km2
  )
) +
  geom_point(
    color = morado,
    alpha = 0.7,
    size = 2.5
  ) +
  geom_smooth(
    method = "lm",
    se = FALSE,
    color = magenta,
    linewidth = 1
  ) +
  labs(
    title = "Viviendas desocupadas y densidad de alumbrado",
    subtitle = "Relación exploratoria entre características del entorno urbano",
    x = "Porcentaje de viviendas desocupadas",
    y = "Luminarias por km²",
    caption = "Fuente: información consolidada de las UPZ."
  ) +
  tema_clase

5.2.6. Interpretación de resultados

Los resultados de este apartado permiten complementar la caracterización territorial de las UPZ mediante variables relacionadas con las condiciones de vivienda y la infraestructura de alumbrado público.

La interpretación se centrará en las diferencias observadas entre territorios, la distribución de las variables y los posibles patrones identificados en la comparación entre viviendas desocupadas y densidad de luminarias.

Se tendrá en cuenta que estos indicadores describen características del entorno urbano y que, por sí solos, no permiten explicar ni establecer causas del comportamiento delictivo.

5.3. Análisis socioeconómico

En esta sección se exploran las condiciones socioeconómicas de las UPZ de Bogotá a partir de la información de la Encuesta Multipropósito de 2021.

Se analizan variables relacionadas con la pobreza, el ingreso promedio, la composición por estrato socioeconómico y el nivel educativo de la población. Estas características permiten ampliar la comprensión de las diferencias territoriales e incorporar elementos sociales y económicos al análisis de la inseguridad.

El propósito es identificar cómo se distribuyen estas condiciones entre las UPZ y reconocer posibles patrones que posteriormente puedan contrastarse con los indicadores de delitos y percepción de inseguridad.

Es importante tener en cuenta que la Encuesta Multipropósito presenta información agrupada para 32 UPZ. En estos casos, varias unidades territoriales comparten el mismo valor estimado. Por esta razón, los resultados deben interpretarse con precaución y no asumir que cada registro representa una observación socioeconómica independiente.

5.3.1. Revisión de la información socioeconómica

Antes de analizar las variables socioeconómicas, se revisa la cobertura de la información de la Encuesta Multipropósito.

Esta verificación permite identificar cuántas UPZ cuentan con información individual y cuántas reciben valores compartidos con otras unidades territoriales. Esta distinción es importante para interpretar correctamente las estadísticas y evitar asumir que todos los registros representan mediciones independientes.

# Revisar la cantidad de UPZ con información individual y agrupada

revision_encuesta <- upz %>%
  count(em_agrupada) %>%
  mutate(
    Tipo_informacion = if_else(
      em_agrupada,
      "Información agrupada",
      "Información individual"
    ),
    Porcentaje = n / sum(n) * 100
  ) %>%
  select(
    Tipo_informacion,
    Cantidad_UPZ = n,
    Porcentaje
  )

knitr::kable(
  revision_encuesta,
  digits = 2,
  caption = "Cobertura de la Encuesta Multipropósito por tipo de información"
)
Cobertura de la Encuesta Multipropósito por tipo de información
Tipo_informacion Cantidad_UPZ Porcentaje
Información individual 80 71.43
Información agrupada 32 28.57

¿Qué buscamos identificar?

  • La cantidad de UPZ que tienen información individual.

  • La cantidad de UPZ que comparten información con otras unidades territoriales.

  • La proporción que representa cada grupo sobre el total de UPZ.

5.3.2. Estadísticas descriptivas de las condiciones socioeconómicas

Para caracterizar las condiciones socioeconómicas se seleccionan variables relacionadas con la pobreza, los ingresos, la composición por estrato y el nivel educativo.

Se calculan medidas de tendencia central y dispersión, incluyendo media, mediana, desviación estándar, cuartiles, valores mínimos y máximos. Estas medidas permiten reconocer las diferencias entre territorios y observar qué tan concentrados o dispersos se encuentran los indicadores.

La selección de estas variables busca representar diferentes dimensiones de las condiciones de vida, evitando limitar el análisis a una sola característica económica.

# Seleccionar las variables socioeconómicas de interés

variables_socioeconomicas <- upz %>%
  select(
    pct_pobreza,
    salario_promedio,
    pct_estrato_1_2,
    pct_estrato_3_4,
    pct_estrato_5_6,
    anios_educacion_15mas
  )

# Calcular estadísticas descriptivas

estadisticas_socioeconomicas <- variables_socioeconomicas %>%
  summarise(
    across(
      everything(),
      list(
        Media = ~ mean(.),
        Mediana = ~ median(.),
        Desviacion = ~ sd(.),
        Minimo = ~ min(.),
        Q1 = ~ quantile(., 0.25),
        Q3 = ~ quantile(., 0.75),
        Maximo = ~ max(.)
      )
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = c("Variable", "Estadistica"),
    names_sep = "_(?=[^_]+$)",
    values_to = "Valor"
  ) %>%
  pivot_wider(
    names_from = Estadistica,
    values_from = Valor
  )

knitr::kable(
  estadisticas_socioeconomicas,
  digits = 2,
  caption = "Estadísticas descriptivas de las variables socioeconómicas"
)
Estadísticas descriptivas de las variables socioeconómicas
Variable Media Mediana Desviacion Minimo Q1 Q3 Maximo
pct_pobreza 4.01 2.58 3.95 0.07 0.98 5.82 16.56
salario_promedio 2580110.85 1866476.08 1735971.89 845688.39 1227872.19 3689024.52 7977532.49
pct_estrato_1_2 40.49 20.48 43.01 0.00 0.56 97.04 100.00
pct_estrato_3_4 51.62 69.13 41.59 0.00 2.15 93.17 100.00
pct_estrato_5_6 7.79 0.00 21.97 0.00 0.00 0.62 98.94
anios_educacion_15mas 11.89 11.80 2.23 7.98 9.89 13.57 15.91

5.3.3. Distribución de la pobreza

El porcentaje de pobreza permite aproximarse a las condiciones económicas de la población de cada territorio.

Mediante un histograma se examina la distribución de este indicador entre las UPZ, buscando identificar dónde se concentran los valores y si existen territorios con porcentajes considerablemente superiores al comportamiento general.

Este análisis permite reconocer diferencias socioeconómicas que posteriormente podrán contrastarse con los indicadores de seguridad.

# Calcular medidas de tendencia central

media_pobreza <- mean(
  upz$pct_pobreza,
  na.rm = TRUE
)

mediana_pobreza <- median(
  upz$pct_pobreza,
  na.rm = TRUE
)

# Construir histograma con media y mediana

ggplot(
  upz,
  aes(x = pct_pobreza)
) +

  geom_histogram(
    bins = 20,
    fill = magenta,
    color = "white",
    alpha = 0.9,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_pobreza,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_pobreza,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución del porcentaje de pobreza por UPZ",
    subtitle = "Porcentaje de personas clasificadas como pobres y medidas de tendencia central",
    x = "Población en condición de pobreza (%)",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ", round(media_pobreza, 2), "%",
      " | Mediana: ", round(mediana_pobreza, 2),
      "%. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

¿Qué debemos observar?

El histograma permite reconocer cómo se distribuye el porcentaje de pobreza entre las UPZ y dónde se concentra la mayor cantidad de territorios.

La comparación entre la media y la mediana permite evaluar si los porcentajes más elevados están influyendo en el promedio general. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere diferencias importantes entre los territorios.

Esta observación se complementará con los rankings de las UPZ con mayores y menores porcentajes de pobreza y con la identificación de posibles valores atípicos mediante el rango intercuartílico (IQR).


Para complementar el gráfico, identificamos los territorios con mayores y menores porcentajes de pobreza.

# 1. Calcular cuartiles y rango intercuartílico

q1_pobreza <- quantile(
  upz$pct_pobreza,
  0.25,
  na.rm = TRUE
)

q3_pobreza <- quantile(
  upz$pct_pobreza,
  0.75,
  na.rm = TRUE
)

iqr_pobreza <- IQR(
  upz$pct_pobreza,
  na.rm = TRUE
)

# 2. Establecer los límites estadísticos

limite_inferior_pobreza <- q1_pobreza - 1.5 * iqr_pobreza

limite_superior_pobreza <- q3_pobreza + 1.5 * iqr_pobreza

# 3. Clasificar las UPZ

datos_pobreza <- upz %>%
  filter(!is.na(pct_pobreza)) %>%
  mutate(
    Clasificacion = case_when(
      pct_pobreza < limite_inferior_pobreza ~
        "Posible atípico inferior",
      pct_pobreza > limite_superior_pobreza ~
        "Posible atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# 4. Presentar los límites calculados

limites_pobreza <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_pobreza,
    q3_pobreza,
    iqr_pobreza,
    limite_inferior_pobreza,
    limite_superior_pobreza
  )
)

knitr::kable(
  limites_pobreza,
  digits = 2,
  caption = "Límites estadísticos para identificar posibles valores atípicos en pobreza"
)
Límites estadísticos para identificar posibles valores atípicos en pobreza
Indicador Valor
Primer cuartil (Q1) 0.98
Tercer cuartil (Q3) 5.82
Rango intercuartílico (IQR) 4.84
Límite inferior -6.29
Límite superior 13.08
# 5. Construir los rankings

ranking_pobreza <- datos_pobreza %>%
  arrange(desc(pct_pobreza)) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    pct_pobreza,
    Clasificacion
  )

# 6. Mostrar las diez UPZ con mayor pobreza

knitr::kable(
  ranking_pobreza %>%
    slice_head(n = 10),
  digits = 2,
  caption = "Diez UPZ con mayor porcentaje de pobreza"
)
Diez UPZ con mayor porcentaje de pobreza
upz_nombre localidad em_agrupada pct_pobreza Clasificacion
Alfonso Lopez Usme TRUE 16.56 Posible atípico superior
Ciudad Usme Usme TRUE 16.56 Posible atípico superior
La Flora Usme FALSE 15.09 Posible atípico superior
Lourdes Santa Fe FALSE 14.12 Posible atípico superior
El Mochuelo Ciudad Bolívar TRUE 12.89 Dentro del rango
Monte Blanco Ciudad Bolívar TRUE 12.89 Dentro del rango
El Tesoro Ciudad Bolívar TRUE 12.89 Dentro del rango
Lucero Ciudad Bolívar FALSE 10.47 Dentro del rango
Danubio Usme TRUE 10.31 Dentro del rango
Parque Entrenubes Usme TRUE 10.31 Dentro del rango
# 7. Mostrar las diez UPZ con menor pobreza

knitr::kable(
  ranking_pobreza %>%
    arrange(pct_pobreza) %>%
    slice_head(n = 10),
  digits = 2,
  caption = "Diez UPZ con menor porcentaje de pobreza"
)
Diez UPZ con menor porcentaje de pobreza
upz_nombre localidad em_agrupada pct_pobreza Clasificacion
Country Club Usaquén TRUE 0.07 Dentro del rango
Santa Barbara Usaquén TRUE 0.07 Dentro del rango
Granjas De Techo Fontibón FALSE 0.09 Dentro del rango
Ciudad Salitre Oriental Teusaquillo FALSE 0.12 Dentro del rango
La Alhambra Suba FALSE 0.22 Dentro del rango
Parque Simon Bolivar - Can Teusaquillo TRUE 0.26 Dentro del rango
La Esmeralda Teusaquillo TRUE 0.26 Dentro del rango
Ciudad Salitre Occidental Fontibón FALSE 0.26 Dentro del rango
Modelia Fontibón FALSE 0.31 Dentro del rango
Teusaquillo Teusaquillo FALSE 0.33 Dentro del rango
# 8. Resumir la clasificación estadística

resumen_atipicos_pobreza <- datos_pobreza %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_pobreza,
  caption = "Clasificación de las UPZ según el criterio IQR"
)
Clasificación de las UPZ según el criterio IQR
Clasificacion Cantidad_UPZ
Dentro del rango 108
Posible atípico superior 4
# Ordenar todas las UPZ por porcentaje de pobreza

datos_grafico_pobreza <- datos_pobreza %>%
  arrange(pct_pobreza) %>%
  mutate(
    posicion = row_number()
  )

# Construir gráfico de puntos

ggplot(
  datos_grafico_pobreza,
  aes(
    x = posicion,
    y = pct_pobreza,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  geom_hline(
    yintercept = limite_superior_pobreza,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_pobreza,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_grafico_pobreza %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_pobreza$pct_pobreza,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  labs(
    title = "Posibles valores atípicos en el porcentaje de pobreza",
    subtitle = "Identificación de UPZ mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor porcentaje de pobreza",
    y = "Personas en condición de pobreza (%)",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: ",
      round(limite_inferior_pobreza, 2),
      "% | Límite superior: ",
      round(limite_superior_pobreza, 2),
      "%. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

5.3.4. Distribución del salario promedio

El salario promedio permite explorar las diferencias económicas entre los territorios.

Se utiliza un histograma para observar la distribución de los ingresos y reconocer posibles concentraciones o valores extremos. También se identifican las UPZ con mayores y menores salarios promedio.

Debido a que los ingresos pueden presentar diferencias importantes entre territorios, se compararán la media y la mediana para evaluar la influencia de los valores extremos sobre el promedio.

# Calcular medidas de tendencia central

media_salario <- mean(
  upz$salario_promedio,
  na.rm = TRUE
)

mediana_salario <- median(
  upz$salario_promedio,
  na.rm = TRUE
)

# Construir histograma con media y mediana

ggplot(
  upz,
  aes(x = salario_promedio)
) +

  geom_histogram(
    bins = 20,
    fill = turquesa,
    color = "white",
    alpha = 0.9,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_salario,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_salario,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución del salario promedio por UPZ",
    subtitle = "Ingreso mensual promedio y medidas de tendencia central",
    x = "Salario promedio mensual (pesos)",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ",
      scales::comma(round(media_salario), big.mark = "."),
      " pesos | Mediana: ",
      scales::comma(round(mediana_salario), big.mark = "."),
      " pesos. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

¿Qué debemos observar?

El histograma permite reconocer cómo se distribuyen los salarios promedio entre las UPZ y dónde se concentra la mayor cantidad de territorios.

La comparación entre la media y la mediana permite evaluar la influencia de las UPZ con salarios promedio más elevados sobre el promedio general. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere diferencias importantes entre los territorios.

Esta observación se complementará con los rankings de las UPZ con mayores y menores salarios promedio y con la identificación de posibles valores atípicos mediante el rango intercuartílico (IQR).


Ranking de salarios:

# 1. Calcular cuartiles y rango intercuartílico

q1_salario <- quantile(
  upz$salario_promedio,
  0.25,
  na.rm = TRUE
)

q3_salario <- quantile(
  upz$salario_promedio,
  0.75,
  na.rm = TRUE
)

iqr_salario <- IQR(
  upz$salario_promedio,
  na.rm = TRUE
)

# 2. Establecer límites estadísticos

limite_inferior_salario <- q1_salario - 1.5 * iqr_salario

limite_superior_salario <- q3_salario + 1.5 * iqr_salario

# 3. Clasificar las UPZ

datos_salario <- upz %>%
  filter(!is.na(salario_promedio)) %>%
  mutate(
    Clasificacion = case_when(
      salario_promedio < limite_inferior_salario ~
        "Posible atípico inferior",
      salario_promedio > limite_superior_salario ~
        "Posible atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# 4. Mostrar los límites calculados

limites_salario <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_salario,
    q3_salario,
    iqr_salario,
    limite_inferior_salario,
    limite_superior_salario
  )
)

knitr::kable(
  limites_salario,
  digits = 0,
  caption = "Criterios estadísticos para identificar posibles valores atípicos en el salario promedio"
)
Criterios estadísticos para identificar posibles valores atípicos en el salario promedio
Indicador Valor
Primer cuartil (Q1) 1227872
Tercer cuartil (Q3) 3689025
Rango intercuartílico (IQR) 2461152
Límite inferior -2463856
Límite superior 7380753
# 5. Construir los rankings

ranking_salario <- datos_salario %>%
  arrange(desc(salario_promedio)) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    salario_promedio,
    Clasificacion
  )

# 6. Diez UPZ con mayor salario

knitr::kable(
  ranking_salario %>%
    slice_head(n = 10),
  digits = 0,
  caption = "Diez UPZ con mayor salario promedio"
)
Diez UPZ con mayor salario promedio
upz_nombre localidad em_agrupada salario_promedio Clasificacion
El Refugio Chapinero TRUE 7977532 Posible atípico superior
Chico Lago Chapinero TRUE 7977532 Posible atípico superior
Country Club Usaquén TRUE 7624587 Posible atípico superior
Santa Barbara Usaquén TRUE 7624587 Posible atípico superior
Usaquen Usaquén FALSE 6893541 Dentro del rango
La Alhambra Suba FALSE 5907659 Dentro del rango
Ciudad Salitre Oriental Teusaquillo FALSE 5887923 Dentro del rango
Niza Suba FALSE 5276414 Dentro del rango
Los Cedros Usaquén FALSE 5226504 Dentro del rango
Pardo Rubio Chapinero TRUE 4981378 Dentro del rango
# 7. Diez UPZ con menor salario

knitr::kable(
  ranking_salario %>%
    arrange(salario_promedio) %>%
    slice_head(n = 10),
  digits = 0,
  caption = "Diez UPZ con menor salario promedio"
)
Diez UPZ con menor salario promedio
upz_nombre localidad em_agrupada salario_promedio Clasificacion
La Flora Usme FALSE 845688 Dentro del rango
Lucero Ciudad Bolívar FALSE 949613 Dentro del rango
Patio Bonito Kennedy FALSE 956988 Dentro del rango
El Mochuelo Ciudad Bolívar TRUE 966749 Dentro del rango
Monte Blanco Ciudad Bolívar TRUE 966749 Dentro del rango
El Tesoro Ciudad Bolívar TRUE 966749 Dentro del rango
Jerusalem Ciudad Bolívar FALSE 985043 Dentro del rango
Alfonso Lopez Usme TRUE 1007783 Dentro del rango
Ciudad Usme Usme TRUE 1007783 Dentro del rango
Diana Turbay Rafael Uribe Uribe FALSE 1036645 Dentro del rango
# 8. Resumen de posibles valores atípicos

resumen_atipicos_salario <- datos_salario %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_salario,
  caption = "Clasificación de las UPZ según el criterio IQR"
)
Clasificación de las UPZ según el criterio IQR
Clasificacion Cantidad_UPZ
Dentro del rango 108
Posible atípico superior 4
# Ordenar las UPZ por salario promedio

datos_grafico_salario <- datos_salario %>%
  arrange(salario_promedio) %>%
  mutate(
    posicion = row_number()
  )

# Gráfico de puntos de todas las UPZ

ggplot(
  datos_grafico_salario,
  aes(
    x = posicion,
    y = salario_promedio,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  # Límite superior e inferior del IQR

  geom_hline(
    yintercept = limite_superior_salario,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_salario,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  # Identificar las UPZ posibles atípicas

  geom_text(
    data = datos_grafico_salario %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_salario$salario_promedio,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  labs(
    title = "Posibles valores atípicos en el salario promedio por UPZ",
    subtitle = "Identificación mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor salario",
    y = "Salario promedio mensual (pesos)",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: $",
      scales::comma(round(limite_inferior_salario), big.mark = "."),
      " | Límite superior: $",
      scales::comma(round(limite_superior_salario), big.mark = "."),
      ". Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

5.3.5. Composición por estrato socioeconómico

La composición por estrato permite observar las características socioeconómicas de las viviendas de cada UPZ.

Para este análisis se consideran tres grupos: estratos 1 y 2, estratos 3 y 4, y estratos 5 y 6. La comparación permite identificar qué grupos tienen mayor participación en cada territorio y reconocer las diferencias en la composición socioeconómica de las UPZ.

Es importante recordar que los porcentajes representan la distribución de viviendas por grupo de estrato y no deben interpretarse como una medición directa del ingreso de todos sus habitantes.

# Calcular el promedio de participación de cada grupo de estrato

promedio_estratos <- upz %>%
  summarise(
    `Estratos 1 y 2` = mean(pct_estrato_1_2),
    `Estratos 3 y 4` = mean(pct_estrato_3_4),
    `Estratos 5 y 6` = mean(pct_estrato_5_6)
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Grupo_estrato",
    values_to = "Porcentaje_promedio"
  )

knitr::kable(
  promedio_estratos,
  digits = 2,
  caption = "Participación promedio de los grupos de estrato entre las UPZ"
)
Participación promedio de los grupos de estrato entre las UPZ
Grupo_estrato Porcentaje_promedio
Estratos 1 y 2 40.49
Estratos 3 y 4 51.62
Estratos 5 y 6 7.79

Ahora visualizamos los resultados:

ggplot(
  promedio_estratos,
  aes(
    x = Grupo_estrato,
    y = Porcentaje_promedio
  )
) +
  geom_col(
    fill = morado,
    width = 0.65
  ) +
  labs(
    title = "Composición promedio por grupos de estrato",
    subtitle = "Participación promedio de cada grupo entre las UPZ",
    x = "Grupo de estrato",
    y = "Porcentaje promedio (%)",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase

Una precisión: este gráfico muestra el promedio simple de los porcentajes de las UPZ, no la distribución ponderada de todas las viviendas de Bogotá.

5.3.6. Nivel educativo

En este apartado se analiza el promedio de años de educación de las personas de 15 años o más por UPZ. Esta variable permite explorar las diferencias educativas entre los territorios y complementar la caracterización socioeconómica realizada anteriormente.

Se utilizan estadísticas descriptivas, gráficos de distribución y rankings territoriales para identificar los niveles educativos más altos y más bajos, así como posibles valores atípicos.

estadisticas_educacion <- upz %>%
  summarise(
    Total_UPZ = sum(!is.na(anios_educacion_15mas)),
    Media = mean(anios_educacion_15mas, na.rm = TRUE),
    Mediana = median(anios_educacion_15mas, na.rm = TRUE),
    Desviacion_estandar = sd(anios_educacion_15mas, na.rm = TRUE),
    Minimo = min(anios_educacion_15mas, na.rm = TRUE),
    Q1 = quantile(anios_educacion_15mas, 0.25, na.rm = TRUE),
    Q3 = quantile(anios_educacion_15mas, 0.75, na.rm = TRUE),
    Maximo = max(anios_educacion_15mas, na.rm = TRUE)
  )

knitr::kable(
  estadisticas_educacion,
  digits = 2,
  caption = "Estadísticas descriptivas de los años promedio de educación por UPZ"
)
Estadísticas descriptivas de los años promedio de educación por UPZ
Total_UPZ Media Mediana Desviacion_estandar Minimo Q1 Q3 Maximo
112 11.89 11.8 2.23 7.98 9.89 13.57 15.91

Distribución del nivel educativo Este gráfico permite observar cómo se distribuyen los años promedio de educación entre las UPZ. El histograma muestra la concentración de los valores, mientras que la curva de densidad permite reconocer la forma de la distribución.

Las líneas verticales representan la media y la mediana.

Distribución de los años promedio de educación:

media_educacion <- mean(upz$anios_educacion_15mas, na.rm = TRUE)
mediana_educacion <- median(upz$anios_educacion_15mas, na.rm = TRUE)

ggplot(
  upz,
  aes(x = anios_educacion_15mas)
) +
  geom_histogram(
    aes(y = after_stat(density)),
    bins = 20,
    fill = magenta,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +
  geom_density(
    color = morado,
    fill = morado,
    alpha = 0.15,
    linewidth = 1.1,
    na.rm = TRUE
  ) +
  geom_vline(
    xintercept = media_educacion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +
  geom_vline(
    xintercept = mediana_educacion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +
  labs(
    title = "Distribución de los años promedio de educación",
    subtitle = "Personas de 15 años o más por UPZ",
    x = "Años promedio de educación",
    y = "Densidad",
    caption = paste0(
      "Media: ", round(media_educacion, 2),
      " años | Mediana: ", round(mediana_educacion, 2),
      " años. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +
  tema_clase +
  theme(legend.position = "none")

Rankings y detección de valores atípicos Se identifican las diez UPZ con mayor y menor promedio de años de educación. Adicionalmente, se aplica el criterio del rango intercuartílico (IQR), que permite establecer límites estadísticos para identificar posibles valores atípicos.

Para identificar las diferencias territoriales, se presentan las diez UPZ con mayores y menores promedios de años de educación. También se aplica el criterio del rango intercuartílico para identificar posibles valores atípicos.

# Calcular cuartiles y rango intercuartílico

q1_educacion <- quantile(
  upz$anios_educacion_15mas,
  0.25,
  na.rm = TRUE
)

q3_educacion <- quantile(
  upz$anios_educacion_15mas,
  0.75,
  na.rm = TRUE
)

iqr_educacion <- IQR(
  upz$anios_educacion_15mas,
  na.rm = TRUE
)

limite_inferior_educacion <- q1_educacion - 1.5 * iqr_educacion
limite_superior_educacion <- q3_educacion + 1.5 * iqr_educacion

# Clasificar las UPZ según los límites IQR

datos_educacion <- upz %>%
  filter(!is.na(anios_educacion_15mas)) %>%
  mutate(
    Clasificacion = case_when(
      anios_educacion_15mas < limite_inferior_educacion ~ "Atípico inferior",
      anios_educacion_15mas > limite_superior_educacion ~ "Atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# Resumen de límites y valores atípicos

resumen_atipicos_educacion <- data.frame(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores atípicos"
  ),
  Valor = c(
    q1_educacion,
    q3_educacion,
    iqr_educacion,
    limite_inferior_educacion,
    limite_superior_educacion,
    sum(datos_educacion$Clasificacion != "Dentro del rango")
  )
)

knitr::kable(
  resumen_atipicos_educacion,
  digits = 2,
  caption = "Límites del rango intercuartílico y valores atípicos"
)
Límites del rango intercuartílico y valores atípicos
Indicador Valor
Primer cuartil (Q1) 9.89
Tercer cuartil (Q3) 13.57
Rango intercuartílico (IQR) 3.68
Límite inferior 4.36
Límite superior 19.09
Cantidad de valores atípicos 0.00
# Diez UPZ con mayor promedio

ranking_educacion <- datos_educacion %>%
  arrange(desc(anios_educacion_15mas))

knitr::kable(
  ranking_educacion %>%
    slice_head(n = 10) %>%
    select(
      upz_nombre,
      localidad,
      em_agrupada,
      anios_educacion_15mas,
      Clasificacion
    ),
  digits = 2,
  caption = "Diez UPZ con mayor promedio de años de educación"
)
Diez UPZ con mayor promedio de años de educación
upz_nombre localidad em_agrupada anios_educacion_15mas Clasificacion
El Refugio Chapinero TRUE 15.91 Dentro del rango
Chico Lago Chapinero TRUE 15.91 Dentro del rango
Usaquen Usaquén FALSE 15.67 Dentro del rango
Country Club Usaquén TRUE 15.67 Dentro del rango
Santa Barbara Usaquén TRUE 15.67 Dentro del rango
Ciudad Salitre Oriental Teusaquillo FALSE 15.47 Dentro del rango
Teusaquillo Teusaquillo FALSE 15.43 Dentro del rango
Los Cedros Usaquén FALSE 15.37 Dentro del rango
Pardo Rubio Chapinero TRUE 15.34 Dentro del rango
Chapinero Chapinero TRUE 15.34 Dentro del rango
# Diez UPZ con menor promedio

knitr::kable(
  ranking_educacion %>%
    arrange(anios_educacion_15mas) %>%
    slice_head(n = 10) %>%
    select(
      upz_nombre,
      localidad,
      em_agrupada,
      anios_educacion_15mas,
      Clasificacion
    ),
  digits = 2,
  caption = "Diez UPZ con menor promedio de años de educación"
)
Diez UPZ con menor promedio de años de educación
upz_nombre localidad em_agrupada anios_educacion_15mas Clasificacion
La Flora Usme FALSE 7.98 Dentro del rango
El Mochuelo Ciudad Bolívar TRUE 8.34 Dentro del rango
Monte Blanco Ciudad Bolívar TRUE 8.34 Dentro del rango
El Tesoro Ciudad Bolívar TRUE 8.34 Dentro del rango
Alfonso Lopez Usme TRUE 8.63 Dentro del rango
Ciudad Usme Usme TRUE 8.63 Dentro del rango
Lucero Ciudad Bolívar FALSE 8.69 Dentro del rango
Jerusalem Ciudad Bolívar FALSE 8.82 Dentro del rango
Lourdes Santa Fe FALSE 8.96 Dentro del rango
Corabastos Kennedy FALSE 8.97 Dentro del rango

Gráfico comparativo de todas las UPZ Este gráfico permite observar los resultados de todas las UPZ ordenados por su promedio de años de educación. Se destacan las diez UPZ con mayores valores y las diez con menores valores. Las líneas punteadas representan los límites del IQR.

datos_grafico_educacion <- datos_educacion %>%
  arrange(anios_educacion_15mas) %>%
  mutate(
    posicion = row_number(),
    Grupo = case_when(
      posicion <= 10 ~ "Diez menores",
      posicion > n() - 10 ~ "Diez mayores",
      TRUE ~ "Otras UPZ"
    ),
    Etiqueta = ifelse(
      Grupo == "Otras UPZ",
      NA,
      upz_nombre
    )
  )

ggplot(
  datos_grafico_educacion,
  aes(
    x = posicion,
    y = anios_educacion_15mas,
    color = Grupo
  )
) +
  geom_hline(
    yintercept = limite_inferior_educacion,
    linetype = "dashed",
    color = "gray50"
  ) +
  geom_hline(
    yintercept = limite_superior_educacion,
    linetype = "dashed",
    color = "gray50"
  ) +
  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +
  geom_text(
    data = datos_grafico_educacion %>%
      filter(!is.na(Etiqueta)),
    aes(label = Etiqueta),
    nudge_y = 0.20,
    size = 2.8,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  scale_color_manual(
    values = c(
      "Diez mayores" = magenta,
      "Diez menores" = turquesa,
      "Otras UPZ" = "gray65"
    )
  ) +
  scale_x_continuous(
    breaks = NULL
  ) +
  labs(
    title = "Promedio de años de educación por UPZ",
    subtitle = "Se identifican las diez UPZ con mayores y menores promedios",
    x = "UPZ ordenadas de menor a mayor",
    y = "Años promedio de educación",
    color = "Grupo",
    caption = "Líneas punteadas: límites del criterio IQR. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "bottom"
  )

El análisis permite identificar diferencias territoriales en el promedio de años de educación. Los rankings muestran las UPZ con mayores y menores niveles educativos, mientras que el criterio del rango intercuartílico permite determinar si existen valores estadísticamente atípicos.

Es importante considerar que algunas UPZ presentan valores agrupados de la Encuesta Multipropósito (em_agrupada = TRUE), por lo que sus resultados no corresponden necesariamente a mediciones independientes. Esta condición debe tenerse presente al comparar los territorios y formular conclusiones.

5.3.7. Relación entre pobreza y salario promedio

Para complementar la descripción individual de las variables, se explora la relación entre el porcentaje de pobreza y el salario promedio mensual de las UPZ.

Se utiliza un diagrama de dispersión, en el que cada punto representa una unidad territorial. Se incorpora una línea de tendencia para observar el comportamiento general de ambas variables.

Esta comparación permite identificar posibles asociaciones entre las condiciones de pobreza y los ingresos promedio, sin asumir que una variable sea necesariamente la causa de la otra.

# Identificar el grupo de estrato con mayor participación en cada UPZ

datos_pobreza_salario <- upz %>%
  mutate(
    mayor_participacion = pmax(
      pct_estrato_1_2,
      pct_estrato_3_4,
      pct_estrato_5_6,
      na.rm = TRUE
    ),
    Grupo_estrato = case_when(
      if_all(
        c(pct_estrato_1_2, pct_estrato_3_4, pct_estrato_5_6),
        is.na
      ) ~ "Sin información",
      pct_estrato_1_2 == mayor_participacion ~ "Predominan estratos 1 y 2",
      pct_estrato_3_4 == mayor_participacion ~ "Predominan estratos 3 y 4",
      pct_estrato_5_6 == mayor_participacion ~ "Predominan estratos 5 y 6"
    )
  )

# Relación entre pobreza y salario, diferenciada por grupo de estrato

ggplot(
  datos_pobreza_salario,
  aes(
    x = pct_pobreza,
    y = salario_promedio,
    color = Grupo_estrato
  )
) +
  geom_point(
    alpha = 0.8,
    size = 2.8
  ) +
  geom_smooth(
    aes(group = Grupo_estrato),
    method = "lm",
    se = FALSE,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "Predominan estratos 1 y 2" = turquesa,
      "Predominan estratos 3 y 4" = morado,
      "Predominan estratos 5 y 6" = magenta,
      "Sin información" = "gray65"
    )
  ) +
  scale_y_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +
  labs(
    title = "Relación entre pobreza y salario promedio",
    subtitle = "Diferenciación de las UPZ según su grupo de estrato predominante",
    x = "Porcentaje de pobreza (%)",
    y = "Salario promedio mensual (pesos)",
    color = "Grupo de estrato",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase

5.3.8. Relación entre nivel educativo y condiciones económicas

Después de analizar individualmente la pobreza, el salario promedio, la composición por estrato y el nivel educativo, se exploran las relaciones entre estas variables para identificar posibles patrones socioeconómicos entre las UPZ.

Se analizan dos relaciones: el promedio de años de educación frente al porcentaje de pobreza y el promedio de años de educación frente al salario promedio mensual.

Adicionalmente, se diferencia cada UPZ según el grupo de estrato con mayor participación en su composición de viviendas. Esto permite observar si las asociaciones identificadas presentan comportamientos distintos entre los grupos de estrato.

Los resultados se interpretan como asociaciones territoriales y no como relaciones de causalidad.


Preparación de los datos Primero clasificamos cada UPZ según el grupo de estrato que tenga mayor participación porcentual. Esta clasificación será utilizada en los dos gráficos.

datos_relaciones_socioeconomicas <- upz %>%
  mutate(
    mayor_participacion = pmax(
      pct_estrato_1_2,
      pct_estrato_3_4,
      pct_estrato_5_6,
      na.rm = TRUE
    ),
    Grupo_estrato = case_when(
      if_all(
        c(pct_estrato_1_2, pct_estrato_3_4, pct_estrato_5_6),
        is.na
      ) ~ "Sin información",
      pct_estrato_1_2 == mayor_participacion ~ "Predominan estratos 1 y 2",
      pct_estrato_3_4 == mayor_participacion ~ "Predominan estratos 3 y 4",
      pct_estrato_5_6 == mayor_participacion ~ "Predominan estratos 5 y 6"
    )
  )

knitr::kable(
  datos_relaciones_socioeconomicas %>%
    count(Grupo_estrato, name = "Cantidad_UPZ"),
  caption = "UPZ clasificadas según el grupo de estrato predominante"
)
UPZ clasificadas según el grupo de estrato predominante
Grupo_estrato Cantidad_UPZ
Predominan estratos 1 y 2 44
Predominan estratos 3 y 4 61
Predominan estratos 5 y 6 7

Relación entre educación y pobreza Este primer gráfico permite explorar si las UPZ con mayores promedios de años de educación tienden a presentar menores porcentajes de pobreza.

ggplot(
  datos_relaciones_socioeconomicas,
  aes(
    x = pct_pobreza,
    y = anios_educacion_15mas,
    color = Grupo_estrato
  )
) +
  geom_point(
    alpha = 0.8,
    size = 2.8
  ) +
  geom_smooth(
    aes(group = Grupo_estrato),
    method = "lm",
    se = FALSE,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "Predominan estratos 1 y 2" = turquesa,
      "Predominan estratos 3 y 4" = morado,
      "Predominan estratos 5 y 6" = magenta,
      "Sin información" = "gray65"
    )
  ) +
  labs(
    title = "Relación entre nivel educativo y pobreza",
    subtitle = "Años promedio de educación y porcentaje de pobreza por UPZ",
    x = "Población en condición de pobreza (%)",
    y = "Años promedio de educación",
    color = "Grupo de estrato",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase

Relación entre educación y salario promedio El segundo gráfico permite explorar si las UPZ con mayores promedios de años de educación también presentan mayores niveles de salario promedio mensual.

ggplot(
  datos_relaciones_socioeconomicas,
  aes(
    x = anios_educacion_15mas,
    y = salario_promedio,
    color = Grupo_estrato
  )
) +
  geom_point(
    alpha = 0.8,
    size = 2.8
  ) +
  geom_smooth(
    aes(group = Grupo_estrato),
    method = "lm",
    se = FALSE,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "Predominan estratos 1 y 2" = turquesa,
      "Predominan estratos 3 y 4" = morado,
      "Predominan estratos 5 y 6" = magenta,
      "Sin información" = "gray65"
    )
  ) +
  scale_y_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +
  labs(
    title = "Relación entre nivel educativo y salario promedio",
    subtitle = "Años promedio de educación e ingreso mensual por UPZ",
    x = "Años promedio de educación",
    y = "Salario promedio mensual (pesos)",
    color = "Grupo de estrato",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase

El análisis conjunto permite explorar cómo se relacionan las condiciones educativas y económicas entre las UPZ. La comparación entre educación y pobreza permite examinar posibles diferencias en los niveles de pobreza según los años promedio de educación, mientras que la relación entre educación y salario permite observar cómo varían los ingresos promedio entre territorios con distintos niveles educativos.

La diferenciación por grupo de estrato predominante complementa estas relaciones y permite reconocer posibles patrones socioeconómicos territoriales. Sin embargo, estas asociaciones no implican causalidad y deben interpretarse considerando que algunas UPZ comparten información agrupada de la Encuesta Multipropósito (em_agrupada = TRUE).

5.3.9. Interpretación de resultados

El análisis socioeconómico permitió identificar diferencias importantes entre las UPZ de Bogotá en términos de pobreza, ingresos, composición por estrato y nivel educativo. Al integrar estos indicadores, se observan patrones territoriales que muestran cómo las condiciones económicas y educativas se relacionan entre sí.

Los resultados evidencian una asociación negativa entre el porcentaje de pobreza y el salario promedio: las UPZ con mayores niveles de pobreza tienden a presentar menores ingresos promedio. De manera similar, se observa una asociación negativa entre pobreza y años promedio de educación, mientras que la relación entre educación y salario permite explorar una tendencia positiva entre ambas variables.

La diferenciación por grupo de estrato predominante complementa estos resultados. Las UPZ donde predominan los estratos 1 y 2 presentan, en general, mayores niveles de pobreza y menores promedios educativos. Por su parte, los territorios donde predominan los estratos 5 y 6 se concentran principalmente en niveles educativos y salariales más altos. Las UPZ con predominio de estratos 3 y 4 muestran una mayor dispersión, reflejando diferencias importantes dentro de este grupo.

Estos patrones permiten reconocer que las condiciones socioeconómicas no se distribuyen de manera homogénea en el territorio. Sin embargo, las asociaciones observadas corresponden a indicadores agregados por UPZ y no permiten establecer relaciones de causalidad ni trasladar directamente las conclusiones al comportamiento individual de sus habitantes.

También es necesario considerar que algunas unidades territoriales comparten información de la Encuesta Multipropósito (em_agrupada = TRUE), por lo que ciertos valores no representan mediciones independientes. Esta condición, junto con las diferencias en la cobertura y los periodos de referencia de las fuentes, debe tenerse presente al interpretar los resultados.

En conjunto, la caracterización socioeconómica proporciona un contexto territorial relevante para los análisis posteriores de seguridad. Permite examinar los indicadores de inseguridad no de manera aislada, sino considerando las diferencias económicas y educativas que caracterizan a las UPZ de Bogotá.

5.4. Análisis de percepción de inseguridad y condiciones del entorno

La percepción de inseguridad constituye una dimensión importante para comprender las condiciones de seguridad de un territorio. A diferencia de los registros de delitos denunciados, este indicador recoge la experiencia y percepción de las personas frente a los problemas de inseguridad presentes en el entorno de su vivienda.

En esta sección se exploran las diferencias entre UPZ en cuanto a la percepción de inseguridad, algunas condiciones del entorno y la accesibilidad a los servicios de policía. El propósito es identificar patrones y posibles asociaciones que permitan ampliar la comprensión de las características territoriales relacionadas con la seguridad.

5.4.1. Selección de variables

Para desarrollar este análisis se seleccionamos seis variables de la Encuesta Multipropósito, relacionadas con la percepción de inseguridad, las condiciones del entorno y la accesibilidad a los servicios de policía.

La selección permite explorar diferentes características territoriales que pueden aportar información para comprender las diferencias entre las UPZ. Se analizará el porcentaje de percepción de inseguridad, la cercanía a determinados elementos del entorno y el tiempo promedio caminando hasta un CAI o estación de policía.

# Selección de variables de percepción y condiciones del entorno

variables_entorno <- upz %>%
  select(
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros,
    min_cai_policia
  )

# Visualización de las primeras observaciones

head(variables_entorno)
pct_percibe_inseguridad pct_cerca_ollas pct_cerca_bares pct_cerca_lotes_oscuros pct_cerca_basureros min_cai_policia
36.18 17.53 15.68 24.15 6.13 21.66
40.88 7.43 17.03 16.71 1.35 24.50
40.88 7.43 17.03 16.71 1.35 24.50
65.43 17.53 15.68 24.15 6.13 18.39
36.18 17.53 15.68 24.15 6.13 21.66
49.84 25.91 15.41 19.15 8.30 25.32

5.4.2. Estadísticas descriptivas de percepción y entorno

Como punto de partida, se calculan las principales medidas de estadística descriptiva para las variables seleccionadas. Este ejercicio permite conocer los niveles generales de percepción de inseguridad, las condiciones del entorno y los tiempos promedio de desplazamiento hasta los servicios de policía.

Se consideran medidas de tendencia central, dispersión y posición, con el propósito de identificar tanto el comportamiento general como las diferencias existentes entre las UPZ.

# Cálculo de estadísticas descriptivas

estadisticas_entorno <- variables_entorno %>%
  summarise(
    across(
      everything(),
      list(
        Media = ~mean(.),
        Mediana = ~median(.),
        Desviacion = ~sd(.),
        Minimo = ~min(.),
        Q1 = ~quantile(., 0.25),
        Q3 = ~quantile(., 0.75),
        Maximo = ~max(.)
      )
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = c("Variable", "Estadistica"),
    names_sep = "_(?=[^_]+$)",
    values_to = "Valor"
  ) %>%
  pivot_wider(
    names_from = Estadistica,
    values_from = Valor
  )

knitr::kable(
  estadisticas_entorno,
  digits = 2,
  caption = "Estadísticas descriptivas de percepción de inseguridad y condiciones del entorno"
)
Estadísticas descriptivas de percepción de inseguridad y condiciones del entorno
Variable Media Mediana Desviacion Minimo Q1 Q3 Maximo
pct_percibe_inseguridad 60.84 65.97 18.87 17.45 44.75 74.33 92.11
pct_cerca_ollas 21.59 20.56 15.85 0.31 9.05 31.11 75.60
pct_cerca_bares 14.42 12.96 10.76 0.64 5.71 19.40 53.91
pct_cerca_lotes_oscuros 19.98 18.16 12.56 0.64 11.68 26.01 59.76
pct_cerca_basureros 9.50 6.12 9.63 0.24 2.72 12.11 45.01
min_cai_policia 18.36 17.64 4.57 10.06 15.38 20.84 35.11

Para complementar las estadísticas descriptivas, se utiliza un diagrama de cajas y bigotes que permite comparar la distribución de las seis variables seleccionadas entre las UPZ.

Debido a que los indicadores presentan diferentes unidades de medida, se estandarizan mediante puntuaciones Z. Esta transformación permite comparar la dispersión relativa de las variables, identificando sus medianas, rangos intercuartílicos y posibles valores atípicos.

Los valores estandarizados representan la distancia de cada observación respecto a la media de su variable, expresada en desviaciones estándar. Por tanto, esta visualización permite comparar patrones de variabilidad, pero no los niveles absolutos de los indicadores.

# Transformar las variables a formato largo y estandarizar

datos_boxplot_entorno <- variables_entorno %>%
  mutate(ID_UPZ = row_number()) %>%
  pivot_longer(
    cols = -ID_UPZ,
    names_to = "Variable",
    values_to = "Valor"
  ) %>%
  group_by(Variable) %>%
  mutate(
    Valor_estandarizado = as.numeric(scale(Valor))
  ) %>%
  ungroup()

# Diagrama de cajas y bigotes

ggplot(
  datos_boxplot_entorno,
  aes(
    x = reorder(Variable, Valor_estandarizado, median, na.rm = TRUE),
    y = Valor_estandarizado
  )
) +
  geom_boxplot(
    fill = magenta,
    color = morado,
    alpha = 0.65,
    outlier.color = turquesa,
    outlier.size = 2
  ) +
  coord_flip() +
  labs(
    title = "Distribución de las variables de percepción y entorno",
    subtitle = "Comparación de la variabilidad entre UPZ mediante puntuaciones Z",
    x = "Indicadores",
    y = "Valor estandarizado (Z)",
    caption = "Los puntos representan posibles valores atípicos según el criterio IQR. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase

5.4.3. Distribución de la percepción de inseguridad

La percepción de inseguridad permite aproximarse a la manera en que los habitantes reconocen los problemas de seguridad presentes en su entorno cotidiano.

Para explorar su comportamiento entre las UPZ, se utiliza un histograma que permite visualizar la distribución de los porcentajes reportados. Esta representación facilita identificar los rangos de mayor concentración, la dispersión de los valores y posibles diferencias entre los territorios.

El análisis permite reconocer si la percepción de inseguridad presenta un comportamiento relativamente homogéneo o si existen diferencias importantes entre las zonas estudiadas.

# Calcular media y mediana

media_percepcion <- mean(
  upz$pct_percibe_inseguridad,
  na.rm = TRUE
)

mediana_percepcion <- median(
  upz$pct_percibe_inseguridad,
  na.rm = TRUE
)

# Histograma y curva de densidad

ggplot(
  upz,
  aes(x = pct_percibe_inseguridad)
) +
  geom_histogram(
    aes(y = after_stat(density)),
    bins = 15,
    fill = magenta,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +
  geom_density(
    color = morado,
    fill = morado,
    alpha = 0.15,
    linewidth = 1.1,
    na.rm = TRUE
  ) +
  geom_vline(
    xintercept = media_percepcion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +
  geom_vline(
    xintercept = mediana_percepcion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +
  scale_x_continuous(
    labels = scales::label_number(suffix = "%")
  ) +
  labs(
    title = "Distribución de la percepción de inseguridad",
    subtitle = "Porcentaje reportado en las UPZ de Bogotá",
    x = "Percepción de inseguridad (%)",
    y = "Densidad",
    caption = paste0(
      "Media: ", round(media_percepcion, 2),
      "% | Mediana: ", round(mediana_percepcion, 2),
      "%. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +
  tema_clase +
  theme(legend.position = "none")

Identificación de las UPZ con mayor y menor percepción de inseguridad

Identificación de valores atípicos y diferencias territoriales en la percepción de inseguridad

Para profundizar en las diferencias territoriales de la percepción de inseguridad, se aplica el criterio del rango intercuartílico (IQR), con el propósito de identificar posibles valores atípicos entre las UPZ.

Este procedimiento permite establecer límites inferiores y superiores a partir de la distribución del indicador. Adicionalmente, se presentan los territorios con mayores y menores porcentajes de percepción de inseguridad para facilitar su comparación.

La clasificación estadística no implica necesariamente que una UPZ presente condiciones excepcionales de inseguridad, sino que su valor se encuentra alejado del comportamiento central de la distribución.

# Calcular cuartiles y rango intercuartílico

q1_percepcion <- quantile(
  upz$pct_percibe_inseguridad,
  0.25,
  na.rm = TRUE
)

q3_percepcion <- quantile(
  upz$pct_percibe_inseguridad,
  0.75,
  na.rm = TRUE
)

iqr_percepcion <- IQR(
  upz$pct_percibe_inseguridad,
  na.rm = TRUE
)

limite_inferior_percepcion <- q1_percepcion - 1.5 * iqr_percepcion
limite_superior_percepcion <- q3_percepcion + 1.5 * iqr_percepcion

# Clasificar las UPZ

datos_percepcion <- upz %>%
  filter(!is.na(pct_percibe_inseguridad)) %>%
  mutate(
    Clasificacion = case_when(
      pct_percibe_inseguridad < limite_inferior_percepcion ~ "Atípico inferior",
      pct_percibe_inseguridad > limite_superior_percepcion ~ "Atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# Tabla resumen de los límites

resumen_atipicos_percepcion <- data.frame(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores atípicos"
  ),
  Valor = c(
    q1_percepcion,
    q3_percepcion,
    iqr_percepcion,
    limite_inferior_percepcion,
    limite_superior_percepcion,
    sum(datos_percepcion$Clasificacion != "Dentro del rango")
  )
)

knitr::kable(
  resumen_atipicos_percepcion,
  digits = 2,
  caption = "Límites del rango intercuartílico y valores atípicos de percepción de inseguridad"
)
Límites del rango intercuartílico y valores atípicos de percepción de inseguridad
Indicador Valor
Primer cuartil (Q1) 44.75
Tercer cuartil (Q3) 74.33
Rango intercuartílico (IQR) 29.58
Límite inferior 0.38
Límite superior 118.71
Cantidad de valores atípicos 0.00
# Diez UPZ con mayor percepción

mayor_percepcion <- datos_percepcion %>%
  arrange(desc(pct_percibe_inseguridad)) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    pct_percibe_inseguridad,
    Clasificacion
  )

knitr::kable(
  mayor_percepcion,
  digits = 2,
  caption = "Diez UPZ con mayor percepción de inseguridad"
)
Diez UPZ con mayor percepción de inseguridad
upz_nombre localidad em_agrupada pct_percibe_inseguridad Clasificacion
Corabastos Kennedy FALSE 92.11 Dentro del rango
Tunjuelito Tunjuelito FALSE 91.82 Dentro del rango
Bosa Central Bosa FALSE 89.69 Dentro del rango
El Mochuelo Ciudad Bolívar TRUE 86.83 Dentro del rango
Monte Blanco Ciudad Bolívar TRUE 86.83 Dentro del rango
El Tesoro Ciudad Bolívar TRUE 86.83 Dentro del rango
Patio Bonito Kennedy FALSE 86.07 Dentro del rango
La Gloria San Cristóbal FALSE 86.04 Dentro del rango
Las Cruces Santa Fe FALSE 85.97 Dentro del rango
La Sabana Los Mártires FALSE 83.45 Dentro del rango
# Diez UPZ con menor percepción

menor_percepcion <- datos_percepcion %>%
  arrange(pct_percibe_inseguridad) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    pct_percibe_inseguridad,
    Clasificacion
  )

knitr::kable(
  menor_percepcion,
  digits = 2,
  caption = "Diez UPZ con menor percepción de inseguridad"
)
Diez UPZ con menor percepción de inseguridad
upz_nombre localidad em_agrupada pct_percibe_inseguridad Clasificacion
Casa Blanca Suba Suba FALSE 17.45 Dentro del rango
Bolivia Engativá FALSE 19.37 Dentro del rango
Ciudad Salitre Oriental Teusaquillo FALSE 20.37 Dentro del rango
El Refugio Chapinero TRUE 21.48 Dentro del rango
Chico Lago Chapinero TRUE 21.48 Dentro del rango
Usaquen Usaquén FALSE 24.45 Dentro del rango
Ciudad Salitre Occidental Fontibón FALSE 26.72 Dentro del rango
Capellania Fontibón TRUE 32.58 Dentro del rango
Aeropuerto El Dorado Fontibón TRUE 32.58 Dentro del rango
Parque Simon Bolivar - Can Teusaquillo TRUE 32.98 Dentro del rango
# Ordenar las UPZ según su percepción de inseguridad

datos_grafico_percepcion <- datos_percepcion %>%
  arrange(pct_percibe_inseguridad) %>%
  mutate(
    posicion = row_number(),
    Etiqueta = ifelse(
      Clasificacion == "Dentro del rango",
      NA,
      upz_nombre
    )
  )

ggplot(
  datos_grafico_percepcion,
  aes(
    x = posicion,
    y = pct_percibe_inseguridad,
    color = Clasificacion
  )
) +
  geom_hline(
    yintercept = limite_inferior_percepcion,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_hline(
    yintercept = limite_superior_percepcion,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +
  geom_text(
    data = datos_grafico_percepcion %>%
      filter(!is.na(Etiqueta)),
    aes(label = Etiqueta),
    nudge_y = 2,
    size = 3,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  scale_color_manual(
    values = c(
      "Dentro del rango" = "gray65",
      "Atípico inferior" = turquesa,
      "Atípico superior" = magenta
    )
  ) +
  scale_x_continuous(
    breaks = NULL
  ) +
  scale_y_continuous(
    labels = scales::label_number(suffix = "%")
  ) +
  labs(
    title = "Percepción de inseguridad por UPZ",
    subtitle = "Identificación de posibles valores atípicos mediante el criterio IQR",
    x = "UPZ ordenadas de menor a mayor",
    y = "Percepción de inseguridad (%)",
    color = "Clasificación",
    caption = "Líneas punteadas: límites del rango intercuartílico. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "bottom"
  )

La percepción de inseguridad presenta una media de 60,84 % y una mediana de 65,97 %, lo que evidencia una diferencia entre ambas medidas de tendencia central. La media inferior a la mediana sugiere una distribución con asimetría hacia los valores bajos, influenciada por algunas UPZ con porcentajes de percepción considerablemente menores.

La distribución muestra una concentración importante de territorios en niveles de percepción cercanos al 65 % y 75 %, aunque también se identifican UPZ con porcentajes inferiores. Esto evidencia diferencias territoriales en la percepción de inseguridad.

Por otra parte, la aplicación del criterio del rango intercuartílico no identificó valores atípicos. Esto indica que, bajo este criterio estadístico, ninguna UPZ presenta un valor suficientemente alejado de la distribución central para ser clasificado como atípico. Sin embargo, la ausencia de valores atípicos no implica homogeneidad entre los territorios.

5.4.4. Relación entre percepción de inseguridad y condiciones del entorno

Con el propósito de profundizar en el análisis de las condiciones territoriales, se exploran las relaciones entre la percepción de inseguridad y cuatro características del entorno: la cercanía a ollas, bares, lotes oscuros y basureros.

Este análisis permite identificar si las UPZ que presentan mayores porcentajes de viviendas cercanas a determinadas condiciones del entorno también tienden a registrar mayores niveles de percepción de inseguridad.

Para ello, se utiliza el coeficiente de correlación de Spearman, que permite identificar asociaciones monotónicas entre las variables sin exigir que su relación sea lineal. Los resultados se presentan mediante una matriz de correlaciones y un mapa de calor que facilita la identificación de la dirección y magnitud de las asociaciones.

# Selección de variables de percepción y condiciones del entorno

variables_relacion_entorno <- upz %>%
  select(
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros
  )

Matriz de correlaciones de Spearman Calculamos las correlaciones entre todos los indicadores. Se utiliza pairwise.complete.obs para aprovechar los datos disponibles en cada pareja de variables, excluyendo los valores faltantes correspondientes.

# Calcular matriz de correlaciones de Spearman

matriz_correlacion_entorno <- cor(
  variables_relacion_entorno,
  use = "pairwise.complete.obs",
  method = "spearman"
)

# Presentar matriz de correlaciones

knitr::kable(
  matriz_correlacion_entorno,
  digits = 3,
  caption = "Matriz de correlaciones de Spearman entre percepción y condiciones del entorno"
)
Matriz de correlaciones de Spearman entre percepción y condiciones del entorno
pct_percibe_inseguridad pct_cerca_ollas pct_cerca_bares pct_cerca_lotes_oscuros pct_cerca_basureros
pct_percibe_inseguridad 1.000 0.668 0.230 0.329 0.609
pct_cerca_ollas 0.668 1.000 0.517 0.722 0.833
pct_cerca_bares 0.230 0.517 1.000 0.405 0.387
pct_cerca_lotes_oscuros 0.329 0.722 0.405 1.000 0.755
pct_cerca_basureros 0.609 0.833 0.387 0.755 1.000

Mapa de calor de correlaciones Esta visualización permite reconocer rápidamente las asociaciones positivas y negativas entre las variables.

# Convertir matriz a formato largo

datos_correlacion_entorno <- as.data.frame(
  as.table(matriz_correlacion_entorno)
)

# Asignar nombres descriptivos

etiquetas_entorno <- c(
  pct_percibe_inseguridad = "Percepción de inseguridad",
  pct_cerca_ollas = "Cercanía a ollas",
  pct_cerca_bares = "Cercanía a bares",
  pct_cerca_lotes_oscuros = "Cercanía a lotes oscuros",
  pct_cerca_basureros = "Cercanía a basureros"
)

datos_correlacion_entorno <- datos_correlacion_entorno %>%
  mutate(
    Variable_1 = recode(as.character(Var1), !!!etiquetas_entorno),
    Variable_2 = recode(as.character(Var2), !!!etiquetas_entorno)
  )

# Orden de presentación

orden_entorno <- unname(etiquetas_entorno)

datos_correlacion_entorno <- datos_correlacion_entorno %>%
  mutate(
    Variable_1 = factor(Variable_1, levels = orden_entorno),
    Variable_2 = factor(Variable_2, levels = orden_entorno)
  )

# Mapa de calor

ggplot(
  datos_correlacion_entorno,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Freq
  )
) +
  geom_tile(
    color = "white",
    linewidth = 0.8
  ) +
  geom_text(
    aes(label = round(Freq, 2)),
    color = "black",
    size = 4
  ) +
  scale_fill_gradient2(
    low = turquesa,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Correlación"
  ) +
  labs(
    title = "Relación entre percepción de inseguridad y condiciones del entorno",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL,
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 35,
      hjust = 1
    ),
    panel.grid = element_blank()
  )

Consideraciones para interpretar los resultados Los coeficientes de Spearman permiten identificar la dirección y magnitud de las asociaciones entre las variables analizadas. Las correlaciones positivas indican que ambas variables tienden a aumentar conjuntamente, mientras que las negativas reflejan comportamientos inversos. Los valores cercanos a cero representan asociaciones monotónicas débiles o inexistentes.

Es importante aclarar que estas relaciones no demuestran causalidad ni permiten establecer que una condición del entorno produzca directamente una mayor percepción de inseguridad. Asimismo, los resultados corresponden a indicadores agregados por UPZ y deben interpretarse considerando las estimaciones agrupadas de la Encuesta Multipropósito (em_agrupada = TRUE).

Por tanto, este análisis tiene un alcance exploratorio y busca identificar patrones territoriales que puedan orientar investigaciones posteriores sobre las condiciones del entorno y la percepción de inseguridad.


Los resultados muestran asociaciones positivas entre la percepción de inseguridad y las cuatro condiciones del entorno analizadas. La relación más alta se presenta con la cercanía a ollas (ρ = 0,67), seguida de la cercanía a basureros (ρ = 0,61). Por su parte, la cercanía a lotes oscuros (ρ = 0,33) y a bares (ρ = 0,23) presentan asociaciones de menor magnitud.

También se identifican asociaciones importantes entre las propias condiciones del entorno. Destaca la relación entre la cercanía a ollas y basureros (ρ = 0,83), así como entre lotes oscuros y basureros (ρ = 0,76) y entre ollas y lotes oscuros (ρ = 0,72). Estos resultados sugieren que algunas condiciones del entorno tienden a coincidir en determinados territorios.

En conjunto, los resultados permiten identificar que la percepción de inseguridad presenta una mayor asociación con la cercanía a ollas y basureros que con los otros factores analizados. Sin embargo, estas relaciones no demuestran causalidad ni permiten establecer que dichas condiciones generen directamente una mayor percepción de inseguridad. Se trata de asociaciones territoriales que deben interpretarse dentro del alcance exploratorio del estudio.x|

5.4.5. Tiempo de desplazamiento hasta un CAI o estación de policía

La accesibilidad a los servicios de policía representa otra característica relevante para el análisis territorial. En este apartado se examina el tiempo promedio caminando desde las viviendas hasta un CAI o estación de policía, con el propósito de identificar diferencias entre las UPZ.

Se utilizan medidas descriptivas, un histograma y una comparación de los territorios con mayores y menores tiempos de desplazamiento. De esta manera, se busca reconocer cómo se distribuye la accesibilidad a estos servicios en las zonas estudiadas.

Este indicador representa un tiempo promedio de desplazamiento y no debe interpretarse como una medida directa de presencia policial, cobertura operativa o tiempo de respuesta ante una emergencia.

estadisticas_cai <- upz %>%
  summarise(
    Media = mean(min_cai_policia),
    Mediana = median(min_cai_policia),
    Desviacion = sd(min_cai_policia),
    Minimo = min(min_cai_policia),
    Q1 = quantile(min_cai_policia, 0.25),
    Q3 = quantile(min_cai_policia, 0.75),
    Maximo = max(min_cai_policia)
  )

knitr::kable(
  estadisticas_cai,
  digits = 2,
  caption = "Estadísticas descriptivas del tiempo de desplazamiento hasta un CAI"
)
Estadísticas descriptivas del tiempo de desplazamiento hasta un CAI
Media Mediana Desviacion Minimo Q1 Q3 Maximo
18.36 17.64 4.57 10.06 15.38 20.84 35.11

Ahora visualizamos la distribución de los tiempos.

# Calcular media y mediana

media_cai <- mean(
  upz$min_cai_policia,
  na.rm = TRUE
)

mediana_cai <- median(
  upz$min_cai_policia,
  na.rm = TRUE
)

# Histograma y curva de densidad

ggplot(
  upz,
  aes(x = min_cai_policia)
) +
  geom_histogram(
    aes(y = after_stat(density)),
    bins = 15,
    fill = morado,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +
  geom_density(
    color = magenta,
    fill = magenta,
    alpha = 0.15,
    linewidth = 1.1,
    na.rm = TRUE
  ) +
  geom_vline(
    xintercept = media_cai,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +
  geom_vline(
    xintercept = mediana_cai,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +
  labs(
    title = "Distribución del tiempo de desplazamiento a un CAI",
    subtitle = "Tiempo promedio caminando por UPZ",
    x = "Minutos caminando",
    y = "Densidad",
    caption = paste0(
      "Media: ", round(media_cai, 2),
      " minutos | Mediana: ", round(mediana_cai, 2),
      " minutos. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +
  tema_clase +
  theme(legend.position = "none")

Finalmente, identificamos las diez UPZ con mayores y menores tiempos.

# Calcular cuartiles y rango intercuartílico

q1_cai <- quantile(upz$min_cai_policia, 0.25, na.rm = TRUE)
q3_cai <- quantile(upz$min_cai_policia, 0.75, na.rm = TRUE)
iqr_cai <- IQR(upz$min_cai_policia, na.rm = TRUE)

limite_inferior_cai <- q1_cai - 1.5 * iqr_cai
limite_superior_cai <- q3_cai + 1.5 * iqr_cai

# Clasificar las UPZ

datos_cai <- upz %>%
  filter(!is.na(min_cai_policia)) %>%
  mutate(
    Clasificacion = case_when(
      min_cai_policia < limite_inferior_cai ~ "Atípico inferior",
      min_cai_policia > limite_superior_cai ~ "Atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# Resumen de límites y valores atípicos

resumen_atipicos_cai <- data.frame(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores atípicos"
  ),
  Valor = c(
    q1_cai,
    q3_cai,
    iqr_cai,
    limite_inferior_cai,
    limite_superior_cai,
    sum(datos_cai$Clasificacion != "Dentro del rango")
  )
)

knitr::kable(
  resumen_atipicos_cai,
  digits = 2,
  caption = "Límites del rango intercuartílico y valores atípicos del tiempo de desplazamiento a un CAI"
)
Límites del rango intercuartílico y valores atípicos del tiempo de desplazamiento a un CAI
Indicador Valor
Primer cuartil (Q1) 15.38
Tercer cuartil (Q3) 20.84
Rango intercuartílico (IQR) 5.46
Límite inferior 7.18
Límite superior 29.03
Cantidad de valores atípicos 1.00
# Diez UPZ con mayor tiempo

mayor_tiempo_cai <- datos_cai %>%
  arrange(desc(min_cai_policia)) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    min_cai_policia,
    Clasificacion
  )

knitr::kable(
  mayor_tiempo_cai,
  digits = 2,
  caption = "Diez UPZ con mayor tiempo promedio caminando hasta un CAI"
)
Diez UPZ con mayor tiempo promedio caminando hasta un CAI
upz_nombre localidad em_agrupada min_cai_policia Clasificacion
San Isidro - Patios Chapinero FALSE 35.11 Atípico superior
Fontibon San Pablo Fontibón FALSE 28.50 Dentro del rango
Quinta Paredes Teusaquillo FALSE 27.64 Dentro del rango
El Mochuelo Ciudad Bolívar TRUE 27.39 Dentro del rango
Monte Blanco Ciudad Bolívar TRUE 27.39 Dentro del rango
El Tesoro Ciudad Bolívar TRUE 27.39 Dentro del rango
Zona Franca Fontibón FALSE 27.00 Dentro del rango
Capellania Fontibón TRUE 26.31 Dentro del rango
Aeropuerto El Dorado Fontibón TRUE 26.31 Dentro del rango
San Cristobal Norte Usaquén FALSE 25.32 Dentro del rango
# Diez UPZ con menor tiempo

menor_tiempo_cai <- datos_cai %>%
  arrange(min_cai_policia) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    min_cai_policia,
    Clasificacion
  )

knitr::kable(
  menor_tiempo_cai,
  digits = 2,
  caption = "Diez UPZ con menor tiempo promedio caminando hasta un CAI"
)
Diez UPZ con menor tiempo promedio caminando hasta un CAI
upz_nombre localidad em_agrupada min_cai_policia Clasificacion
Sagrado Corazon Santa Fe TRUE 10.06 Dentro del rango
Las Nieves Santa Fe TRUE 10.06 Dentro del rango
Teusaquillo Teusaquillo FALSE 10.36 Dentro del rango
La Macarena Santa Fe FALSE 10.95 Dentro del rango
Lourdes Santa Fe FALSE 11.39 Dentro del rango
Restrepo Antonio Nariño FALSE 12.17 Dentro del rango
La Candelaria Candelaria FALSE 12.73 Dentro del rango
Los Alcazares Barrios Unidos FALSE 12.78 Dentro del rango
Galerias Teusaquillo FALSE 12.79 Dentro del rango
Danubio Usme TRUE 12.88 Dentro del rango
# Ordenar las UPZ y destacar los diez mayores y menores tiempos

datos_grafico_cai <- datos_cai %>%
  arrange(min_cai_policia) %>%
  mutate(
    posicion = row_number(),
    Grupo = case_when(
      posicion <= 10 ~ "Diez menores",
      posicion > n() - 10 ~ "Diez mayores",
      TRUE ~ "Otras UPZ"
    ),
    Etiqueta = ifelse(
      Grupo != "Otras UPZ",
      upz_nombre,
      NA
    )
  )

# Gráfico de comparación

ggplot(
  datos_grafico_cai,
  aes(
    x = posicion,
    y = min_cai_policia,
    color = Grupo,
    shape = Clasificacion
  )
) +
  geom_hline(
    yintercept = limite_inferior_cai,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_hline(
    yintercept = limite_superior_cai,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +
  geom_text(
    data = datos_grafico_cai %>%
      filter(!is.na(Etiqueta)),
    aes(label = Etiqueta),
    nudge_y = 0.8,
    size = 2.8,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  scale_color_manual(
    values = c(
      "Diez mayores" = magenta,
      "Diez menores" = turquesa,
      "Otras UPZ" = "gray65"
    )
  ) +
  scale_shape_manual(
    values = c(
      "Dentro del rango" = 16,
      "Atípico inferior" = 17,
      "Atípico superior" = 17
    )
  ) +
  scale_x_continuous(
    breaks = NULL
  ) +
  labs(
    title = "Tiempo de desplazamiento a un CAI por UPZ",
    subtitle = "Comparación de las diez UPZ con mayores y menores tiempos",
    x = "UPZ ordenadas de menor a mayor",
    y = "Minutos caminando",
    color = "Grupo",
    shape = "Clasificación IQR",
    caption = "Líneas punteadas: límites del criterio IQR. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "bottom"
  )

5.4.6. Relación entre la percepción de inseguridad y las condiciones del entorno

Después de analizar individualmente la percepción de inseguridad, las condiciones del entorno y la accesibilidad a los servicios de policía, se exploran las posibles relaciones entre estas variables.

El propósito es identificar si las UPZ que presentan mayores porcentajes de percepción de inseguridad también registran mayores porcentajes de viviendas cercanas a expendios de droga, bares, lotes baldíos o sitios oscuros y basureros. De igual manera, se examina la posible relación entre la percepción de inseguridad y el tiempo promedio de desplazamiento caminando hasta un CAI o estación de policía.

Para este ejercicio se utilizan gráficos de dispersión y el coeficiente de correlación de Spearman. Esta medida permite explorar la dirección y la intensidad de las asociaciones entre las variables, sin asumir necesariamente una relación lineal.

Los resultados deben interpretarse como asociaciones exploratorias y no como evidencia de causalidad. Adicionalmente, se debe considerar que algunas estimaciones de la Encuesta Multipropósito se encuentran agrupadas entre varias UPZ, lo que limita la independencia de las observaciones y exige precaución al comparar los resultados.

# 1. Preparar los datos de las cinco condiciones

relaciones_entorno <- upz %>%
  select(
    upz_nombre,
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros,
    min_cai_policia
  ) %>%
  pivot_longer(
    cols = c(
      pct_cerca_ollas,
      pct_cerca_bares,
      pct_cerca_lotes_oscuros,
      pct_cerca_basureros,
      min_cai_policia
    ),
    names_to = "Condicion",
    values_to = "Valor"
  ) %>%
  mutate(
    Condicion = recode(
      Condicion,
      pct_cerca_ollas = "Cercanía a expendios de droga",
      pct_cerca_bares = "Cercanía a bares",
      pct_cerca_lotes_oscuros = "Cercanía a lotes oscuros",
      pct_cerca_basureros = "Cercanía a basureros",
      min_cai_policia = "Tiempo de desplazamiento a un CAI"
    )
  )

# 2. Identificar posibles valores atípicos por condición

datos_grafico_entorno <- relaciones_entorno %>%
  filter(!is.na(Valor)) %>%
  group_by(Condicion) %>%
  mutate(
    Q1 = quantile(Valor, 0.25, na.rm = TRUE),
    Q3 = quantile(Valor, 0.75, na.rm = TRUE),
    IQR_valor = IQR(Valor, na.rm = TRUE),
    Limite_inferior = Q1 - 1.5 * IQR_valor,
    Limite_superior = Q3 + 1.5 * IQR_valor,
    Clasificacion = case_when(
      Valor < Limite_inferior |
        Valor > Limite_superior ~ "Posible atípico",
      TRUE ~ "Dentro del rango"
    )
  ) %>%
  ungroup()

# 3. Construir los gráficos de dispersión

ggplot(
  datos_grafico_entorno,
  aes(
    x = Valor,
    y = pct_percibe_inseguridad
  )
) +
  geom_point(
    aes(color = Clasificacion),
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    method = "lm",
    se = FALSE,
    color = morado,
    linewidth = 0.8
  ) +
  geom_text(
    data = datos_grafico_entorno %>%
      filter(Clasificacion == "Posible atípico"),
    aes(label = upz_nombre),
    color = magenta,
    size = 2.7,
    nudge_y = 2,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  facet_wrap(
    ~Condicion,
    scales = "free_x"
  ) +
  scale_color_manual(
    values = c(
      "Dentro del rango" = turquesa,
      "Posible atípico" = magenta
    )
  ) +
  labs(
    title = "Percepción de inseguridad y condiciones del entorno",
    subtitle = "Relación exploratoria e identificación de posibles valores atípicos por UPZ",
    x = "Valor de la condición analizada",
    y = "Percepción de inseguridad (%)",
    color = "Clasificación IQR",
    caption = "Los posibles atípicos se identifican sobre cada variable del eje X. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    legend.position = "bottom"
  )

La línea representa una tendencia lineal de referencia. No significa que exista una relación causal.

Matriz de correlaciones entre percepción de inseguridad y condiciones del entorno

Para complementar el análisis de las relaciones entre las variables, se construye una matriz de correlaciones representada mediante un mapa de calor. Esta visualización permite identificar de manera conjunta la dirección y la intensidad de las asociaciones entre la percepción de inseguridad, las condiciones del entorno y el tiempo de desplazamiento hasta los servicios de policía.

Se utiliza el coeficiente de correlación de Spearman, cuyos valores oscilan entre -1 y 1. Los valores positivos representan asociaciones directas, mientras que los negativos indican asociaciones inversas. Los valores cercanos a cero reflejan asociaciones monotónicas débiles.

La representación mediante colores facilita la identificación de patrones y permite comparar visualmente las relaciones entre las variables seleccionadas.

# Cálculo de la matriz de correlaciones de Spearman

matriz_correlacion_entorno <- upz %>%
  select(
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros,
    min_cai_policia
  ) %>%
  cor(
    method = "spearman",
    use = "complete.obs"
  )

# Transformación de la matriz a formato largo

correlaciones_largas <- as.data.frame(
  as.table(matriz_correlacion_entorno)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Construcción del mapa de calor

ggplot(
  correlaciones_largas,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Correlacion
  )
) +
  geom_tile(
    color = "white",
    linewidth = 1
  ) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3.5
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Correlación"
  ) +
  labs(
    title = "Mapa de calor de correlaciones",
    subtitle = "Percepción de inseguridad y condiciones del entorno",
    x = NULL,
    y = NULL,
    caption = "Método: Spearman | Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 45,
      hjust = 1,
      color = morado
    ),
    axis.text.y = element_text(
      color = morado
    ),
    panel.grid = element_blank(),
    legend.position = "right"
  )

5.5. Análisis de delitos de alto impacto

En esta sección se analiza el comportamiento de los delitos registrados en las UPZ de Bogotá durante el periodo comprendido entre enero y julio de 2023, con el propósito de identificar patrones, diferencias territoriales y concentraciones de denuncias.

El análisis parte de la totalidad de las categorías de delitos disponibles en la base de datos. Posteriormente, se examinará su participación dentro del total de registros para identificar aquellas categorías que concentran una proporción representativa de las denuncias y que serán objeto de un análisis más detallado.

Se considerarán tanto el número de casos registrados como las tasas por cada 10.000 habitantes, dado que estas medidas permiten observar dimensiones diferentes del fenómeno: el volumen de denuncias y su relación con el tamaño poblacional de cada territorio.

Adicionalmente, se identificarán posibles valores atípicos y se evaluará su influencia en las estadísticas descriptivas, prestando especial atención a las UPZ con poblaciones reducidas.

Los resultados corresponden a denuncias registradas y no necesariamente a la totalidad de los hechos delictivos ocurridos. Por tanto, su interpretación tendrá en cuenta las limitaciones de cobertura, el periodo de observación y las características de los indicadores utilizados.

5.5.1. Selección de variables

Para desarrollar el análisis de los delitos registrados en las UPZ, se seleccionan las variables correspondientes al número de casos y las tasas por cada 10.000 habitantes. Se incluyen también los campos de identificación territorial y población, que permitirán relacionar los registros y contextualizar los resultados.

En esta etapa se conservan todas las categorías de delitos disponibles en la base de datos. El propósito es reconocer la información existente y preparar los datos para los análisis posteriores, sin excluir todavía ninguna categoría.

# Selección de variables relacionadas con los delitos de alto impacto

variables_delitos <- upz %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    poblacion,
    starts_with("casos_"),
    starts_with("tasa_")
  )

# Visualización de las variables seleccionadas

head(variables_delitos)
upz_cod upz_nombre localidad poblacion casos_homicidios casos_lesiones casos_hurto_personas casos_hurto_residencias casos_hurto_automotor casos_hurto_bicicletas casos_hurto_comercio casos_hurto_celulares casos_hurto_motos casos_violencia_intrafamiliar casos_total tasa_homicidios tasa_lesiones tasa_hurto_personas tasa_hurto_residencias tasa_hurto_automotor tasa_hurto_bicicletas tasa_hurto_comercio tasa_hurto_celulares tasa_hurto_motos tasa_violencia_intrafamiliar tasa_total
1 Paseo De Los Libertadores Usaquén 2690 0 8 44 1 0 1 3 17 0 0 74 0.00 29.74 163.57 3.72 0.00 3.72 11.15 63.20 0.00 0.00 275.09
2 La Academia Suba 5260 1 3 75 0 3 1 9 26 0 5 123 1.90 5.70 142.59 0.00 5.70 1.90 17.11 49.43 0.00 9.51 233.84
3 Guaymaral Suba 2692 0 1 29 0 0 2 2 9 0 2 45 0.00 3.71 107.73 0.00 0.00 7.43 7.43 33.43 0.00 7.43 167.16
9 Verbenal Usaquén 131999 3 104 386 29 19 17 26 125 30 205 944 0.23 7.88 29.24 2.20 1.44 1.29 1.97 9.47 2.27 15.53 71.52
10 La Uribe Usaquén 37014 1 26 328 31 4 14 47 129 1 40 621 0.27 7.02 88.62 8.38 1.08 3.78 12.70 34.85 0.27 10.81 167.77
11 San Cristobal Norte Usaquén 72939 4 73 351 27 5 11 39 117 9 157 793 0.55 10.01 48.12 3.70 0.69 1.51 5.35 16.04 1.23 21.52 108.72

5.5.2. Identificación de UPZ con población reducida

La distribución poblacional de las UPZ presenta diferencias importantes, por lo que resulta necesario identificar los territorios con menor población antes de interpretar las tasas de delitos por cada 10.000 habitantes.

Para este propósito, se utiliza el percentil 10 (P10) de la distribución poblacional como criterio exploratorio. Este punto de corte permite identificar el grupo de UPZ ubicado en el 10 % inferior de la distribución y reconocer aquellas unidades territoriales que requieren especial precaución al comparar sus tasas.

La identificación se complementa con una representación gráfica de las poblaciones, ordenadas de menor a mayor, en la que se señala el umbral correspondiente al P10.

Es importante aclarar que este criterio no implica que las UPZ identificadas deban excluirse automáticamente. Sus registros se conservarán para el análisis de casos y se evaluará posteriormente cómo influye su inclusión en los resultados de las tasas.

# Calcular el percentil 10 de la población

punto_corte_poblacion <- quantile(
  variables_delitos$poblacion,
  probs = 0.10,
  na.rm = TRUE
)

# Ordenar y clasificar las UPZ

grafico_poblacion <- variables_delitos %>%
  filter(!is.na(poblacion), poblacion > 0) %>%
  arrange(poblacion) %>%
  mutate(
    orden = row_number(),
    grupo = if_else(
      poblacion <= as.numeric(punto_corte_poblacion),
      "Población inferior al P10",
      "Resto de UPZ"
    )
  )

# Gráfico de distribución poblacional

ggplot(
  grafico_poblacion,
  aes(x = orden, y = poblacion, color = grupo)
) +
  geom_point(size = 2.5, alpha = 0.85) +
  geom_hline(
    yintercept = as.numeric(punto_corte_poblacion),
    linetype = "dashed",
    color = "magenta",
    linewidth = 0.8
  ) +
  geom_text(
    data = filter(
      grafico_poblacion,
      upz_nombre == "El Mochuelo"
    ),
    aes(label = upz_nombre),
    hjust = -0.1,
    size = 3.5,
    show.legend = FALSE
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Población inferior al P10" = "magenta",
      "Resto de UPZ" = "grey60"
    )
  ) +
  labs(
    title = "Distribución poblacional de las UPZ",
    subtitle = paste(
      "Percentil 10:",
      scales::comma(round(as.numeric(punto_corte_poblacion), 0)),
      "habitantes"
    ),
    x = "UPZ ordenadas de menor a mayor población",
    y = "Población (escala logarítmica)",
    color = "Clasificación",
    caption = "Fuente: Elaboración propia con base en la población de las UPZ."
  ) +
  tema_clase

# Calcular el percentil 10 y los límites del rango intercuartílico

p10 <- quantile(
  variables_delitos$poblacion,
  probs = 0.10,
  na.rm = TRUE
)

q1 <- quantile(variables_delitos$poblacion, 0.25, na.rm = TRUE)
q3 <- quantile(variables_delitos$poblacion, 0.75, na.rm = TRUE)
riq <- q3 - q1

limite_inferior <- q1 - 1.5 * riq
limite_superior <- q3 + 1.5 * riq

# Clasificar las UPZ

datos_boxplot_poblacion <- variables_delitos %>%
  filter(!is.na(poblacion), poblacion > 0) %>%
  mutate(
    Clasificacion = case_when(
      poblacion < limite_inferior |
        poblacion > limite_superior ~ "Atípico según IQR",
      poblacion <= as.numeric(p10) ~ "Inferior al P10",
      TRUE ~ "Resto de UPZ"
    )
  )

# Representación gráfica

ggplot(
  datos_boxplot_poblacion,
  aes(x = poblacion, y = 1)
) +
  geom_boxplot(
    width = 0.35,
    fill = "grey90",
    color = morado,
    outlier.shape = NA
  ) +
  geom_jitter(
    aes(color = Clasificacion),
    height = 0.08,
    width = 0,
    size = 2.5,
    alpha = 0.85
  ) +
  geom_vline(
    xintercept = as.numeric(p10),
    color = "magenta",
    linetype = "dashed",
    linewidth = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Atípico según IQR" = "#D9006C",
      "Inferior al P10" = "#168C86",
      "Resto de UPZ" = "grey60"
    )
  ) +
  labs(
    title = "Distribución de la población de las UPZ",
    subtitle = "Diagrama de caja, observaciones individuales y umbral P10",
    x = "Población por UPZ (escala logarítmica)",
    y = NULL,
    color = "Clasificación",
    caption = "El P10 identifica el 10 % inferior; el IQR identifica valores atípicos estadísticos."
  ) +
  tema_clase +
  theme(
    axis.text.y = element_blank(),
    axis.ticks.y = element_blank(),
    panel.grid.major.y = element_blank()
  )

5.5.3. Comparación de criterios de población reducida: P10 y P13

Con el propósito de evaluar diferentes criterios para identificar UPZ con población reducida, se comparan los percentiles 10 (P10) y 13 (P13) de la distribución poblacional.

El P10 permite identificar el grupo ubicado en el 10 % inferior de la distribución, mientras que el P13 amplía moderadamente este conjunto. Esta comparación busca establecer si la incorporación de algunas UPZ adicionales permite representar mejor los territorios que requieren precaución al interpretar las tasas de delitos.

Se presentan los puntos de corte, la cantidad y proporción de UPZ identificadas bajo cada criterio, así como las unidades territoriales que se incorporan al pasar del P10 al P13.

La comparación se complementa con un diagrama de caja y bigotes y la representación de las observaciones individuales. Esto permite visualizar los umbrales frente a la distribución general de la población y reconocer posibles valores atípicos.

Los percentiles se utilizan como criterios exploratorios de identificación y no como reglas automáticas de exclusión. La decisión final se apoyará en la revisión de los resultados y en la sensibilidad de las tasas de delitos.

# Preparar población válida de las UPZ

datos_poblacion <- variables_delitos %>%
  filter(!is.na(poblacion), poblacion > 0)

total_upz <- nrow(datos_poblacion)

# Calcular los percentiles 10 y 13

percentiles_poblacion <- quantile(
  datos_poblacion$poblacion,
  probs = c(0.10, 0.13),
  na.rm = TRUE
)

p10 <- as.numeric(percentiles_poblacion[1])
p13 <- as.numeric(percentiles_poblacion[2])

# Clasificar las UPZ según los criterios

comparacion_poblacion <- datos_poblacion %>%
  arrange(poblacion) %>%
  mutate(
    Clasificacion = case_when(
      poblacion <= p10 ~ "Inferior o igual al P10",
      poblacion <= p13 ~ "Incorporadas entre P10 y P13",
      TRUE ~ "Resto de UPZ"
    )
  )

# Resumen de cantidad y porcentaje de UPZ por grupo

resumen_percentiles <- comparacion_poblacion %>%
  count(Clasificacion, name = "Cantidad_UPZ") %>%
  mutate(
    Porcentaje_UPZ = Cantidad_UPZ / total_upz * 100
  )

knitr::kable(
  resumen_percentiles,
  digits = 2,
  caption = "Distribución de UPZ según los criterios P10 y P13"
)
Distribución de UPZ según los criterios P10 y P13
Clasificacion Cantidad_UPZ Porcentaje_UPZ
Incorporadas entre P10 y P13 3 2.68
Inferior o igual al P10 12 10.71
Resto de UPZ 97 86.61
# Tabla de puntos de corte

tabla_percentiles <- tibble(
  Criterio = c("Percentil 10 (P10)", "Percentil 13 (P13)"),
  Poblacion = c(p10, p13)
)

knitr::kable(
  tabla_percentiles,
  digits = 0,
  caption = "Puntos de corte de la distribución poblacional"
)
Puntos de corte de la distribución poblacional
Criterio Poblacion
Percentil 10 (P10) 11330
Percentil 13 (P13) 14512
# Identificar las UPZ adicionales incorporadas por el P13

upz_adicionales_p13 <- comparacion_poblacion %>%
  filter(Clasificacion == "Incorporadas entre P10 y P13") %>%
  select(upz_nombre, localidad, poblacion) %>%
  mutate(
    Porcentaje_del_total = 100 / total_upz
  ) %>%
  arrange(poblacion)

knitr::kable(
  upz_adicionales_p13,
  digits = 2,
  caption = "UPZ adicionales incorporadas al ampliar el criterio de P10 a P13"
)
UPZ adicionales incorporadas al ampliar el criterio de P10 a P13
upz_nombre localidad poblacion Porcentaje_del_total
Alamos Engativá 12077 0.89
La Macarena Santa Fe 12253 0.89
Puente Aranda Puente Aranda 12482 0.89
# Calcular límites del rango intercuartílico

q1 <- quantile(datos_poblacion$poblacion, 0.25)
q3 <- quantile(datos_poblacion$poblacion, 0.75)
riq <- q3 - q1

limite_inferior <- q1 - 1.5 * riq
limite_superior <- q3 + 1.5 * riq

# Clasificar las observaciones para el gráfico

datos_boxplot_poblacion <- comparacion_poblacion %>%
  mutate(
    Clasificacion_grafica = case_when(
      poblacion <= p10 ~ "Inferior o igual al P10",
      poblacion <= p13 ~ "Incorporadas entre P10 y P13",
      poblacion < limite_inferior |
        poblacion > limite_superior ~ "Atípico según IQR",
      TRUE ~ "Resto de UPZ"
    )
  )

# Diagrama de caja y bigotes con observaciones individuales

ggplot(
  datos_boxplot_poblacion,
  aes(x = poblacion, y = 1)
) +
  geom_boxplot(
    width = 0.35,
    fill = "grey90",
    color = morado,
    outlier.shape = NA
  ) +
  geom_jitter(
    aes(color = Clasificacion_grafica),
    height = 0.08,
    width = 0,
    size = 2.5,
    alpha = 0.85
  ) +
  geom_vline(
    xintercept = p10,
    color = "magenta",
    linetype = "dashed",
    linewidth = 0.8
  ) +
  geom_vline(
    xintercept = p13,
    color = "#168C86",
    linetype = "dashed",
    linewidth = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Inferior o igual al P10" = "magenta",
      "Incorporadas entre P10 y P13" = "#168C86",
      "Atípico según IQR" = "#D9A441",
      "Resto de UPZ" = "grey60"
    )
  ) +
  labs(
    title = "Distribución poblacional y criterios de identificación",
    subtitle = paste0(
      "P10: ", scales::comma(round(p10)),
      " habitantes | P13: ", scales::comma(round(p13)),
      " habitantes"
    ),
    x = "Población por UPZ (escala logarítmica)",
    y = NULL,
    color = "Clasificación",
    caption = "P10 y P13: umbrales percentiles. IQR: valores atípicos estadísticos."
  ) +
  tema_clase +
  theme(
    axis.text.y = element_blank(),
    axis.ticks.y = element_blank(),
    panel.grid.major.y = element_blank()
  )

Conclusión La comparación de los percentiles 10 y 13 permitió evaluar diferentes criterios para identificar las UPZ con menor población. El P10 estableció un umbral de 11.330 habitantes, identificando 12 UPZ, equivalentes al 10,71 % del total. Por su parte, el P13 estableció un umbral de 14.512 habitantes e incorporó tres unidades territoriales adicionales: Álamos, La Macarena y Puente Aranda.

Con este segundo criterio se identifican 15 UPZ, que representan el 13,39 % de las 112 unidades territoriales analizadas. La ampliación permite incluir territorios con poblaciones cercanas al grupo inicialmente identificado, sin extender excesivamente el umbral.

Por lo anterior, se adopta el percentil 13 como criterio de identificación para los análisis de sensibilidad posteriores. Las UPZ identificadas no serán eliminadas de la base de datos; sus registros se conservarán para el análisis de casos y se evaluará por separado su influencia en la interpretación de las tasas por cada 10.000 habitantes.

5.5.4. Participación de cada delito en el total de casos registrados

Con el propósito de identificar cuáles categorías concentran una mayor proporción de las denuncias registradas, se analiza la composición del total de casos de delitos en las UPZ estudiadas.

Para este ejercicio se suman los casos registrados en cada categoría de delito y se calcula su participación porcentual frente al total de denuncias acumuladas. Los resultados se presentan mediante una tabla y un gráfico de barras que facilitan la comparación entre las diferentes categorías.

Este análisis permite reconocer la composición de los registros administrativos e identificar los delitos que tienen mayor participación dentro del conjunto analizado. Posteriormente, estos resultados servirán como referencia para seleccionar las categorías que serán objeto de una exploración más detallada.

Para evitar duplicaciones, se excluye la variable de total de casos del cálculo, dado que esta corresponde a la suma de las categorías individuales. Los resultados corresponden al periodo comprendido entre enero y julio de 2023 y representan denuncias registradas, no necesariamente la totalidad de los hechos ocurridos.

# Sumar los casos registrados por categoría de delito
# Se excluye casos_total porque ya contiene la suma de las categorías

participacion_delitos <- variables_delitos %>%
  select(starts_with("casos_"), -casos_total) %>%
  summarise(
    across(everything(), ~sum(.x, na.rm = TRUE))
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Delito",
    values_to = "Casos"
  ) %>%
  mutate(
    Delito = str_remove(Delito, "^casos_"),
    Delito = str_replace_all(Delito, "_", " "),
    Delito = str_to_title(Delito),
    Participacion = Casos / sum(Casos) * 100
  ) %>%
  arrange(desc(Participacion))

# Presentación de resultados

knitr::kable(
  participacion_delitos,
  digits = 2,
  col.names = c(
    "Tipo de delito",
    "Casos registrados",
    "Participación (%)"
  ),
  caption = "Participación de cada categoría en el total de casos registrados"
)
Participación de cada categoría en el total de casos registrados
Tipo de delito Casos registrados Participación (%)
Hurto Personas 85398 52.44
Hurto Celulares 30906 18.98
Violencia Intrafamiliar 16053 9.86
Lesiones 9894 6.08
Hurto Comercio 6016 3.69
Hurto Bicicletas 4586 2.82
Hurto Residencias 4340 2.67
Hurto Motos 2863 1.76
Hurto Automotor 2180 1.34
Homicidios 599 0.37

5.5.5. Análisis de Pareto y selección de categorías

Con el fin de identificar las categorías de delitos que concentran la mayor proporción de los casos registrados, se aplica el principio de Pareto. Para ello, se ordenan las categorías de mayor a menor número de casos y se calcula su participación porcentual acumulada.

La curva permite observar qué proporción del total de denuncias se concentra en las primeras categorías y establecer un criterio objetivo para reducir la cantidad de variables que serán examinadas en profundidad.

Los resultados muestran que las tres primeras categorías —hurto a personas, hurto de celulares y violencia intrafamiliar— concentran el 81,28 % de los casos registrados. Al incorporar lesiones, la participación acumulada alcanza el 87,36 %, mientras que las cinco primeras categorías representan el 91,05 %.

Por tanto, el criterio de Pareto del 80 % permite seleccionar las tres primeras categorías como núcleo del análisis detallado. Las demás categorías se conservarán en la base de datos y en el análisis general, pero no serán desarrolladas con el mismo nivel de profundidad.

# Construir la tabla de Pareto a partir de la participación calculada

pareto_delitos <- participacion_delitos %>%
  arrange(desc(Casos)) %>%
  mutate(
    Participacion_acumulada = cumsum(Participacion),
    Seleccion = ifelse(
      row_number() <= 5,
      "Categorías seleccionadas",
      "Otras categorías"
    )
  )

# Construir el gráfico de Pareto

ggplot(pareto_delitos, aes(x = seq_along(Delito))) +
  geom_col(
    aes(y = Participacion, fill = Seleccion),
    alpha = 0.8,
    width = 0.75
  ) +
  geom_line(
    aes(y = Participacion_acumulada, group = 1),
    color = "firebrick",
    linewidth = 1
  ) +
  geom_point(
    aes(y = Participacion_acumulada, color = Seleccion),
    size = 3
  ) +
  geom_vline(
    xintercept = 5.5,
    linetype = "dashed",
    color = "darkgreen"
  ) +
  geom_hline(
    yintercept = 80,
    linetype = "dotted",
    color = "gray40"
  ) +
  annotate(
    "label",
    x = 5,
    y = 96,
    label = "5 categorías = 91,1 %",
    fontface = "bold",
    size = 4
  ) +
  scale_x_continuous(
    breaks = seq_along(pareto_delitos$Delito),
    labels = pareto_delitos$Delito
  ) +
  scale_y_continuous(
    limits = c(0, 105),
    breaks = seq(0, 100, 20),
    name = "Participación (%)"
  ) +
  scale_fill_manual(
    values = c(
      "Categorías seleccionadas" = "steelblue",
      "Otras categorías" = "gray75"
    )
  ) +
  scale_color_manual(
    values = c(
      "Categorías seleccionadas" = "steelblue",
      "Otras categorías" = "gray50"
    )
  ) +
  labs(
    title = "Selección de categorías mediante análisis de Pareto",
    subtitle = "Las cinco primeras categorías concentran el 91,1 % de los casos",
    x = "Categorías de delitos",
    fill = "Grupo",
    color = "Grupo",
    caption = "La línea vertical delimita las cinco categorías seleccionadas."
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(
      angle = 45,
      hjust = 1
    ),
    legend.position = "bottom"
  )

La aplicación del análisis de Pareto permitió identificar que las cinco categorías con mayor número de casos concentran el 91,05 % de las denuncias registradas entre enero y julio de 2023. Estas corresponden a hurto a personas, hurto de celulares, violencia intrafamiliar, lesiones y hurto a comercio.

Aunque las tres primeras categorías superan el umbral del 80 %, se decide incorporar las cinco principales para ampliar la cobertura del análisis y conservar una representación más completa de las problemáticas delictivas registradas.

En consecuencia, estas cinco categorías serán priorizadas en los análisis posteriores, mientras que las demás permanecerán en la base de datos y en los resultados generales, sin ser objeto del mismo nivel de profundización.

5.5.6. Distribución territorial de las cinco categorías priorizadas

A partir del análisis de Pareto, se seleccionaron cinco categorías que concentran el 91,05 % de los casos registrados. En este apartado se examina su comportamiento territorial en las UPZ de Bogotá, considerando tanto el número de casos como las tasas por cada 10.000 habitantes.

Para facilitar la comparación, se construye un indicador agregado que reúne los casos de las cinco categorías seleccionadas y sus respectivas tasas. Posteriormente, se identifican las diez UPZ con mayor número de registros mediante una tabla y un gráfico de barras.

Este ejercicio permite reconocer los territorios que concentran el mayor volumen de denuncias dentro de las categorías priorizadas. Se mantienen todas las UPZ en la base de análisis y se tendrá especial precaución al interpretar las tasas de territorios con población reducida.

# Seleccionar las cinco categorías priorizadas

variables_cinco_delitos <- variables_delitos %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    poblacion,
    casos_hurto_personas,
    casos_hurto_celulares,
    casos_violencia_intrafamiliar,
    casos_lesiones,
    casos_hurto_comercio,
    tasa_hurto_personas,
    tasa_hurto_celulares,
    tasa_violencia_intrafamiliar,
    tasa_lesiones,
    tasa_hurto_comercio
  )

# Consolidar casos y tasas por UPZ

resumen_cinco_delitos <- variables_cinco_delitos %>%
  mutate(
    casos_seleccionados =
      casos_hurto_personas +
      casos_hurto_celulares +
      casos_violencia_intrafamiliar +
      casos_lesiones +
      casos_hurto_comercio,
    tasa_seleccionada =
      tasa_hurto_personas +
      tasa_hurto_celulares +
      tasa_violencia_intrafamiliar +
      tasa_lesiones +
      tasa_hurto_comercio
  ) %>%
  mutate(
    participacion_total =
      casos_seleccionados / sum(casos_seleccionados) * 100,
    grupo_poblacion = ifelse(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    )
  ) %>%
  arrange(desc(casos_seleccionados))

# Identificar las diez UPZ con mayor número de casos

ranking_cinco_delitos <- resumen_cinco_delitos %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    casos_seleccionados,
    participacion_total,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10)

# Tabla de resultados

knitr::kable(
  ranking_cinco_delitos,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Población",
    "Casos",
    "Participación (%)",
    "Tasa por 10.000 hab.",
    "Clasificación poblacional"
  ),
  caption = "Diez UPZ con mayor número de casos en las cinco categorías priorizadas"
)
Diez UPZ con mayor número de casos en las cinco categorías priorizadas
UPZ Localidad Población Casos Participación (%) Tasa por 10.000 hab. Clasificación poblacional
La Sabana Los Mártires 38856 5192 3.50 1336.22 Resto de UPZ
Chico Lago Chapinero 38608 4872 3.29 1261.91 Resto de UPZ
Las Nieves Santa Fe 17203 3963 2.67 2303.67 Resto de UPZ
El Rincon Suba 295322 3398 2.29 115.06 Resto de UPZ
Los Alcazares Barrios Unidos 44678 3255 2.20 728.55 Resto de UPZ
Bosa Central Bosa 237111 3012 2.03 127.03 Resto de UPZ
Galerias Teusaquillo 38425 2900 1.96 754.71 Resto de UPZ
Chapinero Chapinero 26491 2816 1.90 1063.01 Resto de UPZ
Las Ferias Engativá 100848 2797 1.89 277.34 Resto de UPZ
Teusaquillo Teusaquillo 28881 2787 1.88 964.99 Resto de UPZ
# Gráfico con participación porcentual y clasificación P13

ggplot(
  ranking_cinco_delitos,
  aes(
    x = reorder(upz_nombre, casos_seleccionados),
    y = casos_seleccionados,
    fill = grupo_poblacion
  )
) +
  geom_col(width = 0.7) +
  geom_text(
    aes(
      label = paste0(
        scales::label_number(big.mark = ".")(casos_seleccionados),
        " | ",
        round(participacion_total, 2),
        "%"
      )
    ),
    hjust = -0.12,
    size = 3.3,
    color = morado
  ) +
  coord_flip() +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  scale_y_continuous(
    labels = scales::label_number(big.mark = "."),
    expand = expansion(mult = c(0, 0.28))
  ) +
  labs(
    title = "Concentración territorial de las cinco categorías priorizadas",
    subtitle = "Casos registrados y participación sobre el total de las UPZ",
    x = NULL,
    y = "Número de casos",
    fill = "Clasificación poblacional",
    caption = "P13: UPZ con población igual o inferior a 14.512 habitantes. Fuente: Secretaría Distrital de Seguridad, Convivencia y Justicia, 2023."
  ) +
  tema_clase

5.5.7. Identificación de las UPZ con mayores tasas en las cinco categorías priorizadas

Una vez identificadas las UPZ que concentran el mayor volumen de casos, se examinan las tasas correspondientes a las cinco categorías priorizadas, calculadas por cada 10.000 habitantes.

Este análisis permite reconocer territorios que presentan una mayor intensidad relativa de denuncias frente a su población, incluso cuando su número absoluto de casos no se encuentra entre los más elevados.

Se construye un ranking de las diez UPZ con mayores tasas agregadas, acompañado de una tabla y un gráfico para facilitar su comparación. Se identifican visualmente las UPZ pertenecientes al grupo de población reducida definido mediante el percentil 13 (P13), debido a que sus tasas pueden verse amplificadas por el tamaño del denominador.

La clasificación se utiliza con fines exploratorios y no implica que una tasa elevada represente necesariamente una mayor probabilidad individual de ser víctima de un delito.

# Identificar las diez UPZ con mayores tasas agregadas

ranking_tasas_cinco <- resumen_cinco_delitos %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10)

# Presentar tabla de resultados

knitr::kable(
  ranking_tasas_cinco,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Población",
    "Casos registrados",
    "Tasa por 10.000 hab.",
    "Clasificación P13"
  ),
  caption = "Diez UPZ con mayores tasas en las cinco categorías priorizadas"
)
Diez UPZ con mayores tasas en las cinco categorías priorizadas
UPZ Localidad Población Casos registrados Tasa por 10.000 hab. Clasificación P13
El Mochuelo Ciudad Bolívar 30 32 10666.66 UPZ identificada en P13
Aeropuerto El Dorado Fontibón 883 509 5764.44 UPZ identificada en P13
Parque Simon Bolivar - Can Teusaquillo 3323 911 2741.50 UPZ identificada en P13
Las Nieves Santa Fe 17203 3963 2303.67 Resto de UPZ
Zona Industrial Puente Aranda 6666 1498 2247.22 UPZ identificada en P13
Sagrado Corazon Santa Fe 11247 1660 1475.95 UPZ identificada en P13
Parque Salitre Barrios Unidos 1442 212 1470.18 UPZ identificada en P13
La Sabana Los Mártires 38856 5192 1336.22 Resto de UPZ
Chico Lago Chapinero 38608 4872 1261.91 Resto de UPZ
Puente Aranda Puente Aranda 12482 1458 1168.08 UPZ identificada en P13
# Gráfico de tasas

ggplot(
  ranking_tasas_cinco,
  aes(
    x = reorder(upz_nombre, tasa_seleccionada),
    y = tasa_seleccionada,
    fill = grupo_poblacion
  )
) +
  geom_col(width = 0.7) +
  geom_text(
    aes(label = round(tasa_seleccionada, 1)),
    hjust = -0.15,
    size = 3.5,
    color = morado
  ) +
  coord_flip() +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  scale_y_continuous(
    expand = expansion(mult = c(0, 0.18))
  ) +
  labs(
    title = "UPZ con mayores tasas en las cinco categorías priorizadas",
    subtitle = "Casos registrados por cada 10.000 habitantes",
    x = NULL,
    y = "Tasa por cada 10.000 habitantes",
    fill = "Clasificación poblacional",
    caption = "Se destacan las UPZ con población igual o inferior a 14.512 habitantes."
  ) +
  tema_clase

5.5.8. Relación entre población y tasas de las cinco categorías priorizadas

Para complementar el análisis territorial, se examina la relación entre el tamaño poblacional de las UPZ y las tasas agregadas de las cinco categorías de delitos seleccionadas.

Se utiliza un gráfico de dispersión en el que cada punto representa una UPZ. El eje horizontal corresponde a su población y el eje vertical a la tasa agregada por cada 10.000 habitantes. Adicionalmente, se diferencian mediante colores las UPZ identificadas con el criterio P13 y el resto de los territorios.

Esta visualización permite explorar si las tasas más elevadas se presentan principalmente en territorios con poblaciones reducidas y reconocer posibles observaciones extremas que requieren una interpretación particular.

El análisis conserva las 112 UPZ y utiliza una escala logarítmica para el eje poblacional, facilitando la comparación entre territorios de tamaños muy diferentes.

# Gráfico de dispersión: población y tasa de las cinco categorías

ggplot(
  resumen_cinco_delitos,
  aes(
    x = poblacion,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    size = 3,
    alpha = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma(big.mark = ".")
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Relación entre población y tasas de delitos por UPZ",
    subtitle = "Comportamiento de las cinco categorías priorizadas",
    x = "Población de la UPZ (escala logarítmica)",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional",
    caption = "Cada punto representa una UPZ. P13: población igual o inferior a 14.512 habitantes."
  ) +
  tema_clase

5.5.9. Análisis de sensibilidad de las tasas según el tamaño poblacional

A partir de la identificación de las UPZ con población reducida, se realiza un análisis de sensibilidad para examinar las diferencias en la distribución de las tasas agregadas de las cinco categorías priorizadas.

Para ello, se comparan las UPZ identificadas mediante el percentil 13 (P13) con el resto de los territorios, utilizando medidas descriptivas como la media, la mediana, la desviación estándar y los valores extremos.

Los resultados se presentan mediante una tabla y un diagrama de cajas, que permiten observar las diferencias entre ambos grupos y reconocer la influencia que pueden tener las poblaciones reducidas en la distribución de las tasas.

Este ejercicio no implica excluir unidades territoriales. Su propósito es evaluar la sensibilidad de los resultados y establecer precauciones para interpretar las comparaciones entre UPZ.

# Comparar las tasas agregadas según la clasificación poblacional

sensibilidad_tasas <- resumen_cinco_delitos %>%
  group_by(grupo_poblacion) %>%
  summarise(
    Cantidad_UPZ = n(),
    Media = mean(tasa_seleccionada, na.rm = TRUE),
    Mediana = median(tasa_seleccionada, na.rm = TRUE),
    Desviacion_estandar = sd(tasa_seleccionada, na.rm = TRUE),
    Minimo = min(tasa_seleccionada, na.rm = TRUE),
    Maximo = max(tasa_seleccionada, na.rm = TRUE),
    .groups = "drop"
  )

# Presentar tabla comparativa

knitr::kable(
  sensibilidad_tasas,
  digits = 2,
  col.names = c(
    "Grupo poblacional",
    "Cantidad de UPZ",
    "Media",
    "Mediana",
    "Desviación estándar",
    "Mínimo",
    "Máximo"
  ),
  caption = "Comparación descriptiva de las tasas según el tamaño poblacional"
)
Comparación descriptiva de las tasas según el tamaño poblacional
Grupo poblacional Cantidad de UPZ Media Mediana Desviación estándar Mínimo Máximo
Resto de UPZ 97 252.92 160.92 314.77 58.86 2303.67
UPZ identificada en P13 15 1873.96 862.07 2852.10 94.09 10666.66
# Comparar la distribución mediante un diagrama de cajas

ggplot(
  resumen_cinco_delitos,
  aes(
    x = grupo_poblacion,
    y = tasa_seleccionada,
    fill = grupo_poblacion
  )
) +
  geom_boxplot(
    alpha = 0.7,
    width = 0.55,
    outlier.shape = NA
  ) +
  geom_jitter(
    aes(color = grupo_poblacion),
    width = 0.12,
    alpha = 0.65,
    size = 2
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans()
  ) +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Distribución de las tasas según el tamaño poblacional",
    subtitle = "Comparación entre las UPZ identificadas en P13 y el resto",
    x = "Clasificación poblacional",
    y = "Tasa por cada 10.000 habitantes (escala pseudo-logarítmica)",
    fill = "Grupo",
    color = "Grupo",
    caption = "Cada punto representa una UPZ. Se conservan las 112 unidades territoriales."
  ) +
  tema_clase +
  theme(
    legend.position = "none"
  )

Decisiones metodológicas para los análisis posteriores

A partir de los resultados obtenidos, se establecen dos decisiones para continuar el análisis territorial de los delitos.

En primer lugar, se priorizan cinco categorías: hurto a personas, hurto de celulares, violencia intrafamiliar, lesiones y hurto a comercio. Estas concentran el 91,05 % de los casos registrados y permiten enfocar los análisis posteriores en las principales categorías de denuncias.

En segundo lugar, se reconoce que las UPZ con poblaciones reducidas pueden presentar tasas considerablemente elevadas debido al efecto del denominador poblacional. Por esta razón, se mantiene su identificación mediante el criterio P13, correspondiente a poblaciones iguales o inferiores a 14.512 habitantes.

Las 112 UPZ se conservarán para los análisis de volumen y participación de casos. Para las comparaciones basadas en tasas y los análisis de relaciones territoriales, se evaluarán los resultados tanto con el conjunto completo de UPZ como sin las identificadas en P13.

Esta estrategia permite evaluar la sensibilidad de los resultados, evitar que valores extremos condicionen las conclusiones y conservar la información de todos los territorios analizados.

5.6. Análisis de relaciones entre variables

Después de explorar individualmente las características demográficas, las condiciones de vivienda e infraestructura, las variables socioeconómicas, la percepción de inseguridad y los registros de delitos, se desarrolla un análisis integrado para explorar las posibles relaciones entre estas dimensiones.

El propósito es identificar patrones de asociación entre las características territoriales y los indicadores de delitos priorizados, con el fin de ampliar la comprensión de las diferencias existentes entre las UPZ de Bogotá.

Para este análisis se consideran variables demográficas, de infraestructura urbana, condiciones socioeconómicas, percepción de inseguridad, accesibilidad y registros de las cinco categorías de delitos seleccionadas.

Se utiliza el coeficiente de correlación de Spearman para explorar la dirección y la intensidad de las asociaciones entre las variables. Adicionalmente, se evaluará la sensibilidad de los resultados al considerar por separado las UPZ identificadas mediante el criterio P13.

Es importante señalar que las correlaciones permiten identificar asociaciones estadísticas, pero no demuestran relaciones de causalidad. También se tendrán en cuenta las diferencias en los años de referencia de las fuentes y las limitaciones relacionadas con las estimaciones agrupadas de la Encuesta Multipropósito.

5.6.1. Selección de variables para el análisis integrado

Para el análisis de relaciones se seleccionan variables pertenecientes a cinco dimensiones del estudio: demografía, infraestructura, condiciones socioeconómicas, percepción de inseguridad y delitos.

La selección busca explorar si las características poblacionales, la disponibilidad de alumbrado público, las condiciones socioeconómicas y la percepción del entorno presentan asociaciones con los indicadores de delitos registrados en las UPZ.

Las variables seleccionadas son:

  • Demografía: población y densidad poblacional.
  • Infraestructura: luminarias por km².
  • Condiciones socioeconómicas: porcentaje de pobreza y salario promedio.
  • Percepción y entorno: percepción de inseguridad y cercanía a lotes oscuros.
  • Accesibilidad: tiempo promedio caminando hasta un CAI o estación de policía.
  • Delitos: número de casos y tasa agregada de las cinco categorías priorizadas.

Esta selección permite integrar diferentes dimensiones del territorio y explorar sus posibles relaciones, considerando las limitaciones temporales y metodológicas de las fuentes utilizadas.

# Selección de variables territoriales y socioeconómicas

variables_integradas <- upz %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    em_agrupada,
    poblacion,
    densidad_hab_km2,
    luminarias_km2,
    pct_pobreza,
    salario_promedio,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    min_cai_policia
  ) %>%
  left_join(
    resumen_cinco_delitos %>%
      select(
        upz_cod,
        casos_seleccionados,
        tasa_seleccionada,
        grupo_poblacion
      ),
    by = "upz_cod"
  )

# Revisión de la estructura de las variables seleccionadas

glimpse(variables_integradas)
## Rows: 112
## Columns: 15
## $ upz_cod                 <dbl> 1, 2, 3, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18…
## $ upz_nombre              <chr> "Paseo De Los Libertadores", "La Academia", "G…
## $ localidad               <chr> "Usaquén", "Suba", "Suba", "Usaquén", "Usaquén…
## $ em_agrupada             <lgl> TRUE, TRUE, TRUE, FALSE, TRUE, FALSE, FALSE, F…
## $ poblacion               <dbl> 2690, 5260, 2692, 131999, 37014, 72939, 63068,…
## $ densidad_hab_km2        <dbl> 424.81, 779.85, 591.30, 36967.66, 10682.12, 26…
## $ luminarias_km2          <dbl> 82.75, 79.17, 40.42, 995.61, 383.26, 933.16, 9…
## $ pct_pobreza             <dbl> 1.37, 0.86, 0.86, 3.12, 1.37, 5.19, 0.84, 0.37…
## $ salario_promedio        <dbl> 3937004, 4280663, 4280663, 1933709, 3937004, 1…
## $ pct_percibe_inseguridad <dbl> 36.18, 40.88, 40.88, 65.43, 36.18, 49.84, 60.4…
## $ pct_cerca_lotes_oscuros <dbl> 24.15, 16.71, 16.71, 24.15, 24.15, 19.15, 18.8…
## $ min_cai_policia         <dbl> 21.66, 24.50, 24.50, 18.39, 21.66, 25.32, 18.5…
## $ casos_seleccionados     <dbl> 72, 118, 43, 846, 570, 737, 872, 1819, 1231, 4…
## $ tasa_seleccionada       <dbl> 267.66, 224.34, 159.73, 64.09, 154.00, 101.04,…
## $ grupo_poblacion         <chr> "UPZ identificada en P13", "UPZ identificada e…
# Visualización de las primeras observaciones

head(variables_integradas)
upz_cod upz_nombre localidad em_agrupada poblacion densidad_hab_km2 luminarias_km2 pct_pobreza salario_promedio pct_percibe_inseguridad pct_cerca_lotes_oscuros min_cai_policia casos_seleccionados tasa_seleccionada grupo_poblacion
1 Paseo De Los Libertadores Usaquén TRUE 2690 424.81 82.75 1.37 3937004 36.18 24.15 21.66 72 267.66 UPZ identificada en P13
2 La Academia Suba TRUE 5260 779.85 79.17 0.86 4280663 40.88 16.71 24.50 118 224.34 UPZ identificada en P13
3 Guaymaral Suba TRUE 2692 591.30 40.42 0.86 4280663 40.88 16.71 24.50 43 159.73 UPZ identificada en P13
9 Verbenal Usaquén FALSE 131999 36967.66 995.61 3.12 1933709 65.43 24.15 18.39 846 64.09 Resto de UPZ
10 La Uribe Usaquén TRUE 37014 10682.12 383.26 1.37 3937004 36.18 24.15 21.66 570 154.00 Resto de UPZ
11 San Cristobal Norte Usaquén FALSE 72939 26401.70 933.16 5.19 1368739 49.84 19.15 25.32 737 101.04 Resto de UPZ

5.6.2. Revisión de datos faltantes

Antes de calcular las correlaciones, se verifica la completitud de las variables seleccionadas. La presencia de valores faltantes puede reducir el número de observaciones utilizadas y afectar la comparación entre las asociaciones estadísticas.

Para ello, se cuantifican los valores ausentes por variable y se calcula su participación respecto al total de UPZ. Esta revisión permite identificar posibles limitaciones de cobertura y definir el tratamiento adecuado antes de construir la matriz de correlaciones.

# Calcular los valores faltantes por variable

resumen_faltantes <- variables_integradas %>%
  summarise(
    across(
      where(is.numeric),
      ~sum(is.na(.x))
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Valores_faltantes"
  ) %>%
  mutate(
    Porcentaje_faltante = Valores_faltantes / nrow(variables_integradas) * 100
  ) %>%
  arrange(desc(Porcentaje_faltante))

# Presentar tabla de resultados

knitr::kable(
  resumen_faltantes,
  digits = 2,
  col.names = c(
    "Variable",
    "Valores faltantes",
    "Porcentaje faltante (%)"
  ),
  caption = "Completitud de las variables seleccionadas para el análisis integrado"
)
Completitud de las variables seleccionadas para el análisis integrado
Variable Valores faltantes Porcentaje faltante (%)
upz_cod 0 0
poblacion 0 0
densidad_hab_km2 0 0
luminarias_km2 0 0
pct_pobreza 0 0
salario_promedio 0 0
pct_percibe_inseguridad 0 0
pct_cerca_lotes_oscuros 0 0
min_cai_policia 0 0
casos_seleccionados 0 0
tasa_seleccionada 0 0
# Visualizar valores faltantes

ggplot(
  resumen_faltantes,
  aes(
    x = reorder(Variable, Porcentaje_faltante),
    y = Porcentaje_faltante
  )
) +
  geom_col(
    fill = magenta,
    width = 0.7
  ) +
  coord_flip() +
  labs(
    title = "Valores faltantes en las variables del análisis integrado",
    x = NULL,
    y = "Porcentaje de valores faltantes (%)"
  ) +
  tema_clase

5.6.3. Matriz de correlaciones entre las variables territoriales

Una vez verificada la completitud de los datos, se construye una matriz de correlaciones para explorar las asociaciones entre las características demográficas, la infraestructura, las condiciones socioeconómicas, la percepción de inseguridad, la accesibilidad y los indicadores de delitos priorizados.

Se utiliza el coeficiente de correlación de Spearman, que permite identificar asociaciones monotónicas entre variables. Sus valores oscilan entre -1 y 1: los valores positivos representan asociaciones directas, los negativos asociaciones inversas y los cercanos a cero indican una asociación monotónica débil o inexistente.

Los resultados se presentan mediante una tabla y un mapa de calor para facilitar la identificación de patrones.

Las correlaciones se interpretarán como asociaciones estadísticas y no como evidencia de causalidad. También se tendrá en cuenta que algunas variables comparten componentes de cálculo, especialmente los indicadores relacionados con población.

# Selección de variables numéricas

datos_correlacion_integrada <- variables_integradas %>%
  select(
    poblacion,
    densidad_hab_km2,
    luminarias_km2,
    pct_pobreza,
    salario_promedio,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    min_cai_policia,
    casos_seleccionados,
    tasa_seleccionada
  )

# Calcular matriz de correlaciones de Spearman

matriz_correlacion_integrada <- cor(
  datos_correlacion_integrada,
  method = "spearman"
)

# Convertir matriz a formato largo

correlaciones_integradas_largas <- as.data.frame(
  as.table(matriz_correlacion_integrada)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Presentar tabla de correlaciones

knitr::kable(
  round(matriz_correlacion_integrada, 2),
  caption = "Matriz de correlaciones de Spearman entre variables territoriales"
)
Matriz de correlaciones de Spearman entre variables territoriales
poblacion densidad_hab_km2 luminarias_km2 pct_pobreza salario_promedio pct_percibe_inseguridad pct_cerca_lotes_oscuros min_cai_policia casos_seleccionados tasa_seleccionada
poblacion 1.00 0.83 0.35 0.22 -0.31 0.29 0.07 0.07 0.53 -0.57
densidad_hab_km2 0.83 1.00 0.56 0.36 -0.43 0.38 0.11 -0.02 0.37 -0.54
luminarias_km2 0.35 0.56 1.00 0.14 -0.10 0.28 -0.22 -0.44 0.58 0.12
pct_pobreza 0.22 0.36 0.14 1.00 -0.93 0.74 0.58 0.12 -0.17 -0.52
salario_promedio -0.31 -0.43 -0.10 -0.93 1.00 -0.79 -0.57 -0.23 0.18 0.59
pct_percibe_inseguridad 0.29 0.38 0.28 0.74 -0.79 1.00 0.33 0.02 0.05 -0.30
pct_cerca_lotes_oscuros 0.07 0.11 -0.22 0.58 -0.57 0.33 1.00 0.35 -0.22 -0.37
min_cai_policia 0.07 -0.02 -0.44 0.12 -0.23 0.02 0.35 1.00 -0.32 -0.33
casos_seleccionados 0.53 0.37 0.58 -0.17 0.18 0.05 -0.22 -0.32 1.00 0.26
tasa_seleccionada -0.57 -0.54 0.12 -0.52 0.59 -0.30 -0.37 -0.33 0.26 1.00
# Mapa de calor

ggplot(
  correlaciones_integradas_largas,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Correlacion
  )
) +
  geom_tile(
    color = "white",
    linewidth = 0.8
  ) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Correlación"
  ) +
  labs(
    title = "Relaciones entre las características territoriales",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 45,
      hjust = 1,
      size = 8
    ),
    axis.text.y = element_text(size = 8),
    panel.grid = element_blank()
  )

5.6.4. Sensibilidad de las correlaciones frente a las UPZ de población reducida

Con el propósito de evaluar la influencia de las UPZ con poblaciones reducidas en las asociaciones identificadas, se comparan las correlaciones de Spearman obtenidas con el conjunto completo de territorios y aquellas calculadas sin las UPZ identificadas mediante el criterio P13.

El análisis se concentra en las asociaciones de la tasa agregada de las cinco categorías priorizadas con las variables demográficas, de infraestructura, socioeconómicas, de percepción y accesibilidad.

Los resultados se presentan mediante una tabla comparativa y un gráfico que permiten observar los cambios en la magnitud y dirección de las correlaciones.

Esta comparación permite identificar asociaciones sensibles a la presencia de poblaciones reducidas y distinguirlas de aquellas que mantienen un comportamiento similar en ambos escenarios. Las UPZ P13 no se eliminan de la base original; su exclusión es únicamente temporal y tiene fines de evaluación estadística.

# Variables numéricas para comparar las correlaciones

variables_correlacion <- c(
  "poblacion",
  "densidad_hab_km2",
  "luminarias_km2",
  "pct_pobreza",
  "salario_promedio",
  "pct_percibe_inseguridad",
  "pct_cerca_lotes_oscuros",
  "min_cai_policia",
  "casos_seleccionados",
  "tasa_seleccionada"
)

# Escenario 1: todas las UPZ

correlacion_completa <- variables_integradas %>%
  select(all_of(variables_correlacion)) %>%
  cor(method = "spearman")

# Escenario 2: excluir temporalmente las UPZ P13

correlacion_sin_p13 <- variables_integradas %>%
  filter(grupo_poblacion == "Resto de UPZ") %>%
  select(all_of(variables_correlacion)) %>%
  cor(method = "spearman")

# Extraer las correlaciones con la tasa seleccionada

comparacion_correlaciones <- tibble(
  Variable = variables_correlacion,
  Con_P13 = correlacion_completa[, "tasa_seleccionada"],
  Sin_P13 = correlacion_sin_p13[, "tasa_seleccionada"]
) %>%
  filter(Variable != "tasa_seleccionada") %>%
  mutate(
    Diferencia = Sin_P13 - Con_P13
  )

# Presentar tabla comparativa

knitr::kable(
  comparacion_correlaciones,
  digits = 3,
  col.names = c(
    "Variable",
    "Con todas las UPZ",
    "Sin P13",
    "Diferencia"
  ),
  caption = "Sensibilidad de las correlaciones de Spearman frente a las UPZ P13"
)
Sensibilidad de las correlaciones de Spearman frente a las UPZ P13
Variable Con todas las UPZ Sin P13 Diferencia
poblacion -0.568 -0.509 0.059
densidad_hab_km2 -0.540 -0.481 0.059
luminarias_km2 0.117 0.282 0.165
pct_pobreza -0.524 -0.570 -0.047
salario_promedio 0.592 0.645 0.053
pct_percibe_inseguridad -0.304 -0.346 -0.042
pct_cerca_lotes_oscuros -0.369 -0.493 -0.124
min_cai_policia -0.330 -0.416 -0.086
casos_seleccionados 0.258 0.445 0.187
# Comparación gráfica de las correlaciones

comparacion_correlaciones_largas <- comparacion_correlaciones %>%
  pivot_longer(
    cols = c(Con_P13, Sin_P13),
    names_to = "Escenario",
    values_to = "Correlacion"
  )

ggplot(
  comparacion_correlaciones_largas,
  aes(
    x = Correlacion,
    y = reorder(Variable, Correlacion),
    color = Escenario
  )
) +
  geom_line(
    aes(group = Variable),
    color = "gray65",
    linewidth = 0.7
  ) +
  geom_point(size = 3) +
  geom_vline(
    xintercept = 0,
    linetype = "dashed",
    color = "gray40"
  ) +
  scale_color_manual(
    values = c(
      "Con_P13" = magenta,
      "Sin_P13" = turquesa
    ),
    labels = c(
      "Con_P13" = "Todas las UPZ",
      "Sin_P13" = "Sin UPZ P13"
    )
  ) +
  scale_x_continuous(
    limits = c(-1, 1),
    breaks = seq(-1, 1, 0.25)
  ) +
  labs(
    title = "Sensibilidad de las correlaciones de Spearman",
    subtitle = "Asociaciones con la tasa de las cinco categorías priorizadas",
    x = "Coeficiente de correlación",
    y = NULL,
    color = "Escenario"
  ) +
  tema_clase

5.6.5. Relación entre las características demográficas y los delitos

En este apartado se exploran las relaciones entre las características demográficas de las UPZ y los indicadores de delitos de las cinco categorías priorizadas.

En primer lugar, se analiza la relación entre el tamaño poblacional y el número de casos registrados, con el propósito de identificar si los territorios más poblados concentran mayores volúmenes de denuncias.

En segundo lugar, se examina la relación entre la densidad poblacional y la tasa agregada de delitos por cada 10.000 habitantes. Esta comparación permite explorar el comportamiento de las tasas frente a la concentración de habitantes en cada territorio.

Los resultados se presentan mediante tablas de correlación y gráficos de dispersión. Se diferencian las UPZ identificadas mediante el criterio P13 para facilitar la identificación de posibles observaciones extremas.

Las asociaciones encontradas se interpretan de manera exploratoria, considerando que el volumen de casos y las tasas representan dimensiones diferentes del fenómeno y que las tasas pueden verse influenciadas por el tamaño poblacional.

# Calcular correlaciones demográficas de Spearman

correlaciones_demografia <- variables_integradas %>%
  select(
    poblacion,
    casos_seleccionados,
    densidad_hab_km2,
    tasa_seleccionada
  ) %>%
  cor(method = "spearman")

# Construir tabla con las dos relaciones principales

resultado_correlaciones_demografia <- tibble(
  Relacion = c(
    "Población y casos de las cinco categorías",
    "Densidad poblacional y tasa de las cinco categorías"
  ),
  Correlacion = c(
    correlaciones_demografia[
      "poblacion", "casos_seleccionados"
    ],
    correlaciones_demografia[
      "densidad_hab_km2", "tasa_seleccionada"
    ]
  )
)

knitr::kable(
  resultado_correlaciones_demografia,
  digits = 3,
  col.names = c("Relación analizada", "Spearman"),
  caption = "Asociaciones entre características demográficas y delitos priorizados"
)
Asociaciones entre características demográficas y delitos priorizados
Relación analizada Spearman
Población y casos de las cinco categorías 0.533
Densidad poblacional y tasa de las cinco categorías -0.540
# Gráfico 1: población y número de casos

ggplot(
  variables_integradas,
  aes(
    x = poblacion,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    aes(group = 1),
    method = "loess",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +
  scale_x_log10(
    labels = scales::label_number(big.mark = ".")
  ) +
  scale_y_continuous(
    labels = scales::label_number(big.mark = ".")
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Relación entre población y casos registrados",
    subtitle = "Cinco categorías priorizadas por UPZ",
    x = "Población (escala logarítmica)",
    y = "Número de casos",
    color = "Clasificación poblacional"
  ) +
  tema_clase

# Gráfico 2: densidad poblacional y tasa de delitos

ggplot(
  variables_integradas,
  aes(
    x = densidad_hab_km2,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    aes(group = 1),
    method = "loess",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Relación entre densidad poblacional y tasa de delitos",
    subtitle = "Cinco categorías priorizadas por cada 10.000 habitantes",
    x = "Densidad poblacional (habitantes por km²)",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional"
  ) +
  tema_clase

La exploración de las relaciones demográficas muestra que las UPZ con mayor población tienden a registrar un mayor volumen de casos en las cinco categorías priorizadas. Sin embargo, esta tendencia no es uniforme y existen diferencias importantes entre territorios.

Por otra parte, se observa una asociación inversa entre densidad poblacional y tasa de delitos. Esta relación debe interpretarse con precaución, debido a que ambas variables incorporan la población en su construcción y pueden presentar una asociación influenciada por sus denominadores.

La identificación de las UPZ con población reducida permitió reconocer territorios con tasas considerablemente elevadas, que pueden modificar la interpretación de las tendencias generales. Por ello, se mantiene la diferenciación entre volumen de casos y tasas relativas, así como la evaluación de sensibilidad frente al grupo P13.

5.6.6. Relación entre infraestructura urbana y delitos

En este apartado se explora la relación entre las condiciones del alumbrado público y los indicadores de delitos correspondientes a las cinco categorías priorizadas en las UPZ de Bogotá.

Para ello, se consideran dos indicadores de infraestructura: la densidad de luminarias por kilómetro cuadrado y el porcentaje de luminarias LED. El primero permite comparar la disponibilidad espacial del alumbrado, mientras que el segundo representa la participación de esta tecnología dentro del sistema de iluminación.

Se excluye del análisis principal el indicador de luminarias por cada 1.000 habitantes, debido a que comparte el denominador poblacional con la tasa de delitos. Esta condición podría generar asociaciones estadísticas influenciadas por la estructura matemática de ambos indicadores.

Los resultados se presentan mediante tablas de correlación y gráficos de dispersión, diferenciando las UPZ identificadas mediante el criterio P13 para evaluar posibles diferencias territoriales y la influencia de poblaciones reducidas.

Es importante considerar que los indicadores de alumbrado corresponden a 2021, mientras que los registros de delitos corresponden al periodo enero-julio de 2023. Por tanto, las relaciones encontradas se interpretan como asociaciones exploratorias y no como evidencia de causalidad.

Asimismo, una mayor densidad de luminarias o una mayor participación de tecnología LED no garantizan por sí solas mejores condiciones de iluminación en todos los espacios públicos, ya que estos indicadores no incorporan aspectos como ubicación, funcionamiento, intensidad o distribución efectiva de las luminarias.

# Seleccionar infraestructura desde la base original
# e integrar los indicadores de las cinco categorías

infraestructura_delitos <- upz %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    luminarias_km2,
    pct_luminarias_led
  ) %>%
  left_join(
    resumen_cinco_delitos %>%
      select(
        upz_cod,
        grupo_poblacion,
        casos_seleccionados,
        tasa_seleccionada
      ),
    by = "upz_cod"
  )

# Calcular correlaciones de Spearman

correlaciones_infraestructura <- infraestructura_delitos %>%
  select(
    luminarias_km2,
    pct_luminarias_led,
    casos_seleccionados,
    tasa_seleccionada
  ) %>%
  cor(method = "spearman")

# Presentar matriz de correlaciones

knitr::kable(
  round(correlaciones_infraestructura, 3),
  caption = "Correlaciones entre indicadores de alumbrado y delitos priorizados"
)
Correlaciones entre indicadores de alumbrado y delitos priorizados
luminarias_km2 pct_luminarias_led casos_seleccionados tasa_seleccionada
luminarias_km2 1.000 0.229 0.577 0.117
pct_luminarias_led 0.229 1.000 0.108 -0.083
casos_seleccionados 0.577 0.108 1.000 0.258
tasa_seleccionada 0.117 -0.083 0.258 1.000
# Revisar los primeros registros

knitr::kable(
  head(infraestructura_delitos, 10),
  digits = 2,
  caption = "Indicadores de infraestructura y delitos por UPZ"
)
Indicadores de infraestructura y delitos por UPZ
upz_cod upz_nombre localidad luminarias_km2 pct_luminarias_led grupo_poblacion casos_seleccionados tasa_seleccionada
1 Paseo De Los Libertadores Usaquén 82.75 28.44 UPZ identificada en P13 72 267.66
2 La Academia Suba 79.17 0.37 UPZ identificada en P13 118 224.34
3 Guaymaral Suba 40.42 0.00 UPZ identificada en P13 43 159.73
9 Verbenal Usaquén 995.61 65.77 Resto de UPZ 846 64.09
10 La Uribe Usaquén 383.26 49.25 Resto de UPZ 570 154.00
11 San Cristobal Norte Usaquén 933.16 49.34 Resto de UPZ 737 101.04
12 Toberin Usaquén 937.24 50.62 Resto de UPZ 872 138.28
13 Los Cedros Usaquén 768.37 53.32 Resto de UPZ 1819 134.77
14 Usaquen Usaquén 648.58 50.42 Resto de UPZ 1231 285.21
15 Country Club Usaquén 487.38 57.98 Resto de UPZ 405 155.01

a. Relación entre densidad de luminarias y delitos

Se analiza la relación entre la densidad de luminarias por kilómetro cuadrado y los indicadores de delitos priorizados. Se comparan tanto el número de casos como la tasa por cada 10.000 habitantes, diferenciando las UPZ identificadas mediante el criterio P13.

Esta comparación permite explorar si la asociación observada entre disponibilidad espacial de alumbrado y volumen de denuncias también se presenta al considerar las tasas poblacionales.

# Gráfico 1: densidad de luminarias y número de casos

ggplot(
  infraestructura_delitos,
  aes(
    x = luminarias_km2,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Densidad de luminarias y casos registrados",
    subtitle = "Cinco categorías priorizadas por UPZ",
    x = "Luminarias por km²",
    y = "Número de casos",
    color = "Clasificación poblacional"
  ) +
  tema_clase

# Gráfico 2: densidad de luminarias y tasa de delitos

ggplot(
  infraestructura_delitos,
  aes(
    x = luminarias_km2,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Densidad de luminarias y tasa de delitos",
    subtitle = "Cinco categorías priorizadas por cada 10.000 habitantes",
    x = "Luminarias por km²",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional"
  ) +
  tema_clase

Los resultados muestran una asociación positiva moderada entre la densidad de luminarias por kilómetro cuadrado y el número de casos registrados en las cinco categorías priorizadas (ρ = 0,577). Esto indica que las UPZ con mayor densidad de alumbrado tienden a presentar mayores volúmenes de denuncias, aunque la dispersión observada evidencia que esta relación no es uniforme.

Por otra parte, la asociación entre la densidad de luminarias y la tasa de delitos es muy débil (ρ = 0,117). Por tanto, no se identifica una relación monotónica relevante entre ambos indicadores en el conjunto de territorios analizados.

Las UPZ identificadas mediante P13 presentan algunos valores extremos de tasas, lo que refuerza la necesidad de considerar el tamaño poblacional al interpretar las diferencias territoriales.

Estos resultados no permiten establecer que el alumbrado público reduzca o incremente los delitos. Además, debe considerarse que los datos de infraestructura corresponden a 2021 y los registros de delitos a 2023.

b. Relación entre porcentaje de luminarias LED y delitos

Se examina la relación entre la participación de luminarias LED y los indicadores de delitos de las cinco categorías priorizadas.

El análisis considera tanto el número de casos como la tasa por cada 10.000 habitantes, con el propósito de identificar posibles diferencias en el comportamiento de las denuncias según la composición tecnológica del alumbrado público.

Se diferencian las UPZ identificadas mediante el criterio P13 y se interpretan los resultados considerando que el porcentaje de luminarias LED representa la composición tecnológica del alumbrado, pero no mide directamente su cobertura, intensidad o calidad.

# Gráfico 1: porcentaje LED y número de casos

ggplot(
  infraestructura_delitos,
  aes(
    x = pct_luminarias_led,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Participación de luminarias LED y casos registrados",
    subtitle = "Cinco categorías priorizadas por UPZ",
    x = "Luminarias LED (%)",
    y = "Número de casos",
    color = "Clasificación poblacional"
  ) +
  tema_clase

# Gráfico 2: porcentaje LED y tasa de delitos

ggplot(
  infraestructura_delitos,
  aes(
    x = pct_luminarias_led,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Participación de luminarias LED y tasa de delitos",
    subtitle = "Cinco categorías priorizadas por cada 10.000 habitantes",
    x = "Luminarias LED (%)",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional"
  ) +
  tema_clase

Los resultados muestran que la participación de luminarias LED presenta asociaciones muy débiles con el número de casos registrados (ρ = 0,108) y con la tasa de delitos (ρ = -0,083). La dispersión observada en los gráficos tampoco evidencia patrones territoriales definidos entre estas variables.

Por tanto, dentro del alcance de este análisis exploratorio, no se identifica una asociación monotónica relevante entre la participación de luminarias LED y los indicadores de delitos de las cinco categorías priorizadas.

Estos resultados no permiten concluir que la tecnología LED carezca de efectos sobre la seguridad. El indicador utilizado representa la participación tecnológica del alumbrado, pero no contempla aspectos como su ubicación, funcionamiento, intensidad o cobertura efectiva. Adicionalmente, debe considerarse la diferencia temporal entre los datos de infraestructura (2021) y los registros de delitos (2023).

5.6.7. Relación entre condiciones socioeconómicas, percepción de inseguridad y delitos

En este apartado se exploran las posibles asociaciones entre las condiciones socioeconómicas de las UPZ, la percepción de inseguridad y los indicadores de delitos correspondientes a las cinco categorías priorizadas.

Se consideran tres relaciones principales: el porcentaje de pobreza frente a los indicadores de delitos, el salario promedio frente a dichos indicadores y el porcentaje de percepción de inseguridad frente a los registros de denuncias.

Para evaluar estas relaciones se utiliza el coeficiente de correlación de Spearman y se construyen diagramas de dispersión que permiten observar la dirección, magnitud y comportamiento de las asociaciones entre las variables.

Es importante diferenciar la percepción de inseguridad de los delitos denunciados. La primera corresponde a la proporción de personas que manifiestan percibir problemas de inseguridad en el entorno de su vivienda, mientras que los segundos representan registros administrativos de denuncias. Por tanto, ambas dimensiones describen aspectos diferentes del fenómeno de la seguridad.

Los indicadores socioeconómicos y de percepción corresponden a la Encuesta Multipropósito de 2021, mientras que los registros de delitos corresponden al periodo enero-julio de 2023. Adicionalmente, 32 UPZ comparten estimaciones agrupadas con otros territorios, por lo que sus observaciones no deben interpretarse como mediciones completamente independientes.

Se conservan las 112 UPZ y se evaluará la sensibilidad de las asociaciones frente a las unidades identificadas mediante el criterio P13, sin eliminarlas de la base original.

a. Correlaciones entre condiciones socioeconómicas, percepción y delitos

Se calcula la correlación de Spearman entre tres indicadores de la Encuesta Multipropósito de 2021 —porcentaje de pobreza, salario promedio y percepción de inseguridad— y los dos indicadores agregados de delitos de las cinco categorías priorizadas.

La comparación entre el número de casos y la tasa por cada 10.000 habitantes permite examinar si las asociaciones observadas se mantienen al considerar el tamaño poblacional de cada territorio.

Se incluyen las 112 UPZ, sin excluir las identificadas mediante el criterio P13. Los resultados se interpretan considerando que 32 UPZ comparten estimaciones de la Encuesta Multipropósito, por lo que no representan observaciones socioeconómicas completamente independientes.

# Seleccionar las variables del análisis

variables_correlacion_socioeconomica <- variables_integradas %>%
  select(
    pct_pobreza,
    salario_promedio,
    pct_percibe_inseguridad,
    casos_seleccionados,
    tasa_seleccionada
  )

# Calcular matriz de correlaciones de Spearman

matriz_correlaciones_socioeconomicas <- cor(
  variables_correlacion_socioeconomica,
  method = "spearman",
  use = "pairwise.complete.obs"
)

# Presentar tabla de correlaciones

knitr::kable(
  round(matriz_correlaciones_socioeconomicas, 3),
  caption = "Correlaciones de Spearman entre condiciones socioeconómicas y delitos priorizados"
)
Correlaciones de Spearman entre condiciones socioeconómicas y delitos priorizados
pct_pobreza salario_promedio pct_percibe_inseguridad casos_seleccionados tasa_seleccionada
pct_pobreza 1.000 -0.928 0.740 -0.174 -0.524
salario_promedio -0.928 1.000 -0.790 0.183 0.592
pct_percibe_inseguridad 0.740 -0.790 1.000 0.050 -0.304
casos_seleccionados -0.174 0.183 0.050 1.000 0.258
tasa_seleccionada -0.524 0.592 -0.304 0.258 1.000
# Convertir la matriz a formato largo

correlaciones_socioeconomicas_largas <- as.data.frame(
  as.table(matriz_correlaciones_socioeconomicas)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Construir mapa de calor

ggplot(
  correlaciones_socioeconomicas_largas,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Correlacion
  )
) +
  geom_tile(
    color = "white",
    linewidth = 0.8
  ) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3.8
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Spearman"
  ) +
  labs(
    title = "Relaciones entre condiciones socioeconómicas y delitos",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 40,
      hjust = 1,
      size = 9
    ),
    axis.text.y = element_text(size = 9),
    panel.grid = element_blank()
  )

Los resultados evidencian asociaciones importantes entre las condiciones socioeconómicas y la percepción de inseguridad. Se identifica una correlación negativa muy fuerte entre el porcentaje de pobreza y el salario promedio (ρ = -0,928), así como una asociación positiva entre pobreza y percepción de inseguridad (ρ = 0,740).

En relación con los delitos, el porcentaje de pobreza presenta una asociación inversa moderada con la tasa agregada de las cinco categorías priorizadas (ρ = -0,524), mientras que el salario promedio muestra una asociación positiva moderada (ρ = 0,592). Sin embargo, estas relaciones son considerablemente más débiles cuando se utiliza el número absoluto de casos.

Por otra parte, la percepción de inseguridad presenta una asociación débil e inversa con la tasa de delitos (ρ = -0,304) y prácticamente nula con el número de casos (ρ = 0,050). Esto evidencia que la percepción ciudadana y las denuncias registradas representan dimensiones diferentes del fenómeno de la seguridad.

Estos resultados corresponden a asociaciones exploratorias y no permiten establecer relaciones causales. Su interpretación debe considerar las diferencias temporales entre las fuentes y la existencia de estimaciones socioeconómicas agrupadas entre algunas UPZ.

5.6.7. Relación entre condiciones socioeconómicas y tasa de delitos

Con el propósito de profundizar en las asociaciones identificadas en la matriz de correlaciones, se elaboran gráficos de dispersión que permiten observar el comportamiento de la tasa de los cinco delitos priorizados frente a tres variables socioeconómicas: porcentaje de pobreza, salario promedio y percepción de inseguridad.

Cada gráfico incorpora una línea de tendencia LOESS para facilitar la identificación de posibles patrones, así como el coeficiente de correlación de Spearman para relacionar la representación visual con los resultados estadísticos.

El análisis considera inicialmente las 112 UPZ. Las tendencias observadas deben interpretarse como asociaciones exploratorias y no como evidencia de causalidad. Posteriormente, se evaluará si los patrones se mantienen al considerar las particularidades de las UPZ con información socioeconómica agrupada.

# Correlaciones de Spearman
cor_pobreza_tasa <- cor(
  variables_integradas$pct_pobreza,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)

cor_salario_tasa <- cor(
  variables_integradas$salario_promedio,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)

cor_percepcion_tasa <- cor(
  variables_integradas$pct_percibe_inseguridad,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)


# 1. Pobreza y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = pct_pobreza, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Pobreza y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_pobreza_tasa, 3)),
    x = "Porcentaje de pobreza",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

# 2. Salario promedio y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = salario_promedio, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Salario promedio y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_salario_tasa, 3)),
    x = "Salario promedio",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

# 3. Percepción de inseguridad y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = pct_percibe_inseguridad, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Percepción de inseguridad y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_percepcion_tasa, 3)),
    x = "Porcentaje de percepción de inseguridad",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

Los gráficos de dispersión permiten profundizar en las relaciones identificadas mediante los coeficientes de Spearman. En conjunto, se observa una alta concentración de UPZ con tasas relativamente bajas y la presencia de algunas observaciones con valores considerablemente superiores.

La relación entre pobreza y tasa de delitos presenta una asociación inversa moderada (ρ = -0,524), aunque la curva LOESS evidencia un comportamiento no lineal. Por su parte, el salario promedio presenta una asociación positiva moderada (ρ = 0,592), pero su representación gráfica no muestra una tendencia creciente uniforme.

En cuanto a la percepción de inseguridad, la asociación con la tasa de delitos es débil e inversa (ρ = -0,304), sin evidenciar un patrón territorial consistente.

Estos resultados sugieren que las condiciones socioeconómicas y la percepción ciudadana presentan asociaciones diferentes frente a las denuncias registradas. Sin embargo, la presencia de tasas extremas y las diferencias en el tamaño poblacional de las UPZ pueden influir en los resultados, por lo que se requiere evaluar la estabilidad de estas relaciones antes de establecer conclusiones definitivas.

5.6.8. Análisis de sensibilidad de las relaciones socioeconómicas

Con el propósito de evaluar la estabilidad de las asociaciones identificadas, se realiza un análisis de sensibilidad que compara los coeficientes de correlación de Spearman obtenidos con la totalidad de las 112 UPZ y aquellos calculados sin las UPZ clasificadas en P13.

Este ejercicio permite determinar si las relaciones entre las condiciones socioeconómicas y la tasa de delitos se mantienen o presentan cambios importantes al retirar temporalmente los territorios identificados por su menor población.

Las UPZ no se eliminan del estudio. Esta comparación constituye una prueba de sensibilidad para evaluar la influencia que pueden tener las poblaciones reducidas sobre las asociaciones estadísticas.

# Correlaciones con las 112 UPZ
correlaciones_completas <- c(
  pobreza = cor(
    variables_integradas$pct_pobreza,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    variables_integradas$salario_promedio,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  percepcion = cor(
    variables_integradas$pct_percibe_inseguridad,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Correlaciones sin las UPZ clasificadas en P13
datos_sin_p13 <- variables_integradas %>%
  filter(grupo_poblacion == "Resto de UPZ")

correlaciones_sin_p13 <- c(
  pobreza = cor(
    datos_sin_p13$pct_pobreza,
    datos_sin_p13$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    datos_sin_p13$salario_promedio,
    datos_sin_p13$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  percepcion = cor(
    datos_sin_p13$pct_percibe_inseguridad,
    datos_sin_p13$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Tabla comparativa
tabla_sensibilidad_socioeconomica <- tibble(
  Variable = c(
    "Porcentaje de pobreza",
    "Salario promedio",
    "Percepción de inseguridad"
  ),
  Correlacion_112_UPZ = as.numeric(correlaciones_completas),
  Correlacion_sin_P13 = as.numeric(correlaciones_sin_p13)
) %>%
  mutate(
    Diferencia = Correlacion_sin_P13 - Correlacion_112_UPZ
  )

knitr::kable(
  tabla_sensibilidad_socioeconomica %>%
    mutate(
      across(
        c(Correlacion_112_UPZ, Correlacion_sin_P13, Diferencia),
        ~ round(.x, 3)
      )
    ),
  caption = "Sensibilidad de las correlaciones socioeconómicas frente a la exclusión temporal de las UPZ P13"
)
Sensibilidad de las correlaciones socioeconómicas frente a la exclusión temporal de las UPZ P13
Variable Correlacion_112_UPZ Correlacion_sin_P13 Diferencia
Porcentaje de pobreza -0.524 -0.570 -0.047
Salario promedio 0.592 0.645 0.053
Percepción de inseguridad -0.304 -0.346 -0.042

Los resultados del análisis de sensibilidad muestran que las tres correlaciones conservan su dirección al retirar temporalmente las UPZ clasificadas en P13. Sin embargo, se presentan variaciones en la magnitud de las asociaciones.

La correlación entre pobreza y tasa de delitos pasa de -0,524 a -0,570, mientras que la relación con el salario promedio aumenta de 0,592 a 0,645. Por su parte, la percepción de inseguridad pasa de -0,304 a -0,346.

El salario promedio presenta la mayor variación absoluta, seguido por el porcentaje de pobreza y la percepción de inseguridad. No obstante, los cambios son moderados y ninguna de las asociaciones modifica su dirección.

Estos resultados sugieren que las relaciones identificadas no están determinadas exclusivamente por las UPZ de menor población. Sin embargo, esta prueba no elimina otras posibles fuentes de influencia, como las diferencias territoriales, la presencia de valores extremos y las limitaciones de las fuentes de información.

En consecuencia, se mantienen las 112 UPZ como universo del estudio y se utiliza el análisis sin P13 como una comprobación complementaria de sensibilidad.

5.6.9. Entorno urbano, percepción de inseguridad y acceso institucional

En este apartado se exploran las relaciones entre algunas condiciones del entorno urbano, el acceso a la infraestructura institucional de seguridad y los indicadores de inseguridad.

Se consideran dos variables del entorno: el porcentaje de personas que perciben la cercanía de lotes oscuros y el tiempo mínimo de acceso a un CAI o estación de Policía. Estas variables se contrastan con el porcentaje de percepción de inseguridad y la tasa agregada de los cinco delitos priorizados.

El propósito es identificar posibles asociaciones territoriales que permitan ampliar la comprensión del fenómeno. Se utiliza el coeficiente de Spearman, debido a que permite evaluar relaciones monotónicas sin exigir una distribución normal de las variables.

Los resultados deben interpretarse como asociaciones exploratorias y no como evidencia de causalidad. También se consideran las diferencias temporales entre las fuentes de información y las limitaciones de las variables socioeconómicas agrupadas.

variables_entorno <- variables_integradas %>%
  select(
    pct_cerca_lotes_oscuros,
    min_cai_policia,
    pct_percibe_inseguridad,
    tasa_seleccionada
  )

matriz_correlaciones_entorno <- cor(
  variables_entorno,
  method = "spearman",
  use = "pairwise.complete.obs"
)

knitr::kable(
  round(matriz_correlaciones_entorno, 3),
  caption = "Correlaciones de Spearman entre entorno urbano, acceso institucional y seguridad"
)
Correlaciones de Spearman entre entorno urbano, acceso institucional y seguridad
pct_cerca_lotes_oscuros min_cai_policia pct_percibe_inseguridad tasa_seleccionada
pct_cerca_lotes_oscuros 1.000 0.347 0.329 -0.369
min_cai_policia 0.347 1.000 0.023 -0.330
pct_percibe_inseguridad 0.329 0.023 1.000 -0.304
tasa_seleccionada -0.369 -0.330 -0.304 1.000
# Preparación de datos para el mapa de calor
correlaciones_entorno_largas <- as.data.frame(
  as.table(matriz_correlaciones_entorno)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Mapa de calor
ggplot(
  correlaciones_entorno_largas,
  aes(x = Variable_1, y = Variable_2, fill = Correlacion)
) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3.8
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Spearman"
  ) +
  labs(
    title = "Entorno urbano, acceso institucional y seguridad",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(angle = 40, hjust = 1, size = 9),
    axis.text.y = element_text(size = 9),
    panel.grid = element_blank()
  )

Los resultados muestran asociaciones débiles entre las condiciones del entorno urbano, el acceso institucional y los indicadores de seguridad.

Se identifica una correlación positiva entre la percepción de cercanía a lotes oscuros y la percepción de inseguridad (ρ = 0,329), lo que sugiere que las UPZ con mayores porcentajes en esta condición tienden a presentar también mayores niveles de percepción de inseguridad.

Sin embargo, la relación entre lotes oscuros y tasa de delitos es inversa (ρ = -0,369). De manera similar, el tiempo mínimo de acceso a un CAI presenta una correlación inversa con la tasa de delitos (ρ = -0,330). Estos resultados muestran que las condiciones del entorno y la cercanía a la infraestructura institucional no necesariamente se relacionan de forma directa con las denuncias registradas.

Por otra parte, la correlación entre el tiempo de acceso a un CAI y la percepción de inseguridad es prácticamente nula (ρ = 0,023), por lo que no se identifica una asociación monotónica entre ambas variables.

En conjunto, los resultados evidencian que la percepción ciudadana, las condiciones del entorno y las tasas de delitos registrados representan dimensiones diferentes del fenómeno de seguridad. Las asociaciones encontradas no permiten establecer relaciones causales y deben interpretarse considerando las características territoriales y las limitaciones temporales de las fuentes utilizadas.

5.6.10. Visualización de las relaciones entre entorno, percepción y seguridad

Para profundizar en los resultados de la matriz de correlaciones, se presentan gráficos de dispersión que permiten observar las relaciones entre la percepción de cercanía a lotes oscuros, la percepción de inseguridad y la tasa de delitos priorizados.

Se incorpora una línea de tendencia LOESS para facilitar la identificación de posibles patrones y se presenta el coeficiente de Spearman como referencia estadística.

Esta visualización permite contrastar las asociaciones encontradas y observar posibles comportamientos atípicos entre las UPZ. Los resultados se interpretan como relaciones exploratorias, sin establecer causalidad entre las variables.

# Coeficientes de Spearman
cor_lotes_percepcion <- cor(
  variables_integradas$pct_cerca_lotes_oscuros,
  variables_integradas$pct_percibe_inseguridad,
  method = "spearman",
  use = "complete.obs"
)

cor_lotes_tasa <- cor(
  variables_integradas$pct_cerca_lotes_oscuros,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)

cor_cai_tasa <- cor(
  variables_integradas$min_cai_policia,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)


# 1. Lotes oscuros y percepción de inseguridad
ggplot(
  variables_integradas,
  aes(x = pct_cerca_lotes_oscuros, y = pct_percibe_inseguridad)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Lotes oscuros y percepción de inseguridad",
    subtitle = paste("Correlación de Spearman:", round(cor_lotes_percepcion, 3)),
    x = "Porcentaje de percepción de cercanía a lotes oscuros",
    y = "Porcentaje de percepción de inseguridad"
  ) +
  tema_clase

# 2. Lotes oscuros y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = pct_cerca_lotes_oscuros, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Lotes oscuros y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_lotes_tasa, 3)),
    x = "Porcentaje de percepción de cercanía a lotes oscuros",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

# 3. Tiempo de acceso a CAI y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = min_cai_policia, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Acceso a CAI y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_cai_tasa, 3)),
    x = "Tiempo mínimo de acceso a CAI o estación de Policía",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

La visualización de las relaciones entre las condiciones del entorno, la percepción de inseguridad y las tasas de delitos permite identificar comportamientos diferenciados entre las UPZ.

En primer lugar, la relación entre la percepción de cercanía a lotes oscuros y la percepción de inseguridad presenta una asociación positiva débil (ρ = 0,329). La curva LOESS muestra un incremento inicial y posteriormente una estabilización, lo que sugiere que la relación no mantiene un comportamiento uniforme en todo el rango de valores.

Por otra parte, la relación entre lotes oscuros y tasa de delitos presenta una asociación inversa débil (ρ = -0,369). Sin embargo, la curva de tendencia evidencia un comportamiento no lineal y una alta dispersión de las observaciones, por lo que no se identifica un patrón territorial consistente.

De manera similar, el tiempo mínimo de acceso a un CAI presenta una asociación inversa débil con la tasa de delitos (ρ = -0,330). La curva LOESS muestra variaciones a lo largo de la distribución y no permite establecer una relación uniforme entre el tiempo de acceso y las tasas registradas.

En conjunto, los resultados sugieren que las condiciones del entorno y el acceso a infraestructura institucional deben analizarse considerando las particularidades de cada territorio. La presencia de valores extremos y las diferencias poblacionales pueden influir en las asociaciones observadas, por lo que no es posible establecer relaciones causales a partir de estos resultados.

5.6.11. Diagnóstico de valores extremos en las tasas de delitos

Con el propósito de identificar las observaciones que pueden influir en las relaciones estadísticas analizadas, se examinan las UPZ con las tasas más elevadas de los cinco delitos priorizados.

La revisión considera conjuntamente la población, el número de casos registrados y la tasa por cada 10.000 habitantes. Esto permite diferenciar los territorios que presentan un volumen elevado de denuncias de aquellos donde una población reducida puede amplificar considerablemente el indicador.

Este diagnóstico no implica excluir observaciones. Su finalidad es reconocer las particularidades de los territorios y evaluar con mayor precisión la influencia de los valores extremos en los análisis posteriores.

diagnostico_tasas_extremas <- variables_integradas %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 15) %>%
  mutate(
    tasa_seleccionada = round(tasa_seleccionada, 2)
  )

knitr::kable(
  diagnostico_tasas_extremas,
  caption = "15 UPZ con las tasas más elevadas de los cinco delitos priorizados"
)
15 UPZ con las tasas más elevadas de los cinco delitos priorizados
upz_nombre localidad poblacion casos_seleccionados tasa_seleccionada grupo_poblacion
El Mochuelo Ciudad Bolívar 30 32 10666.66 UPZ identificada en P13
Aeropuerto El Dorado Fontibón 883 509 5764.44 UPZ identificada en P13
Parque Simon Bolivar - Can Teusaquillo 3323 911 2741.50 UPZ identificada en P13
Las Nieves Santa Fe 17203 3963 2303.67 Resto de UPZ
Zona Industrial Puente Aranda 6666 1498 2247.22 UPZ identificada en P13
Sagrado Corazon Santa Fe 11247 1660 1475.95 UPZ identificada en P13
Parque Salitre Barrios Unidos 1442 212 1470.18 UPZ identificada en P13
La Sabana Los Mártires 38856 5192 1336.22 Resto de UPZ
Chico Lago Chapinero 38608 4872 1261.91 Resto de UPZ
Puente Aranda Puente Aranda 12482 1458 1168.08 UPZ identificada en P13
Chapinero Chapinero 26491 2816 1063.01 Resto de UPZ
Teusaquillo Teusaquillo 28881 2787 964.99 Resto de UPZ
Jardin Botanico Engativá 2900 250 862.07 UPZ identificada en P13
Galerias Teusaquillo 38425 2900 754.71 Resto de UPZ
Los Alcazares Barrios Unidos 44678 3255 728.55 Resto de UPZ

El diagnóstico de las 15 UPZ con mayores tasas de los cinco delitos priorizados permite identificar dos situaciones diferenciadas.

En primer lugar, se observan territorios con poblaciones reducidas donde el número de casos registrados genera tasas considerablemente elevadas. El caso más representativo es El Mochuelo, con una población de 30 habitantes y 32 casos, lo que produce una tasa de 10.666,66 por cada 10.000 habitantes. Este resultado evidencia la sensibilidad del indicador frente a denominadores poblacionales pequeños y requiere especial cautela en su interpretación.

En segundo lugar, se identifican UPZ con poblaciones considerablemente mayores que también presentan tasas elevadas y volúmenes importantes de denuncias. Entre ellas se encuentran Las Nieves, La Sabana, Chicó Lago, Chapinero y Teusaquillo. Esto demuestra que los valores extremos no se explican exclusivamente por poblaciones pequeñas.

Una posible hipótesis es que las características de actividad económica, comercial y de movilidad de algunos territorios influyan en la concentración de denuncias. Sin embargo, esta explicación requiere información adicional sobre población flotante y dinámica territorial.

En consecuencia, las tasas deben analizarse conjuntamente con el número absoluto de casos y el tamaño poblacional. Se mantienen todas las UPZ en el estudio, reconociendo las limitaciones de comparabilidad que presentan los territorios con poblaciones reducidas.

5.6.12. Sensibilidad de las correlaciones frente a tasas extremas

Se realiza una prueba de sensibilidad para evaluar la influencia de las UPZ con las cinco tasas más elevadas de los delitos priorizados sobre las asociaciones estadísticas identificadas.

Para ello, se comparan los coeficientes de Spearman calculados con las 112 UPZ frente a los obtenidos al retirar temporalmente estas cinco observaciones.

Se examinan las relaciones de la tasa de delitos con el porcentaje de pobreza, el salario promedio, la percepción de cercanía a lotes oscuros y el tiempo mínimo de acceso a un CAI.

Este ejercicio permite establecer si las asociaciones identificadas se mantienen ante la presencia de valores extremos. La selección de estas cinco UPZ responde exclusivamente a su posición en el ranking de tasas y no implica que deban excluirse del análisis territorial.

# Identificar las cinco UPZ con mayores tasas
upz_extremas <- variables_integradas %>%
  slice_max(
    order_by = tasa_seleccionada,
    n = 5,
    with_ties = FALSE
  )

# Mostrar las UPZ seleccionadas
knitr::kable(
  upz_extremas %>%
    select(
      upz_nombre,
      localidad,
      poblacion,
      casos_seleccionados,
      tasa_seleccionada
    ),
  caption = "Cinco UPZ retiradas temporalmente para la prueba de sensibilidad"
)
Cinco UPZ retiradas temporalmente para la prueba de sensibilidad
upz_nombre localidad poblacion casos_seleccionados tasa_seleccionada
El Mochuelo Ciudad Bolívar 30 32 10666.66
Aeropuerto El Dorado Fontibón 883 509 5764.44
Parque Simon Bolivar - Can Teusaquillo 3323 911 2741.50
Las Nieves Santa Fe 17203 3963 2303.67
Zona Industrial Puente Aranda 6666 1498 2247.22
# Crear conjunto de datos sin las cinco UPZ extremas
datos_sin_extremos <- variables_integradas %>%
  anti_join(
    upz_extremas %>% select(upz_cod),
    by = "upz_cod"
  )

# Calcular correlaciones con las 112 UPZ
correlaciones_112 <- c(
  pobreza = cor(
    variables_integradas$pct_pobreza,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    variables_integradas$salario_promedio,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  lotes_oscuros = cor(
    variables_integradas$pct_cerca_lotes_oscuros,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  acceso_cai = cor(
    variables_integradas$min_cai_policia,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Calcular correlaciones sin las cinco UPZ extremas
correlaciones_sin_extremos <- c(
  pobreza = cor(
    datos_sin_extremos$pct_pobreza,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    datos_sin_extremos$salario_promedio,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  lotes_oscuros = cor(
    datos_sin_extremos$pct_cerca_lotes_oscuros,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  acceso_cai = cor(
    datos_sin_extremos$min_cai_policia,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Construir tabla comparativa
tabla_sensibilidad_extremos <- tibble(
  Variable = c(
    "Porcentaje de pobreza",
    "Salario promedio",
    "Percepción de cercanía a lotes oscuros",
    "Tiempo mínimo de acceso a CAI"
  ),
  Correlacion_112_UPZ = as.numeric(correlaciones_112),
  Correlacion_sin_extremos = as.numeric(correlaciones_sin_extremos)
) %>%
  mutate(
    Diferencia = Correlacion_sin_extremos - Correlacion_112_UPZ
  )

knitr::kable(
  tabla_sensibilidad_extremos %>%
    mutate(
      across(
        c(
          Correlacion_112_UPZ,
          Correlacion_sin_extremos,
          Diferencia
        ),
        ~ round(.x, 3)
      )
    ),
  caption = "Sensibilidad de las correlaciones frente a las cinco tasas más elevadas"
)
Sensibilidad de las correlaciones frente a las cinco tasas más elevadas
Variable Correlacion_112_UPZ Correlacion_sin_extremos Diferencia
Porcentaje de pobreza -0.524 -0.565 -0.041
Salario promedio 0.592 0.634 0.042
Percepción de cercanía a lotes oscuros -0.369 -0.465 -0.096
Tiempo mínimo de acceso a CAI -0.330 -0.369 -0.039

La prueba de sensibilidad frente a las cinco UPZ con mayores tasas de delitos permite evaluar la influencia de las observaciones extremas sobre las asociaciones estadísticas.

Los resultados muestran que las cuatro correlaciones conservan su dirección después de retirar temporalmente estas observaciones. La relación entre pobreza y tasa de delitos pasa de -0,524 a -0,565, mientras que la asociación con el salario promedio aumenta de 0,592 a 0,634.

El cambio más importante se presenta en la relación entre la percepción de cercanía a lotes oscuros y la tasa de delitos, cuyo coeficiente pasa de -0,369 a -0,465. Esto indica que las cinco observaciones extremas tienen una mayor influencia sobre esta asociación. Por su parte, la relación con el tiempo mínimo de acceso a un CAI presenta una variación menor, pasando de -0,330 a -0,369.

En conjunto, los resultados indican que las asociaciones mantienen su dirección al retirar temporalmente las cinco UPZ con mayores tasas, aunque presentan cambios en su magnitud. Por tanto, los valores extremos influyen en la intensidad de algunas relaciones, pero no explican por sí solos los patrones identificados.

Esta comprobación complementa el análisis de sensibilidad frente a las UPZ P13 y refuerza la decisión de conservar la totalidad de los territorios en el estudio, utilizando las pruebas de sensibilidad como herramientas de validación.

5.6.13. Síntesis del análisis de relaciones entre variables

El análisis de correlaciones permitió explorar las relaciones entre las características demográficas, las condiciones socioeconómicas, la infraestructura urbana, la percepción de inseguridad y las tasas de los cinco delitos priorizados en las UPZ de Bogotá.

Entre los principales resultados se identificó una asociación positiva moderada entre el salario promedio y la tasa de delitos (ρ = 0,592), así como una asociación inversa moderada con el porcentaje de pobreza (ρ = -0,524). Por su parte, la percepción de inseguridad presentó una relación débil e inversa con la tasa de delitos (ρ = -0,304), lo que evidencia que la percepción ciudadana y las denuncias registradas no necesariamente siguen el mismo comportamiento territorial.

En cuanto a las condiciones del entorno, se encontró una asociación positiva débil entre la percepción de cercanía a lotes oscuros y la percepción de inseguridad (ρ = 0,329). Sin embargo, las relaciones de estas variables con la tasa de delitos fueron inversas y débiles. El tiempo mínimo de acceso a un CAI también presentó una asociación inversa débil con dicha tasa (ρ = -0,330), sin que estos resultados permitan establecer una relación causal.

El análisis de sensibilidad permitió comprobar que las asociaciones conservan su dirección al retirar temporalmente las UPZ clasificadas en P13 y las cinco observaciones con mayores tasas. No obstante, se identificaron variaciones en la magnitud de algunos coeficientes, especialmente en la relación entre lotes oscuros y tasa de delitos.

Finalmente, se reconoce que las tasas pueden verse afectadas por el tamaño de la población residente, la presencia de valores extremos, la actividad territorial y las limitaciones de las fuentes utilizadas. También debe considerarse que parte de la información socioeconómica corresponde a estimaciones agrupadas y que existen diferencias temporales entre los datos de percepción y los registros de delitos.

En consecuencia, los resultados constituyen una aproximación exploratoria a las relaciones territoriales de la inseguridad. No permiten establecer causalidad, pero aportan elementos para formular nuevas preguntas y orientar análisis posteriores sobre las características sociales, urbanas y demográficas de las UPZ.

6. Visualización geográfica: distribución territorial de la inseguridad en Bogotá

El análisis geográfico permite complementar los resultados estadísticos mediante la representación espacial de los indicadores asociados con las condiciones de seguridad de las UPZ de Bogotá.

Mientras que las tablas y los gráficos anteriores permiten identificar distribuciones, diferencias y asociaciones entre variables, los mapas facilitan la comprensión de cómo se distribuyen estos comportamientos en el territorio.

Para desarrollar esta etapa se integrará la información estadística de las UPZ con los archivos geográficos que contienen sus límites territoriales. De esta manera, será posible representar indicadores como la cantidad de delitos denunciados, las tasas de criminalidad, la percepción de inseguridad y algunas características socioeconómicas y de infraestructura.

La visualización se realizará mediante mapas temáticos, utilizando escalas de color que permitan diferenciar los niveles de cada indicador entre las unidades territoriales.

El propósito no es únicamente identificar las UPZ con valores altos o bajos, sino reconocer posibles concentraciones espaciales, diferencias entre localidades y patrones territoriales que complementen los resultados del análisis exploratorio.

Es importante tener presente que la representación geográfica no modifica las limitaciones de las fuentes originales. Por tanto, los mapas deben interpretarse considerando los periodos de referencia de los datos, las diferencias en las metodologías de medición y las características de las estimaciones disponibles.

6.1. Revisión de la información geográfica

Primero debemos conocer la estructura de los archivos geográficos. Aunque ya los cargamos, necesitamos identificar sus campos, sistemas de coordenadas y características generales.

# Revisar la estructura del archivo geográfico de UPZ

cat("ESTRUCTURA DEL ARCHIVO DE UPZ/n")
## ESTRUCTURA DEL ARCHIVO DE UPZ/n
glimpse(upz_shp)
## Rows: 112
## Columns: 3
## $ upz_cod    <int> 80, 11, 59, 25, 70, 46, 29, 85, 50, 22, 108, 48, 96, 75, 51…
## $ upz_nombre <chr> "Corabastos", "San Cristobal Norte", "Alfonso Lopez", "La F…
## $ geometry   <MULTIPOLYGON [°]> MULTIPOLYGON (((-74.15509 4..., MULTIPOLYGON (…
# Identificar los campos disponibles

names(upz_shp)
## [1] "upz_cod"    "upz_nombre" "geometry"
# Revisar el sistema de coordenadas

st_crs(upz_shp)
## Coordinate Reference System:
##   User input: WGS 84 
##   wkt:
## GEOGCRS["WGS 84",
##     DATUM["World Geodetic System 1984",
##         ELLIPSOID["WGS 84",6378137,298.257223563,
##             LENGTHUNIT["metre",1]]],
##     PRIMEM["Greenwich",0,
##         ANGLEUNIT["degree",0.0174532925199433]],
##     CS[ellipsoidal,2],
##         AXIS["latitude",north,
##             ORDER[1],
##             ANGLEUNIT["degree",0.0174532925199433]],
##         AXIS["longitude",east,
##             ORDER[2],
##             ANGLEUNIT["degree",0.0174532925199433]],
##     ID["EPSG",4326]]
# Consultar la cantidad de polígonos

nrow(upz_shp)
## [1] 112
# Revisar los primeros registros

head(st_drop_geometry(upz_shp), 5)
upz_cod upz_nombre
80 Corabastos
11 San Cristobal Norte
59 Alfonso Lopez
25 La Floresta
70 Jerusalem

Ahora realizamos la misma revisión para el archivo geográfico de localidades.

# Revisar la estructura del archivo de localidades

cat("ESTRUCTURA DEL ARCHIVO DE LOCALIDADES/n")
## ESTRUCTURA DEL ARCHIVO DE LOCALIDADES/n
glimpse(localidades_shp)
## Rows: 19
## Columns: 3
## $ loc_cod   <int> 9, 18, 17, 12, 13, 16, 14, 1, 2, 4, 5, 19, 7, 8, 10, 11, 6, …
## $ localidad <chr> "Fontibón", "Rafael Uribe Uribe", "Candelaria", "Barrios Uni…
## $ geometry  <MULTIPOLYGON [°]> MULTIPOLYGON (((-74.15857 4..., MULTIPOLYGON ((…
# Identificar los campos disponibles

names(localidades_shp)
## [1] "loc_cod"   "localidad" "geometry"
# Revisar el sistema de coordenadas

st_crs(localidades_shp)
## Coordinate Reference System:
##   User input: WGS 84 
##   wkt:
## GEOGCRS["WGS 84",
##     DATUM["World Geodetic System 1984",
##         ELLIPSOID["WGS 84",6378137,298.257223563,
##             LENGTHUNIT["metre",1]]],
##     PRIMEM["Greenwich",0,
##         ANGLEUNIT["degree",0.0174532925199433]],
##     CS[ellipsoidal,2],
##         AXIS["latitude",north,
##             ORDER[1],
##             ANGLEUNIT["degree",0.0174532925199433]],
##         AXIS["longitude",east,
##             ORDER[2],
##             ANGLEUNIT["degree",0.0174532925199433]],
##     ID["EPSG",4326]]
# Consultar la cantidad de polígonos

nrow(localidades_shp)
## [1] 19
# Revisar los primeros registros

head(st_drop_geometry(localidades_shp), 5)
loc_cod localidad
9 Fontibón
18 Rafael Uribe Uribe
17 Candelaria
12 Barrios Unidos
13 Teusaquillo

6.1.1. Verificación visual de los archivos geográficos

Antes de integrar la información estadística, también es conveniente visualizar los polígonos originales. Esto permite comprobar que las geometrías se encuentran correctamente cargadas y que corresponden al territorio de Bogotá.

# Visualización inicial de los polígonos de las UPZ

ggplot() +
  geom_sf(
    data = upz_shp,
    fill = "#E9E3ED",
    color = morado,
    linewidth = 0.25
  ) +
  labs(
    title = "División territorial de Bogotá por UPZ",
    subtitle = "Representación de los polígonos geográficos disponibles",
    caption = "Fuente: archivo geográfico de UPZ suministrado para el taller."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank()
  )

6.2. Integración de la información estadística y geográfica

Una vez revisada la estructura de los archivos geográficos, se procede a integrar la información estadística de las UPZ con sus respectivos polígonos territoriales.

Para realizar esta operación se utiliza el campo upz_cod, que funciona como identificador común entre ambas fuentes. Este procedimiento permite incorporar los indicadores demográficos, socioeconómicos, de infraestructura y de seguridad a cada unidad geográfica, conservando la geometría necesaria para su representación cartográfica.

Antes de construir los mapas temáticos, se valida que la unión conserve la totalidad de los registros, que no existan códigos sin correspondencia y que las variables estadísticas se encuentren disponibles después de la integración.

Esta validación es importante porque cualquier inconsistencia en la relación entre los datos y los polígonos podría generar representaciones territoriales incompletas o asignaciones incorrectas de los indicadores.

# Integrar la información estadística con los polígonos de las UPZ

upz_mapa <- upz_shp %>%
  left_join(
    upz %>% select(-upz_nombre),
    by = "upz_cod"
  )

# Validar la cantidad de registros y polígonos

cat("REGISTROS DE LA BASE ESTADÍSTICA:", nrow(upz), "/n")
## REGISTROS DE LA BASE ESTADÍSTICA: 112 /n
cat("POLÍGONOS DEL ARCHIVO GEOGRÁFICO:", nrow(upz_shp), "/n")
## POLÍGONOS DEL ARCHIVO GEOGRÁFICO: 112 /n
cat("REGISTROS DESPUÉS DE LA UNIÓN:", nrow(upz_mapa), "/n")
## REGISTROS DESPUÉS DE LA UNIÓN: 112 /n
# Identificar códigos de la base estadística sin geometría

upz_sin_geometria <- upz %>%
  anti_join(
    st_drop_geometry(upz_shp),
    by = "upz_cod"
  )

# Identificar polígonos sin información estadística

poligonos_sin_datos <- st_drop_geometry(upz_shp) %>%
  anti_join(
    upz,
    by = "upz_cod"
  )

# Revisar valores faltantes en las variables estadísticas integradas

faltantes_integracion <- upz_mapa %>%
  st_drop_geometry() %>%
  summarise(
    across(
      everything(),
      ~ sum(is.na(.))
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Valores_faltantes"
  ) %>%
  filter(Valores_faltantes > 0)

# Presentar resultados de validación

cat("/nCÓDIGOS SIN GEOMETRÍA:", nrow(upz_sin_geometria), "/n")
## /nCÓDIGOS SIN GEOMETRÍA: 0 /n
cat("POLÍGONOS SIN DATOS:", nrow(poligonos_sin_datos), "/n")
## POLÍGONOS SIN DATOS: 0 /n
cat("VARIABLES CON VALORES FALTANTES:", nrow(faltantes_integracion), "/n")
## VARIABLES CON VALORES FALTANTES: 0 /n
# Consultar los primeros registros de la base integrada

head(
  st_drop_geometry(upz_mapa) %>%
    select(
      upz_cod,
      upz_nombre,
      poblacion,
      casos_total,
      tasa_total
    ),
  10
)
upz_cod upz_nombre poblacion casos_total tasa_total
80 Corabastos 56102 1103 196.61
11 San Cristobal Norte 72939 793 108.72
59 Alfonso Lopez 53774 455 84.61
25 La Floresta 46543 886 190.36
70 Jerusalem 102981 1061 103.03
46 Castilla 141571 2646 186.90
29 Minuto De Dios 110520 2183 197.52
85 Bosa Central 237111 3346 141.12
50 La Gloria 96862 918 94.77
22 Doce De Octubre 75666 2031 268.42

6.3. Distribución territorial de los delitos

Una vez integrada la información estadística y geográfica, se realiza la representación espacial de los indicadores de seguridad para identificar diferencias en la distribución territorial de los delitos registrados en las UPZ de Bogotá.

En primer lugar, se analiza la tasa total de delitos por cada 10.000 habitantes. Este indicador relaciona el número de casos registrados con la población residente y permite complementar la lectura de los conteos absolutos. Posteriormente, se representa el número total de casos denunciados, con el propósito de identificar los territorios donde se concentra el mayor volumen de registros.

La comparación de ambos indicadores permite reconocer que una mayor cantidad de denuncias no necesariamente corresponde a una mayor tasa, y viceversa. También permite identificar territorios donde las poblaciones reducidas pueden generar tasas considerablemente elevadas.

Es importante considerar que los indicadores corresponden al periodo enero-julio de 2023 y representan denuncias registradas, no necesariamente la totalidad de los hechos ocurridos. Asimismo, las tasas de las UPZ con poblaciones pequeñas deben interpretarse con especial cautela debido a su sensibilidad frente al denominador poblacional.

6.3.1. Evaluación de la distribución y los valores extremos

Antes de realizar la representación cartográfica, se examina la distribución estadística de la tasa total de delitos para identificar posibles asimetrías y valores extremos.

Esta revisión es importante porque las tasas relacionan los casos registrados con la población residente. En consecuencia, las UPZ con poblaciones reducidas pueden presentar valores elevados incluso cuando el número absoluto de denuncias no es alto.

El propósito es reconocer las características de la distribución y establecer criterios adecuados para su representación espacial, conservando los valores originales y evitando que unas pocas observaciones dificulten la lectura de las diferencias territoriales.

# Extraer los valores de la tasa total
tasas_totales <- upz_mapa$tasa_total
tasas_totales <- tasas_totales[!is.na(tasas_totales)]

# Estadísticas descriptivas
media_tasa <- mean(tasas_totales)
mediana_tasa <- median(tasas_totales)
desviacion_tasa <- sd(tasas_totales)

q1_tasa <- quantile(tasas_totales, 0.25)
q3_tasa <- quantile(tasas_totales, 0.75)
rango_intercuartil <- IQR(tasas_totales)

# Límites para identificar valores extremos
limite_inferior <- q1_tasa - 1.5 * rango_intercuartil
limite_superior <- q3_tasa + 1.5 * rango_intercuartil

# Coeficiente de asimetría de Fisher
asimetria_tasa <- mean(
  (tasas_totales - media_tasa)^3
) / sd(tasas_totales)^3

# Tabla de resultados
resumen_tasa_total <- tibble(
  Indicador = c(
    "Número de UPZ",
    "Media",
    "Mediana",
    "Desviación estándar",
    "Mínimo",
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Máximo",
    "Asimetría",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores extremos"
  ),
  Resultado = c(
    length(tasas_totales),
    media_tasa,
    mediana_tasa,
    desviacion_tasa,
    min(tasas_totales),
    q1_tasa,
    q3_tasa,
    max(tasas_totales),
    asimetria_tasa,
    limite_inferior,
    limite_superior,
    sum(
      tasas_totales < limite_inferior |
      tasas_totales > limite_superior
    )
  )
)

knitr::kable(
  resumen_tasa_total %>%
    mutate(Resultado = round(Resultado, 2)),
  caption = "Estadísticas descriptivas y detección de valores extremos de la tasa total de delitos"
)
Estadísticas descriptivas y detección de valores extremos de la tasa total de delitos
Indicador Resultado
Número de UPZ 112.00
Media 503.64
Mediana 192.52
Desviación estándar 1263.44
Mínimo 64.47
Primer cuartil (Q1) 129.51
Tercer cuartil (Q3) 287.62
Máximo 11333.33
Asimetría 6.55
Límite inferior -107.65
Límite superior 524.78
Cantidad de valores extremos 17.00
# Histograma de la distribución
ggplot(
  data.frame(tasa_total = tasas_totales),
  aes(x = tasa_total)
) +
  geom_histogram(
    bins = 25,
    fill = magenta,
    color = "white",
    alpha = 0.85
  ) +
  geom_vline(
    xintercept = media_tasa,
    color = morado,
    linewidth = 1,
    linetype = "dashed"
  ) +
  geom_vline(
    xintercept = mediana_tasa,
    color = "#D9006C",
    linewidth = 1,
    linetype = "dotted"
  ) +
  labs(
    title = "Distribución de la tasa total de delitos",
    subtitle = "Línea discontinua: media | Línea punteada: mediana",
    x = "Tasa por cada 10.000 habitantes",
    y = "Cantidad de UPZ"
  ) +
  tema_clase

6.3.2. Distribución territorial de la tasa total de delitos

El mapa coroplético permite observar la distribución espacial de la tasa total de delitos por cada 10.000 habitantes. Para facilitar la diferenciación visual entre territorios, se utiliza una escala de colores con transformación pseudo-logarítmica.

Esta transformación permite representar simultáneamente valores bajos y elevados sin modificar los datos originales. La interpretación debe considerar que las tasas de las UPZ con poblaciones pequeñas pueden presentar una mayor sensibilidad frente al denominador poblacional.

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = tasa_total),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    trans = scales::pseudo_log_trans(sigma = 1),
    breaks = c(0, 100, 500, 1000, 3000, 6000, 10000),
    name = "Tasa por cada\n10.000 habitantes",
    labels = scales::label_comma(accuracy = 1),
    na.value = "grey85"
  ) +
  labs(
    title = "Distribución territorial de la tasa total de delitos",
    subtitle = "UPZ de Bogotá · Enero a julio de 2023",
    caption = "Fuente: elaboración propia con información estadística y geográfica suministrada para el taller."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right",
    legend.title = element_text(size = 11),
    legend.text = element_text(size = 9)
  )

6.3.3. Distribución territorial de los casos totales denunciados

Como complemento al análisis de las tasas, se representa el número absoluto de casos registrados en cada UPZ. Esta visualización permite identificar los territorios que concentran el mayor volumen de denuncias, independientemente de su tamaño poblacional.

La comparación con el mapa de tasas permite reconocer diferencias entre concentración de casos y relación de los registros con la población residente.

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = casos_total),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    trans = scales::pseudo_log_trans(sigma = 1),
    name = "Casos denunciados",
    labels = scales::label_comma(accuracy = 1),
    na.value = "grey85"
  ) +
  labs(
    title = "Distribución territorial de los casos denunciados",
    subtitle = "UPZ de Bogotá · Enero a julio de 2023",
    caption = "Fuente: elaboración propia con información estadística y geográfica suministrada para el taller."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right",
    legend.title = element_text(size = 11),
    legend.text = element_text(size = 9)
  )


6.3.4. Representación de la tasa mediante escala logarítmica

Debido a la asimetría identificada en la distribución de la tasa total de delitos, se propone una representación cartográfica complementaria mediante una escala logarítmica.

Esta transformación permite reducir el efecto visual de los valores extremos y mejorar la diferenciación de las UPZ que presentan tasas bajas y medias. Es importante aclarar que la transformación se aplica exclusivamente a la escala de representación y no modifica los valores originales utilizados en el análisis estadístico.

De esta manera, se busca facilitar la comparación territorial sin eliminar observaciones ni ocultar la existencia de valores elevados.

# Identificar UPZ con poblaciones más pequeñas

upz %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total
  ) %>%
  slice_head(n = 15)
upz_nombre poblacion casos_total tasa_total
El Mochuelo 30 34 11333.33
Aeropuerto El Dorado 883 545 6172.14
Parque Entrenubes 1169 16 136.87
Parque Salitre 1442 233 1615.81
Paseo De Los Libertadores 2690 74 275.09
Guaymaral 2692 45 167.16
Jardin Botanico 2900 266 917.24
Parque Simon Bolivar - Can 3323 958 2882.94
La Academia 5260 123 233.84
Monte Blanco 6575 80 121.67
Zona Industrial 6666 1573 2359.74
Sagrado Corazon 11247 1707 1517.74
Alamos 12077 642 531.59
La Macarena 12253 507 413.78
Puente Aranda 12482 1561 1250.60

6.3.5. Clasificación territorial mediante quintiles

Como alternativa a la representación mediante escalas continuas, se construye un mapa temático basado en quintiles. Esta clasificación organiza las UPZ en cinco grupos de acuerdo con la posición relativa de sus tasas de delitos.

La utilización de quintiles facilita la identificación de las unidades territoriales que presentan niveles relativamente bajos, intermedios o altos dentro del conjunto analizado.

A diferencia de la transformación logarítmica, esta clasificación no modifica la escala numérica de los datos, sino que agrupa las observaciones en categorías. Por tanto, debe interpretarse como una herramienta de comparación relativa y no como una clasificación de riesgo absoluto.

Los valores originales de las tasas se conservan para los análisis estadísticos y para la identificación de posibles valores extremos.

# Clasificar las UPZ en cinco grupos según su tasa total

upz_mapa <- upz_mapa %>%
  mutate(
    quintil_tasa = ntile(tasa_total, 5),
    quintil_tasa = factor(
      quintil_tasa,
      levels = 1:5,
      labels = c(
        "Q1 - Muy bajo",
        "Q2 - Bajo",
        "Q3 - Medio",
        "Q4 - Alto",
        "Q5 - Muy alto"
      )
    )
  )

# Construir mapa por quintiles

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = quintil_tasa),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_manual(
    values = c(
      "Q1 - Muy bajo" = "#E9E3ED",
      "Q2 - Bajo" = "#C8B5D3",
      "Q3 - Medio" = "#A98DBB",
      "Q4 - Alto" = "#D9006C",
      "Q5 - Muy alto" = "#351A4F"
    ),
    name = "Quintiles",
    na.value = "grey85"
  ) +
  labs(
    title = "Clasificación territorial de la tasa de delitos",
    subtitle = "UPZ agrupadas en cinco quintiles · Enero a julio de 2023",
    caption = "Los quintiles representan posiciones relativas dentro de las UPZ analizadas. No constituyen categorías de riesgo absoluto."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )

upz_mapa %>%
  st_drop_geometry() %>%
  group_by(quintil_tasa) %>%
  summarise(
    Numero_UPZ = n(),
    Tasa_minima = min(tasa_total, na.rm = TRUE),
    Tasa_mediana = median(tasa_total, na.rm = TRUE),
    Tasa_maxima = max(tasa_total, na.rm = TRUE),
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    .groups = "drop"
  )
quintil_tasa Numero_UPZ Tasa_minima Tasa_mediana Tasa_maxima Poblacion_total
Q1 - Muy bajo 23 64.47 99.850 119.89 2584989
Q2 - Bajo 23 121.67 143.740 167.17 2048928
Q3 - Medio 22 167.77 195.650 225.79 1775200
Q4 - Alto 22 233.84 270.825 413.78 1068099
Q5 - Muy alto 22 427.21 1062.765 11333.33 459316

6.3.6. Evaluación de las tasas en UPZ con poblaciones pequeñas

Antes de interpretar los mapas como una distribución territorial de inseguridad, debemos revisar el tamaño de la población que sirve como denominador de las tasas.

# Identificar las 15 UPZ con menor población

upz %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total
  ) %>%
  slice_head(n = 15)
upz_nombre poblacion casos_total tasa_total
El Mochuelo 30 34 11333.33
Aeropuerto El Dorado 883 545 6172.14
Parque Entrenubes 1169 16 136.87
Parque Salitre 1442 233 1615.81
Paseo De Los Libertadores 2690 74 275.09
Guaymaral 2692 45 167.16
Jardin Botanico 2900 266 917.24
Parque Simon Bolivar - Can 3323 958 2882.94
La Academia 5260 123 233.84
Monte Blanco 6575 80 121.67
Zona Industrial 6666 1573 2359.74
Sagrado Corazon 11247 1707 1517.74
Alamos 12077 642 531.59
La Macarena 12253 507 413.78
Puente Aranda 12482 1561 1250.60
# Relación entre población y tasa total

ggplot(upz, aes(x = poblacion, y = tasa_total)) +
  geom_point(
    color = "#D9006C",
    alpha = 0.75,
    size = 2.5
  ) +
  scale_x_continuous(
    labels = scales::label_comma()
  ) +
  scale_y_continuous(
    labels = scales::label_comma()
  ) +
  labs(
    title = "Población y tasa total de delitos por UPZ",
    subtitle = "Evaluación de la influencia del tamaño poblacional",
    x = "Población",
    y = "Tasa por cada 10.000 habitantes"
  ) +
  tema_clase

6.4. Mapa interactivo de la distribución territorial de los delitos

Como complemento a las representaciones cartográficas estáticas, se construye un mapa interactivo mediante la librería Leaflet. Esta herramienta permite explorar las unidades territoriales con mayor detalle y consultar información específica de cada UPZ.

La visualización utiliza la clasificación por quintiles de la tasa total de delitos, conservando la misma categorización del mapa estático. Al seleccionar o ubicar el cursor sobre cada polígono, es posible consultar el nombre de la UPZ, su población, el número de casos denunciados y la tasa registrada durante el periodo analizado.

Esta representación facilita la exploración individual de los territorios y permite contrastar los valores absolutos con las tasas relativas, sin perder de vista las limitaciones asociadas al tamaño poblacional de algunas UPZ.

# Definir la paleta de colores para los quintiles

paleta_quintiles <- colorFactor(
  palette = c(
    "#E9E3ED",
    "#C8B5D3",
    "#A98DBB",
    "#D9006C",
    "#351A4F"
  ),
  domain = levels(upz_mapa$quintil_tasa),
  na.color = "grey85"
)

# Construir etiquetas de las UPZ

etiquetas_upz <- paste0(
  "<strong>UPZ: </strong>",
  upz_mapa$upz_nombre,
  "<br><strong>Población: </strong>",
  scales::comma(upz_mapa$poblacion),
  "<br><strong>Casos denunciados: </strong>",
  scales::comma(upz_mapa$casos_total),
  "<br><strong>Tasa por 10.000 habitantes: </strong>",
  scales::number(upz_mapa$tasa_total, accuracy = 0.1),
  "<br><strong>Clasificación: </strong>",
  upz_mapa$quintil_tasa
)

# Crear mapa interactivo

leaflet(upz_mapa) %>%
  addProviderTiles(
    providers$OpenStreetMap.Mapnik
  ) %>%
  addPolygons(
    fillColor = ~paleta_quintiles(quintil_tasa),
    fillOpacity = 0.75,
    color = "white",
    weight = 1,
    opacity = 1,
    label = lapply(etiquetas_upz, htmltools::HTML),
    highlightOptions = highlightOptions(
      weight = 3,
      color = "#D9006C",
      fillOpacity = 0.9,
      bringToFront = TRUE
    )
  ) %>%
  addLegend(
    position = "bottomright",
    pal = paleta_quintiles,
    values = ~quintil_tasa,
    title = "Tasa de delitos",
    opacity = 0.8
  )

6.5. Comparación de las representaciones cartográficas

Las representaciones cartográficas desarrolladas permiten observar la distribución territorial de los delitos desde diferentes perspectivas.

La escala continua conserva la magnitud original de las tasas, aunque puede verse condicionada por la presencia de valores extremos. La escala logarítmica facilita la diferenciación visual de los valores bajos e intermedios, mientras que la clasificación por quintiles permite comparar la posición relativa de cada UPZ dentro del conjunto analizado.

Estas alternativas no son excluyentes, ya que responden a objetivos de visualización diferentes. Por esta razón, su interpretación debe considerar tanto la escala utilizada como las características de la población de cada unidad territorial.

En particular, las tasas calculadas sobre poblaciones pequeñas requieren precaución, debido a que pocos casos pueden generar variaciones importantes en el indicador. Por tanto, los mapas deben interpretarse como una exploración de las denuncias registradas y no como una medición definitiva de la inseguridad real de cada territorio.

6.5.1. Distribución territorial de la percepción de inseguridad y las condiciones del entorno

Además de los registros de delitos denunciados, el análisis incorpora variables relacionadas con la percepción de inseguridad y las características del entorno urbano.

Estas dimensiones permiten ampliar la comprensión del fenómeno, considerando que la experiencia de inseguridad de los habitantes no necesariamente coincide con la cantidad de denuncias registradas en cada territorio.

En esta sección se explora la distribución geográfica de la percepción de inseguridad, la cercanía a determinados elementos del entorno y la accesibilidad a los CAI de policía. El propósito es identificar diferencias territoriales y contrastarlas con los indicadores de delitos analizados anteriormente.

# Mapa de percepción de inseguridad

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = pct_percibe_inseguridad),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Percepción/n(%)",
    na.value = "grey85"
  ) +
  labs(
    title = "Percepción de inseguridad en el entorno de las UPZ",
    subtitle = "Porcentaje reportado en la Encuesta Multipropósito 2021",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )

6.5.2. Condiciones del entorno urbano

Las características del entorno pueden aportar información adicional para comprender las diferencias territoriales relacionadas con la seguridad.

Para este análisis se consideran dos indicadores de la Encuesta Multipropósito: el porcentaje de viviendas afectadas por la cercanía a lotes baldíos o sitios oscuros y el porcentaje de viviendas afectadas por la cercanía a expendios de droga.

La representación geográfica de estas variables permite explorar cómo se distribuyen dichas condiciones entre las UPZ y posteriormente contrastarlas con las tasas de delitos denunciados.

Es importante señalar que estos indicadores corresponden a percepciones o condiciones reportadas por los hogares encuestados. Por tanto, no deben interpretarse como evidencia directa de que estos elementos ocasionen mayores niveles de delincuencia.

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = pct_cerca_lotes_oscuros),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Viviendas/nafectadas (%)",
    na.value = "grey85"
  ) +
  labs(
    title = "Cercanía a lotes baldíos y sitios oscuros",
    subtitle = "Porcentaje de viviendas afectadas · Encuesta 2021",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = pct_cerca_ollas),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Viviendas/nafectadas (%)",
    na.value = "grey85"
  ) +
  labs(
    title = "Cercanía a expendios de droga",
    subtitle = "Porcentaje de viviendas afectadas · Encuesta 2021",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )

6.5.3. Accesibilidad territorial a los CAI de policía

La accesibilidad a los servicios de seguridad constituye otra dimensión de interés para el análisis territorial.

Para explorar esta característica se utiliza la variable min_cai_policia, que representa el tiempo promedio caminando desde las viviendas hasta un CAI de policía.

Su representación geográfica permite identificar diferencias en la accesibilidad territorial y contrastarlas posteriormente con los indicadores de delitos y percepción de inseguridad.

Sin embargo, este indicador debe interpretarse con precaución, ya que la distancia o el tiempo promedio de desplazamiento no representan por sí mismos la capacidad operativa de la Policía, su presencia permanente en el territorio ni los tiempos efectivos de atención.

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = min_cai_policia),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Minutos/ncaminando",
    na.value = "grey85"
  ) +
  labs(
    title = "Accesibilidad territorial a los CAI de policía",
    subtitle = "Tiempo promedio caminando desde las viviendas",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )

6.5.4. Consolidación de indicadores territoriales

Antes de pasar a la interpretación, construimos una tabla que reúne los indicadores de seguridad, percepción y entorno. Esto nos permitirá identificar las UPZ que presentan valores destacados en diferentes dimensiones.

tabla_indicadores_territoriales <- upz %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    pct_cerca_ollas,
    min_cai_policia,
    em_agrupada
  ) %>%
  arrange(desc(tasa_total))

knitr::kable(
  head(tabla_indicadores_territoriales, 15),
  digits = 2,
  caption = "UPZ con mayores tasas de delitos y sus indicadores territoriales"
)
UPZ con mayores tasas de delitos y sus indicadores territoriales
upz_nombre poblacion casos_total tasa_total pct_percibe_inseguridad pct_cerca_lotes_oscuros pct_cerca_ollas min_cai_policia em_agrupada
El Mochuelo 30 34 11333.33 86.83 44.99 52.33 27.39 TRUE
Aeropuerto El Dorado 883 545 6172.14 32.58 40.06 17.00 26.31 TRUE
Parque Simon Bolivar - Can 3323 958 2882.94 32.98 1.22 0.31 13.10 TRUE
Zona Industrial 6666 1573 2359.74 66.27 45.32 51.50 17.17 TRUE
Las Nieves 17203 4033 2344.36 59.85 18.59 23.13 10.06 TRUE
Parque Salitre 1442 233 1615.81 65.97 13.78 10.63 16.14 TRUE
Sagrado Corazon 11247 1707 1517.74 59.85 18.59 23.13 10.06 TRUE
La Sabana 38856 5441 1400.30 83.45 38.71 61.44 16.00 FALSE
Chico Lago 38608 4985 1291.18 21.48 0.64 3.12 13.11 TRUE
Puente Aranda 12482 1561 1250.60 66.27 45.32 51.50 17.17 TRUE
Chapinero 26491 2901 1095.09 50.28 10.35 20.92 15.62 TRUE
Teusaquillo 28881 2976 1030.44 62.90 5.91 6.04 10.36 FALSE
Jardin Botanico 2900 266 917.24 76.48 8.34 3.18 17.71 TRUE
Galerias 38425 3067 798.18 48.52 17.51 22.49 12.79 FALSE
Los Alcazares 44678 3495 782.26 69.78 11.13 18.43 12.78 FALSE

6.6. Comparación territorial entre delitos y condiciones del entorno

Después de explorar la distribución geográfica de los indicadores, se realiza una comparación visual entre la tasa total de delitos y algunas características sociales y urbanas de las UPZ.

El propósito es identificar si las unidades territoriales que presentan mayores niveles de percepción de inseguridad o determinadas condiciones del entorno también registran tasas de delitos más elevadas.

Este análisis complementa las correlaciones estadísticas desarrolladas anteriormente, ya que permite observar la dispersión de las observaciones, reconocer posibles valores extremos y evaluar si existe algún patrón visual entre las variables.

# Relación entre tasa de delitos y percepción de inseguridad

ggplot(
  upz,
  aes(
    x = pct_percibe_inseguridad,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Tasa de delitos y percepción de inseguridad",
    subtitle = "Comparación entre UPZ · Eje vertical en escala logarítmica",
    x = "Percepción de inseguridad (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase

6.6.2. Tasa de delitos y condiciones del entorno

Se explora la relación entre la tasa total de delitos y dos indicadores asociados con las condiciones del entorno urbano: la cercanía a lotes baldíos o sitios oscuros y la cercanía a expendios de droga.

Estas variables permiten examinar si las UPZ donde una mayor proporción de viviendas reporta estas condiciones también presentan mayores tasas de delitos denunciados.

La comparación se realiza mediante gráficos de dispersión, manteniendo identificadas las estimaciones agrupadas de la Encuesta Multipropósito. Los resultados permiten reconocer posibles tendencias y diferencias entre las unidades territoriales, sin asumir que las condiciones observadas expliquen directamente la ocurrencia de delitos.

ggplot(
  upz,
  aes(
    x = pct_cerca_lotes_oscuros,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Cercanía a lotes oscuros y tasa de delitos",
    subtitle = "Eje vertical en escala logarítmica",
    x = "Viviendas afectadas por cercanía a lotes oscuros (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase

ggplot(
  upz,
  aes(
    x = pct_cerca_ollas,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Cercanía a expendios de droga y tasa de delitos",
    subtitle = "Eje vertical en escala logarítmica",
    x = "Viviendas afectadas por cercanía a expendios de droga (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase

6.6.3. Tasa de delitos y accesibilidad a los CAI

Como última comparación se analiza la relación entre la tasa total de delitos y el tiempo promedio caminando hasta un CAI de policía.

Esta exploración permite observar si existen diferencias en las tasas de delitos entre las UPZ según su nivel de accesibilidad territorial a este servicio.

La variable utilizada representa tiempos promedio de desplazamiento y no mide directamente la cobertura policial, la cantidad de uniformados o la capacidad de respuesta institucional. Por tanto, cualquier asociación identificada debe interpretarse considerando el alcance específico del indicador.

ggplot(
  upz,
  aes(
    x = min_cai_policia,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Accesibilidad a los CAI y tasa de delitos",
    subtitle = "Eje vertical en escala logarítmica",
    x = "Tiempo promedio caminando hasta un CAI (minutos)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase

6.6.4. Síntesis de las relaciones territoriales

Los gráficos de dispersión permiten observar el comportamiento conjunto de los indicadores de seguridad y las condiciones territoriales. Para complementar esta exploración visual, se presenta una síntesis de las correlaciones de Spearman entre la tasa total de delitos y las variables seleccionadas.

El coeficiente de Spearman permite evaluar la dirección y la intensidad de una asociación monotónica entre dos variables. Su utilización resulta conveniente en esta etapa exploratoria, debido a que los indicadores presentan distribuciones con asimetrías y posibles valores extremos.

Los coeficientes deben interpretarse como asociaciones estadísticas y no como evidencia de causalidad. Adicionalmente, las variables provenientes de la Encuesta Multipropósito tienen la limitación de contar con estimaciones agrupadas para algunas UPZ.

# Variables seleccionadas para la comparación territorial

variables_territoriales <- upz %>%
  select(
    tasa_total,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    pct_cerca_ollas,
    min_cai_policia
  )

# Calcular correlaciones de Spearman con la tasa total

correlaciones_territoriales <- tibble(
  Variable = c(
    "Percepción de inseguridad",
    "Cercanía a lotes oscuros",
    "Cercanía a expendios de droga",
    "Tiempo de acceso a CAI"
  ),
  rho = c(
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$pct_percibe_inseguridad,
      method = "spearman",
      use = "complete.obs"
    ),
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$pct_cerca_lotes_oscuros,
      method = "spearman",
      use = "complete.obs"
    ),
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$pct_cerca_ollas,
      method = "spearman",
      use = "complete.obs"
    ),
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$min_cai_policia,
      method = "spearman",
      use = "complete.obs"
    )
  )
) %>%
  mutate(
    Intensidad = case_when(
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    ),
    Direccion = if_else(
      rho >= 0,
      "Positiva",
      "Negativa"
    )
  ) %>%
  arrange(desc(abs(rho)))

# Presentar resultados

knitr::kable(
  correlaciones_territoriales,
  digits = 3,
  caption = "Correlaciones de Spearman entre tasa de delitos y condiciones territoriales"
)
Correlaciones de Spearman entre tasa de delitos y condiciones territoriales
Variable rho Intensidad Direccion
Cercanía a lotes oscuros -0.365 Débil Negativa
Tiempo de acceso a CAI -0.339 Débil Negativa
Cercanía a expendios de droga -0.335 Débil Negativa
Percepción de inseguridad -0.293 Débil Negativa

6.6.5. Análisis de sensibilidad de las correlaciones

Debido a que una parte de las UPZ comparte estimaciones provenientes de la Encuesta Multipropósito, se realiza un análisis de sensibilidad para evaluar si esta característica puede influir en las asociaciones identificadas.

Para ello, se comparan las correlaciones de Spearman calculadas con el conjunto completo de UPZ y aquellas obtenidas únicamente con las unidades territoriales que cuentan con estimaciones individuales.

La comparación permite observar si la dirección y la magnitud de las asociaciones se mantienen bajo ambos escenarios. También se considera la cantidad de observaciones utilizadas en cada cálculo, dado que la exclusión de las estimaciones agrupadas reduce el tamaño del conjunto analizado.

Este ejercicio constituye una validación complementaria de los resultados exploratorios. No obstante, el análisis con estimaciones individuales representa un subconjunto de las UPZ y no elimina necesariamente todas las limitaciones de representatividad de la encuesta.

# Definir las variables que se van a comparar

variables_sensibilidad <- c(
  "pct_percibe_inseguridad",
  "pct_cerca_lotes_oscuros",
  "pct_cerca_ollas",
  "min_cai_policia"
)

# Función para calcular las correlaciones de Spearman

calcular_correlaciones <- function(datos, escenario) {

  purrr::map_dfr(variables_sensibilidad, function(variable) {

    datos_validos <- datos %>%
      select(
        tasa_total,
        all_of(variable)
      ) %>%
      drop_na() %>%
      filter(
        is.finite(tasa_total),
        is.finite(.data[[variable]])
      )

    tibble(
      Escenario = escenario,
      Variable = variable,
      Numero_UPZ = nrow(datos_validos),
      rho = if (nrow(datos_validos) >= 3) {
        cor(
          datos_validos$tasa_total,
          datos_validos[[variable]],
          method = "spearman"
        )
      } else {
        NA_real_
      }
    )
  })
}

# Escenario 1: todas las UPZ

correlaciones_completas <- calcular_correlaciones(
  upz,
  "Todas_UPZ"
)

# Escenario 2: únicamente estimaciones individuales

upz_individuales <- upz %>%
  filter(em_agrupada == FALSE)

correlaciones_individuales <- calcular_correlaciones(
  upz_individuales,
  "UPZ_individuales"
)

# Integrar los resultados

comparacion_sensibilidad <- bind_rows(
  correlaciones_completas,
  correlaciones_individuales
) %>%
  mutate(
    Variable = recode(
      Variable,
      pct_percibe_inseguridad = "Percepción de inseguridad",
      pct_cerca_lotes_oscuros = "Cercanía a lotes oscuros",
      pct_cerca_ollas = "Cercanía a expendios de droga",
      min_cai_policia = "Tiempo de acceso a CAI"
    )
  )

# Organizar la comparación en columnas

tabla_sensibilidad <- comparacion_sensibilidad %>%
  pivot_wider(
    names_from = Escenario,
    values_from = c(rho, Numero_UPZ)
  ) %>%
  mutate(
    Diferencia_rho = rho_Todas_UPZ -
      rho_UPZ_individuales,

    Direccion_consistente = case_when(
      is.na(rho_Todas_UPZ) |
        is.na(rho_UPZ_individuales) ~ "No evaluable",

      sign(rho_Todas_UPZ) ==
        sign(rho_UPZ_individuales) ~ "Sí",

      TRUE ~ "No"
    )
  ) %>%
  arrange(desc(abs(rho_Todas_UPZ)))

# Presentar resultados

knitr::kable(
  tabla_sensibilidad,
  digits = 3,
  caption = "Análisis de sensibilidad de las correlaciones de Spearman"
)
Análisis de sensibilidad de las correlaciones de Spearman
Variable rho_Todas_UPZ rho_UPZ_individuales Numero_UPZ_Todas_UPZ Numero_UPZ_UPZ_individuales Diferencia_rho Direccion_consistente
Cercanía a lotes oscuros -0.365 -0.511 112 80 0.145 Sí
Tiempo de acceso a CAI -0.339 -0.455 112 80 0.117 Sí
Cercanía a expendios de droga -0.335 -0.342 112 80 0.007 Sí
Percepción de inseguridad -0.293 -0.253 112 80 -0.040 Sí

Para complementar la comparación numérica, se presenta una visualización de los coeficientes de correlación obtenidos en ambos escenarios. Esta representación permite identificar de manera directa si las asociaciones conservan su dirección y si presentan cambios importantes en su magnitud.

ggplot(
  comparacion_sensibilidad,
  aes(
    x = rho,
    y = reorder(Variable, rho),
    color = Escenario
  )
) +
  geom_vline(
    xintercept = 0,
    linetype = "dashed",
    color = "grey50"
  ) +
  geom_point(
    size = 3,
    position = position_dodge(width = 0.5)
  ) +
  scale_color_manual(
    values = c(
      "Todas_UPZ" = "#351A4F",
      "UPZ_individuales" = "#168C86"
    ),
    labels = c(
      "Todas_UPZ" = "Todas las UPZ",
      "UPZ_individuales" = "Estimaciones individuales"
    ),
    name = "Escenario"
  ) +
  scale_x_continuous(
    limits = c(-1, 1),
    breaks = seq(-1, 1, by = 0.2)
  ) +
  labs(
    title = "Estabilidad de las correlaciones según tipo de estimación",
    subtitle = "Comparación de los coeficientes de Spearman",
    x = "Coeficiente de Spearman",
    y = NULL
  ) +
  tema_clase

7. Preguntas de investigación y hallazgos

7.1. Preguntas que orientan el análisis

El análisis exploratorio se desarrolló a partir de preguntas orientadas a comprender las diferencias territoriales en los indicadores de seguridad y su posible relación con las características demográficas, socioeconómicas y urbanas de las UPZ de Bogotá.

A partir de la información disponible, se establecieron las siguientes preguntas de investigación:

  1. ¿Las UPZ con mayor cantidad de denuncias son también las que presentan mayores tasas de delitos por habitante?
  2. ¿Cómo influye el tamaño poblacional en la interpretación de las tasas de delitos?
  3. ¿Qué diferencias territoriales se observan en la distribución de los delitos denunciados?
  4. ¿Existe alguna asociación entre el alumbrado público y las tasas de delitos?
  5. ¿Qué relación se observa entre pobreza, salario, estrato y los indicadores de seguridad?
  6. ¿La percepción de inseguridad presenta un comportamiento similar al de los delitos denunciados?
  7. ¿Las condiciones del entorno y la accesibilidad a los CAI presentan alguna asociación con las tasas de delitos?

Estas preguntas articulan los análisis estadísticos y las representaciones gráficas desarrolladas en las secciones anteriores. Su propósito es integrar los resultados en una narrativa que permita comprender no solo dónde se registran más denuncias, sino también cómo se relacionan estos registros con las características de cada territorio.

7.2. Matriz de preguntas, variables y análisis realizados

Esta matriz nos permitirá demostrar que cada pregunta tiene un respaldo analítico y que no estamos incluyendo gráficos sin una finalidad concreta.

matriz_preguntas <- tibble(
  Pregunta = c(
    "¿Las UPZ con más denuncias también tienen mayores tasas?",
    "¿Cómo influye el tamaño poblacional en las tasas?",
    "¿Qué diferencias territoriales existen en los delitos?",
    "¿Existe asociación entre alumbrado y delitos?",
    "¿Cómo se relacionan las condiciones socioeconómicas y los delitos?",
    "¿La percepción coincide con los delitos denunciados?",
    "¿Qué relación tienen el entorno y la accesibilidad a los CAI?"
  ),

  Variables = c(
    "casos_total, tasa_total",
    "poblacion, densidad_hab_km2, tasa_total",
    "casos_total, tasa_total, upz_nombre",
    "luminarias_km2, luminarias_1000hab, pct_luminarias_led, tasa_total",
    "pct_pobreza, salario_promedio, pct_estrato_1_2, tasa_total",
    "pct_percibe_inseguridad, tasa_total",
    "pct_cerca_lotes_oscuros, pct_cerca_ollas, min_cai_policia, tasa_total"
  ),

  Analisis = c(
    "Comparación de casos y tasas",
    "Distribuciones y valores extremos",
    "Mapas de tasas y casos",
    "Correlaciones y gráficos de dispersión",
    "Estadísticas descriptivas y correlaciones",
    "Mapas, dispersión y correlación",
    "Mapas, dispersión y análisis de sensibilidad"
  )
)

knitr::kable(
  matriz_preguntas,
  caption = "Relación entre preguntas de investigación, variables y análisis"
)
Relación entre preguntas de investigación, variables y análisis
Pregunta Variables Analisis
¿Las UPZ con más denuncias también tienen mayores tasas? casos_total, tasa_total Comparación de casos y tasas
¿Cómo influye el tamaño poblacional en las tasas? poblacion, densidad_hab_km2, tasa_total Distribuciones y valores extremos
¿Qué diferencias territoriales existen en los delitos? casos_total, tasa_total, upz_nombre Mapas de tasas y casos
¿Existe asociación entre alumbrado y delitos? luminarias_km2, luminarias_1000hab, pct_luminarias_led, tasa_total Correlaciones y gráficos de dispersión
¿Cómo se relacionan las condiciones socioeconómicas y los delitos? pct_pobreza, salario_promedio, pct_estrato_1_2, tasa_total Estadísticas descriptivas y correlaciones
¿La percepción coincide con los delitos denunciados? pct_percibe_inseguridad, tasa_total Mapas, dispersión y correlación
¿Qué relación tienen el entorno y la accesibilidad a los CAI? pct_cerca_lotes_oscuros, pct_cerca_ollas, min_cai_policia, tasa_total Mapas, dispersión y análisis de sensibilidad

7.3. Desarrollo de los hallazgos e insights

7.3.1. ¿Las UPZ con más denuncias son también las que presentan mayores tasas de delitos?

La primera pregunta busca establecer si las unidades territoriales que concentran el mayor número de denuncias en las cinco categorías priorizadas son también aquellas que presentan una mayor intensidad relativa de registros en relación con su población.

Para responderla se comparan dos indicadores: el número de casos registrados en las cinco categorías seleccionadas y la tasa agregada correspondiente por cada 10.000 habitantes. Esta distinción es importante porque el volumen de denuncias puede estar relacionado con el tamaño poblacional de cada UPZ, mientras que la tasa permite realizar una comparación relativa.

El análisis se desarrolla mediante la comparación de los rankings de casos y tasas, así como de la relación entre población y número de denuncias. De esta manera, se busca identificar si los territorios que concentran más casos también ocupan las primeras posiciones cuando se considera su población.

# Top 10 de UPZ por número de casos de los cinco delitos priorizados

ranking_casos_731 <- resumen_cinco_delitos %>%
  arrange(desc(casos_seleccionados)) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10) %>%
  mutate(Posicion_casos = row_number())

# Top 10 de UPZ por tasa agregada de los cinco delitos priorizados

ranking_tasas_731 <- resumen_cinco_delitos %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10) %>%
  mutate(Posicion_tasa = row_number())

# Presentar ranking por casos

knitr::kable(
  ranking_casos_731,
  digits = 2,
  caption = "Top 10 de UPZ según número de casos de los cinco delitos priorizados"
)
Top 10 de UPZ según número de casos de los cinco delitos priorizados
upz_nombre poblacion casos_seleccionados tasa_seleccionada grupo_poblacion Posicion_casos
La Sabana 38856 5192 1336.22 Resto de UPZ 1
Chico Lago 38608 4872 1261.91 Resto de UPZ 2
Las Nieves 17203 3963 2303.67 Resto de UPZ 3
El Rincon 295322 3398 115.06 Resto de UPZ 4
Los Alcazares 44678 3255 728.55 Resto de UPZ 5
Bosa Central 237111 3012 127.03 Resto de UPZ 6
Galerias 38425 2900 754.71 Resto de UPZ 7
Chapinero 26491 2816 1063.01 Resto de UPZ 8
Las Ferias 100848 2797 277.34 Resto de UPZ 9
Teusaquillo 28881 2787 964.99 Resto de UPZ 10
# Presentar ranking por tasa

knitr::kable(
  ranking_tasas_731,
  digits = 2,
  caption = "Top 10 de UPZ según tasa agregada de los cinco delitos priorizados por 10.000 habitantes"
)
Top 10 de UPZ según tasa agregada de los cinco delitos priorizados por 10.000 habitantes
upz_nombre poblacion casos_seleccionados tasa_seleccionada grupo_poblacion Posicion_tasa
El Mochuelo 30 32 10666.66 UPZ identificada en P13 1
Aeropuerto El Dorado 883 509 5764.44 UPZ identificada en P13 2
Parque Simon Bolivar - Can 3323 911 2741.50 UPZ identificada en P13 3
Las Nieves 17203 3963 2303.67 Resto de UPZ 4
Zona Industrial 6666 1498 2247.22 UPZ identificada en P13 5
Sagrado Corazon 11247 1660 1475.95 UPZ identificada en P13 6
Parque Salitre 1442 212 1470.18 UPZ identificada en P13 7
La Sabana 38856 5192 1336.22 Resto de UPZ 8
Chico Lago 38608 4872 1261.91 Resto de UPZ 9
Puente Aranda 12482 1458 1168.08 UPZ identificada en P13 10
# Unir las posiciones de los dos rankings

comparacion_rankings_731 <- full_join(
  ranking_casos_731 %>%
    select(upz_nombre, Posicion_casos),
  ranking_tasas_731 %>%
    select(upz_nombre, Posicion_tasa),
  by = "upz_nombre"
) %>%
  left_join(
    resumen_cinco_delitos %>%
      select(upz_nombre, grupo_poblacion),
    by = "upz_nombre"
  ) %>%
  mutate(
    Grupo = case_when(
      !is.na(Posicion_casos) & !is.na(Posicion_tasa) ~
        "Aparece en ambos rankings",
      !is.na(Posicion_casos) ~
        "Solo en ranking de casos",
      TRUE ~ "Solo en ranking de tasas"
    )
  )

# Tabla comparativa de los dos rankings

knitr::kable(
  comparacion_rankings_731,
  caption = "Comparación de las UPZ que integran los rankings de casos y tasas"
)
Comparación de las UPZ que integran los rankings de casos y tasas
upz_nombre Posicion_casos Posicion_tasa grupo_poblacion Grupo
La Sabana 1 8 Resto de UPZ Aparece en ambos rankings
Chico Lago 2 9 Resto de UPZ Aparece en ambos rankings
Las Nieves 3 4 Resto de UPZ Aparece en ambos rankings
El Rincon 4 NA Resto de UPZ Solo en ranking de casos
Los Alcazares 5 NA Resto de UPZ Solo en ranking de casos
Bosa Central 6 NA Resto de UPZ Solo en ranking de casos
Galerias 7 NA Resto de UPZ Solo en ranking de casos
Chapinero 8 NA Resto de UPZ Solo en ranking de casos
Las Ferias 9 NA Resto de UPZ Solo en ranking de casos
Teusaquillo 10 NA Resto de UPZ Solo en ranking de casos
El Mochuelo NA 1 UPZ identificada en P13 Solo en ranking de tasas
Aeropuerto El Dorado NA 2 UPZ identificada en P13 Solo en ranking de tasas
Parque Simon Bolivar - Can NA 3 UPZ identificada en P13 Solo en ranking de tasas
Zona Industrial NA 5 UPZ identificada en P13 Solo en ranking de tasas
Sagrado Corazon NA 6 UPZ identificada en P13 Solo en ranking de tasas
Parque Salitre NA 7 UPZ identificada en P13 Solo en ranking de tasas
Puente Aranda NA 10 UPZ identificada en P13 Solo en ranking de tasas
# Gráfico de las UPZ que aparecen en ambos rankings

comparacion_rankings_731 %>%
  filter(
    !is.na(Posicion_casos),
    !is.na(Posicion_tasa)
  ) %>%
  ggplot(
    aes(
      x = Posicion_casos,
      y = Posicion_tasa,
      color = grupo_poblacion,
      label = upz_nombre
    )
  ) +
  geom_point(size = 3) +
  geom_text(
    check_overlap = TRUE,
    vjust = -0.8,
    size = 3,
    show.legend = FALSE
  ) +
  scale_x_reverse(
    breaks = 1:10,
    limits = c(10, 1)
  ) +
  scale_y_reverse(
    breaks = 1:10,
    limits = c(10, 1)
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "Coincidencia entre los rankings de casos y tasas",
    subtitle = "Posición de las UPZ que aparecen en ambos rankings",
    x = "Posición en el ranking de casos",
    y = "Posición en el ranking de tasas"
  ) +
  tema_clase

# Relación entre población y casos de los cinco delitos priorizados

ggplot(
  resumen_cinco_delitos,
  aes(
    x = poblacion,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    aes(group = 1),
    method = "lm",
    se = TRUE,
    color = "#D9006C",
    linewidth = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "El volumen de denuncias debe interpretarse junto con la población",
    subtitle = "Relación entre habitantes y casos de los cinco delitos priorizados por UPZ",
    x = "Población de la UPZ (escala logarítmica)",
    y = "Casos registrados (escala logarítmica)",
    caption = "La línea representa una tendencia lineal ajustada sobre los valores transformados."
  ) +
  tema_clase

Interpretación y conclusión

La comparación de los rankings evidencia que las UPZ que concentran el mayor número de denuncias no necesariamente presentan las tasas más elevadas de los cinco delitos priorizados. De las diez UPZ con mayor cantidad de casos, solamente tres aparecen también entre las diez primeras posiciones del ranking de tasas: La Sabana, Chico Lago y Las Nieves.

Se observan diferencias importantes entre ambos indicadores. La Sabana ocupa el primer lugar en número de casos, con 5.192 registros, pero se ubica en la octava posición por tasa. Chico Lago presenta un comportamiento similar, con 4.872 casos y la novena posición en tasas. Por su parte, Las Nieves ocupa el tercer lugar en ambos rankings, aunque mejora su posición relativa al pasar del volumen absoluto a la tasa poblacional.

Otro resultado relevante es que siete de las diez UPZ con mayores tasas pertenecen al grupo identificado mediante P13, mientras que ninguna de las diez UPZ con mayor número de casos pertenece a esta clasificación. Este comportamiento evidencia la importancia del tamaño poblacional en la interpretación de los indicadores relativos.

El caso de El Mochuelo ilustra esta situación: registra 32 casos en una población de apenas 30 habitantes, lo que genera una tasa de 10.666,66 por cada 10.000 habitantes. Este resultado no debe interpretarse aisladamente como una mayor intensidad delictiva, ya que el reducido denominador amplifica considerablemente el indicador.

En conclusión, los resultados muestran que el volumen de denuncias y las tasas poblacionales ofrecen perspectivas diferentes y complementarias sobre el comportamiento territorial de los cinco delitos priorizados. Por esta razón, ambos indicadores deben analizarse conjuntamente, manteniendo visibles las UPZ clasificadas en P13 y reconociendo las limitaciones de interpretación que presentan las poblaciones reducidas.

# Identificar las UPZ que se destacarán mediante etiquetas
# Se incluyen todas las UPZ P13 y las tres que coinciden
# en los dos rankings principales.

etiquetas_grafico <- resumen_cinco_delitos %>%
  filter(
    grupo_poblacion == "UPZ identificada en P13" |
      upz_nombre %in% c("La Sabana", "Chico Lago", "Las Nieves")
  )

# Gráfico de casos frente a tasas para las 112 UPZ

ggplot(
  resumen_cinco_delitos,
  aes(
    x = casos_seleccionados,
    y = tasa_seleccionada,
    color = grupo_poblacion,
    shape = grupo_poblacion
  )
) +
  geom_point(
    size = 2.8,
    alpha = 0.8
  ) +
  geom_text(
    data = etiquetas_grafico,
    aes(label = upz_nombre),
    check_overlap = TRUE,
    vjust = -0.8,
    size = 3,
    show.legend = FALSE
  ) +
  scale_x_continuous(
    trans = scales::pseudo_log_trans(base = 10)
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(base = 10)
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  scale_shape_manual(
    values = c(
      "UPZ identificada en P13" = 17,
      "Resto de UPZ" = 16
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "Relación entre casos y tasas de los cinco delitos priorizados",
    subtitle = "Comparación de las 112 UPZ, destacando las identificadas en P13",
    x = "Número de casos registrados (escala pseudo-logarítmica)",
    y = "Tasa por cada 10.000 habitantes (escala pseudo-logarítmica)",
    caption = "Cada punto representa una UPZ. Las escalas pseudo-logarítmicas permiten visualizar conjuntamente valores extremos y valores pequeños."
  ) +
  tema_clase

7.3.2. ¿Cómo influye el tamaño poblacional en la interpretación de las tasas de delitos?

La segunda pregunta busca comprender cómo influye el tamaño de la población residente en la interpretación de las tasas de los cinco delitos priorizados en las UPZ.

Como se explicó anteriormente, la tasa se calcula relacionando el número de casos registrados con la población de cada unidad territorial, expresando el resultado por cada 10.000 habitantes. Por lo tanto, cuando el denominador es reducido, una cantidad relativamente pequeña de denuncias puede generar una tasa considerablemente elevada.

Para profundizar en este comportamiento se analiza la distribución de la población, su relación con las tasas agregadas de los cinco delitos y las características de las UPZ que presentan poblaciones reducidas.

Este análisis también permite reconocer una limitación del indicador: la población residente no necesariamente representa el total de personas que utilizan o transitan por un territorio. En zonas con alta circulación de población flotante, como el Aeropuerto El Dorado, los registros de denuncias pueden estar relacionados con dinámicas que no quedan representadas en el denominador poblacional.

En consecuencia, las tasas deben interpretarse conjuntamente con los casos absolutos, el tamaño poblacional y las características particulares de cada territorio.

# Ordenar las UPZ según su población e identificar P13

distribucion_poblacion_732 <- resumen_cinco_delitos %>%
  arrange(poblacion) %>%
  mutate(
    upz_nombre = factor(
      upz_nombre,
      levels = upz_nombre
    )
  )

# Distribución de la población por UPZ

ggplot(
  distribucion_poblacion_732,
  aes(
    x = poblacion,
    y = upz_nombre,
    fill = grupo_poblacion
  )
) +
  geom_col(
    alpha = 0.85
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "La población residente presenta diferencias importantes entre UPZ",
    subtitle = "Distribución de habitantes por unidad territorial",
    x = "Población residente (escala logarítmica)",
    y = NULL
  ) +
  tema_clase +
  theme(
    axis.text.y = element_text(size = 7)
  )

# Relación entre población y tasa de los cinco delitos priorizados

ggplot(
  resumen_cinco_delitos,
  aes(
    x = poblacion,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    size = 2.7,
    alpha = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(base = 10),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "Las tasas deben interpretarse considerando el tamaño poblacional",
    subtitle = "Relación entre habitantes y tasa de los cinco delitos priorizados",
    x = "Población residente (escala logarítmica)",
    y = "Tasa por 10.000 habitantes",
    caption = "Se conservan las 112 UPZ. P13 identifica los territorios con población igual o inferior a 14.512 habitantes."
  ) +
  tema_clase

# Identificar las 15 UPZ con menor población

tabla_poblacion_baja <- resumen_cinco_delitos %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 15)

knitr::kable(
  tabla_poblacion_baja,
  digits = 2,
  col.names = c(
    "UPZ",
    "Población",
    "Casos seleccionados",
    "Tasa por 10.000 hab.",
    "Clasificación P13"
  ),
  caption = "15 UPZ con menor población y sus indicadores de los cinco delitos priorizados"
)
15 UPZ con menor población y sus indicadores de los cinco delitos priorizados
UPZ Población Casos seleccionados Tasa por 10.000 hab. Clasificación P13
El Mochuelo 30 32 10666.66 UPZ identificada en P13
Aeropuerto El Dorado 883 509 5764.44 UPZ identificada en P13
Parque Entrenubes 1169 11 94.09 UPZ identificada en P13
Parque Salitre 1442 212 1470.18 UPZ identificada en P13
Paseo De Los Libertadores 2690 72 267.66 UPZ identificada en P13
Guaymaral 2692 43 159.73 UPZ identificada en P13
Jardin Botanico 2900 250 862.07 UPZ identificada en P13
Parque Simon Bolivar - Can 3323 911 2741.50 UPZ identificada en P13
La Academia 5260 118 224.34 UPZ identificada en P13
Monte Blanco 6575 72 109.51 UPZ identificada en P13
Zona Industrial 6666 1498 2247.22 UPZ identificada en P13
Sagrado Corazon 11247 1660 1475.95 UPZ identificada en P13
Alamos 12077 561 464.53 UPZ identificada en P13
La Macarena 12253 482 393.38 UPZ identificada en P13
Puente Aranda 12482 1458 1168.08 UPZ identificada en P13
# Identificar las 15 UPZ con mayores tasas

tabla_tasas_altas <- resumen_cinco_delitos %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 15)

knitr::kable(
  tabla_tasas_altas,
  digits = 2,
  col.names = c(
    "UPZ",
    "Población",
    "Casos seleccionados",
    "Tasa por 10.000 hab.",
    "Clasificación P13"
  ),
  caption = "15 UPZ con mayores tasas de los cinco delitos priorizados"
)
15 UPZ con mayores tasas de los cinco delitos priorizados
UPZ Población Casos seleccionados Tasa por 10.000 hab. Clasificación P13
El Mochuelo 30 32 10666.66 UPZ identificada en P13
Aeropuerto El Dorado 883 509 5764.44 UPZ identificada en P13
Parque Simon Bolivar - Can 3323 911 2741.50 UPZ identificada en P13
Las Nieves 17203 3963 2303.67 Resto de UPZ
Zona Industrial 6666 1498 2247.22 UPZ identificada en P13
Sagrado Corazon 11247 1660 1475.95 UPZ identificada en P13
Parque Salitre 1442 212 1470.18 UPZ identificada en P13
La Sabana 38856 5192 1336.22 Resto de UPZ
Chico Lago 38608 4872 1261.91 Resto de UPZ
Puente Aranda 12482 1458 1168.08 UPZ identificada en P13
Chapinero 26491 2816 1063.01 Resto de UPZ
Teusaquillo 28881 2787 964.99 Resto de UPZ
Jardin Botanico 2900 250 862.07 UPZ identificada en P13
Galerias 38425 2900 754.71 Resto de UPZ
Los Alcazares 44678 3255 728.55 Resto de UPZ

Interpretación y conclusión

El análisis evidencia que el tamaño de la población residente influye directamente en la interpretación de las tasas de delitos. Debido a que este indicador relaciona los casos registrados con la cantidad de habitantes, las UPZ con poblaciones reducidas pueden presentar tasas considerablemente elevadas, incluso cuando el número absoluto de denuncias no es particularmente alto.

Un ejemplo representativo es El Mochuelo, que registra una población de apenas 30 habitantes y 32 casos correspondientes a las cinco categorías de delitos priorizadas, lo que genera una tasa de 10.666,67 casos por cada 10.000 habitantes. En este territorio, cada caso adicional representa un incremento de aproximadamente 333,33 puntos en la tasa, evidenciando la alta sensibilidad del indicador frente a denominadores pequeños.

También se identifica el caso de Aeropuerto El Dorado, con 883 habitantes, 509 casos de las cinco categorías priorizadas y una tasa de 5.764,44 por cada 10.000 habitantes. Este resultado plantea una consideración adicional: la población residente puede no representar adecuadamente la cantidad de personas que utilizan el territorio. La circulación de viajeros, trabajadores y visitantes constituye una posible explicación de esta diferencia, aunque no puede comprobarse directamente con las variables disponibles.

La identificación de las UPZ clasificadas en P13 permite reconocer estos territorios y mantener una precaución metodológica al interpretar sus tasas. Sin embargo, estas unidades se conservan dentro del conjunto de análisis, pues sus registros forman parte del comportamiento territorial observado. La comparación con escenarios que excluyen P13 funciona como un ejercicio de sensibilidad y no como una decisión de eliminar información.

Insight principal: El tamaño de la población residente condiciona la estabilidad y la interpretación de las tasas de delitos. En territorios con pocos habitantes, un número reducido de denuncias puede producir valores extremos que no necesariamente representan una mayor concentración delictiva ni permiten inferir directamente un mayor riesgo para sus residentes. Por ello, las tasas deben analizarse conjuntamente con los casos absolutos, el tamaño poblacional y las características particulares de cada territorio.

7.3.3. ¿Qué diferencias territoriales se observan en la distribución de los delitos denunciados?

Esta pregunta busca identificar las diferencias territoriales en la distribución de los delitos denunciados en las UPZ de Bogotá, reconociendo los territorios donde se concentra un mayor volumen de casos y aquellos que presentan mayores tasas relativas.

Para desarrollar este análisis se retoman los mapas temáticos construidos en la sección 6, especialmente la distribución de los casos totales y de las tasas por cada 10.000 habitantes. Estas representaciones permiten observar los contrastes espaciales y reconocer unidades territoriales con comportamientos diferenciados.

Adicionalmente, se consolidan los indicadores por localidad, con el propósito de ampliar la lectura territorial y comparar el volumen de denuncias y las tasas agregadas entre estas unidades geográficas.

La comparación de ambas escalas permite reconocer que la distribución territorial puede cambiar dependiendo del indicador utilizado y del nivel de agregación. Por ello, los resultados deben interpretarse considerando tanto las diferencias entre UPZ como los patrones generales de cada localidad.

  • Distribución espacial de los casos y las tasas

Los mapas permiten observar que la distribución territorial de los delitos presenta diferencias dependiendo del indicador utilizado. Mientras el número de casos muestra la concentración absoluta de las denuncias, la tasa permite comparar su magnitud en relación con la población residente.

La representación por quintiles complementa esta lectura al identificar la posición relativa de cada UPZ frente al conjunto analizado. Por su parte, la escala logarítmica facilita la visualización de las diferencias cuando existen valores extremos.

En la interpretación de las tasas se mantiene visible la clasificación P13, debido a que las poblaciones reducidas pueden generar valores elevados que requieren una lectura conjunta con los casos absolutos.

  • Comparación territorial de los indicadores por localidad

Para ampliar la interpretación espacial, se agrupan los registros de las UPZ según la localidad a la que pertenecen. Esta consolidación permite comparar el volumen de denuncias y la tasa agregada de delitos entre las diferentes localidades de Bogotá.

La tasa por localidad se calcula relacionando la suma de los casos registrados en sus UPZ con la población total correspondiente. De esta manera, se obtiene un indicador ponderado por población, evitando calcular el promedio simple de las tasas individuales de las UPZ.

Esta comparación permite identificar diferencias territoriales a una escala más amplia, aunque debe considerarse que la agregación por localidad puede ocultar contrastes existentes entre las UPZ que la conforman.

# Consolidar los indicadores por localidad

resumen_localidades <- upz %>%
  group_by(localidad) %>%
  summarise(
    Numero_UPZ = n(),
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    Casos_total = sum(casos_total, na.rm = TRUE),
    Tasa_agregada = (
      sum(casos_total, na.rm = TRUE) /
      sum(poblacion, na.rm = TRUE)
    ) * 10000,
    .groups = "drop"
  )

# Calcular la participación porcentual de cada localidad
# sobre el total de casos registrados en Bogotá

resumen_localidades <- resumen_localidades %>%
  mutate(
    Porcentaje_participacion = (
      Casos_total / sum(Casos_total, na.rm = TRUE)
    ) * 100
  )

# Contabilizar las UPZ clasificadas en P13 por localidad

conteo_p13_localidad <- resumen_cinco_delitos %>%
  group_by(localidad) %>%
  summarise(
    Numero_UPZ_P13 = sum(
      grupo_poblacion == "UPZ identificada en P13",
      na.rm = TRUE
    ),
    .groups = "drop"
  )

# Incorporar la presencia de P13 al resumen por localidad

resumen_localidades <- resumen_localidades %>%
  left_join(
    conteo_p13_localidad,
    by = "localidad"
  )

# Ordenar las localidades por volumen de denuncias

ranking_localidades_casos <- resumen_localidades %>%
  arrange(desc(Casos_total))

# Presentar la tabla consolidada

knitr::kable(
  ranking_localidades_casos,
  digits = 2,
  col.names = c(
    "Localidad",
    "Número de UPZ",
    "Población total",
    "Casos totales",
    "Tasa agregada",
    "Participación (%)",
    "UPZ identificadas en P13"
  ),
  caption = "Indicadores de delitos denunciados por localidad, participación porcentual y presencia de UPZ clasificadas en P13"
)
Indicadores de delitos denunciados por localidad, participación porcentual y presencia de UPZ clasificadas en P13
Localidad Número de UPZ Población total Casos totales Tasa agregada Participación (%) UPZ identificadas en P13
Suba 12 1290144 19028 147.49 11.69 2
Kennedy 12 1035224 18517 178.87 11.37 0
Engativá 9 817019 16715 204.59 10.26 2
Teusaquillo 6 166428 9978 599.54 6.13 1
Chapinero 5 178317 9754 547.00 5.99 0
Fontibón 8 404252 9593 237.30 5.89 1
Usaquén 9 586346 9078 154.82 5.57 1
Ciudad Bolívar 8 650967 9052 139.05 5.56 2
Puente Aranda 5 256731 8562 333.50 5.26 2
Bosa 5 729781 8120 111.27 4.99 0
Santa Fe 5 106587 7705 722.88 4.73 2
Barrios Unidos 4 153342 7334 478.28 4.50 1
Los Mártires 2 82848 6643 801.83 4.08 0
Rafael Uribe Uribe 5 389238 6438 165.40 3.95 0
San Cristóbal 5 406428 4723 116.21 2.90 0
Usme 7 397603 4347 109.33 2.67 1
Antonio Nariño 2 83925 3429 408.58 2.11 0
Tunjuelito 2 182943 2448 133.81 1.50 0
Candelaria 1 18409 1371 744.74 0.84 0
# Gráfico 1. Concentración de denuncias por localidad
# Número absoluto de casos y participación porcentual

ggplot(
  resumen_localidades,
  aes(
    x = reorder(localidad, Casos_total),
    y = Casos_total
  )
) +
  geom_col(
    fill = "#351A4F",
    alpha = 0.9
  ) +
  geom_text(
    aes(
      label = paste0(
        format(
          Casos_total,
          big.mark = ".",
          decimal.mark = ",",
          scientific = FALSE,
          trim = TRUE
        ),
        " (",
        format(
          round(Porcentaje_participacion, 2),
          nsmall = 2,
          decimal.mark = ",",
          big.mark = "."
        ),
        "%)"
      )
    ),
    hjust = -0.1,
    size = 3.5,
    color = "#351A4F"
  ) +
  coord_flip(clip = "off") +
  scale_y_continuous(
    labels = scales::label_comma(big.mark = "."),
    expand = expansion(mult = c(0, 0.25))
  ) +
  labs(
    title = "Distribución de los delitos denunciados por localidad",
    subtitle = "Número absoluto de casos y participación sobre el total de denuncias",
    x = NULL,
    y = "Casos denunciados",
    caption = "Las etiquetas muestran el número de casos y su participación porcentual sobre el total de Bogotá."
  ) +
  tema_clase

# Gráfico 2. Tasas agregadas de delitos por localidad

ggplot(
  resumen_localidades,
  aes(
    x = reorder(localidad, Tasa_agregada),
    y = Tasa_agregada
  )
) +
  geom_col(
    fill = "#D9006C",
    alpha = 0.9
  ) +
  coord_flip() +
  scale_y_continuous(
    labels = scales::label_comma(accuracy = 0.1)
  ) +
  labs(
    title = "Tasas agregadas de delitos denunciados por localidad",
    subtitle = "Casos totales por cada 10.000 habitantes",
    x = NULL,
    y = "Tasa por 10.000 habitantes"
  ) +
  tema_clase

# Comparación de tasas por localidad:
# escenario con todas las UPZ y escenario sin UPZ P13

comparacion_p13 <- upz %>%
  group_by(localidad) %>%
  summarise(
    Numero_UPZ = n(),

    Numero_UPZ_P13 = sum(
      poblacion <= 14512,
      na.rm = TRUE
    ),

    # Escenario 1: todas las UPZ
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    Casos_totales = sum(casos_total, na.rm = TRUE),

    Tasa_todas_UPZ = (
      sum(casos_total, na.rm = TRUE) /
      sum(poblacion, na.rm = TRUE)
    ) * 10000,

    # Escenario 2: excluir UPZ clasificadas en P13
    Poblacion_sin_P13 = sum(
      poblacion[poblacion > 14512],
      na.rm = TRUE
    ),

    Casos_sin_P13 = sum(
      casos_total[poblacion > 14512],
      na.rm = TRUE
    ),

    Tasa_sin_P13 = (
      sum(casos_total[poblacion > 14512], na.rm = TRUE) /
      sum(poblacion[poblacion > 14512], na.rm = TRUE)
    ) * 10000,

    .groups = "drop"
  ) %>%
  mutate(
    Diferencia_tasa = Tasa_sin_P13 - Tasa_todas_UPZ,

    Variacion_porcentual = ifelse(
      Tasa_todas_UPZ != 0,
      (Tasa_sin_P13 / Tasa_todas_UPZ - 1) * 100,
      NA_real_
    )
  )

# Tabla comparativa por localidad

tabla_sensibilidad_p13 <- comparacion_p13 %>%
  arrange(desc(abs(Diferencia_tasa))) %>%
  select(
    localidad,
    Numero_UPZ,
    Numero_UPZ_P13,
    Tasa_todas_UPZ,
    Tasa_sin_P13,
    Diferencia_tasa,
    Variacion_porcentual
  )

knitr::kable(
  tabla_sensibilidad_p13,
  digits = 2,
  col.names = c(
    "Localidad",
    "Número de UPZ",
    "UPZ P13",
    "Tasa con todas las UPZ",
    "Tasa sin P13",
    "Diferencia",
    "Variación (%)"
  ),
  caption = "Sensibilidad de las tasas agregadas por localidad ante la exclusión de las UPZ P13"
)
Sensibilidad de las tasas agregadas por localidad ante la exclusión de las UPZ P13
Localidad Número de UPZ UPZ P13 Tasa con todas las UPZ Tasa sin P13 Diferencia Variación (%)
Puente Aranda 5 2 333.50 228.47 -105.03 -31.49
Santa Fe 5 2 722.88 660.87 -62.01 -8.58
Teusaquillo 6 1 599.54 553.02 -46.52 -7.76
Fontibón 8 1 237.30 224.31 -12.99 -5.47
Barrios Unidos 4 1 478.28 467.48 -10.80 -2.26
Engativá 9 2 204.59 197.08 -7.50 -3.67
Usaquén 9 1 154.82 154.27 -0.55 -0.36
Suba 12 2 147.49 147.09 -0.40 -0.27
Ciudad Bolívar 8 2 139.05 138.71 -0.34 -0.25
Usme 7 1 109.33 109.25 -0.08 -0.07
Antonio Nariño 2 0 408.58 408.58 0.00 0.00
Bosa 5 0 111.27 111.27 0.00 0.00
Candelaria 1 0 744.74 744.74 0.00 0.00
Chapinero 5 0 547.00 547.00 0.00 0.00
Kennedy 12 0 178.87 178.87 0.00 0.00
Los Mártires 2 0 801.83 801.83 0.00 0.00
Rafael Uribe Uribe 5 0 165.40 165.40 0.00 0.00
San Cristóbal 5 0 116.21 116.21 0.00 0.00
Tunjuelito 2 0 133.81 133.81 0.00 0.00
# Establecer un orden común para las localidades
# utilizando la tasa del escenario con todas las UPZ

orden_localidades <- comparacion_p13 %>%
  arrange(Tasa_todas_UPZ) %>%
  pull(localidad)

# Preparar los datos para el gráfico

comparacion_p13_larga <- comparacion_p13 %>%
  select(
    localidad,
    Tasa_todas_UPZ,
    Tasa_sin_P13
  ) %>%
  tidyr::pivot_longer(
    cols = c(Tasa_todas_UPZ, Tasa_sin_P13),
    names_to = "Escenario",
    values_to = "Tasa"
  ) %>%
  mutate(
    localidad = factor(
      localidad,
      levels = orden_localidades
    ),
    Escenario = recode(
      Escenario,
      "Tasa_todas_UPZ" = "Todas las UPZ",
      "Tasa_sin_P13" = "Sin UPZ P13"
    )
  )

# Gráfico de sensibilidad por localidad

ggplot() +

  # Conectar los resultados de los dos escenarios
  geom_segment(
    data = comparacion_p13,
    aes(
      x = Tasa_todas_UPZ,
      xend = Tasa_sin_P13,
      y = factor(localidad, levels = orden_localidades),
      yend = factor(localidad, levels = orden_localidades)
    ),
    color = "grey65",
    linewidth = 1
  ) +

  # Mostrar los valores de ambos escenarios
  geom_point(
    data = comparacion_p13_larga,
    aes(
      x = Tasa,
      y = localidad,
      color = Escenario
    ),
    size = 3.5
  ) +

  scale_color_manual(
    values = c(
      "Todas las UPZ" = "#D9006C",
      "Sin UPZ P13" = "#168C86"
    ),
    name = "Escenario"
  ) +

  scale_x_continuous(
    labels = scales::label_comma(accuracy = 0.1)
  ) +

  labs(
    title = "Sensibilidad de las tasas de delitos por localidad",
    subtitle = "Comparación entre el escenario completo y el escenario sin UPZ P13",
    x = "Casos por cada 10.000 habitantes",
    y = NULL,
    caption = "Las localidades sin UPZ P13 mantienen el mismo valor en ambos escenarios."
  ) +

  tema_clase

Interpretación de la sensibilidad de las tasas ante la exclusión de P13

El análisis evidencia que la distribución territorial de los delitos denunciados presenta diferencias importantes entre las localidades de Bogotá. Estas diferencias se observan tanto en la concentración absoluta de casos como en la magnitud relativa de las denuncias frente a la población residente.

En términos de volumen, Suba registra 19.028 casos, Kennedy 18.517 y Engativá 16.715. Estas tres localidades concentran aproximadamente el 33,32 % del total de denuncias, lo que permite identificar una concentración importante de registros en estos territorios. La participación porcentual complementa esta lectura, al dimensionar el aporte de cada localidad al total de casos de la ciudad.

Sin embargo, al comparar las tasas agregadas por cada 10.000 habitantes, el comportamiento territorial cambia considerablemente. Los Mártires presenta la tasa más elevada, con 801,83 casos, seguido de Candelaria (744,74), Santa Fe (722,88), Teusaquillo (599,54) y Chapinero (547,00). Esto demuestra que las localidades que concentran el mayor número de denuncias no necesariamente son aquellas que presentan las mayores tasas relativas.

La comparación entre ambos indicadores permite reconocer dos perspectivas complementarias del fenómeno: los casos absolutos muestran dónde se concentra el mayor volumen de denuncias, mientras que las tasas permiten dimensionar los registros en relación con la población residente. No obstante, estas últimas deben interpretarse considerando las características poblacionales de cada territorio y las posibles diferencias entre población residente y población que utiliza o transita por las localidades.

Adicionalmente, el ejercicio de sensibilidad que compara las tasas del escenario completo con aquellas calculadas sin las UPZ clasificadas en P13 evidencia que la influencia de estas unidades no es homogénea entre localidades. En algunos territorios se observan variaciones más visibles, mientras que en otros los indicadores presentan cambios reducidos o permanecen iguales. Este resultado refuerza la importancia de considerar el tamaño poblacional al interpretar las tasas, sin excluir las UPZ P13 del análisis principal.

Finalmente, la consolidación de los indicadores por localidad permite ampliar la lectura territorial e identificar patrones generales de distribución. Sin embargo, esta agregación puede ocultar diferencias entre las UPZ que conforman cada localidad, por lo que el análisis a escala de UPZ debe conservarse como referencia para comprender con mayor detalle el comportamiento espacial de las denuncias.

Insight principal: La distribución territorial de los delitos denunciados no es homogénea y presenta patrones diferentes según el indicador utilizado. Mientras Suba, Kennedy y Engativá concentran el mayor volumen de denuncias, Los Mártires, Candelaria y Santa Fe presentan las mayores tasas relativas. Por tanto, comprender las diferencias territoriales requiere integrar el número absoluto de casos, su participación porcentual, las tasas frente a la población y las

7.3.4. ¿Existe alguna asociación entre el alumbrado público y las tasas de delitos?

Esta pregunta busca explorar si la disponibilidad espacial y las características tecnológicas del alumbrado público presentan alguna asociación con las tasas de delitos denunciados en las UPZ de Bogotá.

Para desarrollar el análisis se consideran dos indicadores: la cantidad de luminarias por kilómetro cuadrado y el porcentaje de luminarias con tecnología LED. El primero permite examinar la distribución espacial de la infraestructura de iluminación, mientras que el segundo permite analizar la participación de esta tecnología dentro del alumbrado disponible en cada territorio.

Ambos indicadores se comparan con la tasa total de delitos por cada 10.000 habitantes mediante gráficos de dispersión y correlaciones de Spearman. Se busca identificar la dirección y la intensidad de posibles asociaciones entre las variables, sin asumir que una relación estadística implica causalidad.

Adicionalmente, se presta especial atención a las UPZ clasificadas en P13, debido a que sus poblaciones reducidas pueden afectar la estabilidad de las tasas. Por esta razón, los resultados se contrastan considerando el conjunto completo de UPZ y un escenario de sensibilidad sin las unidades clasificadas en P13.

upz_analisis_734 <- upz %>%
  mutate(
    grupo_poblacion = if_else(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    ),
    grupo_poblacion = factor(
      grupo_poblacion,
      levels = c(
        "Resto de UPZ",
        "UPZ identificada en P13"
      )
    )
  )

# Verificación de registros y clasificación
upz_analisis_734 %>%
  count(grupo_poblacion) %>%
  knitr::kable(
    caption = "Distribución de las UPZ según clasificación P13"
  )
Distribución de las UPZ según clasificación P13
grupo_poblacion n
Resto de UPZ 97
UPZ identificada en P13 15
ggplot(
  upz_analisis_734,
  aes(
    x = luminarias_km2,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_x_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Disponibilidad espacial de alumbrado y tasa de delitos",
    subtitle = "Luminarias por km² frente a denuncias por cada 10.000 habitantes",
    x = "Luminarias por km² (escala pseudo-logarítmica)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase

ggplot(
  upz_analisis_734,
  aes(
    x = pct_luminarias_led,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_x_continuous(
    labels = scales::label_number(suffix = "%")
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Participación de luminarias LED y tasa de delitos",
    subtitle = "Porcentaje de luminarias LED frente a denuncias por cada 10.000 habitantes",
    x = "Luminarias LED (%)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase

variables_alumbrado <- c(
  "luminarias_km2",
  "pct_luminarias_led"
)

escenarios_alumbrado <- list(
  "Todas las UPZ" = upz_analisis_734,
  "Sin UPZ P13" = upz_analisis_734 %>%
    filter(grupo_poblacion != "UPZ identificada en P13")
)

correlaciones_alumbrado <- purrr::map_dfr(
  names(escenarios_alumbrado),
  function(escenario) {

    datos_escenario <- escenarios_alumbrado[[escenario]]

    purrr::map_dfr(
      variables_alumbrado,
      function(variable) {

        datos_validos <- datos_escenario %>%
          select(
            tasa_total,
            all_of(variable)
          ) %>%
          drop_na()

        tibble(
          Escenario = escenario,
          Indicador = variable,
          Numero_UPZ = nrow(datos_validos),
          rho = if (
            nrow(datos_validos) >= 3 &&
            sd(datos_validos$tasa_total) > 0 &&
            sd(datos_validos[[variable]]) > 0
          ) {
            cor(
              datos_validos$tasa_total,
              datos_validos[[variable]],
              method = "spearman"
            )
          } else {
            NA_real_
          }
        )
      }
    )
  }
) %>%
  mutate(
    Indicador = recode(
      Indicador,
      luminarias_km2 = "Luminarias por km²",
      pct_luminarias_led = "Porcentaje de luminarias LED"
    ),
    Direccion = case_when(
      is.na(rho) ~ "No calculable",
      rho > 0 ~ "Positiva",
      rho < 0 ~ "Negativa",
      TRUE ~ "Sin asociación"
    ),
    Intensidad = case_when(
      is.na(rho) ~ "No calculable",
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  ) %>%
  arrange(Indicador, Escenario)

knitr::kable(
  correlaciones_alumbrado,
  digits = 3,
  caption = "Correlaciones de Spearman entre indicadores de alumbrado público y tasa total de delitos"
)
Correlaciones de Spearman entre indicadores de alumbrado público y tasa total de delitos
Escenario Indicador Numero_UPZ rho Direccion Intensidad
Sin UPZ P13 Luminarias por km² 97 0.293 Positiva Débil
Todas las UPZ Luminarias por km² 112 0.119 Positiva Muy débil
Sin UPZ P13 Porcentaje de luminarias LED 97 -0.023 Negativa Muy débil
Todas las UPZ Porcentaje de luminarias LED 112 -0.061 Negativa Muy débil

Para complementar la exploración visual, se calculan las correlaciones de Spearman entre los indicadores de alumbrado público y la tasa total de delitos. Se consideran únicamente las luminarias por kilómetro cuadrado y el porcentaje de luminarias LED, evitando indicadores que compartan el denominador poblacional con la tasa de delitos.

Adicionalmente, se comparan dos escenarios: el primero incorpora las 112 UPZ y el segundo excluye temporalmente las unidades identificadas en P13. Esta comparación permite evaluar si la presencia de territorios con poblaciones residentes reducidas modifica la dirección o intensidad de las asociaciones observadas.

Las correlaciones permiten identificar asociaciones monotónicas entre las variables, pero no establecen relaciones de causalidad.

Interpretación y conclusión

El análisis de la relación entre el alumbrado público y las tasas de delitos permite identificar asociaciones de baja intensidad y diferencias según la dimensión de iluminación considerada.

En primer lugar, la disponibilidad espacial de luminarias, medida por kilómetro cuadrado, presenta una correlación positiva muy débil con la tasa total de delitos al considerar las 112 UPZ (ρ = 0.119). Sin embargo, al realizar el ejercicio de sensibilidad y excluir temporalmente las 15 UPZ identificadas en P13, la correlación aumenta a 0.293, correspondiente a una asociación positiva débil. Este cambio evidencia que las unidades con poblaciones residentes reducidas influyen en la relación observada y que su inclusión puede modificar la intensidad de las correlaciones.

En segundo lugar, el porcentaje de luminarias con tecnología LED presenta correlaciones prácticamente nulas en ambos escenarios: -0.061 para el conjunto de las 112 UPZ y -0.023 al excluir las unidades P13. Por tanto, no se identifica una asociación monotónica relevante entre la participación de luminarias LED y las tasas de delitos denunciados.

La lectura conjunta de los gráficos también muestra una considerable dispersión territorial. Las UPZ con mayor disponibilidad de luminarias por superficie no presentan necesariamente tasas más bajas de delitos, mientras que la composición tecnológica del alumbrado tampoco evidencia un patrón consistente frente a este indicador.

Es importante señalar que estos resultados son exploratorios y no permiten establecer relaciones de causalidad. Una eventual asociación entre infraestructura de iluminación y seguridad podría depender de otras características territoriales, como la actividad económica, la circulación de personas, la concentración de servicios y las condiciones urbanas de cada UPZ.

Insight principal: Los resultados no muestran una asociación relevante entre la modernización del alumbrado público, medida a través de la participación de luminarias LED, y las tasas de delitos denunciados. En cuanto a la disponibilidad espacial de luminarias, se observa una asociación positiva débil que cambia al excluir las UPZ P13. Esto demuestra la importancia de evaluar el efecto de las poblaciones reducidas antes de interpretar las correlaciones territoriales y confirma que la infraestructura de iluminación, por sí sola, no permite explicar el comportamiento de las tasas de delitos.

7.3.5. ¿Qué relación existe entre las condiciones socioeconómicas y los delitos denunciados?

Esta pregunta busca explorar si las diferencias en las condiciones socioeconómicas de las UPZ presentan alguna asociación con las tasas de delitos denunciados en Bogotá.

Para desarrollar el análisis se consideran tres dimensiones: las condiciones de pobreza, el salario promedio y la composición de las viviendas según rangos de estrato socioeconómico. Estas variables permiten aproximarse a las diferencias económicas y sociales existentes entre los territorios.

En primer lugar, se examina la relación entre estos indicadores y la tasa total de delitos por cada 10.000 habitantes, mediante gráficos de dispersión y correlaciones de Spearman. Posteriormente, se comparan las tasas medianas de diez categorías delictivas entre grupos de UPZ clasificados según su salario promedio.

El análisis incorpora las 112 UPZ y distingue aquellas identificadas en P13 por sus poblaciones residentes reducidas. Adicionalmente, se realiza una comparación de sensibilidad sin estas unidades, con el propósito de evaluar cuánto influyen en las asociaciones observadas.

Los resultados permiten identificar patrones territoriales y diferencias entre grupos, pero no establecer relaciones de causalidad entre las condiciones socioeconómicas y los delitos denunciados.

Preparación de datos

upz_analisis_735 <- upz %>%
  mutate(
    grupo_poblacion = if_else(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    ),
    grupo_poblacion = factor(
      grupo_poblacion,
      levels = c(
        "Resto de UPZ",
        "UPZ identificada en P13"
      )
    )
  )

upz_analisis_735 %>%
  count(grupo_poblacion) %>%
  knitr::kable(
    caption = "Distribución de las UPZ según clasificación P13"
  )
Distribución de las UPZ según clasificación P13
grupo_poblacion n
Resto de UPZ 97
UPZ identificada en P13 15

Código 2. Pobreza y tasa de delitos

ggplot(
  upz_analisis_735,
  aes(
    x = pct_pobreza,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Pobreza y tasa de delitos por UPZ",
    subtitle = "Condición de pobreza frente a denuncias por cada 10.000 habitantes",
    x = "Población en condición de pobreza (%)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase

Código 3. Salario promedio y tasa de delitos

ggplot(
  upz_analisis_735,
  aes(
    x = salario_promedio,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_x_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma(prefix = "$")
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Salario promedio y tasa de delitos por UPZ",
    subtitle = "Ingreso mensual promedio frente a denuncias por cada 10.000 habitantes",
    x = "Salario mensual promedio (escala pseudo-logarítmica)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase

Código 4. Composición por estrato y tasa de delitos

datos_estratos_735 <- upz_analisis_735 %>%
  select(
    upz_nombre,
    grupo_poblacion,
    tasa_total,
    pct_estrato_1_2,
    pct_estrato_3_4,
    pct_estrato_5_6
  ) %>%
  pivot_longer(
    cols = starts_with("pct_estrato"),
    names_to = "Estrato",
    values_to = "Porcentaje"
  ) %>%
  mutate(
    Estrato = recode(
      Estrato,
      pct_estrato_1_2 = "Estratos 1 y 2",
      pct_estrato_3_4 = "Estratos 3 y 4",
      pct_estrato_5_6 = "Estratos 5 y 6"
    )
  )

ggplot(
  datos_estratos_735,
  aes(
    x = Porcentaje,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.5
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  facet_wrap(
    ~ Estrato,
    ncol = 1,
    scales = "free_x"
  ) +
  labs(
    title = "Composición por estrato y tasa de delitos",
    subtitle = "Participación porcentual de viviendas por rango de estrato",
    x = "Viviendas del rango de estrato (%)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase

Código 5. Correlaciones de Spearman

variables_socioeconomicas <- c(
  "pct_pobreza",
  "salario_promedio",
  "pct_estrato_1_2",
  "pct_estrato_3_4",
  "pct_estrato_5_6"
)

escenarios_socioeconomicos <- list(
  "Todas las UPZ" = upz_analisis_735,
  "Sin UPZ P13" = upz_analisis_735 %>%
    filter(grupo_poblacion != "UPZ identificada en P13")
)

correlaciones_socioeconomicas <- purrr::map_dfr(
  names(escenarios_socioeconomicos),
  function(escenario) {

    datos_escenario <- escenarios_socioeconomicos[[escenario]]

    purrr::map_dfr(
      variables_socioeconomicas,
      function(variable) {

        datos_validos <- datos_escenario %>%
          select(
            tasa_total,
            all_of(variable)
          ) %>%
          drop_na()

        tibble(
          Escenario = escenario,
          Variable = variable,
          Numero_UPZ = nrow(datos_validos),
          rho = if (
            nrow(datos_validos) >= 3 &&
            sd(datos_validos$tasa_total) > 0 &&
            sd(datos_validos[[variable]]) > 0
          ) {
            cor(
              datos_validos$tasa_total,
              datos_validos[[variable]],
              method = "spearman"
            )
          } else {
            NA_real_
          }
        )
      }
    )
  }
) %>%
  mutate(
    Variable = recode(
      Variable,
      pct_pobreza = "Población en condición de pobreza",
      salario_promedio = "Salario promedio",
      pct_estrato_1_2 = "Viviendas en estratos 1 y 2",
      pct_estrato_3_4 = "Viviendas en estratos 3 y 4",
      pct_estrato_5_6 = "Viviendas en estratos 5 y 6"
    ),
    Direccion = case_when(
      is.na(rho) ~ "No calculable",
      rho > 0 ~ "Positiva",
      rho < 0 ~ "Negativa",
      TRUE ~ "Sin asociación"
    ),
    Intensidad = case_when(
      is.na(rho) ~ "No calculable",
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  ) %>%
  arrange(Variable, Escenario)

knitr::kable(
  correlaciones_socioeconomicas,
  digits = 3,
  caption = "Correlaciones de Spearman entre condiciones socioeconómicas y tasa total de delitos"
)
Correlaciones de Spearman entre condiciones socioeconómicas y tasa total de delitos
Escenario Variable Numero_UPZ rho Direccion Intensidad
Sin UPZ P13 Población en condición de pobreza 97 -0.566 Negativa Moderada
Todas las UPZ Población en condición de pobreza 112 -0.517 Negativa Moderada
Sin UPZ P13 Salario promedio 97 0.637 Positiva Fuerte
Todas las UPZ Salario promedio 112 0.584 Positiva Moderada
Sin UPZ P13 Viviendas en estratos 1 y 2 97 -0.678 Negativa Fuerte
Todas las UPZ Viviendas en estratos 1 y 2 112 -0.623 Negativa Fuerte
Sin UPZ P13 Viviendas en estratos 3 y 4 97 0.642 Positiva Fuerte
Todas las UPZ Viviendas en estratos 3 y 4 112 0.616 Positiva Fuerte
Sin UPZ P13 Viviendas en estratos 5 y 6 97 0.235 Positiva Débil
Todas las UPZ Viviendas en estratos 5 y 6 112 0.205 Positiva Débil

Comparación de las cinco categorías priorizadas según grupo salarial

# 1. Seleccionar las cinco categorías priorizadas

variables_tasas_delitos <- c(
  "tasa_hurto_personas",
  "tasa_hurto_celulares",
  "tasa_violencia_intrafamiliar",
  "tasa_lesiones",
  "tasa_hurto_comercio"
)

# 2. Clasificar las UPZ según la mediana salarial

mediana_salario <- median(
  upz_analisis_735$salario_promedio,
  na.rm = TRUE
)

upz_grupos_salario <- upz_analisis_735 %>%
  mutate(
    Grupo_salario = if_else(
      salario_promedio <= mediana_salario,
      "Salario bajo o igual a mediana",
      "Salario superior a mediana"
    )
  )

# 3. Definir los escenarios de análisis

escenarios_salario <- list(
  "Todas las UPZ" = upz_grupos_salario,
  "Sin UPZ P13" = upz_grupos_salario %>%
    filter(grupo_poblacion != "UPZ identificada en P13")
)

# 4. Transformar los datos y calcular tasas medianas

resumen_delitos_salario <- purrr::map_dfr(
  names(escenarios_salario),
  function(escenario) {

    datos_escenario <- escenarios_salario[[escenario]]

    datos_largos <- datos_escenario %>%
      select(
        upz_nombre,
        Grupo_salario,
        all_of(variables_tasas_delitos)
      ) %>%
      pivot_longer(
        cols = all_of(variables_tasas_delitos),
        names_to = "Tipo_delito",
        values_to = "Tasa"
      ) %>%
      mutate(
        Tipo_delito = recode(
          Tipo_delito,
          tasa_hurto_personas = "Hurto a personas",
          tasa_hurto_celulares = "Hurto de celulares",
          tasa_violencia_intrafamiliar = "Violencia intrafamiliar",
          tasa_lesiones = "Lesiones",
          tasa_hurto_comercio = "Hurto a comercio"
        )
      )

    datos_largos %>%
      group_by(
        Grupo_salario,
        Tipo_delito
      ) %>%
      summarise(
        Tasa_mediana = median(Tasa, na.rm = TRUE),
        Numero_UPZ = sum(!is.na(Tasa)),
        .groups = "drop"
      ) %>%
      mutate(
        Escenario = escenario
      )
  }
) %>%
  group_by(Escenario, Grupo_salario) %>%
  mutate(
    Posicion = min_rank(desc(Tasa_mediana))
  ) %>%
  ungroup()

# 5. Tabla principal: todas las UPZ

tabla_salario_principal <- resumen_delitos_salario %>%
  filter(Escenario == "Todas las UPZ") %>%
  select(
    Tipo_delito,
    Grupo_salario,
    Tasa_mediana
  ) %>%
  pivot_wider(
    names_from = Grupo_salario,
    values_from = Tasa_mediana
  ) %>%
  arrange(desc(`Salario superior a mediana`))

knitr::kable(
  tabla_salario_principal,
  digits = 2,
  col.names = c(
    "Tipo de delito",
    "Salario bajo o igual a mediana",
    "Salario superior a mediana"
  ),
  caption = "Tasas medianas de las cinco categorías priorizadas según grupo salarial. Todas las UPZ"
)
Tasas medianas de las cinco categorías priorizadas según grupo salarial. Todas las UPZ
Tipo de delito Salario bajo o igual a mediana Salario superior a mediana
Hurto a personas 56.71 161.24
Hurto de celulares 19.52 59.81
Violencia intrafamiliar 22.01 13.30
Hurto a comercio 4.28 11.47
Lesiones 12.59 9.50
# 6. Tabla de sensibilidad: comparación de escenarios

tabla_sensibilidad_salario <- resumen_delitos_salario %>%
  select(
    Escenario,
    Grupo_salario,
    Tipo_delito,
    Tasa_mediana
  ) %>%
  pivot_wider(
    names_from = c(Escenario, Grupo_salario),
    values_from = Tasa_mediana,
    names_sep = " - "
  ) %>%
  mutate(
    Diferencia_grupo_bajo =
      `Sin UPZ P13 - Salario bajo o igual a mediana` -
      `Todas las UPZ - Salario bajo o igual a mediana`,
    Diferencia_grupo_alto =
      `Sin UPZ P13 - Salario superior a mediana` -
      `Todas las UPZ - Salario superior a mediana`
  ) %>%
  select(
    Tipo_delito,
    `Todas las UPZ - Salario bajo o igual a mediana`,
    `Sin UPZ P13 - Salario bajo o igual a mediana`,
    Diferencia_grupo_bajo,
    `Todas las UPZ - Salario superior a mediana`,
    `Sin UPZ P13 - Salario superior a mediana`,
    Diferencia_grupo_alto
  )

knitr::kable(
  tabla_sensibilidad_salario,
  digits = 2,
  col.names = c(
    "Tipo de delito",
    "Salario bajo: todas",
    "Salario bajo: sin P13",
    "Diferencia",
    "Salario alto: todas",
    "Salario alto: sin P13",
    "Diferencia"
  ),
  caption = "Sensibilidad de las tasas medianas al excluir las UPZ P13"
)
Sensibilidad de las tasas medianas al excluir las UPZ P13
Tipo de delito Salario bajo: todas Salario bajo: sin P13 Diferencia Salario alto: todas Salario alto: sin P13 Diferencia
Hurto a comercio 4.28 4.25 -0.04 11.47 11.06 -0.41
Hurto a personas 56.71 55.81 -0.90 161.24 154.45 -6.79
Hurto de celulares 19.52 19.40 -0.12 59.81 57.17 -2.64
Lesiones 12.59 12.48 -0.11 9.50 8.73 -0.77
Violencia intrafamiliar 22.01 21.86 -0.15 13.30 12.85 -0.45
# 7. Gráfico principal: comparación por grupo salarial

ggplot(
  resumen_delitos_salario %>%
    filter(Escenario == "Todas las UPZ"),
  aes(
    x = reorder(Tipo_delito, Tasa_mediana),
    y = Tasa_mediana,
    fill = Grupo_salario
  )
) +
  geom_col(
    position = "dodge",
    width = 0.75
  ) +
  coord_flip() +
  scale_fill_manual(
    values = c(
      "Salario bajo o igual a mediana" = "#168C86",
      "Salario superior a mediana" = "#D9006C"
    ),
    name = "Grupo salarial"
  ) +
  scale_y_continuous(
    labels = scales::label_comma()
  ) +
  labs(
    title = "Tasas de delitos según grupo salarial",
    subtitle = "Comparación de las cinco categorías priorizadas en las 112 UPZ",
    x = NULL,
    y = "Tasa mediana por cada 10.000 habitantes"
  ) +
  tema_clase

Interpretación y conclusión

El análisis evidencia que las condiciones socioeconómicas presentan asociaciones diferenciadas con las tasas de delitos denunciados entre las UPZ de Bogotá. Las correlaciones de Spearman muestran una relación negativa moderada entre la pobreza y la tasa total de delitos (\(\rho=-0,517\)), así como una relación positiva moderada con el salario promedio (\(\rho=0,584\)). En cuanto a la composición socioeconómica, la participación de viviendas en estratos 1 y 2 presenta una asociación negativa fuerte (\(\rho=-0,623\)), mientras que los estratos 3 y 4 muestran una asociación positiva fuerte (\(\rho=0,616\)). Por su parte, los estratos 5 y 6 presentan una relación positiva débil (\(\rho=0,205\)).

Al realizar el análisis de sensibilidad excluyendo las UPZ identificadas en P13, las asociaciones conservan su dirección y aumentan ligeramente su magnitud. Esto indica que las UPZ de población reducida influyen en la intensidad de algunas relaciones, pero no modifican el patrón general observado.

La comparación de las cinco categorías delictivas priorizadas, que representan el 91,05 % de los casos analizados, permite identificar diferencias según el grupo salarial. Las UPZ con salarios superiores a la mediana presentan tasas medianas más elevadas en hurto a personas, hurto de celulares y hurto a comercio. En contraste, las UPZ con salarios bajos o iguales a la mediana registran tasas medianas superiores en violencia intrafamiliar y lesiones.

Este resultado evidencia que la relación entre las condiciones socioeconómicas y la criminalidad no es homogénea, sino que varía según la naturaleza del delito. Asimismo, las diferencias entre grupos salariales se mantienen al excluir las UPZ P13, lo que demuestra que este comportamiento no depende exclusivamente de las unidades territoriales de población reducida.

En conjunto, los resultados permiten concluir que las condiciones socioeconómicas están asociadas con diferentes patrones territoriales de denuncia, pero no permiten establecer relaciones causales. Por ello, la interpretación debe considerar las particularidades de cada tipo de delito y reconocer que las tasas de denuncia también pueden estar condicionadas por factores demográficos, urbanos y sociales que no se explican únicamente mediante el nivel de ingresos o la composición socioeconómica de las UPZ.

7.3.6. ¿La percepción de inseguridad coincide con los delitos denunciados?

Esta pregunta busca establecer si las UPZ donde los habitantes reportan mayores niveles de percepción de inseguridad son también aquellas que presentan mayores tasas de delitos denunciados.

Para desarrollar el análisis se comparan dos dimensiones complementarias: la percepción de inseguridad reportada por los habitantes y los registros administrativos de denuncias. La primera representa la valoración que las personas hacen sobre las condiciones de seguridad de su entorno, mientras que la segunda refleja los hechos delictivos registrados por las autoridades.

Se analiza la relación entre el porcentaje de población que percibe problemas de inseguridad y la tasa total de delitos por cada 10.000 habitantes. Adicionalmente, se incorpora el número absoluto de casos denunciados para diferenciar la intensidad relativa de los registros frente al volumen de denuncias de cada territorio.

Posteriormente, las UPZ se clasifican en cuatro perfiles, utilizando las medianas de percepción y tasa como puntos de referencia. Esta clasificación permite identificar territorios donde ambas dimensiones coinciden en niveles relativamente altos o bajos, así como aquellos donde se presentan diferencias.

Es importante señalar que la percepción de inseguridad y las denuncias no miden exactamente el mismo fenómeno. Una persona puede percibir inseguridad sin haber sido víctima de un delito y no todos los hechos delictivos llegan a ser denunciados. Por esta razón, las diferencias entre ambos indicadores no deben interpretarse automáticamente como errores de percepción o de registro.

Preparación de los datos Este primer bloque crea la clasificación P13 que utilizaremos para destacar las UPZ de población reducida. Se conservan las 112 unidades territoriales.

# Preparar la base de análisis de percepción e inseguridad

upz_analisis_736 <- upz %>%
  mutate(
    grupo_poblacion = if_else(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    ),
    grupo_poblacion = factor(
      grupo_poblacion,
      levels = c(
        "Resto de UPZ",
        "UPZ identificada en P13"
      )
    )
  )

# Verificar cantidad de UPZ por clasificación

upz_analisis_736 %>%
  count(grupo_poblacion) %>%
  knitr::kable(
    caption = "Distribución de las UPZ según clasificación poblacional"
  )
Distribución de las UPZ según clasificación poblacional
grupo_poblacion n
Resto de UPZ 97
UPZ identificada en P13 15
  1. Percepción de inseguridad frente a la tasa de delitos Este gráfico permite observar si las UPZ con mayor percepción de inseguridad también presentan mayores tasas de delitos denunciados. Se utiliza escala pseudo-logarítmica para facilitar la lectura de las tasas extremas, y se destacan las UPZ P13.
ggplot(
  upz_analisis_736,
  aes(x = pct_percibe_inseguridad, y = tasa_total)
) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "Resto de UPZ"
    ),
    color = "#168C86",
    alpha = 0.75,
    size = 2.5
  ) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "UPZ identificada en P13"
    ),
    color = "#D9006C",
    alpha = 0.9,
    size = 3
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  labs(
    title = "Percepción de inseguridad y tasa de delitos por UPZ",
    subtitle = "Percepción reportada frente a denuncias por cada 10.000 habitantes",
    x = "Población que percibe problemas de inseguridad (%)",
    y = "Tasa total de delitos por 10.000 habitantes",
    caption = "Las UPZ P13 se destacan en color magenta."
  ) +
  tema_clase

  1. Percepción de inseguridad frente al número de casos Este segundo gráfico complementa el anterior. Permite identificar si la percepción se relaciona con el volumen absoluto de denuncias, sin utilizar el denominador poblacional de la tasa.
ggplot(
  upz_analisis_736,
  aes(x = pct_percibe_inseguridad, y = casos_total)
) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "Resto de UPZ"
    ),
    color = "#168C86",
    alpha = 0.75,
    size = 2.5
  ) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "UPZ identificada en P13"
    ),
    color = "#D9006C",
    alpha = 0.9,
    size = 3
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  labs(
    title = "Percepción de inseguridad y volumen de denuncias",
    subtitle = "Comparación entre percepción y número absoluto de casos por UPZ",
    x = "Población que percibe problemas de inseguridad (%)",
    y = "Número de casos denunciados",
    caption = "Las UPZ P13 se destacan en color magenta."
  ) +
  tema_clase

  1. Correlaciones de Spearman Se calcula la correlación entre percepción de inseguridad y dos indicadores: tasa total de delitos y número absoluto de casos. Se presentan los resultados para todas las UPZ y para el escenario sin P13.
# Variables para comparar con la percepción

variables_percepcion <- c(
  "tasa_total",
  "casos_total"
)

# Construir los escenarios de análisis

escenarios_percepcion <- list(
  "Todas las UPZ" = upz_analisis_736,
  "Sin UPZ P13" = upz_analisis_736 %>%
    filter(grupo_poblacion == "Resto de UPZ")
)

# Calcular correlaciones de Spearman

correlaciones_percepcion <- purrr::map_dfr(
  names(escenarios_percepcion),
  function(escenario) {

    datos_escenario <- escenarios_percepcion[[escenario]]

    purrr::map_dfr(
      variables_percepcion,
      function(variable) {

        datos_validos <- datos_escenario %>%
          select(
            pct_percibe_inseguridad,
            all_of(variable)
          ) %>%
          drop_na()

        rho <- cor(
          datos_validos$pct_percibe_inseguridad,
          datos_validos[[variable]],
          method = "spearman"
        )

        tibble(
          Escenario = escenario,
          Variable = variable,
          Numero_UPZ = nrow(datos_validos),
          rho = rho
        )
      }
    )
  }
) %>%
  mutate(
    Variable = recode(
      Variable,
      tasa_total = "Tasa total de delitos",
      casos_total = "Número de casos denunciados"
    ),
    Direccion = if_else(
      rho >= 0,
      "Positiva",
      "Negativa"
    ),
    Intensidad = case_when(
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  )

# Presentar resultados

knitr::kable(
  correlaciones_percepcion,
  digits = 3,
  col.names = c(
    "Escenario",
    "Variable",
    "Número de UPZ",
    "Rho",
    "Dirección",
    "Intensidad"
  ),
  caption = "Correlaciones de Spearman entre percepción de inseguridad y denuncias"
)
Correlaciones de Spearman entre percepción de inseguridad y denuncias
Escenario Variable Número de UPZ Rho Dirección Intensidad
Todas las UPZ Tasa total de delitos 112 -0.293 Negativa Débil
Todas las UPZ Número de casos denunciados 112 0.063 Positiva Muy débil
Sin UPZ P13 Tasa total de delitos 97 -0.327 Negativa Débil
Sin UPZ P13 Número de casos denunciados 97 0.054 Positiva Muy débil
  1. Clasificación de las UPZ en cuatro perfiles territoriales Para identificar la correspondencia entre percepción y denuncias, se utilizan las medianas de ambas variables como puntos de referencia. Las medianas se calculan sobre las 112 UPZ y se mantienen como umbrales al realizar la comparación sin P13, de manera que los escenarios sean comparables.
# Calcular medianas de referencia sobre las 112 UPZ

mediana_percepcion <- median(
  upz_analisis_736$pct_percibe_inseguridad,
  na.rm = TRUE
)

mediana_tasa <- median(
  upz_analisis_736$tasa_total,
  na.rm = TRUE
)

# Clasificar las UPZ según percepción y tasa

upz_percepcion_grupos <- upz_analisis_736 %>%
  mutate(
    Grupo_percepcion_tasa = case_when(
      pct_percibe_inseguridad >= mediana_percepcion &
        tasa_total >= mediana_tasa ~ "G1",

      pct_percibe_inseguridad >= mediana_percepcion &
        tasa_total < mediana_tasa ~ "G2",

      pct_percibe_inseguridad < mediana_percepcion &
        tasa_total >= mediana_tasa ~ "G3",

      TRUE ~ "G4"
    ),
    Grupo_percepcion_tasa = factor(
      Grupo_percepcion_tasa,
      levels = c("G1", "G2", "G3", "G4")
    )
  )

# Definición de los perfiles

descripcion_grupos <- c(
  "G1" = "Percepción alta - Tasa alta",
  "G2" = "Percepción alta - Tasa baja",
  "G3" = "Percepción baja - Tasa alta",
  "G4" = "Percepción baja - Tasa baja"
)

# Resumen de los cuatro grupos

resumen_percepcion_grupos <- upz_percepcion_grupos %>%
  group_by(Grupo_percepcion_tasa) %>%
  summarise(
    Numero_UPZ = n(),
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    Porcentaje_UPZ = n() / nrow(upz_percepcion_grupos) * 100,
    Percepcion_mediana = median(
      pct_percibe_inseguridad,
      na.rm = TRUE
    ),
    Tasa_mediana = median(
      tasa_total,
      na.rm = TRUE
    ),
    Casos_totales = sum(casos_total, na.rm = TRUE),
    Numero_UPZ_P13 = sum(
      grupo_poblacion == "UPZ identificada en P13"
    ),
    .groups = "drop"
  ) %>%
  mutate(
    Descripcion = recode(
      as.character(Grupo_percepcion_tasa),
      !!!descripcion_grupos
    )
  )

# Tabla resumen de perfiles

knitr::kable(
  resumen_percepcion_grupos %>%
    select(
      Grupo_percepcion_tasa,
      Descripcion,
      Numero_UPZ,
      Porcentaje_UPZ,
      Poblacion_total,
      Percepcion_mediana,
      Tasa_mediana,
      Casos_totales,
      Numero_UPZ_P13
    ),
  digits = 2,
  col.names = c(
    "Grupo",
    "Perfil territorial",
    "N.º UPZ",
    "Participación (%)",
    "Población",
    "Percepción mediana (%)",
    "Tasa mediana",
    "Casos totales",
    "UPZ P13"
  ),
  caption = "Clasificación territorial según percepción y tasa de delitos"
)
Clasificación territorial según percepción y tasa de delitos
Grupo Perfil territorial N.º UPZ Participación (%) Población Percepción mediana (%) Tasa mediana Casos totales UPZ P13
G1 Percepción alta - Tasa alta 24 21.43 1216230 73.10 274.20 41585 6
G2 Percepción alta - Tasa baja 32 28.57 3628010 76.83 120.78 44168 1
G3 Percepción baja - Tasa alta 32 28.57 1255221 40.88 299.56 51221 6
G4 Percepción baja - Tasa baja 24 21.43 1837071 47.37 148.51 25861 2
# Identificar las UPZ que pertenecen a cada perfil

tabla_upz_percepcion <- upz_percepcion_grupos %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total,
    pct_percibe_inseguridad,
    grupo_poblacion,
    Grupo_percepcion_tasa
  ) %>%
  arrange(Grupo_percepcion_tasa, desc(tasa_total))

knitr::kable(
  tabla_upz_percepcion,
  digits = 2,
  caption = "UPZ clasificadas según percepción de inseguridad y tasa de delitos"
)
UPZ clasificadas según percepción de inseguridad y tasa de delitos
upz_nombre poblacion casos_total tasa_total pct_percibe_inseguridad grupo_poblacion Grupo_percepcion_tasa
El Mochuelo 30 34 11333.33 86.83 UPZ identificada en P13 G1
Zona Industrial 6666 1573 2359.74 66.27 UPZ identificada en P13 G1
Parque Salitre 1442 233 1615.81 65.97 UPZ identificada en P13 G1
La Sabana 38856 5441 1400.30 83.45 Resto de UPZ G1
Puente Aranda 12482 1561 1250.60 66.27 UPZ identificada en P13 G1
Jardin Botanico 2900 266 917.24 76.48 UPZ identificada en P13 G1
Los Alcazares 44678 3495 782.26 69.78 Resto de UPZ G1
Alamos 12077 642 531.59 76.89 UPZ identificada en P13 G1
Restrepo 56948 2690 472.36 73.27 Resto de UPZ G1
Las Cruces 20786 888 427.21 85.97 Resto de UPZ G1
Las Ferias 100848 3139 311.26 72.92 Resto de UPZ G1
Santa Cecilia 67416 1855 275.16 76.48 Resto de UPZ G1
Santa Isabel 43992 1202 273.23 69.99 Resto de UPZ G1
Doce De Octubre 75666 2031 268.42 65.97 Resto de UPZ G1
Quiroga 93328 2448 262.30 70.92 Resto de UPZ G1
Muzu 60006 1561 260.14 79.06 Resto de UPZ G1
Fontibon San Pablo 35141 902 256.68 69.94 Resto de UPZ G1
San Rafael 74227 1676 225.79 70.62 Resto de UPZ G1
Carvajal 88914 1958 220.21 82.88 Resto de UPZ G1
Sosiego 44546 975 218.87 70.31 Resto de UPZ G1
Boyaca Real 128214 2794 217.92 74.08 Resto de UPZ G1
Ciudad Montes 103350 2191 212.00 68.00 Resto de UPZ G1
Corabastos 56102 1103 196.61 92.11 Resto de UPZ G1
Marco Fidel Suarez 47615 927 194.69 73.41 Resto de UPZ G1
Gran Britalia 62139 1151 185.23 70.70 Resto de UPZ G2
Patio Bonito 137776 2544 184.65 86.07 Resto de UPZ G2
San Francisco 72057 1244 172.64 70.00 Resto de UPZ G2
Lucero 163588 2661 162.66 77.15 Resto de UPZ G2
Garces Navas 168657 2684 159.14 70.18 Resto de UPZ G2
Tunjuelito 41406 613 148.05 91.82 Resto de UPZ G2
Las Margaritas 32008 471 147.15 72.10 Resto de UPZ G2
20 De Julio 81050 1165 143.74 82.64 Resto de UPZ G2
Bosa Central 237111 3346 141.12 89.69 Resto de UPZ G2
El Tesoro 54369 721 132.61 86.83 Resto de UPZ G2
Venecia 141537 1835 129.65 81.09 Resto de UPZ G2
El Rincon 295322 3812 129.08 78.63 Resto de UPZ G2
Lourdes 45098 570 126.39 81.16 Resto de UPZ G2
Ciudad Usme 28258 356 125.98 70.34 Resto de UPZ G2
Apogeo 36013 451 125.23 69.38 Resto de UPZ G2
Monte Blanco 6575 80 121.67 86.83 UPZ identificada en P13 G2
Comuneros 101345 1215 119.89 81.41 Resto de UPZ G2
Engativa 142612 1702 119.34 74.63 Resto de UPZ G2
Timiza 139473 1604 115.00 66.20 Resto de UPZ G2
Bosa Occidental 199365 2272 113.96 74.30 Resto de UPZ G2
Ismael Perdomo 166602 1863 111.82 70.91 Resto de UPZ G2
Gran Yomasa 134412 1477 109.89 82.71 Resto de UPZ G2
Diana Turbay 76093 804 105.66 79.62 Resto de UPZ G2
Jerusalem 102981 1061 103.03 83.17 Resto de UPZ G2
Marruecos 123085 1229 99.85 76.68 Resto de UPZ G2
La Gloria 96862 918 94.77 86.04 Resto de UPZ G2
La Flora 20151 189 93.79 76.97 Resto de UPZ G2
San Blas 105092 955 90.87 74.26 Resto de UPZ G2
Tibabuyes 305907 2669 87.25 72.98 Resto de UPZ G2
Alfonso Lopez 53774 455 84.61 70.34 Resto de UPZ G2
El Porvenir 143758 1197 83.26 74.01 Resto de UPZ G2
Tintal Sur 113534 854 75.22 74.43 Resto de UPZ G2
Aeropuerto El Dorado 883 545 6172.14 32.58 UPZ identificada en P13 G3
Parque Simon Bolivar - Can 3323 958 2882.94 32.98 UPZ identificada en P13 G3
Las Nieves 17203 4033 2344.36 59.85 Resto de UPZ G3
Sagrado Corazon 11247 1707 1517.74 59.85 UPZ identificada en P13 G3
Chico Lago 38608 4985 1291.18 21.48 Resto de UPZ G3
Chapinero 26491 2901 1095.09 50.28 Resto de UPZ G3
Teusaquillo 28881 2976 1030.44 62.90 Resto de UPZ G3
Galerias 38425 3067 798.18 48.52 Resto de UPZ G3
La Candelaria 18409 1371 744.74 64.66 Resto de UPZ G3
Los Andes 31556 1575 499.11 37.36 Resto de UPZ G3
Capellania 18499 874 472.46 32.58 Resto de UPZ G3
Quinta Paredes 28926 1285 444.24 34.58 Resto de UPZ G3
La Macarena 12253 507 413.78 44.82 UPZ identificada en P13 G3
Americas 78380 2449 312.45 63.34 Resto de UPZ G3
La Alhambra 43531 1343 308.52 34.17 Resto de UPZ G3
Usaquen 43160 1298 300.74 24.45 Resto de UPZ G3
Granjas De Techo 53189 1587 298.37 40.63 Resto de UPZ G3
Modelia 45171 1283 284.03 49.08 Resto de UPZ G3
Paseo De Los Libertadores 2690 74 275.09 36.18 UPZ identificada en P13 G3
Ciudad Jardin 26977 739 273.94 62.16 Resto de UPZ G3
Ciudad Salitre Occidental 46658 1251 268.12 26.72 Resto de UPZ G3
Bavaria 41086 1100 267.73 52.84 Resto de UPZ G3
Santa Barbara 74375 1972 265.14 40.67 Resto de UPZ G3
Ciudad Salitre Oriental 25743 671 260.65 20.37 Resto de UPZ G3
San Jose De Bavaria 52099 1337 256.63 40.88 Resto de UPZ G3
La Esmeralda 41130 1021 248.24 32.98 Resto de UPZ G3
La Academia 5260 123 233.84 40.88 UPZ identificada en P13 G3
El Prado 106920 2267 212.03 48.84 Resto de UPZ G3
San Jose 49117 1030 209.70 65.36 Resto de UPZ G3
El Refugio 41543 853 205.33 21.48 Resto de UPZ G3
Kennedy Central 92968 1856 199.64 65.96 Resto de UPZ G3
Minuto De Dios 110520 2183 197.52 62.71 Resto de UPZ G3
La Floresta 46543 886 190.36 43.20 Resto de UPZ G4
Castilla 141571 2646 186.90 52.84 Resto de UPZ G4
Niza 84904 1584 186.56 38.99 Resto de UPZ G4
Fontibon 139257 2454 176.22 44.54 Resto de UPZ G4
Bolivia 83775 1450 173.08 19.37 Resto de UPZ G4
Country Club 26128 442 169.17 40.67 Resto de UPZ G4
La Uribe 37014 621 167.77 36.18 Resto de UPZ G4
Pardo Rubio 53836 900 167.17 50.28 Resto de UPZ G4
Guaymaral 2692 45 167.16 40.88 UPZ identificada en P13 G4
Arborizadora 84765 1388 163.75 63.38 Resto de UPZ G4
Casa Blanca Suba 62660 947 151.13 17.45 Resto de UPZ G4
Toberin 63068 943 149.52 60.44 Resto de UPZ G4
Los Cedros 134973 1991 147.51 41.49 Resto de UPZ G4
Britalia 97578 1428 146.34 38.20 Resto de UPZ G4
Suba 186728 2587 138.54 44.41 Resto de UPZ G4
Tintal Norte 30467 420 137.85 54.05 Resto de UPZ G4
Parque Entrenubes 1169 16 136.87 58.33 UPZ identificada en P13 G4
Danubio 58494 639 109.24 58.33 Resto de UPZ G4
San Cristobal Norte 72939 793 108.72 49.84 Resto de UPZ G4
Zona Franca 65454 697 106.49 44.89 Resto de UPZ G4
Calandaima 134340 1215 90.44 58.77 Resto de UPZ G4
Los Libertadores 78878 710 90.01 55.05 Resto de UPZ G4
Verbenal 131999 944 71.52 65.43 Resto de UPZ G4
San Isidro - Patios 17839 115 64.47 54.34 Resto de UPZ G4
# Visualización de los cuatro perfiles

ggplot(
  upz_percepcion_grupos,
  aes(
    x = pct_percibe_inseguridad,
    y = tasa_total,
    fill = Grupo_percepcion_tasa,
    shape = grupo_poblacion
  )
) +
  geom_point(
    aes(
      color = grupo_poblacion
    ),
    size = 2.8,
    alpha = 0.85,
    stroke = 1
  ) +
  geom_vline(
    xintercept = mediana_percepcion,
    linetype = "dashed",
    color = "grey45"
  ) +
  geom_hline(
    yintercept = mediana_tasa,
    linetype = "dashed",
    color = "grey45"
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_fill_manual(
    values = c(
      "G1" = "#351A4F",
      "G2" = "#D9006C",
      "G3" = "#168C86",
      "G4" = "#A69BAF"
    ),
    labels = descripcion_grupos,
    name = "Perfil territorial"
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#555555",
      "UPZ identificada en P13" = "#D9006C"
    ),
    name = "Clasificación poblacional"
  ) +
  scale_shape_manual(
    values = c(
      "Resto de UPZ" = 21,
      "UPZ identificada en P13" = 24
    ),
    name = "Clasificación poblacional"
  ) +
  labs(
    title = "Percepción y denuncias permiten identificar cuatro perfiles territoriales",
    subtitle = "Clasificación relativa según las medianas de ambas variables",
    x = "Percepción de inseguridad (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Las líneas discontinuas representan las medianas de las 112 UPZ."
  ) +
  tema_clase

  1. Distribución porcentual de los cuatro perfiles Esta visualización resume la participación de cada grupo dentro del total de UPZ. Permite reconocer qué proporción de territorios presenta coincidencia y cuál presenta diferencias entre percepción y tasa.
# Preparar etiquetas de los cuatro grupos

grafica_clasificacion_736 <- resumen_percepcion_grupos %>%
  mutate(
    Grupo = as.character(Grupo_percepcion_tasa),
    Etiqueta = paste0(
      Grupo,
      "\n",
      round(Porcentaje_UPZ, 1),
      "%\n",
      Numero_UPZ,
      " UPZ"
    )
  )

# Gráfica de distribución porcentual

ggplot(
  grafica_clasificacion_736,
  aes(
    x = 2,
    y = Porcentaje_UPZ,
    fill = Grupo
  )
) +
  geom_col(
    width = 0.75,
    color = "white",
    linewidth = 1
  ) +
  geom_text(
    aes(label = Etiqueta),
    position = position_stack(vjust = 0.5),
    color = "white",
    fontface = "bold",
    size = 3.5
  ) +
  coord_polar(theta = "y") +
  xlim(0.5, 2.5) +
  scale_fill_manual(
    values = c(
      "G1" = "#351A4F",
      "G2" = "#D9006C",
      "G3" = "#168C86",
      "G4" = "#A69BAF"
    ),
    labels = descripcion_grupos,
    name = "Perfil territorial"
  ) +
  labs(
    title = "Distribución de las UPZ según percepción y tasa de delitos",
    subtitle = "Clasificación relativa basada en las medianas de ambas variables",
    caption = "Total: 112 UPZ. Los porcentajes representan participación sobre el total."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )

  1. Correspondencia entre percepción y denuncias Finalmente, agrupamos los perfiles en dos grandes categorías:
  • Coincidencia: G1 y G4, donde ambas variables se encuentran del mismo lado de sus respectivas medianas.
  • Diferencia: G2 y G3, donde una variable se encuentra por encima de su mediana y la otra por debajo. Este cálculo permite cuantificar el porcentaje de UPZ donde la percepción y los registros de denuncias presentan comportamientos distintos.
# Agrupar los cuatro perfiles en dos categorías generales

resumen_correspondencia <- resumen_percepcion_grupos %>%
  mutate(
    Tipo = case_when(
      Grupo_percepcion_tasa %in% c("G1", "G4") ~ "Coincidencia",
      Grupo_percepcion_tasa %in% c("G2", "G3") ~ "Diferencia"
    )
  ) %>%
  group_by(Tipo) %>%
  summarise(
    Porcentaje = sum(Porcentaje_UPZ),
    Numero_UPZ = sum(Numero_UPZ),
    .groups = "drop"
  ) %>%
  mutate(
    Tipo = factor(
      Tipo,
      levels = c("Diferencia", "Coincidencia")
    ),
    Etiqueta = paste0(
      round(Porcentaje, 1),
      "% (",
      Numero_UPZ,
      " UPZ)"
    )
  )

# Mostrar resultados de correspondencia

knitr::kable(
  resumen_correspondencia,
  digits = 1,
  caption = "Correspondencia entre percepción de inseguridad y tasas de delitos"
)
Correspondencia entre percepción de inseguridad y tasas de delitos
Tipo Porcentaje Numero_UPZ Etiqueta
Coincidencia 42.9 48 42.9% (48 UPZ)
Diferencia 57.1 64 57.1% (64 UPZ)
# Gráfico de correspondencia

ggplot(
  resumen_correspondencia,
  aes(
    x = Porcentaje,
    y = Tipo,
    fill = Tipo
  )
) +
  geom_col(
    width = 0.45
  ) +
  geom_text(
    aes(label = Etiqueta),
    hjust = -0.12,
    fontface = "bold",
    size = 4
  ) +
  scale_fill_manual(
    values = c(
      "Coincidencia" = "#168C86",
      "Diferencia" = "#D9006C"
    )
  ) +
  scale_x_continuous(
    limits = c(0, 75),
    breaks = seq(0, 75, 15),
    labels = function(x) paste0(x, "%"),
    expand = expansion(mult = c(0, 0))
  ) +
  labs(
    title = "Correspondencia entre percepción y denuncias",
    subtitle = "Coincidencia: G1 + G4 | Diferencia: G2 + G3",
    x = NULL,
    y = NULL,
    caption = "Clasificación relativa de las 112 UPZ según las medianas de percepción y tasa."
  ) +
  tema_clase +
  theme(
    legend.position = "none",
    panel.grid.major.y = element_blank(),
    panel.grid.minor = element_blank(),
    axis.text.y = element_text(
      face = "bold",
      size = 11
    ),
    axis.text.x = element_text(size = 9)
  )

Interpretación y conclusión

Los resultados muestran que la percepción de inseguridad y los delitos denunciados presentan una correspondencia limitada entre las UPZ de Bogotá. Las correlaciones de Spearman evidencian una asociación negativa débil entre la percepción de inseguridad y la tasa total de delitos (\(\rho=-0,293\)), mientras que la relación con el número absoluto de casos denunciados es prácticamente nula (\(\rho=0,063\)).

Al realizar el análisis de sensibilidad excluyendo las UPZ identificadas en P13, las correlaciones conservan su dirección y su nivel de intensidad. La asociación con la tasa total pasa de -0,293 a -0,327, mientras que la relación con el número de casos permanece prácticamente nula, pasando de 0,063 a 0,054. Esto indica que el comportamiento observado no depende exclusivamente de las unidades territoriales de población reducida.

La clasificación de las 112 UPZ en cuatro perfiles territoriales permite profundizar en estas diferencias. Se identifica que 24 UPZ (21,4 %) presentan niveles altos tanto de percepción como de tasa de delitos (G1), mientras que otras 24 (21,4 %) presentan niveles bajos en ambas dimensiones (G4). En conjunto, estos dos grupos representan el 42,9 % de las UPZ y muestran una correspondencia relativa.

Por otro lado, 32 UPZ (28,6 %) presentan una percepción de inseguridad superior a la mediana, pero tasas de delitos inferiores a ella (G2). Otras 32 UPZ (28,6 %) presentan el comportamiento contrario: tasas superiores a la mediana y percepción inferior a ella (G3). En conjunto, estos perfiles representan el 57,1 % de las unidades territoriales, evidenciando que en más de la mitad de las UPZ las dos dimensiones no coinciden en sus niveles relativos.

Este resultado permite reconocer que la percepción ciudadana y los registros administrativos ofrecen perspectivas diferentes sobre la seguridad territorial. Una UPZ puede presentar una percepción elevada de inseguridad sin registrar tasas igualmente altas, mientras que otras pueden presentar tasas elevadas sin que la percepción reportada alcance niveles similares.

Estas diferencias pueden estar relacionadas con factores como las experiencias de los habitantes, la exposición a situaciones de riesgo, la disposición a denunciar y las características particulares de cada territorio. Sin embargo, la información disponible no permite determinar cuáles de estos factores explican las diferencias identificadas.

Insight principal: La percepción de inseguridad no necesariamente coincide con la intensidad ni con el volumen de los delitos denunciados. El 57,1 % de las UPZ presenta diferencias entre percepción y tasa, mientras que las correlaciones muestran una relación débil o prácticamente inexistente entre estas dimensiones. Esto evidencia que los registros administrativos, aunque fundamentales para estudiar la seguridad, no son suficientes por sí solos para comprender cómo experimentan los habitantes la inseguridad en su entorno.

En consecuencia, el análisis de la seguridad territorial debe integrar tanto los registros de denuncias como la percepción de los habitantes. Ambos indicadores son complementarios y deben interpretarse considerando que miden dimensiones distintas del fenómeno de la inseguridad.

Nota de transparencia sobre el uso de inteligencia artificial

Durante el desarrollo de este trabajo se utilizó ChatGPT como herramienta de apoyo para la construcción y ejecución del análisis exploratorio de datos (EDA), especialmente en la elaboración de código en R, la estructuración de procedimientos estadísticos, la generación de visualizaciones y la organización de los resultados dentro del documento R Markdown.

El desarrollo se realizó mediante un proceso de trabajo guiado, progresivo e iterativo. Los autores definieron el enfoque del proyecto, formularon las preguntas de investigación, establecieron las variables de interés, orientaron las decisiones metodológicas y determinaron los análisis que debían realizarse en función de los objetivos del taller.

ChatGPT proporcionó asistencia técnica en la escritura y corrección del código, así como en la propuesta de procedimientos estadísticos y alternativas de visualización. Esta colaboración se desarrolló paso a paso, revisando los resultados obtenidos, identificando errores, ajustando los procedimientos y profundizando en la interpretación de los hallazgos.

La selección de los análisis, la revisión de su pertinencia, la orientación de las preguntas y la interpretación crítica de los resultados estuvieron bajo el criterio y la dirección de los autores. De esta manera, la inteligencia artificial se utilizó como un recurso de acompañamiento y asistencia técnica, sin sustituir el proceso de análisis, reflexión y toma de decisiones de los estudiantes.

Los resultados y conclusiones presentados fueron construidos a partir de la ejecución del código sobre los datos del proyecto y de la revisión de las evidencias obtenidas durante el desarrollo del trabajo.

---
title: "TALLER DE INSIGHTS · ANÁLISIS EXPLORATORIO (EDA)"
author: "Jerson David Cuellar Vanegas y Jose Efrain Castillo"
date: "`r format(Sys.Date(), '%d de %B de %Y')`"
output:
  html_document:
    toc: true
    toc_float: true
    theme: flatly
    df_print: kable
    code_folding: hide
    code_download: true   # agrega un botón para descargar el .Rmd original -- refuerza la reproducibilidad
---


```{=html}
<style>
/* Tipografía editorial del curso (misma que llevan los gráficos vía
   showtext) también para el texto del documento -- que todo el informe
   se sienta como una sola pieza, no un HTML genérico con gráficos pegados. */
@import url('https://fonts.googleapis.com/css2?family=Fira+Sans:wght@400;600;700&display=swap');

body { font-family: 'Fira Sans', -apple-system, BlinkMacSystemFont, sans-serif; color: #2B2530; }
h1, h2, h3 { font-family: 'Fira Sans', sans-serif; color: #351A4F; }
h1 { border-bottom: 3px solid #D9006C; padding-bottom: 8px; margin-top: 48px; }
h2 { margin-top: 36px; }
a { color: #D9006C; }
a:hover { color: #168C86; }
#TOC { border-radius: 10px; }
.nav-pills > li.active > a, .nav-pills > li.active > a:hover { background-color: #351A4F !important; }
caption { color: #5A5560; font-style: italic; caption-side: top; }
code { color: #8A1A5C; background: #F6EEF2; padding: 1px 5px; border-radius: 4px; }
table.dataTable { font-size: 0.92rem; }
.leaflet-container { border-radius: 10px; background: #EAF0F4 !important; }
</style>
```


::::::: {style="background: linear-gradient(135deg, #351A4F 0%, #D9006C 100%); padding: 26px 30px; border-radius: 14px; margin-bottom: 30px; display: flex; align-items: center; justify-content: space-between; flex-wrap: wrap; gap: 18px;"}
::::: {style="max-width: 620px;"}
::: {style="color: white; font-size: 1.55rem; font-weight: 700; line-height: 1.25;"}
VISUALIZACIÓN DE DATOS
:::

::: {style="color: #F4DCE9; font-size: 1rem; margin-top: 6px;"}
Inseguridad y territorio en Bogotá: <br>
¿qué nos cuentan las UPZ? <br>
Docente: Carlos Amortegui
:::
:::::

::: {style="background: white; padding: 10px 18px; border-radius: 10px; flex-shrink: 0;"}
<img src="C:/Users/jerso/OneDrive/Documentos/Educacion/R Markdown/input/logo_Konrad_Lorenz.png"
     alt="Logo de la institución"
     style="max-width: 210px; display: block;"/>
:::
:::::::

```{r setup, include=FALSE}
# include=FALSE: este chunk configura el documento pero no aparece en el
# HTML final -- ni el código ni ningún resultado.
#
# knitr::opts_chunk$set() cambia el comportamiento de TODOS los chunks
# que vienen después, de una sola vez, en vez de repetir la misma opción
# chunk por chunk.
knitr::opts_chunk$set(
  echo = TRUE,        # muestra el código de R en el HTML (con "code_folding: hide" arriba, queda oculto por defecto pero se puede desplegar)
  warning = FALSE,     # no muestra warnings de R en el reporte
  message = FALSE,     # no muestra mensajes informativos (como los de library())
  fig.align = "center",
  fig.width = 8,
  fig.height = 5
)
```

# Preparación de los datos

## a. Instalación de paquetes
Para realizar la exploración de los datos se utilizarán paquetes
de R que permiten importar archivos, organizar la información
y realizar cálculos estadísticos.

El siguiente código instala los paquetes necesarios para trabajar
con archivos Excel y CSV, manipular datos y elaborar gráficos.

```{r instalacion-paquetes, eval=FALSE}

# Instalación de paquetes necesarios para el proyecto

install.packages("tidyverse")  # Manipulación, transformación y exploración de datos. Incluye dplyr, tidyr, ggplot2 y readr.
install.packages("sf")         # Lectura y manejo de información geográfica. Permite trabajar con los polígonos de las UPZ y localidades.
install.packages("leaflet")    # Creación de mapas interactivos con zoom, etiquetas y resaltado de territorios.
install.packages("scales")     # Formato de números, porcentajes, tasas y escalas en gráficos.
install.packages("knitr")      # Organización y presentación de tablas y resultados dentro del informe R Markdown.
```

## b. Carga de paquetes
Una vez instalados, los paquetes se cargan para poder utilizar
sus funciones durante el análisis.

```{r carga-paquetes, message=FALSE, warning=FALSE}

# Cargar las librerías necesarias
library(tidyverse)
library(sf)
library(leaflet)
library(scales)
library(knitr)
```

## c. Configuración general del documento
Configuración del comportamiento general del documento

```{r Configuracion-doc, message=FALSE, warning=FALSE}

# Definir la paleta de colores del proyecto
morado   <- "#351A4F"
magenta  <- "#D9006C"
turquesa <- "#168C86"
gris     <- "#D9D6DD"

# Configuración general de los gráficos
tema_clase <- theme_minimal(base_size = 12) +
  theme(
    plot.title.position = "plot",
    plot.title = element_text(
      face = "bold", size = 15, color = morado
    ),
    plot.subtitle = element_text(
      size = 10.5, color = "grey35"
    ),
    panel.grid.minor = element_blank(),
    plot.caption = element_text(
      hjust = 0, color = "grey45", size = 8.5
    ),
    plot.margin = margin(10, 20, 10, 10)
  )

# Opciones generales de presentación del informe
knitr::opts_chunk$set(
  echo = TRUE,
  warning = FALSE,
  message = FALSE,
  fig.align = "center",
  fig.width = 8,
  fig.height = 5,
  dpi = 120
)

```


# 1. Introducción

La seguridad ciudadana es una de las dimensiones que influye
en la calidad de vida y en las condiciones de convivencia de
una ciudad. Sin embargo, su comportamiento no necesariamente
es igual en todos los territorios, ya que cada zona presenta
características particulares relacionadas con su población,
infraestructura, condiciones socioeconómicas y entorno urbano.

En Bogotá, las Unidades de Planeamiento Zonal (UPZ) permiten
observar estas diferencias desde una perspectiva territorial.
A través de ellas es posible comparar las condiciones de
distintos sectores de la ciudad y explorar cómo se relacionan
con los registros de delitos y la percepción de inseguridad
de sus habitantes.

Este trabajo desarrolla un análisis exploratorio de datos
(EDA) sobre las 112 UPZ urbanas de Bogotá, utilizando
información relacionada con delitos denunciados, población,
vivienda, alumbrado público y condiciones socioeconómicas.

El propósito es identificar patrones, diferencias y posibles
relaciones entre las características de cada territorio y
los indicadores de seguridad disponibles. Para ello, se
utilizarán herramientas estadísticas y visualizaciones
que faciliten la interpretación de los resultados, incluyendo
representaciones geográficas que permitan reconocer las
diferencias entre las zonas de la ciudad.

El análisis no busca establecer relaciones de causalidad
ni afirmar que una característica territorial sea la causa
directa de determinados comportamientos delictivos. Su
alcance es exploratorio y pretende comprender mejor la
información disponible, reconocer patrones y generar
preguntas que puedan orientar investigaciones posteriores.


## 1.1. Objetivo general

Explorar las condiciones de seguridad y las características
territoriales, demográficas y socioeconómicas de las UPZ
urbanas de Bogotá, mediante técnicas de análisis exploratorio
de datos y visualización, con el propósito de identificar
patrones, diferencias y posibles relaciones que permitan
comprender el comportamiento de los indicadores de
inseguridad en la ciudad.


## 1.2. Objetivos específicos

- Describir la estructura y las características de la
  información disponible para las 112 UPZ de Bogotá.

- Explorar la distribución de los indicadores de delitos,
  población, vivienda, infraestructura y condiciones
  socioeconómicas.

- Identificar diferencias territoriales mediante el uso
  de estadísticas descriptivas, comparaciones y mapas.

- Examinar posibles relaciones entre los indicadores de
  seguridad y las características de cada UPZ.

- Comunicar los principales hallazgos mediante
  visualizaciones y una narrativa basada en los datos.


# 2. Descripción de los datos

Para desarrollar el análisis se utiliza una base de datos
consolidada que contiene información de 112 Unidades de
Planeamiento Zonal de Bogotá. Cada registro representa una
UPZ e incluye variables relacionadas con su territorio,
población, condiciones de vivienda, infraestructura,
delitos denunciados y características socioeconómicas.

La información se encuentra organizada en cinco grandes
bloques:

1. **Territorio:** identificación de la UPZ, localidad
   y extensión geográfica.

2. **Demografía:** población, densidad poblacional y
   composición por grupos de edad.

3. **Vivienda e infraestructura:** características de
   las viviendas y disponibilidad de alumbrado público.

4. **Delitos:** registros de denuncias y tasas por cada
   10.000 habitantes para diez categorías de delitos.

5. **Encuesta Multipropósito:** información relacionada
   con pobreza, ingresos, estrato, educación, percepción
   de inseguridad y condiciones del entorno.

Adicionalmente, se dispone de archivos geográficos que
representan los límites de las UPZ y las localidades
urbanas de Bogotá. Estos archivos permitirán integrar
la información estadística con su ubicación territorial.

# 3. Carga de la información
Vamos a conectar nuestro informe con los archivos.

Se cargaran tres fuentes:
1. La base estadística de las UPZ.
2. El mapa de las UPZ.
3. El mapa de las localidades.


```{r importacion-datos}

# 3.1. Importación de la base estadística

upz <- read_csv(
  "input/upz_variables.csv",
  show_col_types = FALSE
)

# 3.2. Importación de los archivos geográficos

upz_shp <- st_read(
  "input/shp/upz_bogota.shp",
  quiet = TRUE
)

localidades_shp <- st_read(
  "input/shp/localidades_bogota.shp",
  quiet = TRUE
)

```
**Notas:** 

- **read_csv()** permite importar la información estadística.

- **st_read()** permite leer los archivos geográficos.

- Los objetos terminados en **_shp** contienen geometrías que representan los límites territoriales.


# 4. Exploración inicial de los datos

Antes de realizar los análisis estadísticos y las
visualizaciones, es necesario conocer la estructura
de la información disponible y verificar sus
características generales.

Esta primera exploración permite identificar la cantidad
de registros y variables, los tipos de datos utilizados
y las condiciones generales de la base. De esta manera,
se busca establecer un punto de partida que facilite
el desarrollo de las siguientes etapas del análisis.
 
## 4.1. Dimensiones y estructura de la información

La base de datos contiene información de diferentes
características de las UPZ de Bogotá. Para comenzar,
se revisa su dimensión general, identificando cuántos
registros y variables están disponibles.

Cada registro representa una UPZ, mientras que las
columnas corresponden a las diferentes características
e indicadores recopilados para el análisis.


```{r dimensiones-base}

# Consultar las dimensiones generales de la base
dim(upz)

# Identificar la cantidad de registros
nrow(upz)

# Identificar la cantidad de variables
ncol(upz)

# Consultar los primeros registros
head(upz)

```

## 4.2. Tipos de variables y estructura

Además de conocer el tamaño de la base, es importante
identificar el tipo de información que contiene cada
variable.

Esta revisión permite diferenciar los campos que
representan cantidades, porcentajes, tasas, categorías
territoriales y otras características.

La identificación de estos tipos de datos es importante
porque no todas las variables pueden analizarse de la
misma manera. Por ejemplo, una variable de población
permite realizar cálculos estadísticos, mientras que
una variable como el nombre de la localidad se utiliza
principalmente para clasificar y agrupar la información.


```{r estructura-variables}

# Consultar la estructura y los tipos de variables
glimpse(upz)

```


## 4.3. Revisión de valores faltantes

Los valores faltantes representan información que no
se encuentra disponible para una o varias variables.
Su identificación es importante porque pueden afectar
los cálculos estadísticos, las comparaciones y las
relaciones entre variables.

En esta etapa se revisa la cantidad de datos faltantes
en cada columna, con el propósito de determinar si
existen limitaciones en la información disponible.


```{r revision-faltantes}

# Calcular la cantidad de valores faltantes por variable

faltantes <- upz %>%
  summarise(
    across(
      everything(),
      ~ sum(is.na(.))
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Cantidad_faltantes"
  ) %>%
  filter(Cantidad_faltantes > 0) %>%
  arrange(desc(Cantidad_faltantes))

# Presentar los resultados

if (nrow(faltantes) == 0) {

  cat("No se encontraron valores faltantes en la base de datos.")

} else {

  knitr::kable(
    faltantes,
    caption = "Variables con valores faltantes"
  )

}

```

## 4.4. Identificación de registros duplicados

Debido a que cada registro representa una UPZ, el
código de identificación territorial debe ser único
dentro de la base de datos.

Por esta razón, se revisa si existen códigos repetidos
que puedan generar duplicidad de información o afectar
las comparaciones posteriores.


```{r revision-duplicados}

# Identificar códigos UPZ repetidos

duplicados_upz <- upz %>%
  count(upz_cod, name = "Frecuencia") %>%
  filter(Frecuencia > 1)

# Presentar el resultado

if (nrow(duplicados_upz) == 0) {

  cat("No se encontraron códigos UPZ duplicados.")

} else {

  knitr::kable(
    duplicados_upz,
    caption = "Códigos UPZ duplicados"
  )

}

```

## 4.5. Resumen general de la exploración inicial

Una vez realizadas las verificaciones iniciales,
se consolida un resumen de las principales
características de la base de datos.

Este resultado permite establecer las condiciones
generales de la información con la que se desarrollará
el análisis exploratorio.


```{r resumen-exploracion}

resumen_base <- tibble(
  Indicador = c(
    "Cantidad de registros",
    "Cantidad de variables",
    "Códigos UPZ únicos",
    "Valores faltantes",
    "Códigos UPZ duplicados"
  ),

  Resultado = c(
    nrow(upz),
    ncol(upz),
    n_distinct(upz$upz_cod),
    sum(is.na(upz)),
    nrow(duplicados_upz)
  )
)

knitr::kable(
  resumen_base,
  col.names = c("Indicador", "Resultado"),
  caption = "Resumen de la exploración inicial"
)

```


### Interpretación de la revisión inicial

Los resultados muestran que la base de datos está
conformada por 112 registros y 67 variables, con una
correspondencia de un registro por cada código UPZ.

En la revisión realizada no se identificaron valores
faltantes ni códigos territoriales duplicados. Esto
representa una condición favorable para continuar con
el análisis exploratorio.

Sin embargo, la ausencia de valores faltantes y
duplicados no garantiza por sí sola la calidad de
toda la información. Todavía es necesario revisar
la distribución de las variables, identificar posibles
valores extremos y evaluar la coherencia de los
indicadores calculados.

Por lo tanto, esta primera revisión constituye un
punto de partida para profundizar en el comportamiento
estadístico de las variables.


# 5. Análisis exploratorio de las variables

Una vez revisada la estructura general de la información,
se inicia el análisis exploratorio de las variables con
el propósito de comprender su comportamiento, identificar
diferencias entre los territorios y reconocer posibles
patrones que puedan orientar la investigación.

En esta etapa se utilizarán estadísticas descriptivas
y representaciones gráficas para examinar las principales
características de las UPZ de Bogotá.

## 5.1. Análisis demográfico: población y distribución territorial

La población constituye una de las variables fundamentales
para comprender las diferencias entre las UPZ, ya que
permite dimensionar el tamaño de cada territorio en
términos de habitantes.

Su análisis es especialmente importante para este trabajo,
porque los indicadores de delitos se expresan tanto en
cantidades absolutas como en tasas por cada 10.000
habitantes. Por lo tanto, conocer cómo se distribuye la
población permitirá interpretar posteriormente las
diferencias en los indicadores de seguridad.

### 5.1.1. Distribución de la población por UPZ

Inicialmente se analiza la cantidad de habitantes
registrados en cada UPZ, con el propósito de identificar
las diferencias existentes entre los territorios y
reconocer cuáles concentran una mayor o menor población.

#### a. Estadísticas descriptivas de población
Primero vamos a calcular las principales medidas estadísticas.

```{r estadisticas-poblacion}

# Calcular las principales medidas descriptivas
# de la población de las UPZ

estadisticas_poblacion <- upz %>%
  summarise(
    Total_UPZ = n(),
    Poblacion_total = sum(poblacion),
    Media = mean(poblacion),
    Mediana = median(poblacion),
    Desviacion_estandar = sd(poblacion),
    Minimo = min(poblacion),
    Q1 = quantile(poblacion, 0.25),
    Q3 = quantile(poblacion, 0.75),
    Maximo = max(poblacion)
  )


# Presentar resultados

estadisticas_poblacion %>%
  tidyr::pivot_longer(
    cols = everything(),
    names_to = "Estadística",
    values_to = "Valor"
  ) %>%
  knitr::kable(
    col.names = c("Estadística", "Resultado"),
    caption = "Estadísticas descriptivas de población por UPZ"
  )

```
**¿Qué estamos calculando?**

| **Medida** | **Qué nos permite conocer** |
|:---|:---|
| Media | Población promedio por UPZ. |
| Mediana | Valor que divide las UPZ en dos grupos iguales. |
| Desviación estándar | Qué tan dispersa está la población respecto a la media. |
| Mínimo y máximo | Los extremos de población. |
| Q1 | El 25 % de las UPZ tiene una población igual o inferior a este valor. |
| Q3 | El 75 % de las UPZ tiene una población igual o inferior a este valor. |

Una comparación especialmente importante será la media frente a la mediana. Para cuantificar esta diferencia se incorpora la relación media/mediana y la diferencia porcentual entre ambas medidas. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere que algunas UPZ con poblaciones elevadas están influyendo en el promedio. Esta situación debe contrastarse con la distribución gráfica y la identificación de los territorios extremos.


#### b. Distribución gráfica de la población

Ahora vamos a visualizar cómo se distribuye la población entre las 112 UPZ

```{r grafico-distribucion-poblacion}

# Calcular medidas centrales

media_poblacion <- mean(upz$poblacion, na.rm = TRUE)
mediana_poblacion <- median(upz$poblacion, na.rm = TRUE)

# Definir el ancho de los intervalos del histograma

ancho_bin <- diff(range(upz$poblacion, na.rm = TRUE)) / 20

# Construir el gráfico

ggplot(upz, aes(x = poblacion)) +

  # Histograma: número de UPZ por intervalo

  geom_histogram(
    binwidth = ancho_bin,
    fill = magenta,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +

  # Curva de densidad ajustada a la escala del histograma

  geom_density(
    aes(y = after_stat(count * ancho_bin)),
    color = morado,
    linewidth = 1.1,
    adjust = 1.2,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_poblacion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_poblacion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución de la población por UPZ",
    subtitle = "Histograma, curva de densidad y medidas de tendencia central",
    x = "Cantidad de habitantes",
    y = "Número de UPZ",
    caption = paste0(
      "Media: ", scales::comma(round(media_poblacion)),
      " habitantes | Mediana: ",
      scales::comma(round(mediana_poblacion)),
      " habitantes. Fuente: Base de datos del taller."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

```

**¿Qué buscamos identificar?**

El histograma nos permite observar dónde se concentra la mayor cantidad de UPZ según su población.

También nos ayuda a identificar si la distribución es simétrica o si presenta una concentración de territorios con poblaciones pequeñas y unos pocos territorios con poblaciones considerablemente mayores.

No debemos asumir que la población se distribuye de manera uniforme entre las UPZ.

#### c. Identificación de las UPZ con mayor y menor población

Y como el histograma nos muestra el comportamiento general, pero ahora necesitamos identificar los territorios que se encuentran en los extremos.

Vamos a construir dos rankings: las 10 UPZ más pobladas y las 10 menos pobladas.

```{r ranking-poblacion}

# 10 UPZ con mayor población

upz_mayor_poblacion <- upz %>%
  arrange(desc(poblacion)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion
  ) %>%
  slice_head(n = 10)

# 10 UPZ con menor población

upz_menor_poblacion <- upz %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    localidad,
    poblacion
  ) %>%
  slice_head(n = 10)

# Presentar las UPZ más pobladas

knitr::kable(
  upz_mayor_poblacion,
  col.names = c("UPZ", "Localidad", "Habitantes"),
  caption = "Las 10 UPZ con mayor población",
  digits = 0
)

# Presentar las UPZ menos pobladas

knitr::kable(
  upz_menor_poblacion,
  col.names = c("UPZ", "Localidad", "Habitantes"),
  caption = "Las 10 UPZ con menor población",
  digits = 0
)

```

Ahora vamos a representar visualmente estos resultados.

```{r grafico-ranking-poblacion}

# Identificar los 10 territorios de cada extremo

upz_extremos <- bind_rows(
  upz_menor_poblacion %>%
    mutate(Extremo = "10 menos pobladas"),

  upz_mayor_poblacion %>%
    mutate(Extremo = "10 más pobladas")
)

# Preparar todas las UPZ ordenadas por población

datos_grafico_poblacion <- upz %>%
  arrange(poblacion) %>%
  mutate(
    posicion = row_number(),
    Extremo = case_when(
      upz_nombre %in% upz_menor_poblacion$upz_nombre ~ "10 menos pobladas",
      upz_nombre %in% upz_mayor_poblacion$upz_nombre ~ "10 más pobladas",
      TRUE ~ "Resto de UPZ"
    ),
    Etiqueta = if_else(
      Extremo != "Resto de UPZ",
      paste0(upz_nombre, "\n", scales::comma(poblacion, big.mark = ".")),
      NA_character_
    )
  )

# Gráfico de puntos de las 112 UPZ

ggplot(
  datos_grafico_poblacion,
  aes(
    x = posicion,
    y = poblacion,
    color = Extremo
  )
) +

  geom_line(
    color = "grey75",
    linewidth = 0.5
  ) +

  geom_point(
    size = 2.5,
    alpha = 0.85
  ) +

  geom_text(
    aes(label = Etiqueta),
    nudge_y = max(datos_grafico_poblacion$poblacion, na.rm = TRUE) * 0.035,
    size = 2.7,
    fontface = "bold",
    show.legend = FALSE,
    na.rm = TRUE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "10 menos pobladas" = "#0072B2",
      "Resto de UPZ" = "grey65",
      "10 más pobladas" = "#D55E00"
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    ),
    expand = expansion(mult = c(0.05, 0.20))
  ) +

  labs(
    title = "Distribución de la población en las 112 UPZ",
    subtitle = "Se destacan las 10 UPZ menos pobladas y las 10 más pobladas",
    x = "UPZ ordenadas de menor a mayor población",
    y = "Cantidad de habitantes",
    color = "Clasificación",
    caption = "Fuente: Base de datos del taller."
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    panel.grid.minor = element_blank()
  )

```

**Consideración metodológica para el análisis posterior de las tasas**

La identificación de las UPZ con menor población es especialmente relevante para el análisis de seguridad. Cuando un territorio tiene pocos habitantes, un número reducido de denuncias puede generar incrementos considerables en la tasa de delitos por cada 10.000 habitantes. Por esta razón, las diferencias observadas entre las UPZ no deben interpretarse únicamente a partir de sus tasas, sin considerar previamente el tamaño de su población.

En consecuencia, las UPZ identificadas en los extremos de la distribución serán objeto de una revisión específica en las etapas posteriores. Esto no implica excluirlas automáticamente del análisis, sino evaluar la estabilidad de sus indicadores y determinar en qué medida pueden influir en las comparaciones, los rankings y las relaciones estadísticas.


### 5.1.2. Análisis de la densidad poblacional

La cantidad de habitantes no es el único elemento
que permite caracterizar un territorio. También es
importante considerar su extensión geográfica para
comprender qué tan concentrada se encuentra la población.

Para ello se utiliza la densidad poblacional, medida
en habitantes por kilómetro cuadrado (hab/km²).
Este indicador relaciona la población de cada UPZ
con el área que ocupa.

Su análisis permite diferenciar territorios con
grandes poblaciones y extensiones amplias de aquellos
que presentan una mayor concentración de habitantes
en superficies más reducidas.

#### a. Estadísticas descriptivas de densidad

```{r estadisticas-densidad}

# Estadísticas descriptivas de densidad poblacional

estadisticas_densidad <- upz %>%
  summarise(
    Media = mean(densidad_hab_km2),
    Mediana = median(densidad_hab_km2),
    Desviacion_estandar = sd(densidad_hab_km2),
    Minimo = min(densidad_hab_km2),
    Q1 = quantile(densidad_hab_km2, 0.25),
    Q3 = quantile(densidad_hab_km2, 0.75),
    Maximo = max(densidad_hab_km2)
  )

knitr::kable(
  estadisticas_densidad,
  digits = 2,
  caption = "Estadísticas descriptivas de la densidad poblacional"
)

```

#### b. UPZ con mayor y menor densidad


```{r ranking-densidad}

# Identificar las UPZ con mayor densidad poblacional

ranking_densidad <- upz %>%
  arrange(desc(densidad_hab_km2)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    area_km2,
    densidad_hab_km2
  )

# Presentar las 10 UPZ con mayor densidad

knitr::kable(
  ranking_densidad %>% slice_head(n = 10),
  col.names = c(
    "UPZ",
    "Localidad",
    "Habitantes",
    "Área (km²)",
    "Densidad (hab/km²)"
  ),
  digits = 2,
  caption = "Las 10 UPZ con mayor densidad poblacional"
)

# Presentar las 10 UPZ con menor densidad

knitr::kable(
  ranking_densidad %>% arrange(densidad_hab_km2) %>% slice_head(n = 10),
  col.names = c(
    "UPZ",
    "Localidad",
    "Habitantes",
    "Área (km²)",
    "Densidad (hab/km²)"
  ),
  digits = 2,
  caption = "Las 10 UPZ con menor densidad poblacional"
)

```

#### c. Comparación gráfica de densidad
```{r grafico-densidad}

# Identificar las 10 UPZ de menor y mayor densidad

upz_menor_densidad <- ranking_densidad %>%
  arrange(densidad_hab_km2) %>%
  slice_head(n = 10)

upz_mayor_densidad <- ranking_densidad %>%
  arrange(desc(densidad_hab_km2)) %>%
  slice_head(n = 10)

# Ordenar todas las UPZ de menor a mayor densidad

datos_grafico_densidad <- ranking_densidad %>%
  arrange(densidad_hab_km2) %>%
  mutate(
    posicion = row_number(),
    Extremo = case_when(
      upz_nombre %in% upz_menor_densidad$upz_nombre ~ "10 menos densas",
      upz_nombre %in% upz_mayor_densidad$upz_nombre ~ "10 más densas",
      TRUE ~ "Resto de UPZ"
    ),
    Etiqueta = if_else(
      Extremo != "Resto de UPZ",
      paste0(
        upz_nombre,
        "\n",
        scales::comma(
          round(densidad_hab_km2),
          big.mark = "."
        )
      ),
      NA_character_
    )
  )

# Gráfico de puntos de todas las UPZ

ggplot(
  datos_grafico_densidad,
  aes(
    x = posicion,
    y = densidad_hab_km2,
    color = Extremo
  )
) +

  geom_line(
    color = "grey75",
    linewidth = 0.5
  ) +

  geom_point(
    size = 2.5,
    alpha = 0.85
  ) +

  geom_text(
    aes(label = Etiqueta),
    nudge_y = max(datos_grafico_densidad$densidad_hab_km2, na.rm = TRUE) * 0.035,
    size = 2.7,
    fontface = "bold",
    show.legend = FALSE,
    na.rm = TRUE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "10 menos densas" = "#0072B2",
      "Resto de UPZ" = "grey65",
      "10 más densas" = "#D55E00"
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    ),
    expand = expansion(mult = c(0.05, 0.20))
  ) +

  labs(
    title = "Distribución de la densidad poblacional en las UPZ",
    subtitle = "Se destacan las 10 UPZ con menor y mayor densidad",
    x = "UPZ ordenadas de menor a mayor densidad",
    y = "Habitantes por km²",
    color = "Clasificación",
    caption = "Fuente: Base de datos del taller."
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    panel.grid.minor = element_blank()
  )

```


### 5.1.3. Relación entre población y extensión territorial

Para complementar el análisis anterior, se examina
la relación entre la población y el área geográfica
de cada UPZ.

Esta comparación permite observar si los territorios
con mayor extensión también concentran una mayor
cantidad de habitantes o si existen diferencias
importantes en la ocupación del espacio.

La visualización se realiza mediante un diagrama
de dispersión, en el que cada punto representa una UPZ.


```{r relacion-poblacion-area}

# Relación entre población y área territorial

ggplot(
  upz,
  aes(
    x = area_km2,
    y = poblacion
  )
) +

  geom_point(
    color = magenta,
    size = 2.8,
    alpha = 0.75
  ) +

  geom_smooth(
    method = "lm",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +

  labs(
    title = "Relación entre población y área de las UPZ",
    subtitle = "Cada punto representa una unidad territorial",
    x = "Área de la UPZ (km²)",
    y = "Cantidad de habitantes",
    caption = "Fuente: Base de datos del taller."
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase

```

**¿Qué debemos observar?**

- Si existe una tendencia positiva entre el área y la población.

- Si las UPZ de mayor extensión concentran necesariamente más habitantes.

- Si existen territorios que se apartan del comportamiento general.

La línea representa una tendencia lineal de referencia. No significa que el área territorial explique por sí sola la cantidad de habitantes.


### 5.1.4. Identificación de valores extremos en la población

Durante el análisis de la población es importante
identificar territorios que presenten valores
considerablemente diferentes al comportamiento
general de las UPZ.

Para ello se utiliza el rango intercuartílico (IQR),
que corresponde a la diferencia entre el tercer
y el primer cuartil de la distribución.

Mediante este procedimiento se identifican posibles
valores atípicos, entendidos como observaciones que
se encuentran por fuera de los límites estadísticos
establecidos.

La identificación de estos valores no significa
que deban eliminarse de la información. Por el
contrario, permite reconocer territorios con
características particulares que deben considerarse
en las comparaciones posteriores.


```{r valores-extremos-poblacion}

# Calcular los límites para identificar posibles valores atípicos

q1_poblacion <- quantile(upz$poblacion, 0.25)

q3_poblacion <- quantile(upz$poblacion, 0.75)

iqr_poblacion <- IQR(upz$poblacion)

limite_inferior <- q1_poblacion - 1.5 * iqr_poblacion

limite_superior <- q3_poblacion + 1.5 * iqr_poblacion

# Identificar las UPZ que se encuentran fuera de los límites

valores_extremos <- upz %>%
  filter(
    poblacion < limite_inferior |
    poblacion > limite_superior
  ) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    area_km2,
    densidad_hab_km2
  ) %>%
  arrange(desc(poblacion))

# Presentar resultados

knitr::kable(
  valores_extremos,
  col.names = c(
    "UPZ",
    "Localidad",
    "Habitantes",
    "Área (km²)",
    "Densidad (hab/km²)"
  ),
  digits = 2,
  caption = "UPZ identificadas como posibles valores atípicos en población"
)

# Mostrar los límites estadísticos

cat("Límite inferior:", round(limite_inferior, 2), "/n")

cat("Límite superior:", round(limite_superior, 2), "/n")

cat("Cantidad de posibles valores atípicos:", nrow(valores_extremos))

```


```{r diagnostico-residuos-poblacion-area}

# 1. Preparar los datos completos para el modelo

datos_modelo_area <- upz %>%
  filter(
    !is.na(area_km2),
    !is.na(poblacion)
  )

# 2. Ajustar el modelo de regresión lineal

modelo_poblacion_area <- lm(
  poblacion ~ area_km2,
  data = datos_modelo_area
)

# 3. Calcular los residuos estandarizados

datos_diagnostico <- datos_modelo_area %>%
  mutate(
    residuo_estandarizado = rstandard(modelo_poblacion_area),
    posible_atipico = abs(residuo_estandarizado) > 2
  )

# 4. Identificar las UPZ que requieren revisión

upz_residuos_extremos <- datos_diagnostico %>%
  filter(posible_atipico) %>%
  select(
    upz_nombre,
    localidad,
    area_km2,
    poblacion,
    residuo_estandarizado
  ) %>%
  arrange(desc(abs(residuo_estandarizado)))

# 5. Presentar las UPZ identificadas

knitr::kable(
  upz_residuos_extremos,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Área (km²)",
    "Población",
    "Residuo estandarizado"
  ),
  caption = "UPZ que se apartan de la tendencia entre población y área"
)

# 6. Construir el gráfico de diagnóstico

ggplot(
  datos_diagnostico,
  aes(
    x = area_km2,
    y = poblacion
  )
) +

  geom_point(
    aes(
      color = posible_atipico
    ),
    size = 2.8,
    alpha = 0.8
  ) +

  geom_smooth(
    method = "lm",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_diagnostico %>%
      filter(posible_atipico),
    aes(
      label = upz_nombre
    ),
    color = magenta,
    size = 3,
    fontface = "bold",
    nudge_y = max(datos_diagnostico$poblacion, na.rm = TRUE) * 0.025,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "FALSE" = "grey65",
      "TRUE" = magenta
    ),
    labels = c(
      "FALSE" = "Dentro del rango exploratorio",
      "TRUE" = "Posible valor atípico"
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  labs(
    title = "UPZ que se apartan de la relación entre población y área",
    subtitle = "Identificación mediante residuos estandarizados de la regresión",
    x = "Área de la UPZ (km²)",
    y = "Cantidad de habitantes",
    color = "Clasificación",
    caption = "Se señalan observaciones con residuos estandarizados absolutos superiores a 2. Fuente: Base de datos del taller."
  ) +

  tema_clase +

  theme(
    legend.position = "bottom"
  )

```

### 5.1.5. Interpretación del análisis demográfico

El análisis demográfico permite reconocer diferencias importantes entre las 112 UPZ de Bogotá en términos de población, extensión territorial y densidad poblacional. Estas características muestran que los territorios no presentan una distribución homogénea de habitantes y que existen unidades con condiciones demográficas particulares.

La aplicación del rango intercuartílico (IQR) permite identificar posibles valores atípicos en la distribución de la población, mientras que el análisis de la relación entre población y área permite reconocer territorios que se apartan del comportamiento general esperado. Estas observaciones constituyen señales para profundizar en la revisión de las características de cada UPZ, sin asumir que representan errores en los datos.

Adicionalmente, se identifica una consideración metodológica fundamental para el análisis posterior: las UPZ con poblaciones muy pequeñas pueden generar tasas considerablemente elevadas ante un número reducido de registros de delitos. Esto ocurre porque el denominador utilizado para calcular las tasas es reducido, de manera que cada caso representa un incremento proporcionalmente mayor en el indicador.

Por esta razón, una población pequeña no debe interpretarse necesariamente como un valor atípico estadístico, pero sí como una condición que puede comprometer la estabilidad de las tasas y afectar las comparaciones territoriales. En consecuencia, antes de interpretar los rankings, las distribuciones y las relaciones estadísticas de los indicadores de seguridad, será necesario evaluar el tamaño poblacional de las UPZ y la sensibilidad de los resultados frente a estos territorios.

Los resultados de este análisis demográfico establecen así una base para interpretar las diferencias territoriales con mayor rigor, evitando atribuir a los indicadores de seguridad comportamientos que pueden estar influenciados por el tamaño de la población.

## 5.2. Análisis de vivienda e infraestructura

En este apartado se analizan las condiciones de vivienda y la infraestructura de alumbrado público de las UPZ de Bogotá. Estas variables permiten ampliar la caracterización territorial, incorporando aspectos relacionados con la ocupación residencial y las condiciones físicas del entorno urbano.

Se consideran variables como la cantidad de viviendas, el porcentaje de viviendas desocupadas, el número de personas por vivienda y la disponibilidad de luminarias por unidad de superficie.

El análisis busca identificar diferencias entre territorios y explorar posibles patrones que posteriormente puedan contrastarse con los indicadores de seguridad.

### 5.2.1. Caracterización de las viviendas

Inicialmente se realiza una descripción estadística de las variables relacionadas con la vivienda. Se consideran la cantidad total de viviendas, las viviendas ocupadas, el porcentaje de viviendas desocupadas y el promedio de personas por vivienda.

El propósito es reconocer cómo se distribuyen estas características entre las UPZ e identificar posibles diferencias territoriales.

```{r estadisticas_vivienda, echo=TRUE}
estadisticas_vivienda <- upz %>%
  summarise(
    Total_UPZ = n(),

    Media_viviendas = mean(viviendas_totales),
    Mediana_viviendas = median(viviendas_totales),
    Desv_viviendas = sd(viviendas_totales),
    Q1_viviendas = quantile(viviendas_totales, 0.25),
    Q3_viviendas = quantile(viviendas_totales, 0.75),

    Media_ocupadas = mean(viviendas_ocupadas),
    Mediana_ocupadas = median(viviendas_ocupadas),

    Media_desocupacion = mean(pct_viviendas_desocupadas),
    Mediana_desocupacion = median(pct_viviendas_desocupadas),

    Media_personas = mean(personas_por_vivienda),
    Mediana_personas = median(personas_por_vivienda)
  )

knitr::kable(
  estadisticas_vivienda,
  digits = 2,
  caption = "Estadísticas descriptivas de las variables de vivienda"
)
```


### 5.2.2. Distribución de viviendas desocupadas

El porcentaje de viviendas desocupadas permite observar qué proporción de las viviendas de cada UPZ no se encuentra ocupada.

Se utiliza un histograma para examinar la distribución de esta variable, identificar su concentración y reconocer si existen territorios con porcentajes considerablemente diferentes al comportamiento general.

```{r distribucion_viviendas_desocupadas, echo=TRUE}

# Calcular medidas de tendencia central

media_desocupacion <- mean(
  upz$pct_viviendas_desocupadas,
  na.rm = TRUE
)

mediana_desocupacion <- median(
  upz$pct_viviendas_desocupadas,
  na.rm = TRUE
)

# Histograma con media y mediana

ggplot(
  upz,
  aes(x = pct_viviendas_desocupadas)
) +

  geom_histogram(
    bins = 20,
    fill = magenta,
    color = "white",
    alpha = 0.85,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_desocupacion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_desocupacion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución de viviendas desocupadas por UPZ",
    subtitle = "Porcentaje de viviendas desocupadas y medidas de tendencia central",
    x = "Porcentaje de viviendas desocupadas",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ", round(media_desocupacion, 2), "%",
      " | Mediana: ", round(mediana_desocupacion, 2), "%",
      " | Fuente: información consolidada en la base UPZ."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

```

**¿Qué debemos observar?**

La distribución permite identificar cómo se comporta el porcentaje de viviendas desocupadas entre las UPZ. La comparación entre la media y la mediana permite evaluar la posible influencia de los territorios con porcentajes elevados sobre el promedio general.

Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que indica que algunas UPZ podrían estar elevando el promedio. Esta diferencia debe contrastarse con la distribución gráfica y con la identificación de los territorios que presentan los mayores porcentajes.

La mediana constituye una medida complementaria especialmente útil, ya que representa el valor central de la distribución y es menos sensible a los valores extremos.

```{r ranking_viviendas_desocupadas, echo=TRUE}

# 1. Calcular los cuartiles y el rango intercuartílico

q1_desocupacion <- quantile(
  upz$pct_viviendas_desocupadas,
  0.25,
  na.rm = TRUE
)

q3_desocupacion <- quantile(
  upz$pct_viviendas_desocupadas,
  0.75,
  na.rm = TRUE
)

iqr_desocupacion <- IQR(
  upz$pct_viviendas_desocupadas,
  na.rm = TRUE
)

# 2. Establecer los límites estadísticos

limite_inferior_desocupacion <- q1_desocupacion - 1.5 * iqr_desocupacion

limite_superior_desocupacion <- q3_desocupacion + 1.5 * iqr_desocupacion

# 3. Clasificar las UPZ según los límites IQR

datos_desocupacion <- upz %>%
  mutate(
    Clasificacion = case_when(
      pct_viviendas_desocupadas < limite_inferior_desocupacion ~
        "Posible atípico inferior",

      pct_viviendas_desocupadas > limite_superior_desocupacion ~
        "Posible atípico superior",

      TRUE ~ "Dentro del rango"
    )
  )

# 4. Mostrar los límites calculados

limites_desocupacion <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_desocupacion,
    q3_desocupacion,
    iqr_desocupacion,
    limite_inferior_desocupacion,
    limite_superior_desocupacion
  )
)

knitr::kable(
  limites_desocupacion,
  digits = 2,
  caption = "Criterios estadísticos para identificar posibles valores atípicos"
)

# 5. Construir los rankings de mayor y menor desocupación

mayor_desocupacion <- datos_desocupacion %>%
  arrange(desc(pct_viviendas_desocupadas)) %>%
  select(
    upz_nombre,
    localidad,
    viviendas_totales,
    viviendas_ocupadas,
    pct_viviendas_desocupadas,
    Clasificacion
  ) %>%
  slice_head(n = 10)

menor_desocupacion <- datos_desocupacion %>%
  arrange(pct_viviendas_desocupadas) %>%
  select(
    upz_nombre,
    localidad,
    viviendas_totales,
    viviendas_ocupadas,
    pct_viviendas_desocupadas,
    Clasificacion
  ) %>%
  slice_head(n = 10)

# 6. Presentar las UPZ con mayor desocupación

knitr::kable(
  mayor_desocupacion,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Viviendas totales",
    "Viviendas ocupadas",
    "% desocupación",
    "Clasificación IQR"
  ),
  caption = "Diez UPZ con mayor porcentaje de viviendas desocupadas"
)

# 7. Presentar las UPZ con menor desocupación

knitr::kable(
  menor_desocupacion,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Viviendas totales",
    "Viviendas ocupadas",
    "% desocupación",
    "Clasificación IQR"
  ),
  caption = "Diez UPZ con menor porcentaje de viviendas desocupadas"
)

# 8. Contabilizar los posibles valores atípicos

resumen_atipicos_desocupacion <- datos_desocupacion %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_desocupacion,
  caption = "Clasificación de las UPZ según el criterio IQR"
)

```

```{r grafico-atipicos-desocupacion, fig.width=10, fig.height=7}

# Ordenar las UPZ según su porcentaje de desocupación

datos_grafico_desocupacion <- datos_desocupacion %>%
  arrange(pct_viviendas_desocupadas) %>%
  mutate(
    posicion = row_number()
  )

# Gráfico de puntos de todas las UPZ

ggplot(
  datos_grafico_desocupacion,
  aes(
    x = posicion,
    y = pct_viviendas_desocupadas,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  geom_hline(
    yintercept = limite_superior_desocupacion,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_desocupacion,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_grafico_desocupacion %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_desocupacion$pct_viviendas_desocupadas,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  labs(
    title = "Valores atípicos en viviendas desocupadas por UPZ",
    subtitle = "Identificación mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor porcentaje",
    y = "Porcentaje de viviendas desocupadas",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: ",
      round(limite_inferior_desocupacion, 2),
      "% | Límite superior: ",
      round(limite_superior_desocupacion, 2),
      "%. Fuente: Base de datos del taller."
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

```

### 5.2.3. Análisis del alumbrado público

El alumbrado público constituye una característica relevante de la infraestructura urbana y permite describir las condiciones físicas de los territorios.

Para este análisis se consideran tres variables: cantidad de luminarias, densidad de luminarias por kilómetro cuadrado y porcentaje de luminarias con tecnología LED.

Se diferencia entre la cantidad total de luminarias y su densidad territorial, debido a que las UPZ presentan extensiones geográficas distintas. La densidad permite realizar una comparación que considera el tamaño del territorio.

```{r estadisticas_alumbrado, echo=TRUE}
estadisticas_alumbrado <- upz %>%
  summarise(
    Media_luminarias = mean(luminarias),
    Mediana_luminarias = median(luminarias),
    Desv_luminarias = sd(luminarias),
    Q1_luminarias = quantile(luminarias, 0.25),
    Q3_luminarias = quantile(luminarias, 0.75),

    Media_luminarias_km2 = mean(luminarias_km2),
    Mediana_luminarias_km2 = median(luminarias_km2),

    Media_led = mean(pct_luminarias_led),
    Mediana_led = median(pct_luminarias_led)
  )

knitr::kable(
  estadisticas_alumbrado,
  digits = 2,
  caption = "Estadísticas descriptivas del alumbrado público"
)
```

### 5.2.4. Distribución de la densidad de luminarias

Se analiza la distribución de luminarias por kilómetro cuadrado mediante un histograma. Esta representación permite observar cómo se concentra la infraestructura de alumbrado entre las UPZ y reconocer posibles diferencias territoriales.

Esta variable resulta especialmente útil porque permite comparar la disponibilidad de luminarias teniendo en cuenta la extensión geográfica de cada UPZ.

```{r distribucion_densidad_luminarias, echo=TRUE}

# Calcular medidas de tendencia central

media_luminarias_km2 <- mean(
  upz$luminarias_km2,
  na.rm = TRUE
)

mediana_luminarias_km2 <- median(
  upz$luminarias_km2,
  na.rm = TRUE
)

# Construir el histograma con media y mediana

ggplot(
  upz,
  aes(x = luminarias_km2)
) +

  geom_histogram(
    bins = 20,
    fill = turquesa,
    color = "white",
    alpha = 0.9,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_luminarias_km2,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_luminarias_km2,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución de la densidad de luminarias",
    subtitle = "Luminarias por km² y medidas de tendencia central",
    x = "Luminarias por km²",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ",
      round(media_luminarias_km2, 2),
      " luminarias/km² | Mediana: ",
      round(mediana_luminarias_km2, 2),
      " luminarias/km². Fuente: información de alumbrado público, última actualización 2021."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

```

**¿Qué debemos observar?**

El histograma permite identificar cómo se distribuye la densidad de luminarias entre las UPZ y dónde se concentra la mayor cantidad de territorios.

La comparación entre la media y la mediana permite evaluar si los valores elevados de densidad están influyendo en el promedio general. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere que algunas UPZ presentan concentraciones de luminarias superiores al comportamiento central.

Esta diferencia debe contrastarse con los rankings territoriales y la identificación estadística de posibles valores atípicos mediante el rango intercuartílico (IQR).

___

Para identificar las diferencias territoriales, se construyen dos rankings que permiten reconocer las diez UPZ con mayor y menor densidad de luminarias. Se incluyen también el área y la cantidad total de luminarias para facilitar la comparación.

```{r ranking_densidad_luminarias, echo=TRUE}

# 1. Calcular cuartiles y rango intercuartílico

q1_luminarias <- quantile(
  upz$luminarias_km2, 0.25, na.rm = TRUE
)

q3_luminarias <- quantile(
  upz$luminarias_km2, 0.75, na.rm = TRUE
)

iqr_luminarias <- IQR(
  upz$luminarias_km2, na.rm = TRUE
)

# 2. Establecer límites estadísticos

limite_inferior_luminarias <- q1_luminarias - 1.5 * iqr_luminarias

limite_superior_luminarias <- q3_luminarias + 1.5 * iqr_luminarias

# 3. Clasificar las UPZ

datos_luminarias <- upz %>%
  mutate(
    Clasificacion = case_when(
      luminarias_km2 < limite_inferior_luminarias ~
        "Posible atípico inferior",
      luminarias_km2 > limite_superior_luminarias ~
        "Posible atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# 4. Mostrar los límites estadísticos

limites_luminarias <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_luminarias,
    q3_luminarias,
    iqr_luminarias,
    limite_inferior_luminarias,
    limite_superior_luminarias
  )
)

knitr::kable(
  limites_luminarias,
  digits = 2,
  caption = "Criterios estadísticos para identificar posibles valores atípicos en la densidad de luminarias"
)

# 5. Construir los rankings

mayor_alumbrado <- datos_luminarias %>%
  arrange(desc(luminarias_km2)) %>%
  select(
    upz_nombre,
    localidad,
    area_km2,
    luminarias,
    luminarias_km2,
    pct_luminarias_led,
    Clasificacion
  ) %>%
  slice_head(n = 10)

menor_alumbrado <- datos_luminarias %>%
  arrange(luminarias_km2) %>%
  select(
    upz_nombre,
    localidad,
    area_km2,
    luminarias,
    luminarias_km2,
    pct_luminarias_led,
    Clasificacion
  ) %>%
  slice_head(n = 10)

# 6. Presentar las UPZ con mayor densidad

knitr::kable(
  mayor_alumbrado,
  digits = 2,
  caption = "Diez UPZ con mayor densidad de luminarias"
)

# 7. Presentar las UPZ con menor densidad

knitr::kable(
  menor_alumbrado,
  digits = 2,
  caption = "Diez UPZ con menor densidad de luminarias"
)

# 8. Resumir la clasificación estadística

resumen_atipicos_luminarias <- datos_luminarias %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_luminarias,
  caption = "Clasificación de las UPZ según el criterio IQR"
)

```

```{r grafico-atipicos-luminarias, fig.width=10, fig.height=7}

# Ordenar todas las UPZ por densidad de luminarias

datos_grafico_luminarias <- datos_luminarias %>%
  arrange(luminarias_km2) %>%
  mutate(
    posicion = row_number()
  )

# Gráfico de puntos

ggplot(
  datos_grafico_luminarias,
  aes(
    x = posicion,
    y = luminarias_km2,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  geom_hline(
    yintercept = limite_superior_luminarias,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_luminarias,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_grafico_luminarias %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_luminarias$luminarias_km2,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  labs(
    title = "Posibles valores atípicos en la densidad de luminarias",
    subtitle = "Identificación de UPZ mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor densidad",
    y = "Luminarias por km²",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: ",
      round(limite_inferior_luminarias, 2),
      " | Límite superior: ",
      round(limite_superior_luminarias, 2),
      ". Fuente: información de alumbrado público, 2021."
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

```

**Interpretación de posibles valores atípicos**

La aplicación del criterio del rango intercuartílico (IQR) no identificó UPZ con valores atípicos en la densidad de luminarias por kilómetro cuadrado. El límite inferior calculado fue de -163,04 y el superior de 1.989,96 luminarias por km². Todas las observaciones se encuentran dentro de este intervalo.

Aunque se presentan diferencias entre los territorios y algunas UPZ registran densidades considerablemente superiores a otras, estas variaciones no superan los umbrales establecidos por el criterio estadístico aplicado. Por tanto, los valores más altos deben interpretarse como extremos relativos de la distribución, pero no como observaciones atípicas según Tukey.

### 5.2.5. Relación entre viviendas desocupadas y alumbrado público

Finalmente, se explora la relación entre el porcentaje de viviendas desocupadas y la densidad de luminarias por kilómetro cuadrado.

Esta comparación permite observar si existen patrones entre ambas características del entorno urbano. Se incorpora una línea de tendencia como apoyo visual para identificar el comportamiento general de los datos.

Este ejercicio tiene un alcance exploratorio y no permite establecer relaciones de causalidad.

```{r relacion_vivienda_alumbrado, echo=TRUE}
ggplot(
  upz,
  aes(
    x = pct_viviendas_desocupadas,
    y = luminarias_km2
  )
) +
  geom_point(
    color = morado,
    alpha = 0.7,
    size = 2.5
  ) +
  geom_smooth(
    method = "lm",
    se = FALSE,
    color = magenta,
    linewidth = 1
  ) +
  labs(
    title = "Viviendas desocupadas y densidad de alumbrado",
    subtitle = "Relación exploratoria entre características del entorno urbano",
    x = "Porcentaje de viviendas desocupadas",
    y = "Luminarias por km²",
    caption = "Fuente: información consolidada de las UPZ."
  ) +
  tema_clase
```

### 5.2.6. Interpretación de resultados

Los resultados de este apartado permiten complementar la caracterización territorial de las UPZ mediante variables relacionadas con las condiciones de vivienda y la infraestructura de alumbrado público.

La interpretación se centrará en las diferencias observadas entre territorios, la distribución de las variables y los posibles patrones identificados en la comparación entre viviendas desocupadas y densidad de luminarias.

Se tendrá en cuenta que estos indicadores describen características del entorno urbano y que, por sí solos, no permiten explicar ni establecer causas del comportamiento delictivo.

## 5.3. Análisis socioeconómico

En esta sección se exploran las condiciones socioeconómicas de las UPZ de Bogotá a partir de la información de la Encuesta Multipropósito de 2021.

Se analizan variables relacionadas con la pobreza, el ingreso promedio, la composición por estrato socioeconómico y el nivel educativo de la población. Estas características permiten ampliar la comprensión de las diferencias territoriales e incorporar elementos sociales y económicos al análisis de la inseguridad.

El propósito es identificar cómo se distribuyen estas condiciones entre las UPZ y reconocer posibles patrones que posteriormente puedan contrastarse con los indicadores de delitos y percepción de inseguridad.

Es importante tener en cuenta que la Encuesta Multipropósito presenta información agrupada para 32 UPZ. En estos casos, varias unidades territoriales comparten el mismo valor estimado. Por esta razón, los resultados deben interpretarse con precaución y no asumir que cada registro representa una observación socioeconómica independiente.

### 5.3.1. Revisión de la información socioeconómica

Antes de analizar las variables socioeconómicas, se revisa la cobertura de la información de la Encuesta Multipropósito.

Esta verificación permite identificar cuántas UPZ cuentan con información individual y cuántas reciben valores compartidos con otras unidades territoriales. Esta distinción es importante para interpretar correctamente las estadísticas y evitar asumir que todos los registros representan mediciones independientes.

```{r revision-encuesta-multiproposito, echo=TRUE}
# Revisar la cantidad de UPZ con información individual y agrupada

revision_encuesta <- upz %>%
  count(em_agrupada) %>%
  mutate(
    Tipo_informacion = if_else(
      em_agrupada,
      "Información agrupada",
      "Información individual"
    ),
    Porcentaje = n / sum(n) * 100
  ) %>%
  select(
    Tipo_informacion,
    Cantidad_UPZ = n,
    Porcentaje
  )

knitr::kable(
  revision_encuesta,
  digits = 2,
  caption = "Cobertura de la Encuesta Multipropósito por tipo de información"
)
```

**¿Qué buscamos identificar?**

- La cantidad de UPZ que tienen información individual.

- La cantidad de UPZ que comparten información con otras unidades territoriales.

- La proporción que representa cada grupo sobre el total de UPZ.

### 5.3.2. Estadísticas descriptivas de las condiciones socioeconómicas

Para caracterizar las condiciones socioeconómicas se seleccionan variables relacionadas con la pobreza, los ingresos, la composición por estrato y el nivel educativo.

Se calculan medidas de tendencia central y dispersión, incluyendo media, mediana, desviación estándar, cuartiles, valores mínimos y máximos. Estas medidas permiten reconocer las diferencias entre territorios y observar qué tan concentrados o dispersos se encuentran los indicadores.

La selección de estas variables busca representar diferentes dimensiones de las condiciones de vida, evitando limitar el análisis a una sola característica económica.

```{r estadisticas-socioeconomicas, echo=TRUE}
# Seleccionar las variables socioeconómicas de interés

variables_socioeconomicas <- upz %>%
  select(
    pct_pobreza,
    salario_promedio,
    pct_estrato_1_2,
    pct_estrato_3_4,
    pct_estrato_5_6,
    anios_educacion_15mas
  )

# Calcular estadísticas descriptivas

estadisticas_socioeconomicas <- variables_socioeconomicas %>%
  summarise(
    across(
      everything(),
      list(
        Media = ~ mean(.),
        Mediana = ~ median(.),
        Desviacion = ~ sd(.),
        Minimo = ~ min(.),
        Q1 = ~ quantile(., 0.25),
        Q3 = ~ quantile(., 0.75),
        Maximo = ~ max(.)
      )
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = c("Variable", "Estadistica"),
    names_sep = "_(?=[^_]+$)",
    values_to = "Valor"
  ) %>%
  pivot_wider(
    names_from = Estadistica,
    values_from = Valor
  )

knitr::kable(
  estadisticas_socioeconomicas,
  digits = 2,
  caption = "Estadísticas descriptivas de las variables socioeconómicas"
)
```

### 5.3.3. Distribución de la pobreza

El porcentaje de pobreza permite aproximarse a las condiciones económicas de la población de cada territorio.

Mediante un histograma se examina la distribución de este indicador entre las UPZ, buscando identificar dónde se concentran los valores y si existen territorios con porcentajes considerablemente superiores al comportamiento general.

Este análisis permite reconocer diferencias socioeconómicas que posteriormente podrán contrastarse con los indicadores de seguridad.

```{r distribucion-pobreza, echo=TRUE}

# Calcular medidas de tendencia central

media_pobreza <- mean(
  upz$pct_pobreza,
  na.rm = TRUE
)

mediana_pobreza <- median(
  upz$pct_pobreza,
  na.rm = TRUE
)

# Construir histograma con media y mediana

ggplot(
  upz,
  aes(x = pct_pobreza)
) +

  geom_histogram(
    bins = 20,
    fill = magenta,
    color = "white",
    alpha = 0.9,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_pobreza,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_pobreza,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución del porcentaje de pobreza por UPZ",
    subtitle = "Porcentaje de personas clasificadas como pobres y medidas de tendencia central",
    x = "Población en condición de pobreza (%)",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ", round(media_pobreza, 2), "%",
      " | Mediana: ", round(mediana_pobreza, 2),
      "%. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

```

**¿Qué debemos observar?**

El histograma permite reconocer cómo se distribuye el porcentaje de pobreza entre las UPZ y dónde se concentra la mayor cantidad de territorios.

La comparación entre la media y la mediana permite evaluar si los porcentajes más elevados están influyendo en el promedio general. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere diferencias importantes entre los territorios.

Esta observación se complementará con los rankings de las UPZ con mayores y menores porcentajes de pobreza y con la identificación de posibles valores atípicos mediante el rango intercuartílico (IQR).

___

Para complementar el gráfico, identificamos los territorios con mayores y menores porcentajes de pobreza.

```{r ranking-pobreza, echo=TRUE}

# 1. Calcular cuartiles y rango intercuartílico

q1_pobreza <- quantile(
  upz$pct_pobreza,
  0.25,
  na.rm = TRUE
)

q3_pobreza <- quantile(
  upz$pct_pobreza,
  0.75,
  na.rm = TRUE
)

iqr_pobreza <- IQR(
  upz$pct_pobreza,
  na.rm = TRUE
)

# 2. Establecer los límites estadísticos

limite_inferior_pobreza <- q1_pobreza - 1.5 * iqr_pobreza

limite_superior_pobreza <- q3_pobreza + 1.5 * iqr_pobreza

# 3. Clasificar las UPZ

datos_pobreza <- upz %>%
  filter(!is.na(pct_pobreza)) %>%
  mutate(
    Clasificacion = case_when(
      pct_pobreza < limite_inferior_pobreza ~
        "Posible atípico inferior",
      pct_pobreza > limite_superior_pobreza ~
        "Posible atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# 4. Presentar los límites calculados

limites_pobreza <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_pobreza,
    q3_pobreza,
    iqr_pobreza,
    limite_inferior_pobreza,
    limite_superior_pobreza
  )
)

knitr::kable(
  limites_pobreza,
  digits = 2,
  caption = "Límites estadísticos para identificar posibles valores atípicos en pobreza"
)

# 5. Construir los rankings

ranking_pobreza <- datos_pobreza %>%
  arrange(desc(pct_pobreza)) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    pct_pobreza,
    Clasificacion
  )

# 6. Mostrar las diez UPZ con mayor pobreza

knitr::kable(
  ranking_pobreza %>%
    slice_head(n = 10),
  digits = 2,
  caption = "Diez UPZ con mayor porcentaje de pobreza"
)

# 7. Mostrar las diez UPZ con menor pobreza

knitr::kable(
  ranking_pobreza %>%
    arrange(pct_pobreza) %>%
    slice_head(n = 10),
  digits = 2,
  caption = "Diez UPZ con menor porcentaje de pobreza"
)

# 8. Resumir la clasificación estadística

resumen_atipicos_pobreza <- datos_pobreza %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_pobreza,
  caption = "Clasificación de las UPZ según el criterio IQR"
)

```

```{r grafico-atipicos-pobreza, fig.width=10, fig.height=7}

# Ordenar todas las UPZ por porcentaje de pobreza

datos_grafico_pobreza <- datos_pobreza %>%
  arrange(pct_pobreza) %>%
  mutate(
    posicion = row_number()
  )

# Construir gráfico de puntos

ggplot(
  datos_grafico_pobreza,
  aes(
    x = posicion,
    y = pct_pobreza,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  geom_hline(
    yintercept = limite_superior_pobreza,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_pobreza,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_text(
    data = datos_grafico_pobreza %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_pobreza$pct_pobreza,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      decimal.mark = ",",
      suffix = "%"
    )
  ) +

  labs(
    title = "Posibles valores atípicos en el porcentaje de pobreza",
    subtitle = "Identificación de UPZ mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor porcentaje de pobreza",
    y = "Personas en condición de pobreza (%)",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: ",
      round(limite_inferior_pobreza, 2),
      "% | Límite superior: ",
      round(limite_superior_pobreza, 2),
      "%. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

```



### 5.3.4. Distribución del salario promedio

El salario promedio permite explorar las diferencias económicas entre los territorios.

Se utiliza un histograma para observar la distribución de los ingresos y reconocer posibles concentraciones o valores extremos. También se identifican las UPZ con mayores y menores salarios promedio.

Debido a que los ingresos pueden presentar diferencias importantes entre territorios, se compararán la media y la mediana para evaluar la influencia de los valores extremos sobre el promedio.

```{r distribucion-salario, echo=TRUE}

# Calcular medidas de tendencia central

media_salario <- mean(
  upz$salario_promedio,
  na.rm = TRUE
)

mediana_salario <- median(
  upz$salario_promedio,
  na.rm = TRUE
)

# Construir histograma con media y mediana

ggplot(
  upz,
  aes(x = salario_promedio)
) +

  geom_histogram(
    bins = 20,
    fill = turquesa,
    color = "white",
    alpha = 0.9,
    na.rm = TRUE
  ) +

  # Línea de la media

  geom_vline(
    xintercept = media_salario,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +

  # Línea de la mediana

  geom_vline(
    xintercept = mediana_salario,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +

  labs(
    title = "Distribución del salario promedio por UPZ",
    subtitle = "Ingreso mensual promedio y medidas de tendencia central",
    x = "Salario promedio mensual (pesos)",
    y = "Cantidad de UPZ",
    caption = paste0(
      "Media: ",
      scales::comma(round(media_salario), big.mark = "."),
      " pesos | Mediana: ",
      scales::comma(round(mediana_salario), big.mark = "."),
      " pesos. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  scale_x_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  tema_clase +

  theme(
    legend.position = "none"
  )

```

**¿Qué debemos observar?**

El histograma permite reconocer cómo se distribuyen los salarios promedio entre las UPZ y dónde se concentra la mayor cantidad de territorios.

La comparación entre la media y la mediana permite evaluar la influencia de las UPZ con salarios promedio más elevados sobre el promedio general. Cuando la media supera considerablemente a la mediana, puede existir una asimetría hacia valores altos, lo que sugiere diferencias importantes entre los territorios.

Esta observación se complementará con los rankings de las UPZ con mayores y menores salarios promedio y con la identificación de posibles valores atípicos mediante el rango intercuartílico (IQR).

___ 

Ranking de salarios:

```{r ranking-salario, echo=TRUE}

# 1. Calcular cuartiles y rango intercuartílico

q1_salario <- quantile(
  upz$salario_promedio,
  0.25,
  na.rm = TRUE
)

q3_salario <- quantile(
  upz$salario_promedio,
  0.75,
  na.rm = TRUE
)

iqr_salario <- IQR(
  upz$salario_promedio,
  na.rm = TRUE
)

# 2. Establecer límites estadísticos

limite_inferior_salario <- q1_salario - 1.5 * iqr_salario

limite_superior_salario <- q3_salario + 1.5 * iqr_salario

# 3. Clasificar las UPZ

datos_salario <- upz %>%
  filter(!is.na(salario_promedio)) %>%
  mutate(
    Clasificacion = case_when(
      salario_promedio < limite_inferior_salario ~
        "Posible atípico inferior",
      salario_promedio > limite_superior_salario ~
        "Posible atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# 4. Mostrar los límites calculados

limites_salario <- tibble(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior"
  ),
  Valor = c(
    q1_salario,
    q3_salario,
    iqr_salario,
    limite_inferior_salario,
    limite_superior_salario
  )
)

knitr::kable(
  limites_salario,
  digits = 0,
  caption = "Criterios estadísticos para identificar posibles valores atípicos en el salario promedio"
)

# 5. Construir los rankings

ranking_salario <- datos_salario %>%
  arrange(desc(salario_promedio)) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    salario_promedio,
    Clasificacion
  )

# 6. Diez UPZ con mayor salario

knitr::kable(
  ranking_salario %>%
    slice_head(n = 10),
  digits = 0,
  caption = "Diez UPZ con mayor salario promedio"
)

# 7. Diez UPZ con menor salario

knitr::kable(
  ranking_salario %>%
    arrange(salario_promedio) %>%
    slice_head(n = 10),
  digits = 0,
  caption = "Diez UPZ con menor salario promedio"
)

# 8. Resumen de posibles valores atípicos

resumen_atipicos_salario <- datos_salario %>%
  count(Clasificacion, name = "Cantidad_UPZ")

knitr::kable(
  resumen_atipicos_salario,
  caption = "Clasificación de las UPZ según el criterio IQR"
)

```

```{r grafico-atipicos-salario, fig.width=10, fig.height=7}

# Ordenar las UPZ por salario promedio

datos_grafico_salario <- datos_salario %>%
  arrange(salario_promedio) %>%
  mutate(
    posicion = row_number()
  )

# Gráfico de puntos de todas las UPZ

ggplot(
  datos_grafico_salario,
  aes(
    x = posicion,
    y = salario_promedio,
    color = Clasificacion
  )
) +

  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +

  # Límite superior e inferior del IQR

  geom_hline(
    yintercept = limite_superior_salario,
    color = magenta,
    linetype = "dashed",
    linewidth = 0.9
  ) +

  geom_hline(
    yintercept = limite_inferior_salario,
    color = "#0072B2",
    linetype = "dashed",
    linewidth = 0.9
  ) +

  # Identificar las UPZ posibles atípicas

  geom_text(
    data = datos_grafico_salario %>%
      filter(Clasificacion != "Dentro del rango"),
    aes(label = upz_nombre),
    nudge_y = max(
      datos_grafico_salario$salario_promedio,
      na.rm = TRUE
    ) * 0.025,
    size = 3,
    fontface = "bold",
    show.legend = FALSE,
    check_overlap = TRUE
  ) +

  scale_color_manual(
    values = c(
      "Dentro del rango" = "grey65",
      "Posible atípico inferior" = "#0072B2",
      "Posible atípico superior" = magenta
    )
  ) +

  scale_y_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +

  labs(
    title = "Posibles valores atípicos en el salario promedio por UPZ",
    subtitle = "Identificación mediante el rango intercuartílico (IQR)",
    x = "UPZ ordenadas de menor a mayor salario",
    y = "Salario promedio mensual (pesos)",
    color = "Clasificación",
    caption = paste0(
      "Límite inferior: $",
      scales::comma(round(limite_inferior_salario), big.mark = "."),
      " | Límite superior: $",
      scales::comma(round(limite_superior_salario), big.mark = "."),
      ". Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +

  tema_clase +

  theme(
    legend.position = "bottom",
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank()
  )

```

### 5.3.5. Composición por estrato socioeconómico

La composición por estrato permite observar las características socioeconómicas de las viviendas de cada UPZ.

Para este análisis se consideran tres grupos: estratos 1 y 2, estratos 3 y 4, y estratos 5 y 6. La comparación permite identificar qué grupos tienen mayor participación en cada territorio y reconocer las diferencias en la composición socioeconómica de las UPZ.

Es importante recordar que los porcentajes representan la distribución de viviendas por grupo de estrato y no deben interpretarse como una medición directa del ingreso de todos sus habitantes.

```{r composicion-estratos, echo=TRUE}
# Calcular el promedio de participación de cada grupo de estrato

promedio_estratos <- upz %>%
  summarise(
    `Estratos 1 y 2` = mean(pct_estrato_1_2),
    `Estratos 3 y 4` = mean(pct_estrato_3_4),
    `Estratos 5 y 6` = mean(pct_estrato_5_6)
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Grupo_estrato",
    values_to = "Porcentaje_promedio"
  )

knitr::kable(
  promedio_estratos,
  digits = 2,
  caption = "Participación promedio de los grupos de estrato entre las UPZ"
)
```

Ahora visualizamos los resultados:

```{r grafico-composicion-estratos, echo=TRUE}
ggplot(
  promedio_estratos,
  aes(
    x = Grupo_estrato,
    y = Porcentaje_promedio
  )
) +
  geom_col(
    fill = morado,
    width = 0.65
  ) +
  labs(
    title = "Composición promedio por grupos de estrato",
    subtitle = "Participación promedio de cada grupo entre las UPZ",
    x = "Grupo de estrato",
    y = "Porcentaje promedio (%)",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase
```

Una precisión: este gráfico muestra el promedio simple de los porcentajes de las UPZ, no la distribución ponderada de todas las viviendas de Bogotá.

### 5.3.6. Nivel educativo

En este apartado se analiza el promedio de años de educación de las personas de 15 años o más por UPZ. Esta variable permite explorar las diferencias educativas entre los territorios y complementar la caracterización socioeconómica realizada anteriormente.

Se utilizan estadísticas descriptivas, gráficos de distribución y rankings territoriales para identificar los niveles educativos más altos y más bajos, así como posibles valores atípicos.

```{r estadisticas-educacion, echo=TRUE}
estadisticas_educacion <- upz %>%
  summarise(
    Total_UPZ = sum(!is.na(anios_educacion_15mas)),
    Media = mean(anios_educacion_15mas, na.rm = TRUE),
    Mediana = median(anios_educacion_15mas, na.rm = TRUE),
    Desviacion_estandar = sd(anios_educacion_15mas, na.rm = TRUE),
    Minimo = min(anios_educacion_15mas, na.rm = TRUE),
    Q1 = quantile(anios_educacion_15mas, 0.25, na.rm = TRUE),
    Q3 = quantile(anios_educacion_15mas, 0.75, na.rm = TRUE),
    Maximo = max(anios_educacion_15mas, na.rm = TRUE)
  )

knitr::kable(
  estadisticas_educacion,
  digits = 2,
  caption = "Estadísticas descriptivas de los años promedio de educación por UPZ"
)
```
**Distribución del nivel educativo**
Este gráfico permite observar cómo se distribuyen los años promedio de educación entre las UPZ. El histograma muestra la concentración de los valores, mientras que la curva de densidad permite reconocer la forma de la distribución.

Las líneas verticales representan la media y la mediana.

Distribución de los años promedio de educación:

```{r distribucion-educacion, echo=TRUE}
media_educacion <- mean(upz$anios_educacion_15mas, na.rm = TRUE)
mediana_educacion <- median(upz$anios_educacion_15mas, na.rm = TRUE)

ggplot(
  upz,
  aes(x = anios_educacion_15mas)
) +
  geom_histogram(
    aes(y = after_stat(density)),
    bins = 20,
    fill = magenta,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +
  geom_density(
    color = morado,
    fill = morado,
    alpha = 0.15,
    linewidth = 1.1,
    na.rm = TRUE
  ) +
  geom_vline(
    xintercept = media_educacion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +
  geom_vline(
    xintercept = mediana_educacion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +
  labs(
    title = "Distribución de los años promedio de educación",
    subtitle = "Personas de 15 años o más por UPZ",
    x = "Años promedio de educación",
    y = "Densidad",
    caption = paste0(
      "Media: ", round(media_educacion, 2),
      " años | Mediana: ", round(mediana_educacion, 2),
      " años. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +
  tema_clase +
  theme(legend.position = "none")
```

**Rankings y detección de valores atípicos**
Se identifican las diez UPZ con mayor y menor promedio de años de educación. Adicionalmente, se aplica el criterio del rango intercuartílico (IQR), que permite establecer límites estadísticos para identificar posibles valores atípicos.

Para identificar las diferencias territoriales, se presentan las diez UPZ con mayores y menores promedios de años de educación. También se aplica el criterio del rango intercuartílico para identificar posibles valores atípicos.

```{r ranking-educacion, echo=TRUE}
# Calcular cuartiles y rango intercuartílico

q1_educacion <- quantile(
  upz$anios_educacion_15mas,
  0.25,
  na.rm = TRUE
)

q3_educacion <- quantile(
  upz$anios_educacion_15mas,
  0.75,
  na.rm = TRUE
)

iqr_educacion <- IQR(
  upz$anios_educacion_15mas,
  na.rm = TRUE
)

limite_inferior_educacion <- q1_educacion - 1.5 * iqr_educacion
limite_superior_educacion <- q3_educacion + 1.5 * iqr_educacion

# Clasificar las UPZ según los límites IQR

datos_educacion <- upz %>%
  filter(!is.na(anios_educacion_15mas)) %>%
  mutate(
    Clasificacion = case_when(
      anios_educacion_15mas < limite_inferior_educacion ~ "Atípico inferior",
      anios_educacion_15mas > limite_superior_educacion ~ "Atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# Resumen de límites y valores atípicos

resumen_atipicos_educacion <- data.frame(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores atípicos"
  ),
  Valor = c(
    q1_educacion,
    q3_educacion,
    iqr_educacion,
    limite_inferior_educacion,
    limite_superior_educacion,
    sum(datos_educacion$Clasificacion != "Dentro del rango")
  )
)

knitr::kable(
  resumen_atipicos_educacion,
  digits = 2,
  caption = "Límites del rango intercuartílico y valores atípicos"
)

# Diez UPZ con mayor promedio

ranking_educacion <- datos_educacion %>%
  arrange(desc(anios_educacion_15mas))

knitr::kable(
  ranking_educacion %>%
    slice_head(n = 10) %>%
    select(
      upz_nombre,
      localidad,
      em_agrupada,
      anios_educacion_15mas,
      Clasificacion
    ),
  digits = 2,
  caption = "Diez UPZ con mayor promedio de años de educación"
)

# Diez UPZ con menor promedio

knitr::kable(
  ranking_educacion %>%
    arrange(anios_educacion_15mas) %>%
    slice_head(n = 10) %>%
    select(
      upz_nombre,
      localidad,
      em_agrupada,
      anios_educacion_15mas,
      Clasificacion
    ),
  digits = 2,
  caption = "Diez UPZ con menor promedio de años de educación"
)
```

**Gráfico comparativo de todas las UPZ**
Este gráfico permite observar los resultados de todas las UPZ ordenados por su promedio de años de educación. Se destacan las diez UPZ con mayores valores y las diez con menores valores. Las líneas punteadas representan los límites del IQR.

```{r grafico-ranking-educacion, echo=TRUE}
datos_grafico_educacion <- datos_educacion %>%
  arrange(anios_educacion_15mas) %>%
  mutate(
    posicion = row_number(),
    Grupo = case_when(
      posicion <= 10 ~ "Diez menores",
      posicion > n() - 10 ~ "Diez mayores",
      TRUE ~ "Otras UPZ"
    ),
    Etiqueta = ifelse(
      Grupo == "Otras UPZ",
      NA,
      upz_nombre
    )
  )

ggplot(
  datos_grafico_educacion,
  aes(
    x = posicion,
    y = anios_educacion_15mas,
    color = Grupo
  )
) +
  geom_hline(
    yintercept = limite_inferior_educacion,
    linetype = "dashed",
    color = "gray50"
  ) +
  geom_hline(
    yintercept = limite_superior_educacion,
    linetype = "dashed",
    color = "gray50"
  ) +
  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +
  geom_text(
    data = datos_grafico_educacion %>%
      filter(!is.na(Etiqueta)),
    aes(label = Etiqueta),
    nudge_y = 0.20,
    size = 2.8,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  scale_color_manual(
    values = c(
      "Diez mayores" = magenta,
      "Diez menores" = turquesa,
      "Otras UPZ" = "gray65"
    )
  ) +
  scale_x_continuous(
    breaks = NULL
  ) +
  labs(
    title = "Promedio de años de educación por UPZ",
    subtitle = "Se identifican las diez UPZ con mayores y menores promedios",
    x = "UPZ ordenadas de menor a mayor",
    y = "Años promedio de educación",
    color = "Grupo",
    caption = "Líneas punteadas: límites del criterio IQR. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "bottom"
  )
```

El análisis permite identificar diferencias territoriales en el promedio de años de educación. Los rankings muestran las UPZ con mayores y menores niveles educativos, mientras que el criterio del rango intercuartílico permite determinar si existen valores estadísticamente atípicos.

Es importante considerar que algunas UPZ presentan valores agrupados de la Encuesta Multipropósito (`em_agrupada = TRUE`), por lo que sus resultados no corresponden necesariamente a mediciones independientes. Esta condición debe tenerse presente al comparar los territorios y formular conclusiones.

### 5.3.7. Relación entre pobreza y salario promedio

Para complementar la descripción individual de las variables, se explora la relación entre el porcentaje de pobreza y el salario promedio mensual de las UPZ.

Se utiliza un diagrama de dispersión, en el que cada punto representa una unidad territorial. Se incorpora una línea de tendencia para observar el comportamiento general de ambas variables.

Esta comparación permite identificar posibles asociaciones entre las condiciones de pobreza y los ingresos promedio, sin asumir que una variable sea necesariamente la causa de la otra.

```{r relacion-pobreza-salario, echo=TRUE}
# Identificar el grupo de estrato con mayor participación en cada UPZ

datos_pobreza_salario <- upz %>%
  mutate(
    mayor_participacion = pmax(
      pct_estrato_1_2,
      pct_estrato_3_4,
      pct_estrato_5_6,
      na.rm = TRUE
    ),
    Grupo_estrato = case_when(
      if_all(
        c(pct_estrato_1_2, pct_estrato_3_4, pct_estrato_5_6),
        is.na
      ) ~ "Sin información",
      pct_estrato_1_2 == mayor_participacion ~ "Predominan estratos 1 y 2",
      pct_estrato_3_4 == mayor_participacion ~ "Predominan estratos 3 y 4",
      pct_estrato_5_6 == mayor_participacion ~ "Predominan estratos 5 y 6"
    )
  )

# Relación entre pobreza y salario, diferenciada por grupo de estrato

ggplot(
  datos_pobreza_salario,
  aes(
    x = pct_pobreza,
    y = salario_promedio,
    color = Grupo_estrato
  )
) +
  geom_point(
    alpha = 0.8,
    size = 2.8
  ) +
  geom_smooth(
    aes(group = Grupo_estrato),
    method = "lm",
    se = FALSE,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "Predominan estratos 1 y 2" = turquesa,
      "Predominan estratos 3 y 4" = morado,
      "Predominan estratos 5 y 6" = magenta,
      "Sin información" = "gray65"
    )
  ) +
  scale_y_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +
  labs(
    title = "Relación entre pobreza y salario promedio",
    subtitle = "Diferenciación de las UPZ según su grupo de estrato predominante",
    x = "Porcentaje de pobreza (%)",
    y = "Salario promedio mensual (pesos)",
    color = "Grupo de estrato",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase
```

### 5.3.8. Relación entre nivel educativo y condiciones económicas

Después de analizar individualmente la pobreza, el salario promedio, la composición por estrato y el nivel educativo, se exploran las relaciones entre estas variables para identificar posibles patrones socioeconómicos entre las UPZ.

Se analizan dos relaciones: el promedio de años de educación frente al porcentaje de pobreza y el promedio de años de educación frente al salario promedio mensual.

Adicionalmente, se diferencia cada UPZ según el grupo de estrato con mayor participación en su composición de viviendas. Esto permite observar si las asociaciones identificadas presentan comportamientos distintos entre los grupos de estrato.

Los resultados se interpretan como asociaciones territoriales y no como relaciones de causalidad.

___
**Preparación de los datos**
Primero clasificamos cada UPZ según el grupo de estrato que tenga mayor participación porcentual. Esta clasificación será utilizada en los dos gráficos.

```{r clasificacion-estratos-relaciones, echo=TRUE}
datos_relaciones_socioeconomicas <- upz %>%
  mutate(
    mayor_participacion = pmax(
      pct_estrato_1_2,
      pct_estrato_3_4,
      pct_estrato_5_6,
      na.rm = TRUE
    ),
    Grupo_estrato = case_when(
      if_all(
        c(pct_estrato_1_2, pct_estrato_3_4, pct_estrato_5_6),
        is.na
      ) ~ "Sin información",
      pct_estrato_1_2 == mayor_participacion ~ "Predominan estratos 1 y 2",
      pct_estrato_3_4 == mayor_participacion ~ "Predominan estratos 3 y 4",
      pct_estrato_5_6 == mayor_participacion ~ "Predominan estratos 5 y 6"
    )
  )

knitr::kable(
  datos_relaciones_socioeconomicas %>%
    count(Grupo_estrato, name = "Cantidad_UPZ"),
  caption = "UPZ clasificadas según el grupo de estrato predominante"
)
```

**Relación entre educación y pobreza**
Este primer gráfico permite explorar si las UPZ con mayores promedios de años de educación tienden a presentar menores porcentajes de pobreza.
```{r relacion-educacion-pobreza, echo=TRUE}
ggplot(
  datos_relaciones_socioeconomicas,
  aes(
    x = pct_pobreza,
    y = anios_educacion_15mas,
    color = Grupo_estrato
  )
) +
  geom_point(
    alpha = 0.8,
    size = 2.8
  ) +
  geom_smooth(
    aes(group = Grupo_estrato),
    method = "lm",
    se = FALSE,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "Predominan estratos 1 y 2" = turquesa,
      "Predominan estratos 3 y 4" = morado,
      "Predominan estratos 5 y 6" = magenta,
      "Sin información" = "gray65"
    )
  ) +
  labs(
    title = "Relación entre nivel educativo y pobreza",
    subtitle = "Años promedio de educación y porcentaje de pobreza por UPZ",
    x = "Población en condición de pobreza (%)",
    y = "Años promedio de educación",
    color = "Grupo de estrato",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase
```

**Relación entre educación y salario promedio**
El segundo gráfico permite explorar si las UPZ con mayores promedios de años de educación también presentan mayores niveles de salario promedio mensual.

```{r relacion-educacion-salario, echo=TRUE}
ggplot(
  datos_relaciones_socioeconomicas,
  aes(
    x = anios_educacion_15mas,
    y = salario_promedio,
    color = Grupo_estrato
  )
) +
  geom_point(
    alpha = 0.8,
    size = 2.8
  ) +
  geom_smooth(
    aes(group = Grupo_estrato),
    method = "lm",
    se = FALSE,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "Predominan estratos 1 y 2" = turquesa,
      "Predominan estratos 3 y 4" = morado,
      "Predominan estratos 5 y 6" = magenta,
      "Sin información" = "gray65"
    )
  ) +
  scale_y_continuous(
    labels = scales::label_number(
      prefix = "$",
      big.mark = ".",
      decimal.mark = ","
    )
  ) +
  labs(
    title = "Relación entre nivel educativo y salario promedio",
    subtitle = "Años promedio de educación e ingreso mensual por UPZ",
    x = "Años promedio de educación",
    y = "Salario promedio mensual (pesos)",
    color = "Grupo de estrato",
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase
```

El análisis conjunto permite explorar cómo se relacionan las condiciones educativas y económicas entre las UPZ. La comparación entre educación y pobreza permite examinar posibles diferencias en los niveles de pobreza según los años promedio de educación, mientras que la relación entre educación y salario permite observar cómo varían los ingresos promedio entre territorios con distintos niveles educativos.

La diferenciación por grupo de estrato predominante complementa estas relaciones y permite reconocer posibles patrones socioeconómicos territoriales. Sin embargo, estas asociaciones no implican causalidad y deben interpretarse considerando que algunas UPZ comparten información agrupada de la Encuesta Multipropósito (`em_agrupada = TRUE`).

### 5.3.9. Interpretación de resultados

El análisis socioeconómico permitió identificar diferencias importantes entre las UPZ de Bogotá en términos de pobreza, ingresos, composición por estrato y nivel educativo. Al integrar estos indicadores, se observan patrones territoriales que muestran cómo las condiciones económicas y educativas se relacionan entre sí.

Los resultados evidencian una asociación negativa entre el porcentaje de pobreza y el salario promedio: las UPZ con mayores niveles de pobreza tienden a presentar menores ingresos promedio. De manera similar, se observa una asociación negativa entre pobreza y años promedio de educación, mientras que la relación entre educación y salario permite explorar una tendencia positiva entre ambas variables.

La diferenciación por grupo de estrato predominante complementa estos resultados. Las UPZ donde predominan los estratos 1 y 2 presentan, en general, mayores niveles de pobreza y menores promedios educativos. Por su parte, los territorios donde predominan los estratos 5 y 6 se concentran principalmente en niveles educativos y salariales más altos. Las UPZ con predominio de estratos 3 y 4 muestran una mayor dispersión, reflejando diferencias importantes dentro de este grupo.

Estos patrones permiten reconocer que las condiciones socioeconómicas no se distribuyen de manera homogénea en el territorio. Sin embargo, las asociaciones observadas corresponden a indicadores agregados por UPZ y no permiten establecer relaciones de causalidad ni trasladar directamente las conclusiones al comportamiento individual de sus habitantes.

También es necesario considerar que algunas unidades territoriales comparten información de la Encuesta Multipropósito (`em_agrupada = TRUE`), por lo que ciertos valores no representan mediciones independientes. Esta condición, junto con las diferencias en la cobertura y los periodos de referencia de las fuentes, debe tenerse presente al interpretar los resultados.

En conjunto, la caracterización socioeconómica proporciona un contexto territorial relevante para los análisis posteriores de seguridad. Permite examinar los indicadores de inseguridad no de manera aislada, sino considerando las diferencias económicas y educativas que caracterizan a las UPZ de Bogotá.

## 5.4. Análisis de percepción de inseguridad y condiciones del entorno

La percepción de inseguridad constituye una dimensión importante para comprender las condiciones de seguridad de un territorio. A diferencia de los registros de delitos denunciados, este indicador recoge la experiencia y percepción de las personas frente a los problemas de inseguridad presentes en el entorno de su vivienda.

En esta sección se exploran las diferencias entre UPZ en cuanto a la percepción de inseguridad, algunas condiciones del entorno y la accesibilidad a los servicios de policía. El propósito es identificar patrones y posibles asociaciones que permitan ampliar la comprensión de las características territoriales relacionadas con la seguridad.

### 5.4.1. Selección de variables

Para desarrollar este análisis se seleccionamos seis variables de la Encuesta Multipropósito, relacionadas con la percepción de inseguridad, las condiciones del entorno y la accesibilidad a los servicios de policía.

La selección permite explorar diferentes características territoriales que pueden aportar información para comprender las diferencias entre las UPZ. Se analizará el porcentaje de percepción de inseguridad, la cercanía a determinados elementos del entorno y el tiempo promedio caminando hasta un CAI o estación de policía.

```{r seleccion-variables-entorno, echo=TRUE}
# Selección de variables de percepción y condiciones del entorno

variables_entorno <- upz %>%
  select(
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros,
    min_cai_policia
  )

# Visualización de las primeras observaciones

head(variables_entorno)
```

### 5.4.2. Estadísticas descriptivas de percepción y entorno

Como punto de partida, se calculan las principales medidas de estadística descriptiva para las variables seleccionadas. Este ejercicio permite conocer los niveles generales de percepción de inseguridad, las condiciones del entorno y los tiempos promedio de desplazamiento hasta los servicios de policía.

Se consideran medidas de tendencia central, dispersión y posición, con el propósito de identificar tanto el comportamiento general como las diferencias existentes entre las UPZ.

```{r estadisticas-percepcion-entorno, echo=TRUE}
# Cálculo de estadísticas descriptivas

estadisticas_entorno <- variables_entorno %>%
  summarise(
    across(
      everything(),
      list(
        Media = ~mean(.),
        Mediana = ~median(.),
        Desviacion = ~sd(.),
        Minimo = ~min(.),
        Q1 = ~quantile(., 0.25),
        Q3 = ~quantile(., 0.75),
        Maximo = ~max(.)
      )
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = c("Variable", "Estadistica"),
    names_sep = "_(?=[^_]+$)",
    values_to = "Valor"
  ) %>%
  pivot_wider(
    names_from = Estadistica,
    values_from = Valor
  )

knitr::kable(
  estadisticas_entorno,
  digits = 2,
  caption = "Estadísticas descriptivas de percepción de inseguridad y condiciones del entorno"
)
```

Para complementar las estadísticas descriptivas, se utiliza un diagrama de cajas y bigotes que permite comparar la distribución de las seis variables seleccionadas entre las UPZ.

Debido a que los indicadores presentan diferentes unidades de medida, se estandarizan mediante puntuaciones Z. Esta transformación permite comparar la dispersión relativa de las variables, identificando sus medianas, rangos intercuartílicos y posibles valores atípicos.

Los valores estandarizados representan la distancia de cada observación respecto a la media de su variable, expresada en desviaciones estándar. Por tanto, esta visualización permite comparar patrones de variabilidad, pero no los niveles absolutos de los indicadores.

```{r boxplot-percepcion-entorno, echo=TRUE}
# Transformar las variables a formato largo y estandarizar

datos_boxplot_entorno <- variables_entorno %>%
  mutate(ID_UPZ = row_number()) %>%
  pivot_longer(
    cols = -ID_UPZ,
    names_to = "Variable",
    values_to = "Valor"
  ) %>%
  group_by(Variable) %>%
  mutate(
    Valor_estandarizado = as.numeric(scale(Valor))
  ) %>%
  ungroup()

# Diagrama de cajas y bigotes

ggplot(
  datos_boxplot_entorno,
  aes(
    x = reorder(Variable, Valor_estandarizado, median, na.rm = TRUE),
    y = Valor_estandarizado
  )
) +
  geom_boxplot(
    fill = magenta,
    color = morado,
    alpha = 0.65,
    outlier.color = turquesa,
    outlier.size = 2
  ) +
  coord_flip() +
  labs(
    title = "Distribución de las variables de percepción y entorno",
    subtitle = "Comparación de la variabilidad entre UPZ mediante puntuaciones Z",
    x = "Indicadores",
    y = "Valor estandarizado (Z)",
    caption = "Los puntos representan posibles valores atípicos según el criterio IQR. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase
```

### 5.4.3. Distribución de la percepción de inseguridad

La percepción de inseguridad permite aproximarse a la manera en que los habitantes reconocen los problemas de seguridad presentes en su entorno cotidiano.

Para explorar su comportamiento entre las UPZ, se utiliza un histograma que permite visualizar la distribución de los porcentajes reportados. Esta representación facilita identificar los rangos de mayor concentración, la dispersión de los valores y posibles diferencias entre los territorios.

El análisis permite reconocer si la percepción de inseguridad presenta un comportamiento relativamente homogéneo o si existen diferencias importantes entre las zonas estudiadas.

```{r distribucion-percepcion-inseguridad, echo=TRUE}
# Calcular media y mediana

media_percepcion <- mean(
  upz$pct_percibe_inseguridad,
  na.rm = TRUE
)

mediana_percepcion <- median(
  upz$pct_percibe_inseguridad,
  na.rm = TRUE
)

# Histograma y curva de densidad

ggplot(
  upz,
  aes(x = pct_percibe_inseguridad)
) +
  geom_histogram(
    aes(y = after_stat(density)),
    bins = 15,
    fill = magenta,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +
  geom_density(
    color = morado,
    fill = morado,
    alpha = 0.15,
    linewidth = 1.1,
    na.rm = TRUE
  ) +
  geom_vline(
    xintercept = media_percepcion,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +
  geom_vline(
    xintercept = mediana_percepcion,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +
  scale_x_continuous(
    labels = scales::label_number(suffix = "%")
  ) +
  labs(
    title = "Distribución de la percepción de inseguridad",
    subtitle = "Porcentaje reportado en las UPZ de Bogotá",
    x = "Percepción de inseguridad (%)",
    y = "Densidad",
    caption = paste0(
      "Media: ", round(media_percepcion, 2),
      "% | Mediana: ", round(mediana_percepcion, 2),
      "%. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +
  tema_clase +
  theme(legend.position = "none")
```

**Identificación de las UPZ con mayor y menor percepción de inseguridad**

Identificación de valores atípicos y diferencias territoriales en la percepción de inseguridad

Para profundizar en las diferencias territoriales de la percepción de inseguridad, se aplica el criterio del rango intercuartílico (IQR), con el propósito de identificar posibles valores atípicos entre las UPZ.

Este procedimiento permite establecer límites inferiores y superiores a partir de la distribución del indicador. Adicionalmente, se presentan los territorios con mayores y menores porcentajes de percepción de inseguridad para facilitar su comparación.

La clasificación estadística no implica necesariamente que una UPZ presente condiciones excepcionales de inseguridad, sino que su valor se encuentra alejado del comportamiento central de la distribución.


```{r ranking-percepcion-inseguridad, echo=TRUE}
# Calcular cuartiles y rango intercuartílico

q1_percepcion <- quantile(
  upz$pct_percibe_inseguridad,
  0.25,
  na.rm = TRUE
)

q3_percepcion <- quantile(
  upz$pct_percibe_inseguridad,
  0.75,
  na.rm = TRUE
)

iqr_percepcion <- IQR(
  upz$pct_percibe_inseguridad,
  na.rm = TRUE
)

limite_inferior_percepcion <- q1_percepcion - 1.5 * iqr_percepcion
limite_superior_percepcion <- q3_percepcion + 1.5 * iqr_percepcion

# Clasificar las UPZ

datos_percepcion <- upz %>%
  filter(!is.na(pct_percibe_inseguridad)) %>%
  mutate(
    Clasificacion = case_when(
      pct_percibe_inseguridad < limite_inferior_percepcion ~ "Atípico inferior",
      pct_percibe_inseguridad > limite_superior_percepcion ~ "Atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# Tabla resumen de los límites

resumen_atipicos_percepcion <- data.frame(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores atípicos"
  ),
  Valor = c(
    q1_percepcion,
    q3_percepcion,
    iqr_percepcion,
    limite_inferior_percepcion,
    limite_superior_percepcion,
    sum(datos_percepcion$Clasificacion != "Dentro del rango")
  )
)

knitr::kable(
  resumen_atipicos_percepcion,
  digits = 2,
  caption = "Límites del rango intercuartílico y valores atípicos de percepción de inseguridad"
)

# Diez UPZ con mayor percepción

mayor_percepcion <- datos_percepcion %>%
  arrange(desc(pct_percibe_inseguridad)) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    pct_percibe_inseguridad,
    Clasificacion
  )

knitr::kable(
  mayor_percepcion,
  digits = 2,
  caption = "Diez UPZ con mayor percepción de inseguridad"
)

# Diez UPZ con menor percepción

menor_percepcion <- datos_percepcion %>%
  arrange(pct_percibe_inseguridad) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    pct_percibe_inseguridad,
    Clasificacion
  )

knitr::kable(
  menor_percepcion,
  digits = 2,
  caption = "Diez UPZ con menor percepción de inseguridad"
)
```

```{r grafico-atipicos-percepcion, echo=TRUE}
# Ordenar las UPZ según su percepción de inseguridad

datos_grafico_percepcion <- datos_percepcion %>%
  arrange(pct_percibe_inseguridad) %>%
  mutate(
    posicion = row_number(),
    Etiqueta = ifelse(
      Clasificacion == "Dentro del rango",
      NA,
      upz_nombre
    )
  )

ggplot(
  datos_grafico_percepcion,
  aes(
    x = posicion,
    y = pct_percibe_inseguridad,
    color = Clasificacion
  )
) +
  geom_hline(
    yintercept = limite_inferior_percepcion,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_hline(
    yintercept = limite_superior_percepcion,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +
  geom_text(
    data = datos_grafico_percepcion %>%
      filter(!is.na(Etiqueta)),
    aes(label = Etiqueta),
    nudge_y = 2,
    size = 3,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  scale_color_manual(
    values = c(
      "Dentro del rango" = "gray65",
      "Atípico inferior" = turquesa,
      "Atípico superior" = magenta
    )
  ) +
  scale_x_continuous(
    breaks = NULL
  ) +
  scale_y_continuous(
    labels = scales::label_number(suffix = "%")
  ) +
  labs(
    title = "Percepción de inseguridad por UPZ",
    subtitle = "Identificación de posibles valores atípicos mediante el criterio IQR",
    x = "UPZ ordenadas de menor a mayor",
    y = "Percepción de inseguridad (%)",
    color = "Clasificación",
    caption = "Líneas punteadas: límites del rango intercuartílico. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "bottom"
  )
```

La percepción de inseguridad presenta una media de 60,84 % y una mediana de 65,97 %, lo que evidencia una diferencia entre ambas medidas de tendencia central. La media inferior a la mediana sugiere una distribución con asimetría hacia los valores bajos, influenciada por algunas UPZ con porcentajes de percepción considerablemente menores.

La distribución muestra una concentración importante de territorios en niveles de percepción cercanos al 65 % y 75 %, aunque también se identifican UPZ con porcentajes inferiores. Esto evidencia diferencias territoriales en la percepción de inseguridad.

Por otra parte, la aplicación del criterio del rango intercuartílico no identificó valores atípicos. Esto indica que, bajo este criterio estadístico, ninguna UPZ presenta un valor suficientemente alejado de la distribución central para ser clasificado como atípico. Sin embargo, la ausencia de valores atípicos no implica homogeneidad entre los territorios.

### 5.4.4. Relación entre percepción de inseguridad y condiciones del entorno

Con el propósito de profundizar en el análisis de las condiciones territoriales, se exploran las relaciones entre la percepción de inseguridad y cuatro características del entorno: la cercanía a ollas, bares, lotes oscuros y basureros.

Este análisis permite identificar si las UPZ que presentan mayores porcentajes de viviendas cercanas a determinadas condiciones del entorno también tienden a registrar mayores niveles de percepción de inseguridad.

Para ello, se utiliza el coeficiente de correlación de Spearman, que permite identificar asociaciones monotónicas entre las variables sin exigir que su relación sea lineal. Los resultados se presentan mediante una matriz de correlaciones y un mapa de calor que facilita la identificación de la dirección y magnitud de las asociaciones.

```{r variables-relacion-entorno, echo=TRUE}
# Selección de variables de percepción y condiciones del entorno

variables_relacion_entorno <- upz %>%
  select(
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros
  )
```

**Matriz de correlaciones de Spearman**
Calculamos las correlaciones entre todos los indicadores. Se utiliza pairwise.complete.obs para aprovechar los datos disponibles en cada pareja de variables, excluyendo los valores faltantes correspondientes.

```{r matriz-correlacion-entorno, echo=TRUE}
# Calcular matriz de correlaciones de Spearman

matriz_correlacion_entorno <- cor(
  variables_relacion_entorno,
  use = "pairwise.complete.obs",
  method = "spearman"
)

# Presentar matriz de correlaciones

knitr::kable(
  matriz_correlacion_entorno,
  digits = 3,
  caption = "Matriz de correlaciones de Spearman entre percepción y condiciones del entorno"
)
```

**Mapa de calor de correlaciones**
Esta visualización permite reconocer rápidamente las asociaciones positivas y negativas entre las variables.

```{r grafico-correlacion-entorno, echo=TRUE}
# Convertir matriz a formato largo

datos_correlacion_entorno <- as.data.frame(
  as.table(matriz_correlacion_entorno)
)

# Asignar nombres descriptivos

etiquetas_entorno <- c(
  pct_percibe_inseguridad = "Percepción de inseguridad",
  pct_cerca_ollas = "Cercanía a ollas",
  pct_cerca_bares = "Cercanía a bares",
  pct_cerca_lotes_oscuros = "Cercanía a lotes oscuros",
  pct_cerca_basureros = "Cercanía a basureros"
)

datos_correlacion_entorno <- datos_correlacion_entorno %>%
  mutate(
    Variable_1 = recode(as.character(Var1), !!!etiquetas_entorno),
    Variable_2 = recode(as.character(Var2), !!!etiquetas_entorno)
  )

# Orden de presentación

orden_entorno <- unname(etiquetas_entorno)

datos_correlacion_entorno <- datos_correlacion_entorno %>%
  mutate(
    Variable_1 = factor(Variable_1, levels = orden_entorno),
    Variable_2 = factor(Variable_2, levels = orden_entorno)
  )

# Mapa de calor

ggplot(
  datos_correlacion_entorno,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Freq
  )
) +
  geom_tile(
    color = "white",
    linewidth = 0.8
  ) +
  geom_text(
    aes(label = round(Freq, 2)),
    color = "black",
    size = 4
  ) +
  scale_fill_gradient2(
    low = turquesa,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Correlación"
  ) +
  labs(
    title = "Relación entre percepción de inseguridad y condiciones del entorno",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL,
    caption = "Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 35,
      hjust = 1
    ),
    panel.grid = element_blank()
  )
```

**Consideraciones para interpretar los resultados**
Los coeficientes de Spearman permiten identificar la dirección y magnitud de las asociaciones entre las variables analizadas. Las correlaciones positivas indican que ambas variables tienden a aumentar conjuntamente, mientras que las negativas reflejan comportamientos inversos. Los valores cercanos a cero representan asociaciones monotónicas débiles o inexistentes.

Es importante aclarar que estas relaciones no demuestran causalidad ni permiten establecer que una condición del entorno produzca directamente una mayor percepción de inseguridad. Asimismo, los resultados corresponden a indicadores agregados por UPZ y deben interpretarse considerando las estimaciones agrupadas de la Encuesta Multipropósito (`em_agrupada = TRUE`).

Por tanto, este análisis tiene un alcance exploratorio y busca identificar patrones territoriales que puedan orientar investigaciones posteriores sobre las condiciones del entorno y la percepción de inseguridad.

___

Los resultados muestran asociaciones positivas entre la percepción de inseguridad y las cuatro condiciones del entorno analizadas. La relación más alta se presenta con la cercanía a ollas (ρ = 0,67), seguida de la cercanía a basureros (ρ = 0,61). Por su parte, la cercanía a lotes oscuros (ρ = 0,33) y a bares (ρ = 0,23) presentan asociaciones de menor magnitud.

También se identifican asociaciones importantes entre las propias condiciones del entorno. Destaca la relación entre la cercanía a ollas y basureros (ρ = 0,83), así como entre lotes oscuros y basureros (ρ = 0,76) y entre ollas y lotes oscuros (ρ = 0,72). Estos resultados sugieren que algunas condiciones del entorno tienden a coincidir en determinados territorios.

En conjunto, los resultados permiten identificar que la percepción de inseguridad presenta una mayor asociación con la cercanía a ollas y basureros que con los otros factores analizados. Sin embargo, estas relaciones no demuestran causalidad ni permiten establecer que dichas condiciones generen directamente una mayor percepción de inseguridad. Se trata de asociaciones territoriales que deben interpretarse dentro del alcance exploratorio del estudio.x|

### 5.4.5. Tiempo de desplazamiento hasta un CAI o estación de policía

La accesibilidad a los servicios de policía representa otra característica relevante para el análisis territorial. En este apartado se examina el tiempo promedio caminando desde las viviendas hasta un CAI o estación de policía, con el propósito de identificar diferencias entre las UPZ.

Se utilizan medidas descriptivas, un histograma y una comparación de los territorios con mayores y menores tiempos de desplazamiento. De esta manera, se busca reconocer cómo se distribuye la accesibilidad a estos servicios en las zonas estudiadas.

Este indicador representa un tiempo promedio de desplazamiento y no debe interpretarse como una medida directa de presencia policial, cobertura operativa o tiempo de respuesta ante una emergencia.

```{r estadisticas-tiempo-cai, echo=TRUE}
estadisticas_cai <- upz %>%
  summarise(
    Media = mean(min_cai_policia),
    Mediana = median(min_cai_policia),
    Desviacion = sd(min_cai_policia),
    Minimo = min(min_cai_policia),
    Q1 = quantile(min_cai_policia, 0.25),
    Q3 = quantile(min_cai_policia, 0.75),
    Maximo = max(min_cai_policia)
  )

knitr::kable(
  estadisticas_cai,
  digits = 2,
  caption = "Estadísticas descriptivas del tiempo de desplazamiento hasta un CAI"
)
```

Ahora visualizamos la distribución de los tiempos.

```{r distribucion-tiempo-cai, echo=TRUE}
# Calcular media y mediana

media_cai <- mean(
  upz$min_cai_policia,
  na.rm = TRUE
)

mediana_cai <- median(
  upz$min_cai_policia,
  na.rm = TRUE
)

# Histograma y curva de densidad

ggplot(
  upz,
  aes(x = min_cai_policia)
) +
  geom_histogram(
    aes(y = after_stat(density)),
    bins = 15,
    fill = morado,
    color = "white",
    alpha = 0.75,
    na.rm = TRUE
  ) +
  geom_density(
    color = magenta,
    fill = magenta,
    alpha = 0.15,
    linewidth = 1.1,
    na.rm = TRUE
  ) +
  geom_vline(
    xintercept = media_cai,
    color = "#D55E00",
    linetype = "dashed",
    linewidth = 1
  ) +
  geom_vline(
    xintercept = mediana_cai,
    color = "#0072B2",
    linetype = "dotted",
    linewidth = 1
  ) +
  labs(
    title = "Distribución del tiempo de desplazamiento a un CAI",
    subtitle = "Tiempo promedio caminando por UPZ",
    x = "Minutos caminando",
    y = "Densidad",
    caption = paste0(
      "Media: ", round(media_cai, 2),
      " minutos | Mediana: ", round(mediana_cai, 2),
      " minutos. Fuente: Encuesta Multipropósito DANE, 2021."
    )
  ) +
  tema_clase +
  theme(legend.position = "none")
```

Finalmente, identificamos las diez UPZ con mayores y menores tiempos.

```{r ranking-tiempo-cai, echo=TRUE}
# Calcular cuartiles y rango intercuartílico

q1_cai <- quantile(upz$min_cai_policia, 0.25, na.rm = TRUE)
q3_cai <- quantile(upz$min_cai_policia, 0.75, na.rm = TRUE)
iqr_cai <- IQR(upz$min_cai_policia, na.rm = TRUE)

limite_inferior_cai <- q1_cai - 1.5 * iqr_cai
limite_superior_cai <- q3_cai + 1.5 * iqr_cai

# Clasificar las UPZ

datos_cai <- upz %>%
  filter(!is.na(min_cai_policia)) %>%
  mutate(
    Clasificacion = case_when(
      min_cai_policia < limite_inferior_cai ~ "Atípico inferior",
      min_cai_policia > limite_superior_cai ~ "Atípico superior",
      TRUE ~ "Dentro del rango"
    )
  )

# Resumen de límites y valores atípicos

resumen_atipicos_cai <- data.frame(
  Indicador = c(
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Rango intercuartílico (IQR)",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores atípicos"
  ),
  Valor = c(
    q1_cai,
    q3_cai,
    iqr_cai,
    limite_inferior_cai,
    limite_superior_cai,
    sum(datos_cai$Clasificacion != "Dentro del rango")
  )
)

knitr::kable(
  resumen_atipicos_cai,
  digits = 2,
  caption = "Límites del rango intercuartílico y valores atípicos del tiempo de desplazamiento a un CAI"
)

# Diez UPZ con mayor tiempo

mayor_tiempo_cai <- datos_cai %>%
  arrange(desc(min_cai_policia)) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    min_cai_policia,
    Clasificacion
  )

knitr::kable(
  mayor_tiempo_cai,
  digits = 2,
  caption = "Diez UPZ con mayor tiempo promedio caminando hasta un CAI"
)

# Diez UPZ con menor tiempo

menor_tiempo_cai <- datos_cai %>%
  arrange(min_cai_policia) %>%
  slice_head(n = 10) %>%
  select(
    upz_nombre,
    localidad,
    em_agrupada,
    min_cai_policia,
    Clasificacion
  )

knitr::kable(
  menor_tiempo_cai,
  digits = 2,
  caption = "Diez UPZ con menor tiempo promedio caminando hasta un CAI"
)
```


```{r grafico-atipicos-cai, echo=TRUE}
# Ordenar las UPZ y destacar los diez mayores y menores tiempos

datos_grafico_cai <- datos_cai %>%
  arrange(min_cai_policia) %>%
  mutate(
    posicion = row_number(),
    Grupo = case_when(
      posicion <= 10 ~ "Diez menores",
      posicion > n() - 10 ~ "Diez mayores",
      TRUE ~ "Otras UPZ"
    ),
    Etiqueta = ifelse(
      Grupo != "Otras UPZ",
      upz_nombre,
      NA
    )
  )

# Gráfico de comparación

ggplot(
  datos_grafico_cai,
  aes(
    x = posicion,
    y = min_cai_policia,
    color = Grupo,
    shape = Clasificacion
  )
) +
  geom_hline(
    yintercept = limite_inferior_cai,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_hline(
    yintercept = limite_superior_cai,
    linetype = "dashed",
    color = "gray40"
  ) +
  geom_point(
    size = 2.8,
    alpha = 0.85
  ) +
  geom_text(
    data = datos_grafico_cai %>%
      filter(!is.na(Etiqueta)),
    aes(label = Etiqueta),
    nudge_y = 0.8,
    size = 2.8,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  scale_color_manual(
    values = c(
      "Diez mayores" = magenta,
      "Diez menores" = turquesa,
      "Otras UPZ" = "gray65"
    )
  ) +
  scale_shape_manual(
    values = c(
      "Dentro del rango" = 16,
      "Atípico inferior" = 17,
      "Atípico superior" = 17
    )
  ) +
  scale_x_continuous(
    breaks = NULL
  ) +
  labs(
    title = "Tiempo de desplazamiento a un CAI por UPZ",
    subtitle = "Comparación de las diez UPZ con mayores y menores tiempos",
    x = "UPZ ordenadas de menor a mayor",
    y = "Minutos caminando",
    color = "Grupo",
    shape = "Clasificación IQR",
    caption = "Líneas punteadas: límites del criterio IQR. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    axis.text.x = element_blank(),
    axis.ticks.x = element_blank(),
    legend.position = "bottom"
  )
```

### 5.4.6. Relación entre la percepción de inseguridad y las condiciones del entorno

Después de analizar individualmente la percepción de inseguridad, las condiciones del entorno y la accesibilidad a los servicios de policía, se exploran las posibles relaciones entre estas variables.

El propósito es identificar si las UPZ que presentan mayores porcentajes de percepción de inseguridad también registran mayores porcentajes de viviendas cercanas a expendios de droga, bares, lotes baldíos o sitios oscuros y basureros. De igual manera, se examina la posible relación entre la percepción de inseguridad y el tiempo promedio de desplazamiento caminando hasta un CAI o estación de policía.

Para este ejercicio se utilizan gráficos de dispersión y el coeficiente de correlación de Spearman. Esta medida permite explorar la dirección y la intensidad de las asociaciones entre las variables, sin asumir necesariamente una relación lineal.

Los resultados deben interpretarse como asociaciones exploratorias y no como evidencia de causalidad. Adicionalmente, se debe considerar que algunas estimaciones de la Encuesta Multipropósito se encuentran agrupadas entre varias UPZ, lo que limita la independencia de las observaciones y exige precaución al comparar los resultados.

```{r grafico-relaciones-entorno, echo=TRUE}
# 1. Preparar los datos de las cinco condiciones

relaciones_entorno <- upz %>%
  select(
    upz_nombre,
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros,
    min_cai_policia
  ) %>%
  pivot_longer(
    cols = c(
      pct_cerca_ollas,
      pct_cerca_bares,
      pct_cerca_lotes_oscuros,
      pct_cerca_basureros,
      min_cai_policia
    ),
    names_to = "Condicion",
    values_to = "Valor"
  ) %>%
  mutate(
    Condicion = recode(
      Condicion,
      pct_cerca_ollas = "Cercanía a expendios de droga",
      pct_cerca_bares = "Cercanía a bares",
      pct_cerca_lotes_oscuros = "Cercanía a lotes oscuros",
      pct_cerca_basureros = "Cercanía a basureros",
      min_cai_policia = "Tiempo de desplazamiento a un CAI"
    )
  )

# 2. Identificar posibles valores atípicos por condición

datos_grafico_entorno <- relaciones_entorno %>%
  filter(!is.na(Valor)) %>%
  group_by(Condicion) %>%
  mutate(
    Q1 = quantile(Valor, 0.25, na.rm = TRUE),
    Q3 = quantile(Valor, 0.75, na.rm = TRUE),
    IQR_valor = IQR(Valor, na.rm = TRUE),
    Limite_inferior = Q1 - 1.5 * IQR_valor,
    Limite_superior = Q3 + 1.5 * IQR_valor,
    Clasificacion = case_when(
      Valor < Limite_inferior |
        Valor > Limite_superior ~ "Posible atípico",
      TRUE ~ "Dentro del rango"
    )
  ) %>%
  ungroup()

# 3. Construir los gráficos de dispersión

ggplot(
  datos_grafico_entorno,
  aes(
    x = Valor,
    y = pct_percibe_inseguridad
  )
) +
  geom_point(
    aes(color = Clasificacion),
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    method = "lm",
    se = FALSE,
    color = morado,
    linewidth = 0.8
  ) +
  geom_text(
    data = datos_grafico_entorno %>%
      filter(Clasificacion == "Posible atípico"),
    aes(label = upz_nombre),
    color = magenta,
    size = 2.7,
    nudge_y = 2,
    check_overlap = TRUE,
    show.legend = FALSE
  ) +
  facet_wrap(
    ~Condicion,
    scales = "free_x"
  ) +
  scale_color_manual(
    values = c(
      "Dentro del rango" = turquesa,
      "Posible atípico" = magenta
    )
  ) +
  labs(
    title = "Percepción de inseguridad y condiciones del entorno",
    subtitle = "Relación exploratoria e identificación de posibles valores atípicos por UPZ",
    x = "Valor de la condición analizada",
    y = "Percepción de inseguridad (%)",
    color = "Clasificación IQR",
    caption = "Los posibles atípicos se identifican sobre cada variable del eje X. Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  tema_clase +
  theme(
    legend.position = "bottom"
  )
```

La línea representa una tendencia lineal de referencia. No significa que exista una relación causal.

**Matriz de correlaciones entre percepción de inseguridad y condiciones del entorno**

Para complementar el análisis de las relaciones entre las variables, se construye una matriz de correlaciones representada mediante un mapa de calor. Esta visualización permite identificar de manera conjunta la dirección y la intensidad de las asociaciones entre la percepción de inseguridad, las condiciones del entorno y el tiempo de desplazamiento hasta los servicios de policía.

Se utiliza el coeficiente de correlación de Spearman, cuyos valores oscilan entre -1 y 1. Los valores positivos representan asociaciones directas, mientras que los negativos indican asociaciones inversas. Los valores cercanos a cero reflejan asociaciones monotónicas débiles.

La representación mediante colores facilita la identificación de patrones y permite comparar visualmente las relaciones entre las variables seleccionadas.

```{r mapa-calor-correlaciones-entorno, echo=TRUE}
# Cálculo de la matriz de correlaciones de Spearman

matriz_correlacion_entorno <- upz %>%
  select(
    pct_percibe_inseguridad,
    pct_cerca_ollas,
    pct_cerca_bares,
    pct_cerca_lotes_oscuros,
    pct_cerca_basureros,
    min_cai_policia
  ) %>%
  cor(
    method = "spearman",
    use = "complete.obs"
  )

# Transformación de la matriz a formato largo

correlaciones_largas <- as.data.frame(
  as.table(matriz_correlacion_entorno)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Construcción del mapa de calor

ggplot(
  correlaciones_largas,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Correlacion
  )
) +
  geom_tile(
    color = "white",
    linewidth = 1
  ) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3.5
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Correlación"
  ) +
  labs(
    title = "Mapa de calor de correlaciones",
    subtitle = "Percepción de inseguridad y condiciones del entorno",
    x = NULL,
    y = NULL,
    caption = "Método: Spearman | Fuente: Encuesta Multipropósito DANE, 2021."
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 45,
      hjust = 1,
      color = morado
    ),
    axis.text.y = element_text(
      color = morado
    ),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```

## 5.5. Análisis de delitos de alto impacto

En esta sección se analiza el comportamiento de los delitos registrados en las UPZ de Bogotá durante el periodo comprendido entre enero y julio de 2023, con el propósito de identificar patrones, diferencias territoriales y concentraciones de denuncias.

El análisis parte de la totalidad de las categorías de delitos disponibles en la base de datos. Posteriormente, se examinará su participación dentro del total de registros para identificar aquellas categorías que concentran una proporción representativa de las denuncias y que serán objeto de un análisis más detallado.

Se considerarán tanto el número de casos registrados como las tasas por cada 10.000 habitantes, dado que estas medidas permiten observar dimensiones diferentes del fenómeno: el volumen de denuncias y su relación con el tamaño poblacional de cada territorio.

Adicionalmente, se identificarán posibles valores atípicos y se evaluará su influencia en las estadísticas descriptivas, prestando especial atención a las UPZ con poblaciones reducidas.

Los resultados corresponden a denuncias registradas y no necesariamente a la totalidad de los hechos delictivos ocurridos. Por tanto, su interpretación tendrá en cuenta las limitaciones de cobertura, el periodo de observación y las características de los indicadores utilizados.


### 5.5.1. Selección de variables
Para desarrollar el análisis de los delitos registrados en las UPZ, se seleccionan las variables correspondientes al número de casos y las tasas por cada 10.000 habitantes. Se incluyen también los campos de identificación territorial y población, que permitirán relacionar los registros y contextualizar los resultados.

En esta etapa se conservan todas las categorías de delitos disponibles en la base de datos. El propósito es reconocer la información existente y preparar los datos para los análisis posteriores, sin excluir todavía ninguna categoría.

```{r seleccion-variables-delitos, echo=TRUE}
# Selección de variables relacionadas con los delitos de alto impacto

variables_delitos <- upz %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    poblacion,
    starts_with("casos_"),
    starts_with("tasa_")
  )

# Visualización de las variables seleccionadas

head(variables_delitos)
```

### 5.5.2. Identificación de UPZ con población reducida

La distribución poblacional de las UPZ presenta diferencias importantes, por lo que resulta necesario identificar los territorios con menor población antes de interpretar las tasas de delitos por cada 10.000 habitantes.

Para este propósito, se utiliza el percentil 10 (P10) de la distribución poblacional como criterio exploratorio. Este punto de corte permite identificar el grupo de UPZ ubicado en el 10 % inferior de la distribución y reconocer aquellas unidades territoriales que requieren especial precaución al comparar sus tasas.

La identificación se complementa con una representación gráfica de las poblaciones, ordenadas de menor a mayor, en la que se señala el umbral correspondiente al P10.

Es importante aclarar que este criterio no implica que las UPZ identificadas deban excluirse automáticamente. Sus registros se conservarán para el análisis de casos y se evaluará posteriormente cómo influye su inclusión en los resultados de las tasas.

```{r grafico-poblacion-reducida, echo=TRUE}
# Calcular el percentil 10 de la población

punto_corte_poblacion <- quantile(
  variables_delitos$poblacion,
  probs = 0.10,
  na.rm = TRUE
)

# Ordenar y clasificar las UPZ

grafico_poblacion <- variables_delitos %>%
  filter(!is.na(poblacion), poblacion > 0) %>%
  arrange(poblacion) %>%
  mutate(
    orden = row_number(),
    grupo = if_else(
      poblacion <= as.numeric(punto_corte_poblacion),
      "Población inferior al P10",
      "Resto de UPZ"
    )
  )

# Gráfico de distribución poblacional

ggplot(
  grafico_poblacion,
  aes(x = orden, y = poblacion, color = grupo)
) +
  geom_point(size = 2.5, alpha = 0.85) +
  geom_hline(
    yintercept = as.numeric(punto_corte_poblacion),
    linetype = "dashed",
    color = "magenta",
    linewidth = 0.8
  ) +
  geom_text(
    data = filter(
      grafico_poblacion,
      upz_nombre == "El Mochuelo"
    ),
    aes(label = upz_nombre),
    hjust = -0.1,
    size = 3.5,
    show.legend = FALSE
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Población inferior al P10" = "magenta",
      "Resto de UPZ" = "grey60"
    )
  ) +
  labs(
    title = "Distribución poblacional de las UPZ",
    subtitle = paste(
      "Percentil 10:",
      scales::comma(round(as.numeric(punto_corte_poblacion), 0)),
      "habitantes"
    ),
    x = "UPZ ordenadas de menor a mayor población",
    y = "Población (escala logarítmica)",
    color = "Clasificación",
    caption = "Fuente: Elaboración propia con base en la población de las UPZ."
  ) +
  tema_clase
```

```{r boxplot-poblacion-upz, echo=TRUE}
# Calcular el percentil 10 y los límites del rango intercuartílico

p10 <- quantile(
  variables_delitos$poblacion,
  probs = 0.10,
  na.rm = TRUE
)

q1 <- quantile(variables_delitos$poblacion, 0.25, na.rm = TRUE)
q3 <- quantile(variables_delitos$poblacion, 0.75, na.rm = TRUE)
riq <- q3 - q1

limite_inferior <- q1 - 1.5 * riq
limite_superior <- q3 + 1.5 * riq

# Clasificar las UPZ

datos_boxplot_poblacion <- variables_delitos %>%
  filter(!is.na(poblacion), poblacion > 0) %>%
  mutate(
    Clasificacion = case_when(
      poblacion < limite_inferior |
        poblacion > limite_superior ~ "Atípico según IQR",
      poblacion <= as.numeric(p10) ~ "Inferior al P10",
      TRUE ~ "Resto de UPZ"
    )
  )

# Representación gráfica

ggplot(
  datos_boxplot_poblacion,
  aes(x = poblacion, y = 1)
) +
  geom_boxplot(
    width = 0.35,
    fill = "grey90",
    color = morado,
    outlier.shape = NA
  ) +
  geom_jitter(
    aes(color = Clasificacion),
    height = 0.08,
    width = 0,
    size = 2.5,
    alpha = 0.85
  ) +
  geom_vline(
    xintercept = as.numeric(p10),
    color = "magenta",
    linetype = "dashed",
    linewidth = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Atípico según IQR" = "#D9006C",
      "Inferior al P10" = "#168C86",
      "Resto de UPZ" = "grey60"
    )
  ) +
  labs(
    title = "Distribución de la población de las UPZ",
    subtitle = "Diagrama de caja, observaciones individuales y umbral P10",
    x = "Población por UPZ (escala logarítmica)",
    y = NULL,
    color = "Clasificación",
    caption = "El P10 identifica el 10 % inferior; el IQR identifica valores atípicos estadísticos."
  ) +
  tema_clase +
  theme(
    axis.text.y = element_blank(),
    axis.ticks.y = element_blank(),
    panel.grid.major.y = element_blank()
  )
```

### 5.5.3. Comparación de criterios de población reducida: P10 y P13

Con el propósito de evaluar diferentes criterios para identificar UPZ con población reducida, se comparan los percentiles 10 (P10) y 13 (P13) de la distribución poblacional.

El P10 permite identificar el grupo ubicado en el 10 % inferior de la distribución, mientras que el P13 amplía moderadamente este conjunto. Esta comparación busca establecer si la incorporación de algunas UPZ adicionales permite representar mejor los territorios que requieren precaución al interpretar las tasas de delitos.

Se presentan los puntos de corte, la cantidad y proporción de UPZ identificadas bajo cada criterio, así como las unidades territoriales que se incorporan al pasar del P10 al P13.

La comparación se complementa con un diagrama de caja y bigotes y la representación de las observaciones individuales. Esto permite visualizar los umbrales frente a la distribución general de la población y reconocer posibles valores atípicos.

Los percentiles se utilizan como criterios exploratorios de identificación y no como reglas automáticas de exclusión. La decisión final se apoyará en la revisión de los resultados y en la sensibilidad de las tasas de delitos.


```{r comparacion-percentiles-poblacion, echo=TRUE}
# Preparar población válida de las UPZ

datos_poblacion <- variables_delitos %>%
  filter(!is.na(poblacion), poblacion > 0)

total_upz <- nrow(datos_poblacion)

# Calcular los percentiles 10 y 13

percentiles_poblacion <- quantile(
  datos_poblacion$poblacion,
  probs = c(0.10, 0.13),
  na.rm = TRUE
)

p10 <- as.numeric(percentiles_poblacion[1])
p13 <- as.numeric(percentiles_poblacion[2])

# Clasificar las UPZ según los criterios

comparacion_poblacion <- datos_poblacion %>%
  arrange(poblacion) %>%
  mutate(
    Clasificacion = case_when(
      poblacion <= p10 ~ "Inferior o igual al P10",
      poblacion <= p13 ~ "Incorporadas entre P10 y P13",
      TRUE ~ "Resto de UPZ"
    )
  )

# Resumen de cantidad y porcentaje de UPZ por grupo

resumen_percentiles <- comparacion_poblacion %>%
  count(Clasificacion, name = "Cantidad_UPZ") %>%
  mutate(
    Porcentaje_UPZ = Cantidad_UPZ / total_upz * 100
  )

knitr::kable(
  resumen_percentiles,
  digits = 2,
  caption = "Distribución de UPZ según los criterios P10 y P13"
)

# Tabla de puntos de corte

tabla_percentiles <- tibble(
  Criterio = c("Percentil 10 (P10)", "Percentil 13 (P13)"),
  Poblacion = c(p10, p13)
)

knitr::kable(
  tabla_percentiles,
  digits = 0,
  caption = "Puntos de corte de la distribución poblacional"
)

# Identificar las UPZ adicionales incorporadas por el P13

upz_adicionales_p13 <- comparacion_poblacion %>%
  filter(Clasificacion == "Incorporadas entre P10 y P13") %>%
  select(upz_nombre, localidad, poblacion) %>%
  mutate(
    Porcentaje_del_total = 100 / total_upz
  ) %>%
  arrange(poblacion)

knitr::kable(
  upz_adicionales_p13,
  digits = 2,
  caption = "UPZ adicionales incorporadas al ampliar el criterio de P10 a P13"
)

# Calcular límites del rango intercuartílico

q1 <- quantile(datos_poblacion$poblacion, 0.25)
q3 <- quantile(datos_poblacion$poblacion, 0.75)
riq <- q3 - q1

limite_inferior <- q1 - 1.5 * riq
limite_superior <- q3 + 1.5 * riq

# Clasificar las observaciones para el gráfico

datos_boxplot_poblacion <- comparacion_poblacion %>%
  mutate(
    Clasificacion_grafica = case_when(
      poblacion <= p10 ~ "Inferior o igual al P10",
      poblacion <= p13 ~ "Incorporadas entre P10 y P13",
      poblacion < limite_inferior |
        poblacion > limite_superior ~ "Atípico según IQR",
      TRUE ~ "Resto de UPZ"
    )
  )

# Diagrama de caja y bigotes con observaciones individuales

ggplot(
  datos_boxplot_poblacion,
  aes(x = poblacion, y = 1)
) +
  geom_boxplot(
    width = 0.35,
    fill = "grey90",
    color = morado,
    outlier.shape = NA
  ) +
  geom_jitter(
    aes(color = Clasificacion_grafica),
    height = 0.08,
    width = 0,
    size = 2.5,
    alpha = 0.85
  ) +
  geom_vline(
    xintercept = p10,
    color = "magenta",
    linetype = "dashed",
    linewidth = 0.8
  ) +
  geom_vline(
    xintercept = p13,
    color = "#168C86",
    linetype = "dashed",
    linewidth = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Inferior o igual al P10" = "magenta",
      "Incorporadas entre P10 y P13" = "#168C86",
      "Atípico según IQR" = "#D9A441",
      "Resto de UPZ" = "grey60"
    )
  ) +
  labs(
    title = "Distribución poblacional y criterios de identificación",
    subtitle = paste0(
      "P10: ", scales::comma(round(p10)),
      " habitantes | P13: ", scales::comma(round(p13)),
      " habitantes"
    ),
    x = "Población por UPZ (escala logarítmica)",
    y = NULL,
    color = "Clasificación",
    caption = "P10 y P13: umbrales percentiles. IQR: valores atípicos estadísticos."
  ) +
  tema_clase +
  theme(
    axis.text.y = element_blank(),
    axis.ticks.y = element_blank(),
    panel.grid.major.y = element_blank()
  )
```
**Conclusión**
La comparación de los percentiles 10 y 13 permitió evaluar diferentes criterios para identificar las UPZ con menor población. El P10 estableció un umbral de 11.330 habitantes, identificando 12 UPZ, equivalentes al 10,71 % del total. Por su parte, el P13 estableció un umbral de 14.512 habitantes e incorporó tres unidades territoriales adicionales: Álamos, La Macarena y Puente Aranda.

Con este segundo criterio se identifican 15 UPZ, que representan el 13,39 % de las 112 unidades territoriales analizadas. La ampliación permite incluir territorios con poblaciones cercanas al grupo inicialmente identificado, sin extender excesivamente el umbral.

Por lo anterior, se adopta el percentil 13 como criterio de identificación para los análisis de sensibilidad posteriores. Las UPZ identificadas no serán eliminadas de la base de datos; sus registros se conservarán para el análisis de casos y se evaluará por separado su influencia en la interpretación de las tasas por cada 10.000 habitantes.

### 5.5.4. Participación de cada delito en el total de casos registrados

Con el propósito de identificar cuáles categorías concentran una mayor proporción de las denuncias registradas, se analiza la composición del total de casos de delitos en las UPZ estudiadas.

Para este ejercicio se suman los casos registrados en cada categoría de delito y se calcula su participación porcentual frente al total de denuncias acumuladas. Los resultados se presentan mediante una tabla y un gráfico de barras que facilitan la comparación entre las diferentes categorías.

Este análisis permite reconocer la composición de los registros administrativos e identificar los delitos que tienen mayor participación dentro del conjunto analizado. Posteriormente, estos resultados servirán como referencia para seleccionar las categorías que serán objeto de una exploración más detallada.

Para evitar duplicaciones, se excluye la variable de total de casos del cálculo, dado que esta corresponde a la suma de las categorías individuales. Los resultados corresponden al periodo comprendido entre enero y julio de 2023 y representan denuncias registradas, no necesariamente la totalidad de los hechos ocurridos.

```{r participacion-delitos-P13, echo=TRUE}
# Sumar los casos registrados por categoría de delito
# Se excluye casos_total porque ya contiene la suma de las categorías

participacion_delitos <- variables_delitos %>%
  select(starts_with("casos_"), -casos_total) %>%
  summarise(
    across(everything(), ~sum(.x, na.rm = TRUE))
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Delito",
    values_to = "Casos"
  ) %>%
  mutate(
    Delito = str_remove(Delito, "^casos_"),
    Delito = str_replace_all(Delito, "_", " "),
    Delito = str_to_title(Delito),
    Participacion = Casos / sum(Casos) * 100
  ) %>%
  arrange(desc(Participacion))

# Presentación de resultados

knitr::kable(
  participacion_delitos,
  digits = 2,
  col.names = c(
    "Tipo de delito",
    "Casos registrados",
    "Participación (%)"
  ),
  caption = "Participación de cada categoría en el total de casos registrados"
)
```

### 5.5.5. Análisis de Pareto y selección de categorías

Con el fin de identificar las categorías de delitos que concentran la mayor proporción de los casos registrados, se aplica el principio de Pareto. Para ello, se ordenan las categorías de mayor a menor número de casos y se calcula su participación porcentual acumulada.

La curva permite observar qué proporción del total de denuncias se concentra en las primeras categorías y establecer un criterio objetivo para reducir la cantidad de variables que serán examinadas en profundidad.

Los resultados muestran que las tres primeras categorías —hurto a personas, hurto de celulares y violencia intrafamiliar— concentran el 81,28 % de los casos registrados. Al incorporar lesiones, la participación acumulada alcanza el 87,36 %, mientras que las cinco primeras categorías representan el 91,05 %.

Por tanto, el criterio de Pareto del 80 % permite seleccionar las tres primeras categorías como núcleo del análisis detallado. Las demás categorías se conservarán en la base de datos y en el análisis general, pero no serán desarrolladas con el mismo nivel de profundidad.

```{r pareto-delitos-P13, echo=TRUE, message=FALSE, warning=FALSE}

# Construir la tabla de Pareto a partir de la participación calculada

pareto_delitos <- participacion_delitos %>%
  arrange(desc(Casos)) %>%
  mutate(
    Participacion_acumulada = cumsum(Participacion),
    Seleccion = ifelse(
      row_number() <= 5,
      "Categorías seleccionadas",
      "Otras categorías"
    )
  )

# Construir el gráfico de Pareto

ggplot(pareto_delitos, aes(x = seq_along(Delito))) +
  geom_col(
    aes(y = Participacion, fill = Seleccion),
    alpha = 0.8,
    width = 0.75
  ) +
  geom_line(
    aes(y = Participacion_acumulada, group = 1),
    color = "firebrick",
    linewidth = 1
  ) +
  geom_point(
    aes(y = Participacion_acumulada, color = Seleccion),
    size = 3
  ) +
  geom_vline(
    xintercept = 5.5,
    linetype = "dashed",
    color = "darkgreen"
  ) +
  geom_hline(
    yintercept = 80,
    linetype = "dotted",
    color = "gray40"
  ) +
  annotate(
    "label",
    x = 5,
    y = 96,
    label = "5 categorías = 91,1 %",
    fontface = "bold",
    size = 4
  ) +
  scale_x_continuous(
    breaks = seq_along(pareto_delitos$Delito),
    labels = pareto_delitos$Delito
  ) +
  scale_y_continuous(
    limits = c(0, 105),
    breaks = seq(0, 100, 20),
    name = "Participación (%)"
  ) +
  scale_fill_manual(
    values = c(
      "Categorías seleccionadas" = "steelblue",
      "Otras categorías" = "gray75"
    )
  ) +
  scale_color_manual(
    values = c(
      "Categorías seleccionadas" = "steelblue",
      "Otras categorías" = "gray50"
    )
  ) +
  labs(
    title = "Selección de categorías mediante análisis de Pareto",
    subtitle = "Las cinco primeras categorías concentran el 91,1 % de los casos",
    x = "Categorías de delitos",
    fill = "Grupo",
    color = "Grupo",
    caption = "La línea vertical delimita las cinco categorías seleccionadas."
  ) +
  theme_minimal() +
  theme(
    axis.text.x = element_text(
      angle = 45,
      hjust = 1
    ),
    legend.position = "bottom"
  )

```

La aplicación del análisis de Pareto permitió identificar que las cinco categorías con mayor número de casos concentran el 91,05 % de las denuncias registradas entre enero y julio de 2023. Estas corresponden a hurto a personas, hurto de celulares, violencia intrafamiliar, lesiones y hurto a comercio.

Aunque las tres primeras categorías superan el umbral del 80 %, se decide incorporar las cinco principales para ampliar la cobertura del análisis y conservar una representación más completa de las problemáticas delictivas registradas.

En consecuencia, estas cinco categorías serán priorizadas en los análisis posteriores, mientras que las demás permanecerán en la base de datos y en los resultados generales, sin ser objeto del mismo nivel de profundización.

### 5.5.6. Distribución territorial de las cinco categorías priorizadas

A partir del análisis de Pareto, se seleccionaron cinco categorías que concentran el 91,05 % de los casos registrados. En este apartado se examina su comportamiento territorial en las UPZ de Bogotá, considerando tanto el número de casos como las tasas por cada 10.000 habitantes.

Para facilitar la comparación, se construye un indicador agregado que reúne los casos de las cinco categorías seleccionadas y sus respectivas tasas. Posteriormente, se identifican las diez UPZ con mayor número de registros mediante una tabla y un gráfico de barras.

Este ejercicio permite reconocer los territorios que concentran el mayor volumen de denuncias dentro de las categorías priorizadas. Se mantienen todas las UPZ en la base de análisis y se tendrá especial precaución al interpretar las tasas de territorios con población reducida.


```{r seleccion-cinco-delitos-P13, echo=TRUE}

# Seleccionar las cinco categorías priorizadas

variables_cinco_delitos <- variables_delitos %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    poblacion,
    casos_hurto_personas,
    casos_hurto_celulares,
    casos_violencia_intrafamiliar,
    casos_lesiones,
    casos_hurto_comercio,
    tasa_hurto_personas,
    tasa_hurto_celulares,
    tasa_violencia_intrafamiliar,
    tasa_lesiones,
    tasa_hurto_comercio
  )

# Consolidar casos y tasas por UPZ

resumen_cinco_delitos <- variables_cinco_delitos %>%
  mutate(
    casos_seleccionados =
      casos_hurto_personas +
      casos_hurto_celulares +
      casos_violencia_intrafamiliar +
      casos_lesiones +
      casos_hurto_comercio,
    tasa_seleccionada =
      tasa_hurto_personas +
      tasa_hurto_celulares +
      tasa_violencia_intrafamiliar +
      tasa_lesiones +
      tasa_hurto_comercio
  ) %>%
  mutate(
    participacion_total =
      casos_seleccionados / sum(casos_seleccionados) * 100,
    grupo_poblacion = ifelse(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    )
  ) %>%
  arrange(desc(casos_seleccionados))

# Identificar las diez UPZ con mayor número de casos

ranking_cinco_delitos <- resumen_cinco_delitos %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    casos_seleccionados,
    participacion_total,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10)

# Tabla de resultados

knitr::kable(
  ranking_cinco_delitos,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Población",
    "Casos",
    "Participación (%)",
    "Tasa por 10.000 hab.",
    "Clasificación poblacional"
  ),
  caption = "Diez UPZ con mayor número de casos en las cinco categorías priorizadas"
)

# Gráfico con participación porcentual y clasificación P13

ggplot(
  ranking_cinco_delitos,
  aes(
    x = reorder(upz_nombre, casos_seleccionados),
    y = casos_seleccionados,
    fill = grupo_poblacion
  )
) +
  geom_col(width = 0.7) +
  geom_text(
    aes(
      label = paste0(
        scales::label_number(big.mark = ".")(casos_seleccionados),
        " | ",
        round(participacion_total, 2),
        "%"
      )
    ),
    hjust = -0.12,
    size = 3.3,
    color = morado
  ) +
  coord_flip() +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  scale_y_continuous(
    labels = scales::label_number(big.mark = "."),
    expand = expansion(mult = c(0, 0.28))
  ) +
  labs(
    title = "Concentración territorial de las cinco categorías priorizadas",
    subtitle = "Casos registrados y participación sobre el total de las UPZ",
    x = NULL,
    y = "Número de casos",
    fill = "Clasificación poblacional",
    caption = "P13: UPZ con población igual o inferior a 14.512 habitantes. Fuente: Secretaría Distrital de Seguridad, Convivencia y Justicia, 2023."
  ) +
  tema_clase

```

### 5.5.7. Identificación de las UPZ con mayores tasas en las cinco categorías priorizadas

Una vez identificadas las UPZ que concentran el mayor volumen de casos, se examinan las tasas correspondientes a las cinco categorías priorizadas, calculadas por cada 10.000 habitantes.

Este análisis permite reconocer territorios que presentan una mayor intensidad relativa de denuncias frente a su población, incluso cuando su número absoluto de casos no se encuentra entre los más elevados.

Se construye un ranking de las diez UPZ con mayores tasas agregadas, acompañado de una tabla y un gráfico para facilitar su comparación. Se identifican visualmente las UPZ pertenecientes al grupo de población reducida definido mediante el percentil 13 (P13), debido a que sus tasas pueden verse amplificadas por el tamaño del denominador.

La clasificación se utiliza con fines exploratorios y no implica que una tasa elevada represente necesariamente una mayor probabilidad individual de ser víctima de un delito.


```{r ranking-tasas-cinco-delitos-P13, echo=TRUE}

# Identificar las diez UPZ con mayores tasas agregadas

ranking_tasas_cinco <- resumen_cinco_delitos %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10)

# Presentar tabla de resultados

knitr::kable(
  ranking_tasas_cinco,
  digits = 2,
  col.names = c(
    "UPZ",
    "Localidad",
    "Población",
    "Casos registrados",
    "Tasa por 10.000 hab.",
    "Clasificación P13"
  ),
  caption = "Diez UPZ con mayores tasas en las cinco categorías priorizadas"
)

# Gráfico de tasas

ggplot(
  ranking_tasas_cinco,
  aes(
    x = reorder(upz_nombre, tasa_seleccionada),
    y = tasa_seleccionada,
    fill = grupo_poblacion
  )
) +
  geom_col(width = 0.7) +
  geom_text(
    aes(label = round(tasa_seleccionada, 1)),
    hjust = -0.15,
    size = 3.5,
    color = morado
  ) +
  coord_flip() +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  scale_y_continuous(
    expand = expansion(mult = c(0, 0.18))
  ) +
  labs(
    title = "UPZ con mayores tasas en las cinco categorías priorizadas",
    subtitle = "Casos registrados por cada 10.000 habitantes",
    x = NULL,
    y = "Tasa por cada 10.000 habitantes",
    fill = "Clasificación poblacional",
    caption = "Se destacan las UPZ con población igual o inferior a 14.512 habitantes."
  ) +
  tema_clase

```

### 5.5.8. Relación entre población y tasas de las cinco categorías priorizadas

Para complementar el análisis territorial, se examina la relación entre el tamaño poblacional de las UPZ y las tasas agregadas de las cinco categorías de delitos seleccionadas.

Se utiliza un gráfico de dispersión en el que cada punto representa una UPZ. El eje horizontal corresponde a su población y el eje vertical a la tasa agregada por cada 10.000 habitantes. Adicionalmente, se diferencian mediante colores las UPZ identificadas con el criterio P13 y el resto de los territorios.

Esta visualización permite explorar si las tasas más elevadas se presentan principalmente en territorios con poblaciones reducidas y reconocer posibles observaciones extremas que requieren una interpretación particular.

El análisis conserva las 112 UPZ y utiliza una escala logarítmica para el eje poblacional, facilitando la comparación entre territorios de tamaños muy diferentes.

```{r dispersion-poblacion-tasas-cinco-P13, echo=TRUE}

# Gráfico de dispersión: población y tasa de las cinco categorías

ggplot(
  resumen_cinco_delitos,
  aes(
    x = poblacion,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    size = 3,
    alpha = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma(big.mark = ".")
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Relación entre población y tasas de delitos por UPZ",
    subtitle = "Comportamiento de las cinco categorías priorizadas",
    x = "Población de la UPZ (escala logarítmica)",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional",
    caption = "Cada punto representa una UPZ. P13: población igual o inferior a 14.512 habitantes."
  ) +
  tema_clase

```

### 5.5.9. Análisis de sensibilidad de las tasas según el tamaño poblacional

A partir de la identificación de las UPZ con población reducida, se realiza un análisis de sensibilidad para examinar las diferencias en la distribución de las tasas agregadas de las cinco categorías priorizadas.

Para ello, se comparan las UPZ identificadas mediante el percentil 13 (P13) con el resto de los territorios, utilizando medidas descriptivas como la media, la mediana, la desviación estándar y los valores extremos.

Los resultados se presentan mediante una tabla y un diagrama de cajas, que permiten observar las diferencias entre ambos grupos y reconocer la influencia que pueden tener las poblaciones reducidas en la distribución de las tasas.

Este ejercicio no implica excluir unidades territoriales. Su propósito es evaluar la sensibilidad de los resultados y establecer precauciones para interpretar las comparaciones entre UPZ.

```{r sensibilidad-tasas-P13, echo=TRUE}

# Comparar las tasas agregadas según la clasificación poblacional

sensibilidad_tasas <- resumen_cinco_delitos %>%
  group_by(grupo_poblacion) %>%
  summarise(
    Cantidad_UPZ = n(),
    Media = mean(tasa_seleccionada, na.rm = TRUE),
    Mediana = median(tasa_seleccionada, na.rm = TRUE),
    Desviacion_estandar = sd(tasa_seleccionada, na.rm = TRUE),
    Minimo = min(tasa_seleccionada, na.rm = TRUE),
    Maximo = max(tasa_seleccionada, na.rm = TRUE),
    .groups = "drop"
  )

# Presentar tabla comparativa

knitr::kable(
  sensibilidad_tasas,
  digits = 2,
  col.names = c(
    "Grupo poblacional",
    "Cantidad de UPZ",
    "Media",
    "Mediana",
    "Desviación estándar",
    "Mínimo",
    "Máximo"
  ),
  caption = "Comparación descriptiva de las tasas según el tamaño poblacional"
)

# Comparar la distribución mediante un diagrama de cajas

ggplot(
  resumen_cinco_delitos,
  aes(
    x = grupo_poblacion,
    y = tasa_seleccionada,
    fill = grupo_poblacion
  )
) +
  geom_boxplot(
    alpha = 0.7,
    width = 0.55,
    outlier.shape = NA
  ) +
  geom_jitter(
    aes(color = grupo_poblacion),
    width = 0.12,
    alpha = 0.65,
    size = 2
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans()
  ) +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Distribución de las tasas según el tamaño poblacional",
    subtitle = "Comparación entre las UPZ identificadas en P13 y el resto",
    x = "Clasificación poblacional",
    y = "Tasa por cada 10.000 habitantes (escala pseudo-logarítmica)",
    fill = "Grupo",
    color = "Grupo",
    caption = "Cada punto representa una UPZ. Se conservan las 112 unidades territoriales."
  ) +
  tema_clase +
  theme(
    legend.position = "none"
  )

```

### **Decisiones metodológicas para los análisis posteriores**

A partir de los resultados obtenidos, se establecen dos decisiones para continuar el análisis territorial de los delitos.

En primer lugar, se priorizan cinco categorías: hurto a personas, hurto de celulares, violencia intrafamiliar, lesiones y hurto a comercio. Estas concentran el 91,05 % de los casos registrados y permiten enfocar los análisis posteriores en las principales categorías de denuncias.

En segundo lugar, se reconoce que las UPZ con poblaciones reducidas pueden presentar tasas considerablemente elevadas debido al efecto del denominador poblacional. Por esta razón, se mantiene su identificación mediante el criterio P13, correspondiente a poblaciones iguales o inferiores a 14.512 habitantes.

Las 112 UPZ se conservarán para los análisis de volumen y participación de casos. Para las comparaciones basadas en tasas y los análisis de relaciones territoriales, se evaluarán los resultados tanto con el conjunto completo de UPZ como sin las identificadas en P13.

Esta estrategia permite evaluar la sensibilidad de los resultados, evitar que valores extremos condicionen las conclusiones y conservar la información de todos los territorios analizados.

## 5.6. Análisis de relaciones entre variables

Después de explorar individualmente las características demográficas, las condiciones de vivienda e infraestructura, las variables socioeconómicas, la percepción de inseguridad y los registros de delitos, se desarrolla un análisis integrado para explorar las posibles relaciones entre estas dimensiones.

El propósito es identificar patrones de asociación entre las características territoriales y los indicadores de delitos priorizados, con el fin de ampliar la comprensión de las diferencias existentes entre las UPZ de Bogotá.

Para este análisis se consideran variables demográficas, de infraestructura urbana, condiciones socioeconómicas, percepción de inseguridad, accesibilidad y registros de las cinco categorías de delitos seleccionadas.

Se utiliza el coeficiente de correlación de Spearman para explorar la dirección y la intensidad de las asociaciones entre las variables. Adicionalmente, se evaluará la sensibilidad de los resultados al considerar por separado las UPZ identificadas mediante el criterio P13.

Es importante señalar que las correlaciones permiten identificar asociaciones estadísticas, pero no demuestran relaciones de causalidad. También se tendrán en cuenta las diferencias en los años de referencia de las fuentes y las limitaciones relacionadas con las estimaciones agrupadas de la Encuesta Multipropósito.

### 5.6.1. Selección de variables para el análisis integrado

Para el análisis de relaciones se seleccionan variables pertenecientes a cinco dimensiones del estudio: demografía, infraestructura, condiciones socioeconómicas, percepción de inseguridad y delitos.

La selección busca explorar si las características poblacionales, la disponibilidad de alumbrado público, las condiciones socioeconómicas y la percepción del entorno presentan asociaciones con los indicadores de delitos registrados en las UPZ.

Las variables seleccionadas son:

- **Demografía:** población y densidad poblacional.
- **Infraestructura:** luminarias por km².
- **Condiciones socioeconómicas:** porcentaje de pobreza y salario promedio.
- **Percepción y entorno:** percepción de inseguridad y cercanía a lotes oscuros.
- **Accesibilidad:** tiempo promedio caminando hasta un CAI o estación de policía.
- **Delitos:** número de casos y tasa agregada de las cinco categorías priorizadas.

Esta selección permite integrar diferentes dimensiones del territorio y explorar sus posibles relaciones, considerando las limitaciones temporales y metodológicas de las fuentes utilizadas.

```{r seleccion-variables-integradas, echo=TRUE}

# Selección de variables territoriales y socioeconómicas

variables_integradas <- upz %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    em_agrupada,
    poblacion,
    densidad_hab_km2,
    luminarias_km2,
    pct_pobreza,
    salario_promedio,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    min_cai_policia
  ) %>%
  left_join(
    resumen_cinco_delitos %>%
      select(
        upz_cod,
        casos_seleccionados,
        tasa_seleccionada,
        grupo_poblacion
      ),
    by = "upz_cod"
  )

# Revisión de la estructura de las variables seleccionadas

glimpse(variables_integradas)

# Visualización de las primeras observaciones

head(variables_integradas)

```

### 5.6.2. Revisión de datos faltantes

Antes de calcular las correlaciones, se verifica la completitud de las variables seleccionadas. La presencia de valores faltantes puede reducir el número de observaciones utilizadas y afectar la comparación entre las asociaciones estadísticas.

Para ello, se cuantifican los valores ausentes por variable y se calcula su participación respecto al total de UPZ. Esta revisión permite identificar posibles limitaciones de cobertura y definir el tratamiento adecuado antes de construir la matriz de correlaciones.

```{r faltantes-variables-integradas, echo=TRUE}

# Calcular los valores faltantes por variable

resumen_faltantes <- variables_integradas %>%
  summarise(
    across(
      where(is.numeric),
      ~sum(is.na(.x))
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Valores_faltantes"
  ) %>%
  mutate(
    Porcentaje_faltante = Valores_faltantes / nrow(variables_integradas) * 100
  ) %>%
  arrange(desc(Porcentaje_faltante))

# Presentar tabla de resultados

knitr::kable(
  resumen_faltantes,
  digits = 2,
  col.names = c(
    "Variable",
    "Valores faltantes",
    "Porcentaje faltante (%)"
  ),
  caption = "Completitud de las variables seleccionadas para el análisis integrado"
)

# Visualizar valores faltantes

ggplot(
  resumen_faltantes,
  aes(
    x = reorder(Variable, Porcentaje_faltante),
    y = Porcentaje_faltante
  )
) +
  geom_col(
    fill = magenta,
    width = 0.7
  ) +
  coord_flip() +
  labs(
    title = "Valores faltantes en las variables del análisis integrado",
    x = NULL,
    y = "Porcentaje de valores faltantes (%)"
  ) +
  tema_clase

```

### 5.6.3. Matriz de correlaciones entre las variables territoriales

Una vez verificada la completitud de los datos, se construye una matriz de correlaciones para explorar las asociaciones entre las características demográficas, la infraestructura, las condiciones socioeconómicas, la percepción de inseguridad, la accesibilidad y los indicadores de delitos priorizados.

Se utiliza el coeficiente de correlación de Spearman, que permite identificar asociaciones monotónicas entre variables. Sus valores oscilan entre -1 y 1: los valores positivos representan asociaciones directas, los negativos asociaciones inversas y los cercanos a cero indican una asociación monotónica débil o inexistente.

Los resultados se presentan mediante una tabla y un mapa de calor para facilitar la identificación de patrones.

Las correlaciones se interpretarán como asociaciones estadísticas y no como evidencia de causalidad. También se tendrá en cuenta que algunas variables comparten componentes de cálculo, especialmente los indicadores relacionados con población.

```{r matriz-correlaciones-integradas, echo=TRUE}

# Selección de variables numéricas

datos_correlacion_integrada <- variables_integradas %>%
  select(
    poblacion,
    densidad_hab_km2,
    luminarias_km2,
    pct_pobreza,
    salario_promedio,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    min_cai_policia,
    casos_seleccionados,
    tasa_seleccionada
  )

# Calcular matriz de correlaciones de Spearman

matriz_correlacion_integrada <- cor(
  datos_correlacion_integrada,
  method = "spearman"
)

# Convertir matriz a formato largo

correlaciones_integradas_largas <- as.data.frame(
  as.table(matriz_correlacion_integrada)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Presentar tabla de correlaciones

knitr::kable(
  round(matriz_correlacion_integrada, 2),
  caption = "Matriz de correlaciones de Spearman entre variables territoriales"
)

# Mapa de calor

ggplot(
  correlaciones_integradas_largas,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Correlacion
  )
) +
  geom_tile(
    color = "white",
    linewidth = 0.8
  ) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Correlación"
  ) +
  labs(
    title = "Relaciones entre las características territoriales",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 45,
      hjust = 1,
      size = 8
    ),
    axis.text.y = element_text(size = 8),
    panel.grid = element_blank()
  )

```

### 5.6.4. Sensibilidad de las correlaciones frente a las UPZ de población reducida

Con el propósito de evaluar la influencia de las UPZ con poblaciones reducidas en las asociaciones identificadas, se comparan las correlaciones de Spearman obtenidas con el conjunto completo de territorios y aquellas calculadas sin las UPZ identificadas mediante el criterio P13.

El análisis se concentra en las asociaciones de la tasa agregada de las cinco categorías priorizadas con las variables demográficas, de infraestructura, socioeconómicas, de percepción y accesibilidad.

Los resultados se presentan mediante una tabla comparativa y un gráfico que permiten observar los cambios en la magnitud y dirección de las correlaciones.

Esta comparación permite identificar asociaciones sensibles a la presencia de poblaciones reducidas y distinguirlas de aquellas que mantienen un comportamiento similar en ambos escenarios. Las UPZ P13 no se eliminan de la base original; su exclusión es únicamente temporal y tiene fines de evaluación estadística.


```{r sensibilidad-correlaciones-P13, echo=TRUE}

# Variables numéricas para comparar las correlaciones

variables_correlacion <- c(
  "poblacion",
  "densidad_hab_km2",
  "luminarias_km2",
  "pct_pobreza",
  "salario_promedio",
  "pct_percibe_inseguridad",
  "pct_cerca_lotes_oscuros",
  "min_cai_policia",
  "casos_seleccionados",
  "tasa_seleccionada"
)

# Escenario 1: todas las UPZ

correlacion_completa <- variables_integradas %>%
  select(all_of(variables_correlacion)) %>%
  cor(method = "spearman")

# Escenario 2: excluir temporalmente las UPZ P13

correlacion_sin_p13 <- variables_integradas %>%
  filter(grupo_poblacion == "Resto de UPZ") %>%
  select(all_of(variables_correlacion)) %>%
  cor(method = "spearman")

# Extraer las correlaciones con la tasa seleccionada

comparacion_correlaciones <- tibble(
  Variable = variables_correlacion,
  Con_P13 = correlacion_completa[, "tasa_seleccionada"],
  Sin_P13 = correlacion_sin_p13[, "tasa_seleccionada"]
) %>%
  filter(Variable != "tasa_seleccionada") %>%
  mutate(
    Diferencia = Sin_P13 - Con_P13
  )

# Presentar tabla comparativa

knitr::kable(
  comparacion_correlaciones,
  digits = 3,
  col.names = c(
    "Variable",
    "Con todas las UPZ",
    "Sin P13",
    "Diferencia"
  ),
  caption = "Sensibilidad de las correlaciones de Spearman frente a las UPZ P13"
)

# Comparación gráfica de las correlaciones

comparacion_correlaciones_largas <- comparacion_correlaciones %>%
  pivot_longer(
    cols = c(Con_P13, Sin_P13),
    names_to = "Escenario",
    values_to = "Correlacion"
  )

ggplot(
  comparacion_correlaciones_largas,
  aes(
    x = Correlacion,
    y = reorder(Variable, Correlacion),
    color = Escenario
  )
) +
  geom_line(
    aes(group = Variable),
    color = "gray65",
    linewidth = 0.7
  ) +
  geom_point(size = 3) +
  geom_vline(
    xintercept = 0,
    linetype = "dashed",
    color = "gray40"
  ) +
  scale_color_manual(
    values = c(
      "Con_P13" = magenta,
      "Sin_P13" = turquesa
    ),
    labels = c(
      "Con_P13" = "Todas las UPZ",
      "Sin_P13" = "Sin UPZ P13"
    )
  ) +
  scale_x_continuous(
    limits = c(-1, 1),
    breaks = seq(-1, 1, 0.25)
  ) +
  labs(
    title = "Sensibilidad de las correlaciones de Spearman",
    subtitle = "Asociaciones con la tasa de las cinco categorías priorizadas",
    x = "Coeficiente de correlación",
    y = NULL,
    color = "Escenario"
  ) +
  tema_clase

```

### 5.6.5. Relación entre las características demográficas y los delitos

En este apartado se exploran las relaciones entre las características demográficas de las UPZ y los indicadores de delitos de las cinco categorías priorizadas.

En primer lugar, se analiza la relación entre el tamaño poblacional y el número de casos registrados, con el propósito de identificar si los territorios más poblados concentran mayores volúmenes de denuncias.

En segundo lugar, se examina la relación entre la densidad poblacional y la tasa agregada de delitos por cada 10.000 habitantes. Esta comparación permite explorar el comportamiento de las tasas frente a la concentración de habitantes en cada territorio.

Los resultados se presentan mediante tablas de correlación y gráficos de dispersión. Se diferencian las UPZ identificadas mediante el criterio P13 para facilitar la identificación de posibles observaciones extremas.

Las asociaciones encontradas se interpretan de manera exploratoria, considerando que el volumen de casos y las tasas representan dimensiones diferentes del fenómeno y que las tasas pueden verse influenciadas por el tamaño poblacional.


```{r relaciones-demografia-cinco-delitos-P13, echo=TRUE}

# Calcular correlaciones demográficas de Spearman

correlaciones_demografia <- variables_integradas %>%
  select(
    poblacion,
    casos_seleccionados,
    densidad_hab_km2,
    tasa_seleccionada
  ) %>%
  cor(method = "spearman")

# Construir tabla con las dos relaciones principales

resultado_correlaciones_demografia <- tibble(
  Relacion = c(
    "Población y casos de las cinco categorías",
    "Densidad poblacional y tasa de las cinco categorías"
  ),
  Correlacion = c(
    correlaciones_demografia[
      "poblacion", "casos_seleccionados"
    ],
    correlaciones_demografia[
      "densidad_hab_km2", "tasa_seleccionada"
    ]
  )
)

knitr::kable(
  resultado_correlaciones_demografia,
  digits = 3,
  col.names = c("Relación analizada", "Spearman"),
  caption = "Asociaciones entre características demográficas y delitos priorizados"
)

# Gráfico 1: población y número de casos

ggplot(
  variables_integradas,
  aes(
    x = poblacion,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    aes(group = 1),
    method = "loess",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +
  scale_x_log10(
    labels = scales::label_number(big.mark = ".")
  ) +
  scale_y_continuous(
    labels = scales::label_number(big.mark = ".")
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Relación entre población y casos registrados",
    subtitle = "Cinco categorías priorizadas por UPZ",
    x = "Población (escala logarítmica)",
    y = "Número de casos",
    color = "Clasificación poblacional"
  ) +
  tema_clase

# Gráfico 2: densidad poblacional y tasa de delitos

ggplot(
  variables_integradas,
  aes(
    x = densidad_hab_km2,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    aes(group = 1),
    method = "loess",
    se = FALSE,
    color = morado,
    linewidth = 0.9
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Relación entre densidad poblacional y tasa de delitos",
    subtitle = "Cinco categorías priorizadas por cada 10.000 habitantes",
    x = "Densidad poblacional (habitantes por km²)",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional"
  ) +
  tema_clase

```

La exploración de las relaciones demográficas muestra que las UPZ con mayor población tienden a registrar un mayor volumen de casos en las cinco categorías priorizadas. Sin embargo, esta tendencia no es uniforme y existen diferencias importantes entre territorios.

Por otra parte, se observa una asociación inversa entre densidad poblacional y tasa de delitos. Esta relación debe interpretarse con precaución, debido a que ambas variables incorporan la población en su construcción y pueden presentar una asociación influenciada por sus denominadores.

La identificación de las UPZ con población reducida permitió reconocer territorios con tasas considerablemente elevadas, que pueden modificar la interpretación de las tendencias generales. Por ello, se mantiene la diferenciación entre volumen de casos y tasas relativas, así como la evaluación de sensibilidad frente al grupo P13.


### 5.6.6. Relación entre infraestructura urbana y delitos

En este apartado se explora la relación entre las condiciones del alumbrado público y los indicadores de delitos correspondientes a las cinco categorías priorizadas en las UPZ de Bogotá.

Para ello, se consideran dos indicadores de infraestructura: la densidad de luminarias por kilómetro cuadrado y el porcentaje de luminarias LED. El primero permite comparar la disponibilidad espacial del alumbrado, mientras que el segundo representa la participación de esta tecnología dentro del sistema de iluminación.

Se excluye del análisis principal el indicador de luminarias por cada 1.000 habitantes, debido a que comparte el denominador poblacional con la tasa de delitos. Esta condición podría generar asociaciones estadísticas influenciadas por la estructura matemática de ambos indicadores.

Los resultados se presentan mediante tablas de correlación y gráficos de dispersión, diferenciando las UPZ identificadas mediante el criterio P13 para evaluar posibles diferencias territoriales y la influencia de poblaciones reducidas.

Es importante considerar que los indicadores de alumbrado corresponden a 2021, mientras que los registros de delitos corresponden al periodo enero-julio de 2023. Por tanto, las relaciones encontradas se interpretan como asociaciones exploratorias y no como evidencia de causalidad.

Asimismo, una mayor densidad de luminarias o una mayor participación de tecnología LED no garantizan por sí solas mejores condiciones de iluminación en todos los espacios públicos, ya que estos indicadores no incorporan aspectos como ubicación, funcionamiento, intensidad o distribución efectiva de las luminarias.

```{r variables-infraestructura-cinco-delitos, echo=TRUE}

# Seleccionar infraestructura desde la base original
# e integrar los indicadores de las cinco categorías

infraestructura_delitos <- upz %>%
  select(
    upz_cod,
    upz_nombre,
    localidad,
    luminarias_km2,
    pct_luminarias_led
  ) %>%
  left_join(
    resumen_cinco_delitos %>%
      select(
        upz_cod,
        grupo_poblacion,
        casos_seleccionados,
        tasa_seleccionada
      ),
    by = "upz_cod"
  )

# Calcular correlaciones de Spearman

correlaciones_infraestructura <- infraestructura_delitos %>%
  select(
    luminarias_km2,
    pct_luminarias_led,
    casos_seleccionados,
    tasa_seleccionada
  ) %>%
  cor(method = "spearman")

# Presentar matriz de correlaciones

knitr::kable(
  round(correlaciones_infraestructura, 3),
  caption = "Correlaciones entre indicadores de alumbrado y delitos priorizados"
)

# Revisar los primeros registros

knitr::kable(
  head(infraestructura_delitos, 10),
  digits = 2,
  caption = "Indicadores de infraestructura y delitos por UPZ"
)

```

#### a. Relación entre densidad de luminarias y delitos

Se analiza la relación entre la densidad de luminarias por kilómetro cuadrado y los indicadores de delitos priorizados. Se comparan tanto el número de casos como la tasa por cada 10.000 habitantes, diferenciando las UPZ identificadas mediante el criterio P13.

Esta comparación permite explorar si la asociación observada entre disponibilidad espacial de alumbrado y volumen de denuncias también se presenta al considerar las tasas poblacionales.

```{r dispersion-alumbrado-delitos-P13, echo=TRUE}

# Gráfico 1: densidad de luminarias y número de casos

ggplot(
  infraestructura_delitos,
  aes(
    x = luminarias_km2,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Densidad de luminarias y casos registrados",
    subtitle = "Cinco categorías priorizadas por UPZ",
    x = "Luminarias por km²",
    y = "Número de casos",
    color = "Clasificación poblacional"
  ) +
  tema_clase

# Gráfico 2: densidad de luminarias y tasa de delitos

ggplot(
  infraestructura_delitos,
  aes(
    x = luminarias_km2,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Densidad de luminarias y tasa de delitos",
    subtitle = "Cinco categorías priorizadas por cada 10.000 habitantes",
    x = "Luminarias por km²",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional"
  ) +
  tema_clase

```
Los resultados muestran una asociación positiva moderada entre la densidad de luminarias por kilómetro cuadrado y el número de casos registrados en las cinco categorías priorizadas (ρ = 0,577). Esto indica que las UPZ con mayor densidad de alumbrado tienden a presentar mayores volúmenes de denuncias, aunque la dispersión observada evidencia que esta relación no es uniforme.

Por otra parte, la asociación entre la densidad de luminarias y la tasa de delitos es muy débil (ρ = 0,117). Por tanto, no se identifica una relación monotónica relevante entre ambos indicadores en el conjunto de territorios analizados.

Las UPZ identificadas mediante P13 presentan algunos valores extremos de tasas, lo que refuerza la necesidad de considerar el tamaño poblacional al interpretar las diferencias territoriales.

Estos resultados no permiten establecer que el alumbrado público reduzca o incremente los delitos. Además, debe considerarse que los datos de infraestructura corresponden a 2021 y los registros de delitos a 2023.

#### b. Relación entre porcentaje de luminarias LED y delitos

Se examina la relación entre la participación de luminarias LED y los indicadores de delitos de las cinco categorías priorizadas.

El análisis considera tanto el número de casos como la tasa por cada 10.000 habitantes, con el propósito de identificar posibles diferencias en el comportamiento de las denuncias según la composición tecnológica del alumbrado público.

Se diferencian las UPZ identificadas mediante el criterio P13 y se interpretan los resultados considerando que el porcentaje de luminarias LED representa la composición tecnológica del alumbrado, pero no mide directamente su cobertura, intensidad o calidad.

```{r dispersion-led-delitos-P13, echo=TRUE}

# Gráfico 1: porcentaje LED y número de casos

ggplot(
  infraestructura_delitos,
  aes(
    x = pct_luminarias_led,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Participación de luminarias LED y casos registrados",
    subtitle = "Cinco categorías priorizadas por UPZ",
    x = "Luminarias LED (%)",
    y = "Número de casos",
    color = "Clasificación poblacional"
  ) +
  tema_clase

# Gráfico 2: porcentaje LED y tasa de delitos

ggplot(
  infraestructura_delitos,
  aes(
    x = pct_luminarias_led,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    )
  ) +
  labs(
    title = "Participación de luminarias LED y tasa de delitos",
    subtitle = "Cinco categorías priorizadas por cada 10.000 habitantes",
    x = "Luminarias LED (%)",
    y = "Tasa por cada 10.000 habitantes",
    color = "Clasificación poblacional"
  ) +
  tema_clase

```

Los resultados muestran que la participación de luminarias LED presenta asociaciones muy débiles con el número de casos registrados (ρ = 0,108) y con la tasa de delitos (ρ = -0,083). La dispersión observada en los gráficos tampoco evidencia patrones territoriales definidos entre estas variables.

Por tanto, dentro del alcance de este análisis exploratorio, no se identifica una asociación monotónica relevante entre la participación de luminarias LED y los indicadores de delitos de las cinco categorías priorizadas.

Estos resultados no permiten concluir que la tecnología LED carezca de efectos sobre la seguridad. El indicador utilizado representa la participación tecnológica del alumbrado, pero no contempla aspectos como su ubicación, funcionamiento, intensidad o cobertura efectiva. Adicionalmente, debe considerarse la diferencia temporal entre los datos de infraestructura (2021) y los registros de delitos (2023). 

### 5.6.7. Relación entre condiciones socioeconómicas, percepción de inseguridad y delitos

En este apartado se exploran las posibles asociaciones entre las condiciones socioeconómicas de las UPZ, la percepción de inseguridad y los indicadores de delitos correspondientes a las cinco categorías priorizadas.

Se consideran tres relaciones principales: el porcentaje de pobreza frente a los indicadores de delitos, el salario promedio frente a dichos indicadores y el porcentaje de percepción de inseguridad frente a los registros de denuncias.

Para evaluar estas relaciones se utiliza el coeficiente de correlación de Spearman y se construyen diagramas de dispersión que permiten observar la dirección, magnitud y comportamiento de las asociaciones entre las variables.

Es importante diferenciar la percepción de inseguridad de los delitos denunciados. La primera corresponde a la proporción de personas que manifiestan percibir problemas de inseguridad en el entorno de su vivienda, mientras que los segundos representan registros administrativos de denuncias. Por tanto, ambas dimensiones describen aspectos diferentes del fenómeno de la seguridad.

Los indicadores socioeconómicos y de percepción corresponden a la Encuesta Multipropósito de 2021, mientras que los registros de delitos corresponden al periodo enero-julio de 2023. Adicionalmente, 32 UPZ comparten estimaciones agrupadas con otros territorios, por lo que sus observaciones no deben interpretarse como mediciones completamente independientes.

Se conservan las 112 UPZ y se evaluará la sensibilidad de las asociaciones frente a las unidades identificadas mediante el criterio P13, sin eliminarlas de la base original.

#### a. Correlaciones entre condiciones socioeconómicas, percepción y delitos

Se calcula la correlación de Spearman entre tres indicadores de la Encuesta Multipropósito de 2021 —porcentaje de pobreza, salario promedio y percepción de inseguridad— y los dos indicadores agregados de delitos de las cinco categorías priorizadas.

La comparación entre el número de casos y la tasa por cada 10.000 habitantes permite examinar si las asociaciones observadas se mantienen al considerar el tamaño poblacional de cada territorio.

Se incluyen las 112 UPZ, sin excluir las identificadas mediante el criterio P13. Los resultados se interpretan considerando que 32 UPZ comparten estimaciones de la Encuesta Multipropósito, por lo que no representan observaciones socioeconómicas completamente independientes.

```{r correlaciones-socioeconomicas-cinco-delitos, echo=TRUE}

# Seleccionar las variables del análisis

variables_correlacion_socioeconomica <- variables_integradas %>%
  select(
    pct_pobreza,
    salario_promedio,
    pct_percibe_inseguridad,
    casos_seleccionados,
    tasa_seleccionada
  )

# Calcular matriz de correlaciones de Spearman

matriz_correlaciones_socioeconomicas <- cor(
  variables_correlacion_socioeconomica,
  method = "spearman",
  use = "pairwise.complete.obs"
)

# Presentar tabla de correlaciones

knitr::kable(
  round(matriz_correlaciones_socioeconomicas, 3),
  caption = "Correlaciones de Spearman entre condiciones socioeconómicas y delitos priorizados"
)

# Convertir la matriz a formato largo

correlaciones_socioeconomicas_largas <- as.data.frame(
  as.table(matriz_correlaciones_socioeconomicas)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Construir mapa de calor

ggplot(
  correlaciones_socioeconomicas_largas,
  aes(
    x = Variable_1,
    y = Variable_2,
    fill = Correlacion
  )
) +
  geom_tile(
    color = "white",
    linewidth = 0.8
  ) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3.8
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Spearman"
  ) +
  labs(
    title = "Relaciones entre condiciones socioeconómicas y delitos",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(
      angle = 40,
      hjust = 1,
      size = 9
    ),
    axis.text.y = element_text(size = 9),
    panel.grid = element_blank()
  )

```
Los resultados evidencian asociaciones importantes entre las condiciones socioeconómicas y la percepción de inseguridad. Se identifica una correlación negativa muy fuerte entre el porcentaje de pobreza y el salario promedio (ρ = -0,928), así como una asociación positiva entre pobreza y percepción de inseguridad (ρ = 0,740).

En relación con los delitos, el porcentaje de pobreza presenta una asociación inversa moderada con la tasa agregada de las cinco categorías priorizadas (ρ = -0,524), mientras que el salario promedio muestra una asociación positiva moderada (ρ = 0,592). Sin embargo, estas relaciones son considerablemente más débiles cuando se utiliza el número absoluto de casos.

Por otra parte, la percepción de inseguridad presenta una asociación débil e inversa con la tasa de delitos (ρ = -0,304) y prácticamente nula con el número de casos (ρ = 0,050). Esto evidencia que la percepción ciudadana y las denuncias registradas representan dimensiones diferentes del fenómeno de la seguridad.

Estos resultados corresponden a asociaciones exploratorias y no permiten establecer relaciones causales. Su interpretación debe considerar las diferencias temporales entre las fuentes y la existencia de estimaciones socioeconómicas agrupadas entre algunas UPZ.

### 5.6.7. Relación entre condiciones socioeconómicas y tasa de delitos

Con el propósito de profundizar en las asociaciones identificadas en la matriz de correlaciones, se elaboran gráficos de dispersión que permiten observar el comportamiento de la tasa de los cinco delitos priorizados frente a tres variables socioeconómicas: porcentaje de pobreza, salario promedio y percepción de inseguridad.

Cada gráfico incorpora una línea de tendencia LOESS para facilitar la identificación de posibles patrones, así como el coeficiente de correlación de Spearman para relacionar la representación visual con los resultados estadísticos.

El análisis considera inicialmente las 112 UPZ. Las tendencias observadas deben interpretarse como asociaciones exploratorias y no como evidencia de causalidad. Posteriormente, se evaluará si los patrones se mantienen al considerar las particularidades de las UPZ con información socioeconómica agrupada.

```{r graficos-socioeconomicos-tasa-delitos, echo=TRUE}

# Correlaciones de Spearman
cor_pobreza_tasa <- cor(
  variables_integradas$pct_pobreza,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)

cor_salario_tasa <- cor(
  variables_integradas$salario_promedio,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)

cor_percepcion_tasa <- cor(
  variables_integradas$pct_percibe_inseguridad,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)


# 1. Pobreza y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = pct_pobreza, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Pobreza y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_pobreza_tasa, 3)),
    x = "Porcentaje de pobreza",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase


# 2. Salario promedio y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = salario_promedio, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Salario promedio y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_salario_tasa, 3)),
    x = "Salario promedio",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase


# 3. Percepción de inseguridad y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = pct_percibe_inseguridad, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Percepción de inseguridad y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_percepcion_tasa, 3)),
    x = "Porcentaje de percepción de inseguridad",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

```

Los gráficos de dispersión permiten profundizar en las relaciones identificadas mediante los coeficientes de Spearman. En conjunto, se observa una alta concentración de UPZ con tasas relativamente bajas y la presencia de algunas observaciones con valores considerablemente superiores.

La relación entre pobreza y tasa de delitos presenta una asociación inversa moderada (ρ = -0,524), aunque la curva LOESS evidencia un comportamiento no lineal. Por su parte, el salario promedio presenta una asociación positiva moderada (ρ = 0,592), pero su representación gráfica no muestra una tendencia creciente uniforme.

En cuanto a la percepción de inseguridad, la asociación con la tasa de delitos es débil e inversa (ρ = -0,304), sin evidenciar un patrón territorial consistente.

Estos resultados sugieren que las condiciones socioeconómicas y la percepción ciudadana presentan asociaciones diferentes frente a las denuncias registradas. Sin embargo, la presencia de tasas extremas y las diferencias en el tamaño poblacional de las UPZ pueden influir en los resultados, por lo que se requiere evaluar la estabilidad de estas relaciones antes de establecer conclusiones definitivas.

### 5.6.8. Análisis de sensibilidad de las relaciones socioeconómicas

Con el propósito de evaluar la estabilidad de las asociaciones identificadas, se realiza un análisis de sensibilidad que compara los coeficientes de correlación de Spearman obtenidos con la totalidad de las 112 UPZ y aquellos calculados sin las UPZ clasificadas en P13.

Este ejercicio permite determinar si las relaciones entre las condiciones socioeconómicas y la tasa de delitos se mantienen o presentan cambios importantes al retirar temporalmente los territorios identificados por su menor población.

Las UPZ no se eliminan del estudio. Esta comparación constituye una prueba de sensibilidad para evaluar la influencia que pueden tener las poblaciones reducidas sobre las asociaciones estadísticas.

```{r sensibilidad-correlaciones-socioeconomicas, echo=TRUE}

# Correlaciones con las 112 UPZ
correlaciones_completas <- c(
  pobreza = cor(
    variables_integradas$pct_pobreza,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    variables_integradas$salario_promedio,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  percepcion = cor(
    variables_integradas$pct_percibe_inseguridad,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Correlaciones sin las UPZ clasificadas en P13
datos_sin_p13 <- variables_integradas %>%
  filter(grupo_poblacion == "Resto de UPZ")

correlaciones_sin_p13 <- c(
  pobreza = cor(
    datos_sin_p13$pct_pobreza,
    datos_sin_p13$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    datos_sin_p13$salario_promedio,
    datos_sin_p13$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  percepcion = cor(
    datos_sin_p13$pct_percibe_inseguridad,
    datos_sin_p13$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Tabla comparativa
tabla_sensibilidad_socioeconomica <- tibble(
  Variable = c(
    "Porcentaje de pobreza",
    "Salario promedio",
    "Percepción de inseguridad"
  ),
  Correlacion_112_UPZ = as.numeric(correlaciones_completas),
  Correlacion_sin_P13 = as.numeric(correlaciones_sin_p13)
) %>%
  mutate(
    Diferencia = Correlacion_sin_P13 - Correlacion_112_UPZ
  )

knitr::kable(
  tabla_sensibilidad_socioeconomica %>%
    mutate(
      across(
        c(Correlacion_112_UPZ, Correlacion_sin_P13, Diferencia),
        ~ round(.x, 3)
      )
    ),
  caption = "Sensibilidad de las correlaciones socioeconómicas frente a la exclusión temporal de las UPZ P13"
)

```

Los resultados del análisis de sensibilidad muestran que las tres correlaciones conservan su dirección al retirar temporalmente las UPZ clasificadas en P13. Sin embargo, se presentan variaciones en la magnitud de las asociaciones.

La correlación entre pobreza y tasa de delitos pasa de -0,524 a -0,570, mientras que la relación con el salario promedio aumenta de 0,592 a 0,645. Por su parte, la percepción de inseguridad pasa de -0,304 a -0,346.

El salario promedio presenta la mayor variación absoluta, seguido por el porcentaje de pobreza y la percepción de inseguridad. No obstante, los cambios son moderados y ninguna de las asociaciones modifica su dirección.

Estos resultados sugieren que las relaciones identificadas no están determinadas exclusivamente por las UPZ de menor población. Sin embargo, esta prueba no elimina otras posibles fuentes de influencia, como las diferencias territoriales, la presencia de valores extremos y las limitaciones de las fuentes de información.

En consecuencia, se mantienen las 112 UPZ como universo del estudio y se utiliza el análisis sin P13 como una comprobación complementaria de sensibilidad.

### 5.6.9. Entorno urbano, percepción de inseguridad y acceso institucional

En este apartado se exploran las relaciones entre algunas condiciones del entorno urbano, el acceso a la infraestructura institucional de seguridad y los indicadores de inseguridad.

Se consideran dos variables del entorno: el porcentaje de personas que perciben la cercanía de lotes oscuros y el tiempo mínimo de acceso a un CAI o estación de Policía. Estas variables se contrastan con el porcentaje de percepción de inseguridad y la tasa agregada de los cinco delitos priorizados.

El propósito es identificar posibles asociaciones territoriales que permitan ampliar la comprensión del fenómeno. Se utiliza el coeficiente de Spearman, debido a que permite evaluar relaciones monotónicas sin exigir una distribución normal de las variables.

Los resultados deben interpretarse como asociaciones exploratorias y no como evidencia de causalidad. También se consideran las diferencias temporales entre las fuentes de información y las limitaciones de las variables socioeconómicas agrupadas.

```{r correlaciones-entorno-acceso-seguridad, echo=TRUE}

variables_entorno <- variables_integradas %>%
  select(
    pct_cerca_lotes_oscuros,
    min_cai_policia,
    pct_percibe_inseguridad,
    tasa_seleccionada
  )

matriz_correlaciones_entorno <- cor(
  variables_entorno,
  method = "spearman",
  use = "pairwise.complete.obs"
)

knitr::kable(
  round(matriz_correlaciones_entorno, 3),
  caption = "Correlaciones de Spearman entre entorno urbano, acceso institucional y seguridad"
)

# Preparación de datos para el mapa de calor
correlaciones_entorno_largas <- as.data.frame(
  as.table(matriz_correlaciones_entorno)
) %>%
  rename(
    Variable_1 = Var1,
    Variable_2 = Var2,
    Correlacion = Freq
  )

# Mapa de calor
ggplot(
  correlaciones_entorno_largas,
  aes(x = Variable_1, y = Variable_2, fill = Correlacion)
) +
  geom_tile(color = "white", linewidth = 0.8) +
  geom_text(
    aes(label = round(Correlacion, 2)),
    color = "black",
    size = 3.8
  ) +
  scale_fill_gradient2(
    low = morado,
    mid = "white",
    high = magenta,
    midpoint = 0,
    limits = c(-1, 1),
    name = "Spearman"
  ) +
  labs(
    title = "Entorno urbano, acceso institucional y seguridad",
    subtitle = "Matriz de correlaciones de Spearman",
    x = NULL,
    y = NULL
  ) +
  coord_fixed() +
  tema_clase +
  theme(
    axis.text.x = element_text(angle = 40, hjust = 1, size = 9),
    axis.text.y = element_text(size = 9),
    panel.grid = element_blank()
  )

```
Los resultados muestran asociaciones débiles entre las condiciones del entorno urbano, el acceso institucional y los indicadores de seguridad.

Se identifica una correlación positiva entre la percepción de cercanía a lotes oscuros y la percepción de inseguridad (ρ = 0,329), lo que sugiere que las UPZ con mayores porcentajes en esta condición tienden a presentar también mayores niveles de percepción de inseguridad.

Sin embargo, la relación entre lotes oscuros y tasa de delitos es inversa (ρ = -0,369). De manera similar, el tiempo mínimo de acceso a un CAI presenta una correlación inversa con la tasa de delitos (ρ = -0,330). Estos resultados muestran que las condiciones del entorno y la cercanía a la infraestructura institucional no necesariamente se relacionan de forma directa con las denuncias registradas.

Por otra parte, la correlación entre el tiempo de acceso a un CAI y la percepción de inseguridad es prácticamente nula (ρ = 0,023), por lo que no se identifica una asociación monotónica entre ambas variables.

En conjunto, los resultados evidencian que la percepción ciudadana, las condiciones del entorno y las tasas de delitos registrados representan dimensiones diferentes del fenómeno de seguridad. Las asociaciones encontradas no permiten establecer relaciones causales y deben interpretarse considerando las características territoriales y las limitaciones temporales de las fuentes utilizadas.


### 5.6.10. Visualización de las relaciones entre entorno, percepción y seguridad

Para profundizar en los resultados de la matriz de correlaciones, se presentan gráficos de dispersión que permiten observar las relaciones entre la percepción de cercanía a lotes oscuros, la percepción de inseguridad y la tasa de delitos priorizados.

Se incorpora una línea de tendencia LOESS para facilitar la identificación de posibles patrones y se presenta el coeficiente de Spearman como referencia estadística.

Esta visualización permite contrastar las asociaciones encontradas y observar posibles comportamientos atípicos entre las UPZ. Los resultados se interpretan como relaciones exploratorias, sin establecer causalidad entre las variables.

```{r graficos-entorno-seguridad, echo=TRUE}

# Coeficientes de Spearman
cor_lotes_percepcion <- cor(
  variables_integradas$pct_cerca_lotes_oscuros,
  variables_integradas$pct_percibe_inseguridad,
  method = "spearman",
  use = "complete.obs"
)

cor_lotes_tasa <- cor(
  variables_integradas$pct_cerca_lotes_oscuros,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)

cor_cai_tasa <- cor(
  variables_integradas$min_cai_policia,
  variables_integradas$tasa_seleccionada,
  method = "spearman",
  use = "complete.obs"
)


# 1. Lotes oscuros y percepción de inseguridad
ggplot(
  variables_integradas,
  aes(x = pct_cerca_lotes_oscuros, y = pct_percibe_inseguridad)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Lotes oscuros y percepción de inseguridad",
    subtitle = paste("Correlación de Spearman:", round(cor_lotes_percepcion, 3)),
    x = "Porcentaje de percepción de cercanía a lotes oscuros",
    y = "Porcentaje de percepción de inseguridad"
  ) +
  tema_clase


# 2. Lotes oscuros y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = pct_cerca_lotes_oscuros, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Lotes oscuros y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_lotes_tasa, 3)),
    x = "Porcentaje de percepción de cercanía a lotes oscuros",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase


# 3. Tiempo de acceso a CAI y tasa de delitos
ggplot(
  variables_integradas,
  aes(x = min_cai_policia, y = tasa_seleccionada)
) +
  geom_point(color = magenta, size = 2.5, alpha = 0.75) +
  geom_smooth(
    method = "loess",
    formula = y ~ x,
    color = morado,
    fill = morado,
    alpha = 0.15
  ) +
  labs(
    title = "Acceso a CAI y tasa de delitos",
    subtitle = paste("Correlación de Spearman:", round(cor_cai_tasa, 3)),
    x = "Tiempo mínimo de acceso a CAI o estación de Policía",
    y = "Tasa de delitos por cada 10.000 habitantes"
  ) +
  tema_clase

```

La visualización de las relaciones entre las condiciones del entorno, la percepción de inseguridad y las tasas de delitos permite identificar comportamientos diferenciados entre las UPZ.

En primer lugar, la relación entre la percepción de cercanía a lotes oscuros y la percepción de inseguridad presenta una asociación positiva débil (ρ = 0,329). La curva LOESS muestra un incremento inicial y posteriormente una estabilización, lo que sugiere que la relación no mantiene un comportamiento uniforme en todo el rango de valores.

Por otra parte, la relación entre lotes oscuros y tasa de delitos presenta una asociación inversa débil (ρ = -0,369). Sin embargo, la curva de tendencia evidencia un comportamiento no lineal y una alta dispersión de las observaciones, por lo que no se identifica un patrón territorial consistente.

De manera similar, el tiempo mínimo de acceso a un CAI presenta una asociación inversa débil con la tasa de delitos (ρ = -0,330). La curva LOESS muestra variaciones a lo largo de la distribución y no permite establecer una relación uniforme entre el tiempo de acceso y las tasas registradas.

En conjunto, los resultados sugieren que las condiciones del entorno y el acceso a infraestructura institucional deben analizarse considerando las particularidades de cada territorio. La presencia de valores extremos y las diferencias poblacionales pueden influir en las asociaciones observadas, por lo que no es posible establecer relaciones causales a partir de estos resultados.


### 5.6.11. Diagnóstico de valores extremos en las tasas de delitos

Con el propósito de identificar las observaciones que pueden influir en las relaciones estadísticas analizadas, se examinan las UPZ con las tasas más elevadas de los cinco delitos priorizados.

La revisión considera conjuntamente la población, el número de casos registrados y la tasa por cada 10.000 habitantes. Esto permite diferenciar los territorios que presentan un volumen elevado de denuncias de aquellos donde una población reducida puede amplificar considerablemente el indicador.

Este diagnóstico no implica excluir observaciones. Su finalidad es reconocer las particularidades de los territorios y evaluar con mayor precisión la influencia de los valores extremos en los análisis posteriores.

```{r diagnostico-valores-extremos-tasas, echo=TRUE}

diagnostico_tasas_extremas <- variables_integradas %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    localidad,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 15) %>%
  mutate(
    tasa_seleccionada = round(tasa_seleccionada, 2)
  )

knitr::kable(
  diagnostico_tasas_extremas,
  caption = "15 UPZ con las tasas más elevadas de los cinco delitos priorizados"
)

```

El diagnóstico de las 15 UPZ con mayores tasas de los cinco delitos priorizados permite identificar dos situaciones diferenciadas.

En primer lugar, se observan territorios con poblaciones reducidas donde el número de casos registrados genera tasas considerablemente elevadas. El caso más representativo es El Mochuelo, con una población de 30 habitantes y 32 casos, lo que produce una tasa de 10.666,66 por cada 10.000 habitantes. Este resultado evidencia la sensibilidad del indicador frente a denominadores poblacionales pequeños y requiere especial cautela en su interpretación.

En segundo lugar, se identifican UPZ con poblaciones considerablemente mayores que también presentan tasas elevadas y volúmenes importantes de denuncias. Entre ellas se encuentran Las Nieves, La Sabana, Chicó Lago, Chapinero y Teusaquillo. Esto demuestra que los valores extremos no se explican exclusivamente por poblaciones pequeñas.

Una posible hipótesis es que las características de actividad económica, comercial y de movilidad de algunos territorios influyan en la concentración de denuncias. Sin embargo, esta explicación requiere información adicional sobre población flotante y dinámica territorial.

En consecuencia, las tasas deben analizarse conjuntamente con el número absoluto de casos y el tamaño poblacional. Se mantienen todas las UPZ en el estudio, reconociendo las limitaciones de comparabilidad que presentan los territorios con poblaciones reducidas.


### 5.6.12. Sensibilidad de las correlaciones frente a tasas extremas

Se realiza una prueba de sensibilidad para evaluar la influencia de las UPZ con las cinco tasas más elevadas de los delitos priorizados sobre las asociaciones estadísticas identificadas.

Para ello, se comparan los coeficientes de Spearman calculados con las 112 UPZ frente a los obtenidos al retirar temporalmente estas cinco observaciones.

Se examinan las relaciones de la tasa de delitos con el porcentaje de pobreza, el salario promedio, la percepción de cercanía a lotes oscuros y el tiempo mínimo de acceso a un CAI.

Este ejercicio permite establecer si las asociaciones identificadas se mantienen ante la presencia de valores extremos. La selección de estas cinco UPZ responde exclusivamente a su posición en el ranking de tasas y no implica que deban excluirse del análisis territorial.


```{r sensibilidad-correlaciones-tasas-extremas, echo=TRUE}

# Identificar las cinco UPZ con mayores tasas
upz_extremas <- variables_integradas %>%
  slice_max(
    order_by = tasa_seleccionada,
    n = 5,
    with_ties = FALSE
  )

# Mostrar las UPZ seleccionadas
knitr::kable(
  upz_extremas %>%
    select(
      upz_nombre,
      localidad,
      poblacion,
      casos_seleccionados,
      tasa_seleccionada
    ),
  caption = "Cinco UPZ retiradas temporalmente para la prueba de sensibilidad"
)

# Crear conjunto de datos sin las cinco UPZ extremas
datos_sin_extremos <- variables_integradas %>%
  anti_join(
    upz_extremas %>% select(upz_cod),
    by = "upz_cod"
  )

# Calcular correlaciones con las 112 UPZ
correlaciones_112 <- c(
  pobreza = cor(
    variables_integradas$pct_pobreza,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    variables_integradas$salario_promedio,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  lotes_oscuros = cor(
    variables_integradas$pct_cerca_lotes_oscuros,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  acceso_cai = cor(
    variables_integradas$min_cai_policia,
    variables_integradas$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Calcular correlaciones sin las cinco UPZ extremas
correlaciones_sin_extremos <- c(
  pobreza = cor(
    datos_sin_extremos$pct_pobreza,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  salario = cor(
    datos_sin_extremos$salario_promedio,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  lotes_oscuros = cor(
    datos_sin_extremos$pct_cerca_lotes_oscuros,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  ),
  acceso_cai = cor(
    datos_sin_extremos$min_cai_policia,
    datos_sin_extremos$tasa_seleccionada,
    method = "spearman",
    use = "complete.obs"
  )
)

# Construir tabla comparativa
tabla_sensibilidad_extremos <- tibble(
  Variable = c(
    "Porcentaje de pobreza",
    "Salario promedio",
    "Percepción de cercanía a lotes oscuros",
    "Tiempo mínimo de acceso a CAI"
  ),
  Correlacion_112_UPZ = as.numeric(correlaciones_112),
  Correlacion_sin_extremos = as.numeric(correlaciones_sin_extremos)
) %>%
  mutate(
    Diferencia = Correlacion_sin_extremos - Correlacion_112_UPZ
  )

knitr::kable(
  tabla_sensibilidad_extremos %>%
    mutate(
      across(
        c(
          Correlacion_112_UPZ,
          Correlacion_sin_extremos,
          Diferencia
        ),
        ~ round(.x, 3)
      )
    ),
  caption = "Sensibilidad de las correlaciones frente a las cinco tasas más elevadas"
)

```

La prueba de sensibilidad frente a las cinco UPZ con mayores tasas de delitos permite evaluar la influencia de las observaciones extremas sobre las asociaciones estadísticas.

Los resultados muestran que las cuatro correlaciones conservan su dirección después de retirar temporalmente estas observaciones. La relación entre pobreza y tasa de delitos pasa de -0,524 a -0,565, mientras que la asociación con el salario promedio aumenta de 0,592 a 0,634.

El cambio más importante se presenta en la relación entre la percepción de cercanía a lotes oscuros y la tasa de delitos, cuyo coeficiente pasa de -0,369 a -0,465. Esto indica que las cinco observaciones extremas tienen una mayor influencia sobre esta asociación. Por su parte, la relación con el tiempo mínimo de acceso a un CAI presenta una variación menor, pasando de -0,330 a -0,369.

En conjunto, los resultados indican que las asociaciones mantienen su dirección al retirar temporalmente las cinco UPZ con mayores tasas, aunque presentan cambios en su magnitud. Por tanto, los valores extremos influyen en la intensidad de algunas relaciones, pero no explican por sí solos los patrones identificados.

Esta comprobación complementa el análisis de sensibilidad frente a las UPZ P13 y refuerza la decisión de conservar la totalidad de los territorios en el estudio, utilizando las pruebas de sensibilidad como herramientas de validación.


### **5.6.13. Síntesis del análisis de relaciones entre variables**

El análisis de correlaciones permitió explorar las relaciones entre las características demográficas, las condiciones socioeconómicas, la infraestructura urbana, la percepción de inseguridad y las tasas de los cinco delitos priorizados en las UPZ de Bogotá.

Entre los principales resultados se identificó una asociación positiva moderada entre el salario promedio y la tasa de delitos (ρ = 0,592), así como una asociación inversa moderada con el porcentaje de pobreza (ρ = -0,524). Por su parte, la percepción de inseguridad presentó una relación débil e inversa con la tasa de delitos (ρ = -0,304), lo que evidencia que la percepción ciudadana y las denuncias registradas no necesariamente siguen el mismo comportamiento territorial.

En cuanto a las condiciones del entorno, se encontró una asociación positiva débil entre la percepción de cercanía a lotes oscuros y la percepción de inseguridad (ρ = 0,329). Sin embargo, las relaciones de estas variables con la tasa de delitos fueron inversas y débiles. El tiempo mínimo de acceso a un CAI también presentó una asociación inversa débil con dicha tasa (ρ = -0,330), sin que estos resultados permitan establecer una relación causal.

El análisis de sensibilidad permitió comprobar que las asociaciones conservan su dirección al retirar temporalmente las UPZ clasificadas en P13 y las cinco observaciones con mayores tasas. No obstante, se identificaron variaciones en la magnitud de algunos coeficientes, especialmente en la relación entre lotes oscuros y tasa de delitos.

Finalmente, se reconoce que las tasas pueden verse afectadas por el tamaño de la población residente, la presencia de valores extremos, la actividad territorial y las limitaciones de las fuentes utilizadas. También debe considerarse que parte de la información socioeconómica corresponde a estimaciones agrupadas y que existen diferencias temporales entre los datos de percepción y los registros de delitos.

En consecuencia, los resultados constituyen una aproximación exploratoria a las relaciones territoriales de la inseguridad. No permiten establecer causalidad, pero aportan elementos para formular nuevas preguntas y orientar análisis posteriores sobre las características sociales, urbanas y demográficas de las UPZ.

# 6. Visualización geográfica: distribución territorial de la inseguridad en Bogotá

El análisis geográfico permite complementar los resultados estadísticos mediante la representación espacial de los indicadores asociados con las condiciones de seguridad de las UPZ de Bogotá.

Mientras que las tablas y los gráficos anteriores permiten identificar distribuciones, diferencias y asociaciones entre variables, los mapas facilitan la comprensión de cómo se distribuyen estos comportamientos en el territorio.

Para desarrollar esta etapa se integrará la información estadística de las UPZ con los archivos geográficos que contienen sus límites territoriales. De esta manera, será posible representar indicadores como la cantidad de delitos denunciados, las tasas de criminalidad, la percepción de inseguridad y algunas características socioeconómicas y de infraestructura.

La visualización se realizará mediante mapas temáticos, utilizando escalas de color que permitan diferenciar los niveles de cada indicador entre las unidades territoriales.

El propósito no es únicamente identificar las UPZ con valores altos o bajos, sino reconocer posibles concentraciones espaciales, diferencias entre localidades y patrones territoriales que complementen los resultados del análisis exploratorio.

Es importante tener presente que la representación geográfica no modifica las limitaciones de las fuentes originales. Por tanto, los mapas deben interpretarse considerando los periodos de referencia de los datos, las diferencias en las metodologías de medición y las características de las estimaciones disponibles.

## 6.1. Revisión de la información geográfica

Primero debemos conocer la estructura de los archivos geográficos. Aunque ya los cargamos, necesitamos identificar sus campos, sistemas de coordenadas y características generales.

```{r revision-archivos-geograficos, echo=TRUE}
# Revisar la estructura del archivo geográfico de UPZ

cat("ESTRUCTURA DEL ARCHIVO DE UPZ/n")

glimpse(upz_shp)

# Identificar los campos disponibles

names(upz_shp)

# Revisar el sistema de coordenadas

st_crs(upz_shp)

# Consultar la cantidad de polígonos

nrow(upz_shp)

# Revisar los primeros registros

head(st_drop_geometry(upz_shp), 5)
```

Ahora realizamos la misma revisión para el archivo geográfico de localidades.

```{r revision-archivo-localidades, echo=TRUE}
# Revisar la estructura del archivo de localidades

cat("ESTRUCTURA DEL ARCHIVO DE LOCALIDADES/n")

glimpse(localidades_shp)

# Identificar los campos disponibles

names(localidades_shp)

# Revisar el sistema de coordenadas

st_crs(localidades_shp)

# Consultar la cantidad de polígonos

nrow(localidades_shp)

# Revisar los primeros registros

head(st_drop_geometry(localidades_shp), 5)
```

### 6.1.1. Verificación visual de los archivos geográficos

Antes de integrar la información estadística, también es conveniente visualizar los polígonos originales. Esto permite comprobar que las geometrías se encuentran correctamente cargadas y que corresponden al territorio de Bogotá.

```{r visualizacion-base-upz, echo=TRUE}
# Visualización inicial de los polígonos de las UPZ

ggplot() +
  geom_sf(
    data = upz_shp,
    fill = "#E9E3ED",
    color = morado,
    linewidth = 0.25
  ) +
  labs(
    title = "División territorial de Bogotá por UPZ",
    subtitle = "Representación de los polígonos geográficos disponibles",
    caption = "Fuente: archivo geográfico de UPZ suministrado para el taller."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank()
  )
```

### 6.2. Integración de la información estadística y geográfica

Una vez revisada la estructura de los archivos geográficos, se procede a integrar la información estadística de las UPZ con sus respectivos polígonos territoriales.

Para realizar esta operación se utiliza el campo `upz_cod`, que funciona como identificador común entre ambas fuentes. Este procedimiento permite incorporar los indicadores demográficos, socioeconómicos, de infraestructura y de seguridad a cada unidad geográfica, conservando la geometría necesaria para su representación cartográfica.

Antes de construir los mapas temáticos, se valida que la unión conserve la totalidad de los registros, que no existan códigos sin correspondencia y que las variables estadísticas se encuentren disponibles después de la integración.

Esta validación es importante porque cualquier inconsistencia en la relación entre los datos y los polígonos podría generar representaciones territoriales incompletas o asignaciones incorrectas de los indicadores.

```{r integracion-datos-geograficos, echo=TRUE}
# Integrar la información estadística con los polígonos de las UPZ

upz_mapa <- upz_shp %>%
  left_join(
    upz %>% select(-upz_nombre),
    by = "upz_cod"
  )

# Validar la cantidad de registros y polígonos

cat("REGISTROS DE LA BASE ESTADÍSTICA:", nrow(upz), "/n")
cat("POLÍGONOS DEL ARCHIVO GEOGRÁFICO:", nrow(upz_shp), "/n")
cat("REGISTROS DESPUÉS DE LA UNIÓN:", nrow(upz_mapa), "/n")

# Identificar códigos de la base estadística sin geometría

upz_sin_geometria <- upz %>%
  anti_join(
    st_drop_geometry(upz_shp),
    by = "upz_cod"
  )

# Identificar polígonos sin información estadística

poligonos_sin_datos <- st_drop_geometry(upz_shp) %>%
  anti_join(
    upz,
    by = "upz_cod"
  )

# Revisar valores faltantes en las variables estadísticas integradas

faltantes_integracion <- upz_mapa %>%
  st_drop_geometry() %>%
  summarise(
    across(
      everything(),
      ~ sum(is.na(.))
    )
  ) %>%
  pivot_longer(
    cols = everything(),
    names_to = "Variable",
    values_to = "Valores_faltantes"
  ) %>%
  filter(Valores_faltantes > 0)

# Presentar resultados de validación

cat("/nCÓDIGOS SIN GEOMETRÍA:", nrow(upz_sin_geometria), "/n")
cat("POLÍGONOS SIN DATOS:", nrow(poligonos_sin_datos), "/n")
cat("VARIABLES CON VALORES FALTANTES:", nrow(faltantes_integracion), "/n")

# Consultar los primeros registros de la base integrada

head(
  st_drop_geometry(upz_mapa) %>%
    select(
      upz_cod,
      upz_nombre,
      poblacion,
      casos_total,
      tasa_total
    ),
  10
)
```

## 6.3. Distribución territorial de los delitos

Una vez integrada la información estadística y geográfica, se realiza la representación espacial de los indicadores de seguridad para identificar diferencias en la distribución territorial de los delitos registrados en las UPZ de Bogotá.

En primer lugar, se analiza la tasa total de delitos por cada 10.000 habitantes. Este indicador relaciona el número de casos registrados con la población residente y permite complementar la lectura de los conteos absolutos. Posteriormente, se representa el número total de casos denunciados, con el propósito de identificar los territorios donde se concentra el mayor volumen de registros.

La comparación de ambos indicadores permite reconocer que una mayor cantidad de denuncias no necesariamente corresponde a una mayor tasa, y viceversa. También permite identificar territorios donde las poblaciones reducidas pueden generar tasas considerablemente elevadas.

Es importante considerar que los indicadores corresponden al periodo enero-julio de 2023 y representan denuncias registradas, no necesariamente la totalidad de los hechos ocurridos. Asimismo, las tasas de las UPZ con poblaciones pequeñas deben interpretarse con especial cautela debido a su sensibilidad frente al denominador poblacional.

### 6.3.1. Evaluación de la distribución y los valores extremos

Antes de realizar la representación cartográfica, se examina la distribución estadística de la tasa total de delitos para identificar posibles asimetrías y valores extremos.

Esta revisión es importante porque las tasas relacionan los casos registrados con la población residente. En consecuencia, las UPZ con poblaciones reducidas pueden presentar valores elevados incluso cuando el número absoluto de denuncias no es alto.

El propósito es reconocer las características de la distribución y establecer criterios adecuados para su representación espacial, conservando los valores originales y evitando que unas pocas observaciones dificulten la lectura de las diferencias territoriales.

```{r distribucion-tasa-total, echo=TRUE}

# Extraer los valores de la tasa total
tasas_totales <- upz_mapa$tasa_total
tasas_totales <- tasas_totales[!is.na(tasas_totales)]

# Estadísticas descriptivas
media_tasa <- mean(tasas_totales)
mediana_tasa <- median(tasas_totales)
desviacion_tasa <- sd(tasas_totales)

q1_tasa <- quantile(tasas_totales, 0.25)
q3_tasa <- quantile(tasas_totales, 0.75)
rango_intercuartil <- IQR(tasas_totales)

# Límites para identificar valores extremos
limite_inferior <- q1_tasa - 1.5 * rango_intercuartil
limite_superior <- q3_tasa + 1.5 * rango_intercuartil

# Coeficiente de asimetría de Fisher
asimetria_tasa <- mean(
  (tasas_totales - media_tasa)^3
) / sd(tasas_totales)^3

# Tabla de resultados
resumen_tasa_total <- tibble(
  Indicador = c(
    "Número de UPZ",
    "Media",
    "Mediana",
    "Desviación estándar",
    "Mínimo",
    "Primer cuartil (Q1)",
    "Tercer cuartil (Q3)",
    "Máximo",
    "Asimetría",
    "Límite inferior",
    "Límite superior",
    "Cantidad de valores extremos"
  ),
  Resultado = c(
    length(tasas_totales),
    media_tasa,
    mediana_tasa,
    desviacion_tasa,
    min(tasas_totales),
    q1_tasa,
    q3_tasa,
    max(tasas_totales),
    asimetria_tasa,
    limite_inferior,
    limite_superior,
    sum(
      tasas_totales < limite_inferior |
      tasas_totales > limite_superior
    )
  )
)

knitr::kable(
  resumen_tasa_total %>%
    mutate(Resultado = round(Resultado, 2)),
  caption = "Estadísticas descriptivas y detección de valores extremos de la tasa total de delitos"
)

# Histograma de la distribución
ggplot(
  data.frame(tasa_total = tasas_totales),
  aes(x = tasa_total)
) +
  geom_histogram(
    bins = 25,
    fill = magenta,
    color = "white",
    alpha = 0.85
  ) +
  geom_vline(
    xintercept = media_tasa,
    color = morado,
    linewidth = 1,
    linetype = "dashed"
  ) +
  geom_vline(
    xintercept = mediana_tasa,
    color = "#D9006C",
    linewidth = 1,
    linetype = "dotted"
  ) +
  labs(
    title = "Distribución de la tasa total de delitos",
    subtitle = "Línea discontinua: media | Línea punteada: mediana",
    x = "Tasa por cada 10.000 habitantes",
    y = "Cantidad de UPZ"
  ) +
  tema_clase

```


### 6.3.2. Distribución territorial de la tasa total de delitos

El mapa coroplético permite observar la distribución espacial de la tasa total de delitos por cada 10.000 habitantes. Para facilitar la diferenciación visual entre territorios, se utiliza una escala de colores con transformación pseudo-logarítmica.

Esta transformación permite representar simultáneamente valores bajos y elevados sin modificar los datos originales. La interpretación debe considerar que las tasas de las UPZ con poblaciones pequeñas pueden presentar una mayor sensibilidad frente al denominador poblacional.

```{r mapa-tasa-total-delitos, echo=TRUE}

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = tasa_total),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    trans = scales::pseudo_log_trans(sigma = 1),
    breaks = c(0, 100, 500, 1000, 3000, 6000, 10000),
    name = "Tasa por cada\n10.000 habitantes",
    labels = scales::label_comma(accuracy = 1),
    na.value = "grey85"
  ) +
  labs(
    title = "Distribución territorial de la tasa total de delitos",
    subtitle = "UPZ de Bogotá · Enero a julio de 2023",
    caption = "Fuente: elaboración propia con información estadística y geográfica suministrada para el taller."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right",
    legend.title = element_text(size = 11),
    legend.text = element_text(size = 9)
  )

```

### 6.3.3. Distribución territorial de los casos totales denunciados

Como complemento al análisis de las tasas, se representa el número absoluto de casos registrados en cada UPZ. Esta visualización permite identificar los territorios que concentran el mayor volumen de denuncias, independientemente de su tamaño poblacional.

La comparación con el mapa de tasas permite reconocer diferencias entre concentración de casos y relación de los registros con la población residente.

```{r mapa-casos-total-delitos, echo=TRUE}

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = casos_total),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    trans = scales::pseudo_log_trans(sigma = 1),
    name = "Casos denunciados",
    labels = scales::label_comma(accuracy = 1),
    na.value = "grey85"
  ) +
  labs(
    title = "Distribución territorial de los casos denunciados",
    subtitle = "UPZ de Bogotá · Enero a julio de 2023",
    caption = "Fuente: elaboración propia con información estadística y geográfica suministrada para el taller."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right",
    legend.title = element_text(size = 11),
    legend.text = element_text(size = 9)
  )

```


---
### 6.3.4. Representación de la tasa mediante escala logarítmica

Debido a la asimetría identificada en la distribución de la tasa total de delitos, se propone una representación cartográfica complementaria mediante una escala logarítmica.

Esta transformación permite reducir el efecto visual de los valores extremos y mejorar la diferenciación de las UPZ que presentan tasas bajas y medias. Es importante aclarar que la transformación se aplica exclusivamente a la escala de representación y no modifica los valores originales utilizados en el análisis estadístico.

De esta manera, se busca facilitar la comparación territorial sin eliminar observaciones ni ocultar la existencia de valores elevados.

```{r revision-denominadores-pequenos, echo=TRUE}
# Identificar UPZ con poblaciones más pequeñas

upz %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total
  ) %>%
  slice_head(n = 15)
```

### 6.3.5. Clasificación territorial mediante quintiles

Como alternativa a la representación mediante escalas continuas, se construye un mapa temático basado en quintiles. Esta clasificación organiza las UPZ en cinco grupos de acuerdo con la posición relativa de sus tasas de delitos.

La utilización de quintiles facilita la identificación de las unidades territoriales que presentan niveles relativamente bajos, intermedios o altos dentro del conjunto analizado.

A diferencia de la transformación logarítmica, esta clasificación no modifica la escala numérica de los datos, sino que agrupa las observaciones en categorías. Por tanto, debe interpretarse como una herramienta de comparación relativa y no como una clasificación de riesgo absoluto.

Los valores originales de las tasas se conservan para los análisis estadísticos y para la identificación de posibles valores extremos.

```{r mapa-tasa-delitos-quintiles, echo=TRUE}
# Clasificar las UPZ en cinco grupos según su tasa total

upz_mapa <- upz_mapa %>%
  mutate(
    quintil_tasa = ntile(tasa_total, 5),
    quintil_tasa = factor(
      quintil_tasa,
      levels = 1:5,
      labels = c(
        "Q1 - Muy bajo",
        "Q2 - Bajo",
        "Q3 - Medio",
        "Q4 - Alto",
        "Q5 - Muy alto"
      )
    )
  )

# Construir mapa por quintiles

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = quintil_tasa),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_manual(
    values = c(
      "Q1 - Muy bajo" = "#E9E3ED",
      "Q2 - Bajo" = "#C8B5D3",
      "Q3 - Medio" = "#A98DBB",
      "Q4 - Alto" = "#D9006C",
      "Q5 - Muy alto" = "#351A4F"
    ),
    name = "Quintiles",
    na.value = "grey85"
  ) +
  labs(
    title = "Clasificación territorial de la tasa de delitos",
    subtitle = "UPZ agrupadas en cinco quintiles · Enero a julio de 2023",
    caption = "Los quintiles representan posiciones relativas dentro de las UPZ analizadas. No constituyen categorías de riesgo absoluto."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```

```{r resumen-quintiles-tasa, echo=TRUE}
upz_mapa %>%
  st_drop_geometry() %>%
  group_by(quintil_tasa) %>%
  summarise(
    Numero_UPZ = n(),
    Tasa_minima = min(tasa_total, na.rm = TRUE),
    Tasa_mediana = median(tasa_total, na.rm = TRUE),
    Tasa_maxima = max(tasa_total, na.rm = TRUE),
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    .groups = "drop"
  )
```

### 6.3.6. Evaluación de las tasas en UPZ con poblaciones pequeñas

Antes de interpretar los mapas como una distribución territorial de inseguridad, debemos revisar el tamaño de la población que sirve como denominador de las tasas.

```{r revision-estabilidad-tasas, echo=TRUE}
# Identificar las 15 UPZ con menor población

upz %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total
  ) %>%
  slice_head(n = 15)

# Relación entre población y tasa total

ggplot(upz, aes(x = poblacion, y = tasa_total)) +
  geom_point(
    color = "#D9006C",
    alpha = 0.75,
    size = 2.5
  ) +
  scale_x_continuous(
    labels = scales::label_comma()
  ) +
  scale_y_continuous(
    labels = scales::label_comma()
  ) +
  labs(
    title = "Población y tasa total de delitos por UPZ",
    subtitle = "Evaluación de la influencia del tamaño poblacional",
    x = "Población",
    y = "Tasa por cada 10.000 habitantes"
  ) +
  tema_clase
```

## 6.4. Mapa interactivo de la distribución territorial de los delitos

Como complemento a las representaciones cartográficas estáticas, se construye un mapa interactivo mediante la librería Leaflet. Esta herramienta permite explorar las unidades territoriales con mayor detalle y consultar información específica de cada UPZ.

La visualización utiliza la clasificación por quintiles de la tasa total de delitos, conservando la misma categorización del mapa estático. Al seleccionar o ubicar el cursor sobre cada polígono, es posible consultar el nombre de la UPZ, su población, el número de casos denunciados y la tasa registrada durante el periodo analizado.

Esta representación facilita la exploración individual de los territorios y permite contrastar los valores absolutos con las tasas relativas, sin perder de vista las limitaciones asociadas al tamaño poblacional de algunas UPZ.

```{r mapa-interactivo-delitos, echo=TRUE}
# Definir la paleta de colores para los quintiles

paleta_quintiles <- colorFactor(
  palette = c(
    "#E9E3ED",
    "#C8B5D3",
    "#A98DBB",
    "#D9006C",
    "#351A4F"
  ),
  domain = levels(upz_mapa$quintil_tasa),
  na.color = "grey85"
)

# Construir etiquetas de las UPZ

etiquetas_upz <- paste0(
  "<strong>UPZ: </strong>",
  upz_mapa$upz_nombre,
  "<br><strong>Población: </strong>",
  scales::comma(upz_mapa$poblacion),
  "<br><strong>Casos denunciados: </strong>",
  scales::comma(upz_mapa$casos_total),
  "<br><strong>Tasa por 10.000 habitantes: </strong>",
  scales::number(upz_mapa$tasa_total, accuracy = 0.1),
  "<br><strong>Clasificación: </strong>",
  upz_mapa$quintil_tasa
)

# Crear mapa interactivo

leaflet(upz_mapa) %>%
  addProviderTiles(
    providers$OpenStreetMap.Mapnik
  ) %>%
  addPolygons(
    fillColor = ~paleta_quintiles(quintil_tasa),
    fillOpacity = 0.75,
    color = "white",
    weight = 1,
    opacity = 1,
    label = lapply(etiquetas_upz, htmltools::HTML),
    highlightOptions = highlightOptions(
      weight = 3,
      color = "#D9006C",
      fillOpacity = 0.9,
      bringToFront = TRUE
    )
  ) %>%
  addLegend(
    position = "bottomright",
    pal = paleta_quintiles,
    values = ~quintil_tasa,
    title = "Tasa de delitos",
    opacity = 0.8
  )
```

## 6.5. Comparación de las representaciones cartográficas

Las representaciones cartográficas desarrolladas permiten observar la distribución territorial de los delitos desde diferentes perspectivas.

La escala continua conserva la magnitud original de las tasas, aunque puede verse condicionada por la presencia de valores extremos. La escala logarítmica facilita la diferenciación visual de los valores bajos e intermedios, mientras que la clasificación por quintiles permite comparar la posición relativa de cada UPZ dentro del conjunto analizado.

Estas alternativas no son excluyentes, ya que responden a objetivos de visualización diferentes. Por esta razón, su interpretación debe considerar tanto la escala utilizada como las características de la población de cada unidad territorial.

En particular, las tasas calculadas sobre poblaciones pequeñas requieren precaución, debido a que pocos casos pueden generar variaciones importantes en el indicador. Por tanto, los mapas deben interpretarse como una exploración de las denuncias registradas y no como una medición definitiva de la inseguridad real de cada territorio.

## 6.5.1. Distribución territorial de la percepción de inseguridad y las condiciones del entorno

Además de los registros de delitos denunciados, el análisis incorpora variables relacionadas con la percepción de inseguridad y las características del entorno urbano.

Estas dimensiones permiten ampliar la comprensión del fenómeno, considerando que la experiencia de inseguridad de los habitantes no necesariamente coincide con la cantidad de denuncias registradas en cada territorio.

En esta sección se explora la distribución geográfica de la percepción de inseguridad, la cercanía a determinados elementos del entorno y la accesibilidad a los CAI de policía. El propósito es identificar diferencias territoriales y contrastarlas con los indicadores de delitos analizados anteriormente.

```{r mapa-percepcion-inseguridad, echo=TRUE}
# Mapa de percepción de inseguridad

ggplot(upz_mapa) +
  geom_sf(
    aes(fill = pct_percibe_inseguridad),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Percepción/n(%)",
    na.value = "grey85"
  ) +
  labs(
    title = "Percepción de inseguridad en el entorno de las UPZ",
    subtitle = "Porcentaje reportado en la Encuesta Multipropósito 2021",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```

### 6.5.2. Condiciones del entorno urbano

Las características del entorno pueden aportar información adicional para comprender las diferencias territoriales relacionadas con la seguridad.

Para este análisis se consideran dos indicadores de la Encuesta Multipropósito: el porcentaje de viviendas afectadas por la cercanía a lotes baldíos o sitios oscuros y el porcentaje de viviendas afectadas por la cercanía a expendios de droga.

La representación geográfica de estas variables permite explorar cómo se distribuyen dichas condiciones entre las UPZ y posteriormente contrastarlas con las tasas de delitos denunciados.

Es importante señalar que estos indicadores corresponden a percepciones o condiciones reportadas por los hogares encuestados. Por tanto, no deben interpretarse como evidencia directa de que estos elementos ocasionen mayores niveles de delincuencia.

```{r mapa-lotes-oscuros, echo=TRUE}
ggplot(upz_mapa) +
  geom_sf(
    aes(fill = pct_cerca_lotes_oscuros),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Viviendas/nafectadas (%)",
    na.value = "grey85"
  ) +
  labs(
    title = "Cercanía a lotes baldíos y sitios oscuros",
    subtitle = "Porcentaje de viviendas afectadas · Encuesta 2021",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```

```{r mapa-cercania-ollas, echo=TRUE}
ggplot(upz_mapa) +
  geom_sf(
    aes(fill = pct_cerca_ollas),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Viviendas/nafectadas (%)",
    na.value = "grey85"
  ) +
  labs(
    title = "Cercanía a expendios de droga",
    subtitle = "Porcentaje de viviendas afectadas · Encuesta 2021",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```

### 6.5.3. Accesibilidad territorial a los CAI de policía

La accesibilidad a los servicios de seguridad constituye otra dimensión de interés para el análisis territorial.

Para explorar esta característica se utiliza la variable `min_cai_policia`, que representa el tiempo promedio caminando desde las viviendas hasta un CAI de policía.

Su representación geográfica permite identificar diferencias en la accesibilidad territorial y contrastarlas posteriormente con los indicadores de delitos y percepción de inseguridad.

Sin embargo, este indicador debe interpretarse con precaución, ya que la distancia o el tiempo promedio de desplazamiento no representan por sí mismos la capacidad operativa de la Policía, su presencia permanente en el territorio ni los tiempos efectivos de atención.

```{r mapa-accesibilidad-cai, echo=TRUE}
ggplot(upz_mapa) +
  geom_sf(
    aes(fill = min_cai_policia),
    color = "white",
    linewidth = 0.15
  ) +
  scale_fill_gradientn(
    colours = c("#E9E3ED", "#A98DBB", "#D9006C", "#351A4F"),
    name = "Minutos/ncaminando",
    na.value = "grey85"
  ) +
  labs(
    title = "Accesibilidad territorial a los CAI de policía",
    subtitle = "Tiempo promedio caminando desde las viviendas",
    caption = "Fuente: Encuesta Multipropósito DANE 2021. Algunas UPZ comparten estimaciones agrupadas."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```

### 6.5.4. Consolidación de indicadores territoriales

Antes de pasar a la interpretación, construimos una tabla que reúne los indicadores de seguridad, percepción y entorno. Esto nos permitirá identificar las UPZ que presentan valores destacados en diferentes dimensiones.

```{r tabla-integrada-indicadores-territoriales, echo=TRUE}
tabla_indicadores_territoriales <- upz %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    pct_cerca_ollas,
    min_cai_policia,
    em_agrupada
  ) %>%
  arrange(desc(tasa_total))

knitr::kable(
  head(tabla_indicadores_territoriales, 15),
  digits = 2,
  caption = "UPZ con mayores tasas de delitos y sus indicadores territoriales"
)
```

## 6.6. Comparación territorial entre delitos y condiciones del entorno

Después de explorar la distribución geográfica de los indicadores, se realiza una comparación visual entre la tasa total de delitos y algunas características sociales y urbanas de las UPZ.

El propósito es identificar si las unidades territoriales que presentan mayores niveles de percepción de inseguridad o determinadas condiciones del entorno también registran tasas de delitos más elevadas.

Este análisis complementa las correlaciones estadísticas desarrolladas anteriormente, ya que permite observar la dispersión de las observaciones, reconocer posibles valores extremos y evaluar si existe algún patrón visual entre las variables.

```{r dispersion-tasa-percepcion, echo=TRUE}
# Relación entre tasa de delitos y percepción de inseguridad

ggplot(
  upz,
  aes(
    x = pct_percibe_inseguridad,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Tasa de delitos y percepción de inseguridad",
    subtitle = "Comparación entre UPZ · Eje vertical en escala logarítmica",
    x = "Percepción de inseguridad (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase
```

### 6.6.2. Tasa de delitos y condiciones del entorno

Se explora la relación entre la tasa total de delitos y dos indicadores asociados con las condiciones del entorno urbano: la cercanía a lotes baldíos o sitios oscuros y la cercanía a expendios de droga.

Estas variables permiten examinar si las UPZ donde una mayor proporción de viviendas reporta estas condiciones también presentan mayores tasas de delitos denunciados.

La comparación se realiza mediante gráficos de dispersión, manteniendo identificadas las estimaciones agrupadas de la Encuesta Multipropósito. Los resultados permiten reconocer posibles tendencias y diferencias entre las unidades territoriales, sin asumir que las condiciones observadas expliquen directamente la ocurrencia de delitos.

```{r dispersion-tasa-lotes-oscuros, echo=TRUE}
ggplot(
  upz,
  aes(
    x = pct_cerca_lotes_oscuros,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Cercanía a lotes oscuros y tasa de delitos",
    subtitle = "Eje vertical en escala logarítmica",
    x = "Viviendas afectadas por cercanía a lotes oscuros (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase
```

```{r dispersion-tasa-ollas, echo=TRUE}
ggplot(
  upz,
  aes(
    x = pct_cerca_ollas,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Cercanía a expendios de droga y tasa de delitos",
    subtitle = "Eje vertical en escala logarítmica",
    x = "Viviendas afectadas por cercanía a expendios de droga (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase
```

### 6.6.3. Tasa de delitos y accesibilidad a los CAI

Como última comparación se analiza la relación entre la tasa total de delitos y el tiempo promedio caminando hasta un CAI de policía.

Esta exploración permite observar si existen diferencias en las tasas de delitos entre las UPZ según su nivel de accesibilidad territorial a este servicio.

La variable utilizada representa tiempos promedio de desplazamiento y no mide directamente la cobertura policial, la cantidad de uniformados o la capacidad de respuesta institucional. Por tanto, cualquier asociación identificada debe interpretarse considerando el alcance específico del indicador.

```{r dispersion-tasa-accesibilidad-cai, echo=TRUE}
ggplot(
  upz,
  aes(
    x = min_cai_policia,
    y = tasa_total,
    color = em_agrupada
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "FALSE" = "#168C86",
      "TRUE" = "#D9006C"
    ),
    labels = c(
      "FALSE" = "Estimación individual",
      "TRUE" = "Estimación agrupada"
    ),
    name = "Tipo de estimación"
  ) +
  labs(
    title = "Accesibilidad a los CAI y tasa de delitos",
    subtitle = "Eje vertical en escala logarítmica",
    x = "Tiempo promedio caminando hasta un CAI (minutos)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Fuentes: Encuesta Multipropósito 2021 y registros de delitos enero-julio 2023."
  ) +
  tema_clase
```

### 6.6.4. Síntesis de las relaciones territoriales

Los gráficos de dispersión permiten observar el comportamiento conjunto de los indicadores de seguridad y las condiciones territoriales. Para complementar esta exploración visual, se presenta una síntesis de las correlaciones de Spearman entre la tasa total de delitos y las variables seleccionadas.

El coeficiente de Spearman permite evaluar la dirección y la intensidad de una asociación monotónica entre dos variables. Su utilización resulta conveniente en esta etapa exploratoria, debido a que los indicadores presentan distribuciones con asimetrías y posibles valores extremos.

Los coeficientes deben interpretarse como asociaciones estadísticas y no como evidencia de causalidad. Adicionalmente, las variables provenientes de la Encuesta Multipropósito tienen la limitación de contar con estimaciones agrupadas para algunas UPZ.

```{r sintesis-correlaciones-territoriales, echo=TRUE}
# Variables seleccionadas para la comparación territorial

variables_territoriales <- upz %>%
  select(
    tasa_total,
    pct_percibe_inseguridad,
    pct_cerca_lotes_oscuros,
    pct_cerca_ollas,
    min_cai_policia
  )

# Calcular correlaciones de Spearman con la tasa total

correlaciones_territoriales <- tibble(
  Variable = c(
    "Percepción de inseguridad",
    "Cercanía a lotes oscuros",
    "Cercanía a expendios de droga",
    "Tiempo de acceso a CAI"
  ),
  rho = c(
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$pct_percibe_inseguridad,
      method = "spearman",
      use = "complete.obs"
    ),
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$pct_cerca_lotes_oscuros,
      method = "spearman",
      use = "complete.obs"
    ),
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$pct_cerca_ollas,
      method = "spearman",
      use = "complete.obs"
    ),
    cor(
      variables_territoriales$tasa_total,
      variables_territoriales$min_cai_policia,
      method = "spearman",
      use = "complete.obs"
    )
  )
) %>%
  mutate(
    Intensidad = case_when(
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    ),
    Direccion = if_else(
      rho >= 0,
      "Positiva",
      "Negativa"
    )
  ) %>%
  arrange(desc(abs(rho)))

# Presentar resultados

knitr::kable(
  correlaciones_territoriales,
  digits = 3,
  caption = "Correlaciones de Spearman entre tasa de delitos y condiciones territoriales"
)
```

### 6.6.5. Análisis de sensibilidad de las correlaciones

Debido a que una parte de las UPZ comparte estimaciones provenientes de la Encuesta Multipropósito, se realiza un análisis de sensibilidad para evaluar si esta característica puede influir en las asociaciones identificadas.

Para ello, se comparan las correlaciones de Spearman calculadas con el conjunto completo de UPZ y aquellas obtenidas únicamente con las unidades territoriales que cuentan con estimaciones individuales.

La comparación permite observar si la dirección y la magnitud de las asociaciones se mantienen bajo ambos escenarios. También se considera la cantidad de observaciones utilizadas en cada cálculo, dado que la exclusión de las estimaciones agrupadas reduce el tamaño del conjunto analizado.

Este ejercicio constituye una validación complementaria de los resultados exploratorios. No obstante, el análisis con estimaciones individuales representa un subconjunto de las UPZ y no elimina necesariamente todas las limitaciones de representatividad de la encuesta.

```{r sensibilidad-correlaciones-agrupadas, echo=TRUE}
# Definir las variables que se van a comparar

variables_sensibilidad <- c(
  "pct_percibe_inseguridad",
  "pct_cerca_lotes_oscuros",
  "pct_cerca_ollas",
  "min_cai_policia"
)

# Función para calcular las correlaciones de Spearman

calcular_correlaciones <- function(datos, escenario) {

  purrr::map_dfr(variables_sensibilidad, function(variable) {

    datos_validos <- datos %>%
      select(
        tasa_total,
        all_of(variable)
      ) %>%
      drop_na() %>%
      filter(
        is.finite(tasa_total),
        is.finite(.data[[variable]])
      )

    tibble(
      Escenario = escenario,
      Variable = variable,
      Numero_UPZ = nrow(datos_validos),
      rho = if (nrow(datos_validos) >= 3) {
        cor(
          datos_validos$tasa_total,
          datos_validos[[variable]],
          method = "spearman"
        )
      } else {
        NA_real_
      }
    )
  })
}

# Escenario 1: todas las UPZ

correlaciones_completas <- calcular_correlaciones(
  upz,
  "Todas_UPZ"
)

# Escenario 2: únicamente estimaciones individuales

upz_individuales <- upz %>%
  filter(em_agrupada == FALSE)

correlaciones_individuales <- calcular_correlaciones(
  upz_individuales,
  "UPZ_individuales"
)

# Integrar los resultados

comparacion_sensibilidad <- bind_rows(
  correlaciones_completas,
  correlaciones_individuales
) %>%
  mutate(
    Variable = recode(
      Variable,
      pct_percibe_inseguridad = "Percepción de inseguridad",
      pct_cerca_lotes_oscuros = "Cercanía a lotes oscuros",
      pct_cerca_ollas = "Cercanía a expendios de droga",
      min_cai_policia = "Tiempo de acceso a CAI"
    )
  )

# Organizar la comparación en columnas

tabla_sensibilidad <- comparacion_sensibilidad %>%
  pivot_wider(
    names_from = Escenario,
    values_from = c(rho, Numero_UPZ)
  ) %>%
  mutate(
    Diferencia_rho = rho_Todas_UPZ -
      rho_UPZ_individuales,

    Direccion_consistente = case_when(
      is.na(rho_Todas_UPZ) |
        is.na(rho_UPZ_individuales) ~ "No evaluable",

      sign(rho_Todas_UPZ) ==
        sign(rho_UPZ_individuales) ~ "Sí",

      TRUE ~ "No"
    )
  ) %>%
  arrange(desc(abs(rho_Todas_UPZ)))

# Presentar resultados

knitr::kable(
  tabla_sensibilidad,
  digits = 3,
  caption = "Análisis de sensibilidad de las correlaciones de Spearman"
)
```

Para complementar la comparación numérica, se presenta una visualización de los coeficientes de correlación obtenidos en ambos escenarios. Esta representación permite identificar de manera directa si las asociaciones conservan su dirección y si presentan cambios importantes en su magnitud.

```{r grafico-comparacion-sensibilidad, echo=TRUE}
ggplot(
  comparacion_sensibilidad,
  aes(
    x = rho,
    y = reorder(Variable, rho),
    color = Escenario
  )
) +
  geom_vline(
    xintercept = 0,
    linetype = "dashed",
    color = "grey50"
  ) +
  geom_point(
    size = 3,
    position = position_dodge(width = 0.5)
  ) +
  scale_color_manual(
    values = c(
      "Todas_UPZ" = "#351A4F",
      "UPZ_individuales" = "#168C86"
    ),
    labels = c(
      "Todas_UPZ" = "Todas las UPZ",
      "UPZ_individuales" = "Estimaciones individuales"
    ),
    name = "Escenario"
  ) +
  scale_x_continuous(
    limits = c(-1, 1),
    breaks = seq(-1, 1, by = 0.2)
  ) +
  labs(
    title = "Estabilidad de las correlaciones según tipo de estimación",
    subtitle = "Comparación de los coeficientes de Spearman",
    x = "Coeficiente de Spearman",
    y = NULL
  ) +
  tema_clase
```

# 7. Preguntas de investigación y hallazgos

## 7.1. Preguntas que orientan el análisis

El análisis exploratorio se desarrolló a partir de preguntas orientadas a comprender las diferencias territoriales en los indicadores de seguridad y su posible relación con las características demográficas, socioeconómicas y urbanas de las UPZ de Bogotá.

A partir de la información disponible, se establecieron las siguientes preguntas de investigación:

1. ¿Las UPZ con mayor cantidad de denuncias son también las que presentan mayores tasas de delitos por habitante?
2. ¿Cómo influye el tamaño poblacional en la interpretación de las tasas de delitos?
3. ¿Qué diferencias territoriales se observan en la distribución de los delitos denunciados?
4. ¿Existe alguna asociación entre el alumbrado público y las tasas de delitos?
5. ¿Qué relación se observa entre pobreza, salario, estrato y los indicadores de seguridad?
6. ¿La percepción de inseguridad presenta un comportamiento similar al de los delitos denunciados?
7. ¿Las condiciones del entorno y la accesibilidad a los CAI presentan alguna asociación con las tasas de delitos?

Estas preguntas articulan los análisis estadísticos y las representaciones gráficas desarrolladas en las secciones anteriores. Su propósito es integrar los resultados en una narrativa que permita comprender no solo dónde se registran más denuncias, sino también cómo se relacionan estos registros con las características de cada territorio.

## 7.2. Matriz de preguntas, variables y análisis realizados

Esta matriz nos permitirá demostrar que cada pregunta tiene un respaldo analítico y que no estamos incluyendo gráficos sin una finalidad concreta.

```{r matriz-preguntas-investigacion, echo=TRUE}
matriz_preguntas <- tibble(
  Pregunta = c(
    "¿Las UPZ con más denuncias también tienen mayores tasas?",
    "¿Cómo influye el tamaño poblacional en las tasas?",
    "¿Qué diferencias territoriales existen en los delitos?",
    "¿Existe asociación entre alumbrado y delitos?",
    "¿Cómo se relacionan las condiciones socioeconómicas y los delitos?",
    "¿La percepción coincide con los delitos denunciados?",
    "¿Qué relación tienen el entorno y la accesibilidad a los CAI?"
  ),

  Variables = c(
    "casos_total, tasa_total",
    "poblacion, densidad_hab_km2, tasa_total",
    "casos_total, tasa_total, upz_nombre",
    "luminarias_km2, luminarias_1000hab, pct_luminarias_led, tasa_total",
    "pct_pobreza, salario_promedio, pct_estrato_1_2, tasa_total",
    "pct_percibe_inseguridad, tasa_total",
    "pct_cerca_lotes_oscuros, pct_cerca_ollas, min_cai_policia, tasa_total"
  ),

  Analisis = c(
    "Comparación de casos y tasas",
    "Distribuciones y valores extremos",
    "Mapas de tasas y casos",
    "Correlaciones y gráficos de dispersión",
    "Estadísticas descriptivas y correlaciones",
    "Mapas, dispersión y correlación",
    "Mapas, dispersión y análisis de sensibilidad"
  )
)

knitr::kable(
  matriz_preguntas,
  caption = "Relación entre preguntas de investigación, variables y análisis"
)
```

## 7.3. Desarrollo de los hallazgos e insights

### 7.3.1. ¿Las UPZ con más denuncias son también las que presentan mayores tasas de delitos?

La primera pregunta busca establecer si las unidades territoriales que concentran el mayor número de denuncias en las cinco categorías priorizadas son también aquellas que presentan una mayor intensidad relativa de registros en relación con su población.

Para responderla se comparan dos indicadores: el número de casos registrados en las cinco categorías seleccionadas y la tasa agregada correspondiente por cada 10.000 habitantes. Esta distinción es importante porque el volumen de denuncias puede estar relacionado con el tamaño poblacional de cada UPZ, mientras que la tasa permite realizar una comparación relativa.

El análisis se desarrolla mediante la comparación de los rankings de casos y tasas, así como de la relación entre población y número de denuncias. De esta manera, se busca identificar si los territorios que concentran más casos también ocupan las primeras posiciones cuando se considera su población.

```{r hallazgo-731-ranking-casos-tasas, echo=TRUE}
# Top 10 de UPZ por número de casos de los cinco delitos priorizados

ranking_casos_731 <- resumen_cinco_delitos %>%
  arrange(desc(casos_seleccionados)) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10) %>%
  mutate(Posicion_casos = row_number())

# Top 10 de UPZ por tasa agregada de los cinco delitos priorizados

ranking_tasas_731 <- resumen_cinco_delitos %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 10) %>%
  mutate(Posicion_tasa = row_number())

# Presentar ranking por casos

knitr::kable(
  ranking_casos_731,
  digits = 2,
  caption = "Top 10 de UPZ según número de casos de los cinco delitos priorizados"
)

# Presentar ranking por tasa

knitr::kable(
  ranking_tasas_731,
  digits = 2,
  caption = "Top 10 de UPZ según tasa agregada de los cinco delitos priorizados por 10.000 habitantes"
)
```

```{r hallazgo-731-comparacion-rankings, echo=TRUE}
# Unir las posiciones de los dos rankings

comparacion_rankings_731 <- full_join(
  ranking_casos_731 %>%
    select(upz_nombre, Posicion_casos),
  ranking_tasas_731 %>%
    select(upz_nombre, Posicion_tasa),
  by = "upz_nombre"
) %>%
  left_join(
    resumen_cinco_delitos %>%
      select(upz_nombre, grupo_poblacion),
    by = "upz_nombre"
  ) %>%
  mutate(
    Grupo = case_when(
      !is.na(Posicion_casos) & !is.na(Posicion_tasa) ~
        "Aparece en ambos rankings",
      !is.na(Posicion_casos) ~
        "Solo en ranking de casos",
      TRUE ~ "Solo en ranking de tasas"
    )
  )

# Tabla comparativa de los dos rankings

knitr::kable(
  comparacion_rankings_731,
  caption = "Comparación de las UPZ que integran los rankings de casos y tasas"
)

# Gráfico de las UPZ que aparecen en ambos rankings

comparacion_rankings_731 %>%
  filter(
    !is.na(Posicion_casos),
    !is.na(Posicion_tasa)
  ) %>%
  ggplot(
    aes(
      x = Posicion_casos,
      y = Posicion_tasa,
      color = grupo_poblacion,
      label = upz_nombre
    )
  ) +
  geom_point(size = 3) +
  geom_text(
    check_overlap = TRUE,
    vjust = -0.8,
    size = 3,
    show.legend = FALSE
  ) +
  scale_x_reverse(
    breaks = 1:10,
    limits = c(10, 1)
  ) +
  scale_y_reverse(
    breaks = 1:10,
    limits = c(10, 1)
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "Coincidencia entre los rankings de casos y tasas",
    subtitle = "Posición de las UPZ que aparecen en ambos rankings",
    x = "Posición en el ranking de casos",
    y = "Posición en el ranking de tasas"
  ) +
  tema_clase
```

```{r hallazgo-731-poblacion-casos, echo=TRUE}
# Relación entre población y casos de los cinco delitos priorizados

ggplot(
  resumen_cinco_delitos,
  aes(
    x = poblacion,
    y = casos_seleccionados,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.75,
    size = 2.5
  ) +
  geom_smooth(
    aes(group = 1),
    method = "lm",
    se = TRUE,
    color = "#D9006C",
    linewidth = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_y_log10(
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "El volumen de denuncias debe interpretarse junto con la población",
    subtitle = "Relación entre habitantes y casos de los cinco delitos priorizados por UPZ",
    x = "Población de la UPZ (escala logarítmica)",
    y = "Casos registrados (escala logarítmica)",
    caption = "La línea representa una tendencia lineal ajustada sobre los valores transformados."
  ) +
  tema_clase
```

**Interpretación y conclusión**

La comparación de los rankings evidencia que las UPZ que concentran el mayor número de denuncias no necesariamente presentan las tasas más elevadas de los cinco delitos priorizados. De las diez UPZ con mayor cantidad de casos, solamente tres aparecen también entre las diez primeras posiciones del ranking de tasas: La Sabana, Chico Lago y Las Nieves.

Se observan diferencias importantes entre ambos indicadores. La Sabana ocupa el primer lugar en número de casos, con 5.192 registros, pero se ubica en la octava posición por tasa. Chico Lago presenta un comportamiento similar, con 4.872 casos y la novena posición en tasas. Por su parte, Las Nieves ocupa el tercer lugar en ambos rankings, aunque mejora su posición relativa al pasar del volumen absoluto a la tasa poblacional.

Otro resultado relevante es que siete de las diez UPZ con mayores tasas pertenecen al grupo identificado mediante P13, mientras que ninguna de las diez UPZ con mayor número de casos pertenece a esta clasificación. Este comportamiento evidencia la importancia del tamaño poblacional en la interpretación de los indicadores relativos.

El caso de El Mochuelo ilustra esta situación: registra 32 casos en una población de apenas 30 habitantes, lo que genera una tasa de 10.666,66 por cada 10.000 habitantes. Este resultado no debe interpretarse aisladamente como una mayor intensidad delictiva, ya que el reducido denominador amplifica considerablemente el indicador.

En conclusión, los resultados muestran que el volumen de denuncias y las tasas poblacionales ofrecen perspectivas diferentes y complementarias sobre el comportamiento territorial de los cinco delitos priorizados. Por esta razón, ambos indicadores deben analizarse conjuntamente, manteniendo visibles las UPZ clasificadas en P13 y reconociendo las limitaciones de interpretación que presentan las poblaciones reducidas.

```{r hallazgo-731-casos-vs-tasas, echo=TRUE}

# Identificar las UPZ que se destacarán mediante etiquetas
# Se incluyen todas las UPZ P13 y las tres que coinciden
# en los dos rankings principales.

etiquetas_grafico <- resumen_cinco_delitos %>%
  filter(
    grupo_poblacion == "UPZ identificada en P13" |
      upz_nombre %in% c("La Sabana", "Chico Lago", "Las Nieves")
  )

# Gráfico de casos frente a tasas para las 112 UPZ

ggplot(
  resumen_cinco_delitos,
  aes(
    x = casos_seleccionados,
    y = tasa_seleccionada,
    color = grupo_poblacion,
    shape = grupo_poblacion
  )
) +
  geom_point(
    size = 2.8,
    alpha = 0.8
  ) +
  geom_text(
    data = etiquetas_grafico,
    aes(label = upz_nombre),
    check_overlap = TRUE,
    vjust = -0.8,
    size = 3,
    show.legend = FALSE
  ) +
  scale_x_continuous(
    trans = scales::pseudo_log_trans(base = 10)
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(base = 10)
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  scale_shape_manual(
    values = c(
      "UPZ identificada en P13" = 17,
      "Resto de UPZ" = 16
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "Relación entre casos y tasas de los cinco delitos priorizados",
    subtitle = "Comparación de las 112 UPZ, destacando las identificadas en P13",
    x = "Número de casos registrados (escala pseudo-logarítmica)",
    y = "Tasa por cada 10.000 habitantes (escala pseudo-logarítmica)",
    caption = "Cada punto representa una UPZ. Las escalas pseudo-logarítmicas permiten visualizar conjuntamente valores extremos y valores pequeños."
  ) +
  tema_clase

```

### 7.3.2. ¿Cómo influye el tamaño poblacional en la interpretación de las tasas de delitos?

La segunda pregunta busca comprender cómo influye el tamaño de la población residente en la interpretación de las tasas de los cinco delitos priorizados en las UPZ.

Como se explicó anteriormente, la tasa se calcula relacionando el número de casos registrados con la población de cada unidad territorial, expresando el resultado por cada 10.000 habitantes. Por lo tanto, cuando el denominador es reducido, una cantidad relativamente pequeña de denuncias puede generar una tasa considerablemente elevada.

Para profundizar en este comportamiento se analiza la distribución de la población, su relación con las tasas agregadas de los cinco delitos y las características de las UPZ que presentan poblaciones reducidas.

Este análisis también permite reconocer una limitación del indicador: la población residente no necesariamente representa el total de personas que utilizan o transitan por un territorio. En zonas con alta circulación de población flotante, como el Aeropuerto El Dorado, los registros de denuncias pueden estar relacionados con dinámicas que no quedan representadas en el denominador poblacional.

En consecuencia, las tasas deben interpretarse conjuntamente con los casos absolutos, el tamaño poblacional y las características particulares de cada territorio.

```{r hallazgo-732-distribucion-poblacion, echo=TRUE}
# Ordenar las UPZ según su población e identificar P13

distribucion_poblacion_732 <- resumen_cinco_delitos %>%
  arrange(poblacion) %>%
  mutate(
    upz_nombre = factor(
      upz_nombre,
      levels = upz_nombre
    )
  )

# Distribución de la población por UPZ

ggplot(
  distribucion_poblacion_732,
  aes(
    x = poblacion,
    y = upz_nombre,
    fill = grupo_poblacion
  )
) +
  geom_col(
    alpha = 0.85
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_fill_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "La población residente presenta diferencias importantes entre UPZ",
    subtitle = "Distribución de habitantes por unidad territorial",
    x = "Población residente (escala logarítmica)",
    y = NULL
  ) +
  tema_clase +
  theme(
    axis.text.y = element_text(size = 7)
  )
```

```{r hallazgo-732-poblacion-tasa, echo=TRUE}
# Relación entre población y tasa de los cinco delitos priorizados

ggplot(
  resumen_cinco_delitos,
  aes(
    x = poblacion,
    y = tasa_seleccionada,
    color = grupo_poblacion
  )
) +
  geom_point(
    size = 2.7,
    alpha = 0.8
  ) +
  scale_x_log10(
    labels = scales::label_comma()
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(base = 10),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "UPZ identificada en P13" = "#D9006C",
      "Resto de UPZ" = "#168C86"
    ),
    name = "Grupo poblacional"
  ) +
  labs(
    title = "Las tasas deben interpretarse considerando el tamaño poblacional",
    subtitle = "Relación entre habitantes y tasa de los cinco delitos priorizados",
    x = "Población residente (escala logarítmica)",
    y = "Tasa por 10.000 habitantes",
    caption = "Se conservan las 112 UPZ. P13 identifica los territorios con población igual o inferior a 14.512 habitantes."
  ) +
  tema_clase
```

```{r hallazgo-732-tabla-extremos, echo=TRUE}
# Identificar las 15 UPZ con menor población

tabla_poblacion_baja <- resumen_cinco_delitos %>%
  arrange(poblacion) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 15)

knitr::kable(
  tabla_poblacion_baja,
  digits = 2,
  col.names = c(
    "UPZ",
    "Población",
    "Casos seleccionados",
    "Tasa por 10.000 hab.",
    "Clasificación P13"
  ),
  caption = "15 UPZ con menor población y sus indicadores de los cinco delitos priorizados"
)

# Identificar las 15 UPZ con mayores tasas

tabla_tasas_altas <- resumen_cinco_delitos %>%
  arrange(desc(tasa_seleccionada)) %>%
  select(
    upz_nombre,
    poblacion,
    casos_seleccionados,
    tasa_seleccionada,
    grupo_poblacion
  ) %>%
  slice_head(n = 15)

knitr::kable(
  tabla_tasas_altas,
  digits = 2,
  col.names = c(
    "UPZ",
    "Población",
    "Casos seleccionados",
    "Tasa por 10.000 hab.",
    "Clasificación P13"
  ),
  caption = "15 UPZ con mayores tasas de los cinco delitos priorizados"
)
```

**Interpretación y conclusión**

El análisis evidencia que el tamaño de la población residente influye directamente en la interpretación de las tasas de delitos. Debido a que este indicador relaciona los casos registrados con la cantidad de habitantes, las UPZ con poblaciones reducidas pueden presentar tasas considerablemente elevadas, incluso cuando el número absoluto de denuncias no es particularmente alto.

Un ejemplo representativo es El Mochuelo, que registra una población de apenas 30 habitantes y 32 casos correspondientes a las cinco categorías de delitos priorizadas, lo que genera una tasa de 10.666,67 casos por cada 10.000 habitantes. En este territorio, cada caso adicional representa un incremento de aproximadamente 333,33 puntos en la tasa, evidenciando la alta sensibilidad del indicador frente a denominadores pequeños.

También se identifica el caso de Aeropuerto El Dorado, con 883 habitantes, 509 casos de las cinco categorías priorizadas y una tasa de 5.764,44 por cada 10.000 habitantes. Este resultado plantea una consideración adicional: la población residente puede no representar adecuadamente la cantidad de personas que utilizan el territorio. La circulación de viajeros, trabajadores y visitantes constituye una posible explicación de esta diferencia, aunque no puede comprobarse directamente con las variables disponibles.

La identificación de las UPZ clasificadas en P13 permite reconocer estos territorios y mantener una precaución metodológica al interpretar sus tasas. Sin embargo, estas unidades se conservan dentro del conjunto de análisis, pues sus registros forman parte del comportamiento territorial observado. La comparación con escenarios que excluyen P13 funciona como un ejercicio de sensibilidad y no como una decisión de eliminar información.

**Insight principal:** El tamaño de la población residente condiciona la estabilidad y la interpretación de las tasas de delitos. En territorios con pocos habitantes, un número reducido de denuncias puede producir valores extremos que no necesariamente representan una mayor concentración delictiva ni permiten inferir directamente un mayor riesgo para sus residentes. Por ello, las tasas deben analizarse conjuntamente con los casos absolutos, el tamaño poblacional y las características particulares de cada territorio.

### 7.3.3. ¿Qué diferencias territoriales se observan en la distribución de los delitos denunciados?

Esta pregunta busca identificar las diferencias territoriales en la distribución de los delitos denunciados en las UPZ de Bogotá, reconociendo los territorios donde se concentra un mayor volumen de casos y aquellos que presentan mayores tasas relativas.

Para desarrollar este análisis se retoman los mapas temáticos construidos en la sección 6, especialmente la distribución de los casos totales y de las tasas por cada 10.000 habitantes. Estas representaciones permiten observar los contrastes espaciales y reconocer unidades territoriales con comportamientos diferenciados.

Adicionalmente, se consolidan los indicadores por localidad, con el propósito de ampliar la lectura territorial y comparar el volumen de denuncias y las tasas agregadas entre estas unidades geográficas.

La comparación de ambas escalas permite reconocer que la distribución territorial puede cambiar dependiendo del indicador utilizado y del nivel de agregación. Por ello, los resultados deben interpretarse considerando tanto las diferencias entre UPZ como los patrones generales de cada localidad.

* Distribución espacial de los casos y las tasas

Los mapas permiten observar que la distribución territorial de los delitos presenta diferencias dependiendo del indicador utilizado. Mientras el número de casos muestra la concentración absoluta de las denuncias, la tasa permite comparar su magnitud en relación con la población residente.

La representación por quintiles complementa esta lectura al identificar la posición relativa de cada UPZ frente al conjunto analizado. Por su parte, la escala logarítmica facilita la visualización de las diferencias cuando existen valores extremos.

En la interpretación de las tasas se mantiene visible la clasificación P13, debido a que las poblaciones reducidas pueden generar valores elevados que requieren una lectura conjunta con los casos absolutos.

* Comparación territorial de los indicadores por localidad

Para ampliar la interpretación espacial, se agrupan los registros de las UPZ según la localidad a la que pertenecen. Esta consolidación permite comparar el volumen de denuncias y la tasa agregada de delitos entre las diferentes localidades de Bogotá.

La tasa por localidad se calcula relacionando la suma de los casos registrados en sus UPZ con la población total correspondiente. De esta manera, se obtiene un indicador ponderado por población, evitando calcular el promedio simple de las tasas individuales de las UPZ.

Esta comparación permite identificar diferencias territoriales a una escala más amplia, aunque debe considerarse que la agregación por localidad puede ocultar contrastes existentes entre las UPZ que la conforman.


```{r hallazgo-733-indicadores-localidad, echo=TRUE}
# Consolidar los indicadores por localidad

resumen_localidades <- upz %>%
  group_by(localidad) %>%
  summarise(
    Numero_UPZ = n(),
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    Casos_total = sum(casos_total, na.rm = TRUE),
    Tasa_agregada = (
      sum(casos_total, na.rm = TRUE) /
      sum(poblacion, na.rm = TRUE)
    ) * 10000,
    .groups = "drop"
  )

# Calcular la participación porcentual de cada localidad
# sobre el total de casos registrados en Bogotá

resumen_localidades <- resumen_localidades %>%
  mutate(
    Porcentaje_participacion = (
      Casos_total / sum(Casos_total, na.rm = TRUE)
    ) * 100
  )

# Contabilizar las UPZ clasificadas en P13 por localidad

conteo_p13_localidad <- resumen_cinco_delitos %>%
  group_by(localidad) %>%
  summarise(
    Numero_UPZ_P13 = sum(
      grupo_poblacion == "UPZ identificada en P13",
      na.rm = TRUE
    ),
    .groups = "drop"
  )

# Incorporar la presencia de P13 al resumen por localidad

resumen_localidades <- resumen_localidades %>%
  left_join(
    conteo_p13_localidad,
    by = "localidad"
  )

# Ordenar las localidades por volumen de denuncias

ranking_localidades_casos <- resumen_localidades %>%
  arrange(desc(Casos_total))

# Presentar la tabla consolidada

knitr::kable(
  ranking_localidades_casos,
  digits = 2,
  col.names = c(
    "Localidad",
    "Número de UPZ",
    "Población total",
    "Casos totales",
    "Tasa agregada",
    "Participación (%)",
    "UPZ identificadas en P13"
  ),
  caption = "Indicadores de delitos denunciados por localidad, participación porcentual y presencia de UPZ clasificadas en P13"
)
```


```{r hallazgo-733-graficos-localidad, echo=TRUE}

# Gráfico 1. Concentración de denuncias por localidad
# Número absoluto de casos y participación porcentual

ggplot(
  resumen_localidades,
  aes(
    x = reorder(localidad, Casos_total),
    y = Casos_total
  )
) +
  geom_col(
    fill = "#351A4F",
    alpha = 0.9
  ) +
  geom_text(
    aes(
      label = paste0(
        format(
          Casos_total,
          big.mark = ".",
          decimal.mark = ",",
          scientific = FALSE,
          trim = TRUE
        ),
        " (",
        format(
          round(Porcentaje_participacion, 2),
          nsmall = 2,
          decimal.mark = ",",
          big.mark = "."
        ),
        "%)"
      )
    ),
    hjust = -0.1,
    size = 3.5,
    color = "#351A4F"
  ) +
  coord_flip(clip = "off") +
  scale_y_continuous(
    labels = scales::label_comma(big.mark = "."),
    expand = expansion(mult = c(0, 0.25))
  ) +
  labs(
    title = "Distribución de los delitos denunciados por localidad",
    subtitle = "Número absoluto de casos y participación sobre el total de denuncias",
    x = NULL,
    y = "Casos denunciados",
    caption = "Las etiquetas muestran el número de casos y su participación porcentual sobre el total de Bogotá."
  ) +
  tema_clase


# Gráfico 2. Tasas agregadas de delitos por localidad

ggplot(
  resumen_localidades,
  aes(
    x = reorder(localidad, Tasa_agregada),
    y = Tasa_agregada
  )
) +
  geom_col(
    fill = "#D9006C",
    alpha = 0.9
  ) +
  coord_flip() +
  scale_y_continuous(
    labels = scales::label_comma(accuracy = 0.1)
  ) +
  labs(
    title = "Tasas agregadas de delitos denunciados por localidad",
    subtitle = "Casos totales por cada 10.000 habitantes",
    x = NULL,
    y = "Tasa por 10.000 habitantes"
  ) +
  tema_clase

```


```{r hallazgo-733-comparacion-p13, echo=TRUE}

# Comparación de tasas por localidad:
# escenario con todas las UPZ y escenario sin UPZ P13

comparacion_p13 <- upz %>%
  group_by(localidad) %>%
  summarise(
    Numero_UPZ = n(),

    Numero_UPZ_P13 = sum(
      poblacion <= 14512,
      na.rm = TRUE
    ),

    # Escenario 1: todas las UPZ
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    Casos_totales = sum(casos_total, na.rm = TRUE),

    Tasa_todas_UPZ = (
      sum(casos_total, na.rm = TRUE) /
      sum(poblacion, na.rm = TRUE)
    ) * 10000,

    # Escenario 2: excluir UPZ clasificadas en P13
    Poblacion_sin_P13 = sum(
      poblacion[poblacion > 14512],
      na.rm = TRUE
    ),

    Casos_sin_P13 = sum(
      casos_total[poblacion > 14512],
      na.rm = TRUE
    ),

    Tasa_sin_P13 = (
      sum(casos_total[poblacion > 14512], na.rm = TRUE) /
      sum(poblacion[poblacion > 14512], na.rm = TRUE)
    ) * 10000,

    .groups = "drop"
  ) %>%
  mutate(
    Diferencia_tasa = Tasa_sin_P13 - Tasa_todas_UPZ,

    Variacion_porcentual = ifelse(
      Tasa_todas_UPZ != 0,
      (Tasa_sin_P13 / Tasa_todas_UPZ - 1) * 100,
      NA_real_
    )
  )

# Tabla comparativa por localidad

tabla_sensibilidad_p13 <- comparacion_p13 %>%
  arrange(desc(abs(Diferencia_tasa))) %>%
  select(
    localidad,
    Numero_UPZ,
    Numero_UPZ_P13,
    Tasa_todas_UPZ,
    Tasa_sin_P13,
    Diferencia_tasa,
    Variacion_porcentual
  )

knitr::kable(
  tabla_sensibilidad_p13,
  digits = 2,
  col.names = c(
    "Localidad",
    "Número de UPZ",
    "UPZ P13",
    "Tasa con todas las UPZ",
    "Tasa sin P13",
    "Diferencia",
    "Variación (%)"
  ),
  caption = "Sensibilidad de las tasas agregadas por localidad ante la exclusión de las UPZ P13"
)

# Establecer un orden común para las localidades
# utilizando la tasa del escenario con todas las UPZ

orden_localidades <- comparacion_p13 %>%
  arrange(Tasa_todas_UPZ) %>%
  pull(localidad)

# Preparar los datos para el gráfico

comparacion_p13_larga <- comparacion_p13 %>%
  select(
    localidad,
    Tasa_todas_UPZ,
    Tasa_sin_P13
  ) %>%
  tidyr::pivot_longer(
    cols = c(Tasa_todas_UPZ, Tasa_sin_P13),
    names_to = "Escenario",
    values_to = "Tasa"
  ) %>%
  mutate(
    localidad = factor(
      localidad,
      levels = orden_localidades
    ),
    Escenario = recode(
      Escenario,
      "Tasa_todas_UPZ" = "Todas las UPZ",
      "Tasa_sin_P13" = "Sin UPZ P13"
    )
  )

# Gráfico de sensibilidad por localidad

ggplot() +

  # Conectar los resultados de los dos escenarios
  geom_segment(
    data = comparacion_p13,
    aes(
      x = Tasa_todas_UPZ,
      xend = Tasa_sin_P13,
      y = factor(localidad, levels = orden_localidades),
      yend = factor(localidad, levels = orden_localidades)
    ),
    color = "grey65",
    linewidth = 1
  ) +

  # Mostrar los valores de ambos escenarios
  geom_point(
    data = comparacion_p13_larga,
    aes(
      x = Tasa,
      y = localidad,
      color = Escenario
    ),
    size = 3.5
  ) +

  scale_color_manual(
    values = c(
      "Todas las UPZ" = "#D9006C",
      "Sin UPZ P13" = "#168C86"
    ),
    name = "Escenario"
  ) +

  scale_x_continuous(
    labels = scales::label_comma(accuracy = 0.1)
  ) +

  labs(
    title = "Sensibilidad de las tasas de delitos por localidad",
    subtitle = "Comparación entre el escenario completo y el escenario sin UPZ P13",
    x = "Casos por cada 10.000 habitantes",
    y = NULL,
    caption = "Las localidades sin UPZ P13 mantienen el mismo valor en ambos escenarios."
  ) +

  tema_clase

```

**Interpretación de la sensibilidad de las tasas ante la exclusión de P13**


El análisis evidencia que la distribución territorial de los delitos denunciados presenta diferencias importantes entre las localidades de Bogotá. Estas diferencias se observan tanto en la concentración absoluta de casos como en la magnitud relativa de las denuncias frente a la población residente.

En términos de volumen, Suba registra 19.028 casos, Kennedy 18.517 y Engativá 16.715. Estas tres localidades concentran aproximadamente el 33,32 % del total de denuncias, lo que permite identificar una concentración importante de registros en estos territorios. La participación porcentual complementa esta lectura, al dimensionar el aporte de cada localidad al total de casos de la ciudad.

Sin embargo, al comparar las tasas agregadas por cada 10.000 habitantes, el comportamiento territorial cambia considerablemente. Los Mártires presenta la tasa más elevada, con 801,83 casos, seguido de Candelaria (744,74), Santa Fe (722,88), Teusaquillo (599,54) y Chapinero (547,00). Esto demuestra que las localidades que concentran el mayor número de denuncias no necesariamente son aquellas que presentan las mayores tasas relativas.

La comparación entre ambos indicadores permite reconocer dos perspectivas complementarias del fenómeno: los casos absolutos muestran dónde se concentra el mayor volumen de denuncias, mientras que las tasas permiten dimensionar los registros en relación con la población residente. No obstante, estas últimas deben interpretarse considerando las características poblacionales de cada territorio y las posibles diferencias entre población residente y población que utiliza o transita por las localidades.

Adicionalmente, el ejercicio de sensibilidad que compara las tasas del escenario completo con aquellas calculadas sin las UPZ clasificadas en P13 evidencia que la influencia de estas unidades no es homogénea entre localidades. En algunos territorios se observan variaciones más visibles, mientras que en otros los indicadores presentan cambios reducidos o permanecen iguales. Este resultado refuerza la importancia de considerar el tamaño poblacional al interpretar las tasas, sin excluir las UPZ P13 del análisis principal.

Finalmente, la consolidación de los indicadores por localidad permite ampliar la lectura territorial e identificar patrones generales de distribución. Sin embargo, esta agregación puede ocultar diferencias entre las UPZ que conforman cada localidad, por lo que el análisis a escala de UPZ debe conservarse como referencia para comprender con mayor detalle el comportamiento espacial de las denuncias.

**Insight principal:** La distribución territorial de los delitos denunciados no es homogénea y presenta patrones diferentes según el indicador utilizado. Mientras Suba, Kennedy y Engativá concentran el mayor volumen de denuncias, Los Mártires, Candelaria y Santa Fe presentan las mayores tasas relativas. Por tanto, comprender las diferencias territoriales requiere integrar el número absoluto de casos, su participación porcentual, las tasas frente a la población y las

### 7.3.4. ¿Existe alguna asociación entre el alumbrado público y las tasas de delitos?

Esta pregunta busca explorar si la disponibilidad espacial y las características tecnológicas del alumbrado público presentan alguna asociación con las tasas de delitos denunciados en las UPZ de Bogotá.

Para desarrollar el análisis se consideran dos indicadores: la cantidad de luminarias por kilómetro cuadrado y el porcentaje de luminarias con tecnología LED. El primero permite examinar la distribución espacial de la infraestructura de iluminación, mientras que el segundo permite analizar la participación de esta tecnología dentro del alumbrado disponible en cada territorio.

Ambos indicadores se comparan con la tasa total de delitos por cada 10.000 habitantes mediante gráficos de dispersión y correlaciones de Spearman. Se busca identificar la dirección y la intensidad de posibles asociaciones entre las variables, sin asumir que una relación estadística implica causalidad.

Adicionalmente, se presta especial atención a las UPZ clasificadas en P13, debido a que sus poblaciones reducidas pueden afectar la estabilidad de las tasas. Por esta razón, los resultados se contrastan considerando el conjunto completo de UPZ y un escenario de sensibilidad sin las unidades clasificadas en P13.


```{r hallazgo-734-preparacion, echo=TRUE}
upz_analisis_734 <- upz %>%
  mutate(
    grupo_poblacion = if_else(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    ),
    grupo_poblacion = factor(
      grupo_poblacion,
      levels = c(
        "Resto de UPZ",
        "UPZ identificada en P13"
      )
    )
  )

# Verificación de registros y clasificación
upz_analisis_734 %>%
  count(grupo_poblacion) %>%
  knitr::kable(
    caption = "Distribución de las UPZ según clasificación P13"
  )
```



```{r hallazgo-734-luminarias-superficie, echo=TRUE}
ggplot(
  upz_analisis_734,
  aes(
    x = luminarias_km2,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_x_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Disponibilidad espacial de alumbrado y tasa de delitos",
    subtitle = "Luminarias por km² frente a denuncias por cada 10.000 habitantes",
    x = "Luminarias por km² (escala pseudo-logarítmica)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase
```



```{r hallazgo-734-led-tasa, echo=TRUE}
ggplot(
  upz_analisis_734,
  aes(
    x = pct_luminarias_led,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_x_continuous(
    labels = scales::label_number(suffix = "%")
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Participación de luminarias LED y tasa de delitos",
    subtitle = "Porcentaje de luminarias LED frente a denuncias por cada 10.000 habitantes",
    x = "Luminarias LED (%)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase
```


```{r hallazgo-734-correlaciones-alumbrado, echo=TRUE}
variables_alumbrado <- c(
  "luminarias_km2",
  "pct_luminarias_led"
)

escenarios_alumbrado <- list(
  "Todas las UPZ" = upz_analisis_734,
  "Sin UPZ P13" = upz_analisis_734 %>%
    filter(grupo_poblacion != "UPZ identificada en P13")
)

correlaciones_alumbrado <- purrr::map_dfr(
  names(escenarios_alumbrado),
  function(escenario) {

    datos_escenario <- escenarios_alumbrado[[escenario]]

    purrr::map_dfr(
      variables_alumbrado,
      function(variable) {

        datos_validos <- datos_escenario %>%
          select(
            tasa_total,
            all_of(variable)
          ) %>%
          drop_na()

        tibble(
          Escenario = escenario,
          Indicador = variable,
          Numero_UPZ = nrow(datos_validos),
          rho = if (
            nrow(datos_validos) >= 3 &&
            sd(datos_validos$tasa_total) > 0 &&
            sd(datos_validos[[variable]]) > 0
          ) {
            cor(
              datos_validos$tasa_total,
              datos_validos[[variable]],
              method = "spearman"
            )
          } else {
            NA_real_
          }
        )
      }
    )
  }
) %>%
  mutate(
    Indicador = recode(
      Indicador,
      luminarias_km2 = "Luminarias por km²",
      pct_luminarias_led = "Porcentaje de luminarias LED"
    ),
    Direccion = case_when(
      is.na(rho) ~ "No calculable",
      rho > 0 ~ "Positiva",
      rho < 0 ~ "Negativa",
      TRUE ~ "Sin asociación"
    ),
    Intensidad = case_when(
      is.na(rho) ~ "No calculable",
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  ) %>%
  arrange(Indicador, Escenario)

knitr::kable(
  correlaciones_alumbrado,
  digits = 3,
  caption = "Correlaciones de Spearman entre indicadores de alumbrado público y tasa total de delitos"
)
```

Para complementar la exploración visual, se calculan las correlaciones de Spearman entre los indicadores de alumbrado público y la tasa total de delitos. Se consideran únicamente las luminarias por kilómetro cuadrado y el porcentaje de luminarias LED, evitando indicadores que compartan el denominador poblacional con la tasa de delitos.

Adicionalmente, se comparan dos escenarios: el primero incorpora las 112 UPZ y el segundo excluye temporalmente las unidades identificadas en P13. Esta comparación permite evaluar si la presencia de territorios con poblaciones residentes reducidas modifica la dirección o intensidad de las asociaciones observadas.

Las correlaciones permiten identificar asociaciones monotónicas entre las variables, pero no establecen relaciones de causalidad.

**Interpretación y conclusión**

El análisis de la relación entre el alumbrado público y las tasas de delitos permite identificar asociaciones de baja intensidad y diferencias según la dimensión de iluminación considerada.

En primer lugar, la disponibilidad espacial de luminarias, medida por kilómetro cuadrado, presenta una correlación positiva muy débil con la tasa total de delitos al considerar las 112 UPZ (ρ = 0.119). Sin embargo, al realizar el ejercicio de sensibilidad y excluir temporalmente las 15 UPZ identificadas en P13, la correlación aumenta a 0.293, correspondiente a una asociación positiva débil. Este cambio evidencia que las unidades con poblaciones residentes reducidas influyen en la relación observada y que su inclusión puede modificar la intensidad de las correlaciones.

En segundo lugar, el porcentaje de luminarias con tecnología LED presenta correlaciones prácticamente nulas en ambos escenarios: -0.061 para el conjunto de las 112 UPZ y -0.023 al excluir las unidades P13. Por tanto, no se identifica una asociación monotónica relevante entre la participación de luminarias LED y las tasas de delitos denunciados.

La lectura conjunta de los gráficos también muestra una considerable dispersión territorial. Las UPZ con mayor disponibilidad de luminarias por superficie no presentan necesariamente tasas más bajas de delitos, mientras que la composición tecnológica del alumbrado tampoco evidencia un patrón consistente frente a este indicador.

Es importante señalar que estos resultados son exploratorios y no permiten establecer relaciones de causalidad. Una eventual asociación entre infraestructura de iluminación y seguridad podría depender de otras características territoriales, como la actividad económica, la circulación de personas, la concentración de servicios y las condiciones urbanas de cada UPZ.

**Insight principal:** Los resultados no muestran una asociación relevante entre la modernización del alumbrado público, medida a través de la participación de luminarias LED, y las tasas de delitos denunciados. En cuanto a la disponibilidad espacial de luminarias, se observa una asociación positiva débil que cambia al excluir las UPZ P13. Esto demuestra la importancia de evaluar el efecto de las poblaciones reducidas antes de interpretar las correlaciones territoriales y confirma que la infraestructura de iluminación, por sí sola, no permite explicar el comportamiento de las tasas de delitos.


### 7.3.5. ¿Qué relación existe entre las condiciones socioeconómicas y los delitos denunciados?

Esta pregunta busca explorar si las diferencias en las condiciones socioeconómicas de las UPZ presentan alguna asociación con las tasas de delitos denunciados en Bogotá.

Para desarrollar el análisis se consideran tres dimensiones: las condiciones de pobreza, el salario promedio y la composición de las viviendas según rangos de estrato socioeconómico. Estas variables permiten aproximarse a las diferencias económicas y sociales existentes entre los territorios.

En primer lugar, se examina la relación entre estos indicadores y la tasa total de delitos por cada 10.000 habitantes, mediante gráficos de dispersión y correlaciones de Spearman. Posteriormente, se comparan las tasas medianas de diez categorías delictivas entre grupos de UPZ clasificados según su salario promedio.

El análisis incorpora las 112 UPZ y distingue aquellas identificadas en P13 por sus poblaciones residentes reducidas. Adicionalmente, se realiza una comparación de sensibilidad sin estas unidades, con el propósito de evaluar cuánto influyen en las asociaciones observadas.

Los resultados permiten identificar patrones territoriales y diferencias entre grupos, pero no establecer relaciones de causalidad entre las condiciones socioeconómicas y los delitos denunciados.


Preparación de datos

```{r hallazgo-735-preparacion, echo=TRUE}
upz_analisis_735 <- upz %>%
  mutate(
    grupo_poblacion = if_else(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    ),
    grupo_poblacion = factor(
      grupo_poblacion,
      levels = c(
        "Resto de UPZ",
        "UPZ identificada en P13"
      )
    )
  )

upz_analisis_735 %>%
  count(grupo_poblacion) %>%
  knitr::kable(
    caption = "Distribución de las UPZ según clasificación P13"
  )
```



Código 2. Pobreza y tasa de delitos

```{r hallazgo-735-pobreza-delitos, echo=TRUE}
ggplot(
  upz_analisis_735,
  aes(
    x = pct_pobreza,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Pobreza y tasa de delitos por UPZ",
    subtitle = "Condición de pobreza frente a denuncias por cada 10.000 habitantes",
    x = "Población en condición de pobreza (%)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase
```



Código 3. Salario promedio y tasa de delitos

```{r hallazgo-735-salario-delitos, echo=TRUE}
ggplot(
  upz_analisis_735,
  aes(
    x = salario_promedio,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.8
  ) +
  scale_x_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma(prefix = "$")
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  labs(
    title = "Salario promedio y tasa de delitos por UPZ",
    subtitle = "Ingreso mensual promedio frente a denuncias por cada 10.000 habitantes",
    x = "Salario mensual promedio (escala pseudo-logarítmica)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase
```



Código 4. Composición por estrato y tasa de delitos

```{r hallazgo-735-estratos-delitos, echo=TRUE}
datos_estratos_735 <- upz_analisis_735 %>%
  select(
    upz_nombre,
    grupo_poblacion,
    tasa_total,
    pct_estrato_1_2,
    pct_estrato_3_4,
    pct_estrato_5_6
  ) %>%
  pivot_longer(
    cols = starts_with("pct_estrato"),
    names_to = "Estrato",
    values_to = "Porcentaje"
  ) %>%
  mutate(
    Estrato = recode(
      Estrato,
      pct_estrato_1_2 = "Estratos 1 y 2",
      pct_estrato_3_4 = "Estratos 3 y 4",
      pct_estrato_5_6 = "Estratos 5 y 6"
    )
  )

ggplot(
  datos_estratos_735,
  aes(
    x = Porcentaje,
    y = tasa_total,
    color = grupo_poblacion
  )
) +
  geom_point(
    alpha = 0.80,
    size = 2.5
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#168C86",
      "UPZ identificada en P13" = "#D9006C"
    )
  ) +
  facet_wrap(
    ~ Estrato,
    ncol = 1,
    scales = "free_x"
  ) +
  labs(
    title = "Composición por estrato y tasa de delitos",
    subtitle = "Participación porcentual de viviendas por rango de estrato",
    x = "Viviendas del rango de estrato (%)",
    y = "Tasa de delitos por 10.000 habitantes (escala pseudo-logarítmica)",
    color = "Clasificación poblacional"
  ) +
  tema_clase
```



Código 5. Correlaciones de Spearman

```{r hallazgo-735-correlaciones-socioeconomicas, echo=TRUE}
variables_socioeconomicas <- c(
  "pct_pobreza",
  "salario_promedio",
  "pct_estrato_1_2",
  "pct_estrato_3_4",
  "pct_estrato_5_6"
)

escenarios_socioeconomicos <- list(
  "Todas las UPZ" = upz_analisis_735,
  "Sin UPZ P13" = upz_analisis_735 %>%
    filter(grupo_poblacion != "UPZ identificada en P13")
)

correlaciones_socioeconomicas <- purrr::map_dfr(
  names(escenarios_socioeconomicos),
  function(escenario) {

    datos_escenario <- escenarios_socioeconomicos[[escenario]]

    purrr::map_dfr(
      variables_socioeconomicas,
      function(variable) {

        datos_validos <- datos_escenario %>%
          select(
            tasa_total,
            all_of(variable)
          ) %>%
          drop_na()

        tibble(
          Escenario = escenario,
          Variable = variable,
          Numero_UPZ = nrow(datos_validos),
          rho = if (
            nrow(datos_validos) >= 3 &&
            sd(datos_validos$tasa_total) > 0 &&
            sd(datos_validos[[variable]]) > 0
          ) {
            cor(
              datos_validos$tasa_total,
              datos_validos[[variable]],
              method = "spearman"
            )
          } else {
            NA_real_
          }
        )
      }
    )
  }
) %>%
  mutate(
    Variable = recode(
      Variable,
      pct_pobreza = "Población en condición de pobreza",
      salario_promedio = "Salario promedio",
      pct_estrato_1_2 = "Viviendas en estratos 1 y 2",
      pct_estrato_3_4 = "Viviendas en estratos 3 y 4",
      pct_estrato_5_6 = "Viviendas en estratos 5 y 6"
    ),
    Direccion = case_when(
      is.na(rho) ~ "No calculable",
      rho > 0 ~ "Positiva",
      rho < 0 ~ "Negativa",
      TRUE ~ "Sin asociación"
    ),
    Intensidad = case_when(
      is.na(rho) ~ "No calculable",
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  ) %>%
  arrange(Variable, Escenario)

knitr::kable(
  correlaciones_socioeconomicas,
  digits = 3,
  caption = "Correlaciones de Spearman entre condiciones socioeconómicas y tasa total de delitos"
)
```

Comparación de las cinco categorías priorizadas según grupo salarial


```{r hallazgo-735-tipo-delito-salario, echo=TRUE}
# 1. Seleccionar las cinco categorías priorizadas

variables_tasas_delitos <- c(
  "tasa_hurto_personas",
  "tasa_hurto_celulares",
  "tasa_violencia_intrafamiliar",
  "tasa_lesiones",
  "tasa_hurto_comercio"
)

# 2. Clasificar las UPZ según la mediana salarial

mediana_salario <- median(
  upz_analisis_735$salario_promedio,
  na.rm = TRUE
)

upz_grupos_salario <- upz_analisis_735 %>%
  mutate(
    Grupo_salario = if_else(
      salario_promedio <= mediana_salario,
      "Salario bajo o igual a mediana",
      "Salario superior a mediana"
    )
  )

# 3. Definir los escenarios de análisis

escenarios_salario <- list(
  "Todas las UPZ" = upz_grupos_salario,
  "Sin UPZ P13" = upz_grupos_salario %>%
    filter(grupo_poblacion != "UPZ identificada en P13")
)

# 4. Transformar los datos y calcular tasas medianas

resumen_delitos_salario <- purrr::map_dfr(
  names(escenarios_salario),
  function(escenario) {

    datos_escenario <- escenarios_salario[[escenario]]

    datos_largos <- datos_escenario %>%
      select(
        upz_nombre,
        Grupo_salario,
        all_of(variables_tasas_delitos)
      ) %>%
      pivot_longer(
        cols = all_of(variables_tasas_delitos),
        names_to = "Tipo_delito",
        values_to = "Tasa"
      ) %>%
      mutate(
        Tipo_delito = recode(
          Tipo_delito,
          tasa_hurto_personas = "Hurto a personas",
          tasa_hurto_celulares = "Hurto de celulares",
          tasa_violencia_intrafamiliar = "Violencia intrafamiliar",
          tasa_lesiones = "Lesiones",
          tasa_hurto_comercio = "Hurto a comercio"
        )
      )

    datos_largos %>%
      group_by(
        Grupo_salario,
        Tipo_delito
      ) %>%
      summarise(
        Tasa_mediana = median(Tasa, na.rm = TRUE),
        Numero_UPZ = sum(!is.na(Tasa)),
        .groups = "drop"
      ) %>%
      mutate(
        Escenario = escenario
      )
  }
) %>%
  group_by(Escenario, Grupo_salario) %>%
  mutate(
    Posicion = min_rank(desc(Tasa_mediana))
  ) %>%
  ungroup()

# 5. Tabla principal: todas las UPZ

tabla_salario_principal <- resumen_delitos_salario %>%
  filter(Escenario == "Todas las UPZ") %>%
  select(
    Tipo_delito,
    Grupo_salario,
    Tasa_mediana
  ) %>%
  pivot_wider(
    names_from = Grupo_salario,
    values_from = Tasa_mediana
  ) %>%
  arrange(desc(`Salario superior a mediana`))

knitr::kable(
  tabla_salario_principal,
  digits = 2,
  col.names = c(
    "Tipo de delito",
    "Salario bajo o igual a mediana",
    "Salario superior a mediana"
  ),
  caption = "Tasas medianas de las cinco categorías priorizadas según grupo salarial. Todas las UPZ"
)

# 6. Tabla de sensibilidad: comparación de escenarios

tabla_sensibilidad_salario <- resumen_delitos_salario %>%
  select(
    Escenario,
    Grupo_salario,
    Tipo_delito,
    Tasa_mediana
  ) %>%
  pivot_wider(
    names_from = c(Escenario, Grupo_salario),
    values_from = Tasa_mediana,
    names_sep = " - "
  ) %>%
  mutate(
    Diferencia_grupo_bajo =
      `Sin UPZ P13 - Salario bajo o igual a mediana` -
      `Todas las UPZ - Salario bajo o igual a mediana`,
    Diferencia_grupo_alto =
      `Sin UPZ P13 - Salario superior a mediana` -
      `Todas las UPZ - Salario superior a mediana`
  ) %>%
  select(
    Tipo_delito,
    `Todas las UPZ - Salario bajo o igual a mediana`,
    `Sin UPZ P13 - Salario bajo o igual a mediana`,
    Diferencia_grupo_bajo,
    `Todas las UPZ - Salario superior a mediana`,
    `Sin UPZ P13 - Salario superior a mediana`,
    Diferencia_grupo_alto
  )

knitr::kable(
  tabla_sensibilidad_salario,
  digits = 2,
  col.names = c(
    "Tipo de delito",
    "Salario bajo: todas",
    "Salario bajo: sin P13",
    "Diferencia",
    "Salario alto: todas",
    "Salario alto: sin P13",
    "Diferencia"
  ),
  caption = "Sensibilidad de las tasas medianas al excluir las UPZ P13"
)

# 7. Gráfico principal: comparación por grupo salarial

ggplot(
  resumen_delitos_salario %>%
    filter(Escenario == "Todas las UPZ"),
  aes(
    x = reorder(Tipo_delito, Tasa_mediana),
    y = Tasa_mediana,
    fill = Grupo_salario
  )
) +
  geom_col(
    position = "dodge",
    width = 0.75
  ) +
  coord_flip() +
  scale_fill_manual(
    values = c(
      "Salario bajo o igual a mediana" = "#168C86",
      "Salario superior a mediana" = "#D9006C"
    ),
    name = "Grupo salarial"
  ) +
  scale_y_continuous(
    labels = scales::label_comma()
  ) +
  labs(
    title = "Tasas de delitos según grupo salarial",
    subtitle = "Comparación de las cinco categorías priorizadas en las 112 UPZ",
    x = NULL,
    y = "Tasa mediana por cada 10.000 habitantes"
  ) +
  tema_clase
```


**Interpretación y conclusión**

El análisis evidencia que las condiciones socioeconómicas presentan asociaciones diferenciadas con las tasas de delitos denunciados entre las UPZ de Bogotá. Las correlaciones de Spearman muestran una relación negativa moderada entre la pobreza y la tasa total de delitos (\(\rho=-0,517\)), así como una relación positiva moderada con el salario promedio (\(\rho=0,584\)). En cuanto a la composición socioeconómica, la participación de viviendas en estratos 1 y 2 presenta una asociación negativa fuerte (\(\rho=-0,623\)), mientras que los estratos 3 y 4 muestran una asociación positiva fuerte (\(\rho=0,616\)). Por su parte, los estratos 5 y 6 presentan una relación positiva débil (\(\rho=0,205\)).

Al realizar el análisis de sensibilidad excluyendo las UPZ identificadas en P13, las asociaciones conservan su dirección y aumentan ligeramente su magnitud. Esto indica que las UPZ de población reducida influyen en la intensidad de algunas relaciones, pero no modifican el patrón general observado.

La comparación de las cinco categorías delictivas priorizadas, que representan el 91,05 % de los casos analizados, permite identificar diferencias según el grupo salarial. Las UPZ con salarios superiores a la mediana presentan tasas medianas más elevadas en hurto a personas, hurto de celulares y hurto a comercio. En contraste, las UPZ con salarios bajos o iguales a la mediana registran tasas medianas superiores en violencia intrafamiliar y lesiones.

Este resultado evidencia que la relación entre las condiciones socioeconómicas y la criminalidad no es homogénea, sino que varía según la naturaleza del delito. Asimismo, las diferencias entre grupos salariales se mantienen al excluir las UPZ P13, lo que demuestra que este comportamiento no depende exclusivamente de las unidades territoriales de población reducida.

En conjunto, los resultados permiten concluir que las condiciones socioeconómicas están asociadas con diferentes patrones territoriales de denuncia, pero no permiten establecer relaciones causales. Por ello, la interpretación debe considerar las particularidades de cada tipo de delito y reconocer que las tasas de denuncia también pueden estar condicionadas por factores demográficos, urbanos y sociales que no se explican únicamente mediante el nivel de ingresos o la composición socioeconómica de las UPZ.

### 7.3.6. ¿La percepción de inseguridad coincide con los delitos denunciados?

Esta pregunta busca establecer si las UPZ donde los habitantes reportan mayores niveles de percepción de inseguridad son también aquellas que presentan mayores tasas de delitos denunciados.

Para desarrollar el análisis se comparan dos dimensiones complementarias: la percepción de inseguridad reportada por los habitantes y los registros administrativos de denuncias. La primera representa la valoración que las personas hacen sobre las condiciones de seguridad de su entorno, mientras que la segunda refleja los hechos delictivos registrados por las autoridades.

Se analiza la relación entre el porcentaje de población que percibe problemas de inseguridad y la tasa total de delitos por cada 10.000 habitantes. Adicionalmente, se incorpora el número absoluto de casos denunciados para diferenciar la intensidad relativa de los registros frente al volumen de denuncias de cada territorio.

Posteriormente, las UPZ se clasifican en cuatro perfiles, utilizando las medianas de percepción y tasa como puntos de referencia. Esta clasificación permite identificar territorios donde ambas dimensiones coinciden en niveles relativamente altos o bajos, así como aquellos donde se presentan diferencias.

Es importante señalar que la percepción de inseguridad y las denuncias no miden exactamente el mismo fenómeno. Una persona puede percibir inseguridad sin haber sido víctima de un delito y no todos los hechos delictivos llegan a ser denunciados. Por esta razón, las diferencias entre ambos indicadores no deben interpretarse automáticamente como errores de percepción o de registro.

Preparación de los datos
Este primer bloque crea la clasificación P13 que utilizaremos para destacar las UPZ de población reducida. Se conservan las 112 unidades territoriales.

```{r hallazgo-736-preparacion, echo=TRUE}
# Preparar la base de análisis de percepción e inseguridad

upz_analisis_736 <- upz %>%
  mutate(
    grupo_poblacion = if_else(
      poblacion <= 14512,
      "UPZ identificada en P13",
      "Resto de UPZ"
    ),
    grupo_poblacion = factor(
      grupo_poblacion,
      levels = c(
        "Resto de UPZ",
        "UPZ identificada en P13"
      )
    )
  )

# Verificar cantidad de UPZ por clasificación

upz_analisis_736 %>%
  count(grupo_poblacion) %>%
  knitr::kable(
    caption = "Distribución de las UPZ según clasificación poblacional"
  )
```



2. Percepción de inseguridad frente a la tasa de delitos
Este gráfico permite observar si las UPZ con mayor percepción de inseguridad también presentan mayores tasas de delitos denunciados. Se utiliza escala pseudo-logarítmica para facilitar la lectura de las tasas extremas, y se destacan las UPZ P13.

```{r hallazgo-736-percepcion-tasa, echo=TRUE}
ggplot(
  upz_analisis_736,
  aes(x = pct_percibe_inseguridad, y = tasa_total)
) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "Resto de UPZ"
    ),
    color = "#168C86",
    alpha = 0.75,
    size = 2.5
  ) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "UPZ identificada en P13"
    ),
    color = "#D9006C",
    alpha = 0.9,
    size = 3
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  labs(
    title = "Percepción de inseguridad y tasa de delitos por UPZ",
    subtitle = "Percepción reportada frente a denuncias por cada 10.000 habitantes",
    x = "Población que percibe problemas de inseguridad (%)",
    y = "Tasa total de delitos por 10.000 habitantes",
    caption = "Las UPZ P13 se destacan en color magenta."
  ) +
  tema_clase
```



3. Percepción de inseguridad frente al número de casos
Este segundo gráfico complementa el anterior. Permite identificar si la percepción se relaciona con el volumen absoluto de denuncias, sin utilizar el denominador poblacional de la tasa.

```{r hallazgo-736-percepcion-casos, echo=TRUE}
ggplot(
  upz_analisis_736,
  aes(x = pct_percibe_inseguridad, y = casos_total)
) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "Resto de UPZ"
    ),
    color = "#168C86",
    alpha = 0.75,
    size = 2.5
  ) +
  geom_point(
    data = filter(
      upz_analisis_736,
      grupo_poblacion == "UPZ identificada en P13"
    ),
    color = "#D9006C",
    alpha = 0.9,
    size = 3
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  labs(
    title = "Percepción de inseguridad y volumen de denuncias",
    subtitle = "Comparación entre percepción y número absoluto de casos por UPZ",
    x = "Población que percibe problemas de inseguridad (%)",
    y = "Número de casos denunciados",
    caption = "Las UPZ P13 se destacan en color magenta."
  ) +
  tema_clase
```



4. Correlaciones de Spearman
Se calcula la correlación entre percepción de inseguridad y dos indicadores: tasa total de delitos y número absoluto de casos. Se presentan los resultados para todas las UPZ y para el escenario sin P13.

```{r hallazgo-736-correlaciones, echo=TRUE}
# Variables para comparar con la percepción

variables_percepcion <- c(
  "tasa_total",
  "casos_total"
)

# Construir los escenarios de análisis

escenarios_percepcion <- list(
  "Todas las UPZ" = upz_analisis_736,
  "Sin UPZ P13" = upz_analisis_736 %>%
    filter(grupo_poblacion == "Resto de UPZ")
)

# Calcular correlaciones de Spearman

correlaciones_percepcion <- purrr::map_dfr(
  names(escenarios_percepcion),
  function(escenario) {

    datos_escenario <- escenarios_percepcion[[escenario]]

    purrr::map_dfr(
      variables_percepcion,
      function(variable) {

        datos_validos <- datos_escenario %>%
          select(
            pct_percibe_inseguridad,
            all_of(variable)
          ) %>%
          drop_na()

        rho <- cor(
          datos_validos$pct_percibe_inseguridad,
          datos_validos[[variable]],
          method = "spearman"
        )

        tibble(
          Escenario = escenario,
          Variable = variable,
          Numero_UPZ = nrow(datos_validos),
          rho = rho
        )
      }
    )
  }
) %>%
  mutate(
    Variable = recode(
      Variable,
      tasa_total = "Tasa total de delitos",
      casos_total = "Número de casos denunciados"
    ),
    Direccion = if_else(
      rho >= 0,
      "Positiva",
      "Negativa"
    ),
    Intensidad = case_when(
      abs(rho) < 0.20 ~ "Muy débil",
      abs(rho) < 0.40 ~ "Débil",
      abs(rho) < 0.60 ~ "Moderada",
      abs(rho) < 0.80 ~ "Fuerte",
      TRUE ~ "Muy fuerte"
    )
  )

# Presentar resultados

knitr::kable(
  correlaciones_percepcion,
  digits = 3,
  col.names = c(
    "Escenario",
    "Variable",
    "Número de UPZ",
    "Rho",
    "Dirección",
    "Intensidad"
  ),
  caption = "Correlaciones de Spearman entre percepción de inseguridad y denuncias"
)
```



5. Clasificación de las UPZ en cuatro perfiles territoriales
Para identificar la correspondencia entre percepción y denuncias, se utilizan las medianas de ambas variables como puntos de referencia. Las medianas se calculan sobre las 112 UPZ y se mantienen como umbrales al realizar la comparación sin P13, de manera que los escenarios sean comparables.

```{r hallazgo-736-cuadrantes, echo=TRUE}
# Calcular medianas de referencia sobre las 112 UPZ

mediana_percepcion <- median(
  upz_analisis_736$pct_percibe_inseguridad,
  na.rm = TRUE
)

mediana_tasa <- median(
  upz_analisis_736$tasa_total,
  na.rm = TRUE
)

# Clasificar las UPZ según percepción y tasa

upz_percepcion_grupos <- upz_analisis_736 %>%
  mutate(
    Grupo_percepcion_tasa = case_when(
      pct_percibe_inseguridad >= mediana_percepcion &
        tasa_total >= mediana_tasa ~ "G1",

      pct_percibe_inseguridad >= mediana_percepcion &
        tasa_total < mediana_tasa ~ "G2",

      pct_percibe_inseguridad < mediana_percepcion &
        tasa_total >= mediana_tasa ~ "G3",

      TRUE ~ "G4"
    ),
    Grupo_percepcion_tasa = factor(
      Grupo_percepcion_tasa,
      levels = c("G1", "G2", "G3", "G4")
    )
  )

# Definición de los perfiles

descripcion_grupos <- c(
  "G1" = "Percepción alta - Tasa alta",
  "G2" = "Percepción alta - Tasa baja",
  "G3" = "Percepción baja - Tasa alta",
  "G4" = "Percepción baja - Tasa baja"
)

# Resumen de los cuatro grupos

resumen_percepcion_grupos <- upz_percepcion_grupos %>%
  group_by(Grupo_percepcion_tasa) %>%
  summarise(
    Numero_UPZ = n(),
    Poblacion_total = sum(poblacion, na.rm = TRUE),
    Porcentaje_UPZ = n() / nrow(upz_percepcion_grupos) * 100,
    Percepcion_mediana = median(
      pct_percibe_inseguridad,
      na.rm = TRUE
    ),
    Tasa_mediana = median(
      tasa_total,
      na.rm = TRUE
    ),
    Casos_totales = sum(casos_total, na.rm = TRUE),
    Numero_UPZ_P13 = sum(
      grupo_poblacion == "UPZ identificada en P13"
    ),
    .groups = "drop"
  ) %>%
  mutate(
    Descripcion = recode(
      as.character(Grupo_percepcion_tasa),
      !!!descripcion_grupos
    )
  )

# Tabla resumen de perfiles

knitr::kable(
  resumen_percepcion_grupos %>%
    select(
      Grupo_percepcion_tasa,
      Descripcion,
      Numero_UPZ,
      Porcentaje_UPZ,
      Poblacion_total,
      Percepcion_mediana,
      Tasa_mediana,
      Casos_totales,
      Numero_UPZ_P13
    ),
  digits = 2,
  col.names = c(
    "Grupo",
    "Perfil territorial",
    "N.º UPZ",
    "Participación (%)",
    "Población",
    "Percepción mediana (%)",
    "Tasa mediana",
    "Casos totales",
    "UPZ P13"
  ),
  caption = "Clasificación territorial según percepción y tasa de delitos"
)

# Identificar las UPZ que pertenecen a cada perfil

tabla_upz_percepcion <- upz_percepcion_grupos %>%
  select(
    upz_nombre,
    poblacion,
    casos_total,
    tasa_total,
    pct_percibe_inseguridad,
    grupo_poblacion,
    Grupo_percepcion_tasa
  ) %>%
  arrange(Grupo_percepcion_tasa, desc(tasa_total))

knitr::kable(
  tabla_upz_percepcion,
  digits = 2,
  caption = "UPZ clasificadas según percepción de inseguridad y tasa de delitos"
)

# Visualización de los cuatro perfiles

ggplot(
  upz_percepcion_grupos,
  aes(
    x = pct_percibe_inseguridad,
    y = tasa_total,
    fill = Grupo_percepcion_tasa,
    shape = grupo_poblacion
  )
) +
  geom_point(
    aes(
      color = grupo_poblacion
    ),
    size = 2.8,
    alpha = 0.85,
    stroke = 1
  ) +
  geom_vline(
    xintercept = mediana_percepcion,
    linetype = "dashed",
    color = "grey45"
  ) +
  geom_hline(
    yintercept = mediana_tasa,
    linetype = "dashed",
    color = "grey45"
  ) +
  scale_y_continuous(
    trans = scales::pseudo_log_trans(),
    labels = scales::label_comma()
  ) +
  scale_fill_manual(
    values = c(
      "G1" = "#351A4F",
      "G2" = "#D9006C",
      "G3" = "#168C86",
      "G4" = "#A69BAF"
    ),
    labels = descripcion_grupos,
    name = "Perfil territorial"
  ) +
  scale_color_manual(
    values = c(
      "Resto de UPZ" = "#555555",
      "UPZ identificada en P13" = "#D9006C"
    ),
    name = "Clasificación poblacional"
  ) +
  scale_shape_manual(
    values = c(
      "Resto de UPZ" = 21,
      "UPZ identificada en P13" = 24
    ),
    name = "Clasificación poblacional"
  ) +
  labs(
    title = "Percepción y denuncias permiten identificar cuatro perfiles territoriales",
    subtitle = "Clasificación relativa según las medianas de ambas variables",
    x = "Percepción de inseguridad (%)",
    y = "Tasa de delitos por 10.000 habitantes",
    caption = "Las líneas discontinuas representan las medianas de las 112 UPZ."
  ) +
  tema_clase
```



6. Distribución porcentual de los cuatro perfiles
Esta visualización resume la participación de cada grupo dentro del total de UPZ. Permite reconocer qué proporción de territorios presenta coincidencia y cuál presenta diferencias entre percepción y tasa.

```{r hallazgo-736-grafica-clasificacion-relativa, echo=TRUE}
# Preparar etiquetas de los cuatro grupos

grafica_clasificacion_736 <- resumen_percepcion_grupos %>%
  mutate(
    Grupo = as.character(Grupo_percepcion_tasa),
    Etiqueta = paste0(
      Grupo,
      "\n",
      round(Porcentaje_UPZ, 1),
      "%\n",
      Numero_UPZ,
      " UPZ"
    )
  )

# Gráfica de distribución porcentual

ggplot(
  grafica_clasificacion_736,
  aes(
    x = 2,
    y = Porcentaje_UPZ,
    fill = Grupo
  )
) +
  geom_col(
    width = 0.75,
    color = "white",
    linewidth = 1
  ) +
  geom_text(
    aes(label = Etiqueta),
    position = position_stack(vjust = 0.5),
    color = "white",
    fontface = "bold",
    size = 3.5
  ) +
  coord_polar(theta = "y") +
  xlim(0.5, 2.5) +
  scale_fill_manual(
    values = c(
      "G1" = "#351A4F",
      "G2" = "#D9006C",
      "G3" = "#168C86",
      "G4" = "#A69BAF"
    ),
    labels = descripcion_grupos,
    name = "Perfil territorial"
  ) +
  labs(
    title = "Distribución de las UPZ según percepción y tasa de delitos",
    subtitle = "Clasificación relativa basada en las medianas de ambas variables",
    caption = "Total: 112 UPZ. Los porcentajes representan participación sobre el total."
  ) +
  tema_clase +
  theme(
    axis.title = element_blank(),
    axis.text = element_blank(),
    axis.ticks = element_blank(),
    panel.grid = element_blank(),
    legend.position = "right"
  )
```



7. Correspondencia entre percepción y denuncias
Finalmente, agrupamos los perfiles en dos grandes categorías:
- Coincidencia: G1 y G4, donde ambas variables se encuentran del mismo lado de sus respectivas medianas.
- Diferencia: G2 y G3, donde una variable se encuentra por encima de su mediana y la otra por debajo.
Este cálculo permite cuantificar el porcentaje de UPZ donde la percepción y los registros de denuncias presentan comportamientos distintos.

```{r hallazgo-736-grafica-correspondencia, echo=TRUE}
# Agrupar los cuatro perfiles en dos categorías generales

resumen_correspondencia <- resumen_percepcion_grupos %>%
  mutate(
    Tipo = case_when(
      Grupo_percepcion_tasa %in% c("G1", "G4") ~ "Coincidencia",
      Grupo_percepcion_tasa %in% c("G2", "G3") ~ "Diferencia"
    )
  ) %>%
  group_by(Tipo) %>%
  summarise(
    Porcentaje = sum(Porcentaje_UPZ),
    Numero_UPZ = sum(Numero_UPZ),
    .groups = "drop"
  ) %>%
  mutate(
    Tipo = factor(
      Tipo,
      levels = c("Diferencia", "Coincidencia")
    ),
    Etiqueta = paste0(
      round(Porcentaje, 1),
      "% (",
      Numero_UPZ,
      " UPZ)"
    )
  )

# Mostrar resultados de correspondencia

knitr::kable(
  resumen_correspondencia,
  digits = 1,
  caption = "Correspondencia entre percepción de inseguridad y tasas de delitos"
)

# Gráfico de correspondencia

ggplot(
  resumen_correspondencia,
  aes(
    x = Porcentaje,
    y = Tipo,
    fill = Tipo
  )
) +
  geom_col(
    width = 0.45
  ) +
  geom_text(
    aes(label = Etiqueta),
    hjust = -0.12,
    fontface = "bold",
    size = 4
  ) +
  scale_fill_manual(
    values = c(
      "Coincidencia" = "#168C86",
      "Diferencia" = "#D9006C"
    )
  ) +
  scale_x_continuous(
    limits = c(0, 75),
    breaks = seq(0, 75, 15),
    labels = function(x) paste0(x, "%"),
    expand = expansion(mult = c(0, 0))
  ) +
  labs(
    title = "Correspondencia entre percepción y denuncias",
    subtitle = "Coincidencia: G1 + G4 | Diferencia: G2 + G3",
    x = NULL,
    y = NULL,
    caption = "Clasificación relativa de las 112 UPZ según las medianas de percepción y tasa."
  ) +
  tema_clase +
  theme(
    legend.position = "none",
    panel.grid.major.y = element_blank(),
    panel.grid.minor = element_blank(),
    axis.text.y = element_text(
      face = "bold",
      size = 11
    ),
    axis.text.x = element_text(size = 9)
  )
```


**Interpretación y conclusión**

Los resultados muestran que la percepción de inseguridad y los delitos denunciados presentan una correspondencia limitada entre las UPZ de Bogotá. Las correlaciones de Spearman evidencian una asociación negativa débil entre la percepción de inseguridad y la tasa total de delitos (\(\rho=-0,293\)), mientras que la relación con el número absoluto de casos denunciados es prácticamente nula (\(\rho=0,063\)).

Al realizar el análisis de sensibilidad excluyendo las UPZ identificadas en P13, las correlaciones conservan su dirección y su nivel de intensidad. La asociación con la tasa total pasa de -0,293 a -0,327, mientras que la relación con el número de casos permanece prácticamente nula, pasando de 0,063 a 0,054. Esto indica que el comportamiento observado no depende exclusivamente de las unidades territoriales de población reducida.

La clasificación de las 112 UPZ en cuatro perfiles territoriales permite profundizar en estas diferencias. Se identifica que 24 UPZ (21,4 %) presentan niveles altos tanto de percepción como de tasa de delitos (G1), mientras que otras 24 (21,4 %) presentan niveles bajos en ambas dimensiones (G4). En conjunto, estos dos grupos representan el 42,9 % de las UPZ y muestran una correspondencia relativa.

Por otro lado, 32 UPZ (28,6 %) presentan una percepción de inseguridad superior a la mediana, pero tasas de delitos inferiores a ella (G2). Otras 32 UPZ (28,6 %) presentan el comportamiento contrario: tasas superiores a la mediana y percepción inferior a ella (G3). En conjunto, estos perfiles representan el 57,1 % de las unidades territoriales, evidenciando que en más de la mitad de las UPZ las dos dimensiones no coinciden en sus niveles relativos.

Este resultado permite reconocer que la percepción ciudadana y los registros administrativos ofrecen perspectivas diferentes sobre la seguridad territorial. Una UPZ puede presentar una percepción elevada de inseguridad sin registrar tasas igualmente altas, mientras que otras pueden presentar tasas elevadas sin que la percepción reportada alcance niveles similares.

Estas diferencias pueden estar relacionadas con factores como las experiencias de los habitantes, la exposición a situaciones de riesgo, la disposición a denunciar y las características particulares de cada territorio. Sin embargo, la información disponible no permite determinar cuáles de estos factores explican las diferencias identificadas.

**Insight principal:** La percepción de inseguridad no necesariamente coincide con la intensidad ni con el volumen de los delitos denunciados. El 57,1 % de las UPZ presenta diferencias entre percepción y tasa, mientras que las correlaciones muestran una relación débil o prácticamente inexistente entre estas dimensiones. Esto evidencia que los registros administrativos, aunque fundamentales para estudiar la seguridad, no son suficientes por sí solos para comprender cómo experimentan los habitantes la inseguridad en su entorno.

En consecuencia, el análisis de la seguridad territorial debe integrar tanto los registros de denuncias como la percepción de los habitantes. Ambos indicadores son complementarios y deben interpretarse considerando que miden dimensiones distintas del fenómeno de la inseguridad.

## Nota de transparencia sobre el uso de inteligencia artificial

Durante el desarrollo de este trabajo se utilizó ChatGPT como herramienta de apoyo para la construcción y ejecución del análisis exploratorio de datos (EDA), especialmente en la elaboración de código en R, la estructuración de procedimientos estadísticos, la generación de visualizaciones y la organización de los resultados dentro del documento R Markdown.

El desarrollo se realizó mediante un proceso de trabajo guiado, progresivo e iterativo. Los autores definieron el enfoque del proyecto, formularon las preguntas de investigación, establecieron las variables de interés, orientaron las decisiones metodológicas y determinaron los análisis que debían realizarse en función de los objetivos del taller.

ChatGPT proporcionó asistencia técnica en la escritura y corrección del código, así como en la propuesta de procedimientos estadísticos y alternativas de visualización. Esta colaboración se desarrolló paso a paso, revisando los resultados obtenidos, identificando errores, ajustando los procedimientos y profundizando en la interpretación de los hallazgos.

La selección de los análisis, la revisión de su pertinencia, la orientación de las preguntas y la interpretación crítica de los resultados estuvieron bajo el criterio y la dirección de los autores. De esta manera, la inteligencia artificial se utilizó como un recurso de acompañamiento y asistencia técnica, sin sustituir el proceso de análisis, reflexión y toma de decisiones de los estudiantes.

Los resultados y conclusiones presentados fueron construidos a partir de la ejecución del código sobre los datos del proyecto y de la revisión de las evidencias obtenidas durante el desarrollo del trabajo.