1 1. Introducción

La accidentalidad vial es una problemática de interés para la seguridad y la salud pública. En este proyecto se estudia la relación estadística entre la cantidad de vehículos involucrados y el número de personas heridas en accidentes de tránsito registrados en el municipio de Acacías, Meta.

Se estima un modelo de regresión lineal simple porque se utiliza una variable independiente para explicar estadísticamente una variable dependiente. El trabajo incluye análisis descriptivo, correlación, estimación del modelo, ANOVA, intervalos de confianza y predicción, además de la validación de supuestos mediante gráficos y pruebas estadísticas.

El estudio es observacional. Por tanto, una asociación estadística no demuestra que una variable cause la otra.

2 2. Planteamiento del problema

Pregunta de investigación: ¿Existe una relación lineal entre el número de vehículos involucrados y el número de personas heridas en los accidentes viales registrados en Acacías, Meta?

2.1 2.1 Objetivo general

Analizar la relación entre el número de vehículos involucrados y el número de personas heridas en accidentes viales de Acacías, Meta, mediante un modelo de regresión lineal simple.

2.2 2.2 Objetivos específicos

  1. Describir estadísticamente las variables seleccionadas.
  2. Medir la dirección y fuerza de la asociación lineal mediante la correlación de Pearson.
  3. Estimar e interpretar un modelo de regresión lineal simple.
  4. Evaluar el ajuste y la significancia del modelo mediante R² y ANOVA.
  5. Calcular intervalos de confianza para los coeficientes, la respuesta media y una respuesta individual.
  6. Verificar los supuestos del modelo mediante gráficos y pruebas estadísticas.

3 3. Fuente de información y base de datos

Se utiliza el conjunto de datos Accidentes Viales, publicado en el Portal Nacional de Datos Abiertos de Colombia. El conjunto corresponde a accidentes registrados en el municipio de Acacías, Meta, y fue suministrado por el Instituto de Tránsito y Transporte de Acacías.

El catálogo consultado reporta 660 filas y 9 columnas. La base se descarga al momento de ejecutar este documento, por lo que el número de registros puede cambiar si la entidad actualiza el conjunto de datos.

Fuente oficial: Portal Nacional de Datos Abiertos, Accidentes Viales – Acacías, Meta: https://www.datos.gov.co/Transporte/Accidentes-Viales/yu3i-jau4

3.1 3.1 Variables

  • Variable independiente (X): vehiculos_involucrados, cantidad de vehículos involucrados en el accidente.
  • Variable dependiente (Y): heridos, número de personas heridas en el accidente.
  • Unidad de análisis: cada registro individual de accidente vial.

La elección se justifica porque un accidente con más vehículos involucrados puede implicar más personas expuestas a sufrir lesiones. Esta posibilidad se evalúa con los datos; no se presupone que exista una relación positiva ni causal.

3.2 3.2 Importación, depuración y verificación del mínimo de observaciones

El siguiente código descarga los datos directamente del recurso oficial de datos.gov.co. Se necesita conexión a internet al ejecutar el documento.

url_datos <- "https://www.datos.gov.co/resource/yu3i-jau4.csv?$limit=5000"
archivo_temporal <- tempfile(fileext = ".csv")
utils::download.file(url_datos, archivo_temporal, mode = "wb", quiet = TRUE)

base_original <- readr::read_csv(archivo_temporal, show_col_types = FALSE)

columnas <- c("vehiculos_involucrados", "heridos")
if (!all(columnas %in% names(base_original))) {
  stop(paste("No se encontraron las columnas requeridas. Columnas disponibles:",
             paste(names(base_original), collapse = ", ")))
}

datos_validos <- base_original |>
  dplyr::mutate(
    vehiculos_involucrados = suppressWarnings(as.numeric(vehiculos_involucrados)),
    heridos = suppressWarnings(as.numeric(heridos))
  ) |>
  dplyr::filter(
    !is.na(vehiculos_involucrados),
    !is.na(heridos),
    is.finite(vehiculos_involucrados),
    is.finite(heridos),
    vehiculos_involucrados >= 0,
    heridos >= 0
  )

cat("Filas descargadas:", nrow(base_original), "\n")
## Filas descargadas: 660
cat("Observaciones válidas disponibles:", nrow(datos_validos), "\n")
## Observaciones válidas disponibles: 660
if (nrow(datos_validos) < 20) {
  stop("No hay 20 observaciones completas y válidas. Revise la descarga y la base antes de continuar.")
}

# Se seleccionan exactamente 20 registros de forma reproducible.
# La semilla permite obtener la misma muestra en ejecuciones posteriores
# mientras la base de datos de origen no cambie.
set.seed(123)
datos <- dplyr::slice_sample(datos_validos, n = 20)

stopifnot(nrow(datos) == 20)

cat("OBSERVACIONES UTILIZADAS EN EL ANÁLISIS:", nrow(datos), "\n")
## OBSERVACIONES UTILIZADAS EN EL ANÁLISIS: 20
readr::write_csv(datos, "base_accidentalidad_acacias_20_observaciones.csv")
knitr::kable(datos, caption = "Las 20 observaciones seleccionadas para el análisis")
Las 20 observaciones seleccionadas para el análisis
fecha_ocurrencia codigo_accidente direccion barrio vehiculos_involucrados heridos accidente_con muertes clase_de_accidente
2023-09-16 A001602210 CALLE 19 N 29A-34 SIN INFORMACIÓN DEL BARRIO SIN INFORMACIÓN DEL BARRIO 2 5 HERIDOS NO APLICA CHOQUE
2023-12-25 A001602259 CALLE 13 CARRERA 20 COOPERATIVO COOPERATIVO 2 1 HERIDOS NO APLICA CHOQUE
2024-04-10 A0001651931 KILOMETRO 1 VIA ACACIAS -VILLAVICENCIO - VILLA MANUELA VILLA MANUELA 2 3 HERIDOS NO APLICA CHOQUE
2022-03-10 C-001437245 KILOMETRO 48+350 MTS VÍA GRANADA-VILLAVICENCIO VÍA GRANADA-VILLAVICENCIO 1 2 HERIDOS NO APLICA ATROPELLO
2024-05-26 A001651947 KILOMETRO 26 + 645 - VÍA GRANADA-VILLAVICENCIO VÍA GRANADA-VILLAVICENCIO 1 1 HERIDOS NO APLICA CHOQUE
2025-11-03 01740083 Vda San Nicolas-vda km 6 Montelibano N/A 1 0 Con Muertos 1 Choque
2023-01-01 A001456889 CALLE 16A N 27-33 - SIN INFORMACIÓN DEL BARRIO SIN INFORMACIÓN DEL BARRIO 2 1 HERIDOS NO APLICA CHOQUE
2024-08-17 A001651978 DIAGONAL 8 N.18-127 - BARR/LAS FERIAS No registra 2 2 HERIDOS NO APLICA CHOQUE
2024-09-26 A001651992 CALLE 14 N 30 - 10 - BACHUE BACHUE 2 2 HERIDOS NO APLICA CHOQUE
2025-02-13 01704727 Calle 15 con 19 Intersección CENTRO 2 2 Con Heridos 0 Choque
2023-05-30 C-001582252 KILOMETRO 47+500 MTS No registra 2 1 HERIDOS NO APLICA CHOQUE
2022-07-22 C001479154 KILOMETRO 46+500 BOMBA SEUZ GRANADA - VILLAVICENCIO No registra 2 1 DAÑOS MATERIALES NO APLICA CHOQUE
2022-08-12 A001456834 CARRERA 18#16-10 - SANTA ISABEL SANTA ISABEL 2 1 HERIDOS NO APLICA CHOQUE
2025-09-06 01740057 Calle 15 con Av 23 Intersección N/A 2 1 Con Heridos 0 Choque
2023-04-13 A001576711 CALLE 14 CARRERA 34 BACHUE BACHUE 2 1 HERIDOS NO APLICA CHOQUE
2023-04-02 C.001566210 KILOMETRO 47+690 MTS VÍA GRANADA-VILLAVICENCIO EL CENTRO VÍA GRANADA-VILLAVICENCIO 2 2 HERIDOS NO APLICA CHOQUE
2025-03-21 01704739 Carrera 23 Nº 16a 35 PABLO VI 3 0 Con Muertos 1 Choque
2022-03-24 A001371905 CALLE 15 CARRERA 13 JUAN MELLAO JUAN MELLAO 1 0 DAÑOS MATERIALES NO APLICA OTRO
2023-10-13 C-00158479 KILOMETRO 46+970 MTS VIA VILLAVICENCIO GRANADA SECTOR CODE SOLA No registra 2 0 MUERTOS 2 CHOQUE
2024-07-03 A001651963 KILOMETRO 4 VIA ACACIAS DINAMARCA - No registra 2 1 HERIDOS NO APLICA CHOQUE

Después de depurar los registros, el código selecciona una muestra aleatoria reproducible de exactamente 20 observaciones válidas. Se utiliza set.seed(123) para que la selección se mantenga en ejecuciones posteriores mientras la base de origen no cambie. Todas las tablas, gráficas, pruebas y estimaciones del documento se realizan únicamente con esas 20 observaciones. No se inventan ni completan registros.

4 4. Análisis descriptivo

Se calculan medidas de tendencia central y dispersión para conocer el comportamiento de las variables.

resumen <- data.frame(
  Estadistico = c("Número de observaciones", "Media", "Mediana",
                  "Desviación estándar", "Mínimo", "Máximo"),
  Vehiculos_involucrados = c(
    nrow(datos), mean(datos$vehiculos_involucrados),
    median(datos$vehiculos_involucrados), sd(datos$vehiculos_involucrados),
    min(datos$vehiculos_involucrados), max(datos$vehiculos_involucrados)
  ),
  Personas_heridas = c(
    nrow(datos), mean(datos$heridos), median(datos$heridos),
    sd(datos$heridos), min(datos$heridos), max(datos$heridos)
  )
)
knitr::kable(resumen, digits=3, caption="Estadísticos descriptivos")
Estadísticos descriptivos
Estadistico Vehiculos_involucrados Personas_heridas
Número de observaciones 20.000 20.000
Media 1.850 1.350
Mediana 2.000 1.000
Desviación estándar 0.489 1.182
Mínimo 1.000 0.000
Máximo 3.000 5.000

Interpretación: la media representa el promedio; la mediana es el valor central; la desviación estándar indica la dispersión de los datos alrededor de la media; y los valores mínimo y máximo muestran los extremos observados.

datos_largos <- rbind(
  data.frame(valor=datos$vehiculos_involucrados, variable="Vehículos involucrados"),
  data.frame(valor=datos$heridos, variable="Personas heridas")
)
ggplot(datos_largos, aes(x=valor)) +
  geom_histogram(bins=15, color="white") +
  facet_wrap(~variable, scales="free") +
  labs(title="Distribución de las variables",
       x="Número registrado", y="Frecuencia") +
  theme_minimal()

Los histogramas permiten observar la concentración de los valores, la forma de las distribuciones y la posible presencia de valores extremos.

5 5. Correlación de Pearson

El coeficiente de correlación de Pearson mide la dirección y la fuerza de la asociación lineal entre dos variables cuantitativas. Sus valores van de -1 a +1.

coef_cor <- cor(datos$vehiculos_involucrados, datos$heridos,
                method="pearson")
prueba_cor <- cor.test(datos$vehiculos_involucrados, datos$heridos,
                       method="pearson")
cat("Coeficiente de Pearson:", round(coef_cor, 4), "\n")
## Coeficiente de Pearson: 0.0955
prueba_cor
## 
##  Pearson's product-moment correlation
## 
## data:  datos$vehiculos_involucrados and datos$heridos
## t = 0.40717, df = 18, p-value = 0.6887
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
##  -0.3623047  0.5162296
## sample estimates:
##        cor 
## 0.09553254

Interpretación: el signo indica la dirección de la asociación y la magnitud indica su fuerza. El valor p contrasta la hipótesis de correlación poblacional igual a cero. La correlación no demuestra causalidad.

6 6. Estimación del modelo de regresión lineal simple

El modelo poblacional se expresa como:

\[ Y_i = \beta_0 + \beta_1 X_i + \varepsilon_i \]

Donde \(Y_i\) es el número de personas heridas, \(X_i\) es el número de vehículos involucrados, \(\beta_0\) es el intercepto, \(\beta_1\) es la pendiente y \(\varepsilon_i\) es el término de error.

modelo <- lm(heridos ~ vehiculos_involucrados, data=datos)
summary(modelo)
## 
## Call:
## lm(formula = heridos ~ vehiculos_involucrados, data = datos)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -1.6154 -0.3846 -0.3846  0.6154  3.6154 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)
## (Intercept)              0.9231     1.0828   0.852    0.405
## vehiculos_involucrados   0.2308     0.5668   0.407    0.689
## 
## Residual standard error: 1.209 on 18 degrees of freedom
## Multiple R-squared:  0.009126,   Adjusted R-squared:  -0.04592 
## F-statistic: 0.1658 on 1 and 18 DF,  p-value: 0.6887

6.1 6.1 Ecuación estimada

b0 <- unname(coef(modelo)[1])
b1 <- unname(coef(modelo)[2])
cat("Ecuación estimada: Y =", round(b0, 4), "+", round(b1, 4), "* X")
## Ecuación estimada: Y = 0.9231 + 0.2308 * X

Interpretación: el intercepto es el número estimado de personas heridas cuando X es cero; su interpretación práctica debe hacerse con cautela si cero no es un valor representativo. La pendiente indica cuánto cambia, en promedio, el número estimado de personas heridas por cada vehículo adicional involucrado, dentro del rango observado. No debe interpretarse como efecto causal.

6.2 6.2 Gráfico de dispersión y recta de regresión

ggplot(datos, aes(x=vehiculos_involucrados, y=heridos)) +
  geom_point(alpha=0.65) +
  geom_smooth(method="lm", se=TRUE) +
  labs(title="Vehículos involucrados y personas heridas",
       x="Vehículos involucrados (X)", y="Personas heridas (Y)") +
  theme_minimal()

Cada punto representa un accidente. La recta muestra la tendencia lineal estimada y la banda sombreada representa el intervalo de confianza de la respuesta media. Se observa si la nube de puntos presenta una tendencia aproximadamente lineal y si existen observaciones alejadas.

7 7. Coeficiente de determinación (R²)

El coeficiente de determinación indica qué proporción de la variabilidad observada en la variable dependiente es explicada por el modelo lineal.

r2 <- summary(modelo)$r.squared
r2_ajustado <- summary(modelo)$adj.r.squared
cat("R²:", round(r2, 4), "\n")
## R²: 0.0091
cat("R² ajustado:", round(r2_ajustado, 4), "\n")
## R² ajustado: -0.0459
cat("Porcentaje explicado:", round(r2*100, 2), "%")
## Porcentaje explicado: 0.91 %

Interpretación: se debe explicar el porcentaje que aparezca al ejecutar el código. Por ejemplo, un R² de 0,60 indicaría que el 60 % de la variabilidad muestral de personas heridas queda explicada por la relación lineal con vehículos involucrados. Un R² alto no prueba causalidad ni garantiza que se cumplan los supuestos.

8 8. Análisis de varianza (ANOVA)

El ANOVA evalúa si el modelo con la variable independiente aporta explicación estadística frente a un modelo sin predictor.

Se utiliza un nivel de significancia de 0,05.

tabla_anova <- anova(modelo)
knitr::kable(as.data.frame(tabla_anova), digits=4,
             caption="Análisis de varianza del modelo")
Análisis de varianza del modelo
Df Sum Sq Mean Sq F value Pr(>F)
vehiculos_involucrados 1 0.2423 0.2423 0.1658 0.6887
Residuals 18 26.3077 1.4615 NA NA

Regla de decisión: si el valor p es menor que 0,05, se rechaza H₀. Si es mayor o igual a 0,05, no se rechaza H₀. En regresión lineal simple, la prueba F del ANOVA equivale a la prueba t de la pendiente (F=t²).

9 9. Intervalos de confianza para los coeficientes

Se calculan intervalos de confianza del 95 % para el intercepto y la pendiente.

ic_coef <- confint(modelo, level=0.95)
knitr::kable(ic_coef, digits=4,
             col.names=c("Límite inferior 95%", "Límite superior 95%"),
             caption="Intervalos de confianza de los coeficientes")
Intervalos de confianza de los coeficientes
Límite inferior 95% Límite superior 95%
(Intercept) -1.3518 3.1979
vehiculos_involucrados -0.9599 1.4215

El intervalo de la pendiente contiene valores plausibles para el cambio promedio en personas heridas asociado con un vehículo adicional involucrado. Si el intervalo no contiene cero, existe evidencia de asociación lineal estadísticamente significativa al 5 %, bajo los supuestos del modelo.

10 10. Intervalo de confianza para la respuesta media y predicción individual

Se utiliza como valor de X la media de vehículos involucrados observada en la muestra, que está dentro del rango de los datos.

x_nuevo <- data.frame(
  vehiculos_involucrados = mean(datos$vehiculos_involucrados)
)
ic_media <- predict(modelo, newdata=x_nuevo,
                    interval="confidence", level=0.95)
ip_individual <- predict(modelo, newdata=x_nuevo,
                         interval="prediction", level=0.95)

tabla_intervalos <- data.frame(
  Tipo=c("Intervalo de confianza para la respuesta media",
         "Intervalo de predicción para una respuesta individual"),
  Ajuste=c(ic_media[1,"fit"], ip_individual[1,"fit"]),
  Inferior=c(ic_media[1,"lwr"], ip_individual[1,"lwr"]),
  Superior=c(ic_media[1,"upr"], ip_individual[1,"upr"])
)
knitr::kable(tabla_intervalos, digits=3,
             caption="Intervalos al 95 % para el promedio muestral de X")
Intervalos al 95 % para el promedio muestral de X
Tipo Ajuste Inferior Superior
Intervalo de confianza para la respuesta media 1.35 0.782 1.918
Intervalo de predicción para una respuesta individual 1.35 -1.253 3.953

El intervalo de confianza estima el promedio de personas heridas para el valor de X elegido. El intervalo de predicción estima un rango para una observación individual y suele ser más amplio porque incluye la variabilidad individual.

11 11. Validación de los supuestos del modelo

Se revisan linealidad, normalidad, homocedasticidad, independencia y observaciones influyentes. Las pruebas estadísticas deben interpretarse junto con los gráficos y teniendo en cuenta la naturaleza de los datos.

11.1 11.1 Linealidad

plot(modelo, which=1)

Se espera que los residuos se distribuyan alrededor de cero sin formar una curva o patrón sistemático. Una curvatura marcada puede indicar que la relación no es adecuadamente lineal.

11.2 11.2 Normalidad de los residuos

plot(modelo, which=2)

En el gráfico Q-Q, los puntos deberían aproximarse a la línea de referencia. Desviaciones marcadas pueden sugerir falta de normalidad.

shapiro.test(residuals(modelo))
## 
##  Shapiro-Wilk normality test
## 
## data:  residuals(modelo)
## W = 0.85451, p-value = 0.006348

Shapiro-Wilk contrasta la hipótesis nula de normalidad. Si p es menor que 0,05, se rechaza la normalidad. Si p es mayor o igual a 0,05, no se encuentra evidencia suficiente para rechazarla; esto no demuestra normalidad perfecta.

11.3 11.3 Homocedasticidad

La homocedasticidad supone que la varianza de los errores es aproximadamente constante.

plot(modelo, which=3)

Se espera una dispersión similar de los residuos a lo largo de los valores ajustados. Un patrón de embudo puede sugerir heterocedasticidad.

lmtest::bptest(modelo)
## 
##  studentized Breusch-Pagan test
## 
## data:  modelo
## BP = 0.27601, df = 1, p-value = 0.5993

En Breusch-Pagan, un valor p menor que 0,05 aporta evidencia de heterocedasticidad. Un valor p mayor o igual a 0,05 indica que no se encontró evidencia suficiente para rechazar homocedasticidad.

11.4 11.4 Independencia de los errores

Los accidentes son registros individuales y no necesariamente constituyen una serie temporal ordenada. Por ello, no se debe aplicar automáticamente Durbin-Watson al orden arbitrario de las filas. Si se cuenta con fecha válida, se ordenan los registros por fecha para inspeccionar visualmente posibles patrones temporales.

if ("fecha_ocurrencia" %in% names(datos)) {
  datos$fecha_grafico <- as.Date(datos$fecha_ocurrencia)
  if (sum(!is.na(datos$fecha_grafico)) > 0) {
    orden <- order(datos$fecha_grafico, na.last=NA)
    residuos_fecha <- residuals(modelo)[orden]
    plot(residuos_fecha, type="b", pch=19,
         xlab="Registros ordenados por fecha",
         ylab="Residuo",
         main="Residuos ordenados por fecha de ocurrencia")
    abline(h=0, lty=2)
  } else {
    cat("La fecha no pudo convertirse a formato Date; no se realiza gráfico temporal.")
  }
} else {
  cat("La base no contiene una columna fecha_ocurrencia disponible.")
}

La independencia también depende de cómo se generaron los registros y de si hay agrupaciones por lugar, fecha o evento. El gráfico es una revisión exploratoria; no prueba por sí solo la independencia.

11.5 11.5 Valores atípicos e influyentes

par(mfrow=c(1,2))
plot(modelo, which=4)
plot(modelo, which=5)

par(mfrow=c(1,1))

La distancia de Cook y los residuos estudentizados ayudan a identificar observaciones que pueden influir en la estimación. Una observación influyente no debe eliminarse automáticamente: primero se verifica si corresponde a un error o a un accidente real.

tabla_cook <- data.frame(
  Observacion=seq_along(cooks.distance(modelo)),
  Distancia_Cook=as.numeric(cooks.distance(modelo))
)
knitr::kable(head(tabla_cook[order(-tabla_cook$Distancia_Cook),],10),
             digits=4, caption="Diez observaciones con mayor distancia de Cook")
Diez observaciones con mayor distancia de Cook
Observacion Distancia_Cook
17 17 0.6995
1 1 0.2751
18 18 0.1519
6 6 0.1519
4 4 0.0817
3 3 0.0549
19 19 0.0403
8 8 0.0080
9 9 0.0080
10 10 0.0080

11.6 11.6 Diagnóstico general

par(mfrow=c(2,2))
plot(modelo)

par(mfrow=c(1,1))

Los cuatro gráficos resumen el comportamiento de los residuos: linealidad y varianza, normalidad, homocedasticidad e influencia. La conclusión debe basarse en la revisión conjunta de los gráficos y pruebas.

12 12. Conclusiones

El siguiente código presenta cifras calculadas a partir de la base descargada. Después de generar el HTML, el grupo debe revisar estos resultados y redactar una interpretación acorde con los gráficos y las pruebas.

p_pendiente <- summary(modelo)$coefficients[2,4]
cat("- Se analizaron **", nrow(datos), " accidentes** con información válida para las dos variables.\n\n", sep="")
cat("- La pendiente estimada fue **", round(b1,4),
    "**. Representa el cambio promedio estimado en personas heridas asociado con un vehículo adicional involucrado.\n\n", sep="")
cat("- El R² fue **", round(r2,4), "**, equivalente al **",
    round(r2*100,2), "%** de variabilidad muestral explicada por el modelo.\n\n", sep="")
cat("- El valor p de la pendiente fue **", signif(p_pendiente,4),
    "**. Con significancia del 5 %, ",
    ifelse(p_pendiente<0.05,
           "se encuentra evidencia estadística de asociación lineal.",
           "no se encuentra evidencia estadística suficiente de asociación lineal."),
    "\n\n", sep="")

En conjunto, el análisis permite evaluar la asociación lineal entre el número de vehículos involucrados y el número de personas heridas en los registros disponibles. La calidad del modelo también depende del diagnóstico de residuos. Por tratarse de datos observacionales, los resultados no demuestran causalidad.

13 13. Limitaciones y recomendaciones

  1. El análisis utiliza una muestra de exactamente 20 accidentes con información válida. Por tanto, sus resultados describen esa muestra y no necesariamente todos los registros disponibles.
  2. Los registros corresponden a accidentes de un municipio y no representan necesariamente la accidentalidad de todo el país.
  3. El número de personas heridas puede depender de otros factores no incluidos, como gravedad del accidente, tipo de vehículo, velocidad, ubicación y condiciones de la vía.
  4. La regresión lineal simple se utiliza para estudiar una variable independiente y una dependiente. Como la respuesta es un conteo, en un estudio más avanzado podría evaluarse un modelo Poisson o binomial negativo.
  5. Se recomienda revisar los valores extremos y la calidad de los registros antes de formular conclusiones.

14 14. Referencias

Portal Nacional de Datos Abiertos. (s. f.). Accidentes Viales – Municipio de Acacías, Meta. Instituto de Tránsito y Transporte de Acacías. https://www.datos.gov.co/Transporte/Accidentes-Viales/yu3i-jau4