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.
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?
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.
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
vehiculos_involucrados, cantidad de vehículos involucrados
en el accidente.heridos,
número de personas heridas en el accidente.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.
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")
| 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.
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$heridos)
)
)
knitr::kable(resumen, digits=3, caption="Estadísticos descriptivos")
| Estadistico | Vehiculos_involucrados | Personas_heridas |
|---|---|---|
| Número de observaciones | 20.000 | 20.000 |
| Media | 1.850 | 1.350 |
| Mediana | 2.000 | 1.000 |
| Desviación estándar | 0.489 | 1.182 |
| Mínimo | 1.000 | 0.000 |
| Máximo | 3.000 | 5.000 |
Interpretación: la media representa el promedio; la mediana es el valor central; la desviación estándar indica la dispersión de los datos alrededor de la media; y los valores mínimo y máximo muestran los extremos observados.
datos_largos <- rbind(
data.frame(valor=datos$vehiculos_involucrados, variable="Vehículos involucrados"),
data.frame(valor=datos$heridos, variable="Personas heridas")
)
ggplot(datos_largos, aes(x=valor)) +
geom_histogram(bins=15, color="white") +
facet_wrap(~variable, scales="free") +
labs(title="Distribución de las variables",
x="Número registrado", y="Frecuencia") +
theme_minimal()
Los histogramas permiten observar la concentración de los valores, la forma de las distribuciones y la posible presencia de valores extremos.
El coeficiente de correlación de Pearson mide la dirección y la fuerza de la asociación lineal entre dos variables cuantitativas. Sus valores van de -1 a +1.
coef_cor <- cor(datos$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.
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
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.
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.
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.
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")
| 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).
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")
| 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.
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")
| 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.
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.
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.
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.
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.
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$fecha_grafico, na.last=NA)
residuos_fecha <- residuals(modelo)[orden]
plot(residuos_fecha, type="b", pch=19,
xlab="Registros ordenados por fecha",
ylab="Residuo",
main="Residuos ordenados por fecha de ocurrencia")
abline(h=0, lty=2)
} else {
cat("La fecha no pudo convertirse a formato Date; no se realiza gráfico temporal.")
}
} else {
cat("La base no contiene una columna fecha_ocurrencia disponible.")
}
La independencia también depende de cómo se generaron los registros y de si hay agrupaciones por lugar, fecha o evento. El gráfico es una revisión exploratoria; no prueba por sí solo la independencia.
par(mfrow=c(1,2))
plot(modelo, which=4)
plot(modelo, which=5)
par(mfrow=c(1,1))
La distancia de Cook y los residuos estudentizados ayudan a identificar observaciones que pueden influir en la estimación. Una observación influyente no debe eliminarse automáticamente: primero se verifica si corresponde a un error o a un accidente real.
tabla_cook <- data.frame(
Observacion=seq_along(cooks.distance(modelo)),
Distancia_Cook=as.numeric(cooks.distance(modelo))
)
knitr::kable(head(tabla_cook[order(-tabla_cook$Distancia_Cook),],10),
digits=4, caption="Diez observaciones con mayor distancia de Cook")
| 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 |
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.
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.
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