PARCIAL ESTADISTICA
EFREN BERMEO , PAULA MARTINEZ
28/2/2020
1.Exporte la base de datos en formato excel desde la página web que se menciona anteriormente y guardelo en su ordenador.
2.Cree un documento en R Markdown que tenga como salida un documento de trabajo con los resultados obtenidos.
3.Importe la base de datos al programa RStudio a través de la libreria readxl(), bien sea usando el código o mediante el menú desplegable import Dataset seleccionando la opción From excel en la parte superior derecha del mismo.
- Copie el código con el que importa la base de datos desde la consola al archivo .Rmd desde el que generará sus análisis e informe dentro de un chunk
library(readr)
Hurto_de_motocicletas_2018_1_ <- read_csv("C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv")## Parsed with column specification:
## cols(
## .default = col_character(),
## Edad = col_double(),
## `Código DANE` = col_double(),
## MODELO = col_double(),
## Cantidad = col_double()
## )## See spec(...) for full column specifications.## Warning: 76 parsing failures.
## row col expected actual file
## 28 -- 25 columns 1 columns 'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'
## 61 -- 25 columns 1 columns 'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'
## 1599 -- 25 columns 1 columns 'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'
## 1618 -- 25 columns 1 columns 'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'
## 2212 -- 25 columns 1 columns 'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'
## .... ... .......... ......... .............................................................
## See problems(...) for more details.MOTO<-Hurto_de_motocicletas_2018_1_- Defina para todas y cada una de las variables de acuerdo al tipo al que pertenecen, según sean: discretas o continuas; de escala: nominal, ordinal, intervalo o razón; y si son cualitativas o cuantitativas.
str(MOTO)## Classes 'spec_tbl_df', 'tbl_df', 'tbl' and 'data.frame': 28326 obs. of 25 variables:
## $ Fecha : chr "01/01/2018 12:00:00 AM" "01/01/2018 12:00:00 AM" "01/01/2018 12:00:00 AM" "01/01/2018 12:00:00 AM" ...
## $ Departamento : chr "ANTIOQUIA" "ANTIOQUIA" "ANTIOQUIA" "ANTIOQUIA" ...
## $ Municipio : chr "APARTADÓ" "BELLO" "DON MATÍAS" "ENVIGADO" ...
## $ Día : chr "Lunes" "Lunes" "Lunes" "Lunes" ...
## $ Hora : chr "12/31/1899 05:00:00 PM" "12/31/1899 03:00:00 AM" "12/31/1899 06:30:00 PM" "12/31/1899 05:00:00 AM" ...
## $ Barrio : chr "ALFONSO LOPEZ" "SAN JOSE OBRERO" "QUEBRADA ARRIBA" "LA SEBASTIANA" ...
## $ Zona : chr "URBANA" "URBANA" "RURAL" "URBANA" ...
## $ Clase de sitio : chr "VIAS PUBLICAS" "FRENTE A RESIDENCIAS - VIA PUBLICA" "FINCAS Y SIMILARES" "PARQUEADERO" ...
## $ Arma empleada : chr "SIN EMPLEO DE ARMAS" "LLAVE MAESTRA" "SIN EMPLEO DE ARMAS" "LLAVE MAESTRA" ...
## $ Móvil Agresor : chr "A PIE" "A PIE" "A PIE" "A PIE" ...
## $ Móvil Victima : chr "A PIE" "A PIE" "A PIE" "A PIE" ...
## $ Edad : num 38 47 44 42 33 30 25 49 41 32 ...
## $ Sexo : chr "MASCULINO" "FEMENINO" "MASCULINO" "MASCULINO" ...
## $ Estado civil : chr "UNION LIBRE" "SOLTERO" "CASADO" "UNION LIBRE" ...
## $ País de nacimiento: chr "-" "COLOMBIA" "COLOMBIA" "COLOMBIA" ...
## $ Clase de empleado : chr "EMPLEADO PARTICULAR" "EMPLEADO PARTICULAR" "EMPLEADO PARTICULAR" "INDEPENDIENTE" ...
## $ Profesión : chr "-" "-" "-" "-" ...
## $ Escolaridad : chr "SECUNDARIA" "SECUNDARIA" "SECUNDARIA" "SECUNDARIA" ...
## $ Código DANE : num 5045000 5088000 5237000 5266000 5360000 ...
## $ CLASE : chr "MOTOCICLETA" "MOTOCICLETA" "MOTOCICLETA" "MOTOCICLETA" ...
## $ MARCA : chr "AKT" "AKT" "AUTECO" "LML" ...
## $ LINEA : chr "LINEA STANDARD" "AK125 NKDR" "SPIKE 125" "M10B1" ...
## $ MODELO : num 2014 2000 2008 2001 2017 ...
## $ COLOR : chr "NEGRO GRAFITO" "NEGRO" "AZUL BALTICO" "VERDE" ...
## $ Cantidad : num 1 1 1 1 1 1 1 1 1 1 ...
## - attr(*, "problems")=Classes 'tbl_df', 'tbl' and 'data.frame': 76 obs. of 5 variables:
## ..$ row : int 28 61 1599 1618 2212 2595 2735 2859 3035 3036 ...
## ..$ col : chr NA NA NA NA ...
## ..$ expected: chr "25 columns" "25 columns" "25 columns" "25 columns" ...
## ..$ actual : chr "1 columns" "1 columns" "1 columns" "1 columns" ...
## ..$ file : chr "'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'" "'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'" "'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'" "'C:/Users/geren/Downloads/Hurto_de_motocicletas_2018 (1).csv'" ...
## - attr(*, "spec")=
## .. cols(
## .. Fecha = col_character(),
## .. Departamento = col_character(),
## .. Municipio = col_character(),
## .. Día = col_character(),
## .. Hora = col_character(),
## .. Barrio = col_character(),
## .. Zona = col_character(),
## .. `Clase de sitio` = col_character(),
## .. `Arma empleada` = col_character(),
## .. `Móvil Agresor` = col_character(),
## .. `Móvil Victima` = col_character(),
## .. Edad = col_double(),
## .. Sexo = col_character(),
## .. `Estado civil` = col_character(),
## .. `País de nacimiento` = col_character(),
## .. `Clase de empleado` = col_character(),
## .. Profesión = col_character(),
## .. Escolaridad = col_character(),
## .. `Código DANE` = col_double(),
## .. CLASE = col_character(),
## .. MARCA = col_character(),
## .. LINEA = col_character(),
## .. MODELO = col_double(),
## .. COLOR = col_character(),
## .. Cantidad = col_double()
## .. )Toda variable que tenga col_character quiere decr que es es una variable cualitativa y en el caso que muestra col_double es una variable numerica peri no necesariamente cuantitativa como es el caso de MODELO.
FECHA: VARIABLE CUALITATIVA ORDINAL
DEPARTAMENTO: VARIABLE CUALITATIVA NOMINAL
MUNICIPIO: VARIABLE CUALITATIVA NOMINAL
DIA: VARIABLE CUALITATIVA ORDINAL
HORA:VARIABLE CUALITATIVA ORDINAL
BARRIO: VARIABLE CUALITATIVA NOMINAL
ZONA:VARIABLE CUALITATIVA NOMINAL
CLASE DE SITIO:VARIABLE CUALITATIVA NOMINAL
ARMA EMPLEADA: VARIABLE CUALITATIVA NOMINAL
MOVIL AGRESOR : VARIABLE CUALITATIVA NOMINAL
MOVIL VICTIMA: VARIABLE CUALITATIVA NOMINAL
EDAD: VARIABLE CUANTITATIVA RAZON
SEXO: VARIABLE CUALITATIVA NOMINAL
ESTADO CIVIL: VARIABLE CUALITATIVA NOMINAL
PAIS NACIMIENTO: VARIABLE CUALITATIVA NOMINAL
CLASE DE EMPLEADO: VARIABLE CUALITATIVA NOMINAL
PROFESION: VARIABLE CUALITATIVA NOMINAL
ESCOLARIDAD:VARIABLE CUALITATIVA NOMINAL
CODIGO DANE VARIABLE CUANTITATIVA RAZON
CLASE: VARIABLE CUALITATIVA NOMINAL
MARCA:VARIABLE CUALITATIVA NOMINAL
LINEA:VARIABLE CUALITATIVA NOMINAL
MODELOVARIABLE CUALITATIVA ORDINAL
COLOR:VARIABLE CUALITATIVA NOMINAL
CANTIDAD:VARIABLE CUANTITATIVA INTERVALO
INTRODUCCIÓN En el año 2018 el número de motos hurtadas en Bogotá fue el mayor en la historia, según Moreno de la revista El Espectador, es debido a que se cuadruplicó el número de motos registradas en Bogotá, ascendiendo de 111.626 en el año 2007 a un total de 467.496 en el 2018, por ende, al haber un mercado que presenta un aumento en su cantidad demandada, se incrementa su robo, estando entre los factores más influyentes la calidad del producto al estar nuevo, y su abundancia que facilita la probabilidad de robo. Por parte de las cifras de Asopartes, se estima que, en el 2018 el número total de motos hurtadas en Colombia fue de 24.540, de las cuales 18.405 resultan en deshuesaderos con el objetivo de venderlas en partes por medio del mercado negro en línea. Es clave el papel que juegan las acciones posteriores al robo, pues en la mayor parte de los casos la delincuencia no termina en el hurto del vehículo, pues los delincuentes obtienen grandes utilidades por medio de la extorsión a los propietarios de los vehículos y si no es viable, optan por la comercialización ilegal de los repuestos denominada autopartes, siendo un circuito interminable en el que el delincuente hurta, el vendedor comercializa sus partes, y el comprador le brinda utilidades al delincuente contribuyendo al aumento del mercado negro. Además, el papel que juega tanto las medidas tomadas por el Estado, como el consumidor que decide apoyar el mercado de las motos hurtadas o de las autopartes con el fin de ahorrar, es fundamental para disminuir las preocupantes cifras de hurto de motos que se examinarán durante esta presentación.
- Realize tablas de frecuencias para las variables cualitativas e interprete tanto las frecuencias con respecto al total como por fila y por columna (combine las instrucciones table() y prop.table()); pongalos en los anexos y refierase a ellos en el cuerpo del documento.
TABLA DEPARTAMENTO
round((table(MOTO$Departamento)/28326)*100,digits = 4)##
## AMAZONAS ANTIOQUIA ARAUCA ATLÁNTICO
## 0.0918 22.5870 0.7626 4.1517
## BOLÍVAR BOYACÁ CALDAS CAQUETÁ
## 3.5197 0.3213 0.3566 1.0591
## CASANARE CAUCA CESAR CHOCÓ
## 1.2180 6.8206 3.8304 1.2992
## CÓRDOBA CUNDINAMARCA GUAINÍA GUAJIRA
## 2.5948 14.3013 0.0106 2.4289
## GUAVIARE HUILA MAGDALENA META
## 0.0953 2.3088 2.4253 2.7007
## NARIÑO NORTE DE SANTANDER PUTUMAYO QUINDÍO
## 3.3079 2.9514 0.7661 0.5331
## RISARALDA SAN ANDRÉS SANTANDER SUCRE
## 0.4872 0.2259 3.9646 1.5180
## TOLIMA VALLE VAUPÉS VICHADA
## 1.6946 11.3253 0.0071 0.0635TABLA DIA
round((table(MOTO$Día)/28326)*100,digits = 2)##
## Domingo Jueves Lunes Martes Miércoles Sábado Viernes
## 13.61 14.50 13.87 13.86 14.47 14.66 14.75TABLA ZONA
round((table(MOTO$Zona)/28326)*100,digits = 2)##
## OTRAS RURAL URBANA
## 0.02 11.98 87.72TABLA ARMA
round((table(MOTO$`Arma empleada`)/28326)*100,digits = 4)##
## ARMA BLANCA / CORTOPUNZANTE ARMA DE FUEGO
## 3.1844 30.2337
## CONTUNDENTES ESCOPOLAMINA
## 0.5684 0.1659
## LLAVE MAESTRA NO REPORTADO
## 33.3828 6.6864
## PALANCAS SIN EMPLEO DE ARMAS
## 0.0035 25.5031TABLA SEXO
round((table(MOTO$Sexo)/28326)*100,digits = 2)##
## - FEMENINO MASCULINO
## 0.02 19.26 80.45TABLA MOVIL ARGESOR
round((table(MOTO$`Móvil Agresor`)/28326)*100,digits = 4)##
## - A PIE BICICLETA
## 0.0459 76.5057 0.1094
## CONDUCTOR MOTOCICLETA CONDUCTOR TAXI CONDUCTOR VEHICULO
## 5.9663 0.0918 0.2083
## PASAJERO BUS PASAJERO METRO PASAJERO MOTOCICLETA
## 0.0035 0.0141 16.4054
## PASAJERO TAXI PASAJERO VEHICULO
## 0.1200 0.2577- Realize tablas de frecuencias cruzadas para las variables cualitativas e interprete las frecuencias con respecto al total (puede usar la instrucción prop.table(table())) pongalos en los anexos y refierase a ellos en el cuerpo del documento.
TABLA CRUZADA DE SEXO Y DEPARTAMENTO
round((table(MOTO$Departamento,MOTO$Sexo)/28326)*100,digits = 4)##
## - FEMENINO MASCULINO
## AMAZONAS 0.0000 0.0424 0.0494
## ANTIOQUIA 0.0000 4.4941 18.0929
## ARAUCA 0.0000 0.2860 0.4766
## ATLÁNTICO 0.0000 0.3919 3.7598
## BOLÍVAR 0.0000 0.3389 3.1808
## BOYACÁ 0.0000 0.0988 0.2224
## CALDAS 0.0000 0.0847 0.2718
## CAQUETÁ 0.0000 0.2189 0.8402
## CASANARE 0.0000 0.4660 0.7520
## CAUCA 0.0035 1.2286 5.5885
## CESAR 0.0000 0.7767 3.0537
## CHOCÓ 0.0000 0.2577 1.0414
## CÓRDOBA 0.0000 0.4942 2.1005
## CUNDINAMARCA 0.0141 1.2886 12.9987
## GUAINÍA 0.0000 0.0035 0.0071
## GUAJIRA 0.0000 0.2789 2.1500
## GUAVIARE 0.0000 0.0282 0.0671
## HUILA 0.0000 0.5684 1.7405
## MAGDALENA 0.0000 0.3919 2.0335
## META 0.0000 0.8967 1.8040
## NARIÑO 0.0000 0.6355 2.6725
## NORTE DE SANTANDER 0.0035 0.6002 2.3477
## PUTUMAYO 0.0000 0.2542 0.5119
## QUINDÍO 0.0000 0.1765 0.3566
## RISARALDA 0.0000 0.0671 0.4201
## SAN ANDRÉS 0.0000 0.0741 0.1518
## SANTANDER 0.0000 0.9144 3.0502
## SUCRE 0.0000 0.2259 1.2921
## TOLIMA 0.0000 0.4801 1.2144
## VALLE 0.0000 3.1773 8.1480
## VAUPÉS 0.0000 0.0000 0.0071
## VICHADA 0.0000 0.0212 0.0424DEPARTAMENTO-SEXO Según las cifras expuestas en la tabla de departamento con relación al sexo, es evidente que los hombres en los departamentos con mayor población son más propensos a sufrir de hurto de motos, como se evidencia en Antioquia con un porcentaje de 18.0929 y en Cundinamarca con 12.0929, mientras que las mujeres no tienen tanta probabilidad con 4.4941% en Antioquia y 1.2886% en Cundinamarca. Lo anterior debido a que las mujeres son más precavidas con sus objetos y además suelen pagar el seguro de su moto para cubrirla en caso de hurto, mientras que los hombres suelen ser un objetivo mucho más eficiente para realizar extorciones en las que según el comandante de la Policía Metropolitana de Villavicencio, coronel Luis Alfonso Quintero se estima que, por cada 40 motos hurtadas, el delincuente recauda 60 millones de pesos, vehículos los cuales el 80% de las veces corresponden a victimas hombres
TABLA CRUZADA ZONA Y DIA
round((table(MOTO$Día,MOTO$Zona)/28326)*100,digits = 4)##
## OTRAS RURAL URBANA
## Domingo 0.0071 2.0511 11.5512
## Jueves 0.0035 1.5710 12.9281
## Lunes 0.0035 1.6875 12.1761
## Martes 0.0000 1.4686 12.3914
## Miércoles 0.0035 1.5957 12.8716
## Sábado 0.0035 1.9170 12.7445
## Viernes 0.0035 1.6910 13.0587DÍA-ZONA
Como se puede apreciar en la tabla, el viernes es el día en que más robos hay en zona urbana con un porcentaje de 13.0587, debido a que el día en que las personas realizan actividades extracurriculares es el viernes, pues en la mayoría de los casos los sábados son días libres, mientras que en las zona rural el día con mayor porcentaje de hurtos es el domingo con un 2.0511 porciento, lo cual va directamente relacionado con la cultura de las personas que viven en el campo o en las veredas, pues según Bernal, el día domingo es dedicado al descanso, a la familia y a la religión, por lo que la atención no está centrada principalmente en los objetos de valor. Por otro lado, se puede observar que los días domingos, las personas que viven en zonas urbanas, van a realizar actividades de turismo a sectores rurales, lo que implica que la cantidad de motos en las zonas rurales aumenta y por ende, es más sencillo para los delincuentes proceder a cometer el delito
TABLA CRUZADA MOVIL AGRESOR Y ARMA EMPLEADA
round((table(MOTO$`Arma empleada`,MOTO$`Móvil Agresor`)/28326)*100,digits = 4)##
## - A PIE BICICLETA CONDUCTOR MOTOCICLETA
## ARMA BLANCA / CORTOPUNZANTE 0.0000 1.9276 0.0106 0.2012
## ARMA DE FUEGO 0.0071 12.1973 0.0318 3.8586
## CONTUNDENTES 0.0000 0.3848 0.0000 0.0282
## ESCOPOLAMINA 0.0000 0.1377 0.0000 0.0071
## LLAVE MAESTRA 0.0106 31.7164 0.0388 0.9920
## NO REPORTADO 0.0071 6.6758 0.0000 0.0035
## PALANCAS 0.0000 0.0000 0.0000 0.0035
## SIN EMPLEO DE ARMAS 0.0212 23.4661 0.0282 0.8720
##
## CONDUCTOR TAXI CONDUCTOR VEHICULO PASAJERO BUS
## ARMA BLANCA / CORTOPUNZANTE 0.0071 0.0177 0.0000
## ARMA DE FUEGO 0.0071 0.0953 0.0035
## CONTUNDENTES 0.0071 0.0071 0.0000
## ESCOPOLAMINA 0.0071 0.0000 0.0000
## LLAVE MAESTRA 0.0318 0.0424 0.0000
## NO REPORTADO 0.0000 0.0000 0.0000
## PALANCAS 0.0000 0.0000 0.0000
## SIN EMPLEO DE ARMAS 0.0318 0.0459 0.0000
##
## PASAJERO METRO PASAJERO MOTOCICLETA PASAJERO TAXI
## ARMA BLANCA / CORTOPUNZANTE 0.0000 0.9920 0.0071
## ARMA DE FUEGO 0.0141 13.7647 0.0812
## CONTUNDENTES 0.0000 0.1306 0.0035
## ESCOPOLAMINA 0.0000 0.0106 0.0035
## LLAVE MAESTRA 0.0000 0.5225 0.0035
## NO REPORTADO 0.0000 0.0000 0.0000
## PALANCAS 0.0000 0.0000 0.0000
## SIN EMPLEO DE ARMAS 0.0000 0.9850 0.0212
##
## PASAJERO VEHICULO
## ARMA BLANCA / CORTOPUNZANTE 0.0212
## ARMA DE FUEGO 0.1730
## CONTUNDENTES 0.0071
## ESCOPOLAMINA 0.0000
## LLAVE MAESTRA 0.0247
## NO REPORTADO 0.0000
## PALANCAS 0.0000
## SIN EMPLEO DE ARMAS 0.0318ARMA EMPLEADA-MOVIL AGRESOR
En la gráfica cruzada de arma empleada con móvil agresor se puede distinguir que el 12.1973% pertenece al empleo de arma de fuego mientras que el hurto se comete en una motocicleta, el 31.7164% es a causa de un delincuente que no utiliza un vehículo para transportarte pero sí una llave maestra para prender la moto y hurtarla y el 23.4661 no utiliza armas y no se transporta en un vehículo. Cabe resaltar que en su mayoría los delincuentes que juegan el papel de transeúntes aprovechan el descuido del conductor del vehículo y utilizan bien sea el modo halado o simplemente no tienen necesidad de utilizar instrumentos para retirar la moto del lugar, en la mayoría de los casos, buscan una recompensa posterior para poder obtener mayores utilidades exigiendo sumas hasta los cuatro millones de pesos según Villavicencio (2019). Mientras que los delincuentes que utilizan un arma de fuego para ejecutar el robo deben tener estrategias más específicas con el robo por medio de la violencia directa, pues al momento de hurtar motos de altas gamas, realizan persecuciones por lo que necesitan contar con condiciones parecidas a la víctima, estos delincuentes en algunos casos van acompañados para ser más precisos en el momento de realizar el hurto y tener mejor efectividad al lograr su cometido.
TABLA CRUZADA SEXO Y ARMA EMPLEADA
round((table(MOTO$`Arma empleada`,MOTO$Sexo)/28326)*100,digits = 4)##
## - FEMENINO MASCULINO
## ARMA BLANCA / CORTOPUNZANTE 0.0000 0.5860 2.5983
## ARMA DE FUEGO 0.0000 5.4085 24.8252
## CONTUNDENTES 0.0000 0.1518 0.4166
## ESCOPOLAMINA 0.0000 0.0247 0.1412
## LLAVE MAESTRA 0.0141 5.8533 27.5154
## NO REPORTADO 0.0035 1.4792 5.2037
## PALANCAS 0.0000 0.0035 0.0000
## SIN EMPLEO DE ARMAS 0.0035 5.7544 19.7451ARMA EMPLEADA-SEXO
Los datos que nos arroja la tabla de gráfica cruzada entre arma empleada y sexo, revelan que la mayor cantidad de hurtos que se les realiza a los hombres son utilizando llaves maestras y sin uso de armas con un porcentaje de 27.5154 y 19.7451 respectivamente, lo que demuestra que, los hombres al ser más propensos a dejar sus motos en lugares desconocidos, los escenarios facilitan los hurtos pues en su mayoría se cometen en las calles por descuido de sus dueños y en los casos en los que se presenta el uso de armas de fuego, que arroja un porcentaje de 24.8252, es debido a que la mayor cantidad de personas que utilizan motos de alta gama, las cuales en su mayoría son hurtadas por seguimiento y posterior robo, son los hombres, pues según autopartes, las mujeres en su mayoría usan motocicletas de baja gama. Por otro lado se evidencia que las mujeres son más atentas y reaccionan mejor ante un hurto que los hombres, pues no recuerdan el arma empleada son el cinco porciento en los hombres que quintuplica al porcentaje de mujeres en esta medida.
- Obtenga estadísticas descriptivas; medidas de tendencia o localización para las variables cuantitativas (media mean(), mediana median() y moda) según sea el caso; e interprete los resultados.
- Obtenga estadísticas descriptivas; medidas de dispersión o varibailidad para las variables cuantitativas (rango range(), rango intercuartílico IQR(), varianza var(), desviación estándar sd() y coeficiente de variación) según sea el caso; e interprete los resultados.
VARIABLE EDAD
summary(MOTO$Edad)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 0.00 25.00 32.00 33.21 38.25 99.00 278VARIABLE COIDGO DEL DANE
summary(MOTO$`Código DANE`)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 5001000 8078000 19698000 32164522 54001000 99524000 77ESTA VARIABOE NO REPSRESTNTA NADA
VARIABLE
``
summary(MOTO$Cantidad)## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 1.000 1.000 1.000 2.194 1.000 31035.000 76- Realice gráficos descriptivos para cada una de las variables si son cualitativas gráficos de barras o diagramas circulares (de partel o de sectores) y para las continuas (diagramas de caja o histogramas) y haga una interpretación de los resultados obtenidos en cada caso.
barplot(round((table(MOTO$Departamento)/28326)*100,digits = 4)
,Xlab = "DEPARTAMENTO",
ylim = c(0,25) ,names.arg = c(".") , col = rainbow(32), main = "GRAFICA DEPARTAMENTOS" )## Warning in plot.window(xlim, ylim, log = log, ...): "Xlab" is not a graphical
## parameter## Warning in axis(if (horiz) 2 else 1, at = at.l, labels = names.arg, lty =
## axis.lty, : "Xlab" is not a graphical parameter## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...): "Xlab"
## is not a graphical parameter## Warning in axis(if (horiz) 1 else 2, cex.axis = cex.axis, ...): "Xlab" is not a
## graphical parameter
GRÁFICA 1: DEPARTAMENTOS
Los estudios realizados sobre el hurto a motos en el 2018 demuestran que el departamento con la mayor cantidad de hurtos es Antioquia con un 22.5870 porciento, seguido de Cundinamarca que revela un 14.3013 porciento y Valle con un 11,3253. Es importante resaltar que en estos departamentos se encuentran las tres ciudades más grandes poblacionalmente hablando, pues la capital Bogotá al año 2018 contaba con 7.413 millones de habitantes, Medellín con 2.427 millones, y Cali con 2.228 millones. DIJÍN (2019). Por lo anterior se puede inferir que, en los departamentos en los cuales están las ciudades más grandes de Colombia, también hay mayor cantidad de motos, debido a que al haber una alta cantidad de población, el tráfico es muy congestionado, por ende el transporte público también se dificulta, siendo la mejor opción optar por un transporte de gran velocidad y fácil movilidad la cuál es la moto. Al haber una alta cantidad de motos, el hurto aumenta.
barplot(round((table(MOTO$Día)/28326)*100,digits = 2),Xlab = "DIA DE LA SEMANA" ,
ylim = c(0,100) ,names.arg = c(".") , col = rainbow(7), main = "GRAFICA PORCENTAJES POR DIA" )## Warning in plot.window(xlim, ylim, log = log, ...): "Xlab" is not a graphical
## parameter## Warning in axis(if (horiz) 2 else 1, at = at.l, labels = names.arg, lty =
## axis.lty, : "Xlab" is not a graphical parameter## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...): "Xlab"
## is not a graphical parameter## Warning in axis(if (horiz) 1 else 2, cex.axis = cex.axis, ...): "Xlab" is not a
## graphical parameter
GRÁFICA 2: DÍA
La gráfica enseña los porcentajes en cuanto a días en los que más se hurtaron motos en Colombia en el año 2018, se puede apreciar que el día en que más hurtos en la semana hay es el viernes con un porcentaje de 14.75, seguido del día sábado con 14.66 y el jueves con 14.50. De estas cifras se puede inferir que, los días más propensos a robos son aquellos en los que las personas más salen a hacer actividades de entretenimiento, más exactamente en la noche, como lo indica Moreno de la revista ComHumanitas. Los días anteriormente mencionados, son en los que las personas de las zonas urbanas parquean sus motos en sectores que no son los habituales, con el fin de hacer sus planes extracurriculares, fuera de sus lugares de residencia y trabajo.
barplot(round((table(MOTO$Zona)/28326)*100,digits = 2),Xlab = "ZONA", legend.text =row.names(table(MOTO$Zona)) ,
ylim = c(0,100) ,names.arg = c(".") , col = rainbow(3), main = "GRAFICA PORCENTAJES POR ZONA" )## Warning in plot.window(xlim, ylim, log = log, ...): "Xlab" is not a graphical
## parameter## Warning in axis(if (horiz) 2 else 1, at = at.l, labels = names.arg, lty =
## axis.lty, : "Xlab" is not a graphical parameter## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...): "Xlab"
## is not a graphical parameter## Warning in axis(if (horiz) 1 else 2, cex.axis = cex.axis, ...): "Xlab" is not a
## graphical parameter
GRÁFICA 3: ZONA
En las cifras zonales, se evidencia una asimetría a la derecha de la gráfica, pues en la zona urbana el porcentaje de hurtos es del 87.72, en la rural 11,98 y en otras 0.02. Evidentemente, la mayor cantidad de hurtos se presenta en la zona urbana, según Bernal (2017), es a causa de la desigualdad entre estratos, y además el desempleo es mayor y el tráfico de autopartes se facilita al haber un sector del comercio especializado en el mercado negro. En las zonas rurales la población se encuentra mucho más reducida, por lo que las personas que habitan estos lugares, en su mayoría se conocen, por ende los hurtos se reducen, además son pocos los sectores de tolerancia mientras que las zonas urbanas al contar con mayor diversidad de estratos, las brechas sociales aumentan y también el hurto, como se evidencia en Ciudad Kennedy Central, Patio Bonito y Tintal ubicados al sur de la ciudad de Bogotá. Conexión Capital. (2019)
barplot(round((table(MOTO$`Arma empleada`)/28326)*100,digits = 2),Xlab = "ZONA", legend.text =row.names(table(MOTO$`Arma empleada`)) ,
ylim = c(0,100) ,names.arg = c(".") , col = rainbow(8), main = "GRAFICA PORCENTAJES ARMAS" )## Warning in plot.window(xlim, ylim, log = log, ...): "Xlab" is not a graphical
## parameter## Warning in axis(if (horiz) 2 else 1, at = at.l, labels = names.arg, lty =
## axis.lty, : "Xlab" is not a graphical parameter## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...): "Xlab"
## is not a graphical parameter## Warning in axis(if (horiz) 1 else 2, cex.axis = cex.axis, ...): "Xlab" is not a
## graphical parameter
GRÁFICA 4: ARMA EMPLEADA
Se evidencia que la arma empleada con más frecuencia es la llave maestra con un porcentaje de 33.3828, le sigue el arma de fuego con un 30.2337% y el 25.5031% es sin empleo de armas. Se puede inferir que pocos hurtos ocurren por medio de otras armas. Los delincuentes prefieren recurrir a la modalidad de halado, que se presenta cuando las motos son hurtadas por el descuido de sus dueños al dejarlas en las calles, en esta estrategia la lleva maestra es utilizada debido a que los cilindrajes y las marcas menos costosas, cuentan con menor seguridad, mientras que marcas más costosas como Kawasaki y BMW son robadas utilizando armas de fuego, ya que al tener sistema antirrobo en su interruptor el modus operandi es más complicado puesto que se sigue a la víctima y se recurre por utilizar la violencia directa.
barplot(round((table(MOTO$Sexo)/28326)*100,digits = 2),Xlab = "SEXOA", legend.text =row.names(table(MOTO$Sexo)) ,
ylim = c(0,100) ,names.arg = c(".") , col = rainbow(3), main = "GRAFICA PORCENTAJES SEXO" )## Warning in plot.window(xlim, ylim, log = log, ...): "Xlab" is not a graphical
## parameter## Warning in axis(if (horiz) 2 else 1, at = at.l, labels = names.arg, lty =
## axis.lty, : "Xlab" is not a graphical parameter## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...): "Xlab"
## is not a graphical parameter## Warning in axis(if (horiz) 1 else 2, cex.axis = cex.axis, ...): "Xlab" is not a
## graphical parameter
GRÁFICA 5: SEXO
Lo que se puede apreciar de la gráfica, es que el porcentaje de hurtos a hombres es de 80.45, mientras que el de mujeres es de 19.26, por ende se puede inferir que, según el sexo, a la mayor cantidad de población a la que se le hurtaron motos en el año 2018 fue a los hombres. Una de las razones para que esta estadística tenga un sesgo positivo, es que la mayor cantidad de personas que compran y manejan motos, son los hombres, pues al ser un vehículo de velocidad y además significar un riesgo en cuanto a accidentalidad mayor al de un carro, es más propenso a ser manejado por un hombre. Por otro lado, según Bernal (2019), las mujeres son más precavidas cuando de robos se habla, es decir, tienen más cuidado y evitan llevar sus vehículos a zonas de tolerancia o sectores que no conocen, además tienden a parquear sus motos en lugares más seguros como parqueaderos en los que no hay que dejar llaves, y suelen no dejar sus motos en las calles. Los hombres por otro lado, en su mayoría parquean sus vehículos en la calle y suelen ir a lugares en donde más expuesta se ve su seguridad
barplot(round((table(MOTO$`Móvil Agresor`)/28326)*100,digits = 2),Xlab = "AGRESOR", legend.text =row.names(table(MOTO$`Móvil Agresor`)) ,
ylim = c(0,100) ,names.arg = c(".") , col = rainbow(11), main = "GRAFICA PORCENTAJES AGRESOR" )## Warning in plot.window(xlim, ylim, log = log, ...): "Xlab" is not a graphical
## parameter## Warning in axis(if (horiz) 2 else 1, at = at.l, labels = names.arg, lty =
## axis.lty, : "Xlab" is not a graphical parameter## Warning in title(main = main, sub = sub, xlab = xlab, ylab = ylab, ...): "Xlab"
## is not a graphical parameter## Warning in axis(if (horiz) 1 else 2, cex.axis = cex.axis, ...): "Xlab" is not a
## graphical parameter
GRAFICA 6: MOVIL AGRESOR
Los datos de móvil agresor nos arrojan que, son pocos los delincuentes que logran su cometido movilizándose en taxis, bicicletas, buses, metro o vehículos particulares, mientras que en su mayoría (22,3717) se transportan en moto y el 76.5057 transitan por las calles cuando realizan hurtos. Los hurtos de motos en su mayoría no necesitan un procedimiento muy amplio, pues “para llevarse las motos los delincuentes gastan hasta diez segundos”. Moreno. (2017) Por ende no es necesario que intervengan más de dos delincuentes, que además pertenecen a estructuras criminales y conocen el funcionamiento de este procedimiento. Por otro lado, según Villavicencio (2019) en su mayoría se encuentran relacionados en hechos delictivos, asociados con homicidio, concierto para delinquir, entre otros, por lo que en los momentos en los que los hurtos se cometen, los delincuentes no solo tienen como objetivo las motos.
CONCLUSIÓN
Según Tulio Zuluaga, presidente de Asopartes “Cuando la gente no compra, se acaba la demanda y de esta forma se pone punto final a la oferta. Por eso, es mejor no comprar autopartes de dudosa procedencia”, y el mercado aumenta cuando las piezas no están contramarcadas con la placa de la moto, pues su valor aumenta un 50%, además las motos también son utilizadas como medio de extorción pues algunas veces los dueños pagan recompensas de hasta cuatro millones de pesos por rescatar sus motos, acción que se reduciría si el Estado interviniera regulando el aseguramiento de vehículos en el país, pues en Colombia únicamente el 7% de motos cuenta con una póliza que cubra el vehículo en caso de hurto Se puede concluir que las cifras que arroja la estadística del hurto de motos en el 2018 fue un negocio muy lucrativo para los delincuentes, dado que fue exorbitantes la cantidad de motos hurtadas, que se reduciría si las personas contribuyeran no realizando compras en el mercado negro de autopartes ni mucho menos pagando rescate por recuperar sus vehículos, además el Estado debería dar garantía para que los delincuentes tuvieran consecuencias mayores, pues aunque las penalidades por este delito oscilan entre los 6 y 13 años de cárcel, según la DIJÍN son menos del 1% de los delincuentes que están cumpliendo la pena establecida anteriormente, pues los procesos son poco eficientes y en su mayoría quedan impunes de los delitos cometidos.
REFERENCIAS 1. Conexión capital. (2019). Cada día se roban 11 motocicletas en Bogota. Conexión digital. Tomado de: https://conexioncapital.co/cada-dia-se-roban-11-motocicletas-en-bogota/
Moreno, J. (2017). Estas son las motos que más se roban en Bogota. El Espectador. Tomado de: https://www.elespectador.com/noticias/bogota/hasta-en-la-web-venden-motos-robadas-articulo-696505
Bernal, J. (2019). Construcción y representación visual- espectacular de ladrones atrapados y expuestos en páginas y grupos de Facebook como medio de naturalización de la cultura de la violencia en Colombia. ComHumanitas. Vol 10, núm. 1 (2019), Enero-abril 2019. Tomado de: http://dspace.uhemisferios.edu.ec:8080/xmlui/bitstream/handle/123456789/1042/Construcci%C3%B3n%20y%20representaci%C3%B3n%20visual-espectacular%20-Bernal%20%282%29.pdf?sequence=1&isAllowed=y
Villavicencio. (2019). Cayó la banda considerada el terror de los moteros en Villavicencio. El tiempo. Tomado de:https://www.eltiempo.com/colombia/otras-ciudades/desarticulan-banda-que-robaba-motos-en-villavicencio-344810
Dijin. (2018). Hurto de motocicletas Datos extraídos el día 12 de diciembre del año 2018 a las 08:00horas. Policía Nacional. Tomado de: https://www.datos.gov.co/Seguridad-y-Defensa/Hurto-de-motocicletas-2019/38ty-x3tg
Autopartes. (2019). Cuántos vehículos se robaron en Colombia en 2018. Revista Dinero. Tomado de: https://www.dinero.com/economia/articulo/cuantos-vehiculos-se-robaron-en-colombia-en-2018/266636