DELITOS REGISTRADOS EN DIFERENTES REGIONES DE ECUADOR
Israel
2022-11-14
Asesinatos en ecuador
getwd()## [1] "C:/Users/juan luis/Documents/MMEA/MMEA"Analisis_Delincuencia_Base_datos <- read_csv("C:/Users/juan luis/Documents/MMEA/MMEA/Analisis_Delincuencia_Base_datos.csv")## Warning: One or more parsing issues, call `problems()` on your data frame for details,
## e.g.:
## dat <- vroom(...)
## problems(dat)## Rows: 21004 Columns: 31
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (25): cod_delito, zona_senplades, canton, cod_subcircuito, distrito, ci...
## dbl (5): sector, semana, año_infraccion, dia_mes, vd_edad
## time (1): hora_registro
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.# elinimamos fatos que no son necesarios
Analisis_Delincuencia_Base_datos$cod_delito<- NULL
Analisis_Delincuencia_Base_datos$cod_subcircuito<-NULL
Analisis_Delincuencia_Base_datos$zona_senplades<-NULL
Analisis_Delincuencia_Base_datos$vd_profesion_ocupacion<-NULL
Analisis_Delincuencia_Base_datos$vd_actividad<-NULL
Analisis_Delincuencia_Base_datos$vd_instrucion<-NULL
Analisis_Delincuencia_Base_datos$vd_etnia<-NULL
Analisis_Delincuencia_Base_datos$vd_estado_civil<-NULL
Analisis_Delincuencia_Base_datos$vd_apellidos_nombres<-NULL
Analisis_Delincuencia_Base_datos$delito_pj<-NULL
Analisis_Delincuencia_Base_datos$semana<-NULL
Analisis_Delincuencia_Base_datos$semana2<-NULL
View(Analisis_Delincuencia_Base_datos)INTRODUCCION
Se habla de delincuencia a aquella persona que viola las leyes ya impuesta por gobernantes. También se refiere al hecho que se comete, ya sea uno o varios delitos y que a su vez incumplen con las normativas dentro de las leyes. Los órganos judiciales se encargan de determinar el tipo de delito que se cometió, dicta la pena y este último dependerá del daño causado hacia la persona, a quien cometió la falta. Por otra parte, la delincuencia va aumentando y diversificándose a medida que pasan los años y a su vez con el desarrollo de la sociedad y en el DMG no es la excepcion ya que han ocurrido un sin fin de delitos, asi que nos dimos a la tarea de analizar cada uno de lo delitos y ver como podemos contribuir a que se disminuyan los delitos en nuestro distrito metropolitano
glimpse(Analisis_Delincuencia_Base_datos) # mostramos la mayor cantidad de datos posible. ( datos subyacentes)## Rows: 21,004
## Columns: 20
## $ canton <chr> "GUAYAQUIL", "GUAYAQUIL", "GUAYAQUIL", "GUAYAQUIL", "G~
## $ distrito <chr> "PASCUALES", "CEIBOS", "ESTEROS", "PASCUALES", "SUR", ~
## $ circuito <chr> "SAN FRANCISCO", "PUERTO HONDO", "ISLA TRINITARIA NORT~
## $ subcircuito <chr> "SAN FRANCISCO 2", "PUERTO HONDO 2", "TRINITARIA NORTE~
## $ sector <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, ~
## $ zona <chr> "ZONA URBANA", "ZONA URBANA", "ZONA URBANA", "ZONA RUR~
## $ f_registro <chr> "02/01/2013", "06/01/2013", "06/01/2013", "12/01/2013"~
## $ hora_registro <time> 01:20:00, 09:45:00, 23:30:00, 16:50:00, 18:50:00, 00:~
## $ f_infraccion <chr> "01/01/2013", "06/01/2013", "06/01/2013", "12/01/2013"~
## $ `semanas 2` <chr> "01 ene 06 ene", "01 ene 06 ene", "01 ene 06 ene", "07~
## $ año_infraccion <dbl> 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, ~
## $ mes_infraccion <chr> "enero", "enero", "enero", "enero", "enero", "enero", ~
## $ hora_infraccion <chr> NA, NA, "22:00:00", NA, "07:00:00", "14:00:00", NA, "0~
## $ dia_infraccion <chr> "martes", "domingo", "domingo", "sAbado", "domingo", "~
## $ dia_mes <dbl> 1, 6, 6, 12, 13, 12, 16, 17, 17, 18, 18, 18, 18, 19, 1~
## $ cmi <chr> "HOMICIDIOS/ASESINATOS", "HOMICIDIOS/ASESINATOS", "HOM~
## $ arma_utilizada <chr> "arma blanca", "arma blanca", "arma de fuego", "arma d~
## $ vd_sexo <chr> "masculino", "masculino", "masculino", "masculino", "m~
## $ vd_edad <dbl> 36, 24, 20, 72, 23, 36, 41, 38, 28, 46, 20, 26, 21, 17~
## $ vd_nacionalidad <chr> "ECUATORIANA", "ECUATORIANA", "ECUATORIANA", "ECUATORI~summary(Analisis_Delincuencia_Base_datos)## canton distrito circuito subcircuito
## Length:21004 Length:21004 Length:21004 Length:21004
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## sector zona f_registro hora_registro
## Min. :1 Length:21004 Length:21004 Length:21004
## 1st Qu.:1 Class :character Class :character Class1:hms
## Median :1 Mode :character Mode :character Class2:difftime
## Mean :1 Mode :numeric
## 3rd Qu.:1
## Max. :1
## NA's :20628
## f_infraccion semanas 2 año_infraccion mes_infraccion
## Length:21004 Length:21004 Min. :2013 Length:21004
## Class :character Class :character 1st Qu.:2013 Class :character
## Mode :character Mode :character Median :2013 Mode :character
## Mean :2013
## 3rd Qu.:2013
## Max. :2013
##
## hora_infraccion dia_infraccion dia_mes cmi
## Length:21004 Length:21004 Min. : 1.00 Length:21004
## Class :character Class :character 1st Qu.: 8.00 Class :character
## Mode :character Mode :character Median :16.00 Mode :character
## Mean :15.73
## 3rd Qu.:23.00
## Max. :31.00
##
## arma_utilizada vd_sexo vd_edad vd_nacionalidad
## Length:21004 Length:21004 Min. : 3.00 Length:21004
## Class :character Class :character 1st Qu.: 28.00 Class :character
## Mode :character Mode :character Median : 35.00 Mode :character
## Mean : 36.99
## 3rd Qu.: 45.00
## Max. :103.00
## NA's :2fecharegistro<- as.Date(Analisis_Delincuencia_Base_datos$f_registro, format("%d/%M/%Y"))
fechainfraccion<-as.Date(Analisis_Delincuencia_Base_datos$f_infraccion, format("%d/%M/%Y"))
mes<-as.factor(Analisis_Delincuencia_Base_datos$mes_infraccion)MUERTES POR DISTRITO EN 2013
tabladistrito <- table(Analisis_Delincuencia_Base_datos$distrito)
tabladistrito##
## 09 DE OCTUBRE CEIBOS DURAN ESTEROS
## 3981 327 1524 1405
## FLORIDA MODELO NUEVA PROSPERINA PASCUALES
## 2009 4707 1055 1717
## PORTETE PROGRESO SAMBORONDON SUR
## 1664 135 321 2159con esto podemos observar cuantos delitos se han cometido por distritos en el año 2013
y comenzar a analizar como podemos distribuir las patrullas y personal con el que se cuenta.
Distrito guayaquil
presentaremos en una misma tabla los porcentajes por fila o columna y el total de la tabla.
CrossTable(Analisis_Delincuencia_Base_datos$distrito,Analisis_Delincuencia_Base_datos$zona)##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 21004
##
##
## | Analisis_Delincuencia_Base_datos$zona
## Analisis_Delincuencia_Base_datos$distrito | ZONA RURAL | ZONA URBANA | Row Total |
## ------------------------------------------|-------------|-------------|-------------|
## 09 DE OCTUBRE | 234 | 3747 | 3981 |
## | 0.083 | 0.005 | |
## | 0.059 | 0.941 | 0.190 |
## | 0.186 | 0.190 | |
## | 0.011 | 0.178 | |
## ------------------------------------------|-------------|-------------|-------------|
## CEIBOS | 25 | 302 | 327 |
## | 1.497 | 0.095 | |
## | 0.076 | 0.924 | 0.016 |
## | 0.020 | 0.015 | |
## | 0.001 | 0.014 | |
## ------------------------------------------|-------------|-------------|-------------|
## DURAN | 73 | 1451 | 1524 |
## | 3.660 | 0.233 | |
## | 0.048 | 0.952 | 0.073 |
## | 0.058 | 0.073 | |
## | 0.003 | 0.069 | |
## ------------------------------------------|-------------|-------------|-------------|
## ESTEROS | 89 | 1316 | 1405 |
## | 0.280 | 0.018 | |
## | 0.063 | 0.937 | 0.067 |
## | 0.071 | 0.067 | |
## | 0.004 | 0.063 | |
## ------------------------------------------|-------------|-------------|-------------|
## FLORIDA | 116 | 1893 | 2009 |
## | 0.156 | 0.010 | |
## | 0.058 | 0.942 | 0.096 |
## | 0.092 | 0.096 | |
## | 0.006 | 0.090 | |
## ------------------------------------------|-------------|-------------|-------------|
## MODELO | 288 | 4419 | 4707 |
## | 0.131 | 0.008 | |
## | 0.061 | 0.939 | 0.224 |
## | 0.229 | 0.224 | |
## | 0.014 | 0.210 | |
## ------------------------------------------|-------------|-------------|-------------|
## NUEVA PROSPERINA | 71 | 984 | 1055 |
## | 0.966 | 0.062 | |
## | 0.067 | 0.933 | 0.050 |
## | 0.056 | 0.050 | |
## | 0.003 | 0.047 | |
## ------------------------------------------|-------------|-------------|-------------|
## PASCUALES | 111 | 1606 | 1717 |
## | 0.648 | 0.041 | |
## | 0.065 | 0.935 | 0.082 |
## | 0.088 | 0.081 | |
## | 0.005 | 0.076 | |
## ------------------------------------------|-------------|-------------|-------------|
## PORTETE | 101 | 1563 | 1664 |
## | 0.018 | 0.001 | |
## | 0.061 | 0.939 | 0.079 |
## | 0.080 | 0.079 | |
## | 0.005 | 0.074 | |
## ------------------------------------------|-------------|-------------|-------------|
## PROGRESO | 8 | 127 | 135 |
## | 0.001 | 0.000 | |
## | 0.059 | 0.941 | 0.006 |
## | 0.006 | 0.006 | |
## | 0.000 | 0.006 | |
## ------------------------------------------|-------------|-------------|-------------|
## SAMBORONDON | 19 | 302 | 321 |
## | 0.003 | 0.000 | |
## | 0.059 | 0.941 | 0.015 |
## | 0.015 | 0.015 | |
## | 0.001 | 0.014 | |
## ------------------------------------------|-------------|-------------|-------------|
## SUR | 123 | 2036 | 2159 |
## | 0.308 | 0.020 | |
## | 0.057 | 0.943 | 0.103 |
## | 0.098 | 0.103 | |
## | 0.006 | 0.097 | |
## ------------------------------------------|-------------|-------------|-------------|
## Column Total | 1258 | 19746 | 21004 |
## | 0.060 | 0.940 | |
## ------------------------------------------|-------------|-------------|-------------|
##
## Gracias a nuestra tabla podemos podemos ver en que zonas por distritos nos vamos a enfocar para llevar mas personal y patrullas, son muy pocos los casos en la zona rural a comparacion de la zona urbana que es donde se han cometido mayor numero de delitos.
g1<-ggplot(Analisis_Delincuencia_Base_datos, aes(x = distrito, fill="distrito"))
g1+geom_bar(color="blue") + theme(axis.text.x = element_text(angle=90))
CrossTable(Analisis_Delincuencia_Base_datos$vd_edad)##
##
## Cell Contents
## |-------------------------|
## | N |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 21002
##
##
## | 3 | 6 | 10 | 11 | 12 |
## |-----------|-----------|-----------|-----------|-----------|
## | 4 | 1 | 2 | 1 | 3 |
## | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 13 | 14 | 15 | 16 | 17 |
## |-----------|-----------|-----------|-----------|-----------|
## | 1405 | 5 | 6 | 6 | 10 |
## | 0.067 | 0.000 | 0.000 | 0.000 | 0.000 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 18 | 19 | 20 | 21 | 22 |
## |-----------|-----------|-----------|-----------|-----------|
## | 17 | 81 | 209 | 298 | 356 |
## | 0.001 | 0.004 | 0.010 | 0.014 | 0.017 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 23 | 24 | 25 | 26 | 27 |
## |-----------|-----------|-----------|-----------|-----------|
## | 428 | 511 | 565 | 594 | 654 |
## | 0.020 | 0.024 | 0.027 | 0.028 | 0.031 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 28 | 29 | 30 | 31 | 32 |
## |-----------|-----------|-----------|-----------|-----------|
## | 670 | 654 | 700 | 724 | 751 |
## | 0.032 | 0.031 | 0.033 | 0.034 | 0.036 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 33 | 34 | 35 | 36 | 37 |
## |-----------|-----------|-----------|-----------|-----------|
## | 804 | 710 | 644 | 686 | 566 |
## | 0.038 | 0.034 | 0.031 | 0.033 | 0.027 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 38 | 39 | 40 | 41 | 42 |
## |-----------|-----------|-----------|-----------|-----------|
## | 523 | 534 | 473 | 464 | 464 |
## | 0.025 | 0.025 | 0.023 | 0.022 | 0.022 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 43 | 44 | 45 | 46 | 47 |
## |-----------|-----------|-----------|-----------|-----------|
## | 432 | 420 | 411 | 401 | 351 |
## | 0.021 | 0.020 | 0.020 | 0.019 | 0.017 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 48 | 49 | 50 | 51 | 52 |
## |-----------|-----------|-----------|-----------|-----------|
## | 354 | 377 | 358 | 313 | 292 |
## | 0.017 | 0.018 | 0.017 | 0.015 | 0.014 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 53 | 54 | 55 | 56 | 57 |
## |-----------|-----------|-----------|-----------|-----------|
## | 296 | 248 | 221 | 199 | 186 |
## | 0.014 | 0.012 | 0.011 | 0.009 | 0.009 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 58 | 59 | 60 | 61 | 62 |
## |-----------|-----------|-----------|-----------|-----------|
## | 209 | 148 | 146 | 118 | 97 |
## | 0.010 | 0.007 | 0.007 | 0.006 | 0.005 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 63 | 64 | 65 | 66 | 67 |
## |-----------|-----------|-----------|-----------|-----------|
## | 113 | 90 | 67 | 62 | 65 |
## | 0.005 | 0.004 | 0.003 | 0.003 | 0.003 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 68 | 69 | 70 | 71 | 72 |
## |-----------|-----------|-----------|-----------|-----------|
## | 63 | 45 | 35 | 40 | 34 |
## | 0.003 | 0.002 | 0.002 | 0.002 | 0.002 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 73 | 74 | 75 | 76 | 77 |
## |-----------|-----------|-----------|-----------|-----------|
## | 25 | 20 | 15 | 20 | 19 |
## | 0.001 | 0.001 | 0.001 | 0.001 | 0.001 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 78 | 79 | 80 | 81 | 82 |
## |-----------|-----------|-----------|-----------|-----------|
## | 22 | 14 | 14 | 7 | 11 |
## | 0.001 | 0.001 | 0.001 | 0.000 | 0.001 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 83 | 84 | 85 | 86 | 87 |
## |-----------|-----------|-----------|-----------|-----------|
## | 5 | 3 | 2 | 1 | 1 |
## | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 88 | 89 | 90 | 91 | 93 |
## |-----------|-----------|-----------|-----------|-----------|
## | 1 | 2 | 1 | 1 | 4 |
## | 0.000 | 0.000 | 0.000 | 0.000 | 0.000 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | 100 | 101 | 102 | 103 |
## |-----------|-----------|-----------|-----------|
## | 2 | 91 | 6 | 1 |
## | 0.000 | 0.004 | 0.000 | 0.000 |
## |-----------|-----------|-----------|-----------|
##
##
##
## hist_O3 <- hist(Analisis_Delincuencia_Base_datos$vd_edad, main ="EDADES DONDE SE PRESENTA UN MAYOR NUMERO HOMICIDIOS",
xlab = " edad",
ylab = "Frecuencia",
col= "red")
realizamos una tabla donde nos muestra que el sexo masculino son quienes han sufrido mayor numero de delitos ya que las mujeres solo una tercera parte a comparacion de los hombres
CrossTable(Analisis_Delincuencia_Base_datos$vd_sexo)##
##
## Cell Contents
## |-------------------------|
## | N |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 21004
##
##
## | femenino | masculino |
## |-----------|-----------|
## | 5530 | 15474 |
## | 0.263 | 0.737 |
## |-----------|-----------|
##
##
##
## sexo<-as.factor(Analisis_Delincuencia_Base_datos$vd_sexo)
g1<-ggplot(Analisis_Delincuencia_Base_datos, aes(x = sexo, fill=sexo))
g1+geom_bar(color='yellow') + theme(axis.text.x = element_text(angle=90) )
CrossTable(Analisis_Delincuencia_Base_datos$vd_sexo,Analisis_Delincuencia_Base_datos$arma_utilizada)##
##
## Cell Contents
## |-------------------------|
## | N |
## | Chi-square contribution |
## | N / Row Total |
## | N / Col Total |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 21004
##
##
## | Analisis_Delincuencia_Base_datos$arma_utilizada
## Analisis_Delincuencia_Base_datos$vd_sexo | arma blanca | arma de fuego | Row Total |
## -----------------------------------------|---------------|---------------|---------------|
## femenino | 1474 | 4056 | 5530 |
## | 0.418 | 0.149 | |
## | 0.267 | 0.733 | 0.263 |
## | 0.268 | 0.262 | |
## | 0.070 | 0.193 | |
## -----------------------------------------|---------------|---------------|---------------|
## masculino | 4031 | 11443 | 15474 |
## | 0.150 | 0.053 | |
## | 0.261 | 0.739 | 0.737 |
## | 0.732 | 0.738 | |
## | 0.192 | 0.545 | |
## -----------------------------------------|---------------|---------------|---------------|
## Column Total | 5505 | 15499 | 21004 |
## | 0.262 | 0.738 | |
## -----------------------------------------|---------------|---------------|---------------|
##
## las armas de fuego son las mas utilizadas para asesinatos en nuestro distrito, al percatarnos de esto nuestro personal tendra que ir mayor preparado para enfrentar a personas con este tipo de armas y asi cuidar la integridad al momento de realizar nuestros operativos
arma<-as.factor(Analisis_Delincuencia_Base_datos$arma_utilizada)
g1<-ggplot(Analisis_Delincuencia_Base_datos, aes(x = arma,fill=arma))
g1+geom_bar(col="blue") + theme(axis.text.x = element_text(angle=90)) 
ggplot(Analisis_Delincuencia_Base_datos, aes(sexo,distrito , colour = vd_edad)) +
geom_point(size = 10, alpha = 1/2) +
theme_minimal() +
scale_colour_continuous(low = "yellow", high = "blue")
Gracias a esto nos podemos dar cuenta de las edades de las personas que mas han sido afectados por estos actos en cada distrito separado por hombres y mujeres.
CrossTable(Analisis_Delincuencia_Base_datos$dia_infraccion)##
##
## Cell Contents
## |-------------------------|
## | N |
## | N / Table Total |
## |-------------------------|
##
##
## Total Observations in Table: 21004
##
##
## | domingo | jueves | lunes | martes | miErcoles |
## |-----------|-----------|-----------|-----------|-----------|
## | 2438 | 3015 | 3072 | 2854 | 3118 |
## | 0.116 | 0.144 | 0.146 | 0.136 | 0.148 |
## |-----------|-----------|-----------|-----------|-----------|
##
##
## | sAbado | viernes |
## |-----------|-----------|
## | 3156 | 3351 |
## | 0.150 | 0.160 |
## |-----------|-----------|
##
##
##
## Dias con mayor numero de delitos
dias<-as.factor(Analisis_Delincuencia_Base_datos$dia_infraccion)
ggplot(Analisis_Delincuencia_Base_datos,aes(x=dias,y="", fill=dias))+
geom_bar(stat = "identity")+
coord_polar(theta="y")
Como podemos observar los dias con mayor indice de delitos cometidos en el año 2013 son los dias viernes, sabados y miercoles, asi que esos dias seran en los que mas nos vamos a enfocar para poder llevar a cabo nuestros operativos.
g1<-ggplot(Analisis_Delincuencia_Base_datos, aes(x = cmi, fill= arma))
g1+geom_bar(color="blue") + theme(axis.text.x = element_text(angle=90))
Los robos de personas son los delitos que mas se cometen dentro de nuestro distrito metropolitano de guayaquil y al analizar nuestros datos podemos apreciar que en la mayor parte de los casos predominan las armas de fuego.
g1<-ggplot(Analisis_Delincuencia_Base_datos, aes(x = vd_edad, fill=cmi))
g1+geom_bar(color="blue") + theme(axis.text.x = element_text(angle=90)) ## Warning: Removed 2 rows containing non-finite values (`stat_count()`).
## Los delitos que mas se cometieron en las diferentes edades y aqui nos
damos cuenta de los delitos que se cometen a la edad de 13 años ya que
en esa edad es muy alto a comparacion de las otras edades menores de
edad.
CONCLUSION
Gracias a nuestro analisis podemos ver como combatir estos delitos, el saber como realizar los operativos en conjunto con la policia de el distro metropolitano de guayaquil, tambien ahora sabemos que lugares son los que sufren mayor numero de delitos y asi mismo distribuir nuestro personal de seguridad.
concluimos que nuestro personal necesita estar preparado para toparse con delincuentes con arma de fuego y asi mismo no bajar la guardia y no exitan lesionados y mucho menos muertes, poder ver una disminucion en los delitos que suceden dia con dia y poder atrapar a las personas responsables de los mismos gracias a los operativos.