Mira cómo replicar nuestros resultados

El objetivo de este documento es transparentar los procesos de análisis sobre la base de datos de víctimas del SESNSP; es un ejercicio académico de transparencia.

El documento está organizado de forma que el lector pueda reproducir los resultados; el usuario debe hacer tres cosas:

  1. Descargar R y ejecutarlo.
  2. Descargar las bases de datos, siguiendo las instrucciones abajo descritas, y
  3. Copiar y pegar los fragmentos de código que se muestran en los botones con la etiqueta code. Es importante ejecutarlos todos y en orden.

Elegimos Rpara el proceso debido a que es software libre (otro software estadístico como SPSS,STATA o SAS requiere licencia), y porque el lenguaje es explícito y está bien documentado. El lector puede averiguar para qué sirve cada función mientras la ejecuta. En este sentido, este documento se propone también como un ejercicio didáctico, que esperamos sea de interés para nuestros alumnos.

Esta base de datos aún puede procesarse en Excel, sin embargo, R tiene varias ventajas: a) De procesarla en excel, tenemos que hacerlo cada mes; con R, sólo lo hacemos una vez, y conforme se actualicen los datos simplemente volvemos a ejecutar el script; b) el código puede ser compartido y replicado por otros, como en este ejemplo, y c) Conforme pasa el tiempo, la base de datos se vuelve más y más grande; pronto no podrá ser guardada excel, y el SESNSP tendrá que presentarla en otro formato, como la base de incidencia delictiva municipal del fuero común, que ahora se presenta en formato CSV. Cuando eso pase, tendrá que procesarse con R.

Datos

Para la ejecución de los procesos, el usuario debe descargar la base de datos de víctimas del SESNSP, que es actualizada el día 20 de cada mes. El zip descargado debe guardarse en el directorio C:/ o en D:/, y los datos deben leerse y prepararse con R.

Prepara R y dile dónde están los datos

# PREPARA R



#Primero instalamos los paquetes necesarios, pegando las siguientes líneas en el promt, esto es, donde aparece el símbolo ">"





#Los símbolos '#' son para escribir comentarios, para que R sepa lo que debe y lo que no debe tratar de ejecutar.#Pega las siguientes cuatro líneas install.packages("algo") SIN el símbolo de gato/sharp '#' que aparece al principio, deja el segundo:





#install.packages("openxlsx") #para abrir archivos de excel

#install.packages("reshape2") #para modificar la estructura de la base de datos a formato largo

#install.packages("knitr") #para esta visualización

#install.packages("rmarkdown") #para esta visualización

#asegúrate de que sean uno en cada linea



#Si te sale una ventana de "secure cran mirriors" escoge uno para México



#y luego los cargamos

#Aparecen advertencias porque aún tengo instalada una versión vieja de R, nada de qué preocuparse; si tu versión es más reciente no saldrán estas advertencias.



#asegúrate de que sean uno en cada linea

library(openxlsx)
## Warning: package 'openxlsx' was built under R version 3.6.3
#

library(reshape2)
## Warning: package 'reshape2' was built under R version 3.6.3
#

library(knitr)

#

library(rmarkdown)

#



#--- IMPORTANTE ---

#El archivo zip que se descarga del SESNSP debe ir en D:/ ; si lo quieren en otro lugar,  COMO EN C:/ deben cambiar esta línea por setwd("C:/"); si los archivos están en "descargas", debes poner la ruta a descargas, algo así como "D:/Decargas/"; la ruta a la carpeta donde esten tus archivos debe ir dentr de setwd("ruta"); 

setwd("D:/") 



#si no tienes permisos de administrador puede ser complicado;

#escribe getwd(), y luego pega los archivos en la dirección que aparezca, y continúa

Ahora los leemos y preparamos la base de datos de SESNSP:

#copia y pega todo esto



a<-unzip('Estatal-Víctimas-2015-2020_mar2020.zip',list=TRUE) #Obtengo la lista de archivos en el zip

unzip('Estatal-Víctimas-2015-2020_mar2020.zip',paste(a[1])) #Extraigo el arcivo que necesito

mibddvic<-read.xlsx(xlsxFile = paste(a[1]),sheet = 1,colNames = TRUE,startRow = 1) #Leo la tabla de excel y la guardo en la variable mibddvic

ad<-melt(data = mibddvic,id.vars = names(mibddvic[1:9]),measure.vars = names(mibddvic[10:22]),variable.name = "mes") 

#Transformo los datos a formato largo, con todos los meses en una variable, en vez de una variable o columna por mes

ad$value<-as.numeric(ad$value) 

#el valor de cada mes ahora está en la columna "value", me aseguro que sea numérica

ad$value[is.na(ad$value)]<-0 

#y que en el caso de las celdas vacias, por los meses que aun no han ocurrido, el valor sea 0



#esto no te imprimirá nada en pantalla, pero tus datos de SESNSP ya están listos; ahora, preparemos los de CONAPO

Para el cálculo de tasas, también necesitaremos las proyecciones de población de CONAPO. Las proyecciones vienen en dos archivos, necesitaremos ambos.

Descarga las proyecciones de CONAPO

Descarga las proyecciones de CONAPO


En este caso, los archivos vienen comprimidos en formato .rar, por lo que tendrás que descomprimirlos manualmente con WINRAR en D:/ (o en donde hayas puesto tu setwd(“algo”), tu directorio de trabajo); luego los preparamos con R.

Esta es la población de cada estado en cada año:

#Copia y pega todo esto



pop1<- read.table("base_municipios_final_datos_01.csv",header = TRUE,sep = ",")

pop2<- read.table("base_municipios_final_datos_02.csv",header = TRUE,sep = ",") #leemos las dos tablas de CONAPO

pop<-rbind(pop1,pop2) #Las pegamos

years<-unique(pop$AÑO) #obtenemos un listado de los años considerados

nomest<-unique(pop$CLAVE_ENT) #listado de las claves de los estados

estados=as.data.frame(nomest) #integramos la lista como primera columna del que será el dataFrame de ppoblación estatal por año

#UN loop Para poner los nombres de los estados en el orden correspondiente

edo<-subset(pop,pop$AÑO==2015 && pop$SEXO=="Mujeres" & pop$EDAD_QUIN=="pobm_00_04")

nombres<-c()

for(i in 1:length(nomest)){

  for(j in 1:nrow(edo)){

    if(edo$CLAVE_ENT[j]==i && ((edo$CLAVE_ENT[j] %in% nombres) ==FALSE)){nombres[i]<-paste(edo$NOM_ENT[j])}

  }

}

estados<-cbind(estados,nombres) #Agrego los nombres de los estados al dataFrame



#relleno el data frame con la población correspondiente a cada estado en cada año

for(i in 1:length(years)){

  edo<-subset(pop,pop$AÑO==years[i])

  estados<-cbind(estados,as.data.frame(aggregate(edo$POB~edo$CLAVE_ENT,edo,sum))[2])

}

names(estados)<-c("Clave de la Entidad","Nombre de la entidad",years)



paged_table(estados)
#también puedes intentar kable(estados)

Ahora estamos listos

Marzo fue para Querétaro el mes con más víctimas de homicidio doloso en la base de datos de víctimas del SESNSP

En Marzo de 2020 el SESNSP contabiliza 28 víctimas de homicidio doloso en Querétaro; éste es el número más alto de homicidios dolosos para un mes en Querétaro; el máximo histórico era de 27, en diciembre de 2018 y agosto de 2017; son más homicidios dolosos en marzo que en enero y febrero de este año combinados.

El número bruto es más bajo que para otras entidades, pero es un máximo histórico para Querétaro.

Ya habíamos adelantado posibles explicaciones.

years<-unique(mibddvic$Año) #HAgo una lista con los años que contempla la base de datos

queretaroHomicidiosDolosos<-subset(ad,ad$Clave_Ent==22 & ad$Subtipo.de.delito=="Homicidio doloso" ) #Hago un filtro, para homicidio doloso en Querétaro



anual<-data.frame()

x<-as.data.frame(unique(ad$mes)) #Empiezo a crear una nueva estructura de datos, primero, solo tiene una columna con los meses

for(i in 1:length(years)){

  anual<-subset(queretaroHomicidiosDolosos,queretaroHomicidiosDolosos$Año==years[i])

  x<-cbind(x,as.data.frame(aggregate(anual$value~anual$mes,anual,sum))[,2])

}

#la sentencia FOR sirve para ejecutar el mismo código varias veces; le pido con subset() que cree nuevos filtros, uno para cada año, en mi base de homicidios dolosos en QUerétaro, y con aggregate() hago tablas, de número de delitos por mes; con cbind(), los pego en mi tabla "anual"

names(x)<-c("Mes",years) #Arreglo los encabezados

#esto aun no te devuelve nada, pero tus datos de victimas de homicidio por mes y año están listos. Ahora, veámoslos.

Cada pestaña tiene su propio code.

Tablas

Víctimas

kable(x,caption="Víctimas de delito en Querétaro, por mes y año") #imprimo la tabla en pantalla
Víctimas de delito en Querétaro, por mes y año
Mes 2015 2016 2017 2018 2019 2020
Enero 9 12 13 17 14 11
Febrero 10 9 12 10 16 12
Marzo 12 13 15 17 21 28
Abril 11 9 21 16 15 0
Mayo 13 14 9 15 17 0
Junio 10 7 23 16 11 0
Julio 12 8 13 15 22 0
Agosto 13 8 27 23 18 0
Septiembre 12 15 19 25 22 0
Octubre 23 9 15 8 9 0
Noviembre 13 12 10 17 13 0
Diciembre 8 8 16 27 17 0
Total 146 124 193 206 195 51

Población

pobQro<-(estados[22,3:8])

kable(pobQro,caption="Población anual para Querétaro, en arreglo con CONAPO") #imprimo la tabla de población en QUerétaro
Población anual para Querétaro, en arreglo con CONAPO
2015 2016 2017 2018 2019 2020
22 2069556 2113731 2156167 2197938 2239112 2279637

Tasa x 100mil

Recuerda que las tasas se calculan con la expresión \[ tasa= \frac{k}{n} * 100000\] donde: \(tasa\) representa la tasa por cada 100 mil habitantes; \(k\) representa la catidad de personas con la caracteritsica de interés, en este caso, haber sido víctimas de homicidio, y \(n\) la población expuesta, en este caso, la población total de la entidad

pobQro<-(estados[22,3:8])

qro2<-x[1:12,]

tasasQro<-qro2

year<-unique(ad$Año)

for(i in 1:length(year)){

  for(j in 1:12){

    tasasQro[j,i+1]<-round(qro2[j,i+1]/pobQro[i]*100000,4)

  }

}

kable(tasasQro, caption="Tasa de víctimas de homicidio doloso en Querétaro por cada 100 mil habitantes, por mes y año")
Tasa de víctimas de homicidio doloso en Querétaro por cada 100 mil habitantes, por mes y año
Mes 2015 2016 2017 2018 2019 2020
Enero 0.4349 0.5677 0.6029 0.7735 0.6252 0.4825
Febrero 0.4832 0.4258 0.5565 0.4550 0.7146 0.5264
Marzo 0.5798 0.6150 0.6957 0.7735 0.9379 1.2283
Abril 0.5315 0.4258 0.9740 0.7280 0.6699 0.0000
Mayo 0.6282 0.6623 0.4174 0.6825 0.7592 0.0000
Junio 0.4832 0.3312 1.0667 0.7280 0.4913 0.0000
Julio 0.5798 0.3785 0.6029 0.6825 0.9825 0.0000
Agosto 0.6282 0.3785 1.2522 1.0464 0.8039 0.0000
Septiembre 0.5798 0.7096 0.8812 1.1374 0.9825 0.0000
Octubre 1.1113 0.4258 0.6957 0.3640 0.4019 0.0000
Noviembre 0.6282 0.5677 0.4638 0.7735 0.5806 0.0000
Diciembre 0.3866 0.3785 0.7421 1.2284 0.7592 0.0000 
#Calculo las tasas y las visualizo

El pasado febrero hubo más víctimas que en cualquiera de los pasados febreros

Este febero se registraron 777 víctimas de delito en Querétaro: es el número más alto para un febrero (una tasa de 34.08 víctimas por cada 100 mil habitantes. En febrero de 2019 hubo 737; en 2018, 582; en 2017, 543; en 2016 fueron 595, y en 2015 fueron 518.

Esto es cierto en números absolutos y en tasa por cada 100 mil habitantes.

queretaroVictimas<-subset(ad,ad$Clave_Ent==22 ) #Esto es un filtro, de toda la base, selecciono sólo a Querétaro

anual<-data.frame()

x<-as.data.frame(unique(ad$mes)) #creo una tabla que sólo tiene los meses del año, y uego la iré llenando

for(i in 1:length(years)){

  anual<-subset(queretaroVictimas,queretaroVictimas$Año==years[i])

  x<-cbind(x,as.data.frame(aggregate(anual$value~anual$mes,anual,sum))[,2])

}

names(x)<-c("Mes",years)

Cada pestaña tiene su propio code.

Tablas

Víctimas

kable(x,caption="Víctimas de delito en Querétaro, por mes y año")
Víctimas de delito en Querétaro, por mes y año
Mes 2015 2016 2017 2018 2019 2020
Enero 431 401 605 574 691 650
Febrero 436 441 543 582 737 777
Marzo 518 595 632 725 872 881
Abril 549 679 633 740 822 0
Mayo 519 726 850 762 993 0
Junio 537 618 737 708 827 0
Julio 456 581 608 815 920 0
Agosto 521 682 717 1003 841 0
Septiembre 517 607 622 955 888 0
Octubre 583 628 701 1150 820 0
Noviembre 653 570 573 734 738 0
Diciembre 645 646 650 965 856 0
Total 6365 7174 7871 9713 10005 2308

Población

pobQro<-(estados[22,3:8])

kable(pobQro,caption="Población en Querétaro, por año")
Población en Querétaro, por año
2015 2016 2017 2018 2019 2020
22 2069556 2113731 2156167 2197938 2239112 2279637

Tasa

pobQro<-(estados[22,3:8])

qro2<-x[1:12,]

tasasQro<-qro2

year=unique(ad$Año)

for(i in 1:length(year)){

  for(j in 1:12){

    tasasQro[j,i+1]<-round(qro2[j,i+1]/pobQro[i]*100000,2)

  }

}

kable(tasasQro, caption="Tasa de víctimas de delito en Querétaro por cada 100 mil habitantes, por mes y año")
Tasa de víctimas de delito en Querétaro por cada 100 mil habitantes, por mes y año
Mes 2015 2016 2017 2018 2019 2020
Enero 20.83 18.97 28.06 26.12 30.86 28.51
Febrero 21.07 20.86 25.18 26.48 32.91 34.08
Marzo 25.03 28.15 29.31 32.99 38.94 38.65
Abril 26.53 32.12 29.36 33.67 36.71 0.00
Mayo 25.08 34.35 39.42 34.67 44.35 0.00
Junio 25.95 29.24 34.18 32.21 36.93 0.00
Julio 22.03 27.49 28.20 37.08 41.09 0.00
Agosto 25.17 32.27 33.25 45.63 37.56 0.00
Septiembre 24.98 28.72 28.85 43.45 39.66 0.00
Octubre 28.17 29.71 32.51 52.32 36.62 0.00
Noviembre 31.55 26.97 26.57 33.39 32.96 0.00
Diciembre 31.17 30.56 30.15 43.90 38.23 0.00

En 2019, Querétaro fue el tercer estado con mayor tasa de víctimas por cada 100 mil habitantes

En 2019 el SESNSP registró para Querétaro 10 mil 005 víctimas de delito; con una población estatal de 2 millones 239 mil 112 habitantes, en arreglo con CONAPO, la tasa anual es de 446.83 víctimas por cada 100 mil habitantes, sólo por debajo del Estado de México y de Baja California Norte, que tienen tasas de 469 y 487 víctimas por cada 100 mil habitantes, respectivamente.

Un año antes, en 2018, con una tasa de 441.91 víctimas por cada 100 mil habitantes, Querétaro fue el segundo estado con mayor tasa de víctimas por 100 mil habitantes, sólo por debajo de Baja California Norte, que registró una tasa de 497.239 víctimas por cada 100 mil habitantes.

Cada pestaña tiene su propio code.

Tablas

df1<-as.data.frame(nombres)

for(i in 1:length(year)){

  ss<-subset(ad,ad$Año==year[i] & ad$mes != "Total")

  df1<-cbind(df1,aggregate(ss$value~ss$Clave_Ent,ss,sum)[2])

}

names(df1)<-c("Entidad Federativa",year)

Víctimas

kable(df1,caption="Víctimas por año y entidad federativa")
Víctimas por año y entidad federativa
Entidad Federativa 2015 2016 2017 2018 2019 2020
Aguascalientes 3904 3212 4927 5740 5889 1448
Baja California 19359 17287 17344 17509 17441 3980
Baja California Sur 1915 2664 3511 2799 2816 694
Campeche 484 483 471 522 494 130
Coahuila 7165 6614 6513 6989 6292 1393
Colima 583 1053 2849 2863 3258 839
Chiapas 3758 3899 4185 4745 3953 939
Chihuahua 9595 9235 10801 10240 11895 3007
Ciudad de México 15046 14441 15137 19412 21821 4955
Durango 5154 5921 6204 5516 4905 1147
Guanajuato 14955 15138 17378 20850 23145 5847
Guerrero 7575 8173 7487 7875 7985 1635
Hidalgo 5437 7037 9339 10616 9936 2434
Jalisco 15656 18038 18495 18136 18072 4287
México 47336 49373 73146 68231 80885 20089
Michoacán 7947 8469 10352 11074 11823 3298
Morelos 6696 6949 6421 6732 6640 1504
Nayarit 1131 548 767 1090 825 196
Nuevo León 16848 17483 17223 15468 12734 3136
Oaxaca-Región Valles Centrales 1497 7716 8061 10656 10728 2687
Puebla 13591 8776 6755 8383 11610 2247
Querétaro 6365 7174 7871 9713 10005 2308
Quintana Roo 4856 2525 3302 4922 6294 1839
San Luis Potosí 3716 5441 6060 5507 7378 1718
Sinaloa 7229 6045 6502 6860 7154 1731
Sonora 5471 6474 4386 3381 4460 1205
Tabasco 8703 8189 8124 8013 8594 1984
Tamaulipas 9364 8411 8753 7829 7530 1917
Tlaxcala 1418 739 763 663 592 164
Veracruz 7065 7533 11626 11763 11454 3155
Yucatán 4865 5461 3196 752 808 220
Zacatecas 3120 3344 3618 3884 4919 1301

Cada pestaña tiene su propio code.

Tasa por 100 mil

df2<-df1

n<-(estados[,3:8])

k<-df1[,2:7]

df2[,2:7]<-round(k/n*100000,2)

kable(df2,caption="Tasa de víctimas por cada 100 mil habitantes, por año y entidad federativa")
Tasa de víctimas por cada 100 mil habitantes, por año y entidad federativa
Entidad Federativa 2015 2016 2017 2018 2019 2020
Aguascalientes 293.13 236.99 358.12 411.24 416.06 100.93
Baja California 576.54 507.94 500.86 497.24 487.37 109.50
Baja California Sur 266.03 361.47 465.48 362.90 357.31 86.24
Campeche 52.79 51.74 49.56 53.96 50.20 12.99
Coahuila 238.79 217.35 210.92 223.15 198.13 43.28
Colima 80.78 143.33 381.08 376.55 421.56 106.86
Chiapas 70.80 72.28 76.38 85.28 70.00 16.39
Chihuahua 265.31 253.05 292.76 274.68 315.91 79.10
Ciudad de México 166.09 159.50 167.28 214.70 241.62 54.94
Durango 289.29 328.59 340.97 300.36 264.71 61.37
Guanajuato 252.17 252.41 286.83 340.84 374.90 93.88
Guerrero 211.79 227.20 207.15 216.96 219.13 44.71
Hidalgo 187.52 239.46 313.71 352.19 325.69 78.86
Jalisco 196.60 223.91 226.96 220.12 217.06 50.98
México 287.69 296.38 433.82 400.03 469.02 115.27
Michoacán 171.10 180.78 219.24 232.77 246.72 68.35
Morelos 346.85 355.50 324.63 336.51 328.30 73.58
Nayarit 94.61 45.12 62.17 87.04 64.93 15.21
Nuevo León 323.66 330.23 320.41 283.56 230.14 55.90
Oaxaca-Región Valles Centrales 37.25 190.68 197.95 260.09 260.34 64.85
Puebla 216.61 138.29 105.33 129.39 177.46 34.02
Querétaro 307.55 339.40 365.05 441.91 446.83 101.24
Quintana Roo 318.45 161.35 205.69 299.17 373.63 106.72
San Luis Potosí 134.72 195.62 216.14 194.93 259.24 59.94
Sinaloa 239.71 198.24 211.28 220.96 228.49 54.84
Sonora 189.65 221.51 148.09 112.70 146.82 39.19
Tabasco 358.70 333.24 326.67 318.49 337.77 77.13
Tamaulipas 267.95 238.47 245.92 218.05 207.96 52.51
Tlaxcala 109.48 56.22 57.31 49.19 43.40 11.88
Veracruz 85.73 90.58 138.79 139.47 134.94 36.94
Yucatán 228.53 253.31 146.45 34.05 36.17 9.74
Zacatecas 194.79 206.84 221.99 236.48 297.29 78.07

Querétaro tiene el primer lugar en tasa de ‘Otros delitos que atentan contra la vida y la integridad corporal’ por cada 100 mil habitantes, desde 2015

Con una tasa de 46.36 víctimas por cada 100 mil habitantes, Querétaro es a nivel nacional el lugar donde la probabilidad de sufrir este delito es mayor;solo Baja California, con 42.39, se compara. Esta situación se ha mantenido desde 2015.

la Norma Técnica para la Clasificación Nacional de Delitos para Fines Estadísticos refiere que:

“Contempla todas aquellas conductas que no hayan sido enunciadas en las descripciones anteriores, pero que por sus características refieren acciones u omisiones que afectan o ponen en peligro la vida de cualquier persona, así como aquellas que impliquen lesionar su integridad corporal.”

Esto es, excluye homicidios, feminicidios, lesiones y abortos.

Cada pestaña tiene su propio code.

Tablas

Víctimas

df3<-as.data.frame(nombres)

for(i in 1:length(year)){

  ss1<-subset(ad,ad$Año==year[i] & ad$Subtipo.de.delito=="Otros delitos que atentan contra la vida y la integridad corporal" & ad$mes != "Total")

  df3<-cbind(df3,aggregate(ss1$value~ss1$Clave_Ent,ss1,sum)[2])

}

names(df3)<-c("Entidad Federativa",year)

kable(df3,caption="Víctimas de otros delitos que atentan contra la vida y la integridad corporal, por año y entidad federativa")
Víctimas de otros delitos que atentan contra la vida y la integridad corporal, por año y entidad federativa
Entidad Federativa 2015 2016 2017 2018 2019 2020
Aguascalientes 70 0 19 7 12 10
Baja California 222 714 965 1192 1517 393
Baja California Sur 4 36 110 146 225 77
Campeche 10 13 14 20 27 4
Coahuila 12 9 28 44 37 11
Colima 0 0 1 0 0 0
Chiapas 0 0 132 189 186 30
Chihuahua 441 331 365 300 449 160
Ciudad de México 0 0 0 1014 1450 45
Durango 31 26 22 80 124 19
Guanajuato 0 0 0 0 126 85
Guerrero 1 0 1 4 23 3
Hidalgo 96 301 170 248 371 103
Jalisco 0 0 0 0 0 0
México 247 315 686 931 1053 301
Michoacán 41 64 50 66 236 94
Morelos 451 284 286 556 601 155
Nayarit 9 2 13 12 12 6
Nuevo León 24 38 66 7 17 29
Oaxaca-Región Valles Centrales 22 262 228 268 385 76
Puebla 91 58 65 55 256 97
Querétaro 903 786 823 827 1038 292
Quintana Roo 1 14 1 3 10 109
San Luis Potosí 49 75 120 124 194 50
Sinaloa 436 456 502 591 837 151
Sonora 3 4 6 114 212 83
Tabasco 112 106 399 489 612 168
Tamaulipas 1 1 210 402 667 84
Tlaxcala 15 17 7 3 8 2
Veracruz 25 0 50 128 169 43
Yucatán 161 322 330 87 160 51
Zacatecas 102 63 96 158 204 71

Tasa por 100 mil habitantes

df4<-df3

n1<-(estados[,3:8])

k1<-df3[,2:7]

df4[,2:7]<-round(k1/n1*100000,2)

kable(df4,caption="Tasa de víctimas de otros delitos que atentan contra la vida y la integridad corporal, por año y entidad federativa, por cada 100 mil habitantes")
Tasa de víctimas de otros delitos que atentan contra la vida y la integridad corporal, por año y entidad federativa, por cada 100 mil habitantes
Entidad Federativa 2015 2016 2017 2018 2019 2020
Aguascalientes 5.26 0.00 1.38 0.50 0.85 0.70
Baja California 6.61 20.98 27.87 33.85 42.39 10.81
Baja California Sur 0.56 4.88 14.58 18.93 28.55 9.57
Campeche 1.09 1.39 1.47 2.07 2.74 0.40
Coahuila 0.40 0.30 0.91 1.40 1.17 0.34
Colima 0.00 0.00 0.13 0.00 0.00 0.00
Chiapas 0.00 0.00 2.41 3.40 3.29 0.52
Chihuahua 12.19 9.07 9.89 8.05 11.92 4.21
Ciudad de México 0.00 0.00 0.00 11.22 16.06 0.50
Durango 1.74 1.44 1.21 4.36 6.69 1.02
Guanajuato 0.00 0.00 0.00 0.00 2.04 1.36
Guerrero 0.03 0.00 0.03 0.11 0.63 0.08
Hidalgo 3.31 10.24 5.71 8.23 12.16 3.34
Jalisco 0.00 0.00 0.00 0.00 0.00 0.00
México 1.50 1.89 4.07 5.46 6.11 1.73
Michoacán 0.88 1.37 1.06 1.39 4.92 1.95
Morelos 23.36 14.53 14.46 27.79 29.71 7.58
Nayarit 0.75 0.16 1.05 0.96 0.94 0.47
Nuevo León 0.46 0.72 1.23 0.13 0.31 0.52
Oaxaca-Región Valles Centrales 0.55 6.47 5.60 6.54 9.34 1.83
Puebla 1.45 0.91 1.01 0.85 3.91 1.47
Querétaro 43.63 37.19 38.17 37.63 46.36 12.81
Quintana Roo 0.07 0.89 0.06 0.18 0.59 6.33
San Luis Potosí 1.78 2.70 4.28 4.39 6.82 1.74
Sinaloa 14.46 14.95 16.31 19.04 26.73 4.78
Sonora 0.10 0.14 0.20 3.80 6.98 2.70
Tabasco 4.62 4.31 16.04 19.44 24.05 6.53
Tamaulipas 0.03 0.03 5.90 11.20 18.42 2.30
Tlaxcala 1.16 1.29 0.53 0.22 0.59 0.14
Veracruz 0.30 0.00 0.60 1.52 1.99 0.50
Yucatán 7.56 14.94 15.12 3.94 7.16 2.26
Zacatecas 6.37 3.90 5.89 9.62 12.33 4.26

Primer Lugar en tasa de delitos contra mujeres desde 2018

Con una tasa de 369 mujeres víctimas de delito por cada 100 mil mujeres, Querétaro fue en 2019 el estado con mayor proporción de víctimas mujeres y, por ello mismo, donde la probabilidad para una mujer de ser víctima fue mayor; el estado con la segunda mayor tasa fue Baja California Norte, con una tasa de 347.24 mujeres víctimas por cada 100 mil mujeres.

La situación, sin embargo, se arrastra desde 2018, cuando con una tasa de 376.64 víctimas por cada 100 mil mujeres,dejando en segundo lugar de nuevo a Baja California.

Este es un fenómeno muy complejo, difícil de explicar y en rápido crecimiento; ya sabíamos que Querétaro tiene la tasa más alta de lesiones contra mujeres, lo que sin duda constituye el grueso del fenómeno, y sabíamos también que las mujeres jóvenes son las más vulnerables, pero también que hay más averiguaciones por aborto que por feminicidio, lo que indica que las instituciones tienen un papel importante en esta cifra; la violencia se experimenta en muchas formas y en muchos ámbitos, como en el trabajo, donde, en Querétaro, una de cada cuatro mujeres sufre violencia laboral.

Cada pestaña tiene su propio code.

Tablas

Mujeres Víctimas

df5<-as.data.frame(nombres)

for(i in 1:length(year)){

  ss2<-subset(ad,ad$Año==year[i] & ad$Sexo=="Mujer" & ad$mes != "Total")

  df5<-cbind(df5,aggregate(ss2$value~ss2$Clave_Ent,ss2,sum)[2])

}

names(df5)<-c("Entidad Federativa",year)



kable(df5,caption="Mujeres víctimas de delito, por entidad federativa y año")
Mujeres víctimas de delito, por entidad federativa y año
Entidad Federativa 2015 2016 2017 2018 2019 2020
Aguascalientes 70 74 99 109 123 33
Baja California 8282 7769 7304 6019 6217 1320
Baja California Sur 561 1018 1203 1059 1121 270
Campeche 160 146 178 183 179 44
Coahuila 2224 2624 2432 3043 2710 571
Colima 116 187 809 842 993 257
Chiapas 965 996 1090 1428 1213 291
Chihuahua 3004 2758 2868 2669 3423 851
Ciudad de México 922 855 628 4464 6735 1691
Durango 1953 2161 2192 2076 1878 438
Guanajuato 5897 5411 5816 6836 7718 1838
Guerrero 1625 2631 2377 2365 2757 610
Hidalgo 2253 2732 3608 4159 3619 900
Jalisco 6020 6228 7150 6654 6547 1523
México 17753 11703 25972 20652 23734 5668
Michoacán 2465 3044 4252 4490 4525 1322
Morelos 2490 2775 2444 2443 2380 530
Nayarit 379 191 144 231 219 40
Nuevo León 7432 7486 7209 6523 4794 1268
Oaxaca-Región Valles Centrales 410 2325 2340 3162 3444 872
Puebla 4796 2966 1952 2252 3859 701
Querétaro 2198 2870 3310 4197 4191 981
Quintana Roo 838 643 751 1416 1767 562
San Luis Potosí 1140 860 2221 1838 2972 656
Sinaloa 2099 1658 1761 2277 2463 627
Sonora 1466 2180 1384 802 968 276
Tabasco 2814 2336 1932 1421 1888 410
Tamaulipas 3538 2759 2848 2430 2506 623
Tlaxcala 479 181 215 237 156 56
Veracruz 1871 1987 3120 3141 3380 968
Yucatán 1177 1270 788 168 155 50
Zacatecas 1117 1213 1295 1354 1737 448

Población femenina

mujeres<-as.data.frame(nombres)

for(i in 1:length(year)){

  mux<-subset(pop,pop$AÑO==years[i] & pop$SEXO=="Mujeres")

  mujeres<-cbind(mujeres,as.data.frame(aggregate(mux$POB~mux$CLAVE_ENT,mux,sum))[2])

  }

names(mujeres)<-c("Nombre de la entidad",year)

kable(mujeres,caption="Población femenina, por año y entidad federativa")
Población femenina, por año y entidad federativa
Nombre de la entidad 2015 2016 2017 2018 2019 2020
Aguascalientes 676756 688078 698335 708397 718293 728001
Baja California 1676450 1701160 1731388 1761125 1790402 1819221
Baja California Sur 353175 361857 370471 378970 387379 395686
Campeche 463786 472380 480892 489332 497710 506013
Coahuila 1503013 1523960 1546686 1569142 1591349 1613303
Colima 363397 369839 376094 382248 388317 394295
Chiapas 2706079 2751269 2795702 2839751 2883413 2926695
Chihuahua 1820676 1838033 1858724 1878794 1898283 1917220
Ciudad de México 4727285 4725989 4724114 4720967 4716667 4711235
Durango 902020 912301 921369 930182 938770 947144
Guanajuato 3042095 3073125 3104071 3133966 3162896 3190872
Guerrero 1844116 1855504 1864204 1872241 1879681 1886572
Hidalgo 1498359 1518657 1538351 1557645 1576562 1595122
Jalisco 4038200 4083287 4130535 4176257 4220564 4263491
México 8418990 8523806 8626102 8725105 8820924 8913555
Michoacán 2389658 2409005 2427328 2445098 2462361 2479142
Morelos 995289 1007479 1019081 1030403 1041469 1052273
Nayarit 598262 607747 617163 626391 635459 644370
Nuevo León 2602654 2646965 2687691 2727772 2767266 2806169
Oaxaca-Región Valles Centrales 2089491 2103532 2117052 2130074 2142659 2154839
Puebla 3253656 3289790 3324140 3357617 3390264 3422131
Querétaro 1051031 1072155 1093382 1114329 1135018 1155425
Quintana Roo 755844 776235 795984 815480 834714 853688
San Luis Potosí 1411226 1423150 1434608 1445726 1456541 1467071
Sinaloa 1515836 1533173 1547497 1561435 1575013 1588251
Sonora 1448176 1469005 1488766 1508168 1527257 1546057
Tabasco 1230046 1245945 1261264 1276331 1291146 1305707
Tamaulipas 1763051 1779743 1796649 1813123 1829220 1844972
Tlaxcala 664306 673870 682500 690948 699235 707365
Veracruz 4236491 4274609 4306724 4337354 4366584 4394428
Yucatán 1077863 1091924 1105906 1119693 1133299 1146710
Zacatecas 814218 821349 828218 834869 841344 847637

Tasa por 100 mil mujeres

df6<-df1

k2<-df5[c('2015','2016','2017','2018','2019','2020')]

n2<-mujeres[c('2015','2016','2017','2018','2019','2020')]

df6[c('2015','2016','2017','2018','2019','2020')]<-round(k2/n2*100000,2)

kable(df6,caption="Tasa de delitos contra mujeres por cada 100 mil mujeres, por año y entidad federativa")
Tasa de delitos contra mujeres por cada 100 mil mujeres, por año y entidad federativa
Entidad Federativa 2015 2016 2017 2018 2019 2020
Aguascalientes 10.34 10.75 14.18 15.39 17.12 4.53
Baja California 494.02 456.69 421.86 341.77 347.24 72.56
Baja California Sur 158.84 281.33 324.72 279.44 289.38 68.24
Campeche 34.50 30.91 37.01 37.40 35.96 8.70
Coahuila 147.97 172.18 157.24 193.93 170.30 35.39
Colima 31.92 50.56 215.11 220.28 255.72 65.18
Chiapas 35.66 36.20 38.99 50.29 42.07 9.94
Chihuahua 164.99 150.05 154.30 142.06 180.32 44.39
Ciudad de México 19.50 18.09 13.29 94.56 142.79 35.89
Durango 216.51 236.87 237.91 223.18 200.05 46.24
Guanajuato 193.85 176.07 187.37 218.13 244.02 57.60
Guerrero 88.12 141.79 127.51 126.32 146.67 32.33
Hidalgo 150.36 179.90 234.54 267.01 229.55 56.42
Jalisco 149.08 152.52 173.10 159.33 155.12 35.72
México 210.87 137.30 301.09 236.70 269.06 63.59
Michoacán 103.15 126.36 175.17 183.63 183.77 53.32
Morelos 250.18 275.44 239.82 237.09 228.52 50.37
Nayarit 63.35 31.43 23.33 36.88 34.46 6.21
Nuevo León 285.55 282.81 268.22 239.13 173.24 45.19
Oaxaca-Región Valles Centrales 19.62 110.53 110.53 148.45 160.73 40.47
Puebla 147.40 90.16 58.72 67.07 113.83 20.48
Querétaro 209.13 267.69 302.73 376.64 369.25 84.90
Quintana Roo 110.87 82.84 94.35 173.64 211.69 65.83
San Luis Potosí 80.78 60.43 154.82 127.13 204.05 44.71
Sinaloa 138.47 108.14 113.80 145.83 156.38 39.48
Sonora 101.23 148.40 92.96 53.18 63.38 17.85
Tabasco 228.77 187.49 153.18 111.33 146.23 31.40
Tamaulipas 200.67 155.02 158.52 134.02 137.00 33.77
Tlaxcala 72.11 26.86 31.50 34.30 22.31 7.92
Veracruz 44.16 46.48 72.44 72.42 77.41 22.03
Yucatán 109.20 116.31 71.25 15.00 13.68 4.36
Zacatecas 137.19 147.68 156.36 162.18 206.46 52.85

Notas finales

Los cálculos para cualquier otro delito, en cualquier otra entidad, y para cualquier otra subpoblación (mujeres, menores de edad, etc.) están automatizados y listos para consulta aquí, si bien, por lo extenso de las bases de datos utilizadas, el sitio demora un poco en cargar.

Invitamos al público a utilizar, comentar y corregir nuestros algoritmos.