¿Por qué necesitamos un mapa ciudadano de riesgos en el Metro?

La seguridad en el Metro de la Ciudad de México es una preocupación diaria para millones de personas. Robos sin violencia, acoso y situaciones de riesgo ocurren con frecuencia, especialmente en estaciones con alto flujo de usuarios. Sin embargo, la falta de datos abiertos y verificables impide que se actúe con precisión.

¿Qué problema queremos resolver?
 El problema no es solo la inseguridad: es la ausencia de datos confiables para comprenderla. Aunque las autoridades han reportado una reducción del 55% en robos sin violencia entre 2022 y 2024, no existe evidencia abierta ni sistematizada que permita validar este avance ni identificar las zonas más críticas.

El objetivo de este proyecto es construir un mapa interactivo de percepción de inseguridad, usando datos oficiales publicados por la SSC-CDMX, con análisis estadístico y visualización dinámica.

¿Por qué un mapa ciudadano?

  • Porque la experiencia de inseguridad es cotidiana pero invisible.

  • Porque el diseño de políticas públicas requiere localización precisa.

  • Porque empodera a los usuarios a reconocer y comunicar zonas de riesgo.


Conclusión:
 La seguridad comienza con el conocimiento del entorno. Un mapa ciudadano de riesgos, sustentado en datos y análisis técnico, permite no solo visualizar el problema, sino también actuar sobre él.



El enlace al notebook de Colab que se utilizó para el análisis: notebook

Comments

Post a Comment

Popular posts from this blog

Image
Análisis de la Distribución Horaria de Incidentes Análisis de la Distribución Horaria de Incidentes Introducción Se estudió la distribución de incidentes delictivos a lo largo del día, agrupando los datos por hora (0 a 23). El objetivo fue modelar esta variación temporal para entender patrones periódicos que pudieran relacionarse con horarios de mayor riesgo. Visualización Inicial Se obtuvo un histograma de conteos por hora \( y_i \) para cada hora \( x_i \in \{0,1,\ldots,23\} \), mostrando una clara periodicidad diaria: \[ (x_i, y_i), \quad i=0, \ldots, 23 \] Evaluación del Modelo Se usaron las siguientes métricas para evaluar la bondad de ajuste: Coeficiente de determinación \( R^2 \): \[ R^2 = 1 - \frac{\sum_{i=0}^{23} (y_i - \hat{y}_i)^2}{\sum_{i=0}^{23} (y_i - \bar{y})^2} \] Raíz del error cuadrático medio (RMSE): \[ RMSE = \sqrt{\frac{1}{24} \sum_{i=0}^{23} (y_i - \hat{y}_i)^2} \] Modelado con Ajuste Polinomial Primero se intentó un ...
Read more

Explorando los datos actuales de robos en el Metro CDMX

Image
En este proyecto, comenzamos con la exploración y análisis de los datos disponibles sobre robos en el Metro de la Ciudad de México. Los datos actuales presentan limitaciones importantes, ya que no especifican con suficiente detalle el lugar exacto dentro de las estaciones donde ocurren los robos (tren, plataforma, pasajes subterráneos o área externa). Sin embargo, a partir de la información disponible, realizamos un primer análisis para entender la distribución general de los incidentes por estación y día de la semana. Usando Python y bibliotecas como Pandas y Matplotlib, procesamos las bases de datos públicas y generamos visualizaciones clave. Por ejemplo, el gráfico de barras que mostramos a continuación indica que ciertas estaciones tienen un número significativamente mayor de robos reportados, lo que nos permite identificar focos críticos en la red. Sin embargo, esta información solo refleja el total de robos sin detalles sobre la ubicación específica dentro de la estación, lo que ...
Read more

De la tabla al mapa — visualización de datos con Python y Plotly

Image
Con los datos ya clasificados, el siguiente paso fue darles forma visual. Este post describe cómo creamos un mapa interactivo con Plotly. Pasos técnicos: Agrupamos los incidentes por estación y tipo. Asignamos coordenadas geográficas a cada estación (diccionario georreferenciado). Usamos Plotly Express para generar un scatter_mapbox interactivo: import plotly.express as px fig = px.scatter_mapbox(df_geo, lat="lat", lon="lon", color="tipo_incidente", size="conteo", hover_name="estacion", zoom=10, mapbox_style="carto-positron") fig.show() Disciplina aplicada con ejemplos: Álgebra lineal: las coordenadas de cada estación son puntos en R². Visualización de datos: usamos escalas de color y tamaño para representar densidad e impacto. Conclusión: Visualizar permite ver lo que las tablas no muestran. El mapa no solo localiza, sino que comunica.
Read more