Investigación Robo y Hurto

...

La PDI se vincula administrativamente con el Ministerio a través de la Subsecretaría de Investigaciones. Su función principal, pero no así la única función, es investigar y aclarar delitos ya ocurridos.

En esta oportunidad nos centraremos en los delitos de robo y hurto investigados por la institución mencionada. Pero antes de iniciar con el presente informe es necesario destacar el significado de estas dos infracciones, que muchas personas piensan, se trata del mismo delito.

“El que sin la voluntad de su dueño y con ánimo de lucrarse se apropia cosa mueble ajena usando de violencia o intimidación en las personas o de fuerza en las cosas, comete robo; si faltan la violencia, la intimidación y la fuerza, el delito se califica de hurto.

Se estimarán por violencia o intimidación en las personas los malos tratamientos de obra, las amenazas ya para hacer que se entreguen o manifiesten las cosas, ya para impedir la resistencia u oposición a que se quiten, o cualquier otro acto que pueda intimidar o forzar a la manifestación o entrega. Hará también violencia el que para obtener la entrega o manifestación alegare orden falsa de alguna autoridad, o

la diere por sí fingiéndose ministro de justicia o funcionario público”.

(Definición art.432 y art. 439 del Código Penal)

A continuación se realiza una investigación que con la ayuda de los conocimientos de métodos multivariados adquiridos tiene como fin hallar las variables influyentes en las investigaciones por robo y hurto realizadas por la Policía de Investigaciones de Chile.

Marco Teórico

En el presente informe se estudiará el comportamiento que presenta una cantidad de variables de incidencia sobre otra en estudio. Para ello acudiremos a nuestros conocimientos de estadística del análisis multivariado, por lo que en este apartado se pretende dar a conocer ciertos conceptos que serán de suma importancia para la comprensión del lector a lo largo del informe, estos conceptos son detallados a continuación:

Modelo de Regresión Lineal:

Técnica que permite cuantificar la relación que existe entre una serie de variables explicativas (variables independientes), todas ellas cuantitativas, y la variable explicada (Variable Dependiente).

El modelo se ve representado por la siguiente ecuación lineal:

[pic 38]

Donde:

- Yt : variable dependiente o variable explicada.

- Xkt : variables explicativas o independientes, que influyen sobre la variable dependiente. El sub índice “k” hace alusión al número de éstas.

- bk : combinaciones lineales de las variables explicativas sobre la variable dependiente. B0 es una variable constante, mientras que las otras van acompañadas con los respectivos X.

- E : error del modelo o componente no explicado por variables explicativas.

Multicolinealidad:

Término usado en econometría, el cual indica la presencia de una fuerte correlación entre variables explicativas lo que dificulta la medición de sus efectos individualmente sobre la variable explicada. Cabe destacar que existen dos tipos de Multicolinealidad:

- Multicolinealidad Exacta: Es la existencia de una combinación lineal exacta entre dos o más variables explicativas incluidas en el modelo, esto ocurre cuando |XT X|=0

- Multicolinealidad de Grado o aproximada: existencia de una relación lineal fuerte, aunque no exacta, entre dos o más variables explicativas, es decir, existe una solución óptima para el problema, sin embargo, esta solución está mal condicionada, ya que la función objetivo es muy plana en el entorno del óptimo y, por tanto, existen infinitas soluciones casi tan buenas como la óptima. Esto ocurre cuando |XT X|≈0

Análisis de Regresión Lineal:

- Supuestos de variables explicativas deterministas: Variables cuyos valores son reales y confiables. En este caso podemos asegurar que los valores de las variables presentadas en este informe son variables deterministas ya que son datos reales de muestras entregados por fuentes confiables de paz ciudadana, ministerio de educación, entre otros (ver referencias).

- Supuesto de variables explicativas relevantes: las variables explicativas relevantes son aquellas que explican la variable objetivo y por lo tanto son relevantes para el modelo. Las variables presentes en este trabajo son aquellas que suponemos serán relevantes para nuestro modelo y para la explicación de nuestra variable objetivo.

- Supuesto de variables explicativas independientes: Las variables X1, X2,...Xk son linealmente independientes (no se puede poner a una de ellas como combinación lineal de las otras). Si la hipótesis de independencia no se cumple, implica que el modelo presenta multicolinealidad.

- Coeficiente de determinación: Coeficiente de correlación R2 es una medida de la bondad del ajuste del modelo ya que da la proporción de variación de Y explicada por el modelo.

- Coeficiente de correlación múltiple: Para analizar la multicolinealidad a primera vista utilizamos el coeficiente de correlación múltiple que nos entrega la regresión, relacionando cada una de las variables explicativas, logrando con esto, realizar la matriz de correlación múltiple. Los coeficientes que obtendremos nos indicarán qué tan relacionadas se encuentra un variable sobre la otra. Si los coeficientes están sobre 0.8, quiere decir que las variables relacionadas son multicolineales, es decir, existe una linealidad entre variables, si es así, procedemos a utilizar el Test T y el Test F.

Test T Student:

Test que nos permite conocer la existencia de relación entre la variable explicada y las variables explicativas. Para esto es necesario saber que el modelo en el cual se basa este test es , donde el parámetro refleja la influencia que tiene sobre la variable dependiente .[pic 39][pic 40][pic 41][pic 42]

Este test tiene la finalidad de que el sea distinto de cero, esto nos indicara que la respuesta Y se encuentra relacionada en forma lineal con la variable de predicción X, de lo contrario, no existe ninguna relación lineal entre X e Y. Para este test consideramos la siguiente prueba de hipótesis: [pic 44][pic 43]

Para continuar con el test