The hardware and bandwidth for this mirror is donated by dogado GmbH, the Webhosting and Full Service-Cloud Provider. Check out our Wordpress Tutorial.
If you wish to report a bug, or if you are interested in having us mirror your free-software or open-source project, please feel free to contact us at mirror[@]dogado.de.
Inclusão de shapes dos estados e argumento booleano para retornar dados espacializados;
Adicionar argumento booleano para retornar o formato da tabela diferente com o tidyr;
Inclusão de argumento booleano para retornar o número de ocorrências a cada 100 mil habitantes (dados de projeções mensais provenientes das projeções do IBGE);
Adicionar testes para as funções;
Adição da função que coleta os dados divulgados na plataforma gov.br disponibilizados pelo Ministério da Justiça (Sinesp-VDE);
Subir versão inicial para o CRAN;
Incluir dados populacionais anuais por município e interpolar dados por mês para o argumento relative_values da função get_sinesp_vde_data; e
Adicionar microdados do SUS com estatísticas sobre violência (agressões).
A principal função do pacote BrazilCrime é disponibilizar de maneira acessível os dados sobre criminalidade e violência do Brasil, através da linguagem R.
Para isso coleta-se as informações divulgadas pelo Sistema Nacional de Informações de Segurança Pública (Sinesp), órgao do Ministério da Justiça e Segurança Pública, esses dados são organizados em um data frame e disponibilizados ao usuário.
Nessa primeira versão, temos disponível dados a partir de janeiro de 2015 até dezembro de 2022, em estratificação por unidade federativa, para as seguintes tipologias criminais: Estupro, Furto de Veículo, Homicídio Doloso, Lesão Corporal Seguida de Morte, Roubo a Insituição Financeira, Roubo de Carga, Roubo de Veículo, Roubo Seguido de Morte (Latrocínio) e Tentativa de Homicídio.
Versão oficial no CRAN:
install.packages("BrazilCrime")
library(BrazilCrime)Versão de desenvolvimento:
install.packages("devtools")
devtools::install_github("GiovanniVargette/BrazilCrime")
library(BrazilCrime)Baixar todos os dados do SINESP entre 2015 e 2022 com granularidade mensal.
dados <- get_sinesp_data() Baixar todos os dados do SINESP entre 2015 e 2022 com granularidade anual.
dados <- get_sinesp_data(granularity = 'year') Baixar todos os dados do SINESP de 2018 e 2019 sobre homicídio doloso para os estados de São Paulo, Rio de Janeiro e Minas Gerais com granularidade mensal.
dados <- get_sinesp_data(state = c('RJ', 'SP', 'MG'),
typology = 'Homicídio doloso',
year = c(2018, 2019))data_sul <- get_sinesp_data(state = c('PR','SC','RS'),
typology = 'Roubo de veículo',
year = 2022,
geom = T,
granularity = 'year')
# criar o mapa
library(ggplot2)
ggplot(data = data_sul) +
geom_sf(aes(fill = ocorrencias)) +
theme_minimal() +
labs(title = "Mapa de Ocorrências",
subtitle = "Visualização espacial das ocorrências",
fill = "Qtd de ocorrências")
txroub_carg_SP_mensal_ts <- get_sinesp_data(state = 'sp',
typology = 'roubo de carga',
granularity = 'month',
relative_values = TRUE)
names(txroub_carg_SP_mensal_ts)
# Transformar para objeto ts (time series)
txroub_carg_SP_mensal_ts <- ts(txroub_carg_SP_mensal_ts[,8],
start = c(1, 2015),
frequency = 12)
# Estimando um modelo ARIMA pelo auto.arima
(mod_auto <- auto.arima(txroub_carg_SP_mensal_ts,
lambda = 0, # transf. log
stepwise = TRUE,
trace = TRUE,
approximation = FALSE,
allowdrift = TRUE,
allowmean = TRUE,
test = "kpss",
ic = c("bic")))
# Análise visual dos resíduos
par(mfrow=c(2,2))
plot(mod_auto$residuals, main="Resíduos", col=2)
Acf(mod_auto$residuals, main="Resíduos", col=4)
Acf((mod_auto$residuals)^2, main="Resíduos ao quadrado", col=4)
plot(density(mod_auto$residuals,
kernel = c("gaussian")),
main="Resíduos", col=6)
# Testes formais nos resíduos
# Autocorrelação
Box.test(mod_auto$residuals,
lag=4,
type="Ljung-Box",
fitdf=2)
Box.test(mod_auto$residuals,
lag=8,
type="Ljung-Box",
fitdf=2)
Box.test(mod_auto$residuals,
lag=12,
type="Ljung-Box",
fitdf=2)
# Heterocedasticidade condicional
ArchTest(mod_auto$residuals, lags=4)
ArchTest(mod_auto$residuals, lags=8)
ArchTest(mod_auto$residuals, lags=12)
# Normalidade
shapiro.test(mod_auto$residuals)
# Previsões
forecast(mod_auto, h=24, level=95)
autoplot(forecast(mod_auto, h=24, level=95))
q <- get_sinesp_data(
typology = 'roubo de carga',
granularity = 'year',
year = 2022,
relative_values = TRUE,
geom = TRUE)
ggplot(data = q) +
geom_sf(aes(fill = ocorrencias_100k_hab), color = 'white') +
scale_fill_viridis_c(option = "plasma", na.value = "white", name = NULL) +
labs(
title = "Roubos de Carga por 100 mil Habitantes em 2022",
fill = "Ocorrências por 100k Habitantes"
) +
theme_minimal() +
theme(
legend.position = "bottom",
legend.direction = "horizontal",
legend.title = element_blank(),
panel.grid = element_blank(),
plot.title = element_text(hjust = 0.5)
)
Para citar em trabalhos utilize:
citation("BrazilCrime)
#To cite package ‘BrazilCrime’ in publications use:
# Vargette G, Justus M, Laltuf I (2024). _BrazilCrime: Crime data from Brazil_. R
# package version 0.0.2, <https://github.com/GiovanniVargette/BrazilCrime>.
#A BibTeX entry for LaTeX users is
# @Manual{,
# title = {BrazilCrime: Crime data from Brazil},
# author = {Giovanni Vargette, Marcelo Justus and Igor Laltuf},
# year = {2024},
# note = {R package version 0.0.3},
# url = {https://github.com/GiovanniVargette/BrazilCrime},
# }These binaries (installable software) and packages are in development.
They may not be fully stable and should be used with caution. We make no claims about them.
Health stats visible at Monitor.