103Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401103103ISSN 2542-3401/ 1316-4821Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesUNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821Predicción geográca de delitos contra la propiedad mediante Redes Neuronales y SARIMARecibido (18/03/22 ) Aceptado (05/04/22) Resumen: Lograr estimar la cantidad de delitos que se cometerán en una determinada zona geográca es de importante para la gestión de recursos destinados a la prevención de delitos. Esta investigación desarrolla dos modelos predictivos de series de tiempo para la predicción geográca de delitos contra la propiedad en dos comunas de Chile, Talcahuano y Hualpén. Los modelos investigados fueron Redes Neuronales y SARIMA. Ambos modelos fueron entrenados y probados con información proporcionada por la Fiscalía Regional del BioBío, Chile. La información contiene los delitos contra la propiedad cometidos en ambas comunas entre los años 2009 y 2019. Los modelos fueron comparados mediante las medidas de error de pronóstico MAPE, MAD y MSE. La comparación de los resultados no evidencian diferencias estadísticamente signicativas entre los resultados de ambos modelos. Palabras Clave: Modelo predictivo, Metodología KDD, Series de Tiempo, Redes neuronales, Análisis Criminal. Geographic prediction of crimes against property using Neural Networks and the SARIMA model Abstract: Predicting the number of crimes that will be committed in a certain geographical area is important for the management of resources destined for crime prevention. This research develops two predictive models of time series for the geographic prediction of property crimes in two districts of Chile Talcahuano and Hualpén. The models investigated were Neural Networks and SARIMA. Both models were trained and tested with the information provided by the Regional Prosecutor's Ofce of BioBío, Chile. The information contains the crimes against property committed in both districts between 2009 and 2019. The models were compared using the MAPE, MAD, and MSE forecast error measures. The comparison of the results does not show statistically signicant differences between the results of both models.Keywords: Predictive Model , Time Series, Neural Networks, Crime Analitycs. Fredy Humberto Troncoso Espinosahttps://orcid.org/0000-0002-9972-3123ftroncos@ubiobio.clDepartamento de Ingeniería Industrial, Facultad de Ingeniería, Universidad del Bío-BíoConcepción, ChileDanilo Alberto Gómez Correahttps://orcid.org/0000-0002-8735-7832dagomez@ubiobio.clDepartamento de Ingeniería Industrial, Facultad de Ingeniería, Universidad del Bío-BíoConcepción, Chilehttps://doi.org/10.47460/uct.v26i113.576
104Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401104104ISSN 2542-3401/ 1316-4821I.INTRODUCCIONSegún la última Encuesta Nacional Urbana de Seguridad (Enusc) la población chilena cree que la delincuencia ha au-mentado en el país alcanzando una percepción de inseguridad de un 84,3%. También, informa que durante el año 2020 el 19,2% de los hogares declara haber sido víctima de delitos, siendo esta la menor cifra desde el año 2012 [1]. A pesar de la disminución durante el año 2020 de los delitos, las autori-dades conrman que muchos de estos son más violentos que los ocurridos en décadas pasadas. Por otro lado, en la región del Biobío, región en la que se centra esta investigación, los delitos denidos como de “mayor connotación social” (deli-tos violentos y delitos contra la propiedad) [2], disminuyeron en 4,8 puntos con respecto al 2019, siendo actualmente de un 15,7%, mientras que, la percepción de inseguridad en la población aumentó a un 85,2%.Para fortalecer la investigación de los delitos de mayor connotación social, la Fiscalía de Chile creó en el marco de la ley N°20.861 “El Sistema de Análisis Criminal y Focos Investigativos (SACFI)”, integrada por scales especializa-dos en focos investigativos y analistas criminales, con co-nocimiento en metodologías de investigación cuantitativa y cualitativa, y en el sistema de justicia criminal [3]. El análisis criminal, para SACFI, es el conjunto de procesos orientados a entregar información oportuna y pertinente en relación a patrones y tendencias de hechos criminales [4].Para la búsqueda de patrones y tendencia de hechos crimi-nales que apoyen a la toma de decisiones y el análisis de la tasa de criminalidad luego de aplicar medidas preventivas, se ha usado series temporales como ARIMA [5] [6]. Técnicas de Machine Learning también han sido utiliza-das para el descubrimiento de patrones y tendencias en bases de datos relacionadas a hechos delictuales [7]. En epecíco, las redes neuronales han demostrado un buen desempeño en la tarea de predecir las ubicaciones de hechos delictuales [8] [9], siendo necesario para esto la correcta georreferenciación de los hechos criminales [10].El objetivo de esta investigación fue la busqueda de un modelo que permitiera predecir la ocurrencia de hechos cri-minales en forma sectorial en dos comunas de interés de la Rerrgión del Biobío, Talcahuano y Hualpen. Dado su desem-peño predictivo y amplia aplicación al crimen, los modelos considerados fueron el modelo estadístico basado en series temporales ARIMA y el modelo predictivo basado en redes neuronales aplicado a series de tiempo. La mejor alternativa permitirá tener un pronóstico mensual de delitos en forma sectorizada para las comunas de Talcahuano y Hualpén. Esto permitirá a la Fiscalía tomar decisiones de prevención basa-das en la evidencia estadísticaPara el entrenamiento y prueba de los modelos, la Fis-calía de la Región del BioBío aportó con una base de datos de los delitos contra la propiedad ocurridos entre el año 2009 y 2019. Esta base de datos contienes el registro de 32.392 crimenes donde se registra, estre otros atributos, fecha del delito, tipo de delito y su georreferenciación. II.METODOLOGÍAPara dar tratamiento a la base datos y obtener los modelos predictivos, se utilizó la metodología Knowledge Discovery in Databases KDD, denido como: el proceso no trivial de identicar patrones válidos, novedosos, potencialmente úti-les y comprensibles a partir de los datos. Esta metodología está compuesta por cinco etapas [11]. La gura 1 muestra el proceso KDD aplicado a la base de datos de delitos entregada por la Fiscalía Regional del BioBío, cuyas estapas son:•Selección de datos, donde se determinan las fuentes de datos y el tipo de información a utilizar. •Pre procesamiento de la base de datos, con el n de tener información más conable, la que aporte mayor valor a la predicción. Esta etapa incorpora el análisis de datos faltantes, de datos inconsistentes, y el análisis de datos fuera de rango.•Transformación y selección de variables, que engloba cualquier proceso que modique la forma de los datos para generar nuevas variables, que enriquezcan la información y obtener un mejor patrón. Luego se procede a seleccionar aquellas variables más importantes.•Minería de datos, en la cual se aplican las técnicas que permitirán extraer el patrón relevante desde los datos, como las técnicas de machine learning o algoritmos de clasica-ción. Las técnicas de machine learning aprenden el patrón general oculto en los datos y luego lo utilizan para generar una predicción. La predicción consiste en asignar un registro u observación a una clase o grupo previamente denido.• Interpretación y evaluación, donde se interpretan los pa-trones de datos que se descubrieron y se evalúa el impacto del modelo en su futura implementación.Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesUNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821
105Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401105105ISSN 2542-3401/ 1316-4821Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesFig. 1. Procesos de datos dentro de la metodología Knowledge Discovery in Databases KDD.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821III.DESARROLLOA.Selección de datosComo se mencionó anteriormente, los datos propor-cionados por la scalía de la Regional del Biobío, co-rresponden a los delitos registrados en Hualpén y Talca-huano en un periodo de 11 años (2009-2019). Para la predicción, se consideró una partición del aréa geográca correspondientes a las comunas aleda-ñas Hualpen y Talcahuano según distitos censales como se muestra la Figura 2. El distrito censal constituye la división del territorio comunal que permite organizar el trabajo censal. Esta división en el área urbana se realiza según la cantidad de viviendas, tratando de mantener un número homogéneo por distrito. El total de distritos en la comuna de Hualpen es de 6 y el de la comuna de Talcahuano es de 22.
106Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401106106ISSN 2542-3401/ 1316-4821Fig. 2. Distritos censales comuna de Hualpén y Talcahuano.Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesUNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821Luego de la segmentación de los delitos por distrito censal las variables a considerar son las siguientes: •FIELD 1: Numero de identicación correlativo del registro.•Fecha del delito, la cual señala de forma numérica el día, mes y año del delito.•Rol único de causa del delito y el año en el que ocurrió.•Comuna donde ocurrió el delito.•Delito: informa el tipo de delito ocurrido, estos pue-den ser robo con intimidación, robo con violencia, robo en lugar no habitado, robo en lugar habitado, robo por sorpresa, robo en bienes nacionales de uso público o robo de vehículo motorizado.•Latitud, que es la coordenada angular que señala la ubicación geográca de la ocurrencia del delito en el polo sur.•Longitud, que es la coordenada angular que señala la ubicación geográca de la ocurrencia del delito en el hemisferio occidental.•Identicador de distrito censal por comuna, HP sig-nica Hualpén y TH simboliza Talcahuano. B.Transformación y Pre procesamiento del con-junto de datos.A partir de la base de datos entregada por la Fiscalía, se creó la Tabla 1 (tabla pivote) que resume el núme-ro de delitos cometidos en cada distrito censal de las comunas Hualpén y Talcahuano por cada mes del año entre el 2009 y 2019. Esta tabla permitirá la aplicación de los modelos predictivos.
107Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401107107ISSN 2542-3401/ 1316-4821Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesTABLA 1. Tabla de datos resultante.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821N° MES DELITO HP1 HP2 HP3 HP4 … TH1 TH2 TH3 TH4 … TH14 1 2009-01-01 16 11 10 5 … 2 1 5 8 … 22 2 2009-02-01 19 11 14 5 … 1 1 11 8 … 32 3 2009-03-01 15 16 5 5 … 0 10 5 2 … 32 … … … … … … … … … … … … … 130 2019-10-01 11 21 7 2 … 3 2 7 7 … 47 131 2019-11-01 17 14 12 4 … 1 2 11 6 … 62 132 2019-12-01 18 16 11 3 … 1 1 11 7 … 55 La Tabla 1 muestra un identicador (ID) correspon-diente al mes del año y 22 columnas que hacen referen-cia a cada distrito. Esto permitirá aplicar los modelos a cada distrito censal. En la etapa de preprocesamiento se realizó el análi-sis de datos faltantes. Se decidió eliminar la columna de “TH7” ya que no entrega información relevante. Cabe mencionar que el distrito “TH7” corresponde al sector de la Isla Quiriquina, la cual es administrada por la Ar-mada de Chile y es sede de la escuela de grumetes Ale-jandro Navarrete Cisterna por lo cual se explica la baja ocurrencia de los distintos tipos de delitos. Para el análisis de los valores atípicos, se utilizó el diagrama de caja y bigotes. Se comprobó visualmente la existencias de valores fuera de rango. Estos valores se identicaron y se imputaron por la la técnica K-Nea-rest Neighbor [12].IV.RESULTADOSA continuación se muestran la aplicación de los mo-delos a los datos mostrados en la Tabla 1. A.Minería de datosPara obtener el pronóstico de los delitos en los dis-tritos de Hualpén y Talcahuano, se entrenó y probó un modelo predictivo basado en redes neuronales aplicado a series de tiempo y un modelo estadístico basado en series de tiempo. Una serie temporal es una secuencia de n observa-ciones ordenadas y equisdistantes cronológicamente [13], en otras palabras, son un grupo de datos registra-dos durante un periodo semanal, trimestral o anual, los cuales en conjunto se utilizan para predecir el futuro. Dentro de las series de tiempo se pueden considerar dos tipos, las series temporales estacionarias (su varianza y promedio no dependen del tiempo) y las no estaciona-rias (sus propiedades si dependen del tiempo). Para trabajar las series de tiempo existen distintos modelos estadísticos que se pueden aplicar a ellas, en donde se destacan los modelos de suavizamiento expo-nencial, modelos autorregresivos integrados de prome-dios móviles (ARIMA) y modelos de vectores autorre-gresivos (VAR), en cada uno de estos modelos se debe considerar la posible presencia de componentes de las series temporales, los cuales son tendencia, ciclicidad, estacionalidad y un componente aleatorio. El modelo que se escogió para realizar los pronósticos de predic-ción es el modelo ARIMA. Para estimar el modelo ARIMA se utilizó la meto-dología Box-Jenkins [14]. Esta metodología tiene como objetivo identicar y estimar un modelo estadístico que se interpreta como generador de datos muestrales. Este método consta de cuatro pasos que permiten la identi-cación de parámetros, estimación de parámetros, exá-menes de diagnóstico y nalmente pronóstico. Estos en conjunto permiten conocer si una serie de tiempo si-gue un proceso autorregresivo (AR), de medias móvi-les (MA), autorregresivo y medias móviles (ARMA) o autorregresivo integrado de promedios móviles (ARI-MA). Para utilizar esta metodología es importante que la serie de tiempo sea estacionaria. Si no lo es, se debe aplicar las diferenciaciones para que lleguen a serlo y
108Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401108108ISSN 2542-3401/ 1316-4821así consolidar una base válida para un futuro pronóstico [15]. La aplicación de la metodología Box-Jenkins se rea-lizó mediante el lenguaje de programación R [16]. La aplicación de la metodología se decribe a continuación:Identicación: En este paso se realizó un análisis ex-ploratorio a las series temporales. Se descubríó todas presentan estacionalidad, por ende, el modelo ARIMA se debe transformar a SARIMA. Estimación: La estimación de los parámetros nal-mente escogidos se hizo mediante la comparación de distintos modelos SARIMA, seleccionando el modelo que se ajusta de mejor manera a los datos bajo el criterio AIC (Criterio de información de Akaike). Examen diagnóstico: Una vez seleccionado el mejor modelo, se realizaron las pruebas Jarque-Bera, ARCH y Ljung-Box a los residuos generados por este, con el objetivo de vericar que se ajusten a una distribución normal, al cumplirse cada una de las pruebas se puede dar paso al pronóstico de los datos. Cabe decir que, si las pruebas no se cumplen, se le realizan estos mismos test al siguiente mejor modelo hasta encontrar uno que satisfaga cada uno de los pasos.Pronóstico: Al ser aceptadas cada una de las pruebas realizadas en el paso anterior se realizó la predicción de los delitos.Cálculo de los factores de comparación: Se calculó los factores que se utilizarán en el análisis de los re-sultados y comprobación de la efectividad del mode-lo utilizado. En este caso se utilizó el error cuadrático medio, error porcentual absoluto medio y la desviación absoluta media. Las Redes Neuronales Articiales (RNA) son siste-mas de procesamiento de la información cuya estructura y funcionamiento están inspirados en las redes neurona-les biológicas. Consisten en un conjunto de elementos simples de procesamiento llamados nodos o neuronas conectadas entre sí por conexiones que tienen un valor numérico modicable llamado peso. La actividad que una unidad de procesamiento o neurona articial reali-za en un sistema de este tipo es simple. Normalmente, consiste en sumar los valores de las entradas (inputs) que recibe de otras unidades conectadas a ella, compa-rar esta cantidad con el valor umbral y, si lo iguala o su-pera, enviar activación o salida (output) a las unidades a las que esté conectada. Tanto las entradas que la unidad recibe como las salidas que envía dependen del peso o fuerza de las conexiones por las cuales se realizan di-chas operaciones [17].La aplicación de Redes Neuronales Articiales a la predicción de series de tiempo se realizó de acuerdo a las siguientes etapas utilizando el lenguaje de progra-mación Python 3.0.Búsqueda de las variables de entrada: Se determinó como variables de entrada en la red neuronal, los distri-tos de las comunas de Hualpén y Talcahuano. Preparación del conjunto de datos: Para esto se esca-ló el conjunto de datos, lo que consiste en llevarlos a un intervalo [-1, 1]. Luego se utilizó la función “series_to_supervised()” de Python 3.0. Esta función toma una se-rie de tiempo univariante o multivariante y la enmarca como un conjunto de datos de aprendizaje supervisado. Convierte las las del distrito en varias columnas y en-trena la red neuronal con el algoritmo “backpropaga-tion” [18]. La tabla de datos resultante para cada distrito es similar a la que muestra en la Figura 3 que ejempli-ca el distrito uno de la comuna de Hualpen, HP1. Escalante et al., Evaluation of Ergonomic Models and Methods Applicable UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821Fig. 3. Conversión de serie de tiempo a problema de tipo supervisado.
109Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401109109ISSN 2542-3401/ 1316-4821Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesEn la Figura 3 se muestra 12 variables independien-tes que corresponden a los delitos cometidos los 12 meses anteriores al mes a predecir, que es la variable dependiente. La la 12 representa 12 meses de delitos, desde el mes 1 hasta el mes 12 para esnseñar a la red a predecir el mes 13. La la 13 representa 12 meses pero desde el mes 2 hasta el 13 para para enseñara ala red a predecir el mes 14. Así hasta llegara a la la 131 que representa también 12 meses desde el mes 120 al mes 131, para enseñara a la red a predecir el mes 132. Determinación del conjunto de entrenamiento y conjunto de prueba: Se denieron 108 registros para el entrenamiento y 12 registros para probar el desempeño del modelo como se muestra en la Figura 4.Los 108 registros de entrenamiento corresponden a los deltos cometidos entre los años 2009 y 20018. Los 12 registros de prueba corresponden a los delitos come-tidos el año 2019.Estructura de Red Neuronal: El modelo apropiado para serie de tiempo es denido por el comando “Se-cuential()”. Se denió una arquitectura con 12 neuronas de entrada en forma secuencial, una capa oculta con 12 neuronas y función de activación tangente hiperbólica (dado los datos entre -1 y 1) . Esto se realizó con la función “Dense. Entre la capa oculta y la capa de salida se agregó la función “Flatten()”, la cual redujo la matriz de datos de las 12 neuronas en una la con los datos por orden de entrada. Posterior a esto se agrega la capa de salida con una sola neurona y la misma función de acti-vación. Como optimizador de la red se utilizó “Adam”.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821Fig. 4. Subdivisión de la base de datos en entrenamiento y test.Entrenamiento: en esta etapa se denen 22 épocas de entrenamiento. Se considera el algoritmo de entre-namiento supervisado, que ajusta los pesos sinápticos mediante la minimización del error, “backpropagation”.Prueba:. Se presenta a la red el conjunto de datos seleccionados para este n y se obtienen los valores de la predicción del siguiente periodo para cada distrito.Cálculo de los factores de comparación: Se utilizó el error cuadrático medio, error porcentual absoluto medio y la desviación absoluta media. La red neuronal fue entrenada y testeada con la base de datos sin aplicar transformación para volver estacio-narias las series de tiempo dado a que se comprobó la generación de mejores resultados. V.RESULTADOSA continuación, se presentarán los resultados de las métricas de error de pronóstico MAPE, MAD y MSE para ambos métodos. Para ejemplicar los resultados se seleccionó los tres distritos con mayor cantidad de delitos de las comunas de Hualpen y Talcahuano.La Tabla 2, muestra la métrica de error de pronóstico MAPE de los 6 distritos censales seleccionados. Esta métrica nos indica la exactitud de la predicción como un porcentaje del error. En 4 de los 6 distritos, SARIMA presenta un menor error en sus pronósticos.
110Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401110110ISSN 2542-3401/ 1316-4821TABLA 2. Comparación de MAPE del Modelo Estadístico y Red Neuronal.TABLA 3. Comparación de MAD del Modelo Estadístico y Red Neuronal.TABLA 4. Comparación de MSE del Modelo Estadístico y Red Neuronal.TABLA 5. Resultados test estadísticos.Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesUNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821ModeloHP1HP2HP6TH1TH9TH14RedNeuronal21,55%63,05%19,77%35,54%36,09%20,54%SARIMA25,5%45,8%39,83%28,6%35,8%17,5%La Tabla 3, muestra la métrica de error de pronósti-co MAD de los 6 distritos censales seleccionados. Esta métrica indica exactitud en las mismas unidades que los datos, valores pequeños indican un mejor ajuste.ModeloHP1HP2HP6TH1TH9TH14RedNeuronal4,086,753,911,663,839,41SARIMA5,725,156,271,93,78,4La Tabla 4, muestra la métrica de error de pronósti-co MSE de los 6 distritos censales seleccionados. Esta métrica mide la exactitud de los valores ajustados, sir-ve para cuanticar la precisión de una técnica de pre-dicción. La red neuronal obtuvo en general una mejor exactitud de los valores ajustados. De la comparación, 4 de los 6 distritos observados con menor MSE corres-ponden a la red neuronal.ModeloHP1HP2HP6TH1TH9TH14RedNeuronal27,956,0840,084,519,16106,08SARIMA55,5534,8558,895,919,6113,9Con el n de encontrar diferencias estadísticamente signicativas en las métricas resultantes y tener mayor certeza sobre que modelo presenta mejor desempeño, se realizó un aprueba de medias. Para elegir la mejor prue-ba se comprobó la normalidad de los datos mediante la pueba de Shapiro Wilk y la homogeneidad de varian-za mediante la prueba de Barlett. Estos resultados se muestran en la Tabla 5.PruebaValor-p MAPEValor-p MSEValor-p MADShapiro -Wilk Red Neuronal0,0081875,707E-050,003065Shapiro -Wilk SARIMA0,53570,00019680,02684Barlet0,025450,99110,8041Kruskal -Wallis0,5110,96260,7692En Tabla 5, los valores -p para la prueba de Shapi-ro-Wilk muestra que los errores no se comportan nor-mal, excepto MAPE para SARIMA. La prueba de Bart-le muestra que solo para MSE y MAD las varianzas son homogéneas.Dado a que no se presenta normalidad y homoge-
111Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401111111ISSN 2542-3401/ 1316-4821Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante Redes UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821neidad de la varianza en forma conjunta, para probar si existen diferencias signicativas según cada medida de error de la Red Neuronal y SARIMA se aplica la prueba no paramétrica de Kruskal - Wallis [19]. El valor-p ma-yor a 0,05 para cada tipo de error muestra que no existe evidencia signicativa para señalar que los resultados entregados por ambos modelos son diferentes.Si observamos los promedios de las medidas de me-dición del error de pronóstico MAPE, MAD y MSE de los dos modelos empleados en esta investigación, ver tabla 6. Podemos observar que el modelo SARIMA es ligeramente más preciso que la red neuronal, sin embar-go, ambos modelos presentan una varianza considera-ble en sus medidas de error de pronóstico. De acuerdo a los resultados de los test estadísticos, no existe eviden-cia estadísticamente signicativa para señalar que un modelo presenta mejores rendimientos en sus predic-ciones. Ambos modelos pueden ser aplicados por Físca-lia de la Región del BioBio para predecir el numero de delitos contra la propiedad en los sectores geográcos estudiados. Tabla 6. Promedios métricas totales para ambos modelosModeloMAPEMADMSESARIMA41.87% +-14.433.49 +-1.9825.45 +-27.83Red Neuronal43.33% +-18.293.63 +-2.0925.35 +-27.76VI.CONCLUSIONESLos modelos creados en esta investigación entregan resultados variables en términos de las medidas de me-dición del error de pronóstico MAPE, MAD y MSE. Las variaciones y falta de precisión pueden deberse a que la variable temporal es solo unos de los elementos que explica el crimen. Hay otros como la oportunidad en el hecho criminal, variables macroecnómicas y a al-gunos factores de impato social como el estallido social ocurrido en Chile durante el año 2019. Sin embargo, se determinó con los tests estadísticos aplicados, que no es posible asegurar diferencia signi-cativa en que un modelo tiene mejor desempeño que el otro. Es decir, el fenomeno es posible modelarlo con estadística clasica o algoritmos de machine learning.Se recomienda el uso de Redes Neuronales dada la simpleza en su implementación. Esta simpleza radica en que no tienen supuestos que validar como en es caso de los modelos ARIMA. Este modelo puede ser utilizada como una herra-mienta de apoyo a la toma de decisiones de Unidad de Analisis Criminal de la Fiscalía Regional del Biobío predecir delitos y establecer planes de acción para cada distrito censal sobre todo en los meses donde los pro-nósticos in dican un mayor a umento de los delitos. Se recomienda sobre todos la creación de estos pla-nes en los sectores en donde los errores fueron bajos.RECONOCIMIENTOSe agradece el apoyo nanciero otorgado por la Univer¬sidad del Bío-Bío, Chile, mediante el Proyecto de Iniciación en Investigación código 2060204IF/I. Se agradece también el apoyo técnico y los datos facilita-dos por la Unidad de Análisis Criminal de la Fiscalía Regional del Biobío, Chile mediante un acuerdo de co-laboración.REFERENCIAS[1]ENUSC, « Síntesis Delictual ENUSC 2020,» PAÍS, 2020. [2]AMUCH, «Delitos de mayor connotación social en las comunas de Chile,» Santiago, 2018.[3]Físcalia de Chile, «Fiscalia de Chile,» Abril 2018. [En línea]. Available: http://www.scaliadechile.cl/Fis-calia/scalias_lagos/noticias_det.do?id=14462. [Últi-mo acceso: Diciembre 2021].[4]C. Á. Vargas, «Sistemas Judiciales,» Mayo 2020. [En línea]. Available: https://sistemasjudiciales.org/wp-content/uploads/2020/05/Analisis_Criminal_Chile.pdf. [Último acceso: Diciembre 2021].[5]P. Chen, Y. Hongyong y S. Xueming , «Forecasting Crime Using the ARIMA Model,» 2008 Fifth Interna-tional Conference on Fuzzy Systems and Knowledge Discovery (FSKD), pp. 627-630, 2008. [6]E. A. Anderson y J. Díaz, «Using Process Control Chart Techniques to Analyse Crime Rates in Houston, Texas,» The Journal of the Operational Research Socie-ty, vol. 47, nº 7, pp. 871-881, 1996. [7]F. H. T. Espinosa, «Prediction of Recidivism in Thefts and Burglaries Using Machine Learning,» In-dian Journal of Science and Technology, vol. 13, p. 696 – 711, 2020. [8]P. P. Ascencio, «Desarrollo de un modelo predictivo de robo a casas basado en redes neuronales,» Santiago, 2020.[9]R. F. Reier Forradellas y S. L. Náñez Alonso,
112Tolentino S. y Caraballo S. Simulación numérica del ujo de aire.UNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 21, Nº 82 Marzo 2017 (pp. 4-15)ISSN 2542-3401112112ISSN 2542-3401/ 1316-4821«Applied Machine Learning in Social Sciences: Neu-ral Networks and Crime Prediction,» Social Sciences, 2021. [10]F. H. Troncoso Espinoza y N. E. Fernández Rozas, «Limpieza, corrección y geocodicación de grandes ba-ses de datos de direcciones mediante minería de texto,» uct, vol. 25, pp. 80-87, junio 2021. [11]U. Fayyad, G. Piatetsky-Shapiro y P. Smyth, Ad-vances in Knowledge Discovery and Data Mining, American Association for Articial Intelligence, 1996. [12]S. Zhang, «Nearest neighbor selection for iterati-vely kNN imputation,» Journal of Systems and Softwa-re, vol. 85, nº 11, pp. 2541-2552, 2012. [13]J. A. Mauricio, Introducción al Análisis de Series de Tiempo, Madrid: Universidad de Madrid, 2007. [14]V. Yakovyna y O. Bachkai, «The Comparison of Holt - Winters and Box - Jenkins Methods for Software Failures Prediction,» COLINS, 2018. [15]D. Gujarati y D. Porter, Econometría, México D.F.: McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V, 2010. [16]R. krispin, Hands-On Time Series Analysis with R: Perform time series analysis and forecasting using R, Birmingham: Packt, 2019. [17]D. Mercado y L. Pedraza, «Comparación de Redes Neuronales aplicadas a,» PROSPECTIVA, vol. 13, nº 2, pp. 88-95, 2015. [18]J. Brownlee, «Machine Learning Mastery,» 8 Mayo 2017. [En línea]. Available: https://machinelear-ningmastery.com/convert-time-series-supervised-lear-ning-problem-python/. [Último acceso: Diciembre 2021].[19]E. Ramalle-Gómara y J. Andres de Llano, «Utiliza-ción de métodos robustos en la estadísticainferencial,» Atención Primaria, vol. 32, nº 3, pp. 177-181, 2003. [20]C. Chateld, «The Holt-Winters Forecasting Pro-cedur,» Applied Statistics, vol. 27, nº 3, pp. 264-279, 1978. Troncoso et al., Predicción Geográca de Delitos Contra la Propiedad Mediante RedesUNIVERSIDAD, CIENCIA y TECNOLOGÍA Vol. 26, Nº 113 Junio 2022 (pp. 103-112)ISSN-e: 2542-3401, ISSN-p: 1316-4821RESUMEN CURRICULAR FredyTroncosoEspinosa,DoctorenSistemasdeIngeniería,UniversidaddeChile,IngenieroCivilIndustrialUniversidaddelBío-Bío,Chile.AcadémicoeInvestigadorDepartamentodeIngenieríaIndustrial,UniversidaddelBío-Bío.Concepción,ChileDaniloGómezCorrea,MagisterenEstadísticaAplicada,UniversidaddeConcepción,ProfesordeMatemáticaUniversidaddeConcepción,Chile.AcadémicotiempoparcialUniversidaddelBío-Bío.Concepción,Chileyconsultordeempresas.