Maestría en Analítica Estratégica de Datos · 2026
Datos que visibilizan: analítica de datos para la caracterización y predicción de los delitos sexuales contra hombres
La violencia sexual contra hombres en Colombia es un fenómeno históricamente invisibilizado por estereotipos de género y el subregistro institucional. Esta investigación aplicó analítica de datos para caracterizar patrones latentes y predecir la ocurrencia de estos delitos, procesando 239,526 registros del Instituto Nacional de Medicina Legal (2010–2024), Siguiendo la metodología CRISP-DM, se implementaron técnicas de Análisis de Correspondencias Múltiples (MCA), algoritmo K-Means para segmentación no supervisada y Random Forest para modelado predictivo. Los resultados refutan el mito del agresor desconocido: el 91.1% de los victimarios son hombres y más del 60% pertenecen al círculo familiar o social cercano. El análisis de clustering reveló cinco tipologías críticas, predominando el perfil "Residencial Cotidiano" (49%, abuso intrafamiliar) y detectando modalidades graves de "Violencia Institucional" en entornos educativos y carcelarios (Clusters 4 y 5), donde la jerarquía facilita el abuso. En la fase predictiva, el modelo alcanzó un Error Absoluto Medio (MAE) de 0.76, permitiendo estimar con alta precisión la demanda de servicios forenses a nivel municipal. Se concluye que las políticas públicas deben reorientarse desde la seguridad ciudadana tradicional hacia estrategias de detección temprana en entornos de confianza y custodia estatal
Texto completo 141 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Tabla de contenidop. 3
- Índice de figurasp. 8
- Índice Tablasp. 9
- Resumenp. 10
- Introducciónp. 12
- Planteamiento del problemap. 14
- Hipótesis de investigaciónp. 14
- Descripción del problema de investigaciónp. 15
- Marco teóricop. 17
- Marco históricop. 17
- Evolución del Machine Learning en Criminologíap. 17
- Era Contemporánea del Machine Learning Criminalp. 17
- Desarrollo de la Analítica de Datos Forensesp. 18
- Evolución de los Estudios sobre Delitos Sexuales contra Hombresp. 18
- Desarrollo Histórico de la Medicina Legal en Colombiap. 19
- Desarrollo de Capacidades Analíticasp. 20
- Investigaciones o antecedentes teóricosp. 22
- Desarrollos Metodológicos Avanzadosp. 24
- Consideraciones Éticas y Limitacionesp. 25
- Estudios Específicos sobre Análisis de Datos Forensesp. 26
- Investigaciones sobre Delitos Sexuales contra Hombresp. 27
- Análisis de Poblaciones Vulnerables (niños, niñas y adolescentes)p. 27
- Metodologías de Análisis de Datos en Medicina Legalp. 28
- Estudios Previos en el Contexto Colombianop. 29
- Análisis Institucional del INMLCFp. 30
- Marco conceptualp. 31
- Fundamentos del Machine Learning Predictivop. 31
- K-Meansp. 33
- Validación y Eficacia Predictivap. 36
- Teorías y Modelos de Análisis de Datosp. 37
- Conceptos de Género y Masculinidadesp. 39
- Articulación Teórico-Empírica y Selección de Variablesp. 42
- Objetivosp. 45
- Objetivo generalp. 45
- Objetivos específicosp. 45
- Metodologíap. 47
- Tipo de investigaciónp. 47
- Población o muestrap. 47
- Procedimientop. 54
- Fase 1: Adquisición, limpieza y preparación de datosp. 56
- Fuentes de Datosp. 56
- Metodología de Preparación de Datosp. 57
- Adquisición de Datosp. 57
- Selección de Variables de Interésp. 58
- Filtrado por Contexto de Violenciap. 59
- Consolidación de Datasetsp. 59
- Filtrado por Sexo de la Víctimap. 59
- Tratamiento de Valores Faltantesp. 59
- Estandarización de Variables Categóricasp. 59
- 8.1.10 Creación de Variables Derivadasp. 60
- 8.1.11 Selección Final de Variablesp. 60
- 8.1.12 Exportación del Dataset Limpiop. 60
- 8.1.13 Resultados del Proceso de Preparaciónp. 60
- 8.1.14 Consideraciones Éticas y de Calidadp. 61
- 8.1.15 Conclusiones de la Fasep. 62
- Fase 2: Análisis exploratorio y descriptivo de los datosp. 62
- Análisis temporalp. 64
- Análisis demográfico de las víctimasp. 68
- Análisis Geográficop. 71
- Analisi del contexto del hechop. 87
- Análisis del agresorp. 89
- Análisis Bivariadop. 90
- Patrón Claro por Día de la Semanap. 95
- Conclusiones generales de análisis exploratoriop. 98
- Fundamento Teóricop. 102
- Perfiles Resultantesp. 108
- Validación del Modelop. 110
- Perfil detallado de clustersp. 116
- Cluster 1: Residencial cotidianop. 116
- Cluster 2: desplazamiento/movilidadp. 116
- Cluster 3: heterogéneo/otras actividadesp. 117
- Cluster 4: educativo/institucionalp. 118
- 8.3.10 Cluster 5: reclusión/privación de libertadp. 119
- 8.3.11 Síntesis Comparativa de Perfiles de Victimizaciónp. 120
- 8.3.12 Hallazgos clave:p. 64
- Metodología y Desarrollo del Modelo Predictivop. 121
- Justificación y Selección del Modelo: Random Forest Regressorp. 122
- Métricas de Evaluación del Rendimientop. 124
- Resultados de la Validación y Veredicto Metodológicop. 125
- Conclusiones y prueba del modelo predictivop. 126
- Justificación Metodológica (Modelos y Alternativasp. 128
- Resultadosp. 26
- Hallazgosp. 130
- Perfil demográfico de las víctimasp. 130
- Distribución geográfica y patrones espacialesp. 130
- Patrones temporalesp. 131
- Características contextuales del delitop. 132
- Conclusionesp. 135
- 10.1.1 Recomendaciones para la Toma de Decisiones y Políticas Públicasp. 136
- Bibliografíap. 138
- Figura 1 Fases de investigaciónp. 55
- Figura 2 Análisis Temporal - Evolución Temporal (2015-2024)p. 64
- Figura 3 Análisis Temporal - Distribución por Día de la Semanap. 66
- Figura 4 Análisis Temporal - Distribución por Rango Horariop. 67
- Figura 5 Análisis demográfico de las víctimasp. 68
- Figura 6 Perfil Sociodemográficop. 69
- Figura 7 Características Especialesp. 70
- Figura 8 Distribución Departamentalp. 71
- Figura 9 Tasa de Incidencia Promedio (por 100,000 Hombresp. 72
- Figura 10 Tasa de delitos por cada 100.000 hombres 2015p. 73
- Figura 11 Tasa de delitos por cada 100.000 hombres 2016p. 74
- Figura 12 Tasa de delitos por cada 100.000 hombres 2017p. 75
- Figura 13 Tasa de delitos por cada 100.000 hombres 2018p. 76
- Figura 14 Tasa de delitos por cada 100.000 hombres 2019p. 77
- Figura 15 Tasa de delitos por cada 100.000 hombres 2020p. 78
- Figura 16Tasa de delitos por cada 100.000 hombres 2021p. 79
- Figura 17 Tasa de delitos por cada 100.000 hombres 2022p. 80
- Figura 18Tasa de delitos por cada 100.000 hombres 2023p. 81
- Figura 19 Tasa de delitos por cada 100.000 hombres 2024p. 82
- Figura 20 Distribución Urbano-Ruralp. 86
- Figura 21 Escenarios y Actividadesp. 87
- Figura 22 Circunstancias del Hechop. 88
- Figura 23 Características del Agresorp. 89
- Figura 24 Edad de la Víctima vs Relación con el Agresorp. 90
- Figura 25 Evolución Temporal por Grupo de Edadp. 91
- Figura 26 Departamento vs Tipo de Agresorp. 93
- Figura 27 Análisis Estacional (Mes vs Día de la Semana)p. 94
- Figura 28 Perfil de Víctimas por Escenariop. 96
- Figura 29 Análisis Multidimensional de la Solución de Clustering Óptima (K=5)p. 113
- Tabla 1 Detalle de Variablesp. 48
- Tabla 2 Tabla Resumen datosp. 61
- Tabla 3 Tabla Resumen Hallazgos geoespacialesp. 83
- Tabla 4 Patrones delitos por semanap. 95
- Tabla 5 Metricas Kmeansp. 107
- Tabla 6 Clusters con metricasp. 108
- Tabla 7 V de Cramér Variablesp. 110
- Tabla 8 Matriz Comparativa de Perfiles de Victimización (K-Means)p. 120
- Tabla 9 Predicción de delitos 2025p. 127