15 de setembro de 2026
Análise Preditiva e Modelagem de Dados da Violência Doméstica Contra Mulher em Curitiba: uma Perspectiva por Unidades Territoriais
Katleen Grani de Souza; Charles Gomes da Silva
DOI: 10.22167/2675-6528-202602250
Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.
Resumo
A violência doméstica contra a mulher representa um desafio crítico para as políticas de segurança pública, demandando metodologias que transcendam a análise estatística descritiva tradicional. O estudo teve como objetivo analisar o perfil geográfico e a estatística de ocorrências de violência doméstica contra a mulher no município de Curitiba, utilizando técnicas de “Data Science” e modelagem de séries temporais para identificar padrões de previsibilidade nos principais “hotspots” da cidade. A metodologia consistiu no tratamento de dados provenientes do sistema SIGESGUARDA (2020-2026), com foco na correção de anomalias operacionais e na aplicação do modelo ARIMA (Autoregressive Integrated Moving Average). Os resultados revelaram dinâmicas territoriais distintas: enquanto a média municipal apresentou um comportamento autorregressivo de ordem 1 (estabilidade com memória estatística), bairros como a Cidade Industrial de Curitiba (CIC) e o Centro exibiram padrões de persistência e sensibilidade a choques, respectivamente. Em contrapartida, localidades como Sítio Cercado e Tatuquara manifestaram comportamentos estocásticos (ruído branco), indicando menor dependência temporal. Concluiu-se que a aplicação de modelos preditivos permite a transição de um policiamento reativo para uma gestão baseada em evidências, possibilitando a criação de uma matriz de intervenção diferenciada para cada perfil de bairro, otimizando o emprego da Patrulha Maria da Penha e dos recursos municipais.
Palavras-chave: Data Science; Guarda Municipal; Modelo ARIMA; Segurança Pública; Séries Temporais.
1. Introdução
A violência é um fenômeno social de alcance global, presente em diversas camadas e contextos da sociedade. Sua manifestação constitui uma grave violação dos direitos humanos, impactando diretamente a vida, a saúde e a integridade física e psicológica dos indivíduos (Hayeck, 2015; Boris et al., 2011). Além de suas consequências individuais, a violência é reconhecida como um sério problema de saúde pública, conforme destacado pela Organização Mundial da Saúde (OMS, 2010).
Dentre as múltiplas formas de violência, aquela direcionada às mulheres, frequentemente denominada violência de gênero, emerge como uma preocupação central. Tais atos são fundamentados na diferença de gênero, resultando em danos psicológicos, físicos, morais, patrimoniais e sexuais (Franzoi et al., 2011). Nesse cenário, a mulher é vítima de agressões simplesmente por sua condição de mulher (Saliba et al., 2007; Secretaria Especial de Políticas para as Mulheres, 2008).
No contexto brasileiro, a violência doméstica contra a mulher representa uma das mais graves violações de direitos humanos. Seu enfrentamento e prevenção são regulados por marcos legais importantes, como a Lei Maria da Penha (Lei nº 11.340/2006), que busca coibir e punir a violência doméstica e familiar. O estado do Paraná, e especificamente sua capital, Curitiba, são frequentemente citados como regiões com um elevado número de ocorrências de violência contra a mulher. A dimensão do problema em Curitiba é evidenciada pelo fluxo de atendimentos da Patrulha Maria da Penha e pelos registros do Sistema de Gestão da Guarda Municipal (SIGESGUARDA).
Apesar de uma observada diminuição de 15,29% nos casos de violência doméstica contra a mulher nos primeiros meses de 2025, em comparação com o período anterior (Curitiba, 2025), a necessidade de proteção contínua e de estratégias eficazes permanece. Estudos prévios, como o de Bichibichi (2018), que analisou o período entre 2014 e 2018 em Curitiba, já apontavam a predominância da violência psicológica e física, com alta incidência de ameaças. Além disso, identificou-se uma concentração de ocorrências após as 18h e nos fins de semana, sendo os agressores, em sua maioria, parceiros ou ex-parceiros.
Contudo, para que as intervenções públicas sejam verdadeiramente eficazes, é imperativo que elas se baseiem em dados precisos, atualizados e que reflitam a dinâmica local do fenômeno. O Sistema SIGESGUARDA, mantido pela Prefeitura Municipal de Curitiba, oferece informações valiosas sobre o atendimento a mulheres vítimas de violência. No entanto, a análise estatística descritiva tradicional, embora fundamental, muitas vezes não é suficiente para identificar padrões preditivos e correlações complexas, o que limita a capacidade de antecipação e planejamento estratégico.
Existe uma lacuna na aplicação de métodos preditivos que considerem a temporalidade das ocorrências de violência doméstica (Hayeck, 2015). A eficiência no combate à criminalidade depende da transformação de dados estatísticos em inteligência estratégica (Bichibichi, 2018). Nesse sentido, o presente estudo busca ir além das análises meramente descritivas, utilizando ferramentas avançadas de Data Science para identificar padrões ocultos e correlações entre as ocorrências registradas no SIGESGUARDA e variáveis geográficas do município.
A relevância deste trabalho reside na possibilidade de otimizar os recursos da Guarda Municipal e da rede de proteção, permitindo uma transição de um policiamento reativo para uma gestão baseada em evidências. A aplicação de algoritmos de Machine Learning e modelos ARIMA justifica-se pela capacidade de identificar comportamentos estocásticos e tendências que análises históricas simples não capturam (Hyndman e Athanasopoulos, 2018). Dito isso, o presente trabalho teve como objetivo analisar o perfil geográfico e a estatística de ocorrências de violência doméstica contra a mulher no município de Curitiba, utilizando técnicas de Data Science e modelagem de séries temporais para identificar padrões de previsibilidade nos principais “hotspots” da cidade.
2. Material e Métodos
A pesquisa adota uma abordagem quantitativa exploratória. O processo de “Data Wrangling” utilizou a biblioteca Pandas para tratamento de dados, conforme McKinney (2018). Para a modelagem, empregou-se o método ARIMA (Autoregressive Integrated Moving Average), fundamentado nos conceitos de Box et al. (2015). A série foi submetida a testes de estacionariedade, e a seleção do modelo ótimo baseou-se no Critério de Informação de Akaike [AIC], que, segundo Hyndman e Athanasopoulos (2021), equilibra o ajuste do modelo com a parcimônia para evitar o “overfitting”.
A base de dados foi composta por informações públicas da Prefeitura Municipal de Curitiba, extraídas do Sistema de Gestão da Guarda Municipal SIGESGUARDA. Os dados referem-se a registros de ocorrências atendidas pela Guarda Municipal no período de março de 2020 a março de 2026, coincidindo com a implementação da subcategoria “Violência doméstica contra mulher” no sistema.
O processo de coleta envolveu a aplicação de filtros sequenciais na base bruta de ocorrências municipais para reduzir o volume de registros ao escopo de interesse. Os filtros aplicados foram:
- Filtro de Natureza: Seleção exclusiva da subcategoria de violência doméstica contra a mulher.
- Filtro Geográfico: Limitação às ocorrências confirmadas dentro do perímetro urbano de Curitiba, segregadas por bairros.
- Filtro Temporal: Recorte dos dados a partir da padronização sistêmica de 2020.
Essa filtragem resultou em uma série histórica qualificada de 3.250 ocorrências. Cada registro na base continha informações como natureza da ocorrência, data/horário do evento e bairro de incidência, permitindo o agrupamento mensal para análise de séries temporais.
A preparação final da base utilizou técnicas de “Data Wrangling” em ambiente “Python”, com a biblioteca Pandas (MCKINNEY, 2018). As etapas incluíram a importação de 73 arquivos periódicos, padronização de caracteres, formatos de data e nomes de bairros, limpeza de registros repetidos e correção de anomalias detectadas em 2023 e 2024. Um código reutilizável foi desenvolvido para automatizar o agrupamento quantitativo por temporalidade segmentado por bairro. A base de dados final apresenta, com periodicidade mensal, o volume de ocorrências como variável alvo para a modelagem estatística de tendência via método ARIMA.
As variáveis consolidadas e utilizadas para a análise são apresentadas na Tabela 1.
Tabela 1. Lista de variáveis disponíveis para análise preditiva e territorial.
| Variável | Descrição |
|---|---|
| Data da Ocorrência | Data e hora exata do registro do chamado no sistema. |
| Bairro | Unidade territorial de Curitiba onde a ocorrência foi atendida. |
| Natureza da Ocorrência | Subcategoria específica (Violência Doméstica contra a Mulher). |
| Dia da Semana | Derivação temporal para análise de picos de incidência (Segunda a Domingo). |
| Turno do Dia | Classificação horária (Manhã, Tarde, Noite e Madrugada). |
| Volume Mensal | Contagem agregada de registros para fins de modelagem ARIMA. |
Com os dados tratados, realizou-se a Análise Exploratória de Dados [AED] para compreender a estrutura da base, identificar “hotspots” territoriais e detectar anomalias temporais. O processo foi conduzido em “Python”, utilizando o ambiente de desenvolvimento “Spyder” (integrado ao pacote Anaconda). Para a execução das análises e construção das visualizações, foram utilizadas as seguintes bibliotecas:
- pandas: para manipulação, agrupamento e indexação temporal dos dados.
- matplotlib.pyplot e seaborn: para construção e customização estética de gráficos.
- numpy: para suporte a operações matemáticas e tratamento de matrizes.
- statsmodels: para aplicação de testes estatísticos de estacionariedade e decomposição do modelo ARIMA.
A análise de séries temporais compreende o estudo de observações quantitativas ordenadas cronologicamente, em intervalos sucessivos e regulares (SOUZA; CAMARGO, 2004). As séries temporais apresentam dependência serial, onde o volume de registros de violência doméstica em um mês (X₁) é influenciado por períodos anteriores (X{t-1}, X{t-2}, …). Essa estrutura é representada matematicamente pela eq. (1):
Xt={X1,X2,…,Xn}, com 1≤t≤n (1)
em que: X é um determinado mês, t representa o índice temporal e n o horizonte total de observações.
O objetivo central é decodificar padrões históricos para inferir valores futuros (RELVAS, 1998). De acordo com Morettin e Toloi (2006), uma série temporal pode ser decomposta em quatro componentes fundamentais, detalhados na Tabela 2.
Tabela 2. Descrição das componentes de séries temporais aplicadas ao contexto criminal
| Componente | Descrição |
|---|---|
| Tendência (T₁) | Reflete a direção de longo prazo da violência (crescimento, queda ou estabilidade). |
| Sazonalidade (St) | Flutuações que se repetem em períodos fixos (ex: feriados ou épocas do ano). |
| Ciclo (Ct) | Oscilações de longa duração ligadas a fatores externos (ex: mudanças em políticas públicas). |
| Erro/Resíduo (Et) | Variações aleatórias e imprevisíveis que não seguem um padrão sistemático. |
A combinação desses componentes pode ser aditiva, conforme a eq. (2), ou multiplicativa, conforme a eq. (3). O modelo aditivo é adequado quando a amplitude das variações sazonais é constante, enquanto o multiplicativo é preferido quando as flutuações aumentam proporcionalmente à média dos dados (RELVAS, 1998).
X=T+S+C++Et (2)
X=T*S*C*Et (3)
em que: T representa Tendência, S Sazonalidade, C Ciclo e E Erro/Resíduo.
Foram avaliadas metodologias preditivas como Suavização Exponencial e Box-Jenkins (ARIMA/SARIMA). Optou-se pelo modelo ARIMA, sem a extensão sazonal (SARIMA), devido ao princípio da parcimônia e à ausência de padrões sazonais determinísticos com periodicidade fixa nos “hotspots” analisados, priorizando a identificação da memória autorregressiva do fenômeno (SOUZA; CAMARGO, 2004).
A Suavização Exponencial Simples (SES) é um método de previsão de curto prazo que atribui pesos decrescentes às observações passadas (SOUZA; CAMARGO, 2004). Matematicamente, o modelo é definido pela eq. (4):
X t+1 = αΧ t + (1 − α)Χ t’ (4)
em que: α é a constante de suavização 0 < α < 1, Xo valor observado no período atual e X₁, é a previsão feita anteriormente. Este modelo não foi selecionado devido à sua inércia em relação à tendência e à superioridade do modelo ARIMA em integrar o efeito das defasagens anteriores e a diferenciação para estabilizar a variância da série.
O modelo ARIMA(p, d, q) foi selecionado por sua capacidade de lidar com séries temporais que não apresentam sazonalidade determinística, mas possuem dependência de curto prazo. A equação geral do modelo é expressa pela eq. (5):
yt’=c+$1yt-1’+…+ppyt-p’+81et−1+…+8qet-q+et (5)
em que: yť’ é a série diferenciada para garantir a estacionariedade; c é uma constante; φ representa os coeficientes da parte autorregressiva; θ representa os coeficientes da média móvel; e et representa o erro aleatório ou ruído branco. O modelo decompõe a série em três componentes fundamentais: Autorregressivo (p), Integrado (d) e Média Móvel (q). A seleção dos parâmetros (p, d, q) foi automatizada através do algoritmo Stepwise Search da biblioteca pmdarima, utilizando o Critério de Informação de Akaike [AIC] para buscar o melhor ajuste com a menor complexidade.
3. Resultados e Discussão
Antes da aplicação dos modelos preditivos, realizou-se uma análise exploratória de dados (AED) para identificar o comportamento da violência doméstica em Curitiba sob a ótica da periodicidade semanal e diária. Esta etapa é fundamental, pois a criminalidade urbana não se distribui uniformemente no tempo, apresentando ciclos de concentração que refletem a rotina social da cidade (Silva e Santos, 2020).
Distribuição por Dias da Semana
A análise da incidência por dias da semana revelou que a violência doméstica em Curitiba apresenta um aumento significativo durante os períodos de folga laboral, com picos acentuados aos sábados e domingos. Este padrão corrobora a literatura de segurança pública, indicando que o maior tempo de convivência entre agressor e vítima, frequentemente aliado ao consumo de substâncias, atua como catalisador para conflitos. Para a gestão da Guarda Municipal, este dado é crucial para o escalonamento da Patrulha Maria da Penha, sugerindo que o reforço do efetivo seja priorizado nestes dias.
Figura 1. Incidência de Violência Doméstica por Dia da Semana

Fonte: Resultados originais da pesquisa
Concentração por Turnos do Dia
Quanto à distribuição horária, os dados indicaram uma concentração predominante nos turnos da noite e madrugada. Enquanto o período diurno apresenta uma frequência de ocorrências distribuída, o início da noite marca uma elevação. Este comportamento sugere que a invisibilidade noturna e o retorno ao ambiente doméstico após a jornada de trabalho influenciam o volume de registros. Essa sazonalidade reforça a necessidade de estratégias de resposta rápida e iluminação pública eficiente nos “hotspots” identificados, pois o fator tempo é crítico no atendimento às vítimas.
Figura 2. Incidência de Violência Doméstica por Dia da Semana

Fonte: Resultados originais da pesquisa
Evolução Temporal das Ocorrências (2020-2026)
A análise da série histórica consolidada, ilustrada na Figura 3, mostra o comportamento mensal das ocorrências de violência doméstica em Curitiba ao longo de 73 meses, desde março de 2020. Após um período inicial de instabilidade, a violência doméstica tendeu a um patamar de equilíbrio. O modelo ARIMA(1,0,0) revelou uma “memória de curto prazo” na série municipal, indicando que o volume de casos do mês anterior influencia o atual. A projeção de 12 meses aponta para uma manutenção da média em torno de 41 casos/mês, sugerindo que as políticas atuais contêm o avanço, mas não geram uma queda sustentada.
Visualmente, a série não exibe sazonalidade determinística rígida, mas flutua em torno de um patamar médio, com picos isolados que podem ser influenciados por eventos externos ou variações na densidade de notificações. A partir de 2024, observou-se maior estabilidade na coleta de dados. Estatisticamente, a série demonstra características de estacionariedade após o período inicial, um pré-requisito para modelos autorregressivos. A ausência de tendência de crescimento ou queda abrupta sugere que a violência doméstica é um problema estrutural e persistente. Essa “estabilidade flutuante” justifica a aplicação do modelo ARIMA para identificar a dependência serial e utilizar os dados como ferramenta de antecipação operacional.
Figura 3. Evolução mensal das ocorrências de violência doméstica em Curitiba (mar/2020 – mar/2026)

Fonte: Resultados originais da pesquisa
Modelagem Preditiva e Projeções para o Município de Curitiba
Com base nos padrões históricos e na metodologia Box-Jenkins, gerou-se a projeção oficial para o município. O modelo ARIMA (p, d, q) foi ajustado para capturar a memória estatística da série histórica iniciada em 2020. A Figura 4 ilustra a curva de ocorrências de violência doméstica em Curitiba, integrando dados históricos e projeções preditivas para um horizonte de 12 meses.
Figura 4. Modelo Preditivo: Ocorrências de Violência Doméstica em Curitiba e Projeção para o horizonte de 12 meses

Fonte: Resultados originais da pesquisa
Análise das Projeções e Intervalos de Confiança
A Figura 4 projeta uma tendência de estabilidade, leve crescimento ou queda para o próximo ano. O Intervalo de Confiança (área sombreada), com 95% de probabilidade, é crucial para a gestão da segurança pública. A manutenção da projeção dentro de limites controlados sugere que o fenômeno, embora persistente, possui um comportamento estrutural que permite o planejamento de médio prazo. A linha de previsão central serve como “alvo” para as políticas públicas: ocorrências acima da projeção podem indicar um surto ou melhora nos canais de denúncia; abaixo, sucesso de políticas preventivas e medidas protetivas.
A capacidade do modelo ARIMA de se ajustar aos dados recentes demonstra que o sistema de segurança de Curitiba possui uma inércia temporal, onde o volume de crimes de hoje é um preditor do volume futuro. Isso valida a importância do monitoramento contínuo, em vez de ações pontuais.
Diagnóstico de Resíduos e Validação do Modelo
Para garantir a validade estatística das projeções, realizou-se o diagnóstico de resíduos do modelo ARIMA, conforme a Figura 5. O objetivo foi verificar se o modelo capturou a estrutura sistemática dos dados, deixando apenas “ruído branco” como resíduo. A interpretação dos quatro quadrantes da Figura 5 valida a eficácia da modelagem:
Os resíduos padronizados flutuaram em torno de zero, sem padrões visíveis, indicando a ausência de tendências remanescentes não capturadas. A curva de densidade dos resíduos aproximou-se da curva de distribuição normal, um indicador de robustez estatística. Os pontos do gráfico Normal Q-Q alinharam-se sobre a reta diagonal, reforçando que os erros do modelo seguem uma distribuição normal. Por fim, o Correlograma (ACF) mostrou que nenhuma das defasagens ultrapassou a área de significância, confirmando a ausência de autocorrelação nos resíduos.
Em suma, o diagnóstico confirmou que o modelo ARIMA está devidamente ajustado, garantindo que as previsões para o horizonte de 2026 se baseiam na memória estatística real da violência doméstica em Curitiba, conferindo segurança técnica para a tomada de decisão da Guarda Municipal.
Figura 5: Diagnóstico do Modelo ARIMA – Ocorrências em Curitiba

Fonte: Resultados originais da pesquisa
Identificação e Hierarquização de “Hotspots”
Embora o município apresente estabilidade geral, a análise desagregada por bairros revelou disparidades críticas, conforme a Tabela 3.
Tabela 3. Comparativa dos “TOP 5” Bairros
| ATENDIMENTO_BAIRRO_NOME | OCORRÊNCIAS |
|---|---|
| CIDADE INDUSTRIAL | 299 |
| SITIO CERCADO | 270 |
| TATUQUARA | 221 |
| CAJURU | 176 |
| CENTRO | 158 |
Fonte: Resultados originais da pesquisa
A Cidade Industrial (CIC) apresentou a maior criticidade, com 299 casos, e um modelo autorregressivo persistente, sugerindo a necessidade de policiamento preventivo constante. Sítio Cercado e Tatuquara foram identificados como Ruído Branco (ARIMA 0,0,0), caracterizando o crime como estocástico e exigindo prontidão para resposta rápida. Cajuru demonstrou resiliência estatística, com o modelo prevendo o retorno à média histórica de 2,41 casos, apesar de picos recentes. O Centro exibiu o modelo mais complexo (ARIMA 1,0,1), sendo sensível a “choques” e mudanças rápidas no fluxo urbano.
Análise Comparativa da Dinâmica de Previsibilidade por “Hotspot”
A decomposição da série temporal municipal por unidades territoriais revelou que a dinâmica da violência doméstica em Curitiba não é uniforme, apresentando variações significativas em volume e previsibilidade estatística. A Tabela 4 sintetiza as projeções para os cinco principais “hotspots” identificados entre 2020 e 2026.
Tabela 4. Comparativo de Previsão por Bairros
| Bairro (Hotspot) | Total Histórico | Último Mês Registrado | Média Prevista (Próx. 12 meses) | Modelo Estatístico |
|---|---|---|---|---|
| CIDADE INDUSTRIAL | 299 | 5 | 4.11 | ARIMA(1, 0, 0) |
| SITIO CERCADO | 270 | 2 | 3.70 | ARIMA(0, 0, 0) |
| TATUQUARA | 221 | 4 | 3.03 | ARIMA(0, 0, 0) |
| CAJURU | 176 | 8 | 2.41 | ARIMA(0, 0, 0) |
| CENTRO | 158 | 2 | 2.16 | ARIMA(1, 0, 1) |
Fonte: Resultados originais da pesquisa
A Cidade Industrial de Curitiba (CIC) manteve-se como a região de maior criticidade acumulada, com 299 registros. O modelo ARIMA(1,0,0) indica um componente autorregressivo, sugerindo que as ocorrências no CIC possuem uma “memória” de curto prazo, com o volume de casos de um mês influenciando o subsequente. Com uma média prevista de 4,13 ocorrências mensais, o bairro demanda patrulhamento preventivo contínuo, dada a persistência do fenômeno.
Em contraste, os bairros Sítio Cercado, Tatuquara e Cajuru apresentaram o modelo ARIMA(0,0,0), caracterizando o fenômeno como “ruído branco” em torno de uma média fixa. Nesses locais, as ocorrências são eventos estocásticos, sem dependência temporal clara, o que implica que a eficácia do policiamento depende mais da resposta rápida a eventos súbitos.
O Centro, por sua vez, apresentou a modelagem mais complexa (ARIMA(1,0,1)), indicando influência tanto pela persistência histórica quanto por choques aleatórios de curto prazo. Essa complexidade pode ser atribuída à natureza multifacetada da região central, com fluxos populacionais flutuantes, exigindo políticas públicas que integrem monitoramento territorial e assistência social.
É importante ressaltar que o volume histórico nem sempre dita a tendência futura. Enquanto o CIC mantém uma previsão estável, o Cajuru, que teve um pico recente de 8 ocorrências, projeta um retorno à média de 2,41. Isso demonstra a importância de utilizar Data Science para evitar reações imediatistas a picos isolados.
Em síntese, os resultados da análise exploratória indicaram que a violência doméstica em Curitiba se concentra predominantemente nos fins de semana, bem como nos turnos da noite e madrugada. A modelagem preditiva com ARIMA(1,0,0) para o município revelou uma “memória de curto prazo” e uma tendência de estabilidade nas ocorrências, com projeção de 41 casos/mês para os próximos 12 meses. O diagnóstico de resíduos validou a robustez do modelo. A análise desagregada por “hotspots” demonstrou dinâmicas variadas: enquanto bairros como a Cidade Industrial exibem padrões autorregressivos persistentes, outros como Sítio Cercado, Tatuquara e Cajuru mostram comportamentos estocásticos, exigindo respostas rápidas. O Centro apresentou um modelo mais complexo, influenciado por persistência histórica e choques aleatórios. Essa diferenciação sublinha a importância de estratégias de segurança pública adaptadas a cada perfil territorial, utilizando Data Science para um planejamento proativo e baseado em evidências.
4. Conclusão
O presente estudo buscou analisar o perfil geográfico e a estatística de ocorrências de violência doméstica contra a mulher no município de Curitiba, empregando técnicas de Data Science e modelagem de séries temporais para identificar padrões de previsibilidade nos principais “hotspots” da cidade. Verificou-se que a violência doméstica em Curitiba concentra-se predominantemente nos fins de semana, bem como nos turnos da noite e madrugada, indicando uma sazonalidade influenciada pelo tempo de convivência e pela invisibilidade noturna. A modelagem preditiva, utilizando o modelo ARIMA(1,0,0) para a série histórica municipal, revelou uma “memória de curto prazo”, sugerindo que o volume de casos do mês anterior influencia o atual, e projetou uma estabilidade em torno de 41 ocorrências mensais para os próximos 12 meses. Essa estabilidade, validada por um diagnóstico robusto dos resíduos do modelo, indica que as políticas atuais contêm o avanço, mas não promovem uma queda sustentada.
A análise desagregada por bairros demonstrou dinâmicas territoriais distintas, evidenciando que a violência doméstica não se distribui de forma uniforme. Bairros como a Cidade Industrial de Curitiba (CIC) exibiram padrões autorregressivos persistentes, demandando policiamento preventivo contínuo. Em contraste, localidades como Sítio Cercado, Tatuquara e Cajuru apresentaram comportamentos estocásticos, caracterizados como “ruído branco”, o que exige prontidão para respostas rápidas a eventos súbitos. O Centro, por sua vez, manifestou um modelo mais complexo, influenciado tanto pela persistência histórica quanto por choques aleatórios de curto prazo, requerendo políticas públicas que integrem monitoramento territorial e assistência social. A principal contribuição deste trabalho reside na transição de um policiamento reativo para uma gestão baseada em evidências, possibilitando a criação de uma matriz de intervenção diferenciada para cada perfil de bairro, otimizando o emprego da Patrulha Maria da Penha e dos recursos municipais. Contudo, o estudo limitou-se às variáveis registradas no sistema de segurança. Sugere-se para pesquisas futuras a integração de variáveis socioeconômicas externas, como Índice de Desenvolvimento Humano (IDH) por bairro, taxas de desemprego e densidade populacional, por meio de algoritmos de Machine Learning mais complexos, a fim de investigar as causas subjacentes aos padrões identificados.
Referências Bibliográficas
BICHIBICHI, E. D. 2018. Segurança pública e análise criminal: a importância das estatísticas no combate à violência. Monografia (Especialização em Gestão Pública). Universidade Federal do Paraná, Curitiba, PR, Brasil.
BORIS, G. D. J. B.; MOREIRA, V.; VENÂNCIO, N. 2011. O estigma da violência sofrida por mulheres na relação com seus parceiros íntimos. Psicologia & Sociedade 23(2): 398-406.
BOX, G. E. P.; JENKINS, G. M.; REINSEL, G. C.; LUNG, G. M. 2015. Time series analysis: forecasting and control. 5. ed. John Wiley & Sons, Hoboken, NJ, USA.
CURITIBA. 2026. Prefeitura Municipal. Dados Abertos: Siguesguarda – Sistema de Gestão da Guarda Municipal. Disponível em: https://www.curitiba.pr.gov.br/dadosabertos/. Acesso em: 15 abr. 2026.
FRANZOI, N. M.; FONSECA, R. M. G. S.; GUEDES, R. N. 2011. Violência de gênero: Concepções de profissionais das equipes de saúde da família. Revista de Saúde Pública 45(1): 1-10.
HAYECK, M. G. 2015. Análise espacial da violência doméstica contra a mulher em Curitiba. Dissertação (Mestrado em Gestão Urbana). Pontifícia Universidade Católica do Paraná, Curitiba, PR, Brasil.
HYNDMAN, R. J.; ATHANASOPOULOS, G. 2021. Forecasting: principles and practice. 3. ed. OTexts, Melbourne, VIC, Austrália. Disponível em: https://otexts.com/fpp3/. Acesso em: 10 abr. 2026.
MCKINNEY, W. 2018. Python para análise de dados: tratamento de dados com pandas, numpy e ipython. Tradução de Lúcia A. Kinoshita. Novatec, São Paulo, SP, Brasil.
MORETTIN, P. A.; TOLOI, D. A. C. 2006. Análise de séries temporais. 2. ed. Edgard Blücher, São Paulo, SP, Brasil.
ORGANIZAÇÃO MUNDIAL DA SAÚDE [OMS]. 2002. Relatório mundial sobre violência e saúde. OMS, Genebra, Suíça.
SALIBA, O.; GARBIN, C. A. S.; GARBIN, A. J. I.; DOSSI, A. P. 2007. Responsabilidade do profissional de saúde sobre a notificação de casos de violência doméstica. Revista de Saúde Pública 41(3): 472-477.
Secretaria Especial de Políticas para as Mulheres, 2008 [Referência completa não encontrada no documento original]
SILVA, L. M.; SANTOS, R. J. 2020. Ciência de dados aplicada à segurança pública: uma revisão sistemática. Revista Brasileira de Segurança Pública 14(1): 120-138.
Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq
Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

