15 de septiembre de 2026
Análisis Predictivo y Modelado de Datos de la Violencia Doméstica Contra la Mujer en Curitiba: una Perspectiva por Unidades Territoriales
Katleen Grani de Souza; Charles Gomes da Silva
DOI: 10.22167/2675-6528-202602250
Artículo derivado de Trabajo de Fin de Curso (TCC), con contenido basado en el trabajo original del estudiante y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege para la síntesis y organización textual.
Resumen
La violencia doméstica contra la mujer representa un desafío crítico para las políticas de seguridad pública, demandando metodologías que trasciendan el análisis estadístico descriptivo tradicional. El estudio tuvo como objetivo analizar el perfil geográfico y la estadística de ocurrencias de violencia doméstica contra la mujer en el municipio de Curitiba, utilizando técnicas de “Data Science” y modelado de series temporales para identificar patrones de previsibilidad en los principales “hotspots” de la ciudad. La metodología consistió en el tratamiento de datos provenientes del sistema SIGES GUARDA (2020-2026), con enfoque en la corrección de anomalías operacionales y la aplicación del modelo ARIMA (Autoregressive Integrated Moving Average). Los resultados revelaron dinámicas territoriales distintas: mientras la media municipal presentó un comportamiento autorregresivo de orden 1 (estabilidad con memoria estadística), barrios como la Cidade Industrial de Curitiba (CIC) y el Centro exhibieron patrones de persistencia y sensibilidad a choques, respectivamente. En contrapartida, localidades como Sítio Cercado y Tatuquara manifestaron comportamientos estocásticos (ruido blanco), indicando menor dependencia temporal. Se concluyó que la aplicación de modelos predictivos permite la transición de un policiamiento reactivo a una gestión basada en evidencias, posibilitando la creación de una matriz de intervención diferenciada para cada perfil de barrio, optimizando el empleo de la Patrulla Maria da Penha y de los recursos municipales.
Palabras clave: Data Science; Guarda Municipal; Modelo ARIMA; Seguridad Pública; Series Temporales.
1. Introducción
La violencia es un fenómeno social de alcance global, presente en diversas capas y contextos de la sociedad. Su manifestación constituye una grave violación de los derechos humanos, impactando directamente la vida, la salud y la integridad física y psicológica de los individuos (Hayeck, 2015; Boris et al., 2011). Además de sus consecuencias individuales, la violencia es reconocida como un serio problema de salud pública, según lo destacado por la Organización Mundial de la Salud (OMS, 2010).
Entre las múltiples formas de violencia, aquella dirigida a las mujeres, frecuentemente denominada violencia de género, emerge como una preocupación central. Tales actos se fundamentan en la diferencia de género, resultando en daños psicológicos, físicos, morales, patrimoniales y sexuales (Franzoi et al., 2011). En este escenario, la mujer es víctima de agresiones simplemente por su condición de mujer (Saliba et al., 2007; Secretaría Especial de Políticas para las Mujeres, 2008).
En el contexto brasileño, la violencia doméstica contra la mujer representa una de las violaciones de derechos humanos más graves. Su enfrentamiento y prevención están regulados por importantes marcos legales, como la Ley Maria da Penha (Ley nº 11.340/2006), que busca cohibir y castigar la violencia doméstica y familiar. El estado de Paraná, y específicamente su capital, Curitiba, son frecuentemente citados como regiones con un elevado número de ocurrencias de violencia contra la mujer. La dimensión del problema en Curitiba se evidencia por el flujo de atenciones de la Patrulla Maria da Penha y por los registros del Sistema de Gestión de la Guardia Municipal (SIGES GUARDA).
A pesar de una observada disminución del 15,29% en los casos de violencia doméstica contra la mujer en los primeros meses de 2025, en comparación con el período anterior (Curitiba, 2025), la necesidad de protección continua y de estrategias eficaces permanece. Estudios previos, como el de Bichibichi (2018), que analizó el período entre 2014 y 2018 en Curitiba, ya señalaban la predominancia de la violencia psicológica y física, con alta incidencia de amenazas. Además, se identificó una concentración de ocurrencias después de las 18h y los fines de semana, siendo los agresores, en su mayoría, parejas o exparejas.
Sin embargo, para que las intervenciones públicas sean verdaderamente eficaces, es imperativo que se basen en datos precisos, actualizados y que reflejen la dinámica local del fenómeno. El Sistema SIGES GUARDA, mantenido por la Prefectura Municipal de Curitiba, ofrece información valiosa sobre la atención a mujeres víctimas de violencia. No obstante, el análisis estadístico descriptivo tradicional, aunque fundamental, a menudo no es suficiente para identificar patrones predictivos y correlaciones complejas, lo que limita la capacidad de anticipación y planificación estratégica.
Existe una brecha en la aplicación de métodos predictivos que consideren la temporalidad de las ocurrencias de violencia doméstica (Hayeck, 2015). La eficiencia en el combate a la criminalidad depende de la transformación de datos estadísticos en inteligencia estratégica (Bichibichi, 2018). En este sentido, el presente estudio busca ir más allá de los análisis meramente descriptivos, utilizando herramientas avanzadas de Data Science para identificar patrones ocultos y correlaciones entre las ocurrencias registradas en el SIGES GUARDA y variables geográficas del municipio.
La relevancia de este trabajo reside en la posibilidad de optimizar los recursos de la Guardia Municipal y de la red de protección, permitiendo una transición de un policiamiento reactivo a una gestión basada en evidencias. La aplicación de algoritmos de Machine Learning y modelos ARIMA se justifica por la capacidad de identificar comportamientos estocásticos y tendencias que análisis históricos simples no capturan (Hyndman y Athanasopoulos, 2018). Dicho esto, el presente trabajo tuvo como objetivo analizar el perfil geográfico y la estadística de ocurrencias de violencia doméstica contra la mujer en el municipio de Curitiba, utilizando técnicas de Data Science / Ciencia de datos y modelado de series temporales para identificar patrones de previsibilidad en los principales “hotspots” de la ciudad.
2. Material y Métodos
La investigación adopta un enfoque cuantitativo exploratorio. El proceso de “Data Wrangling” utilizó la biblioteca Pandas para el tratamiento de datos, según McKinney (2018). Para la modelización, se empleó el método ARIMA (Autoregressive Integrated Moving Average), fundamentado en los conceptos de Box et al. (2015). La serie fue sometida a pruebas de estacionariedad, y la selección del modelo óptimo se basó en el Criterio de Información de Akaike [AIC], que, según Hyndman y Athanasopoulos (2021), equilibra el ajuste del modelo con la parsimonia para evitar el “overfitting”.
La base de datos se compuso de información pública del Ayuntamiento de Curitiba, extraída del Sistema de Gestión de la Guardia Municipal SIGESGUARDA. Los datos se refieren a registros de incidentes atendidos por la Guardia Municipal en el período de marzo de 2020 a marzo de 2026, coincidiendo con la implementación de la subcategoría “Violencia doméstica contra la mujer” en el sistema.
El proceso de recolección implicó la aplicación de filtros secuenciales sobre la base bruta de ocurrencias municipales para reducir el volumen de registros al alcance de interés. Los filtros aplicados fueron:
- Filtro de Naturaleza: Selección exclusiva de la subcategoría de violencia doméstica contra la mujer.
- Filtro Geográfico: Limitación a las ocurrencias confirmadas dentro del perímetro urbano de Curitiba, segregadas por barrios.
- Filtro Temporal: Recorte de los datos a partir de la estandarización sistémica de 2020.
Este filtrado resultó en una serie temporal cualificada de 3.250 ocurrencias. Cada registro en la base contenía información como la naturaleza de la ocurrencia, la fecha/hora del evento y el barrio de incidencia, permitiendo la agrupación mensual para el análisis de series temporales.
La preparación final de la base de datos utilizó técnicas de “Data Wrangling” en un entorno “Python”, con la biblioteca Pandas (MCKINNEY, 2018). Las etapas incluyeron la importación de 73 archivos periódicos, estandarización de caracteres, formatos de fecha y nombres de barrios, limpieza de registros repetidos y corrección de anomalías detectadas en 2023 y 2024. Se desarrolló un código reutilizable para automatizar la agrupación cuantitativa por temporalidad segmentada por barrio. La base de datos final presenta, con periodicidad mensual, el volumen de ocurrencias como variable objetivo para la modelización estadística de tendencia vía método ARIMA.
Las variables consolidadas y utilizadas para el análisis se presentan en la Tabla 1.
Tabla 1. Lista de variables disponibles para análisis predictivo y territorial.
| Variable | Descripción |
|---|---|
| Fecha de Ocurrencia | Fecha y hora exactas del registro de la llamada en el sistema. |
| Barrio | Unidad territorial de Curitiba donde se atendió la ocurrencia. |
| Naturaleza de la Ocurrencia | Subcategoría específica (Violencia Doméstica contra la Mujer). |
| Día de la Semana | Derivación temporal para análisis de picos de incidencia (Lunes a Domingo). |
| Turno del Día | Clasificación horaria (Mañana, Tarde, Noche y Madrugada). |
| Volumen Mensual | Conteo agregado de registros para fines de modelado ARIMA. |
Con los datos tratados, se realizó el Análisis Exploratorio de Datos [AED] para comprender la estructura de la base, identificar “hotspots” territoriales y detectar anomalías temporales. El proceso se llevó a cabo en “Python”, utilizando el entorno de desarrollo “Spyder” (integrado al paquete Anaconda). Para la ejecución de los análisis y la construcción de las visualizaciones, se utilizaron las siguientes bibliotecas:
- pandas: para manipulación, agrupación e indexación temporal de los datos.
- matplotlib.pyplot y seaborn: para la construcción y personalización estética de gráficos.
- numpy: para soporte de operaciones matemáticas y manejo de matrices.
- statsmodels: para la aplicación de pruebas estadísticas de estacionariedad y descomposición del modelo ARIMA.
El análisis de series temporales comprende el estudio de observaciones cuantitativas ordenadas cronológicamente, en intervalos sucesivos y regulares (SOUZA; CAMARGO, 2004). Las series temporales presentan dependencia serial, donde el volumen de registros de violencia doméstica en un mes (X₁) está influenciado por períodos anteriores (X{t-1}, X{t-2}, …). Esta estructura se representa matemáticamente por la ec. (1):
Xt={X1,X2,…,Xn}, con 1≤t≤n (1)
en que: X es un mes determinado, t representa el índice temporal y n el horizonte total de observaciones.
El objetivo central es decodificar patrones históricos para inferir valores futuros (RELVAS, 1998). Según Morettin y Toloi (2006), una serie temporal puede descomponerse en cuatro componentes fundamentales, detallados en la Tabla 2.
Tabla 2. Descripción de los componentes de series temporales aplicados al contexto criminal
| Elemento | Descripción |
|---|---|
| Tendencia (T₁) | Refleja la dirección a largo plazo de la violencia (crecimiento, caída o estabilidad). |
| Estacionalidad (St) | Fluctuaciones que se repiten en períodos fijos (ej: festivos o épocas del año). |
| Ciclo (Ct) | Oscilaciones de larga duración ligadas a factores externos (ej: cambios en políticas públicas). |
| Error/Residuo (Et) | Variaciones aleatorias e impredecibles que no siguen un patrón sistemático. |
La combinación de estos componentes puede ser aditiva, según la ec. (2), o multiplicativa, según la ec. (3). El modelo aditivo es adecuado cuando la amplitud de las variaciones estacionales es constante, mientras que el multiplicativo se prefiere cuando las fluctuaciones aumentan proporcionalmente a la media de los datos (RELVAS, 1998).
X=T+S+C++Et (2)
X=T*S*C*Et (3)
donde: T representa Tendencia, S Estacionalidad, C Ciclo y E Error/Residuo.
Se evaluaron metodologías predictivas como Suavización Exponencial y Box-Jenkins (ARIMA/SARIMA). Se optó por el modelo ARIMA, sin la extensión estacional (SARIMA), debido al principio de parsimonia y a la ausencia de patrones estacionales determinísticos con periodicidad fija en los “hotspots” analizados, priorizando la identificación de la memoria autorregresiva del fenómeno (SOUZA; CAMARGO, 2004).
La Suavización Exponencial Simple (SES) es un método de pronóstico a corto plazo que asigna pesos decrecientes a las observaciones pasadas (SOUZA; CAMARGO, 2004). Matemáticamente, el modelo se define por la ec. (4):
X t+1 = αΧ t + (1 − α)Χ t’ (4)
donde: α es la constante de suavización 0 < α < 1, Xo es el valor observado en el período actual y X₁, es la previsión realizada anteriormente. Este modelo no fue seleccionado debido a su inercia en relación con la tendencia y a la superioridad del modelo ARIMA en integrar el efecto de los rezagos anteriores y la diferenciación para estabilizar la varianza de la serie.
El modelo ARIMA(p, d, q) fue seleccionado por su capacidad para manejar series temporales que no presentan estacionalidad determinista, pero poseen dependencia a corto plazo. La ecuación general del modelo se expresa mediante la ec. (5):
yt’=c+$1yt-1’+…+ppyt-p’+81et−1+…+8qet-q+et (5)
en que: yť’ es la serie diferenciada para garantizar la estacionariedad; c es una constante; φ representa los coeficientes de la parte autorregresiva; θ representa los coeficientes de la media móvil; y et representa el error aleatorio o ruido blanco. El modelo descompone la serie en tres componentes fundamentales: Autorregresivo (p), Integrado (d) y Media Móvil (q). La selección de los parámetros (p, d, q) fue automatizada a través del algoritmo Stepwise Search de la biblioteca pmdarima, utilizando el Criterio de Información de Akaike [AIC] para buscar el mejor ajuste con la menor complejidad.
3. Resultados y Discusión
Antes de la aplicación de los modelos predictivos, se realizó un análisis exploratorio de datos (AED) para identificar el comportamiento de la violencia doméstica en Curitiba desde la perspectiva de la periodicidad semanal y diaria. Esta etapa es fundamental, ya que la criminalidad urbana no se distribuye uniformemente en el tiempo, presentando ciclos de concentración que reflejan la rutina social de la ciudad (Silva y Santos, 2020).
Distribución por Días de la Semana
El análisis de la incidencia por días de la semana reveló que la violencia doméstica en Curitiba presenta un aumento significativo durante los períodos de descanso laboral, con picos acentuados los sábados y domingos. Este patrón corrobora la literatura de seguridad pública, indicando que el mayor tiempo de convivencia entre agresor y víctima, frecuentemente aliado al consumo de sustancias, actúa como catalizador para conflictos. Para la gestión de la Guardia Municipal, este dato es crucial para el escalonamiento de la Patrulla Maria da Penha, sugiriendo que el refuerzo del personal sea priorizado en estos días.
Figura 1. Incidencia de Violencia Doméstica por Día de la Semana
Fuente: Resultados originales de la investigación
Concentración por Turnos del Día
En cuanto a la distribución horaria, los datos indicaron una concentración predominante en los turnos de la noche y madrugada. Mientras que el período diurno presenta una frecuencia de ocurrencias distribuida, el inicio de la noche marca una elevación. Este comportamiento sugiere que la invisibilidad nocturna y el retorno al ambiente doméstico tras la jornada laboral influyen en el volumen de registros. Esta estacionalidad refuerza la necesidad de estrategias de respuesta rápida e iluminación pública eficiente en los “hotspots” identificados, ya que el factor tiempo es crítico en la atención a las víctimas.
Figura 2. Incidencia de Violencia Doméstica por Día de la Semana
Fuente: Resultados originales de la investigación
Evolución Temporal de las Ocurrencias (2020-2026)
El análisis de la serie histórica consolidada, ilustrada en la Figura 3, muestra el comportamiento mensual de las ocurrencias de violencia doméstica en Curitiba a lo largo de 73 meses, desde marzo de 2020. Tras un período inicial de inestabilidad, la violencia doméstica tendió a un nivel de equilibrio. El modelo ARIMA(1,0,0) reveló una “memoria a corto plazo” en la serie municipal, indicando que el volumen de casos del mes anterior influye en el actual. La proyección a 12 meses apunta a un mantenimiento de la media en torno a 41 casos/mes, sugiriendo que las políticas actuales contienen el avance, pero no generan una caída sostenida.
Visualmente, la serie no exhibe estacionalidad determinista rígida, sino que fluctúa alrededor de un nivel medio, con picos aislados que pueden verse influenciados por eventos externos o variaciones en la densidad de notificaciones. A partir de 2024, se observó una mayor estabilidad en la recopilación de datos. Estadísticamente, la serie demuestra características de estacionariedad después del período inicial, un requisito previo para modelos autorregresivos. La ausencia de tendencia de crecimiento o caída abrupta sugiere que la violencia doméstica es un problema estructural y persistente. Esta “estabilidad fluctuante” justifica la aplicación del modelo ARIMA para identificar la dependencia serial y utilizar los datos como herramienta de anticipación operativa.
Figura 3. Evolución mensual de los casos de violencia doméstica en Curitiba (mar/2020 – mar/2026)
Fuente: Resultados originales de la investigación
Modelado Predictivo y Proyecciones para el Municipio de Curitiba
Con base en los patrones históricos y la metodología Box-Jenkins, se generó la proyección oficial para el municipio. El modelo ARIMA (p, d, q) se ajustó para capturar la memoria estadística de la serie histórica iniciada en 2020. La Figura 4 ilustra la curva de ocurrencias de violencia doméstica en Curitiba, integrando datos históricos y proyecciones predictivas para un horizonte de 12 meses.
Figura 4. Modelo Predictivo: Ocurrencias de Violencia Doméstica en Curitiba y Proyección para el horizonte de 12 meses
Fuente: Resultados originales de la investigación
Análisis de las Proyecciones y Intervalos de Confianza
La Figura 4 proyecta una tendencia de estabilidad, leve crecimiento o caída para el próximo año. El Intervalo de Confianza (área sombreada), con un 95% de probabilidad, es crucial para la gestión de la seguridad pública. El mantenimiento de la proyección dentro de límites controlados sugiere que el fenómeno, aunque persistente, posee un comportamiento estructural que permite la planificación a medio plazo. La línea de predicción central sirve como “objetivo” para las políticas públicas: ocurrencias por encima de la proyección pueden indicar un brote o mejora en los canales de denuncia; por debajo, éxito de políticas preventivas y medidas protectoras.
La capacidad del modelo ARIMA de ajustarse a los datos recientes demuestra que el sistema de seguridad de Curitiba posee una inercia temporal, donde el volumen de crímenes de hoy es un predictor del volumen futuro. Esto valida la importancia del monitoreo continuo, en lugar de acciones puntuales.
Diagnóstico de Residuos y Validación del Modelo
Para garantizar la validez estadística de las proyecciones, se realizó el diagnóstico de residuos del modelo ARIMA, conforme a la Figura 5. El objetivo fue verificar si el modelo capturó la estructura sistemática de los datos, dejando solo “ruido blanco” como residuo. La interpretación de los cuatro cuadrantes de la Figura 5 valida la eficacia del modelado:
Los residuos estandarizados fluctuaron alrededor de cero, sin patrones visibles, lo que indica la ausencia de tendencias residuales no capturadas. La curva de densidad de los residuos se aproximó a la curva de distribución normal, un indicador de robustez estadística. Los puntos del gráfico Normal Q-Q se alinearon sobre la recta diagonal, reforzando que los errores del modelo siguen una distribución normal. Finalmente, el Correlograma (ACF) mostró que ninguno de los rezagos superó el área de significancia, confirmando la ausencia de autocorrelación en los residuos.
En resumen, el diagnóstico confirmó que el modelo ARIMA está debidamente ajustado, garantizando que las predicciones para el horizonte de 2026 se basan en la memoria estadística real de la violencia doméstica en Curitiba, lo que confiere seguridad técnica para la toma de decisiones de la Guardia Municipal.
Figura 5: Diagnóstico del Modelo ARIMA – Ocurrencias en Curitiba
Fuente: Resultados originales de la investigación
Identificación y Jerarquización de “Hotspots”
Aunque el municipio presenta estabilidad general, el análisis desagregado por barrios reveló disparidades críticas, según la Tabla 3.
Tabla 3. Comparativa de los “TOP 5” Barrios
| ATENDIMENTO_BAIRRO_NOME | OCURRENCIAS |
|---|---|
| CIUDAD INDUSTRIAL | 299 |
| SITIO CERCADO | 270 |
| TATUQUARA | 221 |
| CAJURU | 176 |
| NÚCLEO | 158 |
Fuente: Resultados originales de la investigación
La Ciudad Industrial (CIC) presentó la mayor criticidad, con 299 casos, y un modelo autorregresivo persistente, sugiriendo la necesidad de policiamiento preventivo constante. Sítio Cercado y Tatuquara fueron identificados como Ruido Blanco (ARIMA 0,0,0), caracterizando el crimen como estocástico y exigiendo prontitud para respuesta rápida. Cajuru demostró resiliencia estadística, con el modelo prediciendo el retorno a la media histórica de 2,41 casos, a pesar de picos recientes. El Centro exhibió el modelo más complejo (ARIMA 1,0,1), siendo sensible a “choques” y cambios rápidos en el flujo urbano.
Análisis Comparativo de la Dinámica de Predictibilidad por “Hotspot”
La descomposición de la serie temporal municipal por unidades territoriales reveló que la dinámica de la violencia doméstica en Curitiba no es uniforme, presentando variaciones significativas en volumen y previsibilidad estadística. La Tabla 4 resume las proyecciones para los cinco principales “hotspots” identificados entre 2020 y 2026.
Tabla 4. Comparativa de Predicción por Barrios
| Barrio (Hotspot) | Historial Total | Último Mes Registrado | Media Prevista (Próx. 12 meses) | Modelo Estadístico |
|---|---|---|---|---|
| CIUDAD 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) |
| NÚCLEO | 158 | 2 | 2.16 | ARIMA(1, 0, 1) |
Fuente: Resultados originales de la investigación
La Ciudad Industrial de Curitiba (CIC) se mantuvo como la región de mayor criticidad acumulada, con 299 registros. El modelo ARIMA(1,0,0) indica un componente autorregresivo, sugiriendo que las ocurrencias en la CIC poseen una “memoria” de corto plazo, con el volumen de casos de un mes influyendo en el subsiguiente. Con una media prevista de 4,13 ocurrencias mensuales, el barrio demanda patrullaje preventivo continuo, dada la persistencia del fenómeno.
En contraste, los barrios Sítio Cercado, Tatuquara y Cajuru presentaron el modelo ARIMA(0,0,0), caracterizando el fenómeno como “ruido blanco” alrededor de una media fija. En estos lugares, las ocurrencias son eventos estocásticos, sin dependencia temporal clara, lo que implica que la eficacia del patrullaje depende más de la respuesta rápida a eventos súbitos.
El Centro, a su vez, presentó la modelización más compleja (ARIMA(1,0,1)), indicando influencia tanto por la persistencia histórica como por choques aleatorios de corto plazo. Esta complejidad puede atribuirse a la naturaleza multifacética de la región central, con flujos poblacionales fluctuantes, exigiendo políticas públicas que integren monitoreo territorial y asistencia social.
Es importante destacar que el volumen histórico no siempre dicta la tendencia futura. Mientras que el CIC mantiene una previsión estable, el Cajuru, que tuvo un pico reciente de 8 ocurrencias, proyecta un retorno a la media de 2,41. Esto demuestra la importancia de utilizar Data Science para evitar reacciones inmediatas a picos aislados.
En resumen, los resultados del análisis exploratorio indicaron que la violencia doméstica en Curitiba se concentra predominantemente los fines de semana, así como en los turnos de noche y madrugada. El modelado predictivo con ARIMA(1,0,0) para el municipio reveló una “memoria a corto plazo” y una tendencia de estabilidad en las ocurrencias, con una proyección de 41 casos/mes para los próximos 12 meses. El diagnóstico de residuos validó la robustez del modelo. El análisis desagregado por “hotspots” demostró dinámicas variadas: mientras barrios como la Cidade Industrial exhiben patrones autorregresivos persistentes, otros como Sítio Cercado, Tatuquara y Cajuru muestran comportamientos estocásticos, exigiendo respuestas rápidas. El Centro presentó un modelo más complejo, influenciado por la persistencia histórica y choques aleatorios. Esta diferenciación subraya la importancia de estrategias de seguridad pública adaptadas a cada perfil territorial, utilizando Data Science para una planificación proactiva y basada en evidencias.
4. Conclusión
El presente estudio buscó analizar el perfil geográfico y la estadística de ocurrencias de violencia doméstica contra la mujer en el municipio de Curitiba, empleando técnicas de Data Science y modelado de series temporales para identificar patrones de previsibilidad en los principales “hotspots” de la ciudad. Se verificó que la violencia doméstica en Curitiba se concentra predominantemente los fines de semana, así como en los turnos de noche y madrugada, indicando una estacionalidad influenciada por el tiempo de convivencia y por la invisibilidad nocturna. El modelado predictivo, utilizando el modelo ARIMA(1,0,0) para la serie histórica municipal, reveló una “memoria de corto plazo”, sugiriendo que el volumen de casos del mes anterior influye en el actual, y proyectó una estabilidad en torno a 41 ocurrencias mensuales para los próximos 12 meses. Esta estabilidad, validada por un diagnóstico robusto de los residuos del modelo, indica que las políticas actuales contienen el avance, pero no promueven una caída sostenida.
El análisis desagregado por barrios demostró dinámicas territoriales distintas, evidenciando que la violencia doméstica no se distribuye de forma uniforme. Barrios como la Ciudad Industrial de Curitiba (CIC) exhibieron patrones autorregresivos persistentes, demandando un patrullaje preventivo continuo. En contraste, localidades como Sítio Cercado, Tatuquara y Cajuru presentaron comportamientos estocásticos, caracterizados como “ruido blanco”, lo que exige prontitud para respuestas rápidas a eventos súbitos. El Centro, por su parte, manifestó un modelo más complejo, influenciado tanto por la persistencia histórica como por choques aleatorios de corto plazo, requiriendo políticas públicas que integren monitoreo territorial y asistencia social. La principal contribución de este trabajo reside en la transición de un patrullaje reactivo a una gestión basada en evidencias, posibilitando la creación de una matriz de intervención diferenciada para cada perfil de barrio, optimizando el empleo de la Patrulla Maria da Penha y de los recursos municipales. Sin embargo, el estudio se limitó a las variables registradas en el sistema de seguridad. Se sugiere para investigaciones futuras la integración de variables socioeconómicas externas, como el Índice de Desarrollo Humano (IDH) por barrio, tasas de desempleo y densidad poblacional, por medio de algoritmos de Machine Learning más complejos, a fin de investigar las causas subyacentes a los patrones identificados.
Referencias 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.
Artículo originario del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy