Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos

En los últimos años, la percepción de la criminalidad ha ido aumentando al dar la sensación de que cada vez son más los delitos que se llevan a cabo. Sin embargo, en lo referente a los crímenes de propiedad, en Estados Unidos la frecuencia con que suceden los delitos ha venido en descenso desde un p...

Full description

Autores:
Franco Orjuela, Liza Valentina
Tipo de recurso:
Fecha de publicación:
2019
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/44037
Acceso en línea:
http://hdl.handle.net/1992/44037
Palabra clave:
Robo - Predicciones - Investigaciones - Estados Unidos
Robo - Análisis de regresión - Investigaciones - Estados Unidos
Supermercados - Hurto - Investigaciones - Estados Unidos
Probabilidades - Investigaciones - Estudio de casos
Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos
Ingeniería
Rights
openAccess
License
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id UNIANDES2_2b45fa459fe777b7c6f8e9205cd280d1
oai_identifier_str oai:repositorio.uniandes.edu.co:1992/44037
network_acronym_str UNIANDES2
network_name_str Séneca: repositorio Uniandes
repository_id_str
dc.title.es_CO.fl_str_mv Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
title Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
spellingShingle Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
Robo - Predicciones - Investigaciones - Estados Unidos
Robo - Análisis de regresión - Investigaciones - Estados Unidos
Supermercados - Hurto - Investigaciones - Estados Unidos
Probabilidades - Investigaciones - Estudio de casos
Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos
Ingeniería
title_short Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
title_full Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
title_fullStr Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
title_full_unstemmed Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
title_sort Predicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados Unidos
dc.creator.fl_str_mv Franco Orjuela, Liza Valentina
dc.contributor.advisor.none.fl_str_mv Gómez Castro, Camilo Hernando
Guaje Acosta, Oscar Orlando
dc.contributor.author.none.fl_str_mv Franco Orjuela, Liza Valentina
dc.subject.armarc.es_CO.fl_str_mv Robo - Predicciones - Investigaciones - Estados Unidos
Robo - Análisis de regresión - Investigaciones - Estados Unidos
Supermercados - Hurto - Investigaciones - Estados Unidos
Probabilidades - Investigaciones - Estudio de casos
Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos
topic Robo - Predicciones - Investigaciones - Estados Unidos
Robo - Análisis de regresión - Investigaciones - Estados Unidos
Supermercados - Hurto - Investigaciones - Estados Unidos
Probabilidades - Investigaciones - Estudio de casos
Aprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casos
Ingeniería
dc.subject.themes.none.fl_str_mv Ingeniería
description En los últimos años, la percepción de la criminalidad ha ido aumentando al dar la sensación de que cada vez son más los delitos que se llevan a cabo. Sin embargo, en lo referente a los crímenes de propiedad, en Estados Unidos la frecuencia con que suceden los delitos ha venido en descenso desde un poco más de 20 años atrás. A pesar de lo anterior, es primordial identificar qué factores pueden ser causantes de la vulnerabilidad presente en las zonas en las que esto sucede, específicamente, en establecimientos que son clientes del grupo ALTO en dicho país. Con el propósito de identificar el riesgo que una tienda presenta frente a los hurtos y caracterizar las pérdidas asociadas se propuso clasificar los establecimientos, teniendo en cuenta si estos han sido hurtados o no. A través de minería de datos se buscó extraer relaciones entre las características del entorno que rodea a una tienda de forma que sea posible cuantificar una medida de riesgo que un establecimiento presenta de ser hurtado. Este estudio consideró la Regresión Logística, Random Forest y Support Vector Machine para el desarrollo de la predicción de delitos, porque son considerados algoritmos de aprendizaje eficientes para la predicción de este tipo de datos, como se encontró en la literatura relacionada. Luego de identificar el riesgo de hurto, se estudiaron los comportamientos de las pérdidas relacionadas, para lo cual se utilizaron los valores esperados de las pérdidas a lo largo de la semana y a lo largo del año para identificar periodos en los cuales se presentan pérdidas de mayor valor. Adicionalmente, se recrearon las pérdidas acumuladas tasadas mensualmente, para identificar el volumen de los costos bajos, medios y altos, y con esta información se agruparon las diferentes tiendas haciendo uso del algoritmo k - means. De tal manera que no solo se presentó una aproximación de la vulnerabilidad presentada por cada establecimiento, sino que se encontraron factores en el comportamiento de los costos de las pérdidas que permiten guiar a estrategias de mitigación eficientes para cada tienda de acuerdo con los crímenes que históricamente le han afectado.
publishDate 2019
dc.date.issued.es_CO.fl_str_mv 2019
dc.date.accessioned.none.fl_str_mv 2020-09-03T14:30:55Z
dc.date.available.none.fl_str_mv 2020-09-03T14:30:55Z
dc.type.spa.fl_str_mv Trabajo de grado - Maestría
dc.type.coarversion.fl_str_mv http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/masterThesis
dc.type.content.spa.fl_str_mv Text
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/TM
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/1992/44037
dc.identifier.pdf.none.fl_str_mv u827341.pdf
dc.identifier.instname.spa.fl_str_mv instname:Universidad de los Andes
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional Séneca
dc.identifier.repourl.spa.fl_str_mv repourl:https://repositorio.uniandes.edu.co/
url http://hdl.handle.net/1992/44037
identifier_str_mv u827341.pdf
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
repourl:https://repositorio.uniandes.edu.co/
dc.language.iso.es_CO.fl_str_mv spa
language spa
dc.rights.uri.*.fl_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
dc.rights.accessrights.spa.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.coar.spa.fl_str_mv http://purl.org/coar/access_right/c_abf2
rights_invalid_str_mv https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
http://purl.org/coar/access_right/c_abf2
eu_rights_str_mv openAccess
dc.format.extent.es_CO.fl_str_mv 35 hojas
dc.format.mimetype.es_CO.fl_str_mv application/pdf
dc.publisher.es_CO.fl_str_mv Uniandes
dc.publisher.program.es_CO.fl_str_mv Maestría en Ingeniería Industrial
dc.publisher.faculty.es_CO.fl_str_mv Facultad de Ingeniería
dc.publisher.department.es_CO.fl_str_mv Departamento de Ingeniería Industrial
dc.source.es_CO.fl_str_mv instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
instname_str Universidad de los Andes
institution Universidad de los Andes
reponame_str Repositorio Institucional Séneca
collection Repositorio Institucional Séneca
bitstream.url.fl_str_mv https://repositorio.uniandes.edu.co/bitstreams/be27bac0-2a00-4502-8c21-3f5eb1e85a90/download
https://repositorio.uniandes.edu.co/bitstreams/35d2002f-084d-408c-91d6-82a0ca537f09/download
https://repositorio.uniandes.edu.co/bitstreams/60d7e9a5-88e3-4aeb-828c-0efc267b6cf8/download
bitstream.checksum.fl_str_mv 8090e143079dea0ffca92b38a972a344
c3c7efdccd44b879b8ef2a41b5f3f6c7
4203d6656a62b043b601eab9acb23cc4
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositorio institucional Séneca
repository.mail.fl_str_mv adminrepositorio@uniandes.edu.co
_version_ 1812133823035473920
spelling Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Gómez Castro, Camilo Hernandovirtual::1909-1Guaje Acosta, Oscar Orlandovirtual::1910-1Franco Orjuela, Liza Valentina60d019d9-461a-4589-88f5-2ea1cfd070cf5002020-09-03T14:30:55Z2020-09-03T14:30:55Z2019http://hdl.handle.net/1992/44037u827341.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/En los últimos años, la percepción de la criminalidad ha ido aumentando al dar la sensación de que cada vez son más los delitos que se llevan a cabo. Sin embargo, en lo referente a los crímenes de propiedad, en Estados Unidos la frecuencia con que suceden los delitos ha venido en descenso desde un poco más de 20 años atrás. A pesar de lo anterior, es primordial identificar qué factores pueden ser causantes de la vulnerabilidad presente en las zonas en las que esto sucede, específicamente, en establecimientos que son clientes del grupo ALTO en dicho país. Con el propósito de identificar el riesgo que una tienda presenta frente a los hurtos y caracterizar las pérdidas asociadas se propuso clasificar los establecimientos, teniendo en cuenta si estos han sido hurtados o no. A través de minería de datos se buscó extraer relaciones entre las características del entorno que rodea a una tienda de forma que sea posible cuantificar una medida de riesgo que un establecimiento presenta de ser hurtado. Este estudio consideró la Regresión Logística, Random Forest y Support Vector Machine para el desarrollo de la predicción de delitos, porque son considerados algoritmos de aprendizaje eficientes para la predicción de este tipo de datos, como se encontró en la literatura relacionada. Luego de identificar el riesgo de hurto, se estudiaron los comportamientos de las pérdidas relacionadas, para lo cual se utilizaron los valores esperados de las pérdidas a lo largo de la semana y a lo largo del año para identificar periodos en los cuales se presentan pérdidas de mayor valor. Adicionalmente, se recrearon las pérdidas acumuladas tasadas mensualmente, para identificar el volumen de los costos bajos, medios y altos, y con esta información se agruparon las diferentes tiendas haciendo uso del algoritmo k - means. De tal manera que no solo se presentó una aproximación de la vulnerabilidad presentada por cada establecimiento, sino que se encontraron factores en el comportamiento de los costos de las pérdidas que permiten guiar a estrategias de mitigación eficientes para cada tienda de acuerdo con los crímenes que históricamente le han afectado.In recent years, the perception of crime has been increasing and give the feeling that more and more crimes are being carried out. However, in relation to property crimes, in the United States the frequency with which crimes occur has been falling since a little over 20 years ago. In spite of the above, it is essential to identify what factors may be causing the vulnerability present in the areas where this happens, specifically, in establishments that are clients of the ALTO group in that country. In order to identify the risk that a store presents against theft and characterize the associated losses, it was proposed to classify the establishments, taking into account whether they have been stolen or not. Through data mining, it was searched to extract relationships between the characteristics of the environment surrounding a store so that it is possible to quantify a measure of risk that an establishment has to be stolen. This study considered Logistic Regression, Random Forest and Support Vector Machine for the development of crime prediction, because they are considered efficient learning algorithms for the prediction of this type of data, as found in the related literature. After identifying the risk of theft, it was studied the behaviors of the related losses, for which it was used the expected values of the losses throughout the week and throughout the year to identify periods in which there are major losses. Additionally, accumulated monthly losses were recreated to identify the volume of low, medium and high costs, and with this information the different stores were grouped using the k-means algorithm. In such way that not only an approximation of the vulnerability presented in each establishment was presented, but factors were found in the behavior of the costs of the losses that allow guiding efficient mitigation strategies for each store in accordance with the crimes that historically have affected it.Magíster en Ingeniería IndustrialMaestría35 hojasapplication/pdfspaUniandesMaestría en Ingeniería IndustrialFacultad de IngenieríaDepartamento de Ingeniería Industrialinstname:Universidad de los Andesreponame:Repositorio Institucional SénecaPredicción y caracterización de las pérdidas de crímenes de propiedad en tiendas en Estados UnidosTrabajo de grado - Maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TMRobo - Predicciones - Investigaciones - Estados UnidosRobo - Análisis de regresión - Investigaciones - Estados UnidosSupermercados - Hurto - Investigaciones - Estados UnidosProbabilidades - Investigaciones - Estudio de casosAprendizaje automático (Inteligencia artificial) - Investigaciones - Estudio de casosIngenieríaPublicationc9bd55b2-0b42-4b25-acc4-1391a7c9dd22virtual::1909-1a7cc3564-315b-44b1-a549-906621977011virtual::1910-1c9bd55b2-0b42-4b25-acc4-1391a7c9dd22virtual::1909-1a7cc3564-315b-44b1-a549-906621977011virtual::1910-1THUMBNAILu827341.pdf.jpgu827341.pdf.jpgIM Thumbnailimage/jpeg23638https://repositorio.uniandes.edu.co/bitstreams/be27bac0-2a00-4502-8c21-3f5eb1e85a90/download8090e143079dea0ffca92b38a972a344MD55ORIGINALu827341.pdfapplication/pdf1874980https://repositorio.uniandes.edu.co/bitstreams/35d2002f-084d-408c-91d6-82a0ca537f09/downloadc3c7efdccd44b879b8ef2a41b5f3f6c7MD51TEXTu827341.pdf.txtu827341.pdf.txtExtracted texttext/plain49366https://repositorio.uniandes.edu.co/bitstreams/60d7e9a5-88e3-4aeb-828c-0efc267b6cf8/download4203d6656a62b043b601eab9acb23cc4MD541992/44037oai:repositorio.uniandes.edu.co:1992/440372024-03-13 12:04:48.328https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co