Page 28 - InvUnivMult_2022

28
INVESTIGACIÓN UNIVERSITARIA MULTIDISCIPLINARIA - - AÑO 21 21 No21 ENERO - - DICIEMBRE 2022
FACULTAD DE CIENCIAS ECONÓMICO ADMINISTRATIVAS Y NEGOCIOS
ron los los relacionados con daño al patrimonio y en en los los que existió violencia esta información se propor- cionó con su dirección día en en que se se presentaron y la hora c c c c c La información información de de de de los delitos fue georreferenciada utilizando el el sistema de de de de información información geográfica de de de de código abierto QGIS (2022) a a a a a a a a á a a esta información se le agregó la capa geográfica de Ageb (INEGI 2022a) utilizada como unidad geográfica a a a á a a a a a a a a a a a la la cual se se le le agregaron las variables económicas que se se estima tienen relación con los delitos las cuales fueron: negocios y y un estimado de de su venta (misceláneas y y abarrotes) tiendas Oxxo infraestructura (cabecera municipal hospitales escuelas bancos etc ) y población d d d d d d d Se determinó el el el el el coeficiente de de de de de correlación de de de de de las las variables mencionadas y el el el el el número de de de de de delitos aquellas variables variables que presentaron un coeficiente cercano a a a a a a a a 0 5 se se consideraron como variables variables independientes para el el modelo e e e e e e e e e e e e e e Se formó una base de de de datos con con las variables económicas y el el el número de de de delitos estos valores se se relacio- naron a a a a á a a a a a a a a la unidad geográfica Ageb (INEGI 2022b) La base de datos se se dividió en dos partes: una para la la la base base de de de de aprendizaje con con con la la la cual se se se construyó el el el modelo y y otra para la la la base base de de de de prueba con con con el el el fin de de de de conocer su efectividad mediante el el el el cálculo del error cuadrático medio (MSE) y el el el el valor de de correlación entre los los datos pronosticados y los los reales (R2) f f El modelo se desarrolló en en el el lenguaje R R sobre la la la plataforma de de de de desarroll desarrollo RStudio (2022) Para la la la red neuronal se utilizó la la función Deep Learning (Manual de de usuario h2o h2o 2022a) de de la la empresa h2o h2o (2022b) El programa se elaboró en en cuatro partes la la la la primera de de lectura de de la la la la información la la la la siguiente de de de de limpieza y y y validación estadística de de de de las variables la la la la tercera la la la la elaboración y y y ejecución del del modelo y y y la la última la la evaluación del del modelo y exportación de de de los resultados g g Para la la proyección de de los los delitos para para los los próximos meses se se se diseñó un algoritmo para para transformar la la información proporcionada a a a a a a a a a a a a a una secuencia por por día y hora este algoritmo se se aplicó a a a a a a a a a a a a a cada uno de los Agebs (INEGI 2022c) El periodo para para pronosticar se se estableció para para los siguientes dos meses aunque este puede ser modificado El resultado se se proporcionó en el mismo formato por por zona día y hora h h Con la la la información histórica por Ageb (INEGI 2022d) se realizó la la la proyección con la la la función glm (Amat 2016) de de de de un modelo de de de de regresión logística teniendo como variables independientes: la información histórica la la secuencia y el el el el día en en en el el el el cual se se se presentó el el el el delito la la distribución considerada fue binomial ya que que la solución que que nos proporciona es es si se se presenta o ó o o o o o o o no no un delito i i i i i i Porúltimo seexportanlosresultadosaunarchivoenformatodeExcelparasuposterioranálisis Resultados
Los delitos georreferenciados tomando como unidad geográfica el el Ageb (INEGI 2022e) con las variables económicas que se se consideran relacionadas con con con los delitos se se muestran en la la figura 1