RÚBRICA DE EVALUACIÓN DEL TRABAJO APLICATIVO INDIVIDUAL (TAI) DE LOS ESTUDIANTES PNP DE LA

ESCUELA DE OFICIALES PNP

ESTUDIANTE PNP: _______________________________________________________ AÑO: “______________” SECCIÓN: “____”
UNIDAD ACADÉMICA: ____________________________________________________ SEMESTRE ACADÉMICO: ___________ N° DE ORDEN: _____
TEMA: _________________________________________________________________
NIVEL DE LOGROS
CRITERIOS PUNTAJE
NOTABLE ALTO MEDIO BAJO
Describe un tema a investigar
Describe un tema a investigar Describe un tema a investigar sin No describe claramente el tema a
explicando de manera parcial la
INTRODUCCIÓN explicando la importancia del mismo. explicar la importancia del mismo. investigar ni explica la importancia del
importancia del mismo.
(3 puntos) (2 puntos) mismo. (1 punto)
(2.5 puntos)
Realiza una buena propuesta que
Realiza una propuesta que articula de Realiza una propuesta que articula
articula coherentemente las Realiza una propuesta que articula
manera parcial las principales líneas algunas líneas teóricas que
principales líneas teóricas que incoherentemente las líneas teóricas,
MARCO TEÓRICO teóricas que sustentan el problema, sustentan el problema, consulta más
sustentan el problema, consulta más sustenta erróneamente el problema.
consulta más de DOS (2) fuentes. de UNA (1) fuente.
de TRES (3) fuentes. (1 punto)
(3 puntos) (2 puntos)
(4 puntos)
Analiza el tema y las teorías
Analiza el tema y las teorías Analiza el tema y las teorías
investigadas, de manera parcial, Solo se menciona el tema asignado,
ANÁLISIS investigadas, sustentando con una investigadas, de manera incompleta.
sustentando una postura crítica. pero no se aborda. (1 punto)
postura crítica. (3 puntos) (2 puntos)
(2.5 puntos)
Las conclusiones son planteadas de Las conclusiones son planteadas de Las conclusiones son planteadas de
Las conclusiones son planteadas sin
manera coherente con los objetivos manera coherente, pero de acuerdo, manera coherente, pero no de
CONCLUSIONES coherencia ni relación con los objetivos
del trabajo de investigación. solo con algunos de los objetivos de la acuerdo con los objetivos de la
de la investigación. (1 punto)
(4 puntos) investigación. (3 puntos) investigación. (2 puntos)

Las recomendaciones son Las recomendaciones son planteadas Las recomendaciones no son
Las recomendaciones no son
planteadas de manera coherente. parcialmente coherente. planteadas de manera coherente.
RECOMENDACIONES planteadas. (1.5 puntos)
(3 puntos) (2.5 puntos) (2 punto)
Respeta la estructura del esquema Respeta parcialmente la estructura
Respeta la estructura del esquema de No considera la estructura del esquema
de investigación y presenta la del esquema de investigación, con
ESTRUCTURA investigación y presenta la información de investigación y la información
información de manera organizada. información organizada. Presenta de
REDACCIÓN/ organizada. Presenta hasta CINCO (05) proporcionada. Presenta más de DIEZ
No hay errores de gramática, SEIS (06) a DIEZ (10) errores de
ORTOGRAFÍA errores de gramática, ortografía o (10) errores de gramática, ortografía o
ortografía o puntuación. gramática, ortografía o puntuación.
puntuación. (2.5 puntos) puntuación. (1.5 puntos)
(3 puntos) (2 puntos)
PRESENTACIÓN DEL La no presentación del Trabajo Aplicativo Individual (TAI) en la fecha establecida, obedece a la calificación de CERO (00.00), no existiendo
TAI alguna calificación adicional.

PUNTAJE TOTAL
Puente Piedra, _____ de ________________ del 2024.

_______________________________ _______________________________
FIRMA Y POST FIRMA FIRMA Y POST FIRMA
ESTUDIANTE PNP DOCENTE
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

POLICÍA NACIONAL DEL PERÚ

ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES DE LA PNP

TRABAJO APLICATIVO INDIVIDUAL.

• UNIDAD ACADEMICA: INFORMÁTICA I

• TEMA: REDES NEURONALES

• SECCIÓN: K

• PROMOCIÓN: COMBATIENTES – PERFECCIÓN

• INTEGRANTE:

N° DE NOTAS
APELLIDOS Y NOMBRES
ORDEN ELABORACIÓN PROMEDIO

04 C2 PNP SOLANO NUÑEZ ANNY

LIMA – PERÚ
2024

1
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

INTRODUCCIÓN

La detección de fraude financiero es un desafío crucial en el sector bancario y

financiero en España. Según Elena Badal y Belén García (2016), se ha
observado que el modelo de Redes Neuronales puede desempeñar un papel
equiparable al de un "ojo policial", permitiendo la identificación de un mayor
número de operaciones fraudulentas. Por lo tanto, el objetivo primordial de este
modelo ajustado es detectar la mayor cantidad posible de operaciones
fraudulentas con precisión, al mismo tiempo que se busca minimizar la
proporción de operaciones legítimas clasificadas incorrectamente como
fraudulentas (falsos positivos).

Para alcanzar este objetivo, es fundamental entender las características

disponibles en la base de datos que describen una operación financiera. Estas
incluyen el tipo de artículo, la ubicación del almacén de la mercancía, el
administrativo/a involucrado/a, el importe total pagado al proveedor, el margen
bruto de beneficio, la cantidad de material en el artículo, y el margen de
descuento aplicado.

Es importante destacar que, previamente, la información sobre los individuos,

artículos o lugares involucrados en el fraude financiero es limitada. Solo se
cuenta con datos sobre un pequeño porcentaje de transacciones fraudulentas
confirmadas por la policía a través de sus procedimientos de investigación. Por
lo tanto, es esencial especificar las definiciones de fraude demostrado y fraude
sospechoso.

El fraude demostrado se refiere a las transacciones confirmadas como

fraudulentas por la policía, mientras que el fraude sospechoso comprende el
resto de las transacciones que no han sido confirmadas, pero se consideran
sospechosas.

Este estudio se centra en examinar las características presentes en las

transacciones confirmadas como fraudulentas, sin realizar juicios de valor "a
priori" sobre qué variables deben considerarse en la detección de fraudes.

2
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

Además, se emplea una estructura de red neuronal básica conocida como la

red de retro propagación o perceptrón de una sola capa oculta.

MARCO TEORICO
Detección de fraude financiero mediante redes neuronales en España

Según Elena badal y Belen Garcia, (2016), se espera que el modelo de Redes
Neuronales tenga un desempeño comparable al de un "ojo policial", detectando
un mayor número de operaciones fraudulentas. Por lo tanto, el objetivo del
modelo ajustado es identificar la mayor cantidad posible de operaciones
fraudulentas de manera precisa, al mismo tiempo que se busca minimizar la
proporción de operaciones legítimas mal clasificadas como fraudulentas (falsos
positivos).

Las características disponibles en la base de datos que describen una

operación son las siguientes:

• El tipo de artículo: una variable discreta que abarca los 42 tipos

diferentes de artículos que se comercializan.
• La ubicación del almacén de la mercancía: una variable discreta que
indica el lugar donde se realizó la compra del producto al proveedor, con
12 posibles localizaciones.
• El/la Administrativo/a involucrado/a: la persona que gestionó la
operación en el departamento de administración, con un total de 43
administrativos/as.
• El importe total pagado al proveedor por la adquisición del producto, una
variable continua.
• El margen bruto de beneficio de la operación, calculado restando el
importe total ingresado por la venta del material al cliente del importe
total pagado al proveedor, también una variable continua.
• La cantidad de material contenida en el artículo, una variable continua.
• El margen de descuento aplicado en la operación, otra variable continua.

Previamente no se dispone de información sobre los artículos, individuos o

lugares involucrados en el esquema de lavado de dinero. Solo se cuenta con

3
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

datos sobre un reducido número de transacciones fraudulentas (18.99% del

total) que la policía ha logrado confirmar como tales mediante sus
procedimientos de investigación.

Es importante destacar que estos procedimientos se basan en la vigilancia de

las personas implicadas en el esquema, seguida por la identificación de dichas
transacciones a través de registros contables. Por lo tanto, las transacciones no
identificadas como fraudulentas siguen siendo consideradas sospechosas. Por
esta razón, es crucial especificar las siguientes definiciones:

• Fraude demostrado: se refiere a aquellas transacciones que la policía ha

podido verificar como fraudulentas.
• Fraude sospechoso: comprende el resto de transacciones.
1.1. El fraude demostrado: En primer lugar, se examinan las
características presentes en las transacciones confirmadas como
fraudulentas. Estas descripciones no buscan realizar juicios de valor
"a priori" sobre qué variables deben considerarse al identificar
posibles fraudes en el modelo de red. De hecho, una de las ventajas
de este tipo de modelo radica en su capacidad para integrar toda la
información disponible en su estructura.

4
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

Descripción de la tabla 1. - Se presenta el recuento de transacciones

según el artículo. Se muestran únicamente los 18 códigos de artículo
más comunes, que representan el 94.27% de las transacciones.
Están ordenados según el número de transacciones confirmadas
como fraudulentas.
1.2. Especificación del modelo de red: Este estudio representa un primer
acercamiento a la aplicación de modelos de redes neuronales en el
ámbito pericial para detectar transacciones fraudulentas. Para ello,
se ha empleado una estructura de red bastante básica: la red de
retropropagación (Back-Propagation network) o perceptrón de una
sola capa oculta (Single Hidden Layer Perceptron).

Redes neuronales en Sudamérica

Según, Jaime Canchari (2021), la detección de fraudes financieros utilizando

redes neuronales es una técnica cada vez más común en todo el mundo,
incluyendo Sudamérica. Las redes neuronales son un tipo de algoritmo de
aprendizaje automático que pueden ser entrenadas para identificar patrones y
anomalías en grandes conjuntos de datos, lo que las hace muy efectivas para
la detección de fraudes.

5
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

En Sudamérica, como en otras partes del mundo, las instituciones financieras y

las empresas están adoptando tecnologías avanzadas, incluyendo redes
neuronales, para protegerse contra el fraude. Estas redes pueden analizar
grandes cantidades de datos financieros en tiempo real, identificando
comportamientos sospechosos o patrones inusuales que podrían indicar
actividades fraudulentas.

Algunos ejemplos de cómo se utilizan las redes neuronales para la detección

de fraudes financieros en Sudamérica incluyen:

1. Detección de transacciones fraudulentas: Las redes neuronales pueden

analizar patrones de transacciones financieras para identificar aquellas
que son consistentes con actividades fraudulentas, como el uso indebido
de tarjetas de crédito o débito, el fraude en línea, o la falsificación de
cheques.
2. Análisis de comportamiento del cliente: Las redes neuronales pueden
analizar el comportamiento histórico de los clientes, como sus patrones
de gasto y sus hábitos de compra, para detectar cambios inusuales que
podrían indicar que una cuenta ha sido comprometida o que se está
llevando a cabo un fraude.
3. Detección de lavado de dinero: Las redes neuronales también pueden
utilizarse para identificar patrones de transacciones financieras que son
consistentes con el lavado de dinero, ayudando a las instituciones
financieras a cumplir con las regulaciones contra el lavado de dinero y a
prevenir actividades ilícitas.

Es importante destacar que la efectividad de cualquier sistema de detección de

fraudes, incluyendo aquellos basados en redes neuronales, depende en gran
medida de la calidad de los datos utilizados para entrenar el modelo y de la
capacidad del modelo para adaptarse a nuevos tipos de fraude a medida que
evolucionan las tácticas de los delincuentes. Por lo tanto, el desarrollo y la
implementación exitosa de estos sistemas requieren de una combinación de
experiencia en seguridad financiera, conocimientos técnicos en inteligencia
artificial y una sólida comprensión del entorno regulatorio.

6
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

Descripción de la figura 3 y 4: muestran la comparación de la curva de

aprendizaje entre los distintos modelos para mejorar la capacidad de
reconocimiento de fraudes.

Redes neuronales en el Perú

Según, Torres Luna, (2022), en el Perú la detección de movimiento se realiza

mediante el análisis de la matriz de características de las imágenes de los
movimientos oculares. Estas imágenes, previamente clasificadas y sometidas a
un proceso de entrenamiento, son procesadas por una red neuronal artificial
totalmente conectada, específicamente un perceptrón multicapa, que identifica
el patrón de la posición de la mirada. Las redes neuronales artificiales (RNA) en
inteligencia artificial son modelos fundamentales que se basan en el

7
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

funcionamiento del cerebro humano. Estas redes consisten en nodos que

reciben y transmiten información entre sí, para generar una salida que
representa la predicción para la cual han sido entrenadas.

En la actualidad, la inteligencia artificial abarca una variedad de modelos, que

incluyen el análisis discriminante lineal, los árboles de decisión, la regresión
logística, la regresión lineal, Naive Bayes, el algoritmo de los k-vecinos más
cercanos, el aprendizaje de cuantificación vectorial, las máquinas de soporte
vectorial, la técnica de Bagging y Random Forest, la lógica difusa y las redes
neuronales artificiales.

➢ Tipos de redes neuronales artificiales

1. En términos de su topología según el patrón de conexiones, pueden ser:
• Monocapa: Consisten en una sola capa donde no hay ciclos ni
retroalimentación; todas las señales van directamente desde la entrada
hasta la salida. Ejemplos de estas incluyen el perceptrón y Adaline.
• Multicapa: Conformadas por varias capas donde tampoco existen ciclos
ni retroalimentación; todas las señales tienen una dirección desde la
entrada hasta la salida. Un ejemplo es el perceptrón multicapa.
• Recurrentes: Presentan al menos un ciclo cerrado de activación
neuronal, lo que implica retroalimentación. Ejemplos de estas son la
máquina de Boltzman, Elman y Hopfield.
2. En cuanto a su proceso de aprendizaje, se pueden distinguir básicamente
dos tipos:
• Aprendizaje supervisado: Requiere un conjunto de muestras de
patrones de solución para su entrenamiento.
• Aprendizaje no supervisado o auto-organizado: No necesita un
conjunto de muestras de patrones de solución para su
entrenamiento.

3. En términos de la naturaleza de su entrada, según el tipo de valor que

procesan, pueden clasificarse en:

• Entradas Analógicas: Reciben valores continuos y acotados como

datos de entrada. Ejemplos incluyen Hopfield y Kohonen.

8
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

• Entradas Discretas: Reciben valores discretos, típicamente ceros y

unos, como datos de entrada, como lógica booleana. Ejemplos son la
máquina de Boltzmann, máquina de Cauchy y la red discreta de
Hopfield.

El perceptrón multicapa es un modelo que evoluciona del perceptrón simple

al incorporar capas con neuronas ocultas. En esta estructura, la salida de
una neurona es la entrada de la siguiente. Tiene una arquitectura que
incluye una capa de entrada (que recibe los datos del exterior), una capa de
salida (que emite los resultados) y una o más capas ocultas (donde se
ejecuta la ponderación y las funciones de activación).

➢ El proceso en un perceptrón multicapa se divide en dos fases:

• Propagación: En esta fase, se calculan los resultados de salida de la
red siguiendo un orden desde los valores de entrada hacia adelante.
• Aprendizaje: Aquí, los errores obtenidos en la salida de la red se
propagan hacia atrás (backpropagation), lo que permite la
modificación de los pesos de las conexiones para que el valor
estimado de la red se acerque más al valor real, utilizando la función
gradiente del error.
➢ La arquitectura de un perceptrón multicapa se compone de:
• Capa de entrada: Conecta la red neuronal con el entorno, donde
cada neurona se corresponde con una de las variables de entrada
de la red.
• Capas ocultas: Conjunto de capas donde cada activación de salida
proviene de la suma ponderada de las activaciones de la capa
anterior, más sus respectivos umbrales.
• Capa de salida: Permite la conexión entre las capas ocultas y la
salida de la red, mostrando los resultados.

9
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

Descripción de la siguiente tabla: Se hace una comparación de acuerdo a

topología, proceso de aprendizaje y naturales de la entrada de las redes
neuronales.

Redes neuronales en Lima

Según Luis Macedo y Geremias Chavez (2016) en su investigación de tesis

titulado: Aplicación de redes neuronales artificiales sobre la violencia de la
mujer por su pareja según la encuesta demográfica y de salud familiar, ENDES
2016, construyen una Red Neuronal Artificial perceptrón de memoria asociativa
multicapa para determinar los predictores de la violencia de la mujer por su
pareja utilizando para ello los datos de la encuesta ENDES del año 2016.

Elementos de una Red Neuronal Artificial: Según las redes neuronales

artificiales están compuestos de los siguientes elementos:

• Las neuronas: Que son definidas como un conjunto de unidades de

procesamiento.
• El estado de activación: Para cada neurona, equivalente a la salida de la
neurona.
• Las conexiones entre las neuronas: Generalmente definidas por un peso
que determina el efecto de una señal de entrada en la neurona.
• La regla de propagación: Que determina la entrada efectiva de una
neurona a partir de las entradas externas.

10
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

• La función de activación: Que actualiza el nuevo nivel de activación

basándose en la entrada efectiva y la activación anterior.
• La entrada externa: Que corresponde a un término determinado como
vías para cada unidad.
• El método: Utilizado para reunir la información, correspondiente a la
regla del aprendizaje.
• El ambiente: En el que el sistema va a operar, con señales de entrada e
incluso señales de error.

Descripción de la tabla: Se explica como se interpreta la matriz de confusión de

las redes neuronales.

11
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

ANALISIS

El estudio sobre la detección de fraude financiero mediante redes neuronales

en España presenta una serie de aspectos interesantes y relevantes en el
ámbito de la seguridad financiera. A continuación, se destacan algunos puntos
clave:

1. Objetivo y Justificación del Estudio: El objetivo principal del estudio es

desarrollar un modelo de redes neuronales capaz de identificar operaciones
financieras fraudulentas con precisión, minimizando los falsos positivos. Esta
investigación se justifica en la necesidad de mejorar la detección de fraudes en
el sector financiero, utilizando técnicas avanzadas como las redes neuronales.

2. Características de las Transacciones: El análisis se basa en diversas

características de las transacciones financieras, incluyendo el tipo de artículo,
la ubicación del almacén, el personal administrativo involucrado, el importe
pagado al proveedor, el margen de beneficio, la cantidad de material y el
margen de descuento aplicado. Estas características proporcionan información
detallada que puede ser utilizada para identificar patrones de fraude.

3. Limitaciones de los Datos: Se reconoce que la información sobre las

transacciones fraudulentas es limitada y se basa en un pequeño porcentaje de
casos confirmados por la policía. Esto puede afectar la capacidad del modelo
para detectar fraudes no identificados previamente. Sin embargo, se destaca la
importancia de utilizar toda la información disponible para maximizar la
efectividad del modelo.

4. Definiciones Clave: Se establecen definiciones claras de fraude demostrado

y fraude sospechoso, lo que ayuda a contextualizar el análisis y los resultados
obtenidos. Esta distinción es fundamental para comprender la naturaleza de los
datos y las limitaciones del estudio.

5. Estructura del Modelo de Redes Neuronales: Se emplea un modelo de red

neuronal básico conocido como la red de retro propagación o perceptrón de
una sola capa oculta. Aunque esta estructura es simple, se espera que sea
efectiva para identificar patrones de fraude en los datos disponibles.

12
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

CONCLUSIONES

En conclusión, el estudio sobre la detección de fraude financiero mediante

redes neuronales en España destaca la creciente relevancia de la inteligencia
artificial, específicamente de las redes neuronales, en la lucha contra el fraude
en el sector financiero. El objetivo principal de esta investigación es desarrollar
modelos que puedan identificar con precisión un mayor número de operaciones
fraudulentas, al mismo tiempo que minimizan los falsos positivos, es decir, las
operaciones legítimas clasificadas erróneamente como fraudulentas.

Para lograr este objetivo, se emplean diversas características de las

transacciones financieras, como el tipo de artículo, la ubicación del almacén,
los administrativos involucrados y variables financieras como el importe total
pagado al proveedor y el margen de beneficio. Sin embargo, se enfrenta al
desafío de contar con una disponibilidad limitada de datos sobre transacciones
fraudulentas confirmadas, lo que dificulta el entrenamiento efectivo del modelo.

En Sudamérica, incluido el Perú, también se están adoptando tecnologías de

detección de fraudes basadas en redes neuronales. Estas tecnologías pueden
analizar grandes conjuntos de datos financieros en tiempo real para identificar
patrones sospechosos que podrían indicar actividades fraudulentas, como el
uso indebido de tarjetas de crédito, el lavado de dinero y otros tipos de fraude.

La implementación exitosa de sistemas de detección de fraudes basados en

redes neuronales requiere una combinación de experiencia en seguridad
financiera, conocimientos técnicos en inteligencia artificial y una comprensión
sólida del entorno regulatorio. Además, se deben considerar continuamente
nuevas técnicas y enfoques para mejorar la efectividad y la precisión de los
modelos de detección de fraudes en un entorno financiero en constante
evolución. Es crucial que las instituciones financieras y las empresas estén al
tanto de las últimas tendencias y avances en el campo de la inteligencia
artificial para mantenerse un paso adelante en la detección y prevención del
fraude financiero.

13
 ESCUELA NACIONAL DE FORMACION PROFESIONAL POLICIAL
ESCUELA DE OFICIALES

BIBLIOGRAFIA

➢ https://repositorio.uss.edu.pe/bitstream/handle/20.500.12802/
9633/Torres%20Luna%20Eduardo%20Alfonso.pdf?sequence=
1&isAllowed=y
➢ file:///C:/Users/Usuario/Downloads/3075-Article%20Text-9170-
1-10-20200122%20(1).pdf
➢ https://www.palermo.edu/ingenieria/pdf2020/CyT_20_04.pdf
➢

14