Outliers : qué son y cómo se usan en investigación criminal con inteligencia artificial
Los outliers son observaciones que se alejan de forma anormal del comportamiento esperado dentro de un conjunto de datos. En investigación criminal con inteligencia artificial, detectar outliers puede ayudar a localizar operaciones, comunicaciones, movimientos o patrones atípicos que merecen un análisis adicional, pero una anomalía estadística nunca debe interpretarse por sí sola como prueba de actividad delictiva.
Comprender los outliers es especialmente relevante para profesionales de la criminalística, la inteligencia y la seguridad que trabajan con grandes volúmenes de información. La inteligencia artificial permite procesar conjuntos de datos complejos y detectar desviaciones que podrían resultar difíciles de identificar mediante una revisión exclusivamente manual.
¿Qué son los outliers?
Un outlier, también denominado valor atípico, es una observación situada a una distancia anormal respecto al resto de valores de una muestra. Esta definición, utilizada por el National Institute of Standards and Technology (NIST), permite comprender por qué estos elementos tienen interés tanto en estadística como en inteligencia artificial.
Un ejemplo sencillo sería una base de datos donde casi todas las operaciones económicas de una cuenta se encuentran entre 20 y 500 euros y aparece repentinamente una transferencia de 40.000 euros. Esa operación constituye una anomalía respecto al comportamiento habitual.
Sin embargo, atípico no significa necesariamente delictivo. El NIST advierte de que un valor extremo puede proceder de un error en los datos, de una variación aleatoria o de un fenómeno realmente interesante. Por ello, eliminar automáticamente los outliers o atribuirles un significado concreto puede conducir a conclusiones erróneas.
¿Por qué son importantes los outliers en una investigación criminal?
Los outliers son importantes porque permiten dirigir la atención del investigador hacia comportamientos que se apartan significativamente de un patrón previamente establecido.
Una investigación moderna puede manejar miles o millones de registros: transacciones, conexiones entre dispositivos, eventos temporales, desplazamientos, registros digitales o relaciones entre entidades. Examinar manualmente cada elemento puede resultar inviable.
Aquí aparece una de las principales utilidades de la inteligencia artificial aplicada a la investigación criminal: utilizar herramientas computacionales para analizar conjuntos de datos grandes y complejos y apoyar la toma de decisiones. Europol señala precisamente el análisis de grandes conjuntos de datos y la automatización de tareas entre las capacidades que la IA puede aportar a las fuerzas del orden.
La detección de anomalías funciona, por tanto, como un mecanismo de priorización analítica. El sistema identifica aquello que merece ser examinado; corresponde después al profesional determinar su significado dentro de la investigación.
¿Cómo detecta la inteligencia artificial los outliers?
La detección de outliers mediante inteligencia artificial parte normalmente de una representación cuantitativa de los datos. El sistema analiza determinadas variables y trata de identificar observaciones que presentan características suficientemente diferentes del comportamiento general.
Existen varios enfoques. Los métodos estadísticos pueden determinar qué observaciones se encuentran excepcionalmente alejadas de determinados parámetros de una distribución. Los sistemas de machine learning, por su parte, pueden aprender estructuras más complejas cuando existen muchas variables simultáneamente.
En términos generales, el proceso puede resumirse así: primero se recopilan y preparan los datos; después se establece qué características resultan relevantes; posteriormente se aplica el método de detección y, finalmente, las anomalías identificadas se someten a interpretación y verificación.
Este último paso es fundamental. Un algoritmo puede señalar que algo es estadísticamente excepcional, pero no conoce automáticamente la explicación jurídica, criminalística o contextual de esa desviación.
Outliers en el análisis de transacciones y movimientos económicos
Uno de los ejemplos más intuitivos para comprender los outliers aparece en los datos financieros.
Supongamos que una determinada entidad presenta durante meses una actividad relativamente estable. Una modificación súbita en el volumen, frecuencia, horario, destino o estructura de determinadas operaciones puede aparecer como una anomalía.
La IA permite estudiar simultáneamente múltiples variables y destacar combinaciones poco frecuentes. Esto no convierte una transacción en ilícita, pero puede proporcionar un indicador para orientar posteriores comprobaciones cuando los datos se hayan obtenido legítimamente y exista base para analizarlos.
La diferencia entre detección y conclusión resulta esencial: el outlier genera una señal analítica; la investigación debe determinar qué significa.
Uso de outliers para detectar anomalías temporales
El tiempo también puede convertirse en una variable relevante.
Imaginemos un conjunto de registros en el que determinada actividad suele producirse dentro de unas franjas horarias concretas. Una concentración excepcional de eventos durante otro período podría ser detectada como comportamiento atípico.
Lo mismo sucede con la frecuencia. Si una variable presenta normalmente dos o tres eventos semanales y repentinamente registra decenas en pocas horas, el sistema puede señalar esa modificación.
Los outliers temporales permiten así localizar cambios bruscos dentro de secuencias extensas de información. La interpretación posterior deberá establecer si la desviación es irrelevante, responde a una explicación legítima o guarda relación con los hechos investigados.
Outliers y análisis de relaciones entre entidades
La investigación criminal también puede estudiar relaciones entre personas, cuentas, dispositivos u otras entidades, siempre dentro del marco jurídico aplicable.
En estos escenarios, los datos pueden representarse mediante redes o grafos. Los nodos representan entidades y las conexiones describen algún tipo de relación previamente definida.
Los outliers pueden aparecer entonces como entidades con una estructura relacional excepcional: una cantidad inusual de conexiones, una posición atípica dentro de la red o una modificación relevante respecto a su comportamiento histórico.
De nuevo, una posición estadísticamente singular no acredita responsabilidad penal. Su utilidad reside en generar una hipótesis susceptible de comprobación mediante otras fuentes y técnicas de investigación.
Diferencia entre outlier, anomalía e indicio criminal
Aunque estos conceptos pueden aparecer próximos, no deben confundirse.
| Concepto | Significado | Función en el análisis |
| Outlier | Observación muy alejada del comportamiento general | Señalar un dato estadísticamente atípico |
| Anomalía | Patrón o comportamiento que difiere de lo esperado | Detectar una desviación relevante |
| Indicio | Elemento cuya valoración depende del contexto jurídico y probatorio | Contribuir a una hipótesis investigativa |
| Prueba | Elemento sometido a las reglas procesales aplicables | Acreditar hechos dentro del procedimiento |
Por tanto, encontrar outliers constituye el comienzo de una pregunta, no necesariamente su respuesta.
¿Puede un outlier identificar automáticamente a un sospechoso?
No. Un outlier no permite identificar automáticamente a una persona como sospechosa ni demostrar que haya cometido un delito.
La anomalía únicamente refleja que una observación se diferencia de un patrón determinado. Esa diferencia puede deberse a múltiples causas legítimas, errores de registro, cambios de comportamiento o particularidades del conjunto de datos.
Esta precaución adquiere todavía mayor importancia cuando la inteligencia artificial interviene en actuaciones policiales. INTERPOL y UNICRI señalan que las herramientas de IA ofrecen posibilidades importantes para las fuerzas del orden, pero también plantean riesgos relacionados con los derechos humanos, las libertades individuales y la ética. Su manual propone precisamente un marco para desarrollar, adquirir e implantar estos sistemas de forma responsable.
El riesgo de los falsos positivos al detectar outliers
Uno de los principales problemas de la detección automatizada de outliers son los falsos positivos.
Un sistema puede considerar anormal un comportamiento perfectamente legítimo simplemente porque aparece pocas veces en los datos utilizados como referencia. Si esa señal se interpreta automáticamente como comportamiento sospechoso, el modelo puede provocar errores importantes.
También influye la calidad del conjunto de datos. Una base incompleta, desactualizada o sesgada puede generar una representación incorrecta de lo que supuestamente constituye la normalidad.
Europol ha analizado el uso de la inteligencia artificial en el ámbito policial y los desafíos que plantea su utilización. Entre ellos se encuentran cuestiones relacionadas con la calidad de los datos, los sesgos y la necesidad de utilizar estas tecnologías dentro de marcos adecuados de supervisión.
Por ello, los resultados deben ser evaluados junto con información contextual y sometidos a mecanismos adecuados de supervisión humana. La detección de una anomalía debe entenderse como una señal para profundizar en el análisis y no como una conclusión automática sobre la conducta de una persona.
Outliers, inteligencia artificial y Reglamento Europeo de IA
El empleo de outliers en sistemas policiales de inteligencia artificial no existe al margen del Derecho.
El Reglamento (UE) 2024/1689 de Inteligencia Artificial, publicado oficialmente en EUR-Lex, establece obligaciones y restricciones específicas para diferentes sistemas de inteligencia artificial. La normativa contempla además determinados usos relacionados con las fuerzas y cuerpos de seguridad dentro de su regulación de sistemas de alto riesgo.
Además, el Reglamento establece límites específicos para determinados sistemas destinados a evaluar o predecir el riesgo de que una persona cometa una infracción penal cuando la valoración se basa únicamente en la elaboración de perfiles o en determinados rasgos y características personales. La regulación diferencia estos supuestos del apoyo mediante IA a evaluaciones humanas basadas en hechos objetivos y verificables relacionados con una actividad delictiva.
Por eso, un modelo que detecta outliers debe entenderse como una herramienta analítica dentro de un proceso sometido a garantías, no como un mecanismo autónomo para determinar culpabilidad.
¿Qué conocimientos necesita un investigador para trabajar con outliers e IA?
El uso profesional de outliers exige combinar conocimientos tecnológicos con metodología criminalística y criterios jurídicos.
No basta con saber ejecutar un algoritmo. El investigador debe comprender qué datos se están analizando, cómo fueron obtenidos, qué variables utiliza el modelo, qué significa realmente la anomalía detectada y cuáles son las limitaciones del sistema.
También resulta importante conocer conceptos como machine learning, análisis de datos, sesgo algorítmico, falsos positivos, explicabilidad, trazabilidad y supervisión humana.
INTERPOL y UNICRI han desarrollado un Responsible AI Innovation Toolkit for Law Enforcement destinado específicamente a abordar la utilización responsable de inteligencia artificial por parte de organismos encargados de hacer cumplir la ley.
Para profesionales que quieran profundizar en estas competencias, la formación especializada en investigación criminal e inteligencia artificial permite comprender cómo integrar herramientas de análisis avanzado sin perder el rigor metodológico propio de las ciencias criminalísticas.
Outliers como herramienta para una investigación criminal basada en datos
Los outliers son especialmente valiosos cuando se entienden correctamente: no como respuestas automáticas, sino como señales que ayudan a formular mejores preguntas.
La inteligencia artificial puede localizar desviaciones dentro de cantidades de información que serían difíciles de revisar manualmente. El investigador aporta después aquello que el algoritmo no puede sustituir: contexto, contraste de fuentes, razonamiento criminalístico, valoración jurídica y supervisión humana.
Esta combinación explica por qué la detección de anomalías tiene potencial dentro de la investigación criminal contemporánea y, al mismo tiempo, por qué su utilización requiere profesionales capaces de comprender tanto sus posibilidades como sus límites.
Si quieres profundizar profesionalmente en victimología, investigación criminal, fraude y análisis de evidencias, consulta los programas especializados en criminalística de AICC y encuentra la formación que mejor encaje con tu perfil académico o profesional.
¿Qué son los outliers en inteligencia artificial?
Los outliers son observaciones que presentan una desviación anormal respecto al resto de valores de un conjunto de datos. En inteligencia artificial pueden utilizarse para detectar comportamientos o eventos poco frecuentes que posteriormente deben ser interpretados y verificados.
El NIST explica los valores atípicos dentro de su documentación estadística y señala la importancia de determinar su origen antes de decidir cómo tratarlos durante un análisis.
¿Para qué sirven los outliers en una investigación criminal?
Los outliers pueden servir para localizar datos o patrones atípicos que merecen una revisión adicional dentro de una investigación. Pueden aparecer en transacciones, secuencias temporales, relaciones entre entidades u otros conjuntos de información, pero su presencia no demuestra por sí misma la existencia de un delito.
¿Qué diferencia existe entre un outlier y una anomalía?
Un outlier suele referirse a una observación excepcionalmente alejada del comportamiento general, mientras que una anomalía es un concepto más amplio que describe una desviación respecto al patrón esperado. En la práctica, ambos conceptos están estrechamente relacionados dentro de los sistemas de detección automatizada.
¿Un outlier demuestra que existe una actividad criminal?
No, un outlier no demuestra por sí mismo que exista actividad criminal. Una observación atípica puede deberse a un error, una variación legítima o un fenómeno relevante que requiere investigación. Por ello, debe analizarse su origen y contrastarse con el resto de información disponible.
¿Puede la inteligencia artificial sustituir al investigador al analizar outliers?
No, la inteligencia artificial debe utilizarse como apoyo al análisis y no como sustituto automático de la valoración profesional. Los sistemas automatizados pueden localizar patrones difíciles de identificar manualmente, pero sus resultados requieren interpretación, contextualización y supervisión humana.
¿Es legal utilizar inteligencia artificial para detectar patrones criminales?
Su legalidad depende de la finalidad, los datos utilizados, el sistema concreto y la normativa aplicable. En la Unión Europea, el Reglamento de Inteligencia Artificial establece prohibiciones, obligaciones y requisitos específicos para determinados sistemas de IA, incluidos ciertos usos relacionados con las fuerzas y cuerpos de seguridad.
📘Másteres relacionados con lo que acabas de leer
Si este contenido te ha ayudado a profundizar en el estudio, puede que alguno de estos másteres encaje con tu perfil. Son programas especializados en criminología, criminalística, ciencias forenses e investigación criminal.
💡¿Necesitas ayuda para elegir tu máster?
Un asesor académico puede orientarte según tu experiencia, tus objetivos y el tiempo del que dispones. Podemos atenderte por teléfono o WhatsApp para resolver tus dudas al momento.
Última actualización 22/09/2026 por Academia Internacional Ciencias Criminalísticas
