El homicidio urbano en América Latina presenta patrones persistentes de concentración espacial y temporal que los enfoques estadísticos convencionales no logran capturar de manera adecuada. La mayoría de los análisis disponibles se basan en tasas crudas o mapas descriptivos que no incorporan la incertidumbre estadística ni las dependencias entre observaciones en el espacio y el tiempo. Estas limitaciones son especialmente notorias en ciudades con alta heterogeneidad socioespacial, donde los resultados son sensibles a la escala y forma de las unidades de análisis, problema conocido como el modifiable areal unit problem (MAUP). En contextos de alta autocorrelación territorial y persistencia temporal del crimen, ignorar estas dependencias puede conducir a conclusiones erróneas y a intervenciones mal focalizadas. Superar estas restricciones metodológicas requiere enfoques que representen el crimen como un proceso espacio-temporal no aleatorio cuya intensidad pueda estimarse, interpretarse y proyectarse de forma probabilística, manteniendo la transparencia interpretativa propia de los modelos estadísticos. Este proyecto propone modelar y pronosticar la dinámica espacio-temporal del homicidio en Medellín combinando inferencia bayesiana jerárquica con una estrategia de regionalización basada en grillas hexagonales regulares. La discretización hexagonal del territorio permite construir unidades de análisis homogéneas y geométricamente comparables que mitigan los efectos del MAUP y facilitan una representación continua de la estructura territorial del riesgo, a diferencia de los enfoques basados en límites político-administrativos que pueden introducir sesgos sistemáticos al variar en extensión, densidad poblacional y composición interna. Sobre estas unidades, definidas a distintas resoluciones espaciales, se estimarán modelos de conteo que integran estructuras de dependencia espacial y diferentes tipos de interacción espacio-temporal, todos bajo el marco de la Integrated Nested Laplace Approximation (INLA), metodología que permite realizar inferencia bayesiana eficiente en modelos de alta dimensionalidad. La selección de la mejor configuración de modelado se realizará mediante criterios de ajuste y validación predictiva geográficamente informada, lo que permitirá identificar la escala espacial y la estructura de dependencia que ofrecen el mejor equilibrio entre granularidad, estabilidad estadística e interpretabilidad territorial. El análisis no busca únicamente evaluar el ajuste de los modelos, sino también su capacidad para reproducir patrones históricos de concentración del crimen y generar predicciones calibradas a horizontes de corto y mediano plazo. Al concebir el homicidio como un proceso estocástico con estructura espacio-temporal explícita, este enfoque permite cuantificar la incertidumbre de las estimaciones y proyecciones, superando las limitaciones de los modelos de regresión tradicionales que asumen independencia entre observaciones. Desde el punto de vista teórico, el proyecto se inscribe en la línea de la criminología ambiental, que concibe el crimen como resultado de la convergencia entre oportunidades situacionales, ausencia de control social y características del entorno físico. Integrar esta perspectiva con la modelación estadística avanzada permite articular una interpretación sustantiva de los patrones identificados, más allá del ajuste numérico. La escala de análisis emerge como una variable metodológica central: distintas resoluciones territoriales pueden conducir a conclusiones divergentes sobre la intensidad y distribución del riesgo, por lo que evaluar sistemáticamente el efecto de la escala sobre el desempeño de los modelos constituye uno de los aportes centrales de este trabajo. El resultado esperado es un marco analítico metodológicamente riguroso y territorialmente pertinente, capaz de apoyar la toma de decisiones en materia de seguridad ciudadana en Medellín.