Este estudio tiene como objetivo analizar y explorar la reincidencia criminal con diferentes estrategias de modelado: una basada en una explicación del fenómeno y otra basada en una tarea de predicción. Comparamos tres enfoques estadísticos comunes para modelar la reincidencia: el modelo de regresión logística, el modelo de regresión de Cox y el modelo de tasa de curación. Los parámetros de estos modelos fueron estimados desde un punto de vista bayesiano. Además, con fines de predicción, comparamos el modelo proporcional de Cox, un bosque aleatorio de supervivencia y una red neuronal profunda. Para llevar a cabo este estudio, utilizamos un conjunto de datos reales que corresponde a una cohorte de individuos que consistía en hombres condenados por delitos sexuales contra mujeres en 1973 en Inglaterra y Gales. Los resultados muestran que el modelo de regresión logística tiende a dar estimaciones más precisas de las probabilidades de reincidencia tanto a nivel global como con los subgrupos considerados, pero a expensas de ejecutar un modelo para cada momento del tiempo que es de interés. El modelo de tasa de curación con una distribución relativamente simple, como Weibull, proporciona estimaciones aceptables, y estas tienden a ser mejores con períodos de seguimiento más largos. El modelo de regresión de Cox puede proporcionar las estimaciones más sesgadas con ciertos subgrupos. Los resultados de predicción muestran la superioridad de la red neuronal profunda en comparación con el modelo proporcional de Cox y el bosque aleatorio de supervivencia.