APLICACIONES DE LOS MÉTODOS DE
ANÁLISIS DE CLÚSTER Y CORRESPONDENCIA
EN EL ESTUDIO DE RESULTADOS DE EXAMEN
DE ADMISIÓN DE LA UNIVERSIDAD NACIONAL
DE SAN ANTONIO ABAD DEL CUSCO, 2022
APPLICATIONS OF CLUSTER AND CORRESPONDENCE
ANALYSIS METHODS IN THE UNIVERSIDAD NACIONAL DE
SAN ANTONIO ABAD DEL CUSCO ADMISSION EXAM
RESULTS STUDY, 2022
Luz Marina Catunta Guillén
Universidad Nacional de San Antonio Abad – Cusco
Santiago Soncco Tumpi
Universidad Nacional de San Antonio Abad – Cusco
Abelardo Huamán Guzmán
Universidad Nacional de San Antonio Abad – Cusco
pág. 357
DOI: https://doi.org/10.37811/cl_rcm.v8i6.14633
Aplicaciones De Los Métodos De Análisis De Clúster y Correspondencia
En El Estudio De Resultados De Examen De Admisión De La Universidad
Nacional De San Antonio Abad Del Cusco, 2022
Luz Marina Catunta Guillén
1
luz.catunta@unsaac.edu.pe
https://orcid.org/0009-0009-1203-6493
Universidad Nacional de San Antonio Abad –
Cusco
Perú
Santiago Soncco Tumpi
santiago.soncco@unsaac.edu.pe
https://orcid.org/0000-0002-4380-7555
Universidad Nacional de San Antonio Abad –
Cusco
Perú
Abelardo Huamán Guzmán
Abelardo.huaman@unsaac.edu.pe
https://orcid.org/0000-0002-7813-9956
Universidad Nacional de San Antonio Abad –
Cusco
Perú
RESUMEN
El objetivo de la presente investigación fue, analizar las APLICACIONES DE LOS MÉTODOS DE
ANÁLISIS DE CLÚSTER Y CORRESPONDENCIA EN EL ESTUDIO DE RESULTADOS DE
EXAMEN DE ADMISION DE LA UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL
CUSCO, 2022, se aplicaron técnicas estadísticas del análisis de conglomerados como el algoritmo
bietapico, PAM (partition around medoids) y clara (Clustering Large Applications) para poder cumplir
con el objetivo trazado, la investigación tuvo un enfoque cuantitativo, de alcance descriptivo, mientras
que el diseño de investigación es no experimental, de tipo transversal; así mismo la población de estudio
son los estudiantes que, ya egresaron de la educación básica regular quienes postularon en los diferentes
semestres de la universidad San Antonio Abad del Cusco.
Se han utilizado 3 algoritmos para poder conglomerar a los individuos, como el algoritmos de PAM
(Partitioning Around Medoids) y CLARA (Clustering Large Applications) y el algoritmo bietapico, se
calculó una matriz de distancias con la metodología de distancias mixtas de gower, en tanto se decidió
utilizar el algoritmo bietapico por tener mejor medida de silueta de cohesión y separación; se determinó
que 4 clústeres eran adecuados para describir los perfiles de los postulantes donde se observó que el
clúster 1, tiene prevalencia de alumnos que no ingresaron cuando postularon, su edad promedio es 18.49
años y su nota promedio fue de 7.44, su procedencia en su mayoría es del Cusco, de sexo femenino,
procedencia de colegio nacional y mayormente postulan al grupo D. En el clúster 2, tiene prevalencia
de alumnos que si lograron una vacante en la UNSAAC, con edad promedio de 20.7 años y su nota
promedio fue de 12.58, su procedencia mayormente es del Cusco, de sexo masculino, procedencia de
colegio nacional; en el clúster 3, tiene prevalencia de alumnos que no ingresaron cuando postularon, su
1
Autor principal
Correspondencia: luz.catunta@unsaac.edu.pe
pág. 358
edad promedio es 18.49 años y su nota promedio fue de 7.67, su procedencia en su mayoría es del Cusco,
de sexo masculino, procedencia de colegio particular y mayormente postulan al grupo A; en el clúster
4, tiene prevalencia de alumnos que no ingresaron cuando postularon, su edad promedio es 18.50 años
y su nota promedio fue de 7.75, su procedencia en su mayoría es del Cusco, de sexo femenino,
procedencia de colegio particular y mayormente postulan al grupo A.
Palabras clave: perfil, postulantes, Algoritmo bietápico, PAM, CLARA
pág. 359
Applications Of Cluster And Correspondence Analysis Methods In The
Universidad Nacional De San Antonio Abad Del Cusco Admission Exam
Results Study, 2022
ABSTRACT
The objective of this research was to analyze the APPLICATIONS OF THE CLUSTER AND
CORRESPONDENCE ANALYSIS METHODS IN THE UNSAAC ADMISSION EXAM RESULTS
STUDY, 2022, were applied statistical techniques of cluster analysis such as the two-stage algorithm,
pam (partition around medoids) and clear (Clustering Large Applications) in order to meet the stated
objective, the research had a quantitative approach, descriptive in scope, while the research design is
non-experimental, transversal type; Likewise, the study population is the students who have already
graduated from regular basic education who applied in the different semesters of the San Antonio Abad
University of Cusco.
3 algorithms have been used to cluster individuals, such as the PAM (Partitioning Around Medoids) and
CLARA (Clustering Large Applications) algorithms and the two-stage algorithm, a distance matrix was
calculated with Gower's mixed distance methodology, in Therefore, it was decided to use the two-stage
algorithm because it had a better measure of cohesion and separation silhouette; It was determined that
4 clusters were suitable to describe the profiles of the applicants where it was observed that cluster 1 has
a prevalence of students who did not enter when they applied, their average age is 18.49 years and their
average grade was 7.44, their majority origin She is from Cusco, female, comes from a national school
and mostly applies to group D. In cluster 2, there is a prevalence of students who did achieve a vacancy
at UNSAAC, with an average age of 20.7 years and their average grade was 12.58. , his origin is mostly
from Cusco, male, from a national school; In cluster 3, there is a prevalence of students who did not
enter when they applied, their average age is 18.49 years and their average grade was 7.67, their origin
is mostly from Cusco, they are male, they come from a private school and they mostly apply to the group
A; In cluster 4, there is a prevalence of students who did not enter when they applied, their average age
is 18.50 years and their average grade was 7.75, their origin is mostly from Cusco, they are female, they
come from a private school and they mostly apply to the group A.
Keywords: profile, applicants, two-stage algorithm, PAM, CLARA.
Artículo recibido 09 noviembre 2023
Aceptado para publicación: 12 diciembre 2023
pág. 360
INTRODUCCION
El Análisis de agrupamiento indica Elguera (2018) es conocido como Análisis de conglomerados, es
una técnica estadística multivariada cuyo propósito es agrupar un conjunto de objetos, tratando de lograr
la máxima homogeneidad en cada grupo y la mayor diferencia entre los grupos.
El término "Análisis de Clúster" refiere Chávez (2020) abarca una diversidad de métodos muy útiles
que se emplean para generar clasificaciones significativas. Este enfoque polifacético ofrece una gama
amplia de herramientas que pueden ser aprovechadas con flexibilidad, permitiendo la creación de
agrupaciones discernibles. Al utilizar el Análisis de Clúster, de acuerdo con Levy & Varela (2005) se
abre un abanico de posibilidades para estructurar y organizar datos de manera efectiva, facilitando la
identificación de patrones y relaciones relevantes. Este recurso multifacético se erige como un aliado
valioso en la tarea de dar sentido y orden a conjuntos de información diversos. De acuerdo con lo
manifestado por Fontalvo y Hoz (2020) para conformar grupos, se manejan medidas de distancias y
criterios de eslabonamiento para la clústerización de las observaciones, evaluándose su nivel de
disimilaridad o similaridad. En análisis de conglomerados y clusters de acuerdo con Sánchez y Velasco
(2012) representa una técnica estadística multivariante, cuyo propósito es dividir un conjunto de objetos
en grupos con vistas a que los perfiles de los objetos dentro de un mismo grupo sean análogos entre sí
(cohesión interna) y los de los objetos de clúster diferentes sean desiguales (aislamiento externo).
Cuando se buscar la solución cluster el método sugerido es el algoritmo K medias (k-means) de acuerdo
con Martínez y Marín (2017) que se caracteriza porque en cada etapa se comprueba si la configuración
clúster que se tiene, hasta ese momento, puede ser mejorada reasignando observaciones de un grupo a
otro. K-medias es el algoritmo de clustering por excelencia y también se le denomina algoritmo de
Lloyd (S/F), pues fue propuesto por primera vez por Stuart Lloyd, en 1957
En el fascinante mundo del Análisis de Clúster o conglomerado, según lo precisa la Universidad
Autónoma de Madrid (2017) destaca la singularidad de contar con escasa o nula información previa
sobre la estructura de las categorías. Este aspecto lo diferencia notablemente de los métodos
multivariantes de asignación y discriminación, donde la comprensión previa es esencial. En esencia, el
Análisis de Clúster de acuerdo a lo manifestado por Fleiss y Zubin (1969) se convierte en una
herramienta intrigante para explorar y revelar la complejidad inherente en conjuntos de datos, sin tener
pág. 361
prejuicios previos sobre la disposición de las categorías. Más concretamente manifiesta Cuadras (2019)
el objetivo es ordenar las observaciones en grupos tales que el grado de asociación natural es alto entre
los miembros del mismo grupo y bajo entre miembros de grupos diferentes.
Aunque la estructura de las categorías suele ser un misterio inicialmente según lo manifestado por
Everitt & Torsten (2011) que, es común contar con algunas ideas sobre las características deseables e
indeseables al definir un esquema de clasificación específico. A pesar de la incertidumbre inicial sobre
la disposición de las categorías, a menudo se poseen ciertas percepciones acerca de los atributos que se
consideran ideales o inaceptables al establecer un determinado sistema de clasificación. Este enfoque
flexible dentro de la dinámica de los sistemas según Forrester (1961) permite adaptarse a la complejidad
del análisis, permitiendo la incorporación de criterios claros y relevantes en el proceso de clasificación.
Para lo cual se recurrió a la metodología sistémica en opinión de Aracil (1995) El proceso de
modelado consiste en el conjunto de operaciones mediante el cual, tras el oportuno estudio y análisis,
se construye el modelo del aspecto de la realidad que resulta problemático
La presente investigación se ejecutó mediate la separación y cohesión con el método PAM
> library(cluster)
> gower_dist <- daisy(data_nueva,metric = "gower")
> # pam
> library(fpc)
> a=pamk(gower_dist,criterion="asw")
> a$crit
[1] 0.0000000 0.1731278 0.1715935 0.2169045 0.1992636 0.2015927 0.1
883585
[8] 0.1804238 0.1973837 0.1919144
> a$nc
[1] 4
a)
Índice de separación y cohesión con el método CLARA
> # clara
> b=pamk(gower_dist,criterion="asw",usepam=FALSE)
pág. 362
> b$crit
[1] 0.0000000 0.2993381 0.2444897 0.3370344 0.3422099 0.3442859 0.3
038037
[8] 0.3516095 0.3186699 0.2580091
> b$nc
[1] 8
Información de Campo
La muestra considerada para poder evaluar en la investigación estuvo conformada por 24,810
postulantes a la casa de estudios de la universidad Nacional de San Antonio Abad del Cusco la cual tiene
la siguiente distribución de datos, según el cuadro siguiente por periodo de postulación.
Tabla 1. Postulantes a la UNSAAC por Semestre
Frecuencia
Porcentaje
2021-1
3,974
16,0
2021-2
4,215
17,0
2022-1
6,316
25,5
2022-2
5,895
23,8
2023-1
4,410
17,8
Total
24,810
100,0
Análisis de Carga
Figura 1. Conglomerado 1
pág. 363
Se observa que en este conglomerado o clúster 1, tiene prevalencia de alumnos que no ingresaron cuando
postularon, su edad promedio es 18.49 años y su nota promedio fue de 7.44, su procedencia en su
mayoría es del Cusco, de sexo femenino, procedencia de colegio nacional y mayormente postulan al
grupo D.
Figura 2. Conglomerado 2
Se observa que en este conglomerado o clúster 2, tiene prevalencia de alumnos que ingresaron cuando
postularon, su edad promedio es 20.7 años y su nota promedio fue de 12.58, su procedencia en su
mayoría es del Cusco, de sexo masculino, procedencia de colegio nacional y mayormente postulan al
grupo A, obviamente que hay ingresantes a todos los grupos, pero hay más ingresantes al grupo A, donde
se sitúa la mayor cantidad de escuelas profesionales en la universidad.
Figura 3. Conglomerado 3
pág. 364
Se observa que en este conglomerado o clúster 3, tiene prevalencia de alumnos que no ingresaron cuando
postularon, su edad promedio es 18.49 años y su nota promedio fue de 7.67, su procedencia en su
mayoría es del Cusco, de sexo masculino, procedencia de colegio particular y mayormente postulan al
grupo A, donde se sitúa la mayor cantidad de escuelas profesionales en la universidad.
Figura 4. Conglomerado 4
Se observa que en este conglomerado o clúster 4, tiene prevalencia de alumnos que no ingresaron
cuando postularon, su edad promedio era de 18.50 años y su nota promedio fue de 7.75, su procedencia
en su mayoría es del Cusco, de sexo femenino, procedencia de colegio particular y mayormente postulan
al grupo A, donde se sitúa la mayor cantidad de escuelas profesionales en la universidad
En la tabla 2 anterior se puede evidenciar que para la dimensión 1 el clúster 1, es el que más influye,
mientras que para la segunda dimensión el clúster 2, es el que más influye, así mismo se tienen las
coordenadas en el biplot como por ejemplo para el clúster 1, su ubicación en el biplot es (0,459; 0,651)
para el clúster 2, su ubicación en el biplot es (0,125; 0,007) y así sucesivamente para los demás puntos.
pág. 365
En la figura se observa que al superponer los puntos del clúster y la procedencia de los estudiantes se
observa coincidencia del clúster 1, más cercano a las provincias de Cusco, Anta y Espinar, así mismo
el clúster 2, está más próximo a Canchis y Cusco, así mismo el clúster 3 y 4 se encuentra más próximo
a Cusco, Ancash, Apurímac, Espinar, Calca y Chumbivilcas.
OBJETIVO DEL ESTUDIO
El objetivo de la presente investigación fue la de analizar las APLICACIONES DE LOS MÉTODOS
DE ANÁLISIS DE CLÚSTER Y CORRESPONDENCIA EN EL ESTUDIO DE RESULTADOS DE
EXAMEN DE ADMISION DE LA UNIVERSIDAD NACIONAL DE SAN ANTONIO ABAD DEL
CUSCO, 2022
METODOLOGIA
La metodología utilizada para la presente investigación corresponde a un diseño no experimental según
lo manifiesta Sampieri (2006) el diseño no experimental es un tipo de investigación que se caracteriza
por la observación de fenómenos que ya ocurrieron, sin la intervención del investigador. Esto implica
que el investigador no puede controlar las variables independientes, solo puede observarlas y analizar
sus relaciones con las variables dependientes.
Se aplico en la presente investigación la transversalidad según lo manifiesta Hernández et al (2014) es
un tipo de estudio que se caracteriza por la recolección de datos de una muestra en un único punto en el
tiempo. Arias (2006) precisa que, este enfoque, también conocido como transeccional, permite analizar
las variables o la relación entre ellas en un momento específico el diseño transversal como un tipo de
pág. 366
investigación no experimental que se centra en la observación de fenómenos en un momento
determinado. Este enfoque se diferencia de los diseños longitudinales, que recopilan datos de la misma
muestra en diferentes momentos en el tiempo.
Con el propósito de identificar los grupos de estudiantes se utilizó el algoritmo clustering que en opinión
de Rai y Sing (S/F) además de Raulji (2014) y Velmurugam y Santhman consiste en un método
exploratorio multivariado iterativo no supervisado, el cual describe el comportamiento de los objetos
en grupos en fase exploratoria de investigación. Los resultados logrados en el análisis en opinión de
Wang y Zang (2007) se refiere al modo en el cual el analista no asigna clases previamente, el mismo
como lo manifiesta Faveró y Belfiore (S/F) y Scoltock (1982) fue utilizado en diversas áreas desde los
años sesenta.
De acuerdo con lo manifestado por Aggarwal (2014), Everit y Hothorn (2011) y Ketchen y Shoock
(1996) el algoritmo clasifica los objetos, asignándolos en grupos internamente homogéneos, y también
heterogéneos entre los mismos.
Dentro de las opciones que se utilizaron en opinión de Boehmke y Greenwell (2014) y Janseen y Wan
(2020) recomiendan utilizar el algoritmo clustering es el k-means que consiste en la técnica de distribuir
los objetos mediante el sistema de particiones en un número k de clusters definidos previamente tal
como lo menciona MacQueen (S/F) y Hartigan y Wong (1979).
Sin embargo, manifiesta Adams et al (2019) y Hair et al (2018) y Loperfido (2020) la utilización de este
enfoque presente inconvenientes tales como la presencia de elementos con outlers; de acuerdo a lo
manifestados por Acock (2014) Irizarry (2016) y Malhora (2018) los cuales pueden presentar efecto
extremo en el análisis y ocasionar un agrupamiento inadecuado.
DEFINICION DE LA POBLACION
En la presente investigación se desarrolló con todos postulantes que se presentaron al examen de
admisión ordinario desde el 2021-1 hasta el 2023-1 haciendo un total de 24,810 postulantes. Lo cual
representa una muestra censal según lo define López & Fachelli (1998) la muestra censal es aquella
porción que representa a toda la población, podríamos precisar también que se trata de un estudio.
INSTRUMENTO
El instrumento utilizado en la presente investigación fue el método Multivariado análisis de
pág. 367
Correspondencia y Análisis de Agrupamiento o Clusterización que como manifiestan Sangaro y
Matamoros (2020), son aquellas muestras que analizan múltiples características medidas en un
individuo que por estar interrelacionadas no tiene sentido medir su efecto de manera aislada. Las mismas
son más frecuentemente empleadas en los estudios observacionales acerca de la etiología y el pronóstico
de una enfermedad, ya que permiten explicar, predecir, controlar variables confusoras y obtener mayor
consistencia en la inferencia estadística
RESULTADOS
1.1.
Comparación de la edad según clúster de pertenencia
De la prueba estadística de Kruskall-Wallis(sig o pvalor = 0.00<0.05) se evidencio que si existen
diferencias de la edad en los diferentes clústeres, es así que observando el grafico de cajas se evidencia
que el clúster 2, en cuanto a edad se refiere presenta mayor nota promedio en comparación al resto, esto
puede deberse por que por información anterior se vio que este clúster aglomeraba mayormente a los
ingresantes a la universidad, lo explicado se puede observar en los gráficos posteriores y pruebas de
comparaciones por pares.
pág. 368
DISCUSION
Huapaya et al (2011) indican que al analizar el nivel del conocimiento de los estudiantes encontró tres
perfiles: individual, colectivo y colaborativo, en nuestro caso la investigación nos brindó 4 perfiles de
alumnos postulantes los cuales tienen diferencias debido a sus características.
Zuniga et al (2022) conglomero las carreras profesionales de medicina de distintas universidades usando
un enfoque basado en dendrogramas identifico agrupamientos. Después de analizar 11 variables, 5
asociadas a los estudiantes y otras 6 asociadas a la institución o universidad. Como resultado, se
obtuvieron dos dimensiones de clasificación: 1) un proxy de la calidad de las instituciones y de sus
estudiantes, y 2) un proxy del costo anual y del perfil socioeconómico de los estudiantes. A un primer
nivel de disimilitud aparecen dos grandes grupos de carreras de medicina: 1) perfil tradicional, regional,
pág. 369
con mejores indicadores de calidad institucional en promedio, y 2) perfil de instituciones privadas
jóvenes, con casa central en Santiago de Chile y con estudiantes de mayor nivel socioeconómico. Se
concluye que es posible caracterizar las carreras de medicina; de la misma manera que nosotros
utilizamos una técnica de clustering (bietápico) para poder desarrollar nuestro propósito, si bien es cierto
nosotros no usamos los dendogramas por la cantidad de sujetos a evaluar, pero el criterio de agrupar es
el mismo y los resultados difieren puesto que a nosotros nos resultó 4 grupos de perfiles de estudiantes.
De acuerdo con lo manifestado por Cerda (2011) quien nos manifiesta que, el razonamiento lógico
inductivo o inteligencia lógica, presenta un carácter psico-evolutivo y su promoción temprana puede
erigirse también, como una ayuda para el aprendizaje y comprensión de las matemáticas y por ende
constituir una herramienta para hacer frente al fracaso escolar dado que presenta relaciones
significativas con el rendimiento en matemáticas en la población escolar chilena
En Arora et al (2016) se aplicaron las técnicas más populares K- Means y K-Medoids sus resultados de
la comparación muestran que el tiempo empleado en la selección de los valores iniciales y la
complejidad espacial de la superposición del clúster es mucho mejor en K-Medoids que en K-Means.
Además, K-Medoids es mejor en términos de tiempo de ejecución, no sensible a valores atípicos y
reduce el ruido en comparación con KMeans, ya que minimiza la suma de las diferencias de los objetos
de datos, estos resultados se asemejan a los de Arbin, Suhailayani, et al (2015); Nosotros no
compartimos la misma conclusión debido que al comparar los algoritmos bietapico, PAM y CLARA
logramos un mejor índice de cohesión y separación con el algoritmo mietapico esto debido a la gran
cantidad de datos que nosotros utilizamos y el hecho de tener tanto variables cualitativas como
cuantitativas hizo que este algoritmo tenga un mejor performance Chávez (2020) cuando caracterizo el
perfil del ingresante de una universidad pública aplicando algoritmos clustering k-prototypes y k-
medoides”, lograron identificar 3 tipos de alumnos: Ingresante previsto, Ingresante en proceso y el
Ingresante en inicio; cada uno con características peculiares, las cuales permitirán a los responsables de
las políticas educativas y en especial a los profesores consejeros saber el tipo de alumno que tienen a su
cargo desde que ingresa a la universidad y empezar con ello políticas educativas como el
emprendimiento del acompañamiento especializado, sistemático e integral; buscando la realización del
paradigma del aprendizaje que la universidad se ha propuesto en su Modelo Educativo; la diferencia
pág. 370
con nuestro estudio es que nosotros analizamos a todos los postulantes mientras que Chávez analizo
solo a los ingresantes, nosotros obtuvimos 4 perfiles de postulantes y el método usado fue el bietápico
y no el K-medoides.
CONCLUSIONES
Se han utilizado 3 algoritmos para poder conglomerar a los individuos, con el algoritmo (bietápico) dio
un índice de silueta y cohesión en 0.37 donde el número ideal de clusters fue 4; así mismo en los
algoritmos de PAM (Partitioning Around Medoids) y CLARA (Clustering Large Applications) en el
programa R, se calculó una matriz de distancias con la metodología de distancias mixtas de gower y con
ello poder usar los otros algoritmos obteniéndose índices de 0.2169 con 4 clústeres en PAM y en el
algoritmo CLARA se obtuvo 0.3516 con 8 clústeres, En tanto se decidió utilizar el algoritmo bietápico
por tener mejor medida de silueta de cohesión y separación.
Se observa que en el conglomerado o clúster A, tiene prevalencia de alumnos que no ingresaron cuando
postularon, su edad promedio es 18.49 años y su nota promedio fue de 7.44, su procedencia en su
mayoría es del Cusco, de sexo femenino, procedencia de colegio nacional y mayormente postulan al
grupo D. en el clúster B, tiene prevalencia de alumnos que ingresaron cuando postularon, su edad
promedio es 20.7 años y su nota promedio fue de 12.58, su procedencia en su mayoría es del Cusco, de
sexo masculino, procedencia de colegio nacional y mayormente postulan al grupo A, obviamente que
hay ingresantes a todos los grupos, pero hay más ingresantes al grupo A, donde se sitúa la mayor
cantidad de escuelas profesionales en la universidad; en el clúster C, tiene prevalencia de alumnos que
no ingresaron cuando postularon, su edad promedio es 18.49 años y su nota promedio fue de 7.67, su
procedencia en su mayoría es del Cusco, de sexo masculino, procedencia de colegio particular y
mayormente postulan al grupo A; en el conglomerado D, tiene prevalencia de alumnos que no ingresaron
cuando postularon, su edad promedio es 18.50 años y su nota promedio fue de 7.75, su procedencia en
su mayoría es del Cusco, de sexo femenino, procedencia de colegio particular y mayormente postulan
al grupo A, donde se sitúa la mayor cantidad de escuelas profesionales en la universidad.
RECOMENDACIONES
Investigar la efectividad en la formación de estudiantes de educación básica regular que pretenden
ingresar a una Universidad Nacional como lo es la Universidad Nacional San Antonio Abad del Cusco,
pág. 371
debido a las bajas notas registradas.
En los colegios fortalecer el tema psicológico específicamente para abordar la ansiedad frente a las
evaluaciones y la ansiedad social en materias como matemáticas y lenguaje, con el objetivo de mejorar
su desempeño de los estudiantes a la hora de postular a la universidad.
A la universidad se recomienda tener en cuenta los perfiles encontrados en la presente investigación y
así poder tener mayor amplitud a la hora de convocar a exámenes de admisión.
Implementar un programa de orientación específico para estudiantes de provincias que brinde
información detallada sobre el proceso de postulación, becas disponibles y recursos de apoyo
académico y emocional. Establecer una ruta para acceder a fondos de becas destinado exclusivamente
a estudiantes de provincias, con criterios que tengan en cuenta las circunstancias económicas y las
necesidades específicas de esta población; por otro lado, desarrollar campañas de concientización que
destaquen los beneficios de estudiar en una universidad nacional, haciendo hincapié en las
oportunidades académicas, la red de contactos y el prestigio asociado.
REFERENCIAS BIBLIOGRAFICAS
Acock A. A gentle introduction to Stata. 4th ed. College Station: Stata Press. 2014
Adams J, Hayunga D, Mansi S, Reeb D, Verardi V. Identifying and treating outliers in finance. Financial
Management. 2019; 48(2): 345–384. Disponible en: https://cutt.ly/9hawFSN.
Arbin, N., Suhailayani, N., Zafirah, N., & Othman, Z. (2015). Comparative Analysis between K-Means
and K-Medoids for Statistical Clustering. 3rd International Conference on Artificial Intelligence,
Modelling & Simulation (AIMS), (págs. 117-121). doi:10.1109/AIMS.2015.82.
Aggarwal C. An introduction to cluster analysis. In C. Aggarwal, C. Reddy (Eds.). Data clustering:
Algorithms and applications (pp. 1-28). New York: CRC Press. 2014.
Arias (2006) Fidias Arias libro El proyecto de investigación Introducción a la metodología científica
Editorial Episteme
Arora, P., Deepali, & Varshney, S. (2016). Analysis of K-Means and K-Medoids Algorithm for Big
Data. Physics Procedia, 78, 507-512.
Boehmke B, Greenwell B. K-means Clustering. In Hands-On Machine Learning with R (pp. 399–416).
1st ed. New York: CRC Press. 2014. Disponible en: https://cutt.ly/KhaqBcJ.
pág. 372
Cerda, G., Pérez, C., Aguilar, M., & Aragón, E. (2018). Algunos factores asociados al desempeño
académico en matemáticas y sus proyecciones en la formación docente. Educ Pesqui, São Paulo,
1-19. doi:https://doi.org/10.1590/S1678- 4634201706155233
Chávez, L. (2020). Caracterización del perfil del ingresante de una Universidad Pública aplicando
algoritmos clustering K-Prototypes y K- Medoids. Lima, Perú: Universidad Nacional Agraria La
Molina.
Cuadras, C. (2019). Nuevos métodos de análisis multivariante. Barcelona, España: CMC Editions.
Cuenca, R. (2015). La educación universitaria en el Perú: democracia, expansión y desigualdades. Lima:
IEP Instituto de Estudios Peruanos.
Elguera, R. (2018). “Segmentación de clientes de un casino utilizando el algoritmo partición alrededor
de medoides (PAM) con datos Mixtos. Lima, Perú: Universidad Nacional Agraria La Molina.
Everitt, B. (2011). Cluster analysis 5th Editions. Londres: Wiley.
Everitt, B., & Torsten Hothorn. (2011). An Introduction to Applied Multivariate Analysis with R.
Londres: Springer.
Everitt B, Hothorn, T. Cluster analysis. In B. Everitt, T. Hothorn, An Introduction to Applied
Multivariate Analysis with R (pp. 163–200). 1st ed. New York: CRC Press. 2011.
Fávero L, Belfiore P. Análise de agrupamentos. In Manual de análise de dados: Estatística e modelagem
multivariada com Excel, SPSS e Stata (pp. 309–378). 1st ed. São Paulo: GEN. 2017.
Fleiss y Zubin J (1969) On the methods and theory of clustering. Multivariate Behavioral Research
4,235-250
Forrester, J. W. (1961). Industrial Dynamics. The M.I.T. Press
Fontalvo-Herrera, T. J., y Hoz-Granadillo, E. D. L. (2020). Conglomerate method-discriminant
analysis-data envelopment analysis to classify and evaluate business efficient. Entramado, 16(2),
46-55.
Hair J, Black W, Babin B, Anderson R. Multivariate data analysis. 8th ed. Ireland: Cengage Learning
EMEA. 2018
Hartigan J, Wong M. Algorithm AS 136: A K-means clustering algorithm. Journal of the Royal
Statistical Society. 1979; 28(1): 100-108. Disponible en: https://bit.ly/30jLpV1.
pág. 373
Hernández Sampieri, R., Fernández Collado, C., y Baptista Lucio, P. (2014). Metodología de la
investigación. Gobierno de Colombia. http://observatorio. epacartagena.gov.co/
Huapaya, C., Lizarralde, F., & Arona, G. (2011). Propuesta para Construir Perfiles Cognitivos en la
Evaluación del Estudiante. XIII Workshop de Investigadores en Ciencias de la Computación
(págs. 920-924). Argentina: Red de Universidades con Carreras en Informática (RedUNCI).
Irizarry R, Love M. Data analysis for the life sciences with R. 1st ed. United Kingdom: Chapman and
Hall/CRC. 2016.
Janssen A, Wan P. K-means clustering of extremes. Electronic Journal of Statistics. 2020; 14(1): 1211–
1233. Disponible en: https://cutt.ly/ihaupE6
Ketchen D, Shook C. The application of cluster analysis in strategic management research: An analysis
and critique. Strategic Management Journal. 1996; 17(6): 441–458. Disponible en:
https://cutt.ly/Whaq1Kh.
Levy Mangin, J. & Varela Mallou, Jesús (2005). Análisis multivariable para las ciencias sociales.
Madrid-España. Editorial Pearson Educación
Lloyd, Stuart P. (1982). "Least squares quantization in PCM" (PDF). IEEE Transactions on
Information Theory 28 (2): 129–137.CiteSeerX 10.1.1.131.1338.
doi:10.1109/TIT.1982.1056489. S2CID 10833328. Retrieved 2009-04-15.
López & Fachelli (1998) Pedro López Roldán y Sandra Fachelli Metodología de la Investigación social
cuantitativa Universidad Autónoma de Barcelona
Loperfido N. Kurtosis-based projection pursuit for outlier detection in financial time series. The Euro-
pean Journal of Finance. 2020; 26(2–3); 142–164. Disponible en: https://cutt.ly/dhaq0Oc.
Malhotra N. Marketing research: An applied orientation. 7th ed. New York: Pearson. 2018
Martínez-Pérez, Martín Agustín. (2017). Agrupación de patrones en series de tiempo usando una red
neuronal autoorganizativa (SOM) para el análisis de concentraciones de SO2. Revista de Ciencias
Ambientales y Recursos Naturales. 3(7): 16-24
MacQueen J. Some methods for classification and análisis of multivariate observations. Proceedings of
the Berkeley symposium on mathematical statistics and probability. 1967; 1: 281–297. Disponible
en: https://cutt.ly/YhaubYD.
pág. 374
Rai P, Singh S. A Survey of Clustering Techniques. International Journal of Computer Applications.
2010; 7(12): 1-5. Disponible en: https://cutt.ly/OhauJpX
Raulji G. A Review on Fuzzy C-Mean Clustering Algorithm. International Journal of Modern Trends
in Engineering and Research. 2014; 2(2): 751-754. Disponible en: https://bit.ly/2FSxewM.
Sampieri (2006) Roberto Hernández Sampieri, Carlos Fernández Collado, Pilar Baptista Lucio
Editores: McGraw Hill España Año de publicación: 2014 Edición:6ª País: España Idioma:
español ISBN: 978-1-4562-2396-
Sagaró del Campo, Nelsa María, & Zamora Matamoros, Larisa. (2020). Técnicas estadísticas
multivariadas para el estudio de la causalidad en Medicina. Revista de Ciencias Médicas de Pinar
del Río, 24(2), 287-300. Epub 01 de marzo de 2020. Recuperado en 04 de noviembre de 2024, de
http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S156131942020000200287&lng=es&tlng
=es.
Sánchez, P. P. I., Maldonado, C. J., & Velasco, A. P. (2012). Caracterización de las Spin-Off
universitarias como mecanismo de transferencia de tecnología a través de un análisis clúster.
Revista Europea de Dirección y Economía de la empresa,21(3), 240-254.
Scoltock J. A survey of the literature of cluster analysis. The Computer Journal. 1982; 25(1), 130–134.
Disponible en: https://cutt.ly/Ghaq8Rg
Universidad Autónoma de Madrid (2017) Análisis Conglomerado Cluster Facultad Ciencias
Económicas Empresariales Universidad Autónoma de Madrid obtenido de chrome-
extension://efaidnbmnnnibpcajpcglclefindmkaj/https://www.estadistica.net/Master-
Econometria/Analisis_Cluster.pdf
Velmurugan T, Santhanam T. A comparative analysis between K-medoids and fuzzy C-means
clustering algorithms for statistically distributed data points. Journal of Theoretical and Applied
Information Technolog. 2011; 27: 19-29. Disponible en: https://bit.ly/3867V6o
Joaquin Zuniga-Soria1 , Sergio Zuniga-Jara2 y Karla Soria-Barreto2* (1) Facultad de Medicina, Univ.
Católica del Norte, Coquimbo-Chile (correo-e: joaquin.zuniga@alumnos.ucn.cl) (2) Escuela de
Ciencias Empresariales, Univ. Católica del Norte, Coquimbo-Chile (correo-e: sz@ucn.cl;
ksoria@ucn.cl) * Autor a quien debe ser dirigida la correspondencia Recibido May. 5, 2022;
