1
Ecuaciones estructurales, conglomerados y mapas autoorganizados para el
control de calidad en educación superior
Mariela Lizety Córdova Espinoza, Alfonso Tesén Arroyo, Vicky Leonor Alata Linares,
María Luz Maldonado Peña, Edwin Johny Asnate Salazar, Ricardo Antonio Armas
Juárez, Jose Carlos Fiestas Zevallos
© Mariela Lizety Córdova Espinoza, Alfonso Tesén Arroyo, Vicky Leonor Alata Linares,
María Luz Maldonado Peña, Edwin Johny Asnate Salazar, Ricardo Antonio Armas
Juárez, Jose Carlos Fiestas Zevallos, 2025
Primera edición: Junio, 2025
Editado por:
Editorial Mar Caribe
www.editorialmarcaribe.es
Av. General Flores 547, Colonia, Colonia-Uruguay.
Diseño de portada: Yelia Sánchez Cáceres
Libro electrónico disponible en:
hps://editorialmarcaribe.es/ark:/10951/isbn.9789915698113
Formato: electrónico
ISBN: 978-9915-698-11-3
ARK: ark:/10951/isbn.9789915698113
URN: URN:ISBN:978-9915-698-11-3
Atribución/Reconocimiento-
NoComercial 4.0 Internacional:
Editorial Mar Caribe, firmante
Nº 795 de 12.08.2024 de la
Declaración de Berlín:
Editorial Mar Caribe-Miembro
de OASPA:
Los autores pueden autorizar al
público en general a reutilizar
sus obras únicamente con fines
no lucrativos, los lectores
pueden utilizar una obra para
generar otra, siempre que se dé
crédito a la investigación, y
conceden al editor el derecho a
publicar primero su ensayo bajo
los términos de la licencia CC
BY-NC 4.0.
"... Nos sentimos obligados a
abordar los retos de Internet como
medio funcional emergente para la
distribución del conocimiento.
Obviamente, estos avances pueden
modificar significativamente la
naturaleza de la publicación
científica, así como el actual sistema
de garantía de calidad...." (Max
Planck Society, ed. 2003., pp.
152-153).
Como miembro de la Open
Access Scholarly Publishing
Association, apoyamos el acceso
abierto de acuerdo con el código
de conducta, transparencia y
mejores prácticas de OASPA
para la publicación de libros
académicos y de investigación.
Estamos comprometidos con los
más altos estándares editoriales
en ética y deontología, bajo la
premisa de «Ciencia Abierta en
América Latina y el Caribe».
2
Editorial Mar Caribe
Ecuaciones estructurales, conglomerados y mapas
autoorganizados para el control de calidad en
educación superior
Colonia, Uruguay
2025
3
Sobre los autores y la publicación
Mariela Lizety Córdova Espinoza
mcordov[email protected]e
hps://orcid.org/0000-0002-7205-461X
Universidad Nacional de Piura, Perú
Alfonso Tesén Arroyo
hps://orcid.org/0000-0002-1088-7093
Universidad Nacional Pedro Ruiz Gallo, Perú
Vicky Leonor Alata Linares
hps://orcid.org/0000-0003-1897-5757
Universidad de San Martín de Porres, Perú
María Luz Maldonado Peña
hps://orcid.org/0000-0002-3143-769X
Universidad de San Martín de Porres, Perú
Edwin Johny Asnate Salazar
hps://orcid.org/0000-0002-4319-8964
Universidad Nacional Santiago Antúnez de Mayolo,
Perú
Ricardo Antonio Armas Juárez
hps://orcid.org/0000-0002-0048-2711
Universidad Nacional de Piura, Perú
Jose Carlos Fiestas Zevallos
hps://orcid.org/0009-0008-7860-5911
Universidad Nacional de Piura, Perú
Libro resultado de investigación:
Publicación original e inédita, cuyo contenido es el resultado de un proceso de investigación
llevado a cabo con anterioridad a su publicación, ha sido sometida a una revisión externa por
pares a doble ciego, el libro ha sido seleccionado por su calidad cientíca y porque contribuye
signicativamente al área de conocimiento e ilustra una investigación completamente
desarrollada y nalizada. Además, la publicación ha pasado por un proceso editorial que
garantiza su normalización bibliográca y usabilidad.
Sugerencia de citación:
Córdova, M.L., Tesén, A., Alata, V.L., Maldonado, M.L., Asnate, E.J., Armas, R.A., y Fiestas, J.C.
(2025). Ecuaciones estructurales, conglomerados y mapas autoorganizados para el control de calidad en
educación superior. Colonia del Sacramento: Editorial Mar Caribe.
4
Índice
Introducción ................................................................................................... 6
Capítulo I ....................................................................................................... 9
Análisis de conglomerados, mapas autoorganizados en educación: Aspectos
generales ........................................................................................................ 9
1.1 Introducción a las ecuaciones estructurales y su aplicación en el control
de calidad ................................................................................................... 9
1.1.1 Conglomerados en la evaluación del rendimiento académico ........ 10
1.1.2 Mapas autoorganizados como herramienta de visualización ......... 12
1.2 Métodos de Análisis de Clúster: Jerárquico, de distribución, de
partición y basado en la densidad ............................................................. 15
1.2.1 Análisis de clúster de partición ...................................................... 20
1.2.2 Análisis de clúster basado en la densidad ...................................... 22
1.3.1 Ventajas y desventajas de usar XLSTAT ........................................ 28
1.3.2 Análisis clúster en STATA ............................................................. 29
Capítulo II .................................................................................................... 33
Mejorando la Educación a través de Decisiones Informadas: El Papel Crucial
de las Herramientas Estadísticas .................................................................. 33
2.1 La Toma de Decisiones Informadas en Educación: Un Criterio Basado
en Datos .................................................................................................... 33
2.2 Análisis de varianza (ANOVA), prueba de hipótesis y chi-cuadrado para
la toma de decisiones ................................................................................ 39
2.3 Estadígrafos en educación: Herramientas esenciales para la mejora del
aprendizaje ............................................................................................... 46
Capítulo III .................................................................................................. 53
Mapas Autoorganizados de Kohonen: Una guía intuitiva para el Aprendizaje
No Supervisado ............................................................................................ 53
3.1 Fundamentos teóricos de los mapas de Kohonen ................................. 54
3.2 Arquitectura y algoritmo en R de mapas autoorganizados (SOM): Desde
la teoría hasta la implementación.............................................................. 60
5
3.3 Aprendizaje No Supervisado: Aplicaciones en matemática e informática
.................................................................................................................. 66
Capítulo IV .................................................................................................. 72
4.1 Fundamentos del Modelo de Ecuaciones Estructurales ........................ 73
4.1.1 Aplicación del SEM en la investigación educativa ......................... 75
4.2 Ecuaciones estructurales (SEM): Sintaxis en R y Python ...................... 78
4.2.1 Estructura básica de un modelo SEM ............................................. 80
4.2.2 Sintaxis de SEM en Python ............................................................ 82
4.3 Optimización de la Calidad Educativa a través del Análisis de
Ecuaciones Estructurales: Fundamentos y aplicaciones ............................. 85
4.3.1 Fundamentos del análisis de ecuaciones estructurales ................... 86
4.3.2 Aplicaciones en la gestión de la calidad educativa ......................... 88
Conclusión ................................................................................................... 93
Bibliografía .................................................................................................. 96
6
Introducción
En el contexto educativo actual, donde la personalización del aprendizaje
y la adaptación a las necesidades individuales de los estudiantes son esenciales,
las técnicas analíticas juegan un papel crucial. Entre estas técnicas matemáticas,
el análisis de conglomerados, las ecuaciones estructurales y los mapas
autoorganizados han ganado relevancia como herramientas poderosas para
entender y mejorar los procesos de enseñanza y aprendizaje.
El análisis de conglomerados y los mapas autoorganizados ofrecen
oportunidades signicativas para el desarrollo del aprendizaje personalizado en
el ámbito educativo. Al permitir la identicación de patrones en los datos de los
estudiantes, estas técnicas facilitan la segmentación de grupos según sus
necesidades, estilos de aprendizaje y preferencias. Esto no solo permite a los
educadores adaptar sus métodos de enseñanza, sino que también promueve la
creación de recursos educativos más relevantes y ajustados a las características
de cada grupo. Verbigracia, al agrupar a estudiantes con habilidades similares,
los docentes pueden diseñar actividades que fomenten la colaboración y el
aprendizaje entre pares, mejorando así la experiencia educativa de todos los
participantes.
Además, la implementación de estas técnicas puede contribuir a la
detección temprana de dicultades en el aprendizaje. Al analizar los datos
académicos y de comportamiento, los educadores pueden identicar a aquellos
estudiantes que se encuentran en riesgo de bajo rendimiento y proporcionar
intervenciones especícas y oportunas, lo que puede marcar una diferencia
signicativa en su trayectoria educativa.
7
Ahora bien, para que el análisis de conglomerados y los mapas
autoorganizados sean efectivos, se requiere acceso a datos precisos y
signicativos sobre los estudiantes. Sin embargo, muchas instituciones
educativas carecen de sistemas adecuados para recopilar y analizar esta
información, por ende, es necesaria la inversión en tecnologías educativas y en
infraestructuras de datos, por lo tanto, es un paso crucial para superar esta
brecha. En consecuencia, el presente libro tiene como objetivo, explorar la
aplicación de las ecuaciones estructurales, junto con técnicas complementarias
como los conglomerados y los mapas autoorganizados, en el contexto del control
de calidad en la educación superior.
Hoy en día, la educación continua evolucionando en respuesta a las
demandas sociales y tecnológicas y, el uso del SEM puede ser un factor clave
para mejorar la calidad educativa. Por lo tanto, es fundamental que
investigadores, educadores y responsables de políticas sigan explorando y
perfeccionando el uso de esta técnica, asegurando así que se pueda aprovechar
al máximo su potencial en benecio de los sistemas educativos. En última
instancia, la aplicación adecuada de las Ecuaciones Estructurales puede
contribuir signicativamente a la creación de entornos de aprendizaje más
efectivos y equitativos, ayudando a preparar a las futuras generaciones para
enfrentar los retos del mundo contemporáneo.
Además, el SEM utiliza métodos de estimación como la máxima
verosimilitud y la estimación de mínimos cuadrados ponderados, que permiten
ajustar el modelo a los datos observados y evaluar su adecuación. La validación
del modelo se lleva a cabo mediante índices de bondad de ajuste, que indican
cuán bien el modelo propuesto se ajusta a los datos. A través de estos métodos
estadísticos, el SEM proporciona una plataforma robusta para explorar y
conrmar teorías en contextos educativos.
8
En este sentido, los autores esbozan a través de cuatro capítulos una visión
general sobre las Ecuaciones Estructurales y su aplicación en el control de calidad
de la educación. Se explorarán los fundamentos teóricos del SEM, sus
aplicaciones prácticas en el ámbito educativo, así como los desafíos y limitaciones
que enfrentan los investigadores al utilizar esta metodología. Al nal, se espera
proporcionar a los lectores una comprensión clara de cómo las Ecuaciones
Estructurales pueden contribuir a mejorar la calidad de la educación y a abordar
las complejidades inherentes a este campo.
9
Capítulo I
Análisis de conglomerados, mapas autoorganizados en
educación: Aspectos generales
1.1 Introducción a las ecuaciones estructurales y su aplicación en el
control de calidad
Las ecuaciones estructurales, encima conocidas como modelado de
ecuaciones estructurales (SEM, por sus siglas en inglés), representan una
poderosa metodología estadística que concede analizar relaciones complejas
entre variables observadas y latentes. Este criterio no solo proporciona un marco
robusto para la validación de teorías, sino que todavía es crucial en el ámbito de
la educación superior, donde se busca establecer un control de calidad efectivo
que garantice la mejora continua en los procesos educativos y en los resultados
de aprendizaje.
Las ecuaciones estructurales son un conjunto de técnicas estadísticas
utilizadas para modelar y analizar las relaciones entre múltiples variables
simultáneamente. A través de la formulación de modelos que incluyen tanto
variables observables como latentes, se logran examinar no solo las relaciones
directas, sino todavía las interacciones entre diferentes factores (Ortiz y
Fernández, 2018). Este criterio concede a los investigadores entender de manera
más holística cómo diversos elementos, como el diseño curricular, la enseñanza
y el ambiente institucional, inuyen en el rendimiento académico y en la
satisfacción estudiantil.
10
El control de calidad en la educación superior es fundamental para
asegurar que las instituciones cumplan con los estándares académicos y
administrativos necesarios para presentar una educación de excelencia. En un
contexto donde la competencia entre instituciones es cada vez más intensa y las
expectativas de los estudiantes son más altas, aplicar métodos de control de
calidad se convierte en una necesidad imperiosa. Este proceso no solo implica la
evaluación del rendimiento académico, sino todavía la consideración de aspectos
como la formación del profesorado, la infraestructura, los recursos disponibles y
la satisfacción del alumnado. A través de las ecuaciones estructurales, las
instituciones logran identicar áreas de mejora y desarrollar estrategias
enfocadas en optimizar la calidad educativa.
A través de un análisis detallado, se pretende demostrar cómo estas
metodologías logran integrarse para presentar una visión más completa y
efectiva del rendimiento académico y del entorno educativo. Se busca,
igualmente, proporcionar un marco teórico y práctico que sirva de guía a
investigadores y administradores educativos en sus esfuerzos por implementar
un control de calidad riguroso y basado en evidencia. Con ello, se espera
contribuir al fortalecimiento de la educación superior, asegurando que las
instituciones no solo cumplan con estándares, sino que todavía los superen,
beneciando así a estudiantes, docentes y a la sociedad en general.
1.1.1 Conglomerados en la evaluación del rendimiento académico
Los conglomerados, encima conocidos como "clústeres", son técnicas
estadísticas que posibilitan agrupar objetos o individuos en conjuntos que
comparten características similares. En el contexto de la evaluación del
rendimiento académico, los conglomerados se utilizan para clasicar a los
estudiantes según sus resultados en diferentes métricas, como calicaciones,
habilidades y comportamientos de aprendizaje. Esta clasicación concede
11
identicar patrones que logran ser cruciales para comprender el rendimiento
académico y, por ende, para implementar estrategias de mejora.
Existen varios tipos de conglomerados, siendo los más comunes el
conglomerado jerárquico y el de partición. El conglomerado jerárquico crea una
estructura de árbol que muestra cómo se agrupan los individuos, mientras que
el de partición divide el conjunto de datos en un número especíco de grupos
predenidos. Ambas técnicas ofrecen perspectivas diferentes que logran ser
valiosas para los educadores y administradores en la toma de decisiones.
Para aplicar la técnica de conglomerados en la evaluación del rendimiento
académico, se logran seguir diversos métodos. Primero, es necesario recopilar
datos relevantes que reejen el desempeño de los estudiantes. Estos datos logran
incluir calicaciones, asistencia, participación en clase, y resultados de exámenes
estandarizados, entre otros, una vez recopilados, se deben normalizar y preparar
los datos para el análisis (Caso et al., 2016). Las técnicas de conglomerado
requieren que los datos estén en un formato adecuado, lo que consigue implicar
la transformación de variables o la imputación de datos faltantes. Posteriormente,
se selecciona un algoritmo de conglomerado, siendo K-means uno de los más
utilizados en el ámbito educativo debido a su simplicidad y ecacia.
La visualización de los resultados es un paso crucial en este proceso.
Herramientas como grácos de dispersión y dendrogramas posibilitan a los
educadores identicar de manera intuitiva los grupos formados y explorar las
características que los denen, facilitando así la interpretación de los resultados.
El uso de conglomerados en la evaluación del rendimiento académico ha sido
objeto de diversos estudios que destacan su ecacia en la identicación de grupos
de estudiantes con características similares.
12
Un ejemplo notable se encuentra en una investigación realizada en una
universidad donde se aplicaron técnicas de conglomerado para segmentar a los
estudiantes según su rendimiento en matemáticas. Los resultados no solo
revelaron tres grupos distintos —altos, medios y bajos rendimientos—, sino que
del mismo modo permitieron a los educadores diseñar estrategias de
intervención personalizadas para cada grupo, mejorando así el rendimiento
general.
Otro estudio, llevado a cabo en una institución de educación técnica,
utilizó el análisis de conglomerados para evaluar el desempeño de los estudiantes
en diversas asignaturas. Los resultados mostraron que los estudiantes que solían
obtener buenas calicaciones en un área especíca todavía tenían un rendimiento
superior en otras materias relacionadas. Esta información fue crucial para la
planicación curricular y para presentar tutorías especícas que se alinearan con
las necesidades de los estudiantes.
La aplicación de conglomerados en la evaluación del rendimiento
académico ofrece una herramienta poderosa para entender mejor a los
estudiantes y sus necesidades. Al segmentar a los estudiantes en grupos
signicativos, las instituciones educativas logran implementar estrategias más
efectivas para mejorar la calidad de la enseñanza y el aprendizaje, contribuyendo
así al objetivo general de elevar los estándares en la educación superior.
1.1.2 Mapas autoorganizados como herramienta de visualización
Los mapas autoorganizados, todavía conocidos como mapas
autoorganizados de Kohonen, son una técnica de aprendizaje no supervisado
que concede la visualización y análisis de datos multidimensionales en un
espacio bidimensional. Estos mapas se basan en una red neuronal que organiza
la información de manera que los datos similares se agrupan en regiones cercanas
13
del mapa. Esto facilita la identicación de patrones, relaciones y estructuras
subyacentes dentro de conjuntos de datos complejos, haciendo que sean
particularmente útiles en el campo de la educación, donde la diversidad de
variables consigue complicar el análisis de rendimiento académico.
La implementación de mapas autoorganizados en el contexto educativo
ofrece diversas ventajas. En primer lugar, posibilitan una representación visual
clara de los datos, lo que facilita la interpretación por parte de educadores y
administradores. Esto es especialmente útil para identicar grupos de
estudiantes con características o necesidades similares, lo que consigue informar
decisiones sobre intervenciones pedagógicas y personalización del aprendizaje.
Del mismo modo, los mapas autoorganizados logran integrar diferentes
dimensiones del rendimiento académico, como calicaciones, asistencia,
participación en actividades extracurriculares y características
sociodemográcas. Esta capacidad para manejar múltiples variables
simultáneamente concede una comprensión más holística del rendimiento
estudiantil; otra ventaja signicativa es su capacidad para adaptarse y aprender
de nuevos datos (Zatarain y Barrón, 2011). Al paso que se recopilan más
información y retroalimentación, los mapas logran actualizarse, reejando
cambios en el rendimiento o en las dinámicas del aula, lo que proporciona un
criterio dinámico y en evolución para el control de calidad en la educación
superior.
La implementación de mapas autoorganizados en instituciones educativas
implica varios pasos clave. Primero, es esencial recopilar datos relevantes sobre
el rendimiento académico de los estudiantes. Esto consigue incluir resultados de
exámenes, evaluaciones continuas y datos demográcos. Una vez recopilados,
estos datos se procesan y se transforman en un formato adecuado para el análisis.
Este proceso consigue requerir la colaboración entre educadores, analistas de
14
datos y expertos en tecnología educativa para asegurar que el criterio sea efectivo
y adaptado a las necesidades especícas de la institución.
Una vez que se ha creado el mapa, se debe llevar a cabo una interpretación
de los resultados. Esto implica analizar los grupos identicados, observar las
características comunes de los grupos y evaluar cómo esta información consigue
utilizarse para mejorar las estrategias de enseñanza y aprendizaje. Por último, es
crucial establecer un sistema de retroalimentación que permita ajustar
continuamente el mapa en función de los nuevos datos y resultados, asegurando
así que la herramienta siga siendo relevante y útil para el control de calidad en la
educación superior.
Las ecuaciones estructurales han demostrado ser herramientas poderosas
para modelar relaciones complejas entre variables educativas, permitiendo a los
investigadores y administradores entender mejor los factores que inuyen en el
rendimiento académico y la satisfacción estudiantil. Por otro lado, el uso de
conglomerados ha facilitado la segmentación de estudiantes y programas, lo que
ha permitido una evaluación más precisa y personalizada del rendimiento
académico. Por añadidura, los mapas autoorganizados han emergido como una
valiosa herramienta de visualización, ofreciendo a las instituciones educativas
una forma innovadora de representar datos complejos y patrones de aprendizaje.
Dada la creciente importancia del control de calidad en la educación
superior, es esencial que futuras investigaciones continúen explorando la
sinergia entre estas técnicas. Se recomienda llevar a cabo estudios longitudinales
que integren ecuaciones estructurales, conglomerados y mapas autoorganizados
para proporcionar una visión más holística del impacto de diferentes variables
en el rendimiento académico. A su vez, sería benecioso investigar cómo estas
técnicas logran ser adaptadas y personalizadas para diferentes contextos
educativos y poblaciones estudiantiles. La colaboración interdisciplinaria entre
15
educadores, estadísticos y especialistas en tecnología consigue engrandecer el
desarrollo de nuevas metodologías y herramientas.
La integración de ecuaciones estructurales, conglomerados y mapas
autoorganizados representa un avance signicativo en la búsqueda de un control
de calidad efectivo en la educación superior. Estas técnicas no solo posibilitan
una comprensión más profunda de los factores que afectan el aprendizaje, sino
que todavía facilitan la toma de decisiones informadas en la gestión educativa
(Gúzman, 2011). En un mundo donde la educación enfrenta aspectos constantes,
como la globalización y la transformación digital, el uso de herramientas
analíticas avanzadas es crucial para garantizar que las instituciones educativas
cumplan con sus objetivos de calidad. Al adoptar un criterio basado en datos y
evidencia, las universidades y colegios logran no solo mejorar su rendimiento
académico, sino encima preparar a sus estudiantes para enfrentar los aspectos
del futuro con conanza y competencia.
1.2 Métodos de Análisis de Clúster: Jerárquico, de distribución, de
partición y basado en la densidad
El análisis de clúster es una técnica estadística y de aprendizaje automático
que concede agrupar un conjunto de objetos en grupos o clústeres, de tal manera
que los objetos dentro de cada clúster son más similares entre sí que los objetos
de diferentes clústeres. Este criterio es fundamental en la exploración de datos,
ya que facilita la identicación de patrones y la simplicación de conjuntos de
datos complejos.
El objetivo principal del análisis de clúster es descubrir la estructura
inherente en los datos, lo que concede a los investigadores y analistas segmentar
y categorizar información sin necesidad de conocer previamente las clases o
grupos existentes. A través de diversas técnicas, se logran identicar grupos que
16
comparten características similares, lo cual es útil en múltiples aplicaciones,
desde la segmentación de mercado hasta la biología y la detección de anomalías.
Existen varios métodos de análisis de clúster, cada uno con sus propias
ventajas y desventajas. Estos métodos se logran clasicar en varias categorías,
como el análisis de clúster jerárquico, de distribución, de partición y basado en la
densidad. Al paso que la cantidad de datos y la complejidad de los mismos
continúan creciendo, el análisis de clúster se vuelve cada vez más relevante,
ayudando a los profesionales a extraer información valiosa y a tomar decisiones
informadas basadas en datos.
La capacidad de visualizar y entender la agrupación de datos todavía es
un aspecto crucial del análisis de clúster, ya que concede a los investigadores
interpretar los resultados y validar las decisiones tomadas. En un mundo donde
la información abunda, el análisis de clúster se establece como una herramienta
esencial en la búsqueda de conocimiento y la mejora de procesos en diversas
disciplinas.
El análisis de clúster jerárquico es una técnica de agrupamiento que busca
construir una jerarquía de clústeres. A diferencia de otros métodos de
agrupamiento que logran producir una partición plana de los datos, el análisis
jerárquico organiza los datos en una estructura de árbol o dendrograma, donde
cada clúster consigue ser subdividido en subclústeres (Yadav y Duhll, 2024). Este
criterio proporciona una representación visual de la relación entre los diferentes
grupos y concede una interpretación más rica de la estructura de los datos.
El análisis de clúster jerárquico se basa en la idea de que los objetos
similares deben agruparse juntos y que las relaciones entre estos objetos logran
ser representadas en forma de jerarquía. Este método se caracteriza por su
capacidad para identicar estructuras complejas en los datos, permitiendo que
17
los analistas exploren diferentes niveles de agrupamiento. Las características más
notables del análisis de clúster jerárquico incluyen:
- Jerarquía: La organización en forma de árbol concede observar cómo los clústeres
se agrupan a diferentes niveles de similitud.
- No requiere especicar el número de clústeres: A diferencia de métodos como K-
means, no es necesario denir de antemano cuántos clústeres se desean
identicar.
- Flexibilidad: Consigue utilizarse con diferentes métricas de distancia y métodos
de enlace, lo que concede adaptar el análisis a la naturaleza especíca de los
datos.
Existen dos planteamientos principales dentro del análisis de clúster
jerárquico: aglomerativo y divisivo.
- Método aglomerativo: Este es el criterio más común y comienza con cada objeto
como un clúster individual. Es decir, se fusionan los clústeres más cercanos en
cada paso, creando una jerarquía que se expande hacia arriba hasta que todos los
objetos están en un único clúster. La elección de la medida de distancia (como la
distancia euclidiana) y del criterio de enlace (como el enlace simple, completo o
promedio) inuye en la forma en que se forman los clústeres.
- Método divisivo: A diferencia del método aglomerativo, el criterio divisivo
comienza con todos los objetos en un solo clúster y los divide en subclústeres en
pasos sucesivos. Este método es menos común debido a su complejidad
computacional, pero consigue ser útil en ciertos contextos donde se conoce que
los datos contienen una estructura jerárquica clara.
El análisis de clúster jerárquico tiene aplicaciones en una variedad de
campos. En biología, se utiliza para agrupar diferentes especies o genomas en
18
función de su similitud genética. En marketing, concede segmentar clientes
según sus comportamientos y preferencias, ayudando a las empresas a
personalizar sus estrategias. De mismo modo se aplica en la investigación social,
donde se consigue utilizar para identicar grupos de individuos con
características similares. Su capacidad para revelar relaciones jerárquicas
complejas lo convierte en una herramienta valiosa en el análisis exploratorio de
datos.
En tanto, el análisis de clúster jerárquico es una técnica poderosa y versátil
que concede a los investigadores y analistas descomponer conjuntos de datos
complejos en estructuras más manejables y comprensibles, facilitando así la
identicación de patrones y relaciones signicativas. El análisis de clúster de
distribución es una técnica fundamental en el campo del aprendizaje automático
y la estadística que concede agrupar datos en función de su distribución
probabilística (Castro et al., 2012). Este criterio se basa en la premisa de que los
datos logran ser modelados como muestras extraídas de una o más distribuciones
subyacentes. Es decir, se detallan los principios básicos, los modelos de
distribución más comunes y las ventajas y desventajas de este tipo de análisis.
El análisis de clúster de distribución se concentra en identicar grupos de
datos que comparten características similares en términos de su distribución
estadística. A diferencia de otros métodos de análisis de clúster, que logran
basarse en medidas de distancia, este tipo de análisis busca entender la estructura
probabilística de los datos. Esto implica que los clústeres se denen no solo por
la proximidad de los puntos de datos, sino todavía por la forma en que se
distribuyen en el espacio.
Un aspecto clave de este análisis es la identicación de las funciones de
densidad de probabilidad que mejor describen cada clúster. Esto se logra a
menudo a través de técnicas como la estimación de densidad de kernel, que
19
concede crear una representación suave de la distribución de datos. Existen
varios modelos de distribución que son comúnmente utilizados en el análisis de
clúster de distribución:
- Distribución Normal: Este es uno de los modelos más utilizados, ya que muchos
fenómenos naturales siguen una distribución normal. Los datos se agrupan
alrededor de una media y presentan una dispersión que se consigue cuanticar
mediante la desviación estándar.
- Distribución de Poisson: Este modelo es útil para datos que representan conteos
de eventos en un intervalo jo de tiempo o espacio. Es ampliamente utilizado en
aplicaciones como la teoría de colas y la modelización de eventos raros.
- Distribución Exponencial: Utilizada para modelar el tiempo entre eventos en un
proceso de Poisson, la distribución exponencial es útil en campos como la
abilidad y la supervivencia.
- Distribuciones Mixtas: En muchos casos, los datos logran provenir de múltiples
distribuciones subyacentes. Los modelos de mezcla, como los Modelos de Mezcla
de Gaussianas (GMM), son herramientas poderosas que posibilitan identicar y
agrupar estos diferentes subgrupos dentro de un conjunto de datos.
El análisis de clúster de distribución presenta varias ventajas que lo hacen
atractivo para investigadores y profesionales:
- Modelado Probabilístico: Concede una comprensión más profunda de la
estructura de los datos al basarse en la teoría de probabilidades, lo que consigue
llevar a inferencias más robustas.
- Flexibilidad: Los modelos de distribución logran ajustarse a una amplia variedad
de formas de datos, lo que proporciona una mayor versatilidad en diferentes
contextos de aplicación.
20
- Identicación de Anomalías: La capacidad de modelar la distribución de datos
facilita la detección de puntos atípicos que no se ajustan a la estructura esperada.
Sin embargo, todavía existen desventajas:
- Suposiciones sobre la Distribución: La efectividad del análisis depende en gran
medida de la corrección de las suposiciones sobre la forma de la distribución
subyacente. Si estas suposiciones son incorrectas, los resultados logran ser
engañosos.
- Complejidad Computacional: Algunos métodos de estimación de densidad y
modelos de mezcla logran ser computacionalmente intensivos, especialmente
con grandes conjuntos de datos.
- Interpretación: La interpretación de los resultados consigue ser más compleja en
comparación con métodos que utilizan medidas de distancia más directas.
El análisis de clúster de distribución es una herramienta poderosa que,
cuando se utiliza adecuadamente, consigue proporcionar información valiosa
sobre la estructura de los datos y ayudar en la toma de decisiones informadas en
diversos campos.
1.2.1 Análisis de clúster de partición
El análisis de clúster de partición es una técnica ampliamente utilizada en
análisis de datos que busca dividir un conjunto de datos en grupos o clústeres
distintos, donde cada clúster tiene elementos más similares entre sí que con
aquellos de otros clústeres (Pérez et al., 2020). Este criterio se ajusta en la
asignación de puntos de datos a clústeres de forma que se minimice la
variabilidad dentro de cada clúster y se maximice la variabilidad entre los
diferentes clústeres. Uno de los métodos más populares de análisis de clúster de
21
partición es el algoritmo K-means. Este algoritmo funciona de la siguiente
manera:
- Se selecciona un número predenido de clústeres, K.
- Se eligen K puntos aleatorios como centros iniciales de los clústeres.
- Cada punto de datos se asigna al clúster cuyo centro está más cercano, utilizando una
medida de distancia (comúnmente la distancia euclidiana).
- Después de asignar todos los puntos, se recalculan los centros de los clústeres como la
media de todos los puntos asignados a cada clúster.
- Este proceso se repite iterativamente hasta que los centros de los clústeres ya no cambian
signicativamente o se alcanza un número máximo de iteraciones.
El K-means es valorado por su simplicidad y eciencia en el manejo de
grandes conjuntos de datos. Sin embargo, encima tiene sus limitaciones, como la
necesidad de especicar el número de clústeres de antemano y su sensibilidad a
la inicialización de los centros. En este sentido, del K-means, existen otros
algoritmos de partición que abordan algunas de las limitaciones de este criterio:
- K-medoides: Similar al K-means, pero en lugar de usar la media para calcular los
centros, utiliza un punto real del conjunto de datos como el centro de cada
clúster. Esto lo hace menos sensible a los valores atípicos.
- CLARA (Clustering LARge Applications): Este algoritmo es una extensión del K-
medoides que se utiliza para conjuntos de datos grandes. Se basa en una muestra
del conjunto de datos para ejecutar el K-medoides, lo que concede manejar
ecientemente volúmenes de datos masivos.
- K-Shape: Un método que se utiliza principalmente para datos de series
temporales, donde considera la forma de las series en lugar de solo la distancia
entre puntos.
22
El análisis de clúster de partición, especialmente a través del K-means, se
diferencia de otros métodos de clúster como el jerárquico o el basado en densidad
en varios aspectos clave:
- Estructura de Clúster: Los métodos jerárquicos crean una estructura de árbol que
representa la relación entre los clústeres, mientras que el análisis de clúster de
partición proporciona una división plana. Esto consigue ser una limitación si se
desea explorar relaciones más complejas entre los datos.
- Número de Clústeres: En los métodos de partición, el número de clústeres debe
ser jado previamente, lo que consigue ser un desafío si no se tiene una idea clara
de la estructura de los datos. En cambio, los métodos jerárquicos y algunos
basados en densidad logran explorar el número de clústeres de manera más
exible.
- Robustez a Ruido y Valores Atípicos: Los métodos basados en densidad, como
DBSCAN, son más robustos al ruido y a los valores atípicos, mientras que el K-
means consigue verse afectado por estos, ya que los valores atípicos logran
distorsionar la posición de los centros de los clústeres.
Ahora bien, el análisis de clúster de partición, con el K-means como su
representante más conocido, es una herramienta poderosa y eciente para la
segmentación de datos. Pero, es crucial considerar sus limitaciones y la
naturaleza de los datos al elegir el método de clúster más adecuado para un
análisis especíco.
1.2.2 Análisis de clúster basado en la densidad
El análisis de clúster basado en la densidad es una técnica que agrupa
puntos de datos en función de la densidad de los mismos en el espacio de
características. A diferencia de otros métodos de clúster, que tienden a asumir
formas geométricas especícas (como es el caso del análisis de clúster jerárquico
23
o de partición), los métodos de densidad son capaces de identicar clústeres de
formas arbitrarias, lo que los hace particularmente útiles en escenarios donde los
datos no están distribuidos de manera uniforme (Murphy et al., 2024).
El principio central del análisis de clúster basado en la densidad es que un
clúster se forma cuando hay una alta concentración de puntos en una región del
espacio de características. Estos métodos utilizan dos parámetros principales: la
distancia máxima que se considera para agrupar puntos (radio de vecindad) y el
número mínimo de puntos que se requiere para que una región se considere un
clúster. Las áreas de alta densidad son señaladas como clústeres, mientras que
las áreas de baja densidad son consideradas ruido o puntos atípicos.
Dos de los algoritmos más conocidos en el análisis de clúster basado en la
densidad son DBSCAN (Density-Based Spatial Clustering of Applications with
Noise) y OPTICS (Ordering Points To Identify the Clustering Structure).
- DBSCAN: Este algoritmo identica clústeres como grupos de puntos que están
densamente conectados entre sí. Utiliza los dos parámetros mencionados
anteriormente: el radio de vecindad y el número mínimo de puntos. Una de sus
grandes ventajas es su capacidad para manejar ruido y detectar clústeres de
forma arbitraria, lo que lo hace ideal para datos reales que logran contener
irregularidades.
- OPTICS: A diferencia de DBSCAN, que asigna cada punto a un clúster o lo
clasica como ruido, OPTICS produce un ordenamiento de los puntos que
representa la estructura de densidad del espacio de datos. Esto concede una
exploración más detallada de los clústeres a diferentes escalas de densidad,
facilitando la identicación de sub-clústeres dentro de clústeres más grandes.
El análisis de clúster basado en la densidad ha demostrado ser
extremadamente útil en la detección de anomalías, ya que concede identicar
24
puntos que no se ajustan a la estructura de los clústeres densos. Así, en el ámbito
de la detección de fraudes en transacciones nancieras, los algoritmos de
densidad logran identicar transacciones inusuales que se desvían de las
normativas establecidas por los patrones de comportamiento de los usuarios.
Incluso, en el análisis de datos geoespaciales, el análisis de clúster basado
en la densidad se utiliza para detectar patrones en la distribución de eventos,
como crímenes o accidentes de tráco, permitiendo a las autoridades tomar
decisiones informadas sobre la asignación de recursos y la implementación de
medidas preventivas. El análisis de clúster basado en la densidad es una
herramienta poderosa y exible que se adapta a diversas aplicaciones, ofreciendo
ventajas signicativas en la identicación de estructuras complejas y en la
detección de anomalías en conjuntos de datos.
El análisis de clúster es una herramienta poderosa en el campo de la
minería de datos y el aprendizaje automático, permitiendo agrupar datos de
manera que los elementos dentro de un mismo grupo sean más similares entre sí
que con los de otros grupos. El análisis de clúster jerárquico, con sus
planteamientos aglomerativos y divisivos, ofrece una visualización clara de las
relaciones entre los datos, lo que lo hace ideal para aplicaciones donde la
estructura y la jerarquía son relevantes (Vallejo, 2016). Empero, su complejidad
computacional consigue ser una limitación en conjuntos de datos muy grandes.
Por otro lado, el análisis de clúster de distribución se reúne en la
modelización estadística de los datos, permitiendo identicar patrones basados
en la suposición de que los datos provienen de distribuciones especícas. Este
criterio es útil en contextos donde se requiere una comprensión más profunda de
la estructura probabilística de los datos, aunque todavía consigue ser sensible a
las suposiciones iniciales sobre la distribución.
25
El análisis de clúster de partición, particularmente el algoritmo K-means,
es muy utilizado por su simplicidad y eciencia, lo que lo convierte en una
opción popular para conjuntos de datos grandes. No obstante, su dependencia
de la inicialización y la necesidad de denir el número de clústeres de antemano
logran ser desventajas signicativas.
El análisis de clúster basado en la densidad, ejemplicado por algoritmos
como DBSCAN y OPTICS, ofrece una gran exibilidad y es capaz de identicar
clústeres de formas arbitrarias y manejar ruido en los datos. Este criterio es
especialmente ventajoso en aplicaciones como la detección de anomalías, donde
los patrones no lineales son comunes.
En sintesis, la elección del método de análisis de clúster adecuado depende
de la naturaleza de los datos, los objetivos del análisis y las características
especícas de cada técnica. Al paso que la cantidad y complejidad de los datos
continúan creciendo, la capacidad de seleccionar y aplicar correctamente estos
métodos se vuelve cada vez más crucial para obtener información valiosa y
relevante. La integración de diferentes planteamientos y la experimentación con
múltiples técnicas logran proporcionar una comprensión más completa y
matizada de los datos, lo que, en última instancia, conduce a mejores decisiones
basadas en datos.
1.3 Análisis clúster: Comparativa entre XLSTAT y STATA
El análisis clúster es una técnica estadística ampliamente utilizada que
concede agrupar un conjunto de objetos o datos en grupos (o clústeres) de tal
manera que los elementos dentro de cada grupo sean más similares entre sí que
a los de otros grupos. Esta metodología se basa en la idea de que los datos con
características similares deben ser agrupados, facilitando así la identicación de
patrones y estructuras dentro de los datos.
26
El análisis clúster se dene como un conjunto de métodos que buscan
categorizar un conjunto de observaciones en grupos o clústeres basados en sus
características. Existen diversas técnicas para llevar a cabo este análisis,
incluyendo el método de K-medias, jerárquico y basado en densidad, entre otros.
Cada técnica presenta sus propias ventajas y desventajas, y la elección del método
adecuado depende del tipo de datos y del objetivo del análisis (Font, 2019). La
importancia del análisis clúster radica en su capacidad para simplicar la
complejidad de grandes volúmenes de datos, es decir, en el ámbito de la
estadística, el análisis clúster concede a los investigadores y analistas descubrir
patrones ocultos, segmentar poblaciones y realizar inferencias más precisas. Más
aún, se utiliza en múltiples disciplinas, desde la biología hasta el marketing, lo
que resalta su versatilidad y relevancia.
El análisis clúster tiene aplicaciones en una variedad de campos. En el
sector empresarial, se utiliza para segmentar clientes, identicar nichos de
mercado y personalizar estrategias de marketing. En la medicina, concede
agrupar pacientes con síntomas similares para mejorar diagnósticos y
tratamientos. En biología, se utiliza para clasicar especies o genes basándose en
características genéticas. Otras áreas como la educación, la psicología y la
sociología todavía se benecian de esta técnica, ya que ayuda a identicar grupos
de individuos con comportamientos o características similares.
El análisis clúster es una herramienta poderosa en el análisis de datos que
concede desentrañar la complejidad de la información a través de la agrupación
de datos similares, con aplicaciones que abarcan múltiples disciplinas. El análisis
clúster es una de las técnicas estadísticas más utilizadas para agrupar un conjunto
de objetos o casos basándose en características comunes. XLSTAT, un
complemento de Excel que amplía las capacidades estadísticas de esta
herramienta, ofrece diversas funcionalidades para realizar análisis clúster de
27
manera eciente. XLSTAT proporciona una interfaz amigable y accesible para
aquellos que ya están familiarizados con Excel, lo que facilita la ejecución de
análisis estadísticos avanzados sin necesidad de un profundo conocimiento en
programación. Algunas de las características más destacadas de XLSTAT para el
análisis clúster incluyen:
- Diversidad de Métodos de Clúster: XLSTAT concede la implementación de varios
métodos de agrupamiento, como el de k-medias, jerárquico y de partición,
otorgando exibilidad al usuario para elegir el más adecuado según sus datos y
objetivos.
- Visualización de Resultados: La herramienta ofrece múltiples opciones para
visualizar los resultados, incluyendo dendrogramas para análisis jerárquico y
grácos de dispersión para el método de k-medias, facilitando la interpretación
de los clústeres formados.
- Integración con Excel: Dado que XLSTAT funciona como un complemento de
Excel, los resultados logran ser fácilmente exportados y manipulados dentro de
una hoja de cálculo, permitiendo a los usuarios realizar análisis adicionales o
presentar los resultados de manera clara y organizada. En pos, se presenta un
proceso detallado para llevar a cabo un análisis clúster utilizando XLSTAT:
1. Preparación de los datos
El primer paso consiste en preparar los datos en una hoja de Excel. Es
fundamental que los datos estén organizados en las y columnas, donde cada la
representa un caso y cada columna una variable. De igual forma, se deben
eliminar los valores faltantes o realizar imputaciones, si es necesario, para
asegurar que el análisis sea preciso.
2. Selección de la técnica de clúster
28
Una vez que los datos están listos, el usuario debe acceder a la pestaña de
XLSTAT en Excel, seleccionar la opción de análisis clúster y elegir la técnica que
desea aplicar. Dependiendo del tipo de datos y del objetivo del análisis, el usuario
consigue optar por métodos como k-medias o jerárquico. Es recomendable
realizar pruebas preliminares para determinar el número óptimo de clústeres en
el caso de k-medias.
3. Interpretación de los resultados
Después de ejecutar el análisis, XLSTAT generará una serie de resultados
que incluyen la asignación de cada caso a un clúster, las características de cada
clúster y grácos que facilitan la comprensión de los agrupamientos. Es esencial
revisar estos resultados detenidamente y considerar la validación del modelo
mediante métodos como la evaluación de la silueta o el índice de Dunn.
1.3.1 Ventajas y desventajas de usar XLSTAT
- Facilidad de uso: La interfaz intuitiva y la integración con Excel hacen que
XLSTAT sea accesible para usuarios con diversos niveles de habilidad.
- Amplia gama de funcionalidades: Igualmente del análisis clúster, XLSTAT ofrece
numerosas herramientas estadísticas, permitiendo realizar análisis adicionales
sin cambiar de software.
- Visualización efectiva: Las opciones de grácos posibilitan una presentación clara
de los resultados, facilitando la interpretación y comunicación de hallazgos.
- Dependencia de Excel: La necesidad de utilizar Excel consigue ser una limitación
para aquellos que preeren trabajar en entornos de programación más
avanzados.
- Costo: XLSTAT es un complemento de pago, lo que consigue ser un obstáculo
para algunos usuarios o instituciones con presupuestos limitados.
29
- Capacidad de manejo de grandes volúmenes de datos: Si bien XLSTAT consigue
manejar conjuntos de datos relativamente grandes, consigue no ser tan eciente
como otros software especializados en análisis estadístico cuando se trata de
volúmenes de datos masivos.
1.3.2 Análisis clúster en STATA
El software STATA es una herramienta poderosa y versátil utilizada en el
análisis estadístico, que del mismo modo ofrece robustas capacidades para
realizar análisis clúster. STATA se distingue por su criterio en la facilidad de uso
y su capacidad para manejar grandes conjuntos de datos. Entre sus características
más destacadas para el análisis clúster se incluyen:
- Variedad de métodos de agrupamiento: STATA concede a los usuarios seleccionar
entre diversas técnicas de agrupamiento, como el método de k-medias, el método
de enlace completo, y el método de enlace sencillo. Esta exibilidad concede a los
analistas elegir el método más adecuado según la naturaleza de sus datos.
- Funciones de visualización: STATA ofrece herramientas de visualización potentes
que posibilitan gracar los resultados del clúster para facilitar la interpretación y
la comunicación de los hallazgos. Los dendrogramas y los mapas de calor son
solo algunas de las opciones disponibles.
- Integración con otros métodos estadísticos: La capacidad de STATA para combinar
el análisis clúster con otros métodos estadísticos (como la regresión o el análisis
de componentes principales) proporciona un marco integral para el análisis de
datos.
1.3.2.1 Paso a paso: realizar un análisis clúster en STATA
1. Preparación de los datos
30
Antes de realizar un análisis clúster en STATA, es fundamental preparar
adecuadamente los datos. Esto incluye:
- Limpieza de datos: Asegurarse de que no haya valores perdidos o atípicos que
puedan inuir en los resultados del clúster.
- Estandarización: Dependiendo de la técnica de clúster elegida, consigue ser
necesario estandarizar las variables para que tengan una media de cero y una
desviación estándar de uno. Esto es especialmente relevante si las variables están
en diferentes escalas.
2. Implementación de la técnica de clúster
Una vez que los datos están listos, se consigue implementar la técnica de
clúster deseada. Para ilustrar, ejecutar un análisis usando el método de k-medias,
utilizaría el siguiente comando en STATA:
stata
cluster kmeans variable1 variable2, k()
Donde variable1 y variable2 son las variables a incluir en el análisis y k()
indica el número de clústeres deseados. STATA calculará los clústeres y asignará
cada observación a uno de ellos. Después de realizar el análisis clúster, es crucial
evaluar los resultados obtenidos
- Análisis de la calidad del clúster: Se logran utilizar diferentes índices, como el
criterio de Silhouee o la variación entre y dentro de los clústeres, para evaluar
cuán bien se han formado los grupos.
- Visualización: Utilizar grácos para visualizar los clústeres consigue ayudar a
interpretar los resultados. Un gráco de dispersión, junto con la asignación de
grupos, consigue ser útil para observar la separación entre clústeres.
31
Para generar un gráco de dispersión en STATA, se podría utilizar el
siguiente comando:
stata
twoway (scaer variable1 variable2, mcolor(blue) msize(medium)) || (lt variable1
variable2), legend(o)
Al comparar los resultados del análisis clúster en XLSTAT y STATA, es
importante considerar varios factores:
- Métodos utilizados: Cada software consigue presentar diferentes
implementaciones de las técnicas de clúster, lo que consigue llevar a variaciones
en los resultados.
- Facilidad de uso: XLSTAT está diseñado para una integración más sencilla con
Excel, lo que consigue ser ventajoso para usuarios menos experimentados,
mientras que STATA requiere un conocimiento más profundo de la
programación y comandos.
- Visualización: La capacidad de visualización en STATA es robusta y concede
personalizar grácos de manera extensiva, mientras que XLSTAT consigue
presentar una interfaz más intuitiva para crear visualizaciones rápidas.
El análisis clúster es una herramienta fundamental en la estadística que
concede agrupar objetos o individuos en función de sus similitudes, facilitando
la identicación de patrones y estructuras en los datos. En el capítulo se explora
cómo se aplica este criterio tanto en XLSTAT como en STATA, dos software
ampliamente utilizados en el ámbito del análisis de datos. En XLSTAT, se
destacan sus características amigables y su integración con Excel, lo que lo
convierte en una opción accesible para quienes ya están familiarizados con este
entorno. En contraste, STATA ofrece una robustez y exibilidad superiores,
32
siendo ideal para usuarios que buscan realizar análisis más complejos y
personalizados.
Para los principiantes o aquellos que trabajan con conjuntos de datos más
pequeños, XLSTAT es una excelente opción gracias a su interfaz intuitiva y a la
facilidad con la que se logran llevar a cabo análisis clúster. Sin embargo, para
investigadores y analistas que requieren un mayor control y personalización de
sus análisis, STATA es la herramienta recomendada, dado su amplio conjunto de
funciones y su capacidad para manejar datos de gran tamaño. Es importante que
los usuarios elijan la herramienta que mejor se adapte a sus necesidades
especícas y al tipo de análisis que planean realizar.
El análisis clúster seguirá evolucionando con los avances en técnicas
estadísticas y herramientas de software. La incorporación de métodos de
aprendizaje automático e inteligencia articial promete mejorar la precisión y la
capacidad de los clústeres para identicar patrones no evidentes en conjuntos de
datos complejos (Chambi, 2023). A su vez, la accesibilidad de herramientas como
XLSTAT y STATA permitirá a un número creciente de profesionales en diversas
disciplinas aplicar el análisis clúster, expandiendo así su uso en campos como el
marketing, la biología, la sociología y más. Tanto XLSTAT como STATA ofrecen
valiosas oportunidades para el análisis clúster, y su elección dependerá de las
necesidades particulares de cada usuario y del contexto del análisis.
33
Capítulo II
Mejorando la Educación a través de Decisiones
Informadas: El Papel Crucial de las Herramientas
Estadísticas
2.1 La Toma de Decisiones Informadas en Educación: Un Criterio
Basado en Datos
La toma de decisiones informadas en el ámbito educativo es un proceso
crucial que inuye directamente en la calidad del aprendizaje y el desarrollo
integral de los estudiantes. En un mundo en constante cambio, donde las
demandas educativas evolucionan rápidamente, es esencial que educadores,
administradores y responsables de políticas educativas se apoyen en datos y
evidencias para fundamentar sus decisiones. Este criterio no solo asegura que las
decisiones sean más efectivas, sino que todavía promueve una cultura de mejora
continua dentro de las instituciones educativas.
La educación, como campo de acción complejo, enfrenta numerosos retos
que requieren atención particular. Desde la planicación curricular hasta la
gestión de recursos, cada elección realizada tiene un impacto signicativo en el
rendimiento académico y en la satisfacción de las necesidades de los estudiantes.
Por lo tanto, es fundamental que los actores involucrados en el proceso educativo
comprendan la importancia de utilizar herramientas y métodos que les permitan
analizar y entender la información relevante.
En este contexto, la integración de herramientas estadísticas se convierte
en una necesidad ineludible. Estas herramientas proporcionan un marco
34
estructurado para la recolección, análisis e interpretación de datos, lo que
concede a educadores y administradores tomar decisiones basadas en evidencia
en lugar de suposiciones o intuiciones. La meta es destacar cómo la toma de
decisiones informadas consigue transformar la educación y mejorar los
resultados para todos los involucrados. La toma de decisiones informadas es
fundamental para el desarrollo y mejora de los procesos de enseñanza y
aprendizaje. Las herramientas estadísticas juegan un papel crucial en este
contexto, ya que posibilitan a educadores, administradores y responsables de
políticas educativas basarse en datos concretos y análisis objetivos para guiar sus
decisiones.
Las herramientas estadísticas son esenciales para evaluar y mejorar la
calidad educativa, pues, a través del análisis de datos, las instituciones logran
identicar áreas con buenos resultados y aquellas que requieren atención. Para
ilustrar, el uso de indicadores de rendimiento académico concede a docentes y
directores escolares detectar patrones y tendencias, facilitando así la
implementación de estrategias de mejora. Del mismo modo, la recopilación y
análisis de datos sobre la efectividad de distintas metodologías de enseñanza y
programas curriculares concede a las instituciones ajustar sus planteamientos
para satisfacer mejor las necesidades de sus estudiantes.
La educación debe adaptarse a las diversas necesidades de los estudiantes.
Las herramientas estadísticas posibilitan a los educadores identicar estas
necesidades de manera precisa. Mediante la recopilación de datos sobre el
rendimiento académico, las habilidades sociales y emocionales, así como la
participación en actividades extracurriculares, los educadores logran desarrollar
perles completos de sus estudiantes (Borbor, 2024). Esto no solo ayuda a
personalizar la enseñanza, sino que encima concede la creación de programas de
35
apoyo y recursos especícos que abordan las dicultades individuales y
fomentan el crecimiento académico y personal.
La evaluación del rendimiento académico es uno de los aspectos más
relevantes en el ámbito educativo, y las herramientas estadísticas son
fundamentales para llevar a cabo este proceso de manera efectiva. Al analizar los
resultados de evaluaciones estandarizadas, así como los datos de exámenes y
trabajos de los estudiantes, los educadores obtienen una visión clara de su
desempeño y progreso a posteriori. Más aún, el análisis comparativo entre
diferentes grupos de estudiantes —conviene destacar, aquellos de diversas
procedencias socioeconómicas o culturales— concede a las instituciones abordar
desigualdades y diseñar intervenciones más justas y equitativas.
En tanto, las herramientas estadísticas son indispensables en la educación
moderna. Su capacidad para mejorar la calidad educativa, identicar necesidades
de los estudiantes y evaluar el rendimiento académico proporciona a educadores
y administradores las bases necesarias para tomar decisiones informadas que
impacten positivamente en el aprendizaje y desarrollo de los estudiantes. La
toma de decisiones informadas en educación se apoya en una variedad de
herramientas estadísticas que posibilitan analizar datos y obtener conclusiones
signicativas. Estas herramientas se logran clasicar en varias categorías, cada
una con su propio criterio y aplicación en el contexto educativo.
El análisis de datos cuantitativos es fundamental en la educación, ya que
concede examinar grandes volúmenes de información numérica para identicar
tendencias, patrones y correlaciones. Entre las técnicas más comunes se
encuentran la estadística descriptiva, que resume las características básicas de los
datos, y la estadística inferencial, que concede realizar generalizaciones sobre una
población a partir de una muestra (Villegas, 2019). Herramientas como el análisis
de varianza (ANOVA) y la regresión lineal son ampliamente utilizadas para
36
evaluar el impacto de diferentes variables en el rendimiento académico y para
identicar factores que inuyen en el aprendizaje. Estas técnicas ayudan a
educadores y administradores a tomar decisiones basadas en evidencia y a
formular estrategias de mejora.
Las encuestas y cuestionarios son herramientas valiosas para recopilar
información directa de estudiantes, docentes y padres sobre diversas áreas, como
la satisfacción escolar, el clima educativo y las necesidades de aprendizaje. Estas
herramientas logran incluir preguntas cerradas, que facilitan el análisis
cuantitativo, o preguntas abiertas, que posibilitan obtener información más
cualitativa y contextual. A través de la aplicación de métodos estadísticos, los
resultados de estas encuestas logran ser analizados para identicar áreas de
mejora y diseñar intervenciones especícas que respondan a las necesidades de
la comunidad educativa.
Los modelos de predicción y simulación son herramientas avanzadas que
utilizan datos históricos y actuales para prever resultados futuros. En el contexto
educativo, estos modelos logran ayudar a anticipar el rendimiento académico de
los estudiantes, evaluar el impacto de cambios curriculares o simular diferentes
escenarios educativos. En particular, el uso de modelos de aprendizaje
automático concede analizar grandes conjuntos de datos para identicar
patrones que podrían no ser evidentes a simple vista, ofreciendo a educadores y
administradores una base sólida para realizar intervenciones proactivas. Estas
herramientas son especialmente útiles en la planicación estratégica y en la
asignación de recursos, asegurando que se tomen decisiones fundamentadas en
pro del éxito estudiantil.
Ahora bien, las herramientas estadísticas desempeñan un papel crucial en
la educación al proporcionar a educadores y administradores los medios
necesarios para analizar datos de manera efectiva, identicar áreas de mejora y
37
tomar decisiones informadas que benecien a los estudiantes y a la comunidad
educativa en su conjunto. La integración de herramientas estadísticas en el
ámbito educativo es esencial para promover una toma de decisiones informadas
que benecie tanto a estudiantes como a educadores. Sin embargo, la
implementación de estas herramientas no está exenta de aspectos que logran
dicultar su efectividad y aceptación.
Uno de los mayores retos en la adopción de herramientas estadísticas es la
falta de capacitación adecuada en análisis de datos entre el personal educativo.
Muchos educadores no poseen las habilidades necesarias para interpretar datos
estadísticos, lo que limita su capacidad para utilizar estas herramientas de
manera efectiva. Sin una comprensión sólida de los métodos estadísticos, los
docentes logran sentirse abrumados o desconados de los resultados, lo que
podría llevar a decisiones erróneas. Por lo tanto, es crucial implementar
programas de formación que capaciten a los educadores en el manejo y análisis
de datos, fomentando así un ambiente donde se valore el uso de la estadística en
la toma de decisiones.
Para Córica (2020), la resistencia al cambio es otro obstáculo signicativo
en la implementación de herramientas estadísticas en la educación. En este
sentido, los educadores se han acostumbrado a métodos tradicionales de
enseñanza y evaluación, y logran ser reacios a adoptar planteamientos basados
en datos. Esta resistencia consigue surgir de la percepción de que las
herramientas estadísticas complican el proceso educativo, así como de la
preocupación por la objetividad de los datos en un contexto que debería valorar
la individualidad y las necesidades de cada estudiante. Para superar este desafío,
es fundamental involucrar al personal educativo en el proceso de cambio,
mostrando cómo las herramientas estadísticas logran complementar y dignicar
su práctica docente, en lugar de reemplazarla.
38
En muchas instituciones educativas, los registros y bases de datos logran
estar desactualizados, incompletos o mal organizados, lo que diculta la
obtención de información precisa y relevante para el análisis. Sin datos de
calidad, las decisiones tomadas logran basarse en información errónea, lo que
consigue tener consecuencias negativas en el rendimiento académico y en el
desarrollo de políticas educativas. Para abordar este problema, es necesario que
las instituciones inviertan en sistemas de gestión de datos que permitan la
recopilación, almacenamiento y análisis eciente de información educativa.
Aunque la implementación de herramientas estadísticas en la educación
presenta aspectos signicativos, abordar estos problemas de manera proactiva
consigue potenciar la capacidad de las instituciones educativas para tomar
decisiones informadas y mejorar la calidad del aprendizaje. La capacitación, la
gestión del cambio y el acceso a datos de calidad son elementos clave que deben
ser considerados para asegurar que la estadística se convierta en una aliada en el
proceso educativo.
La toma de decisiones informadas en el ámbito educativo se ha convertido
en un pilar fundamental para el desarrollo de sistemas educativos más efectivos
y equitativos. Las herramientas estadísticas no solo posibilitan a educadores y
administradores comprender mejor el rendimiento y las necesidades de los
estudiantes, sino que todavía facilitan la implementación de estrategias que
logran mejorar la calidad educativa en su conjunto.
La importancia de adoptar un criterio basado en datos radica en su
potencial para transformar la práctica educativa. Al utilizar análisis cuantitativos,
encuestas y modelos de predicción, los educadores logran identicar patrones y
tendencias que de otro modo podrían pasar desapercibidos. Esto no solo
contribuye a una mejor comprensión del entorno educativo, sino que todavía
39
concede la personalización de la enseñanza, asegurando que cada estudiante
reciba el apoyo que necesita para alcanzar su máximo potencial.
Pese a, es crucial reconocer que la implementación de herramientas
estadísticas en educación enfrenta aspectos signicativos, como la falta de
capacitación y la resistencia al cambio. Abordar estos obstáculos es esencial para
garantizar que las decisiones tomadas sean realmente informadas y se traduzcan
en mejoras tangibles. La inversión en formación y recursos adecuados, así como
la creación de una cultura que valore la innovación y el análisis de datos, son
pasos necesarios para superar estas barreras.
En sintesis, la relevancia de las decisiones informadas en educación no
consigue subestimarse. Al aprovechar las herramientas estadísticas de manera
efectiva, los educadores logran tomar decisiones respaldadas por evidencias que
impacten positivamente en el aprendizaje y el desarrollo de los estudiantes. Este
criterio no solo promueve un entorno educativo más dinámico y adaptativo, sino
que todavía sienta las bases para una educación más inclusiva y equitativa en el
futuro. La educación del siglo XXI exige que avancemos hacia una cultura de
toma de decisiones fundamentadas, donde los datos se conviertan en aliados
estratégicos en la búsqueda de la excelencia educativa.
2.2 Análisis de varianza (ANOVA), prueba de hipótesis y chi-
cuadrado para la toma de decisiones
El análisis estadístico es un conjunto de técnicas y métodos que posibilitan
recolectar, organizar, interpretar y presentar datos para extraer conclusiones
signicativas. En un mundo saturado de información, la capacidad de analizar
datos de manera efectiva se convierte en una herramienta invaluable para
investigadores, empresarios y tomadores de decisiones en diversas disciplinas. A
través del análisis estadístico, es posible transformar datos en conocimiento,
40
facilitando la identicación de patrones, relaciones y tendencias que logran
inuir en las decisiones estratégicas (Villegas, 2019).
La importancia del análisis estadístico en la toma de decisiones no
consigue subestimarse. Las decisiones basadas en datos son más precisas y
justicadas, ya que se sustentan en evidencias cuantitativas que respaldan las
conclusiones. En contextos como la investigación cientíca, el desarrollo de
productos, la evaluación de políticas y la gestión empresarial, el análisis
estadístico se presenta como un recurso esencial para mitigar riesgos y optimizar
resultados. De esta manera, los profesionales logran tomar decisiones informadas
que no solo se basan en la intuición, sino en datos analíticos que reejan la
realidad del entorno.
El análisis de varianza, comúnmente conocido como ANOVA (por sus
siglas en inglés, Analysis of Variance), es una técnica estadística fundamental
utilizada para comparar las medias de tres o más grupos. Su principal objetivo es
determinar si existen diferencias estadísticas signicativas entre las medias de los
grupos analizados, lo que concede a los investigadores entender mejor las
variaciones en sus datos.
El ANOVA se basa en la partición de la variabilidad total en componentes
que logran ser atribuidos a diferentes fuentes. Esta técnica se fundamenta en la
comparación de las varianzas de los grupos, que se descomponen en dos partes:
la variabilidad entre grupos y la variabilidad dentro de los grupos. La hipótesis
nula del ANOVA establece que todas las medias de los grupos son iguales,
mientras que la hipótesis alternativa sugiere que al menos una media es diferente.
Para llevar a cabo el análisis, se calcula el estadístico F, que es la razón entre la
variabilidad explicada por el modelo y la variabilidad no explicada (error). Un
valor alto de F indica que es probable que al menos uno de los grupos tenga una
media signicativamente diferente.
41
Existen diferentes tipos de ANOVA, siendo los más comunes el ANOVA
unidireccional y el ANOVA bidireccional.
- ANOVA Unidireccional: Este tipo de ANOVA se utiliza cuando se investiga el
efecto de una única variable independiente sobre una variable dependiente. Hay
que hacer notar, si un investigador quiere comparar el rendimiento académico
de estudiantes en tres diferentes métodos de enseñanza, utilizaría un ANOVA
unidireccional para analizar las diferencias en las medias de rendimiento entre
los grupos.
- ANOVA Bidireccional: En este caso, se analizan dos variables independientes y
su interacción en relación con una variable dependiente. En efecto, si se desea
estudiar cómo afectan el método de enseñanza y el nivel socioeconómico en el
rendimiento académico de los estudiantes, se utilizaría un ANOVA bidireccional.
Este tipo de análisis no solo concede evaluar el efecto de cada variable por
separado, sino del mismo modo la interacción entre ellas, lo que consigue
presentar una visión más completa de los factores que inuyen en el fenómeno
estudiado.
El ANOVA tiene numerosas aplicaciones en diversas áreas de
investigación, como la psicología, la medicina, la educación y las ciencias sociales.
Para ilustrar, en estudios clínicos, el ANOVA consigue ser utilizado para evaluar
la ecacia de diferentes tratamientos médicos en una población de pacientes
(Kim, 2017). En el ámbito educativo, se consigue aplicar para determinar si las
diferencias en métodos de enseñanza impactan el rendimiento de los estudiantes
en exámenes estandarizados.
De igual forma, el ANOVA es útil para analizar datos de experimentos
donde se evalúan múltiples condiciones, como en estudios de marketing para
comparar la efectividad de distintas campañas publicitarias. La versatilidad de
42
esta herramienta estadística la convierte en un recurso valioso para
investigadores que buscan tomar decisiones informadas basadas en datos. El
análisis de varianza es una técnica esencial que concede a los investigadores
identicar diferencias signicativas entre grupos, facilitando así la toma de
decisiones informadas en una amplia gama de contextos. Su correcta aplicación
consigue proporcionar una base sólida para las conclusiones de un estudio y, en
última instancia, inuir en las políticas y prácticas en diversos campos.
La prueba de hipótesis es una herramienta fundamental en la estadística
inferencial que concede evaluar armaciones o suposiciones sobre una población
a partir de datos muestrales. Este método consiste en formular dos hipótesis: la
hipótesis nula (H₀), que representa una armación inicial que se desea probar, y
la hipótesis alternativa (H₁), que es la que se acepta si se rechaza la hipótesis nula.
El objetivo principal de la prueba de hipótesis es determinar si hay suciente
evidencia en la muestra para rechazar la hipótesis nula en favor de la alternativa.
Este proceso tiene una relevancia signicativa en la toma de decisiones, ya
que concede a los investigadores y profesionales evaluar la validez de sus
armaciones basándose en datos empíricos. Al realizar una prueba de hipótesis,
se consigue establecer un nivel de signicancia (α), que es la probabilidad de
rechazar la hipótesis nula cuando en realidad es verdadera, lo que ayuda a
controlar el riesgo de cometer errores en la toma de decisiones. En el contexto de
las pruebas de hipótesis, es crucial comprender los errores que logran surgir, he
aquí dos tipos principales de errores:
- Error Tipo I (α): Este error ocurre cuando se rechaza la hipótesis nula cuando en
realidad es verdadera. En otras palabras, se concluye que hay un efecto o una
diferencia cuando no lo hay. La tasa de error tipo I está asociada al nivel de
signicancia establecido por el investigador.
43
- Error Tipo II (β): Este error sucede cuando no se rechaza la hipótesis nula cuando,
de hecho, es falsa. En este caso, se concluye que no hay un efecto o diferencia
cuando sí existe. La probabilidad de un error tipo II está relacionada con la
potencia de la prueba, que es la capacidad de detectar un efecto real.
La comprensión y gestión de estos errores son fundamentales para
asegurar la validez de los resultados obtenidos en una investigación. Al diseñar
un estudio, los investigadores deben equilibrar el riesgo de cometer errores tipo
I y tipo II, considerando las implicaciones prácticas de cada uno (Villasís et al.,
2018). Para ilustrar la aplicación de la prueba de hipótesis en la toma de
decisiones, consideremos un ejemplo práctico en el ámbito del desarrollo de
productos. Supongamos que una empresa de cosméticos ha desarrollado una
nueva crema antiarrugas y quiere determinar si esta crema es más efectiva que
su producto anterior.
- Hipótesis nula (H₀): La nueva crema no es más efectiva que la crema anterior (no
hay diferencia en la ecacia).
- Hipótesis alternativa (H₁): La nueva crema es más efectiva que la crema anterior
(hay una diferencia en la ecacia).
La empresa realiza un ensayo clínico con un grupo de clientes que utilizan
ambas cremas y mide la reducción de arrugas después de un mes. Al analizar los
datos, se establece un nivel de signicancia del 5% (α = 0.05). Si se obtiene un
valor p menor que 0.05, se rechazará la hipótesis nula, sugiriendo que la nueva
crema es efectivamente más efectiva, lo que podría llevar a la compañía a lanzar
el nuevo producto al mercado.
Por otro lado, si el valor p es mayor que 0.05, no se rechazaría la hipótesis
nula, lo que podría llevar a la empresa a reconsiderar el desarrollo del producto
o realizar mejoras adicionales antes de su lanzamiento. Este proceso demuestra
44
cómo la prueba de hipótesis no solo concede evaluar la efectividad de un
producto, sino que encima guía decisiones estratégicas basadas en evidencia
cuantitativa.
El análisis de datos es una parte fundamental en la investigación
estadística, y el test de chi-cuadrado se presenta como una herramienta poderosa
para examinar la relación entre variables categóricas. El chi-cuadrado es una
prueba estadística que mide la discrepancia entre los datos observados y los datos
esperados en una o más categorías. Se basa en la suma de las diferencias al
cuadrado entre los conteos observados y los esperados, dividida por los conteos
esperados (Quevedo, 2011). Esta prueba se utiliza principalmente para
determinar si existe una asociación signicativa entre dos variables categóricas,
permitiendo a los investigadores identicar patrones y tendencias en los datos.
La fórmula del chi-cuadrado (\( \chi^2 \)) es la siguiente:
\[
\chi^2 = \sum \frac{(O_i - E_i)^2}{E_i}
\]
donde \( O_i \) representa el conteo observado y \( E_i \) el conteo esperado en
la categoría \( i \). Un valor alto de chi-cuadrado sugiere que hay una
discrepancia signicativa, lo que consigue indicar que las variables están
asociadas.
Existen dos aplicaciones principales del chi-cuadrado: el chi-cuadrado de
independencia y el chi-cuadrado de bondad de ajuste.
- Chi-Cuadrado de Independencia: Se utiliza para evaluar si hay una asociación entre
dos variables categóricas en una tabla de contingencia. En particular, se podría
usar para determinar si hay una relación entre el género y la preferencia de un
45
producto. En este caso, la hipótesis nula sería que no hay relación entre las
variables, mientras que la hipótesis alternativa sugeriría que sí existe.
- Chi-Cuadrado de Bondad de Ajuste: Se utiliza para determinar si una muestra de
datos se ajusta a una distribución teórica especíca. Hay que hacer notar, se
consigue usar para probar si la distribución de colores de una bolsa de caramelos
se ajusta a las proporciones esperadas. Aquí, la hipótesis nula sería que los datos
se distribuyen de acuerdo con la distribución esperada. El chi-cuadrado se ha
utilizado en diversos campos para tomar decisiones informadas basadas en
datos. Algunos modelos incluyen:
- Investigación Médica: En estudios clínicos, se ha utilizado el chi-cuadrado para
analizar si la incidencia de una enfermedad está relacionada con factores de
riesgo categóricos, como el tabaquismo y el consumo de alcohol.
- Marketing: Las empresas a menudo utilizan el chi-cuadrado para evaluar la
efectividad de campañas publicitarias, examinando si la respuesta de los
consumidores a un anuncio varía según la demografía.
- Educación: En estudios sobre el rendimiento académico, se consigue aplicar el
chi-cuadrado para investigar si hay diferencias signicativas en los resultados de
los exámenes entre diferentes grupos de estudiantes, como aquellos que reciben
educación en diferentes entornos.
En cada uno de estos casos, el chi-cuadrado proporciona una manera de
analizar la relación entre variables categóricas, permitiendo a los investigadores
y tomadores de decisiones comprender mejor los datos y fundamentar sus
conclusiones. El ANOVA nos concede comparar las medias de diferentes grupos
y determinar si existen diferencias signicativas entre ellos. Esto es especialmente
útil en experimentos donde se evalúan múltiples tratamientos o condiciones. La
distinción entre ANOVA unidireccional y bidireccional asimismo nos concede
46
elegir el criterio adecuado según la complejidad de los datos y las interacciones
entre variables.
Por otro lado, la prueba de hipótesis actúa como un marco para evaluar
armaciones sobre poblaciones a partir de muestras. Es fundamental entender
los errores tipo I y II, ya que su manejo adecuado consigue inuir en la validez
de nuestras decisiones. A través de un ejemplo práctico, hemos ilustrado cómo
esta herramienta consigue ser aplicada para tomar decisiones basadas en la
evidencia. Para Quevedo (2011), el análisis chi-cuadrado se presenta como un
método esencial para evaluar la relación entre variables categóricas; la diferencia
entre el chi-cuadrado de independencia y el de bondad de ajuste nos concede
abordar preguntas especícas sobre las interrelaciones en nuestros datos, lo que
facilita el análisis de tendencias y patrones.
La importancia de elegir el método adecuado no consigue subestimarse.
Cada técnica tiene sus propias suposiciones y limitaciones, y una elección
incorrecta consigue llevar a conclusiones erróneas. Por lo tanto, es vital que los
investigadores y analistas comprendan las características de cada método y su
aplicabilidad al contexto especíco de su estudio. En última instancia,
recomendamos a los investigadores que continúen profundizando en estos
métodos y consideren su uso conjunto para obtener un análisis más robusto. La
integración de ANOVA, pruebas de hipótesis y análisis chi-cuadrado consigue
proporcionar una visión más completa y matizada de los datos, lo que contribuye
a decisiones más informadas y efectivas en la práctica.
2.3 Estadígrafos en educación: Herramientas esenciales para la
mejora del aprendizaje
En un mundo en constante evolución, la educación se enfrenta al desafío
de adaptarse a nuevas realidades y metodologías que fomenten un aprendizaje
47
signicativo. En este contexto, los estadígrafos emergen como herramientas
valiosas que posibilitan a educadores y estudiantes interpretar y visualizar datos
de manera efectiva.
Los estadígrafos son representaciones grácas que sintetizan datos
estadísticos y facilitan su comprensión. Estos grácos posibilitan ilustrar
información compleja de manera visual, ayudando a identicar patrones,
tendencias y relaciones entre diferentes variables. Al utilizar estadígrafos, los
educadores logran presentar información de forma más accesible y atractiva, lo
que, a su vez, consigue mejorar la retención de conocimientos por parte de los
estudiantes.
La incorporación de estadígrafos en el ámbito educativo es fundamental
para promover un aprendizaje basado en datos. A través de la visualización de
información, los estudiantes logran desarrollar habilidades analíticas que les
permitirán interpretar y evaluar información crítica en su vida personal y
profesional. En este sentido, el uso de estos grácos fomenta un criterio más
activo en el aprendizaje, donde los alumnos no solo consumen información, sino
que todavía interactúan con ella, promoviendo una comprensión más profunda
de los contenidos. El uso de estadígrafos en el ámbito educativo concede a
educadores y estudiantes visualizar y analizar datos de manera efectiva,
facilitando la comprensión de conceptos estadísticos y promoviendo el
aprendizaje basado en evidencias (Zamora et al., 2021). En seguida, se presentan
algunos de los tipos más comunes de estadígrafos utilizados en la educación,
junto con sus características, aplicaciones y consideraciones:
1. Grácas de barras
Las grácas de barras son representaciones visuales que utilizan barras
rectangulares para mostrar la cantidad de elementos en diferentes categorías. La
48
longitud de cada barra es proporcional al valor que representa, lo que concede
una comparación fácil y rápida entre las distintas categorías.
En el aula, las grácas de barras logran ser utilizadas para representar
resultados de encuestas realizadas entre los estudiantes, comparar el
rendimiento académico de diferentes grupos o ilustrar la distribución de edades
en una clase. Hay que hacer notar, un profesor podría utilizar una gráca de
barras para mostrar el número de estudiantes que preeren diferentes tipos de
actividades extracurriculares.
Entre las ventajas de las grácas de barras se encuentran su facilidad de
comprensión y su capacidad para mostrar comparaciones claras. Empero, una
desventaja es que logran resultar menos efectivas cuando se manejan grandes
cantidades de datos o cuando las categorías son numerosas, lo que consigue
dicultar la visualización.
2. Diagramas de dispersión
Los diagramas de dispersión son herramientas grácas que muestran la
relación entre dos variables. Se representan como puntos en un plano cartesiano,
donde cada eje corresponde a una variable. Este tipo de gráco es especialmente
útil para identicar patrones, tendencias o correlaciones entre las variables
analizadas. En el ámbito educativo, los diagramas de dispersión logran ser
utilizados para analizar la relación entre el tiempo de estudio y el rendimiento
académico, o entre la asistencia a clases y las calicaciones. Estos análisis logran
ayudar a los educadores a tomar decisiones informadas sobre estrategias de
enseñanza y apoyo a los estudiantes.
A pesar de su utilidad, los diagramas de dispersión todavía presentan
limitaciones. La interpretación de los datos consigue ser subjetiva y, en algunos
49
casos, la relación observada no implica causalidad. Además, es esencial contar
con un tamaño de muestra adecuado para que las conclusiones sean válidas.
3. Histogramas
Un histograma es una representación gráca que muestra la distribución de
un conjunto de datos continuos. Se construye dividiendo el rango de datos en
intervalos (o "bins") y contando el número de observaciones en cada intervalo. La
altura de las barras en el histograma representa la frecuencia de datos en cada
rango. Los histogramas son particularmente útiles en la evaluación del
aprendizaje, ya que posibilitan visualizar la distribución de calicaciones de los
estudiantes en un examen o un proyecto. Esto ayuda a los educadores a
identicar áreas de fortaleza y debilidad en el aprendizaje de sus alumnos.
A diferencia de las grácas de barras, que son más adecuadas para datos
categóricos, los histogramas son ideales para datos numéricos continuos. No
obstante, su interpretación consigue ser más compleja, y es crucial que los
educadores estén capacitados para construir y analizar histogramas de manera
efectiva. Entonces, los estadígrafos como las grácas de barras, diagramas de
dispersión e histogramas son herramientas valiosas en el ámbito educativo, ya
que posibilitan una mejor comprensión y análisis de los datos.
La implementación de estadígrafos en el aula no solo enriquece el proceso de
enseñanza-aprendizaje, sino que todavía empodera a los docentes y estudiantes
para tomar decisiones informadas basadas en datos. La formación adecuada de
los docentes es fundamental para garantizar una correcta implementación de los
estadígrafos en el aula. Esto implica no solo la comprensión teórica de los
conceptos estadísticos, sino todavía el manejo de software y herramientas
digitales que faciliten la creación y análisis de grácos. Talleres, cursos en línea y
50
programas de desarrollo profesional logran ser efectivos para equipar a los
educadores con las habilidades necesarias.
La incorporación de estadígrafos en el aula asimismo debe centrarse en el
desarrollo de competencias estadísticas en los estudiantes. Esto incluye
enseñarles a interpretar datos, elaborar grácos y comprender la relevancia de la
información presentada. Al fomentar un criterio práctico, los estudiantes logran
aprender a utilizar estos recursos para realizar investigaciones, proyectos y
análisis crítico de información.
La variedad en las estrategias de enseñanza es clave para mantener el interés
y la motivación de los estudiantes. Actividades interactivas, como el uso de
juegos de simulación o proyectos grupales que involucren la recolección y
análisis de datos, logran hacer que la estadística sea más accesible y atractiva.
Todavía se consigue fomentar el aprendizaje colaborativo, donde los estudiantes
discutan y analicen juntos los datos, enriqueciendo su comprensión a través del
intercambio de ideas.
La integración de estadígrafos consigue llevarse a cabo en proyectos
interdisciplinarios que conecten diferentes áreas del conocimiento. En particular,
un proyecto que combine matemáticas, ciencias sociales y arte consigue incluir la
recolección de datos sobre un tema relevante y la representación visual de esos
datos mediante grácos y diagramas (Demetrio et al., 2022). Este criterio
multidisciplinario no solo enriquece el aprendizaje, sino que todavía muestra a
los estudiantes la aplicabilidad de la estadística en diversos contextos.
Las actividades prácticas son esenciales para la implementación efectiva de
estadígrafos. Los docentes logran diseñar ejercicios donde los estudiantes recojan
datos de encuestas, experimentos o investigaciones de campo, y luego utilicen
estadígrafos para presentar sus hallazgos. Estos ejercicios no solo refuerzan el
51
aprendizaje conceptual, sino que todavía desarrollan habilidades prácticas que
serán valiosas en el futuro.
Es crucial evaluar el impacto que la incorporación de estadígrafos tiene en el
aprendizaje de los estudiantes. Esto consigue lograrse a través de evaluaciones
formativas y sumativas, donde se analice la capacidad de los estudiantes para
interpretar y utilizar datos. La retroalimentación continua permitirá ajustar las
estrategias de enseñanza y garantizar que los estudiantes desarrollen las
competencias necesarias. Uno de los principales aspectos en la implementación
de estadígrafos en el aula es la resistencia al cambio por parte de algunos
docentes. Es común que educadores se sientan cómodos con métodos
tradicionales de enseñanza y duden en adoptar nuevas estrategias. Para superar
esta barrera, es fundamental presentar apoyo, recursos y paradigmas claros de
cómo la estadística consigue mejorar el aprendizaje.
La falta de acceso a recursos tecnológicos consigue ser un obstáculo
signicativo en la implementación de estadígrafos. Las escuelas deben
asegurarse de contar con las herramientas necesarias, como computadoras y
software estadístico, para que tanto docentes como estudiantes puedan
beneciarse de estas herramientas. Iniciativas de nanciamiento y asociaciones
con organizaciones comunitarias logran facilitar el acceso a la tecnología.
Las barreras culturales logran inuir en la percepción de la estadística y su
utilidad en el aprendizaje. Es importante que los educadores reconozcan y
aborden estas barreras, promoviendo una cultura de datos que valore la
información y su análisis. La inclusión de prototipos y contextos relevantes para
los estudiantes consigue ayudar a que comprendan la importancia de los
estadígrafos en su vida cotidiana. Por ende, la implementación de estadígrafos
en el aula es un proceso que requiere formación, planicación y un criterio
colaborativo.
52
Desde las grácas de barras que posibilitan visualizar comparaciones de
manera clara y concisa, hasta los diagramas de dispersión que ofrecen una
comprensión profunda de las relaciones entre variables, cada tipo de estadígrafo
aporta un valor único al proceso de enseñanza-aprendizaje. A su vez, hemos
discutido la importancia de la formación docente y la integración curricular para
maximizar el uso efectivo de estas herramientas en el aula, así como los retos que
enfrentan los educadores al implementar nuevas metodologías.
Mirando hacia el futuro, es evidente que el uso de estadígrafos en educación
seguirá evolucionando. La creciente disponibilidad de tecnologías digitales y
herramientas estadísticas accesibles permitirá a los educadores y estudiantes
explorar y analizar datos de maneras más innovadoras y efectivas. La capacidad
de interpretar información cuantitativa será cada vez más esencial en un mundo
donde la toma de decisiones informadas es crucial. Por lo tanto, fomentar una
cultura de análisis de datos desde una edad temprana consigue preparar a los
estudiantes para enfrentar los aspectos del futuro.
La capacitación continua y la disposición para adoptar nuevas metodologías
son fundamentales para enriquecer la experiencia de aprendizaje de los
estudiantes. Los estadígrafos no solo son herramientas que facilitan el
entendimiento de datos, sino que todavía promueven el pensamiento crítico y la
capacidad de análisis. Invitamos a los docentes a experimentar con diversas
representaciones grácas, a colaborar en proyectos interdisciplinarios y a
compartir sus experiencias con colegas para construir un entorno educativo más
dinámico y basado en evidencias. La educación del siglo XXI demanda una
aproximación basada en datos, y los estadígrafos son un camino esencial para
lograrlo.
53
Capítulo III
Mapas Autoorganizados de Kohonen: Una guía intuitiva
para el Aprendizaje No Supervisado
Los mapas autoorganizados de Kohonen, asimismo conocidos como SOM
(Self-Organizing Maps), son una poderosa herramienta en el campo del
aprendizaje automático y el análisis de datos. Desarrollados por el
neurocientíco Teuvo Kohonen en la década de 1980, estos modelos son una
forma de redes neuronales no supervisadas que tienen la capacidad de aprender
patrones y estructuras en datos complejos sin la necesidad de etiquetas
predenidas. A través de un proceso de entrenamiento, los mapas
autoorganizados transforman datos multidimensionales en una representación
bidimensional, facilitando su visualización y análisis.
Los mapas autoorganizados de Kohonen son una técnica de aprendizaje
no supervisado que utiliza una red neuronal para organizar y visualizar datos de
manera que se preserven las relaciones topológicas. En esencia, estos mapas se
componen de nodos (o neuronas) dispuestos en una cuadrícula, donde cada nodo
representa un prototipo de un conjunto de datos. Durante el proceso de
entrenamiento, los nodos ajustan sus pesos para minimizar la distancia a los
datos de entrada, lo que les concede agrupar datos similares y resaltar patrones
subyacentes (Kohonen, 2000).
La relevancia de los mapas autoorganizados radica en su capacidad para
descubrir estructuras en conjuntos de datos sin necesidad de etiquetas o
supervisión externa. A la vez que los volúmenes de datos crecen
exponencialmente en diversas disciplinas, la necesidad de métodos que puedan
54
explorar y analizar estos datos de manera eciente se vuelve crucial. Los mapas
de Kohonen posibilitan a investigadores y analistas identicar tendencias,
clasicaciones y anomalías, lo que los convierte en una herramienta valiosa en
áreas como la bioinformática, el procesamiento de imágenes, la segmentación de
mercados y la exploración de datos.
Las aplicaciones de los mapas autoorganizados son vastas y variadas. En
el ámbito de la salud, en efecto, se utilizan para clasicar perles de pacientes en
función de sus características clínicas, facilitando la personalización de
tratamientos. En el sector nanciero, ayudan en la detección de fraudes al
identicar patrones inusuales en transacciones. Más aún, en el campo del
marketing, estos mapas posibilitan segmentar consumidores en grupos
homogéneos para diseñar estrategias más efectivas.
Por tanto, la versatilidad de los mapas autoorganizados de Kohonen los
ha establecido como una técnica fundamental en el análisis de datos
contemporáneo. Los mapas autoorganizados de Kohonen representan un criterio
innovador y ecaz para el aprendizaje no supervisado, permitiendo a
investigadores y profesionales desentrañar la complejidad de los datos en
diversas aplicaciones.
3.1 Fundamentos teóricos de los mapas de Kohonen
Los mapas autoorganizados de Kohonen, todavía conocidos como redes
de Kohonen, son una herramienta poderosa en el ámbito del aprendizaje no
supervisado. Para comprender mejor su funcionamiento y aplicaciones, es
esencial explorar sus fundamentos teóricos, que incluyen el algoritmo de
entrenamiento, la estructura de la red y la función de vecindad.
El algoritmo de entrenamiento de los mapas de Kohonen se basa en un
proceso de competencia y cooperación entre las neuronas de la red. Durante el
55
entrenamiento, se presentan patrones de entrada a la red, y la neurona que
responde más fuertemente a un patrón se denomina "neurona ganadora". Esta
neurona se ajusta para aproximarse mejor al patrón de entrada, mientras que las
neuronas cercanas a la ganadora todavía se ajustan, aunque en menor medida
(Kohonen, 2000). Este criterio concede que la red forme una representación
topológica de los datos, donde patrones similares se agrupan en regiones
adyacentes del mapa. El ajuste de las neuronas se realiza a través de un proceso
iterativo, utilizando un parámetro de aprendizaje que disminuye con el tiempo,
lo que concede una convergencia más precisa a la vez que avanza el
entrenamiento.
La estructura de la red de Kohonen es fundamental para su
funcionamiento. En general, consiste en una capa de entrada y una capa de salida
que consigue tener una disposición bidimensional o tridimensional. A diferencia
de las redes neuronales tradicionales, donde las conexiones son densas, los
mapas de Kohonen utilizan una topología que reeja la relación entre las
neuronas. Este diseño concede que las conexiones se fortalezcan o debiliten en
función de la proximidad de las neuronas entre sí y de su respuesta a los patrones
de entrada. La disposición de la capa de salida, que consigue ser en forma de
cuadrado, hexágono o cualquier otra forma, inuye en la manera en que se
representan los datos y en la capacidad de la red para mantener la estructura
topológica.
La función de vecindad es otro componente crucial en los mapas de
Kohonen, ya que determina cómo se ajustan las neuronas adyacentes a la neurona
ganadora durante el entrenamiento. Esta función dene el grado de inuencia
que tiene la neurona ganadora sobre sus vecinas, permitiendo que la red aprenda
patrones en función de la proximidad. Existen diferentes formas de implementar
la función de vecindad, siendo las más comunes la función gaussiana y la función
56
rectangular. A la vez que el entrenamiento avanza, la amplitud de la función de
vecindad tiende a disminuir, lo que signica que las neuronas tienden a
especializarse en características más especícas de los datos. Este criterio no solo
mejora la representación de los datos en el mapa, sino que todavía ayuda a evitar
el sobreajuste, permitiendo que el modelo generalice mejor a nuevos datos.
Los fundamentos teóricos de los mapas de Kohonen abordan aspectos
críticos que facilitan su funcionamiento y ecacia en el aprendizaje no
supervisado. Comprender el algoritmo de entrenamiento, la estructura de la red
y la función de vecindad es esencial para aprovechar al máximo esta técnica en
diversas aplicaciones de análisis de datos. A la vez que avanzamos, exploraremos
cómo implementar estos conceptos en la práctica para crear mapas
autoorganizados efectivos.
La implementación de mapas autoorganizados de Kohonen (SOM) es un
proceso que combina conocimientos teóricos con herramientas prácticas para
crear modelos que permitan la visualización y el análisis de datos complejos. Para
implementar mapas autoorganizados, existen diversas herramientas y
bibliotecas en diferentes lenguajes de programación que facilitan el proceso.
Algunas de las más populares incluyen:
- Python: La biblioteca MiniSom es una opción ligera y fácil de usar para crear
mapas autoorganizados. Todavía se consigue utilizar TensorFlow y Keras para
implementar redes neuronales más complejas que incluyan SOM.
- MATLAB: Ofrece una toolbox dedicada al aprendizaje automático que incluye
funciones para implementar mapas de Kohonen. Su entorno gráco es ideal para
aquellos que preeren una interfaz visual para el desarrollo
57
- R: La biblioteca Kohonen en R concede crear y visualizar mapas
autoorganizados de manera sencilla. Esta herramienta es especialmente útil para
quienes trabajan en análisis estadístico y visualización de datos.
- Java: Existen librerías como SOMLib que posibilitan la implementación de SOM
en aplicaciones Java, lo que consigue ser útil en proyectos que requieren
integración con sistemas más grandes.
La creación de un mapa autoorganizado se consigue dividir en varios
pasos fundamentales:
- Preparación de los datos: Antes de entrenar un mapa autoorganizado, es esencial
preprocesar los datos. Esto consigue incluir la normalización o estandarización
para asegurar que todas las características tengan un rango similar, así como la
eliminación de valores atípicos.
- Denición de la topología de la red: Se debe elegir la estructura del mapa, que
consigue ser rectangular, hexagonal o en otras formas. La elección de la topología
inuye en la manera en que los datos se organizan y se relacionan en el espacio.
- Entrenamiento del modelo: Utilizando el algoritmo de entrenamiento de Kohonen,
se ajustan los pesos de los nodos en función de los datos de entrada. Este proceso
involucra la selección de parámetros como la tasa de aprendizaje y la función de
vecindad, que afectarán la convergencia del mapa.
- Evaluación del mapa: Una vez entrenado, es importante evaluar la calidad del
mapa. Esto consigue incluir el uso de métricas como la cuantización del error,
que mide la diferencia entre los datos de entrada y su representación en el mapa.
La interpretación de un mapa autoorganizado es crucial para extraer
conclusiones signicativas de los datos. Los resultados se logran visualizar
58
mediante técnicas grácas que muestran cómo los datos se agrupan en el espacio
del mapa. Algunos aspectos clave a considerar incluyen:
- Visualización de clústeres: Los nodos cercanos en el mapa representan datos
similares. Al observar la distribución de los nodos, se logran identicar patrones
y agrupaciones que son relevantes para el análisis.
- Análisis de la función de vecindad: La función de vecindad ayuda a entender la
relación entre los nodos en el mapa. Un área densa consigue indicar una alta
similitud entre los datos, mientras que áreas dispersas logran señalar diferencias
signicativas.
- Evaluación de la calidad del mapa: Herramientas como la representación de mapas
de U-Matrix (Unied Distance Matrix) logran ser útiles para visualizar la
distancia entre nodos y evaluar la calidad de la agrupación.
En teoría, la implementación de mapas autoorganizados requiere una
combinación de herramientas adecuadas, un entendimiento de los pasos
necesarios para entrenar el modelo y una interpretación cuidadosa de los
resultados. Al dominar estos aspectos, los investigadores y profesionales logran
aprovechar al máximo el potencial de los mapas de Kohonen en el análisis de
datos.
Los mapas autoorganizados de Kohonen han demostrado ser una
herramienta valiosa en el campo del aprendizaje no supervisado, ofreciendo una
forma intuitiva de representar datos complejos. Entre sus principales benecios
se encuentran la capacidad de visualizar relaciones entre datos de alta dimensión
y la facilidad para identicar patrones y agrupaciones sin necesidad de etiquetas
previas. Esto los convierte en una opción ideal para aplicaciones en áreas como
la segmentación de mercados, la clasicación de textos y la compresión de
imágenes (Gámez et al., 2016).
59
No obstante, estas técnicas de manera similar presentan algunas
limitaciones. La elección de la estructura de la red y el ajuste de los parámetros,
como la función de vecindad y la tasa de aprendizaje, logran ser un desafío, ya
que una conguración inadecuada consigue llevar a resultados subóptimos. Del
mismo modo, los mapas de Kohonen logran ser sensibles a la escala de los datos,
lo que exige un preprocesamiento cuidadoso para garantizar resultados
signicativos.
El campo de los mapas autoorganizados de Kohonen está en constante
evolución, impulsado por los avances en la inteligencia articial y el aprendizaje
profundo. Una tendencia emergente es la integración de técnicas de redes
neuronales más complejas, que combinan la simplicidad de los mapas de
Kohonen con la potencia de modelos más avanzados. Esto incluye el uso de
arquitecturas híbridas que aprovechan la eciencia de los mapas
autoorganizados para la reducción de dimensionalidad, seguidas de redes
neuronales profundas para el análisis más detallado y la clasicación.
Asimismo, la creciente disponibilidad de grandes volúmenes de datos y la
mejora en las capacidades computacionales posibilitan la aplicación de mapas de
Kohonen en contextos más sosticados, como el análisis de big data y la minería
de datos en tiempo real. La combinación de algoritmos de optimización y técnicas
de aprendizaje automático está ampliando las posibilidades de aplicación de los
mapas autoorganizados en áreas como la biología computacional, la economía y
las ciencias sociales.
Para aquellos investigadores y profesionales que deseen explorar los
mapas autoorganizados de Kohonen, se recomienda comenzar por una
comprensión sólida de los principios teóricos subyacentes y realizar
experimentos prácticos utilizando diversas herramientas y bibliotecas.
Familiarizarse con el preprocesamiento de datos, así como con la selección
60
adecuada de parámetros y la interpretación de resultados, es crucial para
maximizar la efectividad de esta técnica.
De igual forma, es benecioso mantenerse al tanto de las últimas
tendencias y desarrollos en el campo, ya que la investigación continua y la
innovación ofrecen nuevas oportunidades y aplicaciones. Participar en
conferencias y seminarios, y colaborar con otros especialistas, consigue acumular
la comprensión y el uso de mapas autoorganizados, promoviendo un aprendizaje
continuo y la mejora de las prácticas en el análisis de datos. Ahora bien, los mapas
autoorganizados de Kohonen representan una herramienta poderosa en el
arsenal del análisis de datos, y su continuo desarrollo promete abrir nuevas
puertas en la comprensión y visualización de información compleja.
3.2 Arquitectura y algoritmo en R de mapas autoorganizados
(SOM): Desde la teoría hasta la implementación
Los mapas autoorganizados (SOM, por sus siglas en inglés) son una
técnica de aprendizaje no supervisado que se utiliza para la visualización y la
interpretación de datos complejos. Desarrollados por el neurocientíco Teuvo
Kohonen a nales de la década de 1980, los SOM simulan el proceso de
aprendizaje del cerebro humano, permitiendo que una red neuronal organice y
clasique información sin necesidad de etiquetas predenidas (Yang et al., 2019).
Los mapas autoorganizados son un tipo de red neuronal que transforma
datos de alta dimensión en una representación bidimensional, manteniendo las
relaciones topológicas de los datos originales. A través de un proceso de
competencia entre las neuronas de la red, los SOM logran identicar patrones y
similitudes en conjuntos de datos, facilitando su análisis. Este criterio es
especialmente útil en contextos donde se desea explorar grandes volúmenes de
datos sin tener un conocimiento previo sobre su estructura o distribución.
61
La evolución de los mapas autoorganizados comenzó con las
investigaciones de Teuvo Kohonen en los años 80, quien propuso el concepto de
autoorganización en redes neuronales. Desde entonces, los SOM han
evolucionado y se han adaptado a diversas aplicaciones en áreas como la visión
por computadora, la biología, la minería de datos y la inteligencia articial. Con
el avance de la tecnología y el aumento en la disponibilidad de datos, los SOM
han sido objeto de numerosas investigaciones y mejoras, lo que ha llevado a la
creación de variantes y planteamientos que amplían su funcionalidad y ecacia.
Los SOM se utilizan en una amplia gama de aplicaciones debido a su
capacidad para manejar datos complejos y no estructurados. En el ámbito de la
biología, en particular, se emplean para el análisis de expresión genética y la
clasicación de proteínas. En la industria del marketing, los SOM son útiles para
segmentar clientes e identicar patrones de comportamiento de compra (Javed
et al., 2024). Todavía se utilizan en la visualización de datos en el ámbito
nanciero, donde posibilitan detectar anomalías y tendencias en grandes
conjuntos de datos. Los mapas autoorganizados ofrecen una herramienta
poderosa y versátil para el análisis y la comprensión de datos en múltiples
disciplinas, destacando su relevancia en un mundo cada vez más orientado hacia
la información y los datos.
La arquitectura de los mapas autoorganizados (SOM) es fundamental para
entender cómo estos modelos de aprendizaje no supervisado logran ser
utilizados para la clasicación y visualización de datos complejos. Un mapa
autoorganizado se compone de una red de neuronas organizadas en una
estructura generalmente bidimensional. Cada neurona en esta red se asocia con
un vector de peso que tiene la misma dimensión que los datos de entrada. Esta
representación concede que cada neurona capture características especícas de
los datos en función de su posición en el mapa. Las neuronas están conectadas
62
entre sí, formando una topología que consigue ser rectangular, hexagonal o de
otra forma, lo que facilita la interpolación de información entre ellas.
El proceso de autoorganización se inicia cuando un conjunto de datos se
presenta a la red. A través de un mecanismo de competencia, las neuronas ajustan
sus pesos en función de la proximidad del vector de entrada. La neurona que más
se asemeja al vector de datos se denomina neurona ganadora, y a partir de esta,
las neuronas vecinas todavía ajustan sus pesos, aunque en menor medida, en
función de su distancia a la neurona ganadora. Esta estructura concede que el
SOM capture la topología de los datos de entrada de manera efectiva.
La función de vecindad es un componente crucial en el proceso de
aprendizaje de los SOM. Esta función determina el grado en que las neuronas
vecinas a la neurona ganadora ajustarán sus pesos en respuesta a un vector de
entrada. Existen varias formas de denir la función de vecindad, siendo la más
común la función gaussiana, que asigna un mayor peso a las neuronas más
cercanas a la neurona ganadora. Otras funciones, como la función cuadrática o la
función de vecindad de tipo escalón, todavía se utilizan en diferentes contextos.
La elección de la función de vecindad y su forma tiene un impacto signicativo
en la calidad del mapa nal y en la capacidad del modelo para generalizar a
nuevos datos.
El rendimiento de un SOM todavía depende de varios parámetros de
entrenamiento que deben ser cuidadosamente ajustados. Entre estos parámetros
se incluyen la tasa de aprendizaje, el tamaño de la red y el número de épocas de
entrenamiento. La tasa de aprendizaje determina la velocidad con la que se
ajustan los pesos de las neuronas. Al inicio del entrenamiento, una tasa de
aprendizaje más alta concede que la red se adapte rápidamente, mientras que
una tasa más baja hacia el nal del proceso asegura que los ajustes sean más nos
y controlados (Faúndez y de la Fuente, 2023).
63
El tamaño de la red, es decir, el número de neuronas, inuye en la
capacidad del SOM para representar la complejidad de los datos. Un mapa más
grande consigue capturar más variaciones, pero de manera similar consigue
requerir más tiempo de entrenamiento y ser propenso a sobreajustarse. El
número de épocas de entrenamiento debe ser suciente para permitir que el
modelo converja, pero no tan alto que conduzca a un sobreajuste.
La arquitectura de un mapa autoorganizado es un factor determinante en
su ecacia, por ende, la estructura de la red, la función de vecindad y los
parámetros de entrenamiento son elementos interrelacionados que, al ajustarse
adecuadamente, logran llevar a un modelo que no solo representa los datos de
manera precisa, sino que todavía proporciona una valiosa herramienta para la
exploración y análisis de datos en diversos campos. La implementación de mapas
autoorganizados (SOM) en el lenguaje de programación R es un proceso accesible
que concede a los investigadores y analistas explorar y visualizar datos complejos
de manera efectiva.
Para comenzar a trabajar con SOM en R, es fundamental contar con los
paquetes adecuados. Dos de los más utilizados son Kohonen y ggplot2. El
primero concede la creación y manejo de mapas autoorganizados, mientras que
el segundo es excelente para la visualización de datos. Para instalar estos
paquetes, se consigue utilizar el siguiente código:
install.packages("Kohonen")
install.packages("ggplot2")
Una vez instalados, se logran cargar en la sesión de trabajo con los
siguientes comandos:
library(Kohonen)
64
library(ggplot2)
Una vez que se tienen los paquetes necesarios, el siguiente paso es
preparar los datos y crear el SOM. Supongamos que contamos con un conjunto
de datos que contiene características numéricas. Primero, es importante escalar
los datos para que cada característica tenga una media de cero y una desviación
estándar de uno. Esto se consigue hacer utilizando la función scale() de R. Luego,
se consigue construir el SOM utilizando la función som() del paquete Kohonen:
Cargar los datos
data(iris)
Escalar los datos (sin incluir la columna de especies)
data_scaled <- scale(iris[, -5])
Denir la cuadrícula del SOM
som_grid <- somgrid(xdim = 5, ydim = 5, topo = "hexagonal")
Crear el SOM
som_model <- som(data_scaled, grid = som_grid, rlen = 100, alpha = c(0.05, 0.01))
Visualizar el mapa
plot(som_model, main = "Mapa Autoorganizado del conjunto de datos Iris")
En este código, se dene una cuadrícula hexagonal de 5x5, y se entrena el
modelo SOM durante 100 iteraciones con una tasa de aprendizaje que disminuye
de 0.05 a 0.01. La visualización de los resultados es crucial para interpretar el
rendimiento del SOM. El paquete Kohonen proporciona varias funciones útiles
para visualizar los mapas y la agrupación de datos. Una de las visualizaciones
más comunes es el mapa de unidades, que muestra cómo se distribuyen los
diferentes grupos de datos a lo largo del mapa.
65
Utilizando el modelo creado anteriormente, se consigue realizar una
visualización de la agrupación de las especies de iris en el mapa SOM con el
siguiente código:
Añadir las etiquetas de las especies al mapa
plot(som_model, type = "codes", main = "Códigos de las neuronas SOM")
add.cluster.boundaries(som_model, cutree(hclust(dist(data_scaled)), 3))
Este código no solo muestra los códigos de las neuronas en el mapa, sino
que todavía añade límites de clústeres, permitiendo identicar visualmente cómo
se agrupan las diferentes especies de iris en el mapa autoorganizado. Con estos
pasos, hemos cubierto la implementación básica de un SOM en R, desde la
instalación de paquetes hasta la visualización de los resultados.
Los mapas autoorganizados (SOM) han demostrado ser una herramienta
poderosa en el análisis de datos, ofreciendo una visualización intuitiva y una
organización estructurada de información compleja. Entre sus principales
benecios se encuentran la capacidad de reducir la dimensionalidad de los datos,
facilitando así la identicación de patrones y relaciones subyacentes. En este
sentido, los SOM son especialmente útiles en el aprendizaje no supervisado,
donde no se dispone de etiquetas para los datos, permitiendo que los modelos
descubran agrupaciones y similitudes de manera autónoma (Buzai y Montes,
2022). Su arquitectura basada en redes neuronales todavía concede un
aprendizaje adaptativo, donde el modelo consigue ajustarse a nuevas entradas
sin necesidad de reentrenamiento completo.
A pesar de sus numerosas ventajas, los SOM todavía presentan ciertos
aspectos y limitaciones que es fundamental considerar. Uno de los más
destacados es la sensibilidad a la elección de parámetros, como la tasa de
aprendizaje y el tamaño de la red, que logran inuir signicativamente en los
66
resultados obtenidos. Del mismo modo, en conjuntos de datos extremadamente
grandes o con alta dimensionalidad, el tiempo de entrenamiento y la complejidad
computacional logran convertirse en obstáculos. Por otro lado, la interpretación
de los resultados consigue ser subjetiva, ya que la organización visual generada
por el SOM consigue variar dependiendo de la conguración y los datos de
entrada. Esto consigue dicultar la validación de los modelos y la comparación
de resultados entre diferentes estudios.
El futuro de los mapas autoorganizados es prometedor, especialmente con
el avance de la tecnología y las técnicas de aprendizaje automático. La integración
de SOM con planteamientos de inteligencia articial más avanzados, como el
aprendizaje profundo, podría ampliar aún más sus aplicaciones y mejorar su
capacidad para manejar datos complejos. Además, el desarrollo de algoritmos
más ecientes y adaptativos permitirá abordar algunas de las limitaciones
actuales, facilitando su uso en áreas emergentes como la analítica de big data y la
minería de datos en tiempo real. A la vez que la investigación en este campo
avanza, es probable que veamos una creciente adopción de SOM en sectores
como la biomedicina, el análisis de imágenes y la ingeniería, consolidando su
posición como una herramienta esencial en el arsenal de técnicas analíticas
contemporáneas.
3.3 Aprendizaje No Supervisado: Aplicaciones en matemática e
informática
El aprendizaje no supervisado es un criterio fundamental dentro del
campo del aprendizaje automático que concede a los modelos aprender patrones
y estructuras en datos sin la necesidad de etiquetas o categorías predenidas. A
diferencia del aprendizaje supervisado, donde se entrena a un modelo utilizando
un conjunto de datos que incluye tanto las entradas como las salidas esperadas,
67
el aprendizaje no supervisado se concentra en la extracción de información útil a
partir de datos no etiquetados. Este método se basa en la identicación de
estructuras subyacentes en los datos, como agrupaciones o asociaciones, lo que
concede una comprensión más profunda de los mismos.
La importancia del aprendizaje no supervisado en el ámbito de la
inteligencia articial es indiscutible. El aprendizaje no supervisado concede a
investigadores y profesionales descubrir patrones ocultos que podrían no ser
evidentes a simple vista, facilitando así la toma de decisiones informadas y la
generación de nuevos conocimientos. Una de las principales diferencias entre el
aprendizaje no supervisado y el aprendizaje supervisado radica en la forma en
que se lleva a cabo el proceso de aprendizaje. Mientras que el aprendizaje
supervisado depende de un conjunto de entrenamiento que incluye paradigmas
etiquetados, el aprendizaje no supervisado se basa únicamente en la estructura y
la distribución de los datos. Esto signica que el aprendizaje no supervisado es
especialmente valioso en situaciones donde las etiquetas son difíciles de obtener
o donde se busca explorar los datos sin un conocimiento previo de sus
características.
El aprendizaje no supervisado constituye un área esencial de estudio en la
inteligencia articial, ofreciendo estrategias innovadoras para el análisis y la
comprensión de grandes volúmenes de datos. Su capacidad para descubrir
patrones y relaciones en datos no etiquetados lo posiciona como una herramienta
poderosa en diversas disciplinas, incluyendo la matemática y la informática. El
aprendizaje no supervisado ha encontrado un amplio espectro de aplicaciones en
el campo de la matemática, donde su capacidad para identicar patrones y
estructuras en datos no etiquetados ha demostrado ser invaluable.
El análisis de datos estadísticos es uno de los campos donde el aprendizaje
no supervisado ha tenido un impacto signicativo. Técnicas como el análisis de
68
componentes principales (PCA) y el análisis de conglomerados (clustering)
posibilitan a matemáticos y estadísticos reducir la dimensionalidad de los datos
y agrupar observaciones similares sin la necesidad de etiquetas predenidas
(Zambrano y Munoz, 2023). Esto facilita la identicación de tendencias y
patrones en grandes conjuntos de datos, permitiendo a los investigadores extraer
conclusiones signicativas que podrían pasar desapercibidas en un análisis
supervisado. Conviene destacar, en estudios demográcos o en investigaciones
de mercado, el aprendizaje no supervisado consigue revelar segmentos ocultos
de la población que comparten características comunes.
La teoría de grafos al igual se ha beneciado enormemente del aprendizaje
no supervisado, así, los algoritmos de clustering, como K-means y DBSCAN, se
utilizan para agrupar nodos en grafos basados en la cercanía o similitud de sus
atributos. Esto tiene aplicaciones prácticas en diversas áreas, como la
optimización de redes de transporte, la organización de información en bases de
datos y el análisis de redes sociales. Conviene destacar, en el análisis de redes
sociales, el aprendizaje no supervisado consigue identicar comunidades dentro
de un grafo que representan grupos de usuarios con intereses o comportamientos
similares, lo que concede una comprensión más profunda de las interacciones
dentro de la red.
El aprendizaje no supervisado de manera similar se aplica en la resolución
de problemas complejos mediante algoritmos matemáticos. Así, en la
optimización de funciones, los métodos no supervisados logran ayudar a
identicar regiones del espacio de soluciones que son prometedoras, sin
necesidad de contar con un conjunto de datos etiquetados. Esto es especialmente
útil en áreas como la teoría de juegos, donde los jugadores deben tomar
decisiones basadas en información incompleta. Al aplicar técnicas de aprendizaje
69
no supervisado, los investigadores logran explorar estrategias óptimas y mejorar
la toma de decisiones en entornos inciertos.
En general, el aprendizaje no supervisado ha transformado diversas áreas
de la matemática, permitiendo un análisis más profundo y eciente de datos
complejos. Su capacidad para descubrir patrones y estructuras ocultas lo
convierte en una herramienta esencial en la investigación matemática
contemporánea. A la vez que la cantidad de datos disponibles continúa
creciendo, es probable que las aplicaciones del aprendizaje no supervisado en
este campo se expandan y evolucionen, abriendo nuevas oportunidades para el
descubrimiento y la innovación. El aprendizaje no supervisado ha revolucionado
numerosos aspectos de la informática, facilitando el análisis de grandes
volúmenes de datos y la toma de decisiones complejas.
La segmentación de imágenes es una técnica fundamental en la visión por
computadora que concede dividir una imagen en diferentes partes o segmentos.
Utilizando algoritmos de aprendizaje no supervisado, se logran identicar y
agrupar píxeles similares basados en características como color, textura y forma.
Esto es especialmente útil en aplicaciones médicas, donde la segmentación
precisa de imágenes consigue ayudar en la detección de enfermedades, así como
en la automatización de procesos en la industria, como la inspección de calidad
de productos. Métodos como K-means y clustering jerárquico son comúnmente
empleados para lograr resultados efectivos en esta área.
Las plataformas de comercio electrónico y los servicios de streaming
utilizan el aprendizaje no supervisado para mejorar la experiencia del usuario a
través de sistemas de recomendación. Al analizar patrones de comportamiento y
preferencias de los usuarios sin necesidad de etiquetas explícitas, estos sistemas
logran agrupar a los usuarios en clústeres basados en similitudes. Conviene
destacar, un algoritmo consigue identicar que los usuarios que compran ciertos
70
productos todavía tienden a comprar otros relacionados. Esto concede a las
plataformas sugerir productos o contenidos que el usuario podría disfrutar,
aumentando así la satisfacción del cliente y potenciando las ventas.
La detección de anomalías es otro campo donde el aprendizaje no
supervisado ha demostrado ser extremadamente útil. En el contexto de la
seguridad informática, los algoritmos de aprendizaje no supervisado logran
identicar comportamientos inusuales en redes o sistemas que podrían indicar
una amenaza o un ataque cibernético. Al no requerir muestras de ataques
previos, estos modelos logran adaptarse a nuevas tácticas y técnicas utilizadas
por los ciberdelincuentes. Para Baronio et al. (2018), clustering y técnicas de
reducción de dimensionalidad, como el análisis de componentes principales
(PCA), son frecuentemente utilizados para detectar patrones anómalos en
grandes conjuntos de datos, ayudando a las organizaciones a proteger sus
sistemas de manera proactiva.
Las aplicaciones del aprendizaje no supervisado en informática son
diversas y en constante evolución. Desde la segmentación de imágenes hasta la
recomendación de productos y la detección de anomalías, esta técnica está
transformando la forma en que interactuamos con la tecnología y procesamos la
información en un mundo cada vez más digitalizado.
En el campo de la matemática, se ha destacado su utilidad en el análisis de
datos estadísticos, la teoría de grafos y el clustering, así como en la resolución de
problemas complejos mediante algoritmos ecientes. Por otro lado, en
informática, sus aplicaciones son igualmente signicativas, abarcando desde la
segmentación de imágenes y la recomendación de productos en plataformas
digitales, hasta la detección de anomalías en sistemas de seguridad. Estas
aplicaciones demuestran cómo el aprendizaje no supervisado consigue extraer
patrones y estructuras ocultas en grandes volúmenes de datos, facilitando la
71
toma de decisiones informadas y mejorando la efectividad de diversas soluciones
tecnológicas.
El futuro del aprendizaje no supervisado en la investigación es
prometedor y está en constante evolución. En este caso, la cantidad de datos
generados por diversas fuentes sigue creciendo, la necesidad de métodos que
permitan analizar y entender estos datos sin la necesidad de etiquetas se vuelve
cada vez más crucial. Las técnicas de aprendizaje no supervisado, como el
clustering y la reducción de dimensionalidad, están ganando relevancia en áreas
emergentes como el análisis de big data, la biología computacional y la
investigación en inteligencia articial. Más aún, la integración con otras técnicas
de aprendizaje automático, como el aprendizaje semi-supervisado y el
aprendizaje por refuerzo, sugiere un camino hacia métodos aún más robustos y
ecaces.
En el contexto actual, el aprendizaje no supervisado se presenta como una
herramienta esencial para enfrentar los aspectos de la era digital. Su capacidad
para descubrir patrones y relaciones en datos no etiquetados lo convierte en un
pilar fundamental para el desarrollo de tecnologías inteligentes. En este caso, las
empresas y las instituciones continúan invirtiendo en soluciones basadas en
inteligencia articial, el aprendizaje no supervisado jugará un rol crucial en la
adaptación de estas tecnologías a las necesidades cambiantes de la sociedad.
Ahora bien, su relevancia no solo persiste, sino que se expande, posicionándose
como un área clave para la investigación futura y el avance tecnológico en
múltiples disciplinas.
72
Capítulo IV
Modelo de Ecuaciones Estructurales (SEM) en las ciencias
de la educación: Una guía completa para la investigación
educativa
El Modelo de Ecuaciones Estructurales (SEM, por sus siglas en inglés) se
ha consolidado como una herramienta fundamental en el ámbito de las ciencias
de la educación, así como en otras disciplinas que requieren un análisis profundo
de relaciones complejas entre variables. Este criterio estadístico concede a los
investigadores no solo explorar, sino todavía conrmar modelos teóricos que
representan la interacción entre variables observadas y latentes.
El SEM es una técnica estadística que combina aspectos del análisis de
regresión y el análisis factorial, lo que concede la evaluación de modelos que
incluyen tanto mediadores como variables independientes y dependientes. En su
esencia, el SEM proporciona un marco para representar grácamente y analizar
la estructura de las relaciones entre múltiples variables, facilitando la
comprensión de fenómenos complejos en el contexto educativo. Este modelo es
especialmente útil en la investigación educativa, donde es necesario considerar
factores que inuyen en el aprendizaje y el rendimiento, tales como el ambiente
escolar, las características del alumnado y las metodologías de enseñanza.
La relevancia del SEM en las ciencias de la educación radica en su
capacidad para abordar preguntas de investigación que no logran ser
completamente respondidas mediante métodos más tradicionales. Para ilustrar,
el SEM concede a los investigadores examinar no solo las relaciones directas entre
variables, sino todavía las indirectas y mediadas, lo que resulta crucial para
entender cómo diferentes factores interactúan en el proceso educativo. A su vez,
73
el SEM ofrece la posibilidad de evaluar la validez de constructos teóricos en
contextos educativos, permitiendo así la creación de teorías más robustas y
fundamentadas.
A través de este análisis, se busca familiarizar a los investigadores y
profesionales de la educación con los conceptos fundamentales del SEM, su
implementación en estudios de investigación y la interpretación de los resultados
obtenidos. Se espera que esta guía sirva como un recurso valioso para aquellos
que deseen utilizar el SEM como herramienta para profundizar en la
comprensión de los procesos educativos y contribuir al desarrollo de prácticas
basadas en evidencia en el campo educativo.
4.1 Fundamentos del Modelo de Ecuaciones Estructurales
El Modelo de Ecuaciones Estructurales (SEM) es una técnica estadística
avanzada que concede analizar y modelar relaciones complejas entre variables.
El SEM combina elementos de análisis de regresión y análisis factorial,
convirtiéndose en una herramienta poderosa para comprender las relaciones
entre variables (Ortiz y Fernández, 2018). Algunos de los conceptos clave en el
SEM incluyen:
- Variables observadas: Son aquellas que se logran medir directamente, como las
puntuaciones de pruebas o encuestas.
- Variables latentes: Son constructos teóricos que no se logran medir directamente,
como la motivación o el rendimiento escolar, que se ineren a partir de las
variables observadas.
- Relaciones estructurales: Se reeren a las conexiones entre las variables latentes y
observadas, que logran ser directas o mediadas por otras variables.
74
El SEM concede explorar tanto las relaciones causales como las
correlaciones entre estas variables, proporcionando un marco comprensivo para
analizar teorías educativas. El SEM se distingue de otros métodos estadísticos,
como la regresión lineal múltiple o el análisis factorial, por varias razones:
- Análisis simultáneo: A diferencia de la regresión, que evalúa una relación a la vez,
el SEM concede analizar múltiples relaciones simultáneamente. Esto es
particularmente útil en contextos educativos donde las interacciones entre
variables son complejas.
- Consideración de variables latentes: Mientras que muchos métodos estadísticos
solo manejan variables observadas, el SEM integra variables latentes en su
análisis, lo que concede una representación más el de teorías psicológicas y
educativas.
- Modelado de errores: El SEM reconoce y ajusta los errores de medida en las
variables observadas, ofreciendo estimaciones más precisas de las relaciones
entre variables.
El SEM se compone de dos partes fundamentales:
- Modelo de medida: Este componente dene cómo las variables latentes se
relacionan con las variables observadas. Utiliza ecuaciones para describir estas
relaciones, permitiendo la evaluación de la validez y abilidad de los
instrumentos de medición.
- Modelo estructural: Este componente representa las relaciones entre las variables
latentes. A través de este modelo, se logran establecer hipótesis sobre cómo una
variable latente consigue inuir en otra, permitiendo la exploración de teorías
educativas complejas.
75
Estos componentes posibilitan al investigador desarrollar un modelo
comprensivo que no solo reeja la realidad observada, sino que todavía
proporciona percepciones sobre las dinámicas subyacentes en el contexto
educativo. El SEM, por lo tanto, se presenta como una herramienta indispensable
para los investigadores en el ámbito de las ciencias de la educación, permitiendo
una comprensión más profunda de los fenómenos que impactan el aprendizaje y
la enseñanza.
4.1.1 Aplicación del SEM en la investigación educativa
La aplicación del Modelo de Ecuaciones Estructurales (SEM) en la
investigación educativa ha cobrado relevancia en los últimos años, dado su
potencial para abordar preguntas complejas que involucran múltiples variables
interrelacionadas. Los estudios de caso son fundamentales para ilustrar la
aplicabilidad del SEM en contextos educativos. A través del SEM, se identican
variables latentes como el clima escolar y el desarrollo profesional, y se establece
cómo estas variables se relacionan con la satisfacción laboral de los educadores,
por ejemplo. Este tipo de investigación no solo proporciona información valiosa
para la gestión educativa, sino que de manera similar ayuda a diseñar
intervenciones más efectivas. Implementar un modelo SEM en la investigación
educativa implica varios pasos clave:
- Denición del problema de investigación: Es fundamental formular preguntas
claras y especícas que guíen el estudio. La claridad en esta fase ayudará a
determinar las variables que se van a incluir en el modelo.
- Desarrollo del marco teórico: Se debe construir un marco teórico sólido que
respalde las relaciones propuestas entre las variables. Esto incluye una revisión
exhaustiva de la literatura existente y la formulación de hipótesis.
76
- Selección de variables: Identicar y clasicar las variables observadas y latentes
que se incluirán en el modelo. Las variables latentes son aquellas que no se logran
medir directamente, pero que se ineren a partir de otras variables observadas.
- Recolección de datos: Recoger datos adecuados utilizando cuestionarios,
encuestas u otras herramientas de medición. Es esencial asegurarse de que los
datos sean válidos y conables.
- Análisis de datos: Utilizar software especializado para realizar el análisis SEM, lo
que implica la estimación de parámetros y la evaluación del ajuste del modelo a
los datos.
- Interpretación y validación del modelo: Evaluar los resultados obtenidos,
interpretando las relaciones entre las variables. Todavía es importante validar el
modelo con diferentes muestras para asegurar su robustez.
La interpretación de los resultados en SEM consigue ser compleja, pero es
crucial para extraer conclusiones signicativas. Los investigadores deben prestar
atención a varios aspectos:
- Parámetros del modelo: Los coecientes de regresión indican la fuerza y dirección
de las relaciones entre las variables. Un coeciente positivo sugiere una relación
directa, mientras que uno negativo sugiere una relación inversa.
- Índices de ajuste: Es importante evaluar el ajuste del modelo utilizando índices
como el CFI (Comparative Fit Index), el TLI (Tucker-Lewis Index) y el RMSEA
(Root Mean Square Error of Approximation). Un buen ajuste indica que el
modelo representa adecuadamente las relaciones en los datos.
- Signicación estadística: Los valores p asociados a cada parámetro ayudan a
determinar la signicancia de las relaciones encontradas. Un valor p inferior a
0.05 generalmente se considera indicativo de una relación signicativa.
77
La aplicación del SEM en la investigación educativa es un proceso que
requiere una planicación cuidadosa y un análisis riguroso. A través de estudios
de caso y la implementación de un marco metodológico sólido, los investigadores
logran obtener una comprensión profunda de las complejas dinámicas que
inuyen en el ámbito educativo. El Modelo de Ecuaciones Estructurales (SEM) se
ha consolidado como una herramienta poderosa en las ciencias de la educación,
permitiendo a los investigadores modelar relaciones complejas entre variables y
comprender mejor los factores que afectan los resultados educativos (Alvarez y
Dicovskiy, 2022).
A pesar de sus numerosas ventajas, el SEM todavía presenta ciertas
limitaciones que los investigadores deben considerar. Una de las principales
desventajas es la necesidad de una muestra de tamaño adecuado, ya que los
modelos SEM requieren un número considerable de observaciones para obtener
resultados ables y válidos. Asimismo, la complejidad del modelo consigue
llevar a dicultades en la interpretación de los resultados, especialmente para
aquellos que no están familiarizados con la técnica.
Es importante reconocer que el SEM no consigue establecer relaciones
causales denitivas; más bien, sugiere asociaciones que deben ser interpretadas
con cautela. Por lo tanto, es esencial que los investigadores sean transparentes
sobre las limitaciones de su análisis y consideren la combinación del SEM con
otros planteamientos metodológicos para obtener una comprensión más
completa de los fenómenos educativos.
Mirando hacia el futuro, el SEM tiene un potencial signicativo para
seguir evolucionando en el campo de las ciencias de la educación. Se sugiere
explorar la integración del SEM con técnicas de aprendizaje automático y análisis
de big data, lo que podría facilitar el manejo de conjuntos de datos más complejos
y presentar nuevas perspectivas sobre el aprendizaje y la enseñanza. De igual
78
forma, es crucial fomentar la capacitación de investigadores en el uso del SEM,
asegurando que comprendan no solo la técnica en sí, sino todavía los supuestos
subyacentes y la interpretación de sus resultados. Se recomienda la realización
de estudios longitudinales utilizando SEM, lo que podría proporcionar
información valiosa sobre cómo las relaciones entre variables educativas cambian
en el tiempo.
En n, el SEM representa un avance signicativo en la investigación
educativa, y su correcta aplicación consigue contribuir a una mejor comprensión
de los procesos de enseñanza y aprendizaje. Con un criterio cuidadoso y una
consideración de sus limitaciones, el SEM consigue ser una herramienta
invaluable para los investigadores en su búsqueda de mejorar la educación.
4.2 Ecuaciones estructurales (SEM): Sintaxis en R y Python
Las ecuaciones estructurales (SEM, por sus siglas en inglés) son una
poderosa herramienta estadística que concede a los investigadores examinar y
modelar relaciones complejas entre variables. Este criterio no solo se focaliza en
las correlaciones entre las variables, sino que al igual concede, a través de
modelos de ecuaciones, evaluar relaciones causales, lo que lo convierte en un
método invaluable en la investigación social y en otras disciplinas.
Las ecuaciones estructurales son un conjunto de técnicas que posibilitan
modelar relaciones entre variables observadas y latentes. En este contexto, las
variables observadas son aquellas que logran medirse directamente, mientras
que las variables latentes son constructos teóricos que no se logran medir
directamente, como la inteligencia o la satisfacción. SEM combina características
del análisis de regresión y el análisis factorial, permitiendo a los investigadores
construir modelos que reejan teorías complejas sobre cómo diferentes variables
interactúan y afectan a otras (Manzano, 2018).
79
La aplicación de SEM en la investigación social es particularmente
relevante, ya que a menudo se investiga cómo diferentes factores sociales,
psicológicos y económicos interactúan entre sí. En particular, un investigador
podría estar interesado en cómo la educación y el ingreso afectan la calidad de
vida. SEM concede no solo establecer si estas relaciones existen, sino todavía
cuanticar la fuerza y la dirección de estas interacciones, y explorar cómo otras
variables logran moderar o mediar estas relaciones.
Por añadidura, SEM proporciona una forma de evaluar la adecuación del
modelo en relación con los datos observados, lo que concede a los investigadores
ajustar sus modelos para mejorar su precisión. Esto es crucial en la investigación
social, donde las teorías logran ser complejas y las interacciones entre variables
logran ser no lineales. A diferencia de técnicas estadísticas más simples, como la
regresión lineal, que solo logran evaluar relaciones entre variables
independientes y dependientes, SEM concede modelar sistemas de ecuaciones
que reejan las interdependencias entre múltiples variables simultáneamente.
Esto proporciona una imagen más holística y detallada de las dinámicas en juego.
Por otro lado, métodos como el análisis de varianza (ANOVA) se centran
en comparar medias entre grupos, sin considerar la estructura de las relaciones
entre las variables. En contraste, SEM no solo concede analizar las relaciones, sino
que de manera similar ofrece la posibilidad de incluir variables latentes, lo que
enriquece el análisis y brinda una comprensión más profunda de los fenómenos
estudiados. Las ecuaciones estructurales son una herramienta fundamental en la
investigación social, proporcionando un marco robusto y exible para explorar y
entender las complejidades de las relaciones entre variables.
El uso de R para el análisis de ecuaciones estructurales (SEM) ha ganado
popularidad en la comunidad de investigadores sociales debido a su exibilidad
y a la amplia gama de paquetes disponibles. Para realizar un análisis SEM en R,
80
es fundamental contar con los paquetes adecuados. Los más utilizados son
lavaan y semTools. Para instalar estos paquetes, consigues utilizar el siguiente
código:
install.packages("lavaan")
install.packages("semTools")
Después de la instalación, es necesario cargar los paquetes en tu sesión de
library(lavaan)
library(semTools)
4.2.1 Estructura básica de un modelo SEM
La estructura de un modelo SEM se basa en la especicación de las
relaciones entre variables latentes y observadas. En R, la especicación de un
modelo SEM se realiza mediante una sintaxis de fórmula, donde se describen las
relaciones en un formato que R consigue interpretar (Soriano y Mejía, 2022). Un
modelo SEM básico se consigue denir de la siguiente manera:
Denición de relaciones entre variables latentes
Latente1 =~ Observada1 + Observada2 + Observada3
Latente2 =~ Observada4 + Observada5 + Observada6
Denición de relaciones estructurales
Latente2 ~ Latente1
En este ejemplo, Latente1 y Latente2 son variables latentes que se
relacionan a través de las variables observadas mencionadas. Las echas ~
indican la dirección de la relación entre las variables. Para ilustrar la
implementación de un modelo SEM en R, consideremos un conjunto de datos
81
hipotético que contiene información sobre la satisfacción laboral y su relación con
el rendimiento y el compromiso organizacional. Supongamos que tenemos las
siguientes variables:
- Satisfacción (Satis): Una variable observada que mide el nivel de satisfacción
laboral.
- Rendimiento (Rend): Una variable observada que mide el rendimiento laboral.
- Compromiso (Comp): Una variable latente que reeja el compromiso
organizacional.
Primero, denimos nuestro modelo SEM:
Denición de la variable latente
Comp =~ Satis + Rend
Denición de relaciones estructurales
Comp ~ Satis
A continuación, utilizamos la función sem() del paquete lavaan para
ajustar el modelo a nuestros datos:
resultado <- sem(modelo, data = datos)
summary(resultado, t.measures = TRUE)
El comando summary() nos proporciona un resumen completo del ajuste
del modelo, incluyendo medidas de ajuste como el índice de ajuste comparativo
(CFI) y la raíz del error cuadrático medio de aproximación (RMSEA), los cuales
son esenciales para evaluar la validez del modelo. Este ejemplo práctico
demuestra cómo se consigue implementar un análisis SEM en R de manera
sencilla, utilizando una estructura clara y una sintaxis accesible.
82
4.2.2 Sintaxis de SEM en Python
La implementación de ecuaciones estructurales en Python ha ganado
popularidad en los últimos años, gracias a la exibilidad y la variedad de
bibliotecas disponibles que facilitan la construcción y el análisis de modelos SEM.
En Python, hay varias bibliotecas que posibilitan realizar análisis de ecuaciones
estructurales. Algunas de las más destacadas son:
- statsmodels: Si bien no es exclusivamente para SEM, esta biblioteca ofrece
herramientas para modelos de regresión y análisis de modelos lineales que
logran ser útiles para la estimación de algunos componentes de SEM.
- semopy: Esta es una biblioteca especíca para SEM en Python que concede
denir modelos utilizando una sintaxis intuitiva. Semopy es conocida por su
facilidad de uso y su capacidad para manejar modelos grandes y complejos.
- lavaan: Si bien original de R, existen implementaciones en Python que posibilitan
cargar y ejecutar modelos denidos en lavaan. Esto es útil para quienes están
familiarizados con la sintaxis de lavaan y desean realizar análisis en un entorno
Python.
- pyMCA: Esta biblioteca está orientada hacia el análisis de componentes
principales y todavía incluye funcionalidades para SEM. Es útil para
investigadores que buscan una herramienta más integral para el análisis
multivariante.
Para ilustrar la construcción de un modelo SEM en Python, utilizaremos
semopy como ejemplo. A continuación, se presenta un ejemplo práctico:
1. Instalación de la biblioteca:
Para comenzar, primero debemos instalar la biblioteca semopy. Esto se
consigue hacer mediante pip:
83
bash
pip install semopy
2. Denición del modelo:
Supongamos que queremos analizar la relación entre la satisfacción
laboral, el estrés y la productividad. Podemos denir nuestro modelo como
sigue:
from semopy import Model
model_desc =
Variables observadas
Satisfaccion ~ Estrés + Productividad
Estrés ~ Productividad
model = Model(model_desc)
3. Datos y ajuste del modelo:
Ahora, necesitamos un conjunto de datos para ajustar nuestro modelo.
Supongamos que tenemos un DataFrame de pandas con nuestros datos:
import pandas as pd
Datos cticios
data = {
'Satisfaccion': [5, 6, 7, 8, 7, 5, 4],
'Estrés': [3, 2, 1, 1, 2, 3, 4],
'Productividad': [8, 7, 6, 5, 6, 7, 8]
}
84
df = pd.DataFrame(data)
Ajustar el modelo
model.t(df)
4. Resultados:
Para obtener los resultados del modelo, podemos usar el método inspect:
results = model.inspect()
print(results)
Este código mostrará los parámetros estimados del modelo, así como sus
errores estándar, valores p y otros índices de ajuste que son esenciales para
evaluar la calidad del modelo. Al comparar los resultados obtenidos en Python
con los de R, se deben considerar varios factores. En general, ambos lenguajes
logran proporcionar estimaciones similares si se conguran correctamente los
modelos y se utilizan conjuntos de datos equivalentes. Empero, las diferencias
logran surgir en la forma en que se manejan los errores estándar, los índices de
ajuste y la representación gráca de los modelos.
R tiende a tener una comunidad más amplia en el ámbito de SEM y, por lo
tanto, consigue presentar más recursos y patrones preexistentes. Sin embargo,
Python, con su creciente ecosistema de bibliotecas y su exibilidad, se está
convirtiendo rápidamente en una opción viable y potente para los investigadores
que trabajan con ecuaciones estructurales. Así, Python ofrece diversas
herramientas para realizar análisis de SEM, permitiendo a los investigadores
explorar y modelar relaciones complejas en sus datos. La elección entre R y
Python consigue depender de la familiaridad del usuario con cada lenguaje y de
las necesidades especícas del análisis.
85
A la vez que la investigación social continúa evolucionando, todavía lo
hace el uso de SEM. Las nuevas técnicas de modelización y la integración de
herramientas de aprendizaje automático están comenzando a inuir en cómo se
aplican las ecuaciones estructurales. Igualmente, la creciente disponibilidad de
grandes conjuntos de datos y el acceso a potentes capacidades computacionales
posibilitan realizar análisis más complejos y precisos. En este contexto, es
probable que veamos un aumento en la utilización de SEM en áreas
interdisciplinarias, así como una mayor atención a la validación de modelos y a
la replicabilidad de resultados.
Para los investigadores que deseen aplicar SEM en sus trabajos, es crucial
mantener un criterio riguroso y sistemático. Se recomienda familiarizarse con las
teorías subyacentes y la lógica detrás de los modelos estructurales, así como
realizar una revisión exhaustiva de la literatura para entender las mejores
prácticas y los aspectos comunes. Asimismo, es aconsejable realizar pruebas de
robustez y validación cruzada para asegurar la abilidad de los modelos
construidos. Por último, la colaboración con estadísticos o expertos en
modelización consigue enaltecer el proceso y contribuir a resultados más sólidos
y signicativos.
Por lo tanto, las ecuaciones estructurales representan una valiosa
herramienta en el arsenal del investigador social, y con el conocimiento adecuado
de su sintaxis en R y Python, los analistas logran aprovechar al máximo su
potencial para desentrañar la complejidad de las interacciones humanas.
4.3 Optimización de la Calidad Educativa a través del Análisis de
Ecuaciones Estructurales: Fundamentos y aplicaciones
El análisis de ecuaciones estructurales (AES) se ha consolidado como una
herramienta fundamental en la investigación educativa, permitiendo a
86
académicos y profesionales del sector explorar y entender las complejas
relaciones entre múltiples variables. En el contexto de la gestión de la calidad
educativa, este criterio metodológico ofrece un marco robusto para evaluar no
solo el rendimiento académico de los estudiantes, sino al igual los factores que
afectan dicha calidad, como el entorno escolar, la formación docente y las
políticas educativas implementadas.
Para Escobedo et al. (2016), el AES se caracteriza por su capacidad para
modelar relaciones teóricas subyacentes a través de la construcción de modelos
que representan conexiones directas e indirectas entre variables. Este criterio
concede a los investigadores formular hipótesis, vericar modelos y, en última
instancia, obtener conclusiones más precisas sobre las dinámicas que inuyen en
la educación. En este caso, las instituciones educativas buscan mejorar la calidad
de sus programas y resultados, el AES se presenta como un recurso valioso para
la toma de decisiones informadas, basadas en evidencia empírica.
En este sentido, la creciente disponibilidad de datos en el ámbito
educativo, gracias al avance tecnológico y a la digitalización de los procesos, ha
facilitado la aplicación del análisis de ecuaciones estructurales. Este acceso a
datos masivos y diversos concede a los investigadores realizar análisis más
complejos y detallados, lo cual es esencial para abordar las problemáticas
contemporáneas en la educación. En general, el análisis de ecuaciones
estructurales ofrece a los profesionales de la educación una metodología
poderosa para desentrañar la complejidad de la calidad educativa.
4.3.1 Fundamentos del análisis de ecuaciones estructurales
El análisis de ecuaciones estructurales (AES) se ha convertido en una
herramienta fundamental en la investigación educativa, permitiendo a
investigadores y educadores explorar complejas relaciones entre variables. El
87
análisis de ecuaciones estructurales es una técnica estadística que combina
elementos del análisis de regresión y el análisis factorial. Su principal propósito
es modelar relaciones causales entre variables observadas y latentes, permitiendo
a los investigadores evaluar la adecuación de modelos teóricos a los datos
empíricos. En el contexto educativo, el AES se utiliza para entender cómo
diferentes factores, como el entorno escolar, las características del estudiante y
las políticas educativas, interactúan y afectan el rendimiento académico y la
calidad educativa en general.
El origen del análisis de ecuaciones estructurales se remonta a la década
de 1970, cuando se comenzaron a desarrollar modelos estadísticos que
permitieran analizar la complejidad de las relaciones sociales y psicológicas.
Desde entonces, el método ha evolucionado considerablemente, incorporando
avances en la teoría estadística y el desarrollo de software especializado que
facilita su aplicación, pues, el análisis de ecuaciones estructurales se basa en
varios principios fundamentales que son cruciales para su correcta aplicación
(Manzano, 2018). Entre ellos se destacan:
- Modelos Latentes y Observables: El AES distingue entre variables observables, que
son directamente medibles, y variables latentes, que no se logran medir
directamente pero que se ineren a partir de las observaciones. En efecto, la
"motivación" es una variable latente que consigue ser evaluada a través de
diferentes indicadores, como encuestas sobre actitudes hacia el aprendizaje.
- Estructura de Covarianza: El análisis se conduce en la covarianza entre variables,
es decir, cómo varían juntas. Esto concede evaluar la fuerza y la dirección de las
relaciones entre las variables en el modelo.
- Especicación del Modelo: Un aspecto clave del AES es la especicación del
modelo, que implica denir cómo se relacionan las variables entre sí. Esto incluye
88
la formulación de hipótesis sobre las relaciones causales y la conguración de las
ecuaciones estructurales.
- Ajuste del Modelo: La evaluación de la calidad del modelo se realiza a través de
diferentes índices de ajuste, que indican cuán bien los datos observados se ajustan
al modelo propuesto. Un buen ajuste sugiere que el modelo es una representación
válida de las relaciones entre las variables.
- Estimación y Validación: El proceso de estimación implica calcular los parámetros
del modelo que mejor explican los datos. Posteriormente, se procede a la
validación del modelo, que consigue incluir la prueba de hipótesis y la
comparación con modelos alternativos.
El análisis de ecuaciones estructurales es un criterio poderoso y versátil
que proporciona una comprensión profunda de las complejas interacciones en el
ámbito educativo. Al paso que se profundiza en su aplicación, es esencial tener
en cuenta estos fundamentos y principios para garantizar un análisis riguroso y
signicativo.
4.3.2 Aplicaciones en la gestión de la calidad educativa
El análisis de ecuaciones estructurales (AES) ha emergido como una
herramienta poderosa en el ámbito educativo, proporcionando un marco robusto
para evaluar y gestionar la calidad educativa. A través de diversas aplicaciones,
este criterio concede a investigadores y responsables políticos desentrañar las
complejas relaciones entre múltiples variables que afectan el rendimiento
académico y la ecacia de las instituciones educativas.
Una de las aplicaciones más evidentes del análisis de ecuaciones
estructurales en la educación es la evaluación del rendimiento académico de los
estudiantes. Utilizando modelos estructurales, los investigadores logran
identicar no solo qué factores impactan el rendimiento académico, como el
89
entorno familiar, la motivación y las metodologías de enseñanza, sino todavía
cómo estos se interrelacionan. Conviene destacar, un modelo consigue mostrar
que la motivación del estudiante tiene un efecto indirecto sobre el rendimiento a
través de la calidad de la enseñanza. Esta comprensión concede a las instituciones
educativas focalizar sus esfuerzos en áreas clave que podrían mejorar el
desempeño de los estudiantes.
El AES todavía se utiliza para analizar los diversos factores que inciden en
la calidad educativa. Esto incluye variables tanto internas como externas a la
institución, como la capacitación docente, los recursos disponibles, el liderazgo
educativo y el contexto socioeconómico de los estudiantes. Al modelar estas
relaciones, los responsables de la política educativa logran identicar cuáles
factores son más determinantes en la calidad de la educación y cómo interactúan
entre sí. Esta información es invaluable para la implementación de estrategias de
mejora continua en las instituciones educativas.
El análisis de ecuaciones estructurales ofrece una base sólida para el
desarrollo de políticas educativas fundamentadas en datos. Los hallazgos
derivados de estudios que utilizan AES logran informar a los responsables de la
formulación de políticas sobre la efectividad de programas educativos
especícos, la distribución de recursos y la implementación de nuevas prácticas
pedagógicas (Samperio, 2019). Al adoptar un criterio basado en evidencia, las
políticas educativas logran ser más efectivas y adaptadas a las necesidades reales
de los estudiantes y de las comunidades educativas. Esto no solo mejora la
calidad educativa, sino que de manera similar promueve la equidad en el acceso
a una educación de calidad.
Las aplicaciones del análisis de ecuaciones estructurales en la gestión de
la calidad educativa son múltiples y variadas. Desde la evaluación del
rendimiento académico hasta el desarrollo de políticas educativas informadas, el
90
AES proporciona herramientas esenciales para comprender y mejorar la
educación en un mundo en constante cambio. A pesar de los benecios que ofrece
el análisis de ecuaciones estructurales (AES) en la gestión de la calidad educativa,
este método no está exento de aspectos y limitaciones que logran afectar su
ecacia y aplicabilidad.
Uno de los aspectos más signicativos en el análisis de ecuaciones
estructurales es la recopilación de datos adecuados y de calidad. El AES requiere
un conjunto de datos amplio y representativo para establecer relaciones precisas
entre variables. Empero, en el contexto educativo, la disponibilidad de datos
consigue ser limitada por diversas razones, como la falta de registros
sistemáticos, la variabilidad en la calidad de los datos y las dicultades para
acceder a información sensible. En este sentido, los datos deben ser
sucientemente complejos para capturar las interacciones entre múltiples
variables, lo que a menudo se traduce en la necesidad de llevar a cabo encuestas
o estudios longitudinales que logran ser costosos y consumir mucho tiempo.
La interpretación de los resultados obtenidos a través de AES consigue ser
compleja y sujeta a múltiples interpretaciones. La validación de un modelo
estructural depende no solo de los datos utilizados, sino del mismo modo de las
suposiciones subyacentes y de la calidad del modelo teórico que guía el análisis.
Si el modelo no se ajusta bien a los datos o si las relaciones propuestas son
incorrectas, los hallazgos logran llevar a conclusiones erróneas sobre la calidad
educativa. Además, el sobreajuste de modelos, donde se ajustan demasiado a los
datos especícos de un estudio, consigue perjudicar la generalización de los
resultados a otras poblaciones o contextos.
El análisis de datos educativos plantea importantes consideraciones éticas
que deben ser cuidadosamente consideradas. La recopilación y el uso de datos
relacionados con estudiantes, docentes e instituciones educativas deben
91
realizarse de manera responsable, garantizando la privacidad y la
condencialidad de la información. Las investigaciones deben obtener el
consentimiento informado de los participantes y cumplir con las normativas de
protección de datos. Por añadidura, es fundamental que los resultados no se
utilicen de manera que puedan perjudicar a los individuos o a los grupos, como
la estigmatización de ciertos estudiantes o la toma de decisiones poco informadas
que afecten la asignación de recursos educativos.
La ética en la investigación debe ser una prioridad para asegurar que el
AES se utilice como una herramienta para mejorar la calidad educativa, en lugar
de perpetuar desigualdades. Si bien el análisis de ecuaciones estructurales ofrece
un criterio robusto para investigar y comprender la calidad educativa, es esencial
abordar sus aspectos y limitaciones para maximizar su ecacia y contribuir de
manera positiva al ámbito educativo.
El análisis de ecuaciones estructurales (AES) se ha consolidado como una
herramienta fundamental en la investigación educativa, especialmente en el
ámbito de la gestión de la calidad educativa. En un contexto donde la toma de
decisiones educativas requiere cada vez más un criterio basado en datos, el AES
proporciona un marco robusto para el desarrollo de políticas educativas efectivas
(Romero y Barrios, 2023). Al permitir a investigadores y responsables de políticas
comprender cómo diferentes variables se inuyen entre sí, el análisis de
ecuaciones estructurales facilita la identicación de áreas de mejora y la
implementación de estrategias basadas en evidencia. Esto es crucial para abordar
aspectos contemporáneos en la educación, como la equidad en el acceso y la
mejora continua de la calidad educativa.
A pesar de, es importante reconocer que, a pesar de sus ventajas, el AES
no está exento de aspectos. La calidad de los resultados obtenidos depende en
gran medida de la calidad de los datos recopilados y de la correcta interpretación
92
de los modelos. De igual forma, las consideraciones éticas en el uso de datos
educativos son aspectos que deben ser cuidadosamente gestionados para
garantizar la integridad y la condencialidad de la información.
El análisis de ecuaciones estructurales se presenta como una herramienta
poderosa que, si se utiliza adecuadamente, consigue contribuir
signicativamente a la mejora de la calidad educativa. Al integrar datos
empíricos en la toma de decisiones, el AES no solo enriquece nuestro
entendimiento de la dinámica educativa, sino que al igual promueve un criterio
más efectivo y responsable en la gestión de la educación. Por lo tanto, es
fundamental seguir fomentando su uso y desarrollo en el ámbito de la
investigación educativa, asegurando que las políticas y prácticas educativas estén
fundamentadas en un análisis riguroso y bien fundamentado.
93
Conclusión
La calidad de la educación es un concepto multidimensional que abarca
diversos factores, desde el ambiente de aprendizaje hasta las características del
docente y el currículo. Las ecuaciones estructurales, el aprendizaje no
supervisado (Kohonen) y el análisis de clústeres son particularmente útiles en
este contexto, ya que permiten modelar la complejidad de estas interacciones.
Para ilustrar, se puede investigar cómo las características del entorno escolar,
como la infraestructura y los recursos, inuyen en el rendimiento académico de
los estudiantes, teniendo en cuenta la mediación de variables como la motivación
y el compromiso.
Además, las ecuaciones estructurales permiten a los investigadores
evaluar la efectividad de programas educativos al modelar los efectos de
intervenciones especícas sobre resultados de aprendizaje. Al hacerlo, se pueden
identicar no solo relaciones directas, sino también efectos indirectos y
mediadores, lo que proporciona un panorama más completo de qué factores son
realmente determinantes en la calidad educativa.
La calidad de la educación es un tema complejo y multifacético que
requiere un enfoque analítico riguroso para comprender sus diversas
dimensiones. Durante la investigación, se sistematizaron tres herramientas
fundamentales que ofrecen perspectivas valiosas sobre cómo evaluar y mejorar
la educación: el análisis de conglomerados, los mapas autoorganizados y las
ecuaciones estructurales.
De la síntesis del libro, podemos resaltar como resultado relevante que, el
análisis de conglomerados tiene múltiples aplicaciones en el ámbito educativo,
es la segmentación de estudiantes basada en su rendimiento académico y
94
características socioeconómicas. Al agrupar a los estudiantes en diferentes
conglomerados, las instituciones pueden diseñar intervenciones especícas que
aborden las necesidades particulares de cada grupo, optimizando así los recursos
educativos. ¿Qué se debe tener en cuenta?, “maximizar la similitud dentro de cada
grupo y minimizar la similitud entre los diferentes grupos”. En el contexto educativo,
esto puede traducirse en la identicación de grupos de estudiantes con
características similares en términos de rendimiento académico, estilos de
aprendizaje o necesidades educativas especícas.
El análisis de conglomerados nos permite identicar patrones y
agrupaciones de datos que pueden revelar características ocultas en los sistemas
educativos. Esto es esencial para diseñar políticas y programas que se adapten a
las necesidades especícas de diferentes grupos de estudiantes. Por otro lado, los
mapas autoorganizados, con su capacidad para representar visualmente
información compleja, proporcionan a los educadores y responsables de políticas
una herramienta potente para comprender y comunicar la calidad educativa. Su
uso en estudios de caso ha demostrado ser ecaz para identicar áreas de mejora
y fomentar el diálogo entre las partes interesadas.
Finalmente, las ecuaciones estructurales ofrecen un enfoque robusto para
modelar las relaciones entre diferentes variables que afectan la calidad educativa.
A pesar de sus limitaciones, su aplicación puede arrojar luz sobre cómo factores
como el apoyo familiar, la infraestructura escolar y el contexto socioeconómico
interactúan para inuir en los resultados educativos. Las ecuaciones estructurales
proporcionan un marco robusto para modelar relaciones causales entre diferentes
variables educativas, permitiendo así evaluar la inuencia de factores como el
contexto socioeconómico, la infraestructura escolar y las metodologías de
enseñanza en los resultados de aprendizaje.
95
En conclusión, la integración de estas metodologías analíticas es crucial
para un enfoque más comprensivo y efectivo en la evaluación y mejora de la
calidad de la educación. Al adoptar estas herramientas, los investigadores,
educadores y responsables de políticas pueden trabajar juntos para desarrollar
estrategias que no solo aborden los problemas actuales, sino que también se
anticipen a los desafíos futuros en el ámbito educativo. La inversión en la calidad
educativa es, sin duda, una inversión en el futuro de nuestras sociedades.
96
Bibliografía
Alvarez Jirón, D.M., y Dicovskiy Riobóo, L.M. (2022). Modelos de ecuaciones
estructurales (SEM) y su aplicación en la educación. Revista Ciencia Y Tecnología
El Higo, 12(1), 28–41. hps://doi.org/10.5377/elhigo.v12i1.14524
Baronio, A., Cabrera, S., y Scaolini, N. (2018). Saber y saber hacer con estadística :
XLVI Coloquio Argentino de Estadística-XLVI CAE y 4ta Jornada de Educación
Estadística Martha Aliaga-IV JEE. Rio Cuarto: UniRío Editora. Universidad
Nacional de Río Cuarto
Borbor-Balón, C.M. (2024). Habilidades sociales y relaciones interpersonales en
docentes como agentes educativos. Revista Arbitrada Interdisciplinaria
Koinonía, 9(17), 481-498. hps://doi.org/10.35381/r.k.v9i17.3280
Buzai, G.D., y Montes, E. (2022). Pensando los Sistemas de Información Geográca
desde Iberoamérica. Luján: Instituto de Investigaciones Geográcas (INIGEO)
Caso López, A.A., González Barbera, C., y Caso Niebla, J. (2016). Familia y
rendimiento académico: conguración de perles estudiantiles en
secundaria. Revista electrónica de investigación educativa, 18(1), 53-68
Castro Heredia, L.M., Carvajal Escobar, Y., y Ávila Díaz, Á.J. (2012). Análisis
clúster como técnica de análisis exploratorio de registros múltiples en datos
meteorológicos. Ingeniería de Recursos Naturales y del Ambiente, (11), 11-20
Chambi Condori, P.P. (2023). Segmentación de mercado: Machine Learning en
marketing en contextos de covid-19. Industrial Data, 26(1), 275-301.
hps://doi.org/10.15381/idata.v26i1.23623
97
Córica, J.L. (2020). Resistencia docente al cambio: Caracterización y estrategias
para un problema no resuelto. RIED-Revista Iberoamericana de Educación a
Distancia, 23(2), 255–272. hps://doi.org/10.5944/ried.23.2.26578
Demetrio, M.M., López, A.P., y Benito, E.V. (2022). Proyecto Integrador
Interdisciplinario como estrategia para fortalecer las competencias educativas
universitarias. LATAM Revista Latinoamericana De Ciencias Sociales Y
Humanidades, 3(2), 954–969. hps://doi.org/10.56712/latam.v3i2.160
Escobedo Portillo, M.T., Hernández Gómez, J.A, Estebané Ortega, V, y Martínez
Moreno, G. (2016). Modelos de ecuaciones estructurales: Características, fases,
construcción, aplicación y resultados. Ciencia & trabajo, 18(55), 16-
22. hps://dx.doi.org/10.4067/S0718-24492016000100004
Faúndez, M.O., y de la Fuente-Mella, H. (2023). Análisis de datos y conocimiento
del dominio para competencias estratégicas mediante inteligencia de negocios y
analítica. Matemáticas , 11 (1), 34. hps://doi.org/10.3390/math11010034
Font, X. (2019). Técnicas de clustering. Barcelona: Editorial de la Universitat Oberta
de Catalunya
Gámez Albán, H.M., Orejuela Cabrera, J.P., Salas Achipiz, Ó.A., & Bravo
Bastidas, J.J. (2016). Aplicación de mapas de kohonen para la priorización de
zonas de mercado: una aproximación práctica. Revista EIA, (25), 157-169
Guzmán, J.C.. (2011). La calidad de la enseñanza en educación superior ¿Qué es
una buena enseñanza en este nivel educativo?. Perles Educativos, 33(spe), 129-
141
Javed, A., Rizzo, D.M., Lee, B.S. et al. (2024). A veces: mapas autoorganizados
para la agrupación de series temporales y su aplicación a conversaciones sobre
98
enfermedades graves. Data Min Knowl Disc, 38, 813–839 (2024).
hps://doi.org/10.1007/s10618-023-00979-9
Kim, T.K. (2017). Understanding one-way ANOVA using conceptual
gures. Korean journal of anesthesiology, 70(1), 22–26.
hps://doi.org/10.4097/kjae.2017.70.1.22
Kohonen, T. (2000). Self-Organizing Maps. Berlin: Springer
Manzano, A.P. (2018). Introducción a los modelos de ecuaciones estructurales.
Investigación en educación médica, 7(25), 67-72
Murphy, K., López-Pernas, S., y Saqr, M. (2024). Análisis de conglomerados basado
en disimilitud de datos educativos: Un tutorial comparativo con R. En: Saqr, M., López-
Pernas, S. (eds.) Métodos y tutoriales de analítica del aprendizaje. Springer,
Cham. hps://doi.org/10.1007/978-3-031-54464-4_8
Ortiz, M.S., y Fernández-Pera, M. (2018). Modelo de Ecuaciones Estructurales:
Una guía para ciencias médicas y ciencias de la salud. Terapia psicológica, 36(1),
51-57. hps://dx.doi.org/10.4067/s0718-48082017000300047
Pérez-Ortega, J., Almanza-Ortega, N., Vega-Villalobos, A., Pazos-Rangel, R.,
Zavala-Díaz, C., & Martínez-Rebollar, A. (2020). The K-Means Algorithm Evolution.
London: IntechOpen. hps://doi.org/10.5772/intechopen.85447
Quevedo, F. (2011). La prueba de ji-cuadrado. Medwave, 11(12), 1-5.
hp://doi.org/10.5867/medwave.2011.12.5266
Romero-Sánchez, D., y Barrios, D. (2023). Modelo de ecuaciones estructurales
para la evaluación de competencias tecnológicas en estudiantes
universitarios. TecnoLógicas, 26(56), e2470. hps://doi.org/10.22430/22565337.2470
99
Samperio Pacheco, V.M. (2019). Ecuaciones estructurales en los modelos
educativos: características y fases en su construcción. Apertura (Guadalajara,
Jal.), 11(1), 90-103. hps://doi.org/10.32870/ap.v11n1.1402
Soriano, J.L., y Mejía-Trejo, J. (2022). Modelado de ecuaciones estructurales en el
campo de las Ciencias de la Administración . Revista De Métodos Cuantitativos Para
La Economía Y La Empresa, 33, 242–263.
hps://doi.org/10.46661/revmetodoscuanteconempresa.5414
Vallejo Huanga, D.F. (2016). Clustering de Documentos con Restricciones de
Tamaño. hps://riunet.upv.es/handle/10251/69089
Villasís-Keever, M.A., Márquez-González, H., Zurita-Cruz, J.N., Miranda-
Novales, G., y Escamilla-Núñez, A. (2018). El protocolo de investigación VII.
Validez y conabilidad de las mediciones. Revista alergia México, 65(4), 414-
421. hps://doi.org/10.29262/ram.v65i4.560
Villegas Zamora, D.A. (2019). La importancia de la estadística aplicada para la
toma de decisiones en Marketing. Revista Investigación y Negocios, 12(20), 31-44
Yadav, P., y Dhull, A. (2024). Una Técnica de Clustering Jerárquico Eciente para el
Diagnóstico Médico. Madrid: Ediciones Nuestro Conocimiento
Yang, X., Wang, Y., Byrne, R., Schneider, G., y Yang, S. Conceptos de inteligencia
articial para el descubrimiento de fármacos asistido por computadora. (2019).
Chem. Rev., 119(18), 10520–10594. hps://doi.org/10.1021/acs.chemrev.8b00728
Zambrano, F., & Munoz, E. (2023). Statistical machine learning methods applied
in the study of web accessibility: a literature review. Minerva, 2023(Special), 97-
105. hps://doi.org/10.47460/minerva.v2023iSpecial.121
Zamora Araya, J.A., Aguilar Fernández, E., y Guillén Oviedo, H.S. (2021).
Educación Estadística: tendencias para su enseñanza y aprendizaje en educación
100
secundaria y terciaria. Revista Educación, 46(1), 518–537.
hps://doi.org/10.15517/revedu.v46i1.43494
Zatarain Cabada, R., y Barrón Estrada, M.L. (2011). Herramienta de autor para la
identicación de estilos de aprendizaje utilizando mapas auto-organizados en
dispositivos móviles. Revista electrónica de investigación educativa, 13(1), 43-55
101
Esta edición de "Ecuaciones estructurales, conglomerados y mapas
autoorganizados para el control de calidad en educación superior" se
culminó en la ciudad de Colonia del Sacramento en la República
Oriental del Uruguay el 28 de mayo de 2025
102
