Análisis de Componentes Principales (ACP)

El Análisis de Componentes Principales (ACP) es una técnica estadística ampliamente utilizada para reducir la dimensionalidad de conjuntos de datos complejos, manteniendo la mayor cantidad posible de información relevante. Su propósito principal es transformar un grupo de variables originales en un nuevo conjunto de variables denominadas componentes principales. Estas nuevas variables son combinaciones lineales de las variables originales y están construidas de manera que no se correlacionen entre sí, lo que favorece una representación más clara de la estructura de los datos.

Uno de los aspectos más importantes del ACP es que no se basa en interpretaciones preestablecidas: la relación entre los componentes y las variables se determina a partir del análisis estadístico. La combinación lineal que representa un componente principal puede expresarse matemáticamente como:

\[ Z = \lambda_1 X_1 + \lambda_2 X_2 + \cdots + \lambda_p X_p \]

Donde 𝑋 representan las variables originales y 𝜆 son los coeficientes que maximizan la varianza explicada por el componente.

El procedimiento general del ACP inicia con el cálculo de la matriz de covarianza o de correlación entre las variables del conjunto de datos. A partir de esta matriz, se extraen los valores y vectores propios (autovalores y autovectores), que permiten identificar las direcciones en las que los datos varían más. Los componentes principales se obtienen seleccionando los vectores propios asociados a los autovalores más grandes, ya que estos representan las dimensiones con mayor variabilidad.

Posteriormente, se escogen los componentes que expliquen el mayor porcentaje de varianza acumulada, permitiendo así reducir el número de dimensiones a analizar sin perder información significativa.

Ortogonalidad

Una propiedad clave del ACP es la ortogonalidad entre los componentes, lo que implica que no están correlacionados entre sí. Esto garantiza que cada componente aporte información nueva y no redundante sobre los datos. Gracias a esta propiedad, se puede simplificar la estructura del conjunto de datos sin sacrificar información relevante, lo cual facilita su análisis e interpretación.

K-means

El algoritmo K-means es una técnica de aprendizaje no supervisado ampliamente utilizada para la segmentación de datos. Su objetivo principal es dividir un conjunto de observaciones en un número predeterminado de grupos o clústeres, de modo que los elementos dentro de cada grupo sean lo más similares posible entre sí y lo más distintos posible de los elementos en otros grupos.

El proceso inicia seleccionando aleatoriamente k puntos que actuarán como los centroides iniciales de cada clúster. Luego, cada observación se asigna al clúster cuyo centroide esté más cercano, según una métrica de distancia (generalmente la distancia euclidiana). Posteriormente, se recalculan los centroides como el promedio de los puntos asignados a cada grupo. Este procedimiento se repite iterativamente hasta que las asignaciones de los datos a los clústeres dejan de cambiar significativamente o se alcanza un número máximo de iteraciones.

El algoritmo K-means es especialmente útil cuando se desea identificar patrones ocultos o estructuras dentro de grandes volúmenes de datos. En el contexto de este estudio, permite agrupar países según su nivel de acceso a Internet y otras variables relacionadas, revelando similitudes en sus características socioeconómicas y tecnológicas.

Ward

El análisis jerárquico de conglomerados es una técnica de clasificación utilizada para agrupar objetos (como países, individuos o variables) con características similares en grupos o clústeres. A diferencia de otros métodos de agrupamiento, el enfoque jerárquico no requiere especificar el número de clústeres desde el inicio. En su lugar, construye una jerarquía de agrupaciones que puede representarse mediante un diagrama llamado dendrograma.

El procedimiento comienza tratando cada elemento como un clúster independiente. Luego, en pasos sucesivos, los clústeres más similares se fusionan entre sí hasta que todos los elementos quedan reunidos en un único grupo. La similitud o distancia entre elementos y conglomerados puede calcularse mediante distintas métricas (como la distancia euclidiana) y criterios de enlace (como enlace simple, completo o promedio).

Este método permite visualizar las relaciones entre los elementos y facilita la identificación de patrones naturales en los datos. Además, el dendrograma resultante ofrece una guía visual clara para decidir el número óptimo de clústeres en función del nivel de similitud deseado.

Descripción de variables.

Personas que usan internet

El análisis de la variable x6 muestra una marcada brecha digital a nivel global. El porcentaje de personas que usan internet en 2019 varía desde un mínimo de 16.6% hasta un máximo de 99.5% según el país. Esta diferencia de más de 80 puntos porcentuales evidencia desigualdades significativas en términos de acceso y conectividad.

En general, los países con valores cercanos al máximo suelen pertenecer a regiones altamente desarrolladas, como Europa Occidental, América del Norte o Asia Oriental, donde las políticas públicas, la infraestructura y el empleo han facilitado una conectividad casi total.

Por otro lado, los países con valores bajos se evidencian principalmente en regiones de África o Asia Central, reflejando barreras estructurales, económicas o sociales para el acceso masivo a tecnologías de la información.

Esta información pone de relieve la importancia de impulsar políticas de inclusión digital para reducir la brecha y promover el desarrollo equitativo.

Top 10 países con mayor porcentaje de personas que usan Internet

El gráfico muestra los 10 países con mayor porcentaje de personas que usan Internet en 2019, liderados por Islandia (Iceland), Noruega (Norway) y Dinamarca (Denmark), todos con tasas cercanas al 100% de uso. Estos países nórdicos, junto con Luxemburgo, Corea del Sur, Suecia (Sweden), Australia, Países Bajos (Netherlands), Suiza (Switzerland) y Japón, superan el 90% de penetración digital, reflejando no solo su desarrollo económico avanzado, sino también una amplia adopción tecnológica y políticas públicas efectivas de inclusión digital.

Corea del Sur y Japón destacan por sus velocidades de conexión ultrarrápidas, mientras que las naciones europeas combinan uso casi universal con precios asequibles. Este alto nivel de adopción contrasta marcadamente con muchos países en desarrollo, lo que evidencia la persistente brecha digital global. Factores como estabilidad política, inversión en innovación, infraestructura tecnológica y educación digital explican su liderazgo en el uso de Internet.

Suscripción banda ancha fija y movil

Este gráfico presenta los cinco países con mayor número de suscripciones a banda ancha fija:

China sobresale ampliamente con más de 449 millones de suscripciones, lo que refleja su enorme población y una fuerte inversión en infraestructura de telecomunicaciones fija.

En segundo lugar se encuentra Estados Unidos, con aproximadamente 114 millones de suscripciones, una cifra que resalta la alta capacidad económica con una cobertura tecnológica robusta.

Japón, Alemania y Brasil completan el top 5, con niveles similares entre sí, oscilando entre los 30 y 40 millones de suscripciones. Estos países cuentan con economías desarrolladas o emergentes y una infraestructura consolidada, aunque con poblaciones menores que las de China y EE. UU.

La gráfica evidencia una fuerte concentración en los dos primeros países y una caída significativa en las cifras a partir del tercer puesto. Esto sugiere que, si bien el desarrollo económico influye, la dimensión poblacional y la política de inversión tecnológica nacional juegan un papel clave en el número de suscripciones a banda ancha fija.

El gráfico presenta los cinco países con mayor número de suscripciones a banda ancha móvil:

China y India lideran ampliamente, con más de mil millones de suscripciones cada uno, lo que refleja sus enormes poblaciones y el creciente acceso a tecnologías móviles.

Estados Unidos ocupa el tercer lugar, con un volumen significativamente menor que los dos primeros, pero aún elevado en comparación con otros países.

Indonesia y Pakistán completan el top 5, también con cifras destacables, lo cual es coherente con su gran tamaño poblacional y el aumento del uso de dispositivos móviles.

Este gráfico destaca cómo el tamaño de la población y la penetración de tecnologías móviles influyen directamente en el número total de suscripciones. Aunque países como Estados Unidos tienen ingresos per cápita más altos, son superados en volumen por países con poblaciones mucho mayores.

Pib per capita y banda ancha

En este gráfico se representa la relación entre el PIB per cápita (USD) y el número de suscripciones a banda ancha fija, donde cada punto corresponde a un país. Este tipo de visualización es útil para identificar tendencias generales, posibles correlaciones entre variables y la presencia de valores atípicos.

Se destaca China, que presenta un PIB per cápita moderado (10,144 USD), pero una cantidad extremadamente alta de suscripciones (449 millones). Esto refleja tanto su gran población como una fuerte inversión en infraestructura tecnológica.

Por otro lado, Estados Unidos sobresale por tener un PIB per cápita elevado (70,000 USD) y también un alto número de suscripciones. Aunque no alcanza las cifras absolutas de China, su posición en el gráfico resalta por combinar un alto nivel de ingresos con un acceso significativo a banda ancha fija, lo cual es coherente con su grado de desarrollo tecnológico.

La mayoría de los países se agrupan en la esquina inferior izquierda del gráfico, lo que indica PIB per cápita bajo o medio y niveles bajos o moderados de suscripciones. Esta distribución sugiere una posible relación positiva entre el nivel de ingresos y el acceso a banda ancha fija.

Acceso a la electricidad - Zona urbana

El gráfico refleja que el acceso a la electricidad en zonas urbanas es casi universal en la mayoría de los países del conjunto analizado. La mediana es de 100%, lo que implica que al menos la mitad de los países tienen una cobertura total en áreas urbanas. El primer cuartil (Q1) es 99.55%, y el límite inferior del rango intercuartílico es 99%, indicando una baja dispersión y un acceso prácticamente completo en la mayoría de los casos.

No obstante, se observan algunos valores atípicos por debajo de este umbral, siendo el valor mínimo 62.7%, lo cual evidencia que ciertos países aún enfrentan dificultades importantes para garantizar el acceso a la electricidad en zonas urbanas. Aunque estos casos son excepcionales, resaltan la existencia de desigualdades persistentes incluso en contextos urbanos, que tradicionalmente presentan mejores condiciones de infraestructura.

Acceso a la electricidad - Zona rural

El diagrama de caja muestra que el acceso a la electricidad en zonas rurales es alto en la mayoría de los países analizados. La mediana se encuentra en 100%, lo que indica que al menos la mitad de los países tienen cobertura total en estas áreas. El primer cuartil (Q1) es 96.6%, y el límite inferior del rango intercuartílico es 93%, lo cual refuerza que la mayoría de países tienen un acceso rural bastante alto.

Sin embargo, también se observan valores atípicos importantes, con algunos países por debajo del 80%, y un mínimo extremo de apenas 9.7%, lo cual evidencia una gran desigualdad entre países en términos de cobertura eléctrica en zonas rurales.

Valores atipicos por variable

En este gráfico se muestra la distribución de valores para cada una de las 15 variables tras ser estandarizadas. Esto permite comparar entre variables que originalmente pueden estar en diferentes escalas, lo cual es especialmente importante para métodos como el análisis de componentes principales (PCA), que son sensibles a la escala de los datos.

Cada boxplot representa el rango intercuartílico (IQR) de cada variable, con la línea central indicando la mediana. Los puntos fuera de los bigotes del diagrama representan valores atípicos (outliers), es decir, observaciones que se alejan significativamente del comportamiento central de la variable.

Se observa que la mayoría de las variables presentan valores atípicos. Las variables x1 (Suscripciones a banda ancha fija), x4 (Exportaciones de bienes TIC), x5 (Importaciones de bienes TIC), x6 (Usuarios de Internet) y x15 (Inversión extranjera directa, entradas netas) destacan por tener muchos outliers hacia valores positivos, lo que indica que algunos países tienen comportamientos muy elevados en esas dimensiones. Por ejemplo, España presenta un valor atípico extremo en x1, con una puntuación estandarizada de 9.45, muy por encima del resto.

En contraste, variables como x10 (Desempleo), x13 (Servicios informáticos, comunicaciones y otros - Exportaciones) y x14 (Importaciones) muestran distribuciones más compactas y con menor número de valores extremos. Sin embargo, destacan x11 (Acceso a electricidad en zonas urbanas) y x12 (en zonas rurales), por presentar valores atípicos negativos, evidenciando que algunos países aún enfrentan dificultades significativas en el acceso a la electricidad, especialmente en zonas rurales.

Identificar estas variables es útil para tomar decisiones sobre su transformación o eliminación en función de su impacto en la varianza general del conjunto de datos. Si bien el PCA se realizará con datos estandarizados, conocer previamente la presencia de valores atípicos ayuda a interpretar mejor los resultados y a decidir si alguna variable podría sesgar la generación de los componentes principales.

Resultado K-means

El gráfico muestra el resultado del modelo k-means, el cual clasificó a los países en 3 clústeres basados en la similitud de sus características.

Clúster 1 (círculos rojos, 55 países):Es el grupo más numeroso, lo que sugiere una mayor homogeneidad entre los países que lo conforman

Clúster 2 (triángulos verdes, 32 países): Agrupa a países que comparten condiciones similares según las variables analizadas.

Clúster 3 (cuadrados azules, 13 países): Este grupo reducido representa casos atípicos o únicos dentro del conjunto de datos. Los países de este clúster muestran valores distintos al resto.

Tabla de media de cada cluster

La comparación de las medias estandarizadas para cada uno de los tres clústeres revela patrones diferenciados entre los grupos formados. Dado que los datos fueron previamente estandarizados, las medias indican si los países de cada clúster presentan un desempeño por encima o por debajo del promedio general en cada variable.

Clúster 1 muestra valores cercanos a cero, sin extremos marcados. Representa un grupo intermedio o equilibrado, con niveles relativamente cercanos al promedio general.

Clúster 2 agrupa a los países con mayores niveles en la mayoría de las variables. Destacan especialmente en x2, x4, x5, x6, x13 y x14, lo cual sugiere un perfil de alto desarrollo o mejores condiciones tecnológicas, económicas o sociales.

Clúster 3 presenta las medias más bajas, con valores notablemente inferiores al promedio en variables como x6, x11 y x12. Esto indica un grupo con condiciones menos favorables, posiblemente asociado a países con mayores desafíos estructurales

Teniendo en cuenta el grafico del modelo y el análisis de las medias de las variables dentro de cada cluster, permite identificar patrones diferenciados que caracterizan a los grupos formados. Esta aproximación es válida porque las medias muestran valores distintos en las variables analizadas, lo que confirma que el algoritmo de clustering ha agrupado correctamente observaciones con perfiles similares.Dicho lo anterior,se procede a la calsificación de cada cluster.

Cluster 1. Naciones Digitales Emergentes Representado en color rojo y ubicado en el centro del gráfico, este grupo está conformado por la mayoría de los países, con niveles medios en la mayoría de las variables. Muestran valores moderados en usuarios de Internet (x6: -0.01), suscripciones de banda ancha fija (x1: -0.11). Son economías en transición digital, con avances en conectividad e infraestructura tecnológica, pero aún con espacio de mejora en exportación de servicios TIC, atracción de inversión y adopción de tecnologías más avanzadas.

Cluster 2. Potencias Digitales . Este grupo, representado en color verde y ubicado en la parte derecha del gráfico, agrupa a potencias digitales consolidadas como Estados Unidos, China, Singapur, Japón y Corea del Sur. Se caracteriza por registrar las medias más altas en la mayoría de las variables, destacando especialmente(x2: 1.03), (x6: 0.72),(x13: 0.76). Estos países lideran el ecosistema digital global gracias a sus economías avanzadas, infraestructura tecnológica sólida, alta conectividad y capacidad de innovación.

Cluster 3. Brecha Digital Crítica Representado en color azul y ubicado en la parte izquierda del gráfico, este grupo está compuesto Níger, Nigeria y Mali, entre otros. Se caracteriza por registrar los valores más bajos en casi todas las variables, especialmente en PIB per cápita (x2: -1.20), usuarios de Internet (x6: -1.27), exportaciones TIC (x4: -0.70).Son países con brechas digitales y económicas. La limitada conectividad, baja inversión en tecnología y escasa participación en los mercados digitales reflejan desafíos estructurales que obstaculizan su integración plena en la economía digital global.

Análisis Matriz de Correlación

Al analizar la matriz de correlación, se identificaron algunas variables que presentan correlaciones muy débiles o nulas con el resto del conjunto, lo que indica que no comparten una relación lineal significativa con las demás y, por tanto, podrían aportar información limitada al análisis multivariado.

A simple vista es dificil saber que variables se relacionan mas o por el contrario cuales tiene menos relacion, asi que se ha decido realizar la suma de los valores absolutos de la correlacion de cada variable y tener un mejor orientación al momento de tomar decisiones.

Teniendo en cuenta los resultados obtenidos, decidimos construir el modelo únicamente con aquellas variables que presentan un aporte significativo tanto en la matriz de correlación como en las sumas de contribuciones. Además, incluimos variables que, aunque puedan no destacar numéricamente, consideramos fundamentales por su relevancia teórica. A continuación, se presentan las variables que fueron excluidas del estudio.

• x3 (Gasto gubernamental en educación, % del PIB) muestra una escasa correlación con las demás variables.

• x8 (Población total) presenta correlaciones débiles, especialmente con variables clave como x10 (Desempleo total), x11 (Acceso a electricidad en zonas urbanas) y x12 (Acceso a electricidad en zonas rurales). Esta falta de relación puede deberse a que x8 mide el tamaño absoluto de la población, una magnitud demográfica general que no se alinea directamente con las demás variables del análisis,ademas de que posiblemente este generando ruido con las demas variables que miden una poblacion en especifico.

• x10 (Desempleo total), aunque es un indicador económico relevante, no muestra asociaciones significativas con los factores tecnológicos e infraestructurales, por lo que podría estar capturando dinámicas del mercado laboral más amplias y no directamente relacionadas con el desarrollo digital.

• x15 (Inversión extranjera directa) también presenta una baja o nula correlación con la mayoría de variables.

Contribución de las variables a los 4 primeros componentes.

Es importante observar qué variables tienen mayor contribución a cada componente, ya que esto indica qué dimensiones de los datos están siendo representadas por cada eje y asi poder tener un mejor aporte de como clasificar a estos factores.

Factor 1 (Dim.1): Este componente está principalmente influenciado por las variables x6 (16.97%), x11 (13.42%) y x12 (15.69%). Estas variables explican una parte significativa de la variabilidad en los datos, por lo tanto, el primer eje del ACP puede interpretarse como una combinación de estas dimensiones.

Factor 2 (Dim.2): Las variables con mayor peso son x4 (24.51%), x5 (22.58%) y x1 (18.43%). Este eje capta otra dimensión importante de variación en el conjunto de datos, y sugiere que estas variables están relacionadas entre sí en un segundo patrón .

Factor 3 (Dim.3): Las variables más representativas en este eje son x2 (21.35%), x14 (19.30%) y x9 (12.43%). Este tercer componente refleja un patrón distinto, dominado por x2, posiblemente capturando una dimensión más específica o puntual del fenómeno analizado.

Factor 4 (Dim.4): Este eje está fuertemente determinado por la variable x9, que aporta el 40.59% de la varianza, seguida por x1 (18.51%) y x14 (13.45%). La alta concentración de contribución en x9 sugiere que el cuarto componente está casi completamente definido por esta variable, lo que puede indicar una dimensión única o muy específica en el análisis.

Distribución de países

El gráfico de individuos representa la distribución de 100 países en el espacio definido por las dos primeras dimensiones del análisis de componentes principales (PCA), cuyos factores han sido interpretados como Desarrollo económico y tecnológico (Dim1) y Acceso y penetración tecnológica (Dim2).

Factor 1:Desarrollo económico y tecnológico. agrupa variables como el PIB per cápita, la infraestructura básica (electricidad urbana y rural), y el uso de servicios digitales. Los países con valores positivos en esta dimensión tienen mayores niveles de ingresos, infraestructuras más consolidadas y mayor capacidad para invertir en tecnologías y exportar servicios digitales.

Algunos de estos paises son Suiza, Alemania, Suecia, Australia y Países Bajos se sitúan hacia la derecha del eje, reflejando un alto nivel de desarrollo económico y tecnológico.

Níger, Zambia, Benín y Lesotho, en cambio, se ubican hacia la izquierda, lo que indica economías con menor desarrollo tecnológico y digital.

Factor 2:Participación en servicios digitales globales. recoge información vinculada a la conectividad de la población, como las suscripciones a internet (fijo y móvil), el uso de internet por parte de los ciudadanos, y la presencia de infraestructura digital segura (servidores).

Algunos paises que destacan son, China, Malasia y Filipinas, reflejan un alto desarrollo digital y fuerte participación en exportación/importación de servicios TIC.

Países con bajos valores en este eje tienen menor conectividad digital y acceso limitado a tecnologías, esto no significa que no tengan servicios TIC, sino que su comercio internacional de estos servicios es menos dominante en relación con otras variables como PIB o suscripciones digitales.

Este gráfico muestra la posición de los países según su comportamiento en las Dimensiones 3 y 4. Cada punto representa un país y la coloración (cos²) indica qué tan bien está representado ese país por estas dimensiones: valores cercanos al rojo indican buena calidad de representación.

Factor 3: Integración a la economía digital global con valores positivos en Dim3 indican un mayor desarrollo en la exportación/importación y dinamismo del mercado TIC internacional.

Georgia, Mongolia, Kazajistán, Paraguay, Ecuador son países que se ubican más a la derecha, lo cual indica que están relativamente más involucrados en mercados internacionales de servicios TIC dentro del grupo.

Posiblemente estos países podrían estar mostrando apertura comercial, acuerdos internacionales o crecimiento en exportación de servicios tecnológicos.

Los valores negativos en Dim3 indican un bajo desarrollo o limitada participación en mercados TIC internacionales.

Nigeria, Hungría, República Checa, Eslovaquia, Singapur aparecen a la izquierda, sugiriendo baja puntuación en este factor.

Factor 4:Indicador de capacidad tecnológica con valores positivos en Dim4 muestran mayor capacidad tecnológica (infraestructura, capital humano en tecnología, innovación).

Estados Unidos se destaca notablemente como el país con la mayor puntuación en esta dimensión.

También aparecen Noruega, Dinamarca, Botsuana y Francia en la parte superior del gráfico.

Posiblemente estos países cuentan con fuertes capacidades tecnológicas, como inversión en I+D, infraestructura digital avanzada y formación tecnológica.

Con valores negativos en Dim4 indican menor capacidad tecnológica.

Tailandia, El Salvador, Camboya, Mongolia, Georgia se ubican en la parte inferior, sugiriendo limitaciones en infraestructura, formación o capacidades tecnológicas.

En estos casos, podría haber una necesidad de inversión en talento humano tecnológico o en redes digitales.

Relación con variables

A continuación, se explica cómo las variables influyen en la distribución de los países, con el fin de lograr una mejor interpretación de los factores obtenidos mediante el análisis de componentes principales.

Las dos primeras dimensiones del análisis permite identificar patrones comunes entre variables y países. La primera dimensión fue interpretada como un indicador de desarrollo económico y tecnológico, al agrupar variables como el PIB per cápita, el porcentaje de usuarios de Internet, las suscripciones a banda ancha fija y móvil, la cantidad de servidores seguros, y el acceso a electricidad en zonas urbanas y rurales. Esta dimensión refleja el nivel de infraestructura digital, conectividad y bienestar económico. Los países con valores altos en esta dimensión, ubicados hacia la derecha del gráfico, como Singapur, Alemania y Japón se ubican alto en esta dimensión, indicando infraestructura digital sólida. En contraste, países como Zambia o Nigeria muestran rezagos en estos aspectos.

La segunda dimensión se relaciona principalmente con la participación en servicios digitales global y bienes TIC, los países que se ubican en la parte superior del gráfico, como China, Filipinas y Malasia se destacan por su integración comercial en TIC, mientras que otros como Luxemburgo o Jamaica muestran menor apertura en este ámbito.

El factor 3 “integración a la economía digital global”, está fuertemente influida por las variables de exportaciones (x13) e importaciones (x14) de servicios informáticos, comunicaciones y otros relacionados con las TIC. Los países con puntajes altos en esta dimensión, ubicados hacia la derecha del gráfico como Filipinas, Ucrania, India, Kazajistán o Malasia, se caracterizan por una fuerte participación en el comercio internacional de servicios digitales. Esto refleja una orientación productiva y comercial hacia las industrias de servicios TIC, más allá del acceso interno de la población.

Por otro lado, el factor 4 “indicador de capacidad tecnológica”. Está determinada principalmente por variables como las suscripciones a banda ancha fija (x1) y móvil (x7), el número de usuarios de Internet (x6) y la cantidad de servidores seguros (x9), entre otras. Esta dimensión refleja el nivel de despliegue y uso interno de tecnologías digitales en cada país. Países ubicados en la parte superior del gráfico, como Polonia, Letonia, Corea del Sur o Singapur, presentan una infraestructura tecnológica más desarrollada y una mayor digitalización de su población. En contraste, países situados en la parte inferior como Jamaica, Bolivia o China muestran una menor capacidad instalada o uso efectivo de dichas tecnologías.

Contribución de las variables a cada cluster

A partir del Análisis de Componentes Principales (PCA), se seleccionaron las primeras cuatro dimensiones, ya que concentran la mayor parte de la variabilidad presente en los datos. Con base en estas dimensiones, se realizó un análisis de agrupamiento jerárquico, identificándose tres clústeres. Para interpretar estos grupos y asignarles un nombre representativo, se analizará la contribución de las variables actuales a cada clúster, con el fin de identificar las características que los distinguen.

A continuación, se presentan los gráficos que resumen estos resultados:

La Dimensión 1 del Análisis de Componentes Principales (ACP) está fuertemente influenciada por las variables x6, x12, x11, x2,x5 y x14, que en conjunto explican las principales diferencias entre los países a lo largo del eje horizontal del gráfico de clústeres. Estas variables están asociadas con el acceso a internet, la disponibilidad de electricidad tanto en zonas urbanas como rurales, y las exportaciones de servicios relacionados con las tecnologías de la información y la comunicación (TIC). En este sentido:

El Clúster 1 ocupa una posición intermedia, lo que refleja condiciones moderadas en estos factores.

El Clúster 2 agrupa países con valores elevados en estas variables, lo que sugiere una mayor dotación tecnológica y mejores condiciones de infraestructura digital.

El Clúster 3, en el extremo opuesto, representa países con niveles considerablemente bajos, indicando una menor disponibilidad de estos recursos.

En cuanto a la Dimensión 2, las variables con mayor peso son x4, x5 y x7, por lo que esta dimensión puede interpretarse como un eje relacionado con el comercio de bienes TIC (exportaciones e importaciones) y el acceso a internet móvil (suscripciones a banda ancha móvil):

El Clúster 1 muestra valores intermedios a bajos, lo que sugiere una menor participación en el comercio de bienes TIC y un acceso más limitado a la conectividad móvil.

El Clúster 2, ubicado en la parte superior del gráfico, se asocia a países con altos niveles en estos indicadores.

El Clúster 3, en la parte inferior, agrupa países con bajos niveles.

Respecto a la Dimensión 3, destacan las variables x2, x14, x9,x7 y x13. En esta dimensión:

El Clúster 2 presenta una alta dispersión, lo que indica una gran variabilidad interna entre los países agrupados, posiblemente debido a contextos diversos en cuanto a estas variables.

En contraste, los Clústeres 1 y 3 se caracterizan por una mayor homogeneidad, dado que las observaciones están más concentradas y menos dispersas en este componente.

Finalmente, en la Dimensión 4, la variable x9 tiene una contribución predominante (superior al 40 %), por lo que esta dimensión está fuertemente explicada por dicho indicador. También tienen una influencia destacada, aunque menor, las variables x7 y x14:

El Clúster 2 muestra una dispersión vertical considerable, lo que sugiere una alta variabilidad en la variable x9 dentro del grupo.

Por su parte, los Clústeres 1 y 3 presentan una baja varianza en esta dimensión, lo cual refleja mayor consistencia interna respecto a la variable mencionada.