Contexto

El conjunto de datos corresponde a un escenario académico de nivel superior. Cada registro representa a un estudiante y contiene información relacionada con su desempeño escolar, hábitos de estudio, actividades extraescolares, uso del tiempo, características demográficas y condiciones económicas.

Debido a que las variables son de tipo numérico y categórico, el conjunto resulta adecuado para aplicar clustering jerárquico con distancia de Gower.

Las variables del conjunto de datos:

estudiante_id es la clave o matrícula del estudiante,
edad son los años cumplidos del estudiante,
genero género reportado,
carrera programa académico,
semestre, semestre cursado,
promedio, rendimiento escolar o promedio académico,
creditos_aprobados, créditos acumulados,
asistencia porcentaje de asistencia reportado,
estudio horas semanales de estudio,
videojuegos horas semanales de videojuegos,
deporte horas semanales de deporte,
suenio promedio de horas de sueño o dormir por noche,
trabajo horas semanales de trabajo o actividad obligatoria del estudiante,
ingresos son los ingresos familiares mensual aproximado reportado,
condeconomica puede ser Baja, Media o Alta,
modalidad es como o en que modalidad estudia Presencial, Híbrida o Virtual,
extraescolar Que actividad extraesoclar cursa Deporte, Arte, Cultural, Voluntariado o Ninguna,
seleccionado Si es selecionado o de alto rendimiejnto, medallista en juegos o eventos competitivos, |
transporte medio principal de transporte del estudiante,
traslado tiempo de traslado a la institución,
acceso_internet como es el servivco de internet que usa en casa, Bueno, Regular o Limitado, |
tutorias si lleva tutorías, |
beca si cuenta con beca, |
perfil_simulado para referenciar y validar interpretación; no debe usarse para entrenar el model.

El caso de estudio puede encontrar en el portal rpubs.com en https://rpubs.com/rpizarrog/1449170

Los datos pueden descargarse desde github.com en https://raw.githubusercontent.com/rpizarrog/Libro-Aprendizaje-Automatico.-Casos-de-Estudio-con-R-y-Python/refs/heads/main/datos/datos_estudiantes_superior_clustering_jerarquico_1000.csv

Las funciones se encuentran en PENDIENTE

Objetivo

Implementar modelo de agrupación de datos Clustering Jerárquico para identificar perfiles de estudiantes con características similares, los cuales pueden apoyar la toma de decisiones en tutorías, seguimiento académico, programas de becas, actividades deportivas, acompañamiento escolar y estrategias de permanencia.

Descripción

Cargar librerías

library(readr)        # Para conjuntos de datos
library(ggplot2)      # Gráficos
library(patchwork)    # Para tablas Word
library (psych)       # Para describir datos
library(scales)       # PAra graficos y escalas

library(cluster) # Distancia de Gower, agnes(), diana()
library(factoextra) # Visualización de dendrogramas 
library(ggplot2) # Gráficos generales 
library(dendextend) # Personalización de dendrogramas

Cargar funciones

url <- "../funciones/funciones para Clustering Jerarquico.R"# Local
# url <- "PENDIENTE" WEB
source(url)

Cargar datos

Se cargan los datos orioginales de los estudiantes quitando la primera y la última columna que no son de interés para el modelo y dejar en variable llamada datos; se visualzian los primeros y últimos registros y las primeras y últimas cuatros variables.

# url <- "../datos/datos_estudiantes_superior_clustering_jerarquico_1000.csv"  # Local
url <- "https://raw.githubusercontent.com/rpizarrog/Libro-Aprendizaje-Automatico.-Casos-de-Estudio-con-R-y-Python/refs/heads/main/datos/datos_estudiantes_superior_clustering_jerarquico_1000.csv" # WEB
datos_originales <- f_cargar_datos(url)
variables <- c("edad","genero","carrera","semestre","promedio","creditos","asistencia","estudio", "videojuegos","deporte","dormir", "trabajo", "ingresos","condicion", "modalidad", "extra_escolar", "seleccionado", "transporte","traslado", "internet", "tutorias", "beca")

datos <- datos_originales[,variables]
f_visualizar_head_tail_reducido_word(datos)

edad	genero	carrera	semestre	...	traslado	internet	tutorias	beca
20	Femenino	Civil	4	...	64	Bueno	NO	NO
18	Femenino	Administracion	1	...	27	Bueno	NO	NO
23	Femenino	Administracion	7	...	53	Limitado	SI	SI
23	Femenino	Sistemas	8	...	12	Bueno	NO	NO
18	Masculino	Mecatronica	5	...	38	Bueno	NO	SI
20	Femenino	Civil	6	...	9	Limitado	SI	NO
...	...	...	...	...	...	...	...	...
24	Masculino	Sistemas	2	...	10	Limitado	NO	NO
24	Femenino	Civil	7	...	43	Bueno	NO	NO
18	Femenino	Industrial	3	...	15	Bueno	NO	SI
21	Femenino	Mecatronica	6	...	62	Bueno	SI	NO
24	Femenino	Sistemas	7	...	37	Bueno	SI	SI
23	Femenino	Industrial	5	...	31	Regular	SI	NO

Estadísticos descriptivos

Se presentan los estadísticos descriptivos para las variables numéricas

variables_numericas <- c("edad","promedio","creditos","asistencia","estudio", "videojuegos","deporte","dormir", "trabajo", "ingresos")
f_describir_datos(datos[, variables_numericas])

## $describe
##             vars    n     mean      sd median  trimmed     mad  min   max range
## edad           1 1000    21.15    2.10     21    21.09    2.97   18    27     9
## promedio       2 1000    77.20    9.36     77    77.19   10.38   50   100    50
## creditos       3 1000   187.94   76.04    187   187.72   78.58    0   380   380
## asistencia     4 1000    81.50   10.85     82    82.01   11.86   41   100    59
## estudio        5 1000     9.64    5.22      9     9.27    4.45    0    29    29
## videojuegos    6 1000    10.42    7.69      8     9.59    5.93    0    35    35
## deporte        7 1000     3.71    2.88      3     3.43    2.97    0    16    16
## dormir         8 1000     6.52    1.11      7     6.57    1.48    4    10     6
## trabajo        9 1000    11.42   10.44      9    10.07   10.38    0    50    50
## ingresos      10 1000 17091.89 7531.45  16863 16861.87 7413.74 3000 47096 44096
##              skew kurtosis     se
## edad         0.23    -0.64   0.07
## promedio     0.03    -0.47   0.30
## creditos     0.04    -0.34   2.40
## asistencia  -0.44    -0.08   0.34
## estudio      0.68     0.34   0.17
## videojuegos  0.90    -0.01   0.24
## deporte      0.91     0.68   0.09
## dormir      -0.27    -0.25   0.04
## trabajo      0.97     0.26   0.33
## ingresos     0.38     0.22 238.17
## 
## $structure
## [1] "'data.frame':\t1000 obs. of  10 variables:\n $ edad       : num  20 18 23 23 18 20 24 23 18 19 ...\n $ promedio   : num  90 72 77 90 86 67 90 66 73 78 ...\n $ creditos   : num  133 36 255 278 206 257 12 259 377 133 ...\n $ asistencia : num  90 76 64 94 82 74 100 62 79 65 ...\n $ estudio    : num  16 7 2 17 12 2 25 5 9 12 ...\n $ videojuegos: num  5 7 21 8 4 10 1 17 16 8 ...\n $ deporte    : num  9 6 1 12 8 0 8 1 0 6 ...\n $ dormir     : num  8 7 6 7 8 6 7 4 4 6 ...\n $ trabajo    : num  0 19 34 9 13 27 0 26 12 27 ...\n $ ingresos   : num  16265 24195 10118 21557 18141 ..."

Las variables categóricas se hacen de tipo factor con la finalidad de conocer su frecuencia.

datos <- f_convertir_factor(datos)
f_summary_factores(datos)

##            genero              carrera    condicion        modalidad  
##  Femenino     :468   Administracion:196   Alta :152   Hibrida   :267  
##  Masculino    :511   Civil         :118   Baja :332   Presencial:592  
##  No especifica: 21   Electronica   :100   Media:516   Virtual   :141  
##                      Industrial    :187                               
##                      Mecatronica   :152                               
##                      Sistemas      :247                               
##       extra_escolar seleccionado     transporte      internet   tutorias
##  Arte        : 97   NO:775       Auto     :331   Bueno   :569   NO:627  
##  Cultural    : 78   SI:225       Bicicleta: 86   Limitado:107   SI:373  
##  Deporte     :173                Caminando:171   Regular :324           
##  Ninguna     :523                Publico  :412                          
##  Voluntariado:129                                                       
##                                                                         
##  beca    
##  NO:603  
##  SI:397  
##          
##          
##          
##

resultado_frecuencias <- f_frecuencias(
  datos = datos, ncol=2)

resultado_frecuencias$grafico

Clustering Jerárquico Alumnos nivel superior

Rubén Pizarro Gurrola

2026-07-26