25
alcanzar el 30% de la cantidad de alumnos ingre-
santes (7), universitarios que por distintas razones
como: problemas económicos, falta de vocación en
la carrera profesional, falta de apoyo por parte de la
universidad y plana universitaria (profesores/orien-
tadores), expectativas defraudadas en la formación
y bajo rendimiento académico dejan sus estudios
superiores; para ello, es de suma importancia cono-
cer al estudiante que se gestiona desde su inicio en
la vida universitaria; conocer sus fortalezas y debili-
dades, ello permitirá al docente evaluar y proponer
las mejores prácticas y metodologías que requieran
sus estudiantes.
El objetivo principal de la investigación es lograr
identificar cuáles son los distintos grupos de estu-
diantes que ingresan a una universidad. Se busca
adicionalmente caracterizar cada uno de estos gru-
pos y entender sus peculiaridades, conocimientos
que promueven la sinergia de esfuerzos entre estu-
diante – docente, para que este último tenga infor-
mación del tipo de ingresante que gestiona y con
ello diseñe estrategias y renueve sus espacios de en-
señanza de manera personalizada, aprovechando
toda información del ámbito de la enseñanza (8).
II. MATERIALES Y MÉTODOS
La investigación fue realizada con los datos de los
alumnos ingresantes de la Universidad Nacional
Agraria La Molina (UNALM) en Lima, Perú du-
rante los semestres 2015-I y 2015-II, los datos fue-
ron obtenidos a partir de la vinculación entre las
bases de datos de la Oficina de Estudios y Registros
Académicos, del Centro de Admisión y Promoción
y la Oficina de Bienestar Universitario y Asuntos
Estudiantiles.
La población investigada fueron todos los alum-
nos ingresantes de la UNALM de las modalidades:
Concurso Ordinario y Dos Primeros Puestos de
Colegios de Educación Secundaria, con un total
de 690 estudiantes. Las variables identificadas en
la aplicación de ambas técnicas se muestran en la
Tabla 1.
Variable Descripción
Variables sociodemográcas
Tiempo transcurrido desde que terminó el 5to año de secundario e ingresó a la universidad, Edad del in-
gresante al momento del examen de admisión, Ubicación del colegio donde cursó el 5to año de secundaria
(Lima o Provincia), Sexo del ingresante
Variables socioeducativas Tipo de institución de procedencia (Privada o Pública)
Variables socioeconómicas Aporte semestral asignado al ingresante
Variables de rendimiento en las áreas
del conocimiento en la secundaria
Nota obtenida en el 5to año de secundaria en el área de Ciencia tecnología y Ambiente, en el área de Comu-
nicación, en el área de Matemática, Nota promedio del último año de estudios
Variables de rendimiento en el exa-
men de Admisión
Nota obtenida en los cursos de RM, RV, Matemática, Física, Química y Biología en el examen de admisión.
Nota general obtenida en el examen de admisión. Si el alumno pertenece o no al tercio superior en la espe-
cialidad a la que ingresó.
Variables de elección en el ingreso a
una carrera
Modalidad de ingreso a la universidad. Carrera a la que ingresó. Orden de elección que tuvo la carrera a la
cual ingresó (1°, 2° o 3° opción)
Tabla 1. Determinar el número de clusters con el índice de Dunn
El tipo de investigación fue de carácter descrip-
tivo, se identificó los grupos de ingresantes de la
UNALM a través de la descripción de sus variables.
El diseño de la investigación fue de carácter no ex-
perimental-transversal, ya que se contó con datos
de los estudiantes que se recolectaron de diferentes
fuentes. Para identificar los grupos se utilizó un al-
goritmo clustering que es un método exploratorio
multivariado iterativo no supervisado (22, 23, 26)
que describe el comportamiento de los objetos en
grupos en la fase exploratoria de su investigación,
ya que el resultado es exclusivo de los objetos inclui-
dos en el análisis (27) de modo que el analista no
asigna las clases previamente, es utilizado en varias
áreas desde la década de 1960 (10, 24). El clustering
clasifica los objetos, asignándolos en grupos inter-
namente homogéneos, pero también heterogéneos
entre ellos (4, 9, 17). Uno de los algoritmos cluste-
ring más utilizados y conocidos es el K-means (6,
15), técnica que distribuye los objetos a través del
sistema de particiones en un número k de clusters
previamente definido por el investigador (19, 13),
sin embargo, este enfoque, tiene un inconveniente
frente a la presencia de elementos con outliers (2,
12, 18) que pueden tener un efecto extremo en el
análisis y provocar un agrupamiento inadecuado
(3, 14, 20).
Frente a ello, se han desarrollado algoritmos más
apropiados para lidiar con los valores atípicos (21).
Chavez, Salinas