Analíticas de aprendizaje y análisis estadístico implicativo: comparación de la complejidad temporal de técnicas clúster para bases de datos de tamaño 100000 con variables modales

Rubén Antonio Pazmiño Maji, Marina Leonor Bonilla Lucero, Lourdes Emperatriz Paredes Castelo, Shirley Estefanía Armas Analuisa

Resumen


Al analizar datos provenientes de múltiples procesos económicos, sociales, administrativos, científicos, se tiende a presentar problemas o en ciertos casos llegan a ser procesos irrealizables debido a que no se consideran técnicas óptimas y adecuadas desde el punto de vista de la complejidad temporal (tiempo de ejecución o procesamiento); es por ello por lo que es importante investigar cuáles técnicas clúster son las más rápidas en el procesamiento de información. Las técnicas clúster permiten formar grupos de datos homogéneos con grupos heterogéneos entre sí. El presente trabajo comparó desde el punto de vista de la complejidad temporal las técnicas clúster del Análisis Estadístico Implicativo (ASI) y las de LA (Analíticas de aprendizaje). Para determinar cuál (o cuáles) técnicas son las más rápidas se utilizó una investigación cualitativa pre-experimental del tipo RGXO1, donde RG representa el grupo experimental (aleatorio), X representa el tratamiento que en este caso son las 5 técnicas clúster (3 técnicas de LA y 2 técnicas de ASI) y O es el tiempo de ejecución. Las técnicas Tsim Chic y TcoheChic del ASI se demostraron que son las más rápidas para bases de datos de tamaño 100000 o 1000 observaciones y 100 variables con datos categóricos de hasta 10 categorías, que se sugiere utilizar si se trabaja en hardware no muy actual y se necesitan procesos clúster de rápida ejecución.


Palabras clave


comparación; clúster; complejidad temporal; analíticas de aprendizaje; análisis estadístico implicativo; rchic

Texto completo:

PDF HTML XML

Referencias


Connaway, L. S. (2015). Retos de la investigación: El camino hacia el compromiso y el progreso. BiD: textos universitaris de biblioteconomia i documentació, 35.

Connaway, L. S., y Radford, M. L. (2016). Research methods in library and information science. ABC-CLIO.

Coutrier, R., Pazmiño Maji, R. A., Conde González, M. Á., y García-Peñalvo, F. J. (2015). Statistical implicative analysis for educational data sets: 2 analysis with RCHIC.

Couturier, R., y Gras, R. (2005). CHIC: traitement de données avec l’analyse implicative. 679-684.

Dorta, I., León, C., Rodríguez, C., Rodríguez, G., y Rojas, A. (2003). Complejidad Algorítmica: De la Teoría a la Práctica. III Jornadas de Enseñanza Universitaria de Informática.

Fotiadis, T. A., y Anastasiadou, S. (2019). Contemporary advanced statistical methods for the science of marketing: Implicative Statistical Analysis vs Principal Components Analysis.

Gras, R., y Kuntz, P. (2009). El Análisis Estadístico Implicativo (ASI) en respuesta a problemas que le dieron origen. Teoría y aplicaciones del Análisis Estadístico Implicativo: primera aproximación en lengua hispana. Castellón: Departamento de Matemática de la Universitat Jaume I, 3-51.

LAK 2011: 1st International Conference Learning Analytics and Knowledge. (2011). http://www.wikicfp.com/cfp/servlet/event.showcfp?eventid=11606

Mereología | Qué es, Definición y Concepto. (2021). Enciclopedia Online. https://enciclopediaonline.com/es/mereologia/

Michael, P., Elia, I., Gagatsis, A., y Kalogirou, P. (2010). Examining primary school students’ operative apprehension of geometrical figures through a comparison between the hierarchical clustering of variables, implicative statistical analysis and confirmatory factor analysis. Citeseer.

Naranjo Serrano, M. M., y Pazmiño Maji, R. A. (2018). Estudio comparativo del anàlisis estadìstico implicativoy el Learning Analytics en relaciòn al uso de las tècnicas de exploracoòn de datos educativos. http://repositorio.pucesa.edu.ec/handle/123456789/2387

Pazmiño Maji, R., García Peñalvo, F. J., y Conde González, M. Á. (2017). Is it possible to apply Statistical Implicative Analysis in hierarchical cluster Analysis? Firsts issues and answers.

Pazmiño-Maji, R., García-Peñalvo, F. J., y Conde-González, M. A. (2017). Comparing Hierarchical Trees in Statistical Implicative Analysis & Hierarchical Cluster in Learning Analytics. 1-7.

Pazmiño-Maji Rubén, Conde-Gonzales M.A., y Garcia-Penalvo F.J. (2021). What are Learning Analytics ?: Analysis from its definition. 1, 10.

Vásquez, A. C. (2004). Teoría de la complejidad computacional y teoría de la computabilidad. Revista de investigación de Sistemas e Informática, 1(1), 102-105.




DOI: https://doi.org/10.23857/pc.v7i8.4431

Enlaces de Referencia

  • Por el momento, no existen enlaces de referencia
';

Bookmark and Share




Polo del Conocimiento              

Revista Científico-Académica Multidisciplinaria

ISSN: 2550-682X

Casa Editora del Polo                                                 

Manta - Ecuador       

Dirección: Ciudadela El Palmar, II Etapa,  Manta - Manabí - Ecuador.

Código Postal: 130801

Teléfonos: 056051775/0991871420

Email: polodelconocimientorevista@gmail.com / director@polodelconocimiento.com

URL: https://www.polodelconocimiento.com/