You are on page 1of 50

´ IDENTIFICACION DE PATRONES DE ´ INTELIGENCIA MULTIPLE UTILIZANDO MINER´ DE DATOS EN ALUMNOS DE IA ´ EDUCACION SECUNDARIA

RIVERA CEVERINO, GLORIA MAR´ IA ´ ´ CAMARENA MEZA, JOSE AMERICO 21 de julio de 2007

Resumen Con el presente proyecto de investigaci´n se busca obtener patrones de o tipo de inteligencia m´ltiple, que permitan formar grupos con caracter´ u ısticas similares entre estas inteligencias.

´ Indice general
´ 1. INTRODUCCION 1.1. Introducci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 1.2. Justificaci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 2. FORMULACION DEL PROBLEMA 2.1. Planteamiento del Problema . . . . . 2.1.1. Problema principal . . . . . . 2.2. Objetivo de la Investigacion . . . . . 2.2.1. Objetivo general . . . . . . . 5 5 5 7 7 7 7 7

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

´ 3. ANTECEDENTES Y MARCO TEORICO 3.1. Antecedentes . . . . . . . . . . . . . . . . . 3.2. Marco Te´rico . . . . . . . . . . . . . . . . . o 3.2.1. Marco te´rico conceptual . . . . . . . o 3.2.2. Marco te´rico instrumental . . . . . . o

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

8 . 8 . 9 . 9 . 12

´ 4. METODOLOG´ DE LA INVESTIGACION IA 28 4.1. Tipo de Investigaci´n . . . . . . . . . . . . . . . . . . . . . . . 28 o 4.2. Nivel de Investigaci´n . . . . . . . . . . . . . . . . . . . . . . . 28 o ˜ ´ 5. DISENO DE LA INVESTIGACION 5.1. Objeto de la Investigaci´n . . . . . . o 5.2. Poblaci´n . . . . . . . . . . . . . . . o 5.2.1. Tama˜o de la Poblaci´n . . . n o 5.3. Muestreo . . . . . . . . . . . . . . . . 5.3.1. T´cnica de Muestreo . . . . . e 5.4. Variables . . . . . . . . . . . . . . . . 5.4.1. Variables de Medida I . . . . 1 29 29 29 29 30 30 31 31

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

5.4.2. Variables de Medida II . . . . 5.5. Instrumentos de Medici´n . . . . . . o 5.5.1. Intrumentos para las Variables 5.5.2. Intrumentos para las Variables 5.6. Dise˜o del Experimento . . . . . . . n 5.7. Modelo de Soluci´n . . . . . . . . . . o ´ 6. PLANIFICACION 6.1. Cronograma de Trabajo . . . . . 6.1.1. Ruta Cr´ ıtica . . . . . . . . 6.1.2. Entregables por Etapa . . 6.2. Presupuesto de la Investigaci´n . o 6.2.1. Fuentes de Financiamiento

. . . . . . . . . . . . . . . . de Medida I de Medida II . . . . . . . . . . . . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

. . . . . .

31 31 31 31 32 33 41 41 43 44 45 46

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

7. CONCLUSIONES 47 7.1. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 7.2. Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . 47 7.3. Trabajos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . 47

2

´ Indice de cuadros
5.1. Poblaci´n Nivel de Educaci´n Secundaria . . . . . . . . . . . . 30 o o 5.2. Muestreo Nivel de Educaci´n Secundaria . . . . . . . . . . . . 31 o

3

. . . . . . .´ Indice de figuras 3. o 4 . . . . . .2. . . . . Cronograma de Trabajo . . . . . . . . . . . . . . . . . . . . 3. u Resultados de la Correlaci´n . . . . . Inteligencias M´ltiples . . . . . . . . .5. . . . .4. ESCALA DE MINDS TEST . . . . . .3. . Ruta Cr´ ıtica . . . . . . . .2. . . . 5. . . . . . . TEST . .5 . . . . . . . . . . . e Algoritmo de C4. 12 13 14 15 15 24 26 36 37 38 39 39 40 41 42 43 44 45 46 Inteligencias M´ltiples PARTE 1 u . . . . . . . . . . . . . 5. . . . u Algoritmo del M´todo IDE3 . . . . . . . . . . . . . . . . . . . .2.1. . 3. . .4. . . . . . 5. . . . . . 3. . .PARTE 4 . . . . . .5. . . . . . . . . 6. . . . . . . . 5.MINDS . .6. . . Baremo de la Escala IM -MINDS Perfil de Inteligencias M´ltiples . .6. . 6. . . . . . . . 6. . . . . . . 3. .3. Estructura Detallada de Trabajo Presupuesto de Investigaci´n . . . .6. . . . . 5. . . . . .4. . . . 6. . . . .3. . . . . . 3. . . .1. . .1. . . . . . .PARTE 2 . 6. . . . . . .PARTE 3 . . . . . . . . . . .7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Cronograma de Trabajo . . . . . . . . . . . . . . . . 3. . . . . . TEST . . . Ruta Cr´ ıtica . . . . 5. . . . . . . 6. . . . . . . . . . .5. . . . . . Dise˜o Experimental n Modelo Soluci´n . . . . . . . . . . . . . . . o Clave de la Escala IM . . . . . . . . . . . . . . . . . . . . . . . . . . o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

otros toman un examen de ingreso antes del inicio del a˜o escolar y de acuerdo a su calificaci´n se les n o asigna una secci´n. Justificaci´n o Este proyecto de tesis. en las cuales probablemente transcurrir´n todo sus a˜os o a n de educaci´n primaria o secundaria. Introducci´n o Hoy en d´ los centros educativos ubican a sus alumnos en diferentes ıa secciones. los alumnos asistir´ a sus clases con ıan mucha disposici´n y deseos de aprender.Cap´ ıtulo 1 ´ INTRODUCCION 1. y dado a sus resultados. podr´ ayudar al ıa proceso de aprendizaje de los alumnos.1. o 1. ser´ el a iniciador de una nueva metodolog´ de ense˜anza la cual tendr´ un imporıa n a tante impacto en el sistema educativo escolar peruano ya que la ense˜anza n estar´ siendo enfocada a las capacidades previamente identificadas en los ıa alumnos.2. o Agrupar a los alumnos con caracter´ ısticas similares y sobre todo con una forma similar de aprendizaje acompa˜ado de una metodolog´ o din´mica n ıa a de ense˜anza adecuada para estas caracter´ n ısticas similares. de implementarse. donde el criterio de agrupaci´n se limita a la edad o a los que o se matriculan primero o por orden de apellido. Al no realizarse no se podr´ iniciar con un proyecto que busca encontrar a caracter´ ısticas similares en los estudiantes de forma que se le pueda brindar una educaci´n donde ´ste se identifique y pueda desarrollar sus capacidades o e 5 .

distintivas. disminuyendo as´ la dificultad n n a a ı de aprendizaje. despertando as´ el inter´s del alumno y probablemente su buen ı e desempe˜o. en muchos casos. con miras a. seguir estudios superiores. siendo la ense˜anza m´s din´mica. 6 .

Cap´ ıtulo 2 FORMULACION DEL PROBLEMA 2. 2. por el contrario haber encontrado informaci´n acerca que estas inteligeno cias son diferenciadas. que permita agrupar a los alumnos con caracter´ ısticas afines en el proceso de su formaci´n y a la vez permita sugerir un o cambio de enfoque en la ense˜anza a los estuadiantes. 7 .1. Objetivo de la Investigacion Objetivo general El objetivo de la presente investigaci´n es reconocer patrones comunes o de las diversas inteligencias. ıa ıa n 2. 2.1.2.1. Planteamiento del Problema Problema principal El no haber encontrado publicaci´n de patrones de la inteligencia m´ltio u ple.2. esto es una ense˜anza n n personalizada basada en las caracter´ ısticas comunes y tipos de inteligencia que poseen. lo que podr´ sugerir una nueva metodolog´ de ense˜anza.1. seg´n el autor de las Inteligencias M´ltiples[3] hace u u que el problema principal sea identificar patrones en los tipos de inteligencias m´ltiples que permitan agruparlas de forma que podamos establecer criterio u para agrupar o formar secciones de alumnos en los centros educativos.

Antecedentes De la Inteligencia general a las Inteligencias M´ ltiples u Se ha avanzado mucho en las teor´ sobre la inteligencia. pero no empieza a ser difundida hasta la vere 8 . realizaba sus investigaciones sobre los genios.Cap´ ıtulo 3 ANTECEDENTES Y MARCO ´ TEORICO 3. Galton (1822-1911) bajo la influencia de Darwin. Aqu´ se hace o ı referencia a las aportaciones m´s relevantes que han conducido a la g´nesis a e de las inteligencias m´ltiples y de la inteligencia emocional. En 1908 se traduce el a o o test de Binet. y por otra parte descubri´ la localizaci´n del ´rea del o o a lenguaje en el cerebro. Binet (1857-1911) o elabora el primer test de inteligencia con objeto de identificar a los sujetos que pod´ seguir una escolaridad ordinaria y distinguirlos de los que requer´ ıan ıan educaci´n especial. donde aplicaba la campana de Gauss. Stern introduce el t´rmino de CI (Coeficiente o e Intelectual) que tendr´ una gran aceptaci´n y difusi´n. Al mismo tiempo. En 1912. Tambi´n en esta ´poca Wundt (1832-1920) estudiaba e e los procesos mentales mediante la introspecci´n. o La investigaci´n sobre la inteligencia probablemente se inicia con los estuo dios de Broca (1824-1880).1. En 1905. pero no se puede ıas decir que se haya llegado a conclusiones de aceptaci´n general.Simon al ingl´s. que estuvo interesado en medir el cr´neo humano a y sus caracter´ ısticas. como uno de los u fundamentos de la educaci´n emocional.

que se o 9 . por realizarse la adaptaci´n en o o la Universidad de Stanford. u Cattell (1860-1944) fue disc´ ıpulo de Wundt y de Galton y posteriormente difundi´ los tests de inteligencia por Estados Unidos bajo la idea de que o eran buenos predictores del rendimiento acad´mico.si´n de 1916. representaci´n espacial. ıas Arlin. se puede considerar como un antecedente remoto de las inteligencias m´ltiples (IM) de Gardner (1983).2. Perkins). 3. fluidez verbal. que abrieron la puerta al estudio de la creatividad y al pensamiento divergente. Sucesivas revisiones en 1937 y 1960. Anderson) o pluralistas (Horn. Snow. capacidad para el o c´lculo. Esta prueba fue o utilizada en la Primera Guerra Mundial para examinar a m´s de un mill´n de a o reclutas americanos.[5]. Case. Ziegler. dotaron a este instrumento de una consistencia que lo hizo mundialmente famoso. ya sean monistas (Jensen. M´s tarde. lo cual contribuy´ a su difusi´n y general conocimieno o to. ıas o Hunt. Terman. en cierta forma. Muchos modelos posteriores se han propuesto para describir el constructo de inteligencia y sus factores. La discusi´n sobre el constructo de o inteligencia sigue abierta [2]. 3. Li). Marco Te´rico o Marco te´rico conceptual o La teor´ de las inteligencias m´ ltiples ıa u Howard Gardner pone en cuesti´n el coeficiente intelectual (CI). Brown. Entre ellos cabe destacar a los continuadores del enfoque factorial-anal´ ıtico. las teor´ del desarrollo cognitivo (Piaget. Dover). las teor´ del aprendizaje (Schank. las teor´ del procesamiento de la informaci´n (Carroll. Spearman e a (1863-1945) y Thurstone (1887-1955) aplicaron el an´lisis factorial al estudio a de la inteligencia. que en 1950 present´ sus trao bajos sobre estructura de la inteligencia. Ackerman). Este ultimo. rapidez perceptiva.1. bajo la direcci´n de L.2. Flavell. conocida como Stanford-Binet. Butterfiel. memoria y razonamiena o to inductivo) que. Eysenck. Shore. Stenberg. Camıas pione. etc. a partir del factor g extrajo siete habilidades ´ mentales primarias (comprensi´n verbal. el concepto de CI pas´ a ser o conocido por el p´blico. u Otro antecedente de las IM es Guilford.

por buenas que sean sus cualidades naturales. en su teor´ de las ino ıa teligencias m´ltiples. movilizar o todas las habilidades humanas puede contribuir a un mayor bienestar. Gardner no niega el componente gen´tico. o de la gente a emocionalmente inteligente. pero esas e potencialidades se van a desarrollar de una manera o de otra dependiendo del medio ambiente. las experiencias. Diez o o a˜os m´s tarde publica Multiple inteligences. preguntas y respuestas a ıa u que han ido surgiendo a lo largo de estos diez a˜os. En esta obra expone de manera o sistem´tica la teor´ de las inteligencias m´ltiples. de la Universidad de Harvard.ajusta a la escuela uniforme y como alternativa propone la Teor´ de las Inıa teligencias M´ltiples. la educaci´n de las inn o teligencias m´ltiples. la educaci´n recibida. u o centrada en la atenci´n a la diversidad. Hasta la fecha Howard Gardner y su equipo de la Universidad de Harvard han identificado ocho tipos distintos y resume la investigaci´n en o el ambito de inteligencia m´ltiple mediante la distinci´n entre las siguientes ´ u o formas de inteligencia: 10 . ling¨´ o a uıstica. Esta obra tuvo escaso eco en el mundo de la psicolog´ sin emıa. Posteriormente Gardner (2001) a˜ade la inteligencia naturalista[4]. no s´lo las personas se sentir´n m´s competentes y o a a mejor consigo mismas. interpersonal e intrapersonal. Ning´n deo u portista llega a la cima sin entrenar. etc. reconoce que e todos nacemos con unas potencialidades marcadas por la gen´tica. cuya n a traducci´n al castellano se da en 1995[3]. espacial. los poetas. bargo provoc´ un gran revuelo entre los profesionales de la educaci´n. Howard Gardner nos dice tambi´n que igual que e hay muchos tipos de problemas que resolver. Gardner (1995). distingue siete inteligencias: musical. cin´tico-corporal. The theory in practice. u e l´gico-matem´tica. cuya culminaci´n fue la publicaci´n de The Mind New Science o o o en 1985. La inteligencia n naturalista se refiere a la conciencia ecol´gica que permite la conservaci´n o o del entorno. realiz´ enu o tre 1979 y 1983 un estudio sobre la naturaleza del potencial humano y su realizaci´n. su evaluaci´n y lo que puede ser la escuela del futuro. H. Como dice Gardner[3]: ”si podemos movilizar toda la gama de habilidades humanas. Al definir a la inteligencia como una capacidad Gardner la convierte en una destreza que se puede desarrollar. Lo mismo se puede decir de los matem´ticos. Gardner. tambi´n hay muchos tipos de e inteligencia. Dicho de otra forma. Howard Gardner define la inteligencia como la capacidad de resolver problemas o elaborar productos que sean valiosos en una o m´s culturas. sino que incluso es posible que tambi´n se sientan e m´s comprometidas y m´s capaces de colaborar con el resto de la comunidad a a mundial en la consecuci´n del bien general”.

a Inteligencia Interpersonal: La que nos permite entender a los dem´s. Inteligencia Naturalista: La que utilizamos cuando observamos y estudiamos la naturaleza. profesores o terapeutas. Inteligencia Intrapersonal: Es la que nos permite entendernos a nosotros mismos. compositores. y la a solemos encontrar en los buenos vendedores.kinest´sica: Capacidad de utilizar el propio cuere po para realizar actividades o resolver problemas. Inteligencia Musical: Es naturalmente la de los cantantes. Inteligencia Espacial: Consiste en formar un modelo mental del mundo en tres dimensiones. No est´ asociada a ninguna actividad concreta. los escultores. Utiliza ambos hemisferios. Es la que demuestran los bi´logos o los herbolarios. m´sicos. Es la inteligencia que tienen los cient´ o a ıficos. los poetas. los buenos redactores. es la inteligencia que tienen los marineros. los artesanos. ´ Inteligencia Ling¨´ uıstica: La que tienen los escritores.[1] o Veamos la figura siguiente corespondiente a las caracter´ ısticas de las Intgeligencias M´ltiples definidas por Gardner u 11 . Se corresponde con el modo de pensamiento del hemisferio l´gico y con lo que o nuestra cultura ha considerado siempre como la unica inteligencia. bailarines. los cirujanos.matem´tica: La que utilizamos para resolver probleo a mas de l´gica y matem´ticas. Es la inteligencia de los deportistas. pol´ ıticos. los arquitectos o los decoradores. u Inteligencia Corporal . los ingenieros.Inteligencia L´gica . los cirujanos y los bailarines.

e Administraci´n: Individual / Colectiva. 2004 Standarizaci´n Peruana.TRUJILLO. o Significaci´n: Eval´a las 8 inteligencias m´ltiples seg´n la teor´ de Gardner. PERU. o ´ UNIVERSIDAD CESAR VALLEJO . Lima. INTELIGENCIAS MULTIPLES Ficha T´cnica Escala de MINDS-Inteligencia M´ ltiple e u Nombre de la prueba: Escala de MINDS de Inteligencias M´ltiples. Marco te´rico instrumental o ´ 1. u Autor: Cesar Ruiz Alva / Psic´logo Educacional.2004. o u u u ıa 12 .2.Figura 3.2. Trujillo . o o C´sar Ruiz Alva.1: Inteligencias M´ltiples u 3. Edici´n revisada.

001 de confianza. o ´ CALIFICACION: Seg´n ´ u ıtems para cada ´rea se suman los puntajes ala canzados y el total se convierte al puntaje NORMATIVO. Confiabilidad: M´todo de Consistencia Interna: Los coeficientes van de 0. M´todo Test Retest: Los coeficientes en promedio van del 0. con el m´tou e do de Coeficientes de Correlaci´n Producto Momento de Pearson arroja los o resultados de correlaci´n el el gr´fico siguiente.TIPIFICACION: Baremos Percentil (Mediana 50).(VL) Inteligencia Verbal Ling¨´ uıstica. (EN) Inteligencia Ecol´gica . (E) Inteligencia Espacial. (CK) Inteligencia Corporal . o a Figura 3. ´ NORMAS . estimados tambi´n como significativos al 0. 13 .Kinest´sica. (INTER) o a e Inteligencia Interpersonal. considerando los siguientes criterios: Marca 0 si NO SE PARECE EN NADA A TI aquello que lees. Marca 3 si SE PARECE TOTALMENTE O CASI TOTALMENTE A TI. ”Lee cada frase y coloca una X donde correo sponda.93 e con lapsos de tiempo de dos mese entre prueba y reprueba. (INTRA) Inteligencia Intrapersonal.001 de confianza.9 a 0. (M) Inteligencia Musical.Naturalista. Marca 1 si SE PARECE EN ALGO A TI (s´lo un poco) o Marca 2 si SE PARECE BASTANTE A TI.2: Resultados de la Correlaci´n o ´ ADMINISTRACION DE LA PRUEBA MINDS Se entrega el cuestionario y un l´piz y luego de llenar los datos personales a se les la siguiente indicaci´n. e VALIDEZ: Los estudios de correlaci´n de los puntajes del test MINDS o con los Test de Inteligencias M´ltiples (IMI) de 7 inteligencias.88 e a 0.94 que resultan siendo significativas al 0.Matem´tica. (LM) Inteligencia L´gico .

De la forma c´mo o trabajes depender´n los resultados obtenidos... a Figura 3. que todas las frases hayan sido contestadas. antes a a de entregar. los que servir´n para orientar a a mejor tus actividades escolares en el colegio”. Luego transforme cada puntaje directo en Puntaje PERCENTIL usando la tabla del Baremo siguiente. ´ CALIFICACION: La calificaci´n se hace de acuerdo a los ´ o ıtems que compone cada inteligencia.3: Clave de la Escala IM .MINDS Sume los puntajes asignados a cada uno de los ´ ıtems de cada Inteligencia y obtenga un puntaje total para cada una de ellas. Observe la clave en el gr´fico siguiente.Trabaja lo m´s r´pido que puedas. no demores mucho.. BAREMO Convierta los puntajes directos a Puntajes Percentiles usando el Baremo correspondiente que se detalla en la figura siguiente 14 .. Revisa bien.

5: Perfil de Inteligencias M´ltiples u 15 .Figura 3.4: Baremo de la Escala IM -MINDS El perfil de los alumnos lo veremos seg´n el siguiente gr´fico que muestra u a el cuadro de Perfil Figura 3.

Servente y Garc´ Mart´ ıa ınez. 1997 3 Evangelos y Han.. ´ a partir de grandes conjuntos de datos. Perichinsky et al. estos m´todos empezaron o e a enfrentar problemas de eficiencia y escalabilidad y es aqu´ donde aparece el ı concepto de miner´ de datos.. Perichinsky y Garc´ ıa-Mart´ ınez. Limpieza y preprocesamiento de los datos.. Chen et al. con objeto de predecir de forma automatizada tendencias y comportamientos. Seleccionar un conjunto de datos en donde realizar el proceso de descubrimiento. valores fuera de rango. Michalsk´ et al. Entendimiento del dominio de aplicaci´n.. para descubrir y enumerar patrones presentes en los datos. Perichinsky et al. etc. 1996. previamente desconocido. 1991 5 Michalski et al.. Perichinsky et al.. El t´rmino Miner´ de Datos e ıa 3 Inteligente refiere espec´ ıficamente a la aplicaci´n de m´todos de aprendizao e je autom´tico 4 . 2003]: 1. 2000. 2000. potencialmente util y humanamente comprensible. 3. 1996.2. 1991. 2003 2 Piatetski-Shapiro et al. valores incompletos. 1983. a para estos. 2002. Mannila. mientras que el segundo a supone que los patrones e hip´tesis son autom´ticamente extra´ o a ıdos de los datos [Hern´ndez Orallo. a La Miner´ de Datos es un proceso completo de descubrimiento de conocimienıa to que involucra varios pasos [Morales. Una de las diferencias entre al an´lisis de datos ıa a tradicional y la miner´ de datos es que el primero supone que las hip´tesis ıa o ya est´n construidas y validadas contra los datos. se desarrollaron un gran n´mero de m´todos de an´lisis de datos u e a 5 basados en la estad´ ıstica . dise˜ando una estrategia n adecuada para manejar ruido. 2. 1982 1 16 . En la medida en que se incrementaba la cantidad de informaci´n almacenada en las bases de datos. 2000]. el conocimiento relevante a o utilizar y las metas del usuario. 1998 ı 4 Michalski et al. 2001. Holsheimer y Siebes. valores inconsistentes.. MINER´ DE DATOS IA Se denomina Miner´ de Datos 1 al conjunto de t´cnicas y herramientas ıa e aplicadas al proceso no trivial de extraer y presentar conocimiento impl´ ıcito. y describir de forma automatizada modelos previamente desconocidos 2 .

o o 5. e a 17 . Utilizaci´n del conocimiento descubierto. ya sea incorpor´ndolo deno a tro de un sistema o simplemente para almacenarlo y reportarlo a las personas interesadas. o 6. o 3. o a potencialmente util. clasifio caci´n. 2005]. Un patr´n es interesante si es f´cilmente entendible por las personas. Un patr´n interesante representa conocimiento [Ale. 7. o 2. Clasificaci´n. Quiz´s sea necesario eliminar pae o a trones redundantes o nointeresantes. hallando los atributos utiles. Selecci´n de los algoritmos a utilizar. Llevar a cabo el proceso de miner´ de datos para encontrar patrones ıa interesantes. Selecci´n de la tarea de descubrimiento a realizar. agrupamiento o clustering. Evaluaci´n de los patrones descubiertos y presentaci´n de los mismos o o mediante t´cnicas de visualizaci´n. va a depender la calidad final de los patrones descubiertos. por ejemplo. o A continuaci´n se realiza una breve descripci´n de cada una de estas o o t´cnicas y los algoritmos m´s utilizados. reglas de asociaci´n. o Las principales t´cnicas de miner´ de datos se suelen clasificar seg´n su e ıa u tarea de descubrimiento en: 1. etc. ya que dependiendo de c´mo o o se realicen estas tareas. novedoso o valida alguna hip´tesis que el usuario busca ´ o confirmar. o se necesite repetir alg´n paso u anterior con otros datos. 9. reducieno ´ do las dimensiones de los datos. Agrupaci´n o clustering.4. etc. Es muy importante la etapa del pre-procesamiento de los datos y su transformaci´n alformato requerido por el algoritmo. con otrosalgoritmos. con otras metas o con otras estrategias. 8. Asociaci´n. Transformaci´n de los datos al formato requerido por el algoritmo eso pecifico de explotaci´n de datos.

Se trata de un modelo de red neuronal con capacidad para formar mapas de caracter´ ısticas de manera similar a como ocurre en el cerebro. machine learning [Fisher. Por esta raz´n. El clustering identifia ca regiones densamente pobladas. Ng y Han. K-means comienza particionando los datos en k subconjuntos no vac´ calcula el centroide de cada partici´n ıos. 1996]. ıa Ester et al. o como el punto medio del cluster y asigna cada dato al cluster cuyo centroide 18 . lo a cual quiere decir que no se necesita intervenci´n humana durante el mismo o y que se necesita saber muy poco sobre las caracter´ ısticas de la informaci´n o de entrada. 1994. 1995]. denominadas clusters.1 Agrupaci´n de datos o La agrupaci´n o clustering consiste en agrupar un conjunto de datos o bas´ndose en la similitud de los valores de sus atributos. Jain y Dubes. La t´cnica de clustering ha sido estudiada en las ´reas de la estad´ e a ıstica [Cheeseman y Stutz. SOM est´ basado en el aprendizaje no supervisado y competitivo. 1988]. SOM es muy o util como herramienta de an´lisis de clases de datos de muchas dimensiones ´ a [Vesanto y Alhoniemi.. 1996].. La propiedad de preservar la topolog´ significa que el mapeo preserva las distancias relativas entre puntos. K-means. tambi´n denominado redes de Kohonen.2. de acuerdo a alguna medida de distancia establecida [Chen et al. 1996]. Las neuronas usualmente forman o un mapa bidimensional. fue creado por Teuvo Koe honen en 1982. base de datos espaciales y miner´ de datos [Cheeseman y Stutz. SOM provee un mapa topol´gico de datos. lo que implica que la red puede reconocer o caracterizar entradas que nunca antes ha encontrado. ıa Los puntos que est´n cerca unos de los otros en el espacio original de entrada a son mapeados a neuronas cercanas en SOM. 2001]. 1995. utilizando unidades de mapa (las neuronas) para simplificar la representaci´n [Kohonen. Zhang et al. a un plano.. y adem´s tiene la capacidad de generalizar [Esa senreiter et al. 1999]. De esta manera se busca maximizar la similitud de las instancias en cada cluster y minimizar la similitud entre clusters [Han y Kamber. con k pree determinado antes del inicio del proceso.. SOM. que se representan o en varias dimensiones. por lo que el mapeo transforma un problema de muchas dimensiones en el espacio. es un m´todo iterativo que busca formar k clusters. 1996. 2000]. Dos de los algoritmos de clustering m´s utilizados son Self Organizing a Maps (SOM) y Kmeans. 1996.

se utiliza un conjunto de entrenamiento. CLARANS [Ng y Han. a e a o La clasificaci´n basada en ´rboles de decisi´n es un m´todo de aprendizao a o e je supervisado que construye ´rboles de decisi´n a partir de un conjunto de a o entrenamiento. Para construir este modelo. En la actualidad existen numerosos enfoques o de algoritmos de inducci´n y variedad en cada enfoque.. se conoce la clase de pertenencia y se le indica al modelo si la clasificaci´n que realiza es correcta o no. a o Otros algoritmos de clustering son K-medoids o PAM (Partition around medoids) y CLARA (Clustering LARge Applications) [Kaufman y Rousseeuw. se podr´ clasificar a distintas perıa sonas para un tipo de ense˜anza acorde a su estilo de aprendizaje. mediante un m´todo supervisado. El objetivo de la clasificaci´n es analizar los datos de o entrenamiento y.sea el m´s pr´ximo. 1996]. hasa o ta que no haya m´s datos que cambien de cluster de una iteraci´n a la otra. Esta descripci´n o modelo permite clasificar otras instancias. o o La clasificaci´n encuentra las propiedades comunes entre un conjunto de o objetos y los clasifica en diferentes clases. Este ultimo permite manejar conjuntos de datos m´s grandes que el ´ a primero. desarrollar una descripe ci´n o un modelo para cada clase utilizando las caracter´ o ısticas disponibles en los datos. o cuya clase es desconocida. 2. Luego vuelve a particionar los datos iterativamente.2 Clasificaci´n de datos o La clasificaci´n se utiliza para clasificar un conjunto de datos basado en o los valores de sus atributos. La o construcci´n del modelo se realimenta de estas indicaciones del supervisor o [Chen et al. 19 . Los algoritmos mayormente utilizados para las tareas de clasificaci´n son o los algoritmos de inducci´n. El m´todo se conoce como supervisado debido a e que. para el conjunto de entrenamiento. de acuerdo a un modelo de clasificaci´n. el presente trabajo o har´ hincapi´ en aquellos orientados a generar ´rboles de decisi´n. o en el que cada instancia consiste en un conjunto de atributos y el valor de la clase a la cual pertenece. teniendo n en cuenta informaci´n hist´rica de las mismas. 1994] integra los algoritmos PAM y CLARA en uno. Por ejemplo. 1990].

entonces o compra pan.Un sistema t´ ıpico de construcci´n de ´rboles de decisi´n es ID3. ID3 garantiza un a ´rbol simple. o a ALGORITMOS A UTILIZAR 1.. 2001]. 1993]. Existen varios algoritmos que realizan el descubrimiento de reglas de asociaci´n. 1995]. redes neuronales [Lu et al. algoritmos gen´ticos e y l´gica difusa. 2001]. 1996]. algoritmos de machine learning [Cheeseman y Stutz. y Am) a (B1 y B2 y . o buscando optimizar el criterio de particionamiento elegido.. la regla de asociaci´n correspondiente a que si un cliente compra leche. En K-means cada 20 .. resultando en o una clasificaci´n m´s r´pida y una mejora en la precisi´n de la clasificaci´n o a a o o de datos [Han y Kamber. Algoritmo K-means K-means en un m´todo particional de clustering donde se construye una e partici´n de una Base de datos D de n objetos en un conjunto de k grupos. Por ejemplo. o 2.. Un paso importante en la construcci´n del ´rbol de o e o a decisi´n es la poda. Al utilizar m´todos heur´ e ısticos. como el an´lisis de regresi´n a o lineal [Elder IV y Pregibon. pero no necesariamente el m´s simple. 1996].. y Bn). que extiende el dominio de clasificaci´n de atributos o categ´ricos a num´ricos. Existen muchos otros algoritmos de clasificaci´n de datos... que o a o utiliza la teor´ de la informaci´n para minimizar la cantidad de pruebas ıa o para clasificar un objeto. Una regla de asociaci´n es una sentencia probabil´ o ıstica acerca de la co-ocurrencia de ciertos eventos en una base de datos.5 [Quinlan. la cual elimina las ramas no necesarias. 1996]. y es particularmente aplicable a grandes conjuntos de datos [Hand et al. Una extensi´n de ID3 a o es C4. incluyendo o m´todos estad´ e ısticos [Cheeseman y Stutz. 1996]. donde Ai y Bj son valores de atributos del conjunto de datos [Chen et al. se podr´ ıa encontrar en un gran repositorio de datos de compras en un supermercado. uno de los m´s utilizados es Apriori.3 Reglas de asociaci´n o La miner´ de reglas de asociaci´n consiste en encontrar reglas de la forma ıa o (A1 y A2 y .

parar cuando no haya m´s reasignaciones. El algoritmo no garantiza que se obtenga un ´ptimo global. Para calcular el centroide m´s cercano a cada punto se debe utilizar una a funci´n de distancia.grupo est´ representado por su centro. en la cuantifio caci´n de vectores. o a veamos: k V = i=0 j∈Si |χj − µi |2 (3.. i=1. la cual es obtenida cuando no haya m´s datos que cambien de grupo de una iteraci´n a o a otra. a K-means es ampliamente utilizado en la explotaci´n de datos..k y ci es el punto medio o centroide de todos los puntos Xj pertenecientes a Si. aleatoriamente o usando alguna heur´ ıstica. Para datos categ´ricos se debe establecer una funci´n espec´ o o ıfica de distancia para ese conjunto de datos. Particionar los objetos en k subconjuntos no vac´ ıos. 2. 2005]: 1. el algoritmo K-means se implementa en 4 pasos [Ale. o Dado k. se suelen realizar varias ejecuciones del algoritmo con distintos conjuntos iniciales. o Debido a esto. La calidad o de la soluci´n final depende principalmente del conjunto inicial de grupos. Asignar cada objeto al cluster cuyo centroide sea m´s cercano. K-means comienza particionando los datos en k subconjuntos no vac´ ıos. Algunas de las opciones son utilizar una matriz de distancias predefinidas o una funci´n heur´ o ıstica. para cuantificar variable reales en k rangos no uniformes o 21 . 3. Volver al paso 2.1) Donde existen k grupos Si.. Luego calcula el centroide de cada partici´n como el punto medio del cluster y asigna cada dato al cluster o cuyo centroide sea el m´s pr´ximo. Luego los centroides son recalculados para a o los grupos nuevos y el algoritmo se repite hasta la convergencia. Computar los centroides de los clusters de la partici´n corriente.. El objetivo que se intenta alcanzar a es minimizar la varianza total intra-grupo o la funci´n de error cuadr´tico. Para datos reales se suele utilizar la distancia eucl´ o ıdea. El o centroide es el centro (punto medio) del cluster. a 4. de modo de obtener una mejor soluci´n.2.

3. La primera se basa en la forma en que el esfuerzo requerido para realizar una tarea de inducci´n crece con la dificultad de la o tarea. El ID3 fue presentado como descendiente del CLS y. la complejidad del concepto a ser desarrollado (medido por la cantidad de nodos en el ´rbol de decisi´n). Ross Quinlan [Quinlan. cada una de e las cuales cuenta con su conjunto de posibles valores. la variable humedad puede tener los valores alta. produciendo un ´rbol de decisi´n sobre o a o estas variables que clasifica correctamente todos los objetos [Quinlan. la cantidad de variables dadas para describir estos objetos. y el tiempo requerido para procesar los datos crece s´lo linealmente con la o dificultad. como producto de: 1. baja y la variable clima. u 2. como contrapartida de su antecesor. 1993]. 22 . dise˜ado en 1993 por J. 1993a].1 Algoritmo ID3 Introducci´n o El algoritmo ID3. Por ejemplo. La cantidad de objetos presentados como ejemplos. nublado. es un mecanismo mucho m´s simple para el descubrimiento a de una colecci´n de objetos pertenecientes a dos o m´s clases. Hay ciertas cualidades que diferencian a este algoritmo de otros sistemas generales de inferencia. lluvioso. 2.es mucho m´s restrictivo que a la l´gica de primer orden o la l´gica multivaluada. soleado. n toma objetos de una clase conocida y los describe en t´rminos de una colece ci´n fija de propiedades o de variables.y para reducir el n´mero de colores en una imagen. y este ”lenguaje. Algoritmos de inducci´n o 2. en la cual otros sistemas o o expresan sus conceptos [Quinlan. 1993]. El ID3 fue dise˜ado espec´ n ıficamente para trabajar con masas de objetos. a o Esta linealidad se consigue a costa del poder descriptivo ya que los conceptos desarrollados por el ID3 s´lo toman la forma de ´rboles de decisi´n o a o basados en las variables dadas. Cada objeto o a debe estar descrito en t´rminos de un conjunto fijo de variables.

2..Una regla de clasificaci´n en la forma de un ´rbol de decisi´n puede construo a o irse para cualquier conjunto C de variables de esta forma [Quinlan. Dados: 1. un conjunto de descriptores de cada dato. se selecciona una variable y se particiona C en conjuntos disjuntos C1.. es decir. Un conjunto de datos. asumiendo siempre que el conjunto de datos sobre el cual se trabaja es representativo de la totalidad de los datos. El resultado es un ´rbol en el cual cada hoja contiene un nombre de clase a y cada nodo interior especifica una variable para ser testeada con una rama correspondiente al valor de la variable. Descripci´n de ID3 o El objetivo de ID3 es crear una descripci´n eficiente de un conjunto de o datos mediante la utilizaci´n de un ´rbol de decisi´n. a tomarse. 3. 2.. Adem´s. un clasificador/conjunto de clasificadores para cada objeto. sin contradicci´n entre ellos.. Si C contiene los representantes de varias clases. Dados datos consiso a o tentes. donde los nodos pueden ser: 1. Si C est´ vac´ entonces se lo asocia arbitrariamente a cualquiera de a ıo. las clases. Nodos intermedios: en donde se encuentran los descriptores escogidos seg´n el criterio de entrop´ que determina cu´l rama es la que debe u ıa. donde C1 contiene aquellos miembros de Ci que tienen el valor i para la variable seleccionada. 1993]: 1. el ´rbol puede ser utilizado o a a para predecir los valores de nuevos datos. hojas: estos nodos determinan el valor del clasificador. el ´rbol resultante describir´ el o a a conjunto de entrada a la perfecci´n. Se desea obtener un ´rbol de decisi´n simple bas´ndose en la entrop´ a o a ıa.. 23 . 2. Cn. Cada una de estos subconjuntos se maneja con la misma estrategia.C2..

Este procedimiento de formaci´n de reglas funcionar´ siempre. a a o El arbol de decisi´n es un medio eficiente e intuitivo para organizar los de´ o scriptores que pueden ser utilizados con funciones predictivas. la entrop´ y el ´rbol de decisi´n. 1996]. las variables son inadecuadas para el proceso de clasificaci´n. La entrop´ se utiliza para enconıa a o ıa trar el par´metro m´s significativo en la caracterizaci´n de un clasificador. Pseudo-c´digo del algoritmo ID3 o A continuaci´n.6: Algoritmo del M´todo IDE3 e 24 . dado que no o a existen dos objetos pertenecientes a distintas clases pero con id´ntico valor e para cada una de sus variables. o Hay dos conceptos importantes a tener en cuenta en el algoritmo ID3 [B1urock. se presenta el algoritmo del m´todo ID3 para la construco e ci´n de ´rboles de decisi´n en funci´n de un conjunto de datos previamente o a o o clasificados. Figura 3. si este caso llegara a presentarse.

seg´n sea el caso.5 resolvi´ el problema o de los atributos continuos mediante la discretizaci´n. Existen varias maneras de solucionar este problema del ID3. veamos a continuaci´n: o 25 .5 construye un ´rbol de decisi´n y eval´a e a o u la informaci´n en cada caso utilizando los criterios de entrop´ y ganancia o ıa o proporci´n de ganancia.Limitaciones de ID3 El ID3 puede aplicarse a cualquier conjunto de datos. Este sistema no cuenta con la facilidad de trabajar con variables continuas ya que analiza la entrop´ sobre cada uno de ıa los valores de una variable. se explicar´n o u o a las caracter´ ısticas particulares de este m´todo que lo diferencian del anterior. El C4. por lo tanto.5 para la construcci´n de ´rboles de decisi´n e o a o a grandes rasgos es muy similar al del ID3. A continuaci´n. Var´ en la manera en que realiza ıa las pruebas sobre las variables. El C4. como la agrupaci´n de o valores presentada en [Gallion et al. siempre y cuando las variables sean discretas. 1993c]. generalmente se piensa en rangos de valores y no en valores particulares.5 o El algoritmo del m´todo C4. 1993] o la discretizaci´n de los mismos o explicada en [B1urock. o 2. la estructura principal de ambos m´todos es la misma.5 Introducci´n o El C4. por lo tanto. e Pseudo-c´digo del algoritmo C4. 1996.5 se basa en el ID3. tomar´ cada valor de una variable ıa continua individualmente en el c´lculo de la entrop´ lo cual no es util en a ıa. Quinlan.. Cuando se trabaja con variables continuas.2 Algoritmo C4. ´ muchos de los dominios.

5 Caracter´ ısticas particulares de C4. 2. una prueba m´s compleja. el sistema debe decidir cu´l prueba escoge para dividir los a datos. 26 .7: Algoritmo de C4. si una variable A tiene valores num´ricos continuos. para lo cual debe determinarse el valor l´ ımite Z. en lugar de para cada valor.5 En cada nodo.est´ndar”para las variables discretas. se realiza una pruee ba binaria con resultados A ¡= Z y A ¿Z. en donde a los valores posibles son asignados a un n´mero variable de grupos con u un resultado posible para cada grupo. La prueba .Figura 3. basada en una variable discreta. Los tres tipos de pruebas posibles propuestas por C4.5 son [Quinlan. 1993c]: 1. 3. con un resultado y una a rama para cada valor posible de la variable.

mirando el resultado u de la proporci´n de ganancia. n 27 . Ha sido util agregar una restricci´n adicional: o ´ o para cualquier divisi´n. que evita las subdivisiones u o casi triviales. es tenida en cuenta solamente cuando el conjunto T es peque˜o. o alternativamente. al menos dos de los subconjuntos Ti deben contener o un n´mero razonable de casos. el de la ganancia resultante o de la divisi´n que producen.Todas estas pruebas se eval´an de la misma manera. Esta restricci´n.

2. ıa o 4. Este proyecto de tesis est´ enfocado o a a una metodolog´ de investigaci´n cuantitativa. por ello el nivel de investigaci´n es del tipo coro relacional. entonces se considera una Investigaci´n de tipo ıa o Aplicada.Cap´ ıtulo 4 METODOLOG´ DE LA IA ´ INVESTIGACION El presente cap´ ıtulo describe en forma breve el tipo. 4. Tipo de Investigaci´n o El presente proyecto de tesis se caracteriza por la aplicaci´n de conocimieno tos en miner´ de datos.1. 28 . nivel y dise˜o de la n investigaci´n en este proyecto de tesis. mediante o u algoritmo de agrupamiento. Nivel de Investigaci´n o El presente proyecto de tesis tiene por objetivo determinar la existencia de agrupamiento o asociaci´n entre las inteligencias m´ltiples.

2. 5.Cap´ ıtulo 5 ˜ DISENO DE LA ´ INVESTIGACION La investigaci´n en el proyecto es de tipo No Experimental.1.1. cuya o o distribuci´n se puede observar en el cuadro a continuaci´n: o o 29 . Objeto de la Investigaci´n o El objeto de la investigaci´n es el resultado registrado del test de Inteligeno cia M´ltiple (REGISTRO) aplicado a los estudiantes de nivel secundaria del u Centro Educativo en estudio. debido a o que no hay manipulaci´n intencional.2. Poblaci´n o La poblaci´n est´ representada por los estudiantes del nivel de eduaci´n o a o secundaria del Centro Educativo Mariano Melgar 6019 ubicado en el distrito de Villa Mar´ del Triunfo. ıa 5. EL objeto de estudio ya contiene una o informaci´n y en este hecho el investigador no tiene injerencia. o 5. Tama˜ o de la Poblaci´n n o La poblaci´n es de 645 alumnos del nivel de eduaci´n secundaria.

o 30 . debido a representar un estudio sin antecendentes del mismo tipo. considerando un 95 por ciento de confiabilidad (Z=1. error m´ximo del 5 a por ciento (E=0.3. Muestreo T´cnica de Muestreo e Se utilizar´ el muestreo de poblaci´n finita. donde aplicando la f´rmula a o o que se indica l´ ıneas abajo.1) As´ ımismo para mitigar el riesgo de contar con encuestas que no cumplan con los requermientos m´ ınimos de calidad (como preguntas sin responder o marcas dobles).1.3.96). donde la probabilidad o a favor y en contra es 50 por ciento (p=q=0.1: Poblaci´n Nivel de Educaci´n Secundaria o o ˜ 1 ANO ˜ 2 ANO ˜ 3 ANO ˜ 4 ANO ˜ 5 ANO TOTALES No SECCIONES HOMBRES MUJERES TOTAL 4 77 46 123 5 69 83 152 4 70 72 142 4 59 60 119 4 49 60 109 21 324 321 645 5. z 2 pqN V = n= 2 e (N − 1) + z 2 pq n |χj − µi |2 i=0 j∈Si (5.5). poblaci´n finita de 645 alumnos. la que es de 255 encuestas.Cuadro 5. 5. se obtiene la muestra preliminar de 242 alumnos. podemos observar en el cuadro siguiente el n´mero de alumnos u requeridos por sexo en cada secci´n. aplicamos un 5 por ciento adicional para el tama˜o de nuesn tra muestra final.05). Luego.

2: Muestreo Nivel de Educaci´n Secundaria o ˜ 1 ANO ˜ 2 ANO ˜ 3 ANO ˜ 4 ANO ˜ 5 ANO TOTALES No SECCIONES HOMBRES MUJERES TOTAL 4 31 18 49 5 27 33 60 4 28 28 56 4 23 24 47 4 19 24 43 21 128 127 255 5.5.Cuadro 5. 5. Instrumentos de Medici´n o Intrumentos para las Variables de Medida I El instrumento de medici´n para la toma de datos ser´ el Test de Minds o a . aplicado a cada alumno de la muestra. Intrumentos para las Variables de Medida II Se utilizar´ t´cnica de agrupamiento mediante algoritmo de clustering.4.4. al que le llamaremos u REGISTRO.5.1.5. a e 31 . 5. Variables de Medida II Se considerar´ como variable de medida II al patr´n o grado de asociaci´n a o o reconocidos en el desarrollo del proyecto.2.Inteligencias M´ltiples que se encuentra validado. 5. u 5.2.1. Variables Variables de Medida I Se considerar´ como variable de medida I al resultado del test de Inteligena cias M´ltiple. 5.4.

6. Dise˜ o del Experimento n El dise˜o del experimento lo podemos observar en el gr´fico acontinn a uaci´n: o 32 .5.

7. Se mostrar´n los patrones de agrupamiento de inteligencia m´litple a u identificados. 6.5. A los registros se les aplicar´ la t´cnica de agrupamiento escogida. Los puntajes obtenidos en cada tipo de inteligencia ser´n procesados a teniendo en cuenta la escala de Baremo para obtener as´ los registros. 4. eliminando registros que tengan compora tamiento anormal. Veamos gr´ficamente el modelo de soluci´n: a o 33 . Se validar´n los registros. ı 3. Modelo de Soluci´n o EL modelo de soluci´n es como sigue: o 1. a e 5. Se tomar´ el test de inteligencia m´ltiple a la muestra seleccionada a u 2. Se realizar´ el an´lisis de los grados de asociaci´n identificando patrones a a o de agrupamiento.

Efectuar una previa motivaci´n a los alumnos a trav´s de una buena o e informaci´n de la importancia de su colaboraci´n al respecto. o como pizarras y tizas. a poniendo especial ´nfasis en el modo de responder al protocolo. se procedo u er´ del siguiente modo: a a) Aplicaci´n de la prueba: o Una vez determinada la poblaci´n y efectuada la selecci´n de la muestra se o o proceder´ a la prueba psicol´gica de Inteligencias M´ltiples. Se determin´ que durante una sesi´n se aplicar´ la a o o a prueba a un total de 30 alumnos en promedio con una total de 1 hora pedag´gica a emplearse. 2. o o 2. Orientar correctamente a los alumnos acerca del llenado de sus datos personales en el protocolo de respuestas.Procedimiento para la Encuesta: Para la recolecci´n de datos sobre las inteligencias m´ltiples. o Despu´s de estos requisitos se establecieron los procedimientos siguientes: e 1. Para ello. se leer´ en voz alta a las instrucciones. El tiempo promedio de lectura ser´ de 3 minutos. con las siguientes a o u caracter´ ısticas previas: 1. Revisi´n de las instrucciones del cuestionario para facilitar la r´pida o a comprensi´n de los mismos y prever material de apoyo al respecto. 4. Revisi´n del formato del cuestionario y hoja de respuesta para precisar o la funcionalidad de estos y las facilidades en su manejo al momento de responder la prueba. Revisi´n de la prueba. puesto que esta investigaci´n har´ uso de un tiemo o a po de aplicaci´n que deber´ usarse en horas pedag´gicas (entre 40 a o a o 45 minutos) y no de horas cronol´gicas (60 minutos como promedio y o 70 como m´ximo). e 34 . la cual deber´ contar con autorizaci´n y baremo o a o con el medio peruano. 3. Determinaci´n del numero de sesiones que se emplearan para la aplio caci´n de la prueba.

Seguidamente se calificar´ la prueba. elimin´ndose aquellos en los que no hubiera datos. o las mara cas fueran dobles a una misma pregunta o si sean defectuosos o ambiguas.b) Calificaci´n de la prueba: o Despu´s de ser aplicada la prueba se proceder´ a una depuraci´n de los e a o protocolos. se obtendr´n los puntajes totales. a a 35 .

Figura 5.1: ESCALA DE MINDS .Inteligencias M´ltiples PARTE 1 u 36 .

PARTE 2 37 .Figura 5.2: TEST .

PARTE 3 38 .3: TEST .Figura 5.

Figura 5.4: TEST .5: Dise˜o Experimental n 39 .PARTE 4 Figura 5.

Figura 5.6: Modelo Soluci´n o 40 .

Cap´ ıtulo 6 ´ PLANIFICACION 6. Cronograma de Trabajo El cronograma de trabajo est´ establecido como se muestra a continuaci´n a o y tiene una duraci´n de 75 d´ o ıas: Figura 6.1: Cronograma de Trabajo 41 .1.

2: Cronograma de Trabajo 42 .Figura 6.

1.6.3: Ruta Cr´ ıtica 43 . Ruta Cr´ ıtica Se muestra la ruta cr´ ıtica para el desarrollo del proyecto de tesis: Figura 6.1.

4: Ruta Cr´ ıtica 6. en la estructura o detallada de trabajo: 44 . Entregables por Etapa Los entregables por etapa se muestran a continuaci´n.2.1.Figura 6.

2.00 : a 45 . donde o o se gastar´ en el proyecto un total de S/16 300.Figura 6.5: Estructura Detallada de Trabajo 6. Presupuesto de la Investigaci´n o Veamos a continuaci´n la composici´n del presupuesto de trabajo.

Recursos propios de los tesistas.2.6: Presupuesto de Investigaci´n o 6. Fuentes de Financiamiento Las fuentes de financiamiento para el desarrollo del proyecto de tesis ser´n: a 1. 2.1.Figura 6. e 46 . Pr´stamo de familiares y/o personas de confianza.

ya que adem´s de ser innovador da pie o a al desarrollo de una nueva metodolog´ de ense˜anza en base a caracter´ ıa n ısticas del estudiante. a La justificaci´n de este tema pasa por formar parte de un escal´n previo o o dentro de las estrategias de educaci´n. o 47 . Trabajos Futuros El obtener estos grupos permitir´ agrupar a estudiantes con diversas ina teligencias afines con la finalidad de utilizar una metodolog´ m´s adecuaıa a da en el proceso de ense˜anza que los ayude a obtener mejores resultados n acad´micos y un mayor gusto por el aprendizaje.3. 7. lo que sugerir´ diversos e a proyectos de investigaci´n en el campo educativo. Conclusiones El presente proyecto es considerado viable. los costos ser´n autofia o e a nanciados sin problemas y toda la operatividad ser´ realizada por los tesistas. 7. Recomendaciones Un factor clave a controlar esta relacionado con la ejecuci´n del test y el o logro del involucramiento de los encuestados con este proceso.2.Cap´ ıtulo 7 CONCLUSIONES 7. dado que el tiempo de su desarrollo est´ dentro de la programaci´n acad´mica.1.

M´laga. Chiclayo. 1995. 2005.Bibliograf´ ıa [1] Thomas Armstrong. 2001. La Teor´ en la Pr´ctica. n a [3] Howard Gardner. La inteligencia reformulada. u 1999. Las inteligencias m´ltiples en el aula. Las inteligencias m´ltiples u en el siglo XXI. Manantial. Archidona . Inteligencias M´ltiples y Propuesta de u un Modelo de Tutor´a y Orientaci´n Universitaria para la Universidad ı o Se˜or de Sip´n. Inteligencias M´ltiples.Paid´s. [5] Prieto S´nchez y Ferrandiz Garc´ Inteligencias m´ltiples y curiculum a ıa. 2001. u ıa a Barcelona . o [4] Howard Gardner. [2] Luis Alberto Arroyo Coronado. u escolar. a 48 .