Aplicación de análisis clúster en piscinas de langostinos en la región Piura para la identificación de agrupaciones homogéneas basadas en variables clave

• Autores: Guerrero Masías, María Alexandra, Tipe Verástegui, Christian Andrés
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/7757
• Enlace del recurso: https://hdl.handle.net/11042/7757
• Nivel de acceso: acceso abierto
• Materia: Análisis Clúster -- Aplicación; Langostinos -- Cría -- Investigaciones; Acuicultura -- Análisis de datos; 005.7; https://purl.org/pe-repo/ocde/ford#2.11.04

El trabajo tiene como objetivo aplicar técnicas de análisis clúster para identificar agrupaciones homogéneas de piscinas de langostinos en la región Piura, tomando como base variables clave como el peso de cosecha, el mes de siembra, la densidad de siembra y otros factores relevantes. La investigación se enmarca en un contexto de creciente importancia del sector acuícola en el Perú, particularmente en regiones estratégicas como Piura y Tumbes, donde se observa un proceso de consolidación y expansión de la industria langostera. La metodología aplicada abarcó una etapa inicial de extracción, transformación y limpieza de datos provenientes de una empresa acuícola piurana, utilizando herramientas como Tableau Prep, Tableau Desktop, Excel y Power BI. Posteriormente, se realizó un análisis exploratorio-descriptivo para identificar patrones y relaciones entre variables. El núcleo del estudio consistió en la aplicación de tres métodos de clustering no supervisado: K-means, PAM y jerárquico, implementados en RStudio con diversas métricas de distancia (Euclidiana, Manhattan y Gower). La validación de resultados se realizó mediante medidas internas y de estabilidad, permitiendo seleccionar el modelo más adecuado y el número óptimo de clústeres (k).Los resultados revelaron que, si bien el valor de k = 2 fue identificado como óptimo por técnicas tradicionales como el método del codo y método de la silueta, una segmentación con k = 3 ofreció una clasificación más informativa y coherente con la estructura de los datos. El análisis evidenció patrones diferenciados en cada clúster: el Clúster 1 se caracterizó por un alto crecimiento absoluto (Crec_Resta), el Clúster 2 por un mayor peso máximo promedio (P_MAX), y el Clúster 3 por su elevada densidad de siembra y variabilidad en el crecimiento relativo (Crec_Div). Se concluyó que el método jerárquico, en combinación con las distancias Manhattan y Gower, proporcionó la segmentación más robusta, al integrar de forma efectiva variables tanto numéricas como categóricas y ofrecer mayor estabilidad ante perturbaciones. Además, el proceso de limpieza y transformación de datos demostró ser un componente estratégico fundamental, al permitir la generación de variables críticas que mejoraron la interpretación del funcionamiento del sistema productivo. Finalmente, este estudio evidencia el valor del análisis clúster como herramienta para la inteligencia de datos en acuicultura, al facilitar la segmentación eficiente de unidades productivas y apoyar la toma de decisiones en la gestión del cultivo de langostinos. Así, se propone una metodología replicable que impulsa la innovación, eficiencia y competitividad de la industria acuícola peruana.