El agrupamiento es una de las principales tareas del aprendizaje automático. Los índices de validación de agrupamiento interno (CVIs) se utilizan para medir la calidad de varias particiones agrupadas para determinar los resultados de agrupamiento óptimos locales de manera no supervisada, y pueden actuar como la función objetivo de los algoritmos de agrupamiento. En este documento, primero estudiamos varios CVIs internos conocidos para el agrupamiento de datos categóricos, y demostramos la falta de efectividad al evaluar las particiones de diferentes números de agrupamientos sin medidas de separación entre clústeres o suposiciones; la precisión de la separación, junto con su coordinación con las medidas de compacidad intraclúster, puede afectar notablemente el rendimiento. Luego, con el objetivo de mejorar la medición de validación de agrupamiento interno, propusimos un nuevo CVI interno-utilidad de agrupamiento basado en la ganancia de información promediada al aislar cada clúster ()-que mide tanto la compacidad como la separación de la partición. Los resultados experimentales respaldaron nuestros hallazgos con respecto a los CVIs internos existentes, y mostraron que el propuesto supera a otros CVIs internos con o sin un número preconocido de agrupamientos.