Los árboles de decisión son clasificadores supervisados muy populares en la solución de problemas de Reconocimiento de Patrones. En la construcción de un árbol de decisión, una función de evaluación es aquella encargada de seleccionar la mejor división candidata. Cada función de evaluación, tiene como objetivo obtener árboles que sean balanceados, de pocos niveles y que al mismo tiempo obtenga nodos lo más puros posibles. En esta obra científica se determinaron los antecedentes históricos del desarrollo de los métodos de inducción de árboles de decisión y su aplicación en conjuntos de entrenamiento con datos mezclados e incompletos. Además se propone un nuevo método de inducir árboles de decisión basado en índices de validación de clúster, con el objetivo de evaluar cada nodo como si fuera un clúster. Se adicionan criterios de parada en la construcción del árbol, para obtener mejores resultados en cuanto a calidad y eficacia del clasificador. El método propuesto fue comparado con el C4.5 y los resultados obtenidos al clasificar en 30 bases de datos del repositorio de la Universidad de California en Irvine (UCI) muestran que la eficacia del nuevo método propuesto es superior.