Publicación:
Estudio de la deserción estudiantil en el programa de Química de la Universidad De Córdoba usando modelos de regresión

Vista sencilla de ítem
dc.audience
dc.contributor.advisorMartínez Flórez, Guillermo Domingo
dc.contributor.authorLondoño García, Pamela
dc.contributor.juryTovar Falon, Roger Jesús
dc.contributor.juryTreco Hernandez, Manuel Antonio
dc.date.accessioned2025-05-01T15:50:18Z
dc.date.available2025-05-01T15:50:18Z
dc.date.issued2025-05-01
dc.description.abstractLa deserción universitaria se refiere al fenómeno en el cual los estudiantes abandonan sus estudios antes de completar su programa académico, lo que tiene un impacto negativo tanto para los individuos como para las instituciones educativas. En este trabajo, se abordó la deserción estudiantil en el programa de Química de la Universidad de Córdoba, utilizando diversos modelos de clasificación y regresión para predecir la deserción. Los modelos de clasificación mostraron resultados satisfactorios, con una exactitud (accuracy) superior a 0.68, lo que demuestra su efectividad para predecir el abandono. Además, se implementó un modelo de regresión cuantílica, en el que se analizaron los cuantiles 25, 50 y 75 para evaluar qué influye en el rendimiento académico y cómo estas variables afectan la probabilidad de deserción en distintos niveles. En este modelo, se exploraron varias distribuciones para comprender mejor las variaciones en los datos, lo que permitió obtener una visión más detallada del comportamiento de los estudiantes en relación con su rendimiento académico.spa
dc.description.abstractUniversity dropout refers to the phenomenon where students abandon their studies before completing their academic program, which has a negative impact on both individuals and educational institutions. In this study, student dropout in the Chemistry program at the University of Córdoba was addressed, using various classification and regression models to predict dropout. The classification models showed satisfactory results, with an accuracy greater than 0.68, demonstrating their effectiveness in predicting abandonment. Additionally, a quantile regression model was implemented, in which the 25th, 50th, and 75th percentiles were analyzed to evaluate what influences academic performance and how these variables affect the probability of dropout at different levels. In this model, several distributions were explored to better understand the variations in the data, providing a more detailed view of students’ behavior in relation to their academic performance.eng
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityTrabajos de Investigación y/o Extensión
dc.description.tableofcontentsPlanteamiento del problemaspa
dc.description.tableofcontentsJustificaciónspa
dc.description.tableofcontentsObjetivosspa
dc.description.tableofcontentsObjetivo generalspa
dc.description.tableofcontentsObjetivos específicosspa
dc.description.tableofcontentsMarco teóricospa
dc.description.tableofcontentsEstado del artespa
dc.description.tableofcontentsDistribuciones y conceptosspa
dc.description.tableofcontentsDistribución Kumaraswamy unitariaspa
dc.description.tableofcontentsDistribución Gompertz unitariaspa
dc.description.tableofcontentsDistribución Logística unitariaspa
dc.description.tableofcontentsDistribución Weibull unitariaspa
dc.description.tableofcontentsInferencia en el modelo PHFspa
dc.description.tableofcontentsFunción scorespa
dc.description.tableofcontentsRandom forestspa
dc.description.tableofcontentsVentajas de random forestspa
dc.description.tableofcontentsLimitacionesspa
dc.description.tableofcontentsAplicacionesspa
dc.description.tableofcontentsConsideraciones prácticasspa
dc.description.tableofcontentsModelo logitspa
dc.description.tableofcontentsModelo probitspa
dc.description.tableofcontentsVentajas del modelo probitspa
dc.description.tableofcontentsDesvantajas del modelo probitspa
dc.description.tableofcontentsModelo regresión cuantílicaspa
dc.description.tableofcontentsInferencia etadísticaspa
dc.description.tableofcontentsModelo de localización - escalaspa
dc.description.tableofcontentsRegresión cuantil y regresión lineal simple en distribuciones normalesspa
dc.description.tableofcontentsRegresión cuantil en modelos binariosspa
dc.description.tableofcontentsMetodologíaspa
dc.description.tableofcontentsResultadosspa
dc.description.tableofcontentsAnálisis exploratoriospa
dc.description.tableofcontentsModelo de regresión logísticaspa
dc.description.tableofcontentsModelo probitspa
dc.description.tableofcontentsDiscusión de los modelos logit y probitspa
dc.description.tableofcontentsModelo random forestspa
dc.description.tableofcontentsEvaluación de los modelosspa
dc.description.tableofcontentsModelos de regresión cuantílicaspa
dc.description.tableofcontentsModelo generalspa
dc.description.tableofcontentsModelo general reducidospa
dc.description.tableofcontentsModelo con desertoresspa
dc.description.tableofcontentsModelo con desertores reducidospa
dc.description.tableofcontentsModelo con estudiantes activos y graduadosspa
dc.description.tableofcontentsModelo con estudiantes activos y graduados reducidospa
dc.description.tableofcontentsConclusiones y recomendacionesspa
dc.description.tableofcontentsConclusionesspa
dc.description.tableofcontentsRecomendacionesspa
dc.description.tableofcontentsBibliografíaspa
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Institucional Unicórdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/9151
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programEstadística
dc.relation.referencesEscarria A. S (2010). Deserción universitaria en Colombia. Academia y virtualidad, 3(1), 50-60.
dc.relation.referencesRuiz, S. (2017). Introdução à análise de dados categóricos com aplicações. Edgard Blucher Ltda. p. 119-135
dc.relation.referencesMazucheli, J., Menezes, AF y Dey, S. (2019). Distribución Unit- Gompertz con aplicaciones. Statistica , 79 (1), 25–43. https:// rivista-statistica.unibo.it/article/view/8497/9401
dc.relation.referencesMinisterio de Educación Nacional. (2023). Tasas de deserción en educación superior en Colombia. Recuperado de https://www.mineducacion.gov. co/sistemasdeinformacion/1735/articles-357549_recurso_5.pdf
dc.relation.referencesKassambara A. (2021). rstatix: Pipe-Friendly Framework for Basic Statis- tical Tests. R package version 0.7.0.
dc.relation.referencesOrlandoni, J. (2016). Regresión cuantílica y análisis de doble diferencias en el estudio del rendimiento académico de estudiantes universitarios. En- cuentro Internacional en Educación Matemática, 154–165.
dc.relation.referencesCastro Alarcón, F., López Roa, L., Vargas López, J. (2021). Estudio de caso: análisis de los factores determinantes de la deserción estudiantil del programa Ser Pilo Paga. Universidad Externado de Colombia.
dc.relation.referencesBurgos Flórez, J. A., Ruales Suárez, A. E., Bastidas García, M. P., Córdoba Segovia, J. F. (2020). Determinantes probabilísticos del riesgo de deserción en las Universidades de Nariño y del Valle (Colombia) a partir de los re- gistros establecidos por el Ministerio de Educación Nacional (2007-2017). Cultura Educación y Sociedad, 11(3), 45-62.
dc.relation.referencesOpazo, D., Moreno, S., Álvarez-Miranda, E., Pereira, J. (2021). Analysis of first-year university student dropout through machine learning models: A comparison between universities. Mathematics, 9(20), 2599.
dc.relation.referencesFawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874. https://doi.org/10.1016/j.patrec.2005.10. 010
dc.relation.referencesBreiman L. (2001). Random forests. Machine Learning, 45(1), 5-32.
dc.relation.referencesPereira G. (2021). unitquantreg: Unit Distribution Quantile Regression.
dc.relation.referencesSing T., Sander O., Beerenwinkel N., Lengauer T. (2005). ROCR: visuali- zing classifier performance in R. Bioinformatics, 21(20), 3940-3941.
dc.relation.referencesLeeper T.J. (2021). margins: Marginal Effects for Model Objects.
dc.relation.referencesGertel, H., Giuliodori, H., Vera, M. L., Bustos, G., Costanzo, S. (2010). Heterogeneidad en el desempeño académico de los estudiantes de Argentina: Evidencia a partir de regresión por cuantiles. Investigaciones de Economía de la Educación, 5, 117–138.
dc.relation.referencesKuhn M. (2008). Building Predictive Models in R Using the caret Package. Journal of Statistical Software, 28(5), 1-26.
dc.relation.referencesKhuhn (2013) Maneja técnicas de muestreo y partición de datos para en- trenamiento y validación de modelos.
dc.relation.referencesRobin X., Turck N., Hainard A., et al. (2011). pROC: an open-source packa- ge for R and S+ to analyze and compare ROC curves. BMC Bioinformatics, 12(77).
dc.relation.referencesWickham H., François R., Henry L., Müller K. (2023). dplyr: A Grammar of Data Manipulation. R package version 1.1.0.
dc.relation.referencesKuhn M., Silge J. (2023). tidymodels: A Collection of Packages for Modeling and Machine Learning.
dc.relation.referencesRobinson D., Hayes A., Couch S. (2021). broom: Convert Statistical Objects into Tidy Tibbles. R package version 0.7.9.
dc.relation.referencesPáez Martínez, L. I. (2022). DistribuciónWeibull Unitaria Bivariada.
dc.relation.referencesMazucheli, J., Alve, B. (2021). The Unit-Gompertz quantile regression mo- del for bounded responses. preprint, 0(0), 1-20
dc.relation.referencesMerino, R. F. M., Chacón, C. I. Ñ. (2017). Bosques aleatorios como exten- sión de los árboles de clasificación con los programas R y Python. Interfases, (10), 165-189.
dc.relation.referencesSoliz Villafuerte, M. X. (2024). Variaciones del modelo de Hotelling: Modelo de Hotelling: ciudad lineal con funciones de densidad no uniformes. el caso de la función de Kumaraswamy (Bachelor’s thesis, Quito: EPN, 2024.).
dc.relation.referencesBradley, A. P. (1997). The use of the area under the ROC curve in the evaluation of machine learning algorithms. Pattern Recognition, 30(7), 1145–1159. https://doi.org/10.1016/S0031-3203(96)00142-2
dc.relation.referencesGonzález, L. E. (2005). Estudio sobre la repitencia y deserción en la edu- cación superior chilena. Digital Observatory for higher education in Latín América and The Caribbean. IESALC- UNESCO.
dc.relation.referencesCade, B. S., Noon, B. R. (2003). A gentle introduction to quantile re- gression for ecologists. Frontiers in Ecology and the Environment, 1(8), 412-420.
dc.relation.referencesArceo-Gómez, E. O., Campos-Vázquez, R. M. (2014). Evolución de la brecha salarial de género en México. El trimestre económico, 81(323), 619- 653.
dc.relation.referencesVidoni, M. L., Reininger, B. M., Lee, M. (2019). A comparison of mean- based and quantile regression methods for analyzing self-report dietary in- take data. Journal of Probability and Statistics, 2019.
dc.relation.referencesRieck, J.R.; Nedelman, J.R. (1991) A log-linear model for the Birn- baum–Saunders distribution. Technometrics, 33, 51–60.
dc.relation.referencesSánchez, L.; Leiva, V.; Saulo, H.; Marchant, C.; Sarabia, J.M. (2021). A New Quantile Regression Model and Its Diagnostic Analytics for a Weibull Distributed Response with Applications. Mathematics 9, 2768. https:// doi.org/10.3390/math9212768
dc.relation.referencesLópez Gutiérrez, I., Marín Fontela, G., García Rodríguez, M. E. (2012). Deserción escolar en el primer año de la carrera de Medicina. Educación médica superior, 26(1), 45-52.
dc.relation.referencesSalazar Jeria, T. P. (2024). Modelamiento espectral predictivo del contacto entre la zona primaria y secundaria del yacimiento Los Bronces, Chile.
dc.relation.referencesSánchez Torres, F., Márquez Zúñiga, J. (2012). La Deserción en la Edu- cación Superior en Colombia durante la Primera Década del Siglo XXI: ¿Por qué ha aumentado tanto? (No. 010311). UNIVERSIDAD DE LOS ANDES-CEDE.
dc.relation.referencesBirnbaum, Z.W.; Saunders, S.C. (1969) A New Family of Life Distributions. J. Appl. Probab. 6, 319–327.
dc.relation.referencesZhang, Y., Pan, J. (2015). Quantile regression analysis of fatigue life under variable amplitude loading conditions. International Journal of Fatigue, 74, 38-46.
dc.relation.referencesBarbosa-Fontecha, I. L., Pinzón-Plazas, D. M. (2018). Incidencia de la financiación en la deserción Universitaria en Bogotá.
dc.relation.referencesBravo Castillo, M., Mejía Giraldo, A. (2010). Los retos de la educación superior en Colombia: una reflexión sobre el fenómeno de la deserción uni- versitaria. Revista Educación en Ingeniería, 5(10), 85–98.
dc.relation.referencesDiaz, D. B., Garzón, L. P. (2013). Elementos para la comprensión del fenó- meno de la deserción universitaria en Colombia. Más allá de las mediciones. Cuadernos latinoamericanos de Administración, 9(16), 55-66
dc.relation.referencesMazucheli, J., Alves, B., Menezes, A. F., Leiva, V. (2022). An overview on parametric quantile regression models and their computational implemen- tation with applications to biomedical problems including COVID-19 data. Computer methods and programs in biomedicine, 221, 106816.
dc.relation.referencesVásquez Velásquez, J. C. (2003). Determinantes de la deserción estudiantil en la Universidad de Antioquia. Articulos revista ciencias economicas.
dc.relation.referencesColombia, M. d. (2006). Plan Decenal de Educación 2006-2016, Pac- to Social por la Educación. https://www.mineducacion.gov.co/ sistemasdeinformacion/1735/articles-254702_libro_desercion. pdf
dc.relation.referencesCórdoba, U. d. (s.f.). Universidad de Córdoba. Obtenido de Uni- versidad de Córdoba: https://www.unicordoba.edu.co/index.php/ facultad-ciencias-basicas/quimica/
dc.relation.referencesConstitucional, C. (2012). DERECHO FUNDAMENTAL A LA EDUCACION. Obtenido de Sentencia T-068/12: https://www. corteconstitucional.gov.co/RELATORIA/2012/T-068-12.htm
dc.relation.referencesGalvis, D.M., García, M.D., Hurtado, L.F. y Méndez, R.M. (2016) Modelo para el seguimiento y control de la deserción en la población universitaria. Universidad del Quindio, Armenia-Colombia.
dc.relation.referencesAmaya Torrado, Y. K., Barrientos Avendaño, E. (2013). Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos aplicado al sistema de información académico de la Universidad Simón Bolívar.
dc.relation.referencesBolívar, L. (2010). El derecho a la educación.
dc.relation.referencesCEDE. Centro de Estudios sobre Desarrollo Económico. Universi- dad de los Andes. Informe Determinantes de la Deserción. Mi- nisterio de Educación Nacional. 2014. Colombia: Bogotá. Dispo- nible en http://www.mineducacion.gov.co/sistemasdeinformacion/ 1735/articles-254702_Informe_determinantes_desercion.pdf
dc.relation.referencesRikard, M., Jones, K. (2010). Quantile regression analysis of fish growth in polluted environments. Marine Biology Journal, 45(2), 189-205.
dc.relation.referencesParra, C. N. C., Duarte, M. A. G., Rueda, J. S. M., Bernal, J. T. O., Chacón, L. Y. C. (2018). Sistema de información para la generación de alertas tempranas de estudiantes con riesgo de deserción. Revista Matices Tecnológicos, 10, 38-46.
dc.relation.referencesBean. (1985). “Student Attrition, Intentions and Confidence”. Research in Higher Education, 17: 291 – 320.
dc.relation.referencesSánchez, F., Quirós, M., Reverón, C. Rodríguez, A. (2002). Equidad Social en el Acceso y Permanencia en la Universidad Publica Determinantes y Factores Asociados. CEDE Universidad de los Andes, Bogotá.
dc.relation.referencesManski, C. F., Thompson, E. (1987). The Maximum Score Estimator of the Binary Response Model. Journal of Econometrics, 35(3), 103-116.
dc.relation.referencesEspinosa, O. (2017). Educación superior para indígenas de la Amazonía peruana: balance y desafíos. Pontificia Universidad Católica del Perú. http: //www.scielo.org.pe/pdf/anthro/v35n39/a05v35n39.pdf.
dc.relation.referencesCaballero Salas, R. G. y Medina Flores, W. A. (Dir.) (2022). Deserción estudiantil asháninka en el contexto de la educa- ción universitaria en la provincia de Satipo (). Recuperado de https://repositorio.uncp.edu.pe/bitstream/handle/20.500. 12894/8001/T010_20010936_D.pdf?sequence=1
dc.relation.referencesCarrión, J. E. V. (2014). Características y Determinantes del Trabajo In- fantil y su Influencia en la Deserción Escolar en el Ecuador, 2012 (Doctoral dissertation, Universidad de Cuenca).
dc.relation.referencesMerlino, A. (2015). Experiencias en investigación educativa: deser- ción, regulación emocional y representaciones en estudiantes uni- versitarios. Córdoba, Argentina: Editorial Brujas. Recuperado de https://public-digitaliapublishing-com.ezproxy.biblored.gov. co/viewepub/?id=41850
dc.relation.referencesMartínez, I. (2010) Regresión Cuantil. Trabajo de máster, Universidad de Santiago de Compostela.
dc.relation.referencesVicéns, J. y Sánhez, B. (2012). Regresión cuantílica: Estimación y Constrastes. Instituto L.R. Klein. Centro Gauss. U.A.M. D.T. nº 21, Uni- versidad Autónoma de Madrid. Madrid-España.
dc.relation.referencesMiranda, D. (2016). Comparación de la calidad de los ajustes ob- tenidos mediante los modelos de respuesta binaria: LOGIT vs PRO- BI, en índices de inestabilidad atmosférica para la ocurrencia o no de precipitaciones. http://saber.ucv.ve/bitstream/10872/14957/1/ T026800016194-0-FINAL-Defensa_DanielMiranda-000.pdf
dc.relation.referencesGupta, D. and Gupta, R. C. (2008). Analyzing skewed data by power nor- mal model. Test, 17, 197-210.
dc.relation.referencesAzzalini, A. (1985). A class of distributions which includes the normal ones. Scandinavian Journal of Statistics, 12, 171-178.
dc.relation.referencesHenze, N. (1986). A probabilistic representation of the skew-normal distri- bution. Scandinavian Journal of Statistics, 13, 271-275
dc.relation.referencesChiogna, M., (1998). Some results on the scalar Skew-normal distribution. Journal of the Italian Statistical Society, 1, 1-14.
dc.relation.referencesPewsey, A. (2000). Problems of inference for Azzalini’s skew-normal distri- bution. Journal of Applied Statistics, 27:859-870.
dc.relation.referencesGómez, H. W., Venegas, O. and Bolfarine, H. (2007). Skew-symmetric dis- tributions generated by the distribution function of the normal distribution. Environmetrics, 18, 395-407.
dc.relation.referencesLehmann, E. L. (1953). The power of rank tests. Annals of Mathematical Statistics, 24, 23-43.
dc.relation.referencesDurrans, SR. (1992). Distributions of fractional order statistics in hydro- logy. Water Resources Research, 28, 1649-1655
dc.relation.referencesMartínez-Flórez, G., Moreno-Arenas, G. and Vergara-Cardoso, S. (2013) Properties and Inference for Proportional Hazard Models. Colombian Jour- nal of Statistics 36 (2013) 95-114.
dc.relation.referencesMartínez-Flórez, G., Bolfarine, H. and Gómez, H. W. (2013). Skew-normal Alpha-Power Model, Statistics-doi 10.1080/02331888.2013.826659.
dc.relation.referencesMartínez-Flórez, G.; Bolfarine, H.; Gómez, H.W. Doubly censored power- normal regression models with inflation. Test 2014, 24, 265-286.
dc.relation.referencesElal-Olivero. D. (2010a). Alpha-skew-normal distribution, Proyecciones Journal of Mathematics, 29, 3, 224-240.
dc.relation.referencesVicéns, J. y Sánhez, B. (2012). Regresión cuantílica: Estimación y Constras- tes. Instituto L.R. Klein. Centro Gauss. U.A.M. D.T. nº 21, Universidad Autónoma de Madrid. Madrid-España.
dc.relation.referencesKoenker, R. (2005) Quantile Regression. Econometric Society Monographs. Cambridge university press. Version: November 10, 38.
dc.relation.referencesCade, B.S. y Noon, B.R. (2003). A gentle introduction to quantile regression for ecologists in Frontiers in Ecology and the Environment 1(8), pp.(412- 420).
dc.relation.referencesManski, C. F. y Thompson, T.S. (1986) Operational Characteristics of Ma- ximum Score Estimation, Journal of Econometrics, 32, pp. (85-108).
dc.relation.referencesMazucheli, J., Alve, B. (2021). The Unit-Gompertz quantile regression mo- del for bounded responses. preprint, 0(0), 1-20
dc.relation.referencesGallardo, D.I.; Bourguignon, M.; Gómez Y.M.; Caamaño-Carrillo, C.; Vene- gas, O. Parametric Quantile Regression Models for Fitting Double Bounded Response with Application to COVID-19 Mortality Rate Data. Mathema- tics 2022, 10, 2249. https://doi.org/10.3390/math10132249
dc.relation.referencesKorkmaz, M.C.; Altun, E.; Alizadeh, M.; El-Morshedy, M. (2021) The Log Exponential-Power Distribution: Properties, Estimations and Quantile Regression Model. Mathematics, 9, 2634. https://doi.org/10.3390/ math9212634
dc.relation.referencesJöreskog, K., Söborn, D.(2013) Multilevel Generalized Linear Modeling Guide. Publicado dentro del software LISREL versión 9.10 para estudian- tes.
dc.relation.referencesEnchautegui, M. (2008) Módulo de estudio sobre Modelos Probit y Logit. Publicado por Departamento de Economía de la Universidad de Puerto Rico Recinto de Río Piedras. Revisado el 29/10/13 desde http://economia.uprrp. edu/ notas
dc.relation.referencesGujarati, D. (2006) Principios de Econometria. Publicado por McGrawHill, tercera edición, España.
dc.relation.referencesAgresti, A. (2002). Regresión logística. Análisis de datos categóricos.
dc.relation.referencesHair, J.; Anderson, R.; Tatham, R., Black, W.(1999). Análsis Multivarian- te. Prentice Hall, Madrid. 5ª ed.
dc.relation.referencesJohnson, D. (1998). Modelos Multivariados Aplicados al Análisis de datos. International Thomson Editores, México.
dc.relation.referencesManríquez Pacheco, R. (2022). Modelo de deserción estudiantil (Doctoral dissertation, Universidad del Desarrollo. Facultad de Ingeniería).
dc.relation.referencesBreiman, L. (2001). Random Forest. California: Statistics Department.
dc.rightsCopyright Universidad de Córdoba, 2025spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.keywordsLogistic
dc.subject.keywordsRegression
dc.subject.keywordsModel
dc.subject.keywordsProbit
dc.subject.keywordsRandom
dc.subject.keywordsForest
dc.subject.keywordsQuantile
dc.subject.proposalModelo
dc.subject.proposalLogística
dc.subject.proposalProbit
dc.subject.proposalRandom
dc.subject.proposalForest
dc.subject.proposalCuantílica
dc.subject.proposalRegresión
dc.titleEstudio de la deserción estudiantil en el programa de Química de la Universidad De Córdoba usando modelos de regresiónspa
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
Archivos
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
15.18 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Colecciones
B.F.A. Trabajos de Investigación y/o Extensión