Publicación:
Implementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba

Vista sencilla de ítem
dc.audience
dc.contributor.advisorMartínez Flórez, Guillermo
dc.contributor.advisorDurango Suarez Luis Manuel
dc.contributor.authorCorrea Vanegas, Emelis
dc.contributor.authorMontes Montiel, Leandra
dc.contributor.juryMorales Ospino, Victor Alfonso
dc.contributor.juryRamos Ramírez, Victor Alfonso
dc.date.accessioned2024-07-12T12:34:11Z
dc.date.available2024-07-12T12:34:11Z
dc.date.issued2024-07-10
dc.description.abstractLa sobrepermanencia es un problema que afecta a diversas instituciones académicas,comprender e identificar los factores que la influyen es crucial para mejorar y desarrollar estrategias efectivas que mejoren las tasas de graduación y el rendimiento académico. En la Universidad de Córdoba, ciertos programas académicos presentan índices elevados de cancelación y pérdida de materias, lo que puede ser un indicativo de dificultades específicas en el currículo o en la preparación de los estudiantes. Por ejemplo, en la Facultad de Ingenierías, específicamente en el programa de Ingeniería de alimentos durante el período 2023, las materias con mayor índice de cancelación fueron microbiología general y cálculo integral, mientras que las materias más perdidas fueron operaciones unitarias II y cálculo integral. Similarmente, en la Facultad de Ciencias Básicas, en el programa de química, las materias más canceladas fueron cálculo II, ecuaciones diferenciales y química analítica. Estos patrones sugieren que ciertas asignaturas pueden representar obstáculos significativos para los estudiantes, contribuyendo a la sobrepermanencia.Por otro lado, para llevar a cabo este estudio, se siguió una metodología estructurada en varias etapas. En primer lugar, se realizó un análisis descriptivo de los datos académicos de diferentes programas para identificar las materias con mayor índice de cancelación y pérdida.Posteriormente, se seleccionaron y analizaron variables académicas relevantes como el número de créditos aprobados, el índice de cancelaciones y repitencia, y la nota final. Estas variables se consideraron clave para entender su relación con la sobrepermanencia estudiantil. Para modelar y cuantificar la influencia de estas variables en la sobrepermanencia, se implementaron dos modelos estadísticos: el modelo de Cox Lasso y el modelo Logístico Multinomial. Ambos modelos fueron evaluados por su capacidad de ajuste y precisión en la identificación de los factores que contribuyen a la sobrepermanencia. Finalmente, se analizaron los resultados de los modelos para interpretar las relaciones entre las variables estudiadas y la sobrepermanencia, proporcionando una visión clara de los factores que más influyen en este fenómeno.spa
dc.description.abstractOverpermanence is a problem that affects various academic institutions, understanding and identifying the factors that influence it is crucial to improve and develop effective strategies that improve graduation rates and academic performance. At the University of Córdoba, certain academic programs have high rates of cancellation and loss of subjects, which may be indicative of specific difficulties in the curriculum or in the preparation of students. For example, in the Faculty of Engineering, specifically in the Food Engineering program during the 2023 period, the subjects with the highest cancellation rate were general microbiology and integral calculus, while the most lost subjects were unit operations II and integral calculus. Similarly, in the Faculty of Basic Sciences, in the chemistry program, the most canceled subjects were calculus II, differential equations and analytical chemistry. These patterns suggest that certain subjects may represent significant obstacles for students, contributing to over-retention. On the other hand, to carry out this study, a methodology structured in several stages was followed. First, a descriptive analysis of the academic data from different programs was carried out to identify the subjects with the highest cancellation and loss rates. Subsequently, relevant academic variables such as the number of credits approved, the rate of cancellations and repetition were selected and analyzed. , and the final grade. These variables were considered key to understanding their relationship with student retention. To model and quantify the influence of these variables on overstay, two statistical models were implemented: the Cox Lasso model and the Multinomial Logistic model. Both models were evaluated for their adjustability and accuracy in identifying factors that contribute to overpermanence. Finally, the results of the models were analyzed to interpret the relationships between the variables studied and overpermanence, providing a clear vision of the factors that most influence this phenomenon.eng
dc.description.degreelevelPregrado
dc.description.degreenameEstadístico(a)
dc.description.modalityPasantías
dc.description.tableofcontents1. Abstracteng
dc.description.tableofcontents2. Introducciónspa
dc.description.tableofcontents3. Planteamiento del Problemaspa
dc.description.tableofcontents4. Justificaciónspa
dc.description.tableofcontents5. Objetivosspa
dc.description.tableofcontents5.1. Objetivo Generalspa
dc.description.tableofcontents5.2. Objetivos Específicosspa
dc.description.tableofcontents6. Estado del Artespa
dc.description.tableofcontents6.1. Antecedentesspa
dc.description.tableofcontents6.2. Marco Conceptualspa
dc.description.tableofcontents7. Metodologíaspa
dc.description.tableofcontents8. Resultadosspa
dc.description.tableofcontents8.1. Análisis Descriptivospa
dc.description.tableofcontents8.2. Cancelacionesspa
dc.description.tableofcontents8.3. Facultad de Ingenieríasspa
dc.description.tableofcontents8.3.1. Ingeniería de Alimentosspa
dc.description.tableofcontents8.4. Facultad de Ciencias Básicasspa
dc.description.tableofcontents8.4.1. Químicaspa
dc.description.tableofcontents8.5. Facultad de Ciencias de la Saludspa
dc.description.tableofcontents8.5.1. Bacteriologíaspa
dc.description.tableofcontents8.6. Facultad de Ciencias Agrícolasspa
dc.description.tableofcontents8.6.1. Ingeniería Agronómicaspa
dc.description.tableofcontents8.7. Facultad de Educación y Ciencias Humanasspa
dc.description.tableofcontents8.7.1. Licenciatura en Lenguas Extranjeras Con Enfasis en Inglésspa
dc.description.tableofcontents8.8. Facultad de Ciencias Económicas, Jurídicas y Administrativasspa
dc.description.tableofcontents8.8.1. Administración en Finanzas y Negocios Internacionalesspa
dc.description.tableofcontents8.9. Facultad de Medicina Veterinaria y Zootecniaspa
dc.description.tableofcontents8.9.1. Medicina Veterinaria y Zootecniaspa
dc.description.tableofcontents8.10. Materias Perdidasspa
dc.description.tableofcontents8.11. Facultad de Ingenieríasspa
dc.description.tableofcontents8.11.1. Ingeniería de Alimentosspa
dc.description.tableofcontents8.12. Facultad de Ciencias Básicasspa
dc.description.tableofcontents8.12.1. Químicaspa
dc.description.tableofcontents8.13. Facultad de Ciencias de la Saludspa
dc.description.tableofcontents8.13.1. Bacteriologíaspa
dc.description.tableofcontents8.14. Facultad de Ciencias Agrícolasspa
dc.description.tableofcontents8.14.1. Ingeniería Agronómicaspa
dc.description.tableofcontents8.15. Facultad de Educación y Ciencias Humanasspa
dc.description.tableofcontents8.15.1. Licenciatura en Lenguas Extranjeras Con Enfasis en Inglésspa
dc.description.tableofcontents8.16. Facultad de Ciencias Económicas, Jurídicas y Administrativasspa
dc.description.tableofcontents8.16.1. Administraci´on en Finanzas y Negocios Internacionalesspa
dc.description.tableofcontents8.17. Facultad de Medicina Veterinaria y Zootecniaspa
dc.description.tableofcontents8.17.1. Medicina Veterinaria y Zootecniaspa
dc.description.tableofcontents8.18. Aplicación del Modelo de Coxspa
dc.description.tableofcontents8.19. Aplicación del modelo logístico Multinomialspa
dc.description.tableofcontents8.20. Diagnóstico del Modelospa
dc.description.tableofcontents8.21. Odds Ratioeng
dc.description.tableofcontents8.22. Facultad de Ingenieríasspa
dc.description.tableofcontents8.23. Diagnóstico del modelo Facultad de Ingenieríasspa
dc.description.tableofcontents8.24. Odds Ratios Facultad de ingenieríaspa
dc.description.tableofcontents8.25. Facultad de Educaciónspa
dc.description.tableofcontents8.26. Diagnóstico del modelo Facultad de Educaciónspa
dc.description.tableofcontents8.27. Facultad de Medicina veterinaria y zootecniaspa
dc.description.tableofcontents8.28. Diagnóstico del modelo Facultad MVZspa
dc.description.tableofcontents8.29. Odds Ratios Facultad MVZspa
dc.description.tableofcontents8.30. Facultad de Ciencias de la Saludspa
dc.description.tableofcontents8.31. Diagnóstico del modelo Facultad Ciencias de la Saludspa
dc.description.tableofcontents8.32. Odds Ratios Facultad Ciencias de la Saludspa
dc.description.tableofcontents8.33. Facultad de Ciencias Agrícolasspa
dc.description.tableofcontents8.34. Diagnóstico del Modelo Facultad Ciencias Agrícolasspa
dc.description.tableofcontents8.35. Odds Ratios Facultad Ciencias Agrícolasspa
dc.description.tableofcontents8.36. Facultad de Ciencias Económicas, Jurídicas y Administrativas (FACEJA)spa
dc.description.tableofcontents8.37. Diagnóstico del modelo FACEJAspa
dc.description.tableofcontents8.38. Odds Ratios Facultad Ciencias de la Saludspa
dc.description.tableofcontents8.39. Facultad de Ciencias Básicasspa
dc.description.tableofcontents8.40. Diagnóstico del modelo Ciencias Básicasspa
dc.description.tableofcontents8.41. Odds Ratios Facultad de Ciencias Básicasspa
dc.description.tableofcontents9. Conclusiónspa
dc.description.tableofcontents10.Recomendacionesspa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad de Córdoba
dc.identifier.reponameRepositorio Universidad de Córdoba
dc.identifier.repourlhttps://repositorio.unicordoba.edu.co
dc.identifier.urihttps://repositorio.unicordoba.edu.co/handle/ucordoba/8381
dc.language.isospa
dc.publisherUniversidad de Córdoba
dc.publisher.facultyFacultad de Ciencias Básicas
dc.publisher.placeMontería, Córdoba, Colombia
dc.publisher.programEstadística
dc.relation.referencesAcevedo, D., Torres, J. A. D., y Jiménez, M. A. J. (2015). Factores asociados a la repetición de cursos y retraso en la graduación en programas de ingeniería de la universidad de Cartagena, en Colombia. Formación Universitaria, 8 , 35–42. Descargado de http://www.scielo.cl/scielo.php?script=sciarttextpid = S0718 − 50062015000200006nrm = iso
dc.relation.referencesAgresti, A. (2002). Categorical data analysis. John Wiley Sons.
dc.relation.referencesAgresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley.
dc.relation.referencesAgresti, A. (2007). An introduction to categorical data analysis (2nd ed.). Wiley.
dc.relation.referencesAkaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19 (6), 716-723. doi: 10.1109/TAC.1974.1100705
dc.relation.referencesAvila Guzmán, O. L. (2017). ´ Planteamiento de un modelo logístico multinomial como herramienta estadística para evaluar el desempeño de los laboratorios que analizan agua para consumo humano.
dc.relation.referencesBean, J. P. (1980). Abandono y rotación: Síntesis y prueba de un modelo causal de deserción estudiantil. Investigación en Educación Superior , 12 (2), 155-187.
dc.relation.referencesCandamil, M., Palomá, L., y Sánchez, J. (2009). Análisis de la deserción estudiantil en la universidad de caldas 1998-2006.
dc.relation.referencesCasella, G., y Berger, R. L. (2002). Statistical inference (2nd ed.). Duxbury Press.
dc.relation.referencesCrozier, W. R. (2001). Diferencias individuales en el aprendizaje: personalidad y rendimiento escolar (Vol. 86). Narcea Ediciones.
dc.relation.referencesU de Córdoba, U. (2018). Acuerdo 040 (bis): Por medio del cual se implementa el proyecto adatar de análisis de datos académicos para tempranas alertas sobre retención. Descargado de https://example.com/acuerdo040bis
dc.relation.referencesFisher, R. A. (1922). On the mathematical foundations of theoretical statistics. Philosophical Transactions of the Royal Society of London. Series A, Containing Papers of a Mathematical or Physical Character , 222 , 309-368. doi: 10.1098/rsta.1922.0009
dc.relation.referencesFriedman, J., Hastie, T., Tibshirani, R., Simon, N., Narasimhan, B., y Qian, J. (2023). Regularization paths for generalized linear models via coordinate descent [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=glmnet (R package version 4.1-1)
dc.relation.referencesGonzález, L. (2005). Estudio sobre la repitencia y la deserción en la educación superior chilena. Observatorio de la educación superior en América Latina y el Caribe.IESALC/UNESCO.
dc.relation.referencesGrupo De Estadística, D. D. P. (2023). Informe tasa de graduación acumulada y posibles causas de la sobrepermanencia.
dc.relation.referencesGuamán, A., Salazar, y Cáceres. (2019). Factores sociales, económicos y académicos que inciden en la repitencia de asignaturas de los estudiantes de la facultad de ciencias económicas de la universidad central del ecuador del período 2018-2019. Trabajo de investigación previo a la obtención del título de Ingeniero en Estadística.
dc.relation.referencesHastie, T., Tibshirani, R., y Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.
dc.relation.referencesHosmer, D. W., Lemeshow, S., y Sturdivant, R. X. (2013). Applied logistic regression (3rd ed.). Wiley.
dc.relation.referencesHunter, J. D. (2007). Matplotlib: A 2d graphics environment. Computing in Science & Engineering, 9 (3), 90–95. doi: 10.1109/MCSE.2007.55
dc.relation.referencesKassambara, A., Kosinski, M., y Biecek, P. (2023). Drawing survival curves using ’ggplot2’ [Manual de software informático]. Descargado de https://CRAN.R-project.org/package=survminer (R package version 0.4.9)
dc.relation.referencesKlein, J. P., y Moeschberger, M. L. (2003). Survival analysis: techniques for censored and truncated data. Springer Science & Business Media.
dc.relation.referencesMeléndez Surmay, R. (2008). Estudio sobre deserción y permanencia académica en la facultad de ingeniería de la universidad de la guajira desde el ii pa 2005 hasta el ii pa 2007.
dc.relation.referencesMINEDU. (2009). Deserción estudiantil en la educación superior colombiana. Descargado de http://www.mineducacion.gov.co/sistemasdeinformacion/1735/ articles-254702librodesercion.pdf
dc.relation.referencesMurphy, K. P. (2012). Machine learning: A probabilistic perspective. MIT Press.
dc.relation.referencesMuñoz, F. (2011). Factores asociados a la repitencia y deserción escolar en educación básica en chile. Revista de la Educación Superior , 40 (159), 37-57.
dc.relation.referencesMuñoz, I. C. (2009). Construcción del conocimiento sobre la etiología del rezago educativo y sus implicaciones para la orientación de las políticas públicas: la experiencia de méxico. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 7 (4), 28-45.
dc.relation.referencesPedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., . . . Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12 , 2825–2830.
dc.relation.referencesPutter, H., Fiocco, M., y Geskus, R. B. (2023). mstate: Analyzing multi-state models [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=mstate (R package version 0.3.1)
dc.relation.referencesRaschka, S. (2018). Mlxtend: Providing machine learning and data science utilities and extensions to python’s scientific computing stack. Descargado de http://rasbt.github.io/mlxtend/ (Version 0.17.0)
dc.relation.referencesRomán, M. C. (2013). Factores asociados al abandono y la deserción escolar en américa latina: una mirada en conjunto. Revista Iberoamericana sobre Calidad, Eficacia y Cambio en Educación, 11 (2), 33-59.
dc.relation.referencesSantamaría, F., y Bustos, A. (2013). Permanence and dropout rates in higher education: A research experience based on young students voices. Revista Infancias Imágenes, 12 (2), 73-80.
dc.relation.referencesSchieber, B. (2024, 9 de marzo). La naturaleza del error humano.
dc.relation.referencesSchwarz, G. E. (1978). Estimating the dimension of a model. The Annals of Statistics, 6 (2), 461-464. doi: 10.1214/aos/1176344136
dc.relation.referencesSeabold, S., y Perktold, J. (2010). statsmodels: Econometric and statistical modeling with python. En 9th python in science conference.
dc.relation.referencesTherneau, T. M., y Lumley, T. (2023). A package for survival analysis in r [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=survival (R package version 3.5- 0)
dc.relation.referencesTravis Oliphant, y NumPy community. (2023). Numpy: The fundamental package for scientific computing with python [Manual de software inform´atico]. Descargado de https://numpy.org (Python package version 1.22.2)
dc.relation.referencesUNESCO. (2006). Understanding education quality. UNESCO Publishing.
dc.relation.referencesWaskom, M. L. (2021). seaborn: statistical data visualization. Journal of Open Source Software, 6 (60), 3021. Descargado de https://doi.org/10.21105/joss.03021 doi: 10.21105/joss.03021
dc.relation.referencesWes McKinney. (2010). Data Structures for Statistical Computing in Python. En St´efan van der Walt y Jarrod Millman (Eds.), Proceedings of the 9th Python in Science Conference (p. 56 - 61). doi: 10.25080/Majora-92bf1922- 00a
dc.relation.referencesWickham, H., Fran¸cois, R., Henry, L., y M¨uller, K. (2023). dplyr: A grammar of data manipulation [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=dplyr (R package version 1.0.10)
dc.rightsCopyright Universidad de Córdoba, 2024
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.keywordsOverstay
dc.subject.keywordsMultinomial Logistic Model
dc.subject.keywordsCox Model
dc.subject.keywordsAIC
dc.subject.keywordsBIC
dc.subject.keywordsLog-likelihood
dc.subject.proposalSobrepermanencia
dc.subject.proposalModelo Logístico
dc.subject.proposalMultinomial
dc.subject.proposalModelo de Cox
dc.subject.proposalAIC
dc.subject.proposalBIC
dc.subject.proposalLog-likelihood
dc.titleImplementación de un modelo para el análisis de la repitencia y su impacto en la sobrepermanencia en la Universidad de Córdoba
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 original
Mostrando 1 - 2 de 2
Miniatura
Nombre:
Informe Sobrepermanencia Final.pdf
Tamaño:
7.03 MB
Formato:
Adobe Portable Document Format
Descargar
No hay miniatura disponible
Nombre:
Formato concentimiento.pdf
Tamaño:
928.6 KB
Formato:
Adobe Portable Document Format
Descargar
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.C. Pasantías