Martínez Flórez, Guillermo DomingoLondoño García, Pamela2025-05-012025-05-012025-05-01https://repositorio.unicordoba.edu.co/handle/ucordoba/9151La 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.University 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.Planteamiento del problemaJustificaciónObjetivosObjetivo generalObjetivos específicosMarco teóricoEstado del arteDistribuciones y conceptosDistribución Kumaraswamy unitariaDistribución Gompertz unitariaDistribución Logística unitariaDistribución Weibull unitariaInferencia en el modelo PHFFunción scoreRandom forestVentajas de random forestLimitacionesAplicacionesConsideraciones prácticasModelo logitModelo probitVentajas del modelo probitDesvantajas del modelo probitModelo regresión cuantílicaInferencia etadísticaModelo de localización - escalaRegresión cuantil y regresión lineal simple en distribuciones normalesRegresión cuantil en modelos binariosMetodologíaResultadosAnálisis exploratorioModelo de regresión logísticaModelo probitDiscusión de los modelos logit y probitModelo random forestEvaluación de los modelosModelos de regresión cuantílicaModelo generalModelo general reducidoModelo con desertoresModelo con desertores reducidoModelo con estudiantes activos y graduadosModelo con estudiantes activos y graduados reducidoConclusiones y recomendacionesConclusionesRecomendacionesBibliografíaspaCopyright Universidad de Córdoba, 2025Trabajo de grado - PregradoAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)info:eu-repo/semantics/openAccessModeloLogísticaProbitRandomForestCuantílicaRegresiónLogisticRegressionModelProbitRandomForestQuantileUniversidad de CórdobaRepositorio Institucional Unicórdobahttps://repositorio.unicordoba.edu.cohttp://purl.org/coar/access_right/c_abf2