Universidad Nacional Mayor de San Marcos

Universidad del Perú. Decana de América

Dirección General de Estudios de Posgrado

Facultad de Ciencias Matemáticas
Unidad de Posgrado

Uso de los métodos multivariantes para el análisis del

desempeño académico de los estudiantes de la
educación superior. (Caso: estudiantes ingresantes en
el primer curso de Matemática de la UNALM)

TESIS
Para optar el Grado Académico de Magíster en Estadística
Matemática

AUTOR
Rocío Consuelo DELGADO AGUILAR

ASESOR
Antonio BRAVO QUIROZ

Lima, Perú

2020
 II

Resumen

El propósito del presente estudio fue comparar tres modelos de clasificación:

Modelo logístico binario, el análisis discriminante y redes neuronales tipo
perceptrón multicapa para evaluar el desempeño de estudiantes en primer
ciclo académico de la universidad. El desempeño académico fue medido
desde dos aspectos: el promedio final en el curso de matemática y la cantidad
de créditos aprobados al finalizar el ciclo académico.
Con este fin, se aplicaron tres técnicas estadísticas sobre un total de 553
estudiantes universitarios correspondientes a los ciclos académicos 2017 I y
2017 II. Se trabajó con dos grupos de datos, de entrenamiento (70%) y de
validación (30%). Los modelos propuestos se compararon mediante los
indicadores: sensibilidad, especificidad y curva ROC.
Concluyendo que, los modelos de regresión logística binaria clasificaron mejor
el desempeño académico de los estudiantes en el ciclo 2017 I y 2017 II a
excepción del resultado en el ciclo 2017 II que se clasificó mejor con el modelo
de redes neuronales tipo perceptrón multicapa. La nota promedio en el área
de matemática del examen de admisión de la universidad fue la más
importante para la clasificación del desempeño académico de los estudiantes
de primer ciclo de la universidad.

Palabras clave: Desempeño académico, Regresión Logística Binaria,

Análisis Discriminante, Redes Neuronales tipo Perceptrón Multicapa.
 III

Abstract

The purpose of the present study was to compare three classification models:
Binary logistic model, discriminant analysis and multilayer perceptron neural
networks to evaluate the performance of students in the first academic cycle
of the university. Academic performance was measured from two aspects: the
final average in the mathematics course and the number of approved credits
at the end of the academic cycle.
For this reason, three statistical techniques were applied to a total of 553
university students corresponding to the 2017 I and 2017 II academic cycles.
Two data groups were used, training (70%) and validation (30%). The
proposed models were compared using the indicators: sensitivity, specificity
and ROC curve.
Therefore, this study concludes that the binary logistic regression models
better classified the academic performance of the students in the 2017 I and
2017 II cycles, except for the result in the 2017 II cycle, which was better
classified with the multilayer perceptron-type neural network model. The
average grade in the mathematics area of the university entrance exam was
the most important for the classification of the academic performance of the
first cycle students of the university.

Keywords: Academic performance, Binary Logistic Regression, Discriminant

Analysis, Multilayer Perceptron Neural Networks.