UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO

FACULTAD DE ECONOMÍA

LIC. EN ACTUARÍA

ANÁLISIS DE REGRESIÓN

“ÉXAMENES APROBADOS POR ALUMNOS DE LA GENRACION 2015

DE LA LICENCIATURA EN ACTUARIA”

JOHAN ALBERTO NUÑEZ CONTRERAS

VIERNES 29 DE NOVIEMBRE DE 2019

Introducción

El siguiente trabajo tiene como objetivo estimar la probabilidad de

ocurrencia de que un alumno de la generación 201 de la licenciatura en actuaria
apruebe un examen, en función de algunas variables aleatorias como lo son: sexo,
regularidad académica, foráneo o local, promedio general, porcentaje de avance
en la carrera, semestres completados sin recursar alguna materia, si el estudiante
trabaja o no lo hace, número de materias que ha tomado en 2º curso, las horas de
estudio dedicadas semanalmente independientemente de las tareas, y el número
de exámenes reprobados hasta su 7º semestre, esto se hará mediante un análisis
de regresión logística binaria.

La base de datos utilizada para el análisis de regresión logística en este

trabajo fue recolectada en el año 2018 para motivos prácticos de la materia de
muestreo, las encuestas se aplicaron a una muestra de 44 alumnos de la
generación 2012 mediante la página web SurveyMonkey, de la cual se obtuvieron
las variables aleatorias mencionadas en el párrafo anterior y que posteriormente
fueron utilizadas como regresores.

Preguntas aplicadas encuesta

1. Sexo

o Masculino

o Femenino

2. Situación académica

o Regular

o Irregular

3. ¿Cuál es tu promedio general?

 4. ¿Eres foráneo?

5. ¿Cuál es tu porcentaje de avance?

6. ¿En cuantos semestres has aprobado todas las materias inscritas?

7. ¿Actualmente cuántas materias tienes en 2º curso?

8. ¿Tienes un trabajo?

o Sí

o No

9. Además del tiempo dedicado a las tareas, ¿cuántas horas de estudio

dedicas semanalmente?

10. Número de materias reprobadas hasta el momento

Una vez recopilados los resultados individuales se pudo obtener una base de
datos obteniendo los siguientes regresores:

yi=Exámenes aprobados¿=Exámenes presentadosx 1= Avance en lacarrera ( % )

x 2=Exámenes reprobadosx 3=Sexox 4 =Promedio Generalx 5=Semestres Completados
x 6=Foráneox 7=Materias que debenx 8=Trabajo x 9=Horas de estudio semanales
x 9=Regular /Irregular

Los modelos propuestos tanto para la regresión logit y normit respectivamente son
los siguientes:

e β +β X
0 1 i

Pi=
1+e β + β X
0 1 i

( P )=ϕ(β ¿ ¿ 0+ β 1 LI ) ¿
Modelo inicial por regresión binomial logit
Modelo final por regresión binomial logit
Predicción para Exámenes Aprobados (Yi)
 Analizando el modelo de regresión binaria mediante el modelo de logit el
cual se especializa en el análisis de observaciones y no de experimentación como
lo hace el modelo normit, podemos observar en primera instancia que de 1473
experimentos que se realicen de los mismos se obtendrán 1211 éxitos y 262
fracasos, es decir, tendremos 1211 exámenes aprobados y 262 reprobados.

Por otro lado, tenemos que de los regresores que se contemplan en nuestro
modelo inicial tan sólo se conservaron 2 los cuales fueron el porcentaje de avance
que tiene el alumno en la carrera y el número de exámenes reprobados, los cuales
basándonos en sus p-value de cada uno concluimos que ambos son
estadísticamente significativos a un nivel de confianza del 95% para explicar
nuestro modelo en un 88.45% como nos muestra nuestra R cuadrada ajustada,
también podemos observar que tenemos un VIF de 1.43 para ambos regresores lo
cual nos indica que no tenemos problemas de multicolinealidad en las variables.

Las medidas de asociación nos muestran que nuestro modelo tiene una
probabilidad de 63.3% de que ocurra un éxito y tiene un 33.6% de probabilidad de
que ocurra un fracaso.

Suponiendo que se quiere saber la probabilidad de que un alumno que

tiene un 82% de avance dentro de la carrera de actuaria y tiene 10 exámenes
reprobados vamos a tener una probabilidad de que apruebe un examen de
77.71% dentro de un intervalo de probabilidades a un nivel de confianza de 95%
que va de (0.673338-0.855134).
Modelo inicial por regresión binomial normit
Modelo final por regresión binomial normit
Predicción para Exámenes Aprobados (Yi)

Analizando el modelo de regresión binaria mediante el modelo de normit,

podemos observar en primera instancia que de 1473 experimentos que se realicen
de los mismos se obtendrán 1211 éxitos y 262 fracasos, es decir, tendremos 1211
exámenes aprobados y 262 reprobados lo cual representa un 82.21% y un 17.79%
respectivamente, al igual que en los resultados obtenidos por el modelo logit.

Por otro lado, tenemos que de los regresores que se contemplan en nuestro
modelo inicial tan sólo se conservaron 2 los cuales fueron el porcentaje de avance
que tiene el alumno en la carrera y el número de exámenes reprobados al igual
que en modelo realizado por el método logit, los cuales basándonos en sus p-
value de cada uno concluimos que ambos son estadísticamente suficientes en un
95% para explicar nuestro modelo en un 89.85% como nos muestra nuestra R
cuadrada ajustada, también podemos observar que tenemos un VIF de 1.44 para
ambos regresores lo cual nos indica que no tenemos problemas de
multicolinealidad.

Las medidas de asociación nos muestran que nuestro modelo es predictivo

en una probabilidad 63.3% de que ocurra un éxito y se tiene la probabilidad de
33.7% de que ocurra un fracaso, lo cual nos indica que nuestro modelo es bueno,
pero que se podrían considerar otros regresores que nos puedan ayudar a mejorar
su predicción. Suponiendo que se quiere saber la probabilidad de que un alumno
que tiene un 82% de avance dentro de la carrera de actuaria y tiene 10 exámenes
reprobados vamos a tener una probabilidad de que apruebe un examen de
77.69% dentro de un intervalo de probabilidades a un nivel de confianza de 95%
que va de (0.675754-0.857261).

A pesar de que el modelo de regresión logit y normit son muy parecidos en

cuestión de resultados ya que los dos trabajan con probabilidades debemos tener
presente que estos no son lo mismo, ya que normit trabaja con la inversa de la
probabilidad acumulada de la distribución normal y logit trabaja con la inversa de
la distribución logística, así como también dentro de normit se trabaja con
experimentos y como afecta un factor tensión al modelo mientras que logit trabaja
con observaciones solamente.

Dentro de nuestra gráfica de dispersión tenemos que la probabilidad de

aprobar un examen va incrementando conforme se van realizando más exámenes.