Trabajo Robinson M - C - Definitivo

Tiempo Empleado Al Uso De La IA Para La Realización De Trabajos Académicos De
Los Estudiante Del Tecnológico De Comfenalco
Mary Luz Arias De La Peña
Damián Andrés Carrasquilla
Universidad De Cartagena
Facultad De Economia
Economía
Profesor: Robinson Castro
Cartagena De Indias, Colombia
24 De noviembre De 2023
1
Contenido
1. RESUMEN....................................................................................................................3
2. INTRODUCCIÓN..........................................................................................................3
3. PALABRAS CLAVES:...................................................................................................4
4. JUSTIFICACIÓN...........................................................................................................4
5. OBJETIVOS..................................................................................................................4
OBJETIVO GENERAL.........................................................................................................4
OBJETIVO ESPECIFICO....................................................................................................5
6. MARCO TERORICO.....................................................................................................5
7. ESTADO DEL ARTE.....................................................................................................6
8. METODOLOGIA............................................................................................................8
9. ANALISIS DESCRIPTIVO DE LAS VARIABLES........................................................11
VARIABLES DE CONTEXTO............................................................................................11
Variables del modelo.........................................................................................................43
10. ESTIMACION DEL MODELO.....................................................................................49
a. MODELO ANOVA......................................................................................................50
Pruebas del modelo anova................................................................................................50
b. modelo ancova...........................................................................................................56
Heterocedasticidad........................................................................................................57
c. MODELO ANCOVA CON INTERCEPTO......................................................................60
11. Prueba de máxima verosimilitud.................................................................................67
12. CORRECIONES DEL MODELO.................................................................................69
13. Conclusion...................................................................................................................71
14. Bibliografía - Cibergrafia..............................................................................................73
15. Anexos........................................................................................................................74
2
1. RESUMEN
En esta investigación se realizó con el propósito de conocer el uso de la inteligencia
artificial en los estudiantes del tecnológico de Comfenalco, así como, este afecta a l rendimiento de
estos mismo al utilizarla, tomando como variables: el tiempo de uso, el sexo, ocupado(trabaja),
estado civil, rendimiento académico, número de créditos.
El trabajo se realizó por medio de encuestas físicas, las cuales fueron realizadas a una
muestra de 173 estudiantes, con una población de 7890 individuos de estudio superior; asimismo
se estimaron tres modelos econométricos los cuales fueron: modelo Anova, modelo ancova,
modelo ancova con intercepto. Todos estos con sus respectivos análisis y pruebas tanto de
hipótesis como econométricas.
2. INTRODUCCIÓN
En la era digital, y en la constante evolución en la que nos encontramos, la Inteligencia
Artificial (IA) ha emergido como una tecnología disruptiva con el potencial de transformar
significativamente diversos aspectos de la sociedad, incluida la educación superior. El Tecnológico
Comfenalco, como institución comprometida con la excelencia académica y la innovación, no es
ajeno a esta tendencia. En el contexto actual, donde la información fluye de manera más rápida y
accesible que nunca, la IA se ha convertido en una herramienta poderosa para mejorar la calidad
de la educación y apoyar a los estudiantes en su búsqueda de conocimiento.
La incidencia de la IA en el ámbito educativo se ha manifestado de múltiples maneras,

desde la personalización de la enseñanza hasta la automatización de procesos administrativos.
Sin embargo, uno de los aspectos más cruciales y ampliamente debatidos es su impacto en el
rendimiento académico de los estudiantes. ¿Cómo influye la IA en el promedio académico de los
estudiantes del Tecnológico Comfenalco de Cartagena de indias? ¿En qué medida las tecnologías
de IA han contribuido al éxito estudiantil o planteado desafíos nuevos e inesperados?
Esta investigación tiene como objetivo explorar y analizar la relación entre la inteligencia
artificial y el promedio académico de los estudiantes en el Tecnológico Comfenalco. Para ello,
examinaremos el uso de la IA en varios aspectos de la educación, desde la adaptación de
contenidos de aprendizaje hasta la automatización de tareas, y evaluaremos cómo estos
elementos se traducen en el desempeño académico de los estudiantes. Además, consideraremos
las perspectivas de estudiantes sobre la IA en el contexto educativo.
3
A través de esta investigación, esperamos arrojar luz sobre el impacto actual y potencial de
la IA en el rendimiento académico de los estudiantes del Tecnológico Comfenalco de Cartagena de
indias (Bolívar), proporcionando información valiosa para la toma de decisiones institucionales y la
formulación de estrategias educativas futuras.
3. PALABRAS CLAVES:
Inteligencia artificial, Rendimiento académico, Tiempo, Trabajos académicos, Tecnológico
de Comfenalco.
4. JUSTIFICACIÓN
Esta investigación radica en la necesidad de comprender cómo el uso de la inteligencia
artificial afecta los resultados académicos de los estudiantes. Pero esto no sólo es relevante para
el tecnológico de Comfenalco, sino también para todas las instituciones educativas superiores.
Asimismo, este trabajo investigativo puede ayudar a identificar áreas específicas en las que la
inteligencia artificial (IA) está teniendo impactos en los resultados académicos, lo cual, nos puede
permitir tomar decisiones más informadas en el futuro sobre la utilización de la IA en el campo
educativo, teniendo en cuenta la importancia de los diferentes ritmos de aprendizaje y estilos de
adquisición de conocimiento. Añadiendo, que la IA puede adaptar la enseñanza a las necesidades
de los individuos.
La relevancia de este trabajo trasciende las fronteras de la institución, contribuyendo al

conocimiento existente de la educación y la tecnología, brindando un enfoque nuevo al interesante
tema de las nuevas tecnologías y el campo académico, disponiendo información útil a
investigadores y académicos interesados en este tema.
5. OBJETIVOS
OBJETIVO GENERAL
Analizar mediante encuestas, el impacto que el uso de la Inteligencia Artificial (IA) ejerce
sobre el tiempo de dedicación de los estudiantes universitarios del Tecnológico de Comfenalco en
la realización de sus trabajos académicos, a su vez la relación que esta tiene con el rendimiento
académico (promedio académico) de los estudiantes, esto con el fin de Comprender las
implicaciones educativas de esta tecnología en el contexto académico.
4
OBJETIVO ESPECIFICO
 Realizar un análisis de los datos recopilados a través de encuestas para identificar
patrones y tendencias en la relación entre el uso de la Inteligencia Artificial y el
tiempo dedicado por los estudiantes a trabajos académicos.
 Interpretar los resultados del análisis de datos para comprender las implicaciones
educativas de la influencia de la Inteligencia Artificial en la realización de trabajos
académicos por parte de los estudiantes del Tecnológico de Comfenalco.
 Descubrir la relación entre el tiempo dedicado a tareas académicas y el rendimiento
estudiantil.
6. MARCO TERORICO
la época de la información y la tecnología digital con su capacidad de simular procesos
cognitivos humanos la inteligencia artificial ha modificado la forma en que los estudiantes
interactúan con la información y ha redefinido el papel del educador en el proceso de enseñanza-
aprendizaje, debido a que permite la personalización del aprendizaje, la adaptación de contenido
educativo y la entrega de retroalimentación personalizada. contexto, comprender la influencia y el
impacto de la inteligencia artificial en la educación.
El estudio tiene como objetivo investigar cómo la integración de la inteligencia artificial ha

afectado el rendimiento académico de los estudiantes universitarios con el fin de identificar áreas
de mejora y estrategias potenciales para maximizar la efectividad del aprendizaje en entornos de
aprendizaje basados en tecnología.
La inteligencia artificial (IA) se refiere a la simulación de procesos de inteligencia humana

por parte de máquinas, especialmente sistemas informáticos. Estos procesos incluyen el
aprendizaje (la adquisición de información y reglas para usar la información), el razonamiento (usar
reglas para llegar a conclusiones aproximadas o definitivas) y la autocorrección.
La inteligencia artificial puede manifestarse de diversas maneras, como el aprendizaje

automático (machine learning), que implica el desarrollo de algoritmos que pueden aprender y
mejorar a partir de la experiencia; el procesamiento del lenguaje natural, que permite a las
computadoras entender, interpretar y generar lenguaje humano de manera natural; la visión por
computadora, que capacita a las máquinas para interpretar y comprender el mundo visual; y los
sistemas expertos, que son programas de computadora diseñados para imitar y actuar como un
experto humano en un campo específico.
5
Por otro lado, el promedio académico estudiantil es un indicador numérico que refleja el
rendimiento general de un estudiante en un período específico de tiempo. Este promedio se
calcula típicamente sumando las calificaciones obtenidas en todas las materias y dividiendo esta
suma total por la cantidad de materias evaluadas.
En la mayoría de los sistemas educativos, el promedio académico se expresa en una

escala de calificación, que puede variar según el país y la institución educativa específica. Por
ejemplo, en algunos lugares, se utiliza una escala de 0 a 100, donde 100 representa el rendimiento
académico más alto posible, mientras que en otros lugares se utiliza una escala de 1 a 4, donde 4
puede equivaler a la máxima calificación.
La manera en cómo los estudiantes adquieren conocimientos y desarrollan habilidades

críticas en respuesta a la integración de la inteligencia artificial (IA) en la educación. El aprendizaje
puede ser personalizado por los educadores al aprovechar las capacidades de la IA. Esto se logra
mediante la adaptación del contenido y la metodología de enseñanza al ritmo y estilo de
aprendizaje de cada alumno. con la teoría del aprendizaje social de Bandura, que enfatiza el papel
que juegan los modelos de comportamiento en el proceso de aprendizaje. Esto ilustra cómo la IA
puede funcionar como un modelo de comportamiento eficaz para los estudiantes.
Además de la personalización del aprendizaje, la inteligencia artificial también puede

reducir la carga cognitiva de los estudiantes al presentar la información de manera más clara y
accesible, de acuerdo con la teoría de la carga cognitiva de Sweller. Al ajustar la presentación del
material educativo, la IA puede optimizar la asimilación de información y mejorar la retención de
conocimientos.
7. ESTADO DEL ARTE

En la era digital y tecnológica actual, la inteligencia artificial (IA) ha emergido como una
fuerza transformadora en numerosos aspectos de la sociedad, y la educación no es una
excepción. La integración de la IA en el ámbito educativo promete redefinir la forma en que los
estudiantes acceden a la información, interactúan con el contenido académico y, en última
instancia, alcanzan sus objetivos de aprendizaje. Esta investigación se enfoca en explorar
específicamente la incidencia de la inteligencia artificial en el promedio académico de los
estudiantes del Tecnológico Comfenalco, una institución de educación superior comprometida con
la excelencia académica y la innovación educativa.
6
El Tecnológico Comfenalco, como centro de formación superior, se enfrenta a la creciente
necesidad de adaptar sus métodos pedagógicos y sistemas de apoyo estudiantil para responder a
las demandas cambiantes de una sociedad cada vez más digitalizada. La IA, con su capacidad
para personalizar la experiencia de aprendizaje, brindar retroalimentación instantánea y analizar
datos a gran escala, se presenta como una herramienta prometedora para mejorar tanto la calidad
de la educación como los resultados académicos de los estudiantes.
Sin embargo, la implementación exitosa de la IA en un entorno educativo no es sin sus

desafíos y cuestionamientos. La privacidad de los datos, la equidad en el acceso a la tecnología y
la interacción entre docentes y tecnología son solo algunos de los temas críticos que deben
abordarse. Por lo tanto, es esencial examinar en profundidad cómo la IA está siendo utilizada en el
Tecnológico Comfenalco y cómo esta adopción está afectando el desempeño académico de sus
estudiantes.
El dilema confrontación generacional en la actualidad es más evidente que en cualquier

otro tiempo. Si la década de los sesentas, setentas y ochentas estuvieron marcados por una gran
cantidad de sucesos que en su momento generaron diversas repercusiones, actualmente dicha
confrontación se sustenta en una lid cuyos horizontes rebasan lo percibido hasta hoy, ya que las
brechas generacionales van más allá de la escala temporal porque es de un carácter más radical
que sobrepasa aquellos linderos conceptuales, la brecha es tecnológica, es virtual, es digital, es
completamente nueva en el desarrollo humano que mantiene una dialéctica muy significativa de
acercarnos cada vez más y al mismo tiempo distanciar civilizaciones ante el paso avasallador de
las nuevas tecnologías basadas en la IA, que han configurado dos bandos contrapuestos
generacionalmente. (Sobel y Shiraev, 2016). Sobre este punto, Gisbert y Esteve (2016) recopilan
información relacionada a esta temática nos referencian el tratamiento de los estudiantes de esta
nueva era o generación a los que se les rubrica como los "nativos digitales", aquellos privilegiados
que conviven con las tecnologías cambiantes y los nuevos formatos de transmisión de data y las
nuevas plataformas de interactividad.
Dichas exigencias, según el organismo mencionado, están enraizadas en las competencias

básicas en temas de las tecnologías de información y comunicación, el empleo del ordenador para
obtener, evaluar, almacenar, producir, presentar e intercambiar información y comunicarse,
además de participar en comunidades virtuales interactivas a través de la internet. Entonces podría
decirse que las competencias digitales tienden a ser la suma de todas los conocimientos, actitudes
y habilidades en aspectos tecnológicos, informacionales y virtuales generados en el crisol de la
7
educación superior, y sustentado sobre una nueva y muy compleja alfabetización tecnológica de
carácter funcional, ya que comprende la utilización de las herramientas de forma productiva, que
abarcaría mucho más que un uso estrictamente operacional (Gisbert y Esteve, 2016).
La IA es un tema de por sí de gran envergadura, ya que logra avasallar muchos aspectos

de las tendencias actuales; pero, el promedio de la población que entiende por ello es el mínimo.
Sobre este aspecto, Miailhe y Lannquist (2018) mencionaron que la enorme masa de ciudadanos
de la denominada "aldea mundo" se encuentran en una situación no muy privilegiada respecto a
las tecnologías de IA y desconocen notoriamente los posibles efectos y por ende los riesgos a los
que quedarían expuestos ante este avance ineluctable que se gesta cada vez a pasos más
acelerados.
8. METODOLOGIA
Hemos utilizado una muestra de 173 personas para llevar a cabo este estudio, estos
alumnos universitarios respondieron una encuesta física. Además, para recoger y realizar el
estudio, utilizaremos los programas de Excel, Word y Eviews. En esta investigación se estimará 2
modelos econométricos un modelo Anova, un modelo Ancova y un modelo Ancova con intercepto.
La metodología empleada en el estudio se describe de la siguiente manera resumida: (1)

diseño de la de la encuesta y recolección de información por medio de encuestas piloto; (2)
definición de la muestra; (3) construcción de la base de datos; (4) procesamiento computacional;
(5) descripción y análisis de las principales variables influyentes en el desempeño académico y la
realización de trabajos con inteligencia artificial; y (6) estimación de modelos con sus respectivas
pruebas de diagnóstico sobre los supuestos básicos de MMCO.
Nota: la formula completa empleada para la muestra está en los anexos 1, esta fórmula fue
sacada del libro estadística y muestreo de Ciro Martínez Bencardino pág. 306.
Paso 1: Diseño de la encuesta y recolección de la información por medio de encuestas

piloto. Con el fin de analizar la población del tecnológico de Comfenalco y precisar el contenido de
la encuesta general.
Paso 2. Definición de la muestra. Con el fin de obtener una mayor confiabilidad estadística
se aplicó un muestreo aleatorio simple, sobre 7890 estudiantes pertenecientes a los programas del
tecnológico que es el objeto de estudio. Este cálculo de la muestra se realizó por medio de la
Ecuación (1).
8
no
n=
Ecuación (1) no
1+
N
Dónde: n: dimensión de la muestra. no : se considera como primera aproximación. N:

número de estudiantes del tecnológico de Comfenalco (población).
Paso 3: Construcción de la base de datos. La encuesta se aplicó a un número de 173

estudiantes (obtenido de la ecuación 1) de individuos seleccionados al azar, una vez recolectadas
y tabuladas las encuestas se realizó el siguiente paso.
Paso 4: Procesamiento computacional. Con base en los puntos antes mencionados, y en

los atributos seleccionados en el paso anterior, se diseñó el encabezado del archivo en Excel para
la plataforma de software Eviews.
Paso 5: Descripción y análisis de las principales variables influyentes en el desempeño

académico y la realización de trabajos con inteligencia artificial. Por medio de gráficos y sus
respectivas estadísticas básicas.
Paso 6: Estimación de modelos con sus respectivas pruebas de diagnóstico sobre los
supuestos básicos de MMCO.
Definición de las variables
Modelo Anova
Tiempo = β1+ β2Sexo + β3Ocupado + β4Estado civil + ϱ
( Υ = β1 + β2 D 1 + β3 D 2 + β4 D 3+ ϱ )
Modelo Ancova
Tiempo = β1+ β2Sexo + β3Ocupado + β4Estado civil + β5Rendimiento académico +

β6Numero de créditos + ϱ
( Υ = β1 + β2 D 1 + β3 D 2 + β4 D 3+ β5 X 1 + β6 X 2 + ϱ)
Modelo Ancova Con Intercepto
9
Tiempo = β1+ β2Sexo + β3Ocupado + β4Estado civil + β5Rendimiento académico +
β6Numero de créditos + β7SexoOcupado + ϱ
( Υ = β1 + β2 D 1 + β3 D 2 + β4 D 3+ β5 X 1 + β6 X 2 + β 7 D 1 D 2 +ϱ )
Nombre De La Tipo De Variable Descripción

Variable
Tiempo Endógena/ Tiempo empleado al
cuantitativa uso de la inteligencia artificial
(AI) horas a la semana.
Sexo Explicativa / Referida a sexo del
dicotómica estudiante estableciendo 1
para “HOMBRE” y 0 para
“MUJER”.
ocupado Explicativa / Referida a la
dicotómica ocupación (trabajo) del
estudiante, siendo 1 si trabaja
y 0 si no trabaja.
Estado civil Explicativa / Referida al estado
dicotómica civil que se encuentra el
individuo codificándose 1 si es
casado, unión libre, noviazgo
(que tenga pareja) y 0 lo
demás.
Rendimiento Explicativa / Hace referencia al
académico cuantitativa promedio global sacado en el
semestre anterior.
Numero de Explicativa / Hace referencia al
crédito cuantitativa número de créditos (materias)
cursada actualmente en la
carrera.
Las pruebas a realizar serán:
10
Normalidad (test Jarque-Bera)
Heterocedasticidad (test while)
Multicolinealidad (FIV)
Auto-correlación (test Godfrey)
Endogenidad (test Granger)
9. ANALISIS DESCRIPTIVO DE LAS VARIABLES

VARIABLES DE CONTEXTO
EDAD
El gráfico de barras se muestra en el eje X diferentes rangos de edades, por ejemplo, "16-
17 años," "17-19 años," "19-20 años," y así sucesivamente. En el eje Y, se representan las veces
que se repite cada uno de estos rangos de edades.
Grafico 1. Variable edad categorizada.
Fuente: Elaboración propia
Cada barra en el gráfico corresponde a un rango de edades y tiene una altura que refleja la
frecuencia o la cantidad de personas en ese grupo de edad en la población o muestra de datos.
Cuanta más alta sea la barra, mayor será la frecuencia de esa edad en la población.
11
Este tipo de gráfico es útil para visualizar la distribución de edades de manera clara y
rápida. Puedes identificar los rangos de edades más comunes y los menos comunes en la
población. También permite comparar fácilmente la cantidad de personas en diferentes grupos de
edad.
Grafico 2. Caja y bigotes de la variable edad
Fuente: Elaboración propia.
El gráfico de bigotes es una representación visual de la distribución de un conjunto de datos

estadísticos, en la caja del centro tenemos el rango intercuartil de datos (19,21) que abarca el 50%
de los datos, la parte inferior de la caja marca el primer cuartil (19) y la parte superior marca el
tercer cuartil (24), también tenemos datos atípicos que son datos que se ven significativamente
superior al resto de datos (25, 26). A continuación, se demostrará la tabla con las estadísticas
básicas de esta variable:
EDAD
MEDIA 19,9537572
ERROR TÍPICO 0,15956635
MEDIANA 19
MODA 19
DESVIACIÓN ESTÁNDAR 2,09876771
VARIANZA DE LA MUESTRA 4,40482592
CURTOSIS 0,17614898
12
COEFICIENTE DE ASIMETRÍA 0,82147747
CUARTIL 1 19
CUARTIL 3 21
RANGO 10
MÍNIMO 16
MÁXIMO 26
SUMA 3452
CUENTA 173
HIJOS
Esta variable quiere presentar la población que tiene hijos y la que no, para poder saber
cuántas personas tiene hijos.
Grafico 3. Población que no tiene hijos vs la que tiene hijos.
HIJOS
11; 6%
No
si
162; 94%
Tienen o no tienen hijos (N = 173), El gráfico de pastel representa las preferencias sobre
tener hijos de un grupo de 173 personas. La gran mayoría de las personas encuestadas, el 96%,
indicó que no tiene hijos. Un pequeño porcentaje, el 4%, manifestó que tiene hijos. El gráfico
refleja que la abrumadora mayoría de las personas encuestadas, el 96%, no tiene hijos, mientras
que solo un pequeño porcentaje, el 4%, afirmó tener hijos.
13
Estadística descriptiva de la variable de contexto hijos:
Hijos
Media 86,5
Error típico 75,5
Mediana 86,5
Moda #N/D
Desviación estándar 106,773124
Varianza de la muestra 11400,5
Curtosis #¡DIV/0!
Coeficiente de asimetría #¡DIV/0!
cuartil 1 11
cuartil 3 124,25
Rango 151
Mínimo 11
Máximo 162
Suma 173
Cuenta 2
EDAD PROMEDIO DE LOS HIJOS
La variable de contexto de edad promedio de sus hijos guarda relación con la anterior
variable, en esta se observa la población que tiene hijos y la relación con la edad de sus hijos.
Grafico 4. Población que no tiene hijos vs la que tiene hijos.
14
edad promedio de los hijos
1; 9%
1; 9%
5; 45%
2; 18%
1; 9%
1; 9%
1año 1 año y 4 meses 10 meses 11 meses 8 meses 9 meses
En este gráfico de pastel podemos mirar que dentro del grupo de personas que, si tienen
hijos, la mayoría el 45% dice que su hijo tiene un año de edad, el 9% dice que su hijo tiene 9
meses, el 18% dice que tiene 11 meses, el porcentaje restante dicen que sus hijos tienen entre 8 y
10 meses.
Grafico 5. Caja y bigote de la variable edad promedio de los hijos.
15
El grafico de caja y bigote 5; representa una parte de las estadísticas descriptiva, en este
se ve que el cuartil 1 es 1, la media es de 1,83 y su máximo es de 5. Por lo tanto, se puede decir
que la edad máxima promedio de la población estudiada es de 5 años.
Estadística descriptiva de la variable de contexto edad promedio de los hijos:
Edad promedio de los hijos
Media 1,83333333
Error típico 0,65404723
Mediana 1
Moda 1
Curtosis 4,63990555
Coeficiente de asimetría 2,14817874
cuartil 1 1
cuartil 3 1,75
Rango 4
Mínimo 1
Máximo 5
Suma 11
Cuenta 6
LUGAR DE RESIDENCIA
Lugar de Residencia (N = 173), el gráfico de pastel representa la distribución de lugar de

residencia de un conjunto de 173 personas.
Grafico 7. Lugar de residencia.
16
LUGAR DE RESIDENCIA
31; 18%
Rural
Urbano
142; 82%
El 18% de las personas indicaron que viven en zonas rurales y el 82% de las personas
afirmaron vivir en zonas urbanas, el gráfico refleja que la mayoría de las personas en el conjunto
de datos, un 82%, reside en áreas urbanas, mientras que el 18% vive en zonas rurales.
Estadísticas básicas de la variable de contexto lugar de residencia:
Lugar de residencia
Media 86,5
Error típico 55,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 58,75
cuartil 3 110,25
Rango 111
Mínimo 31
Máximo 142
Suma 173
17
Cuenta 2
TIPO DE TRABAJO
Esta variable está representado a la parte de la población que trabaja y el tipo de trabajo
que ejerce. Esta está relacionada con la variable del modelo población ocupada.
Grafico 8. Tipo de trabajo
TIPO DE TRABAJO
25; 37%
42; 63%
formal Informal
El gráfico muestra que la mayoría de las personas en el conjunto de datos, un 42.63%,

tienen un trabajo formal, mientras que el 25.37% tienen un trabajo informal.
Estadística básica de la variable tipo de trabajo:
Tipo de trabajo
Media 33,5
Error típico 8,5
Mediana 33,5
Moda #N/D
18
Curtosis #¡DIV/0!
cuartil 1 29,25
cuartil 3 37,75
Rango 17
Mínimo 25
Máximo 42
Suma 67
Cuenta 2
PROGRAMA ACADEMICO
Esta variable aporta el tipo de formación que el estudiante está cursando o realizando en el
tecnológico de Comfenalco, entendiendo que este centro de formación brinda diferentes tipos de
programas académicos, los cuales se ofrecen de manera paga (entidad privada).
Cabe resaltar que los estudiantes comienzan el proceso desde lo más bajo y van subido
hasta llegar al profesional, por la organización que la misma entidad tiene en su forma de graduar
a sus estudiantes.
Grafico 9. Programa académico.
programa académico
90
83
80
72
70
60
50
40
30
20 18
10
0
Profesional Tecnólogo Ténico
19
El gráfico de barras representa la distribución de los encuestados según su afiliación a
diferentes programas académicos. En el gráfico, se puede observar que 18 encuestados
pertenecen a programas técnicos. El grupo más grande en la encuesta está compuesto por 83
encuestados que son estudiantes de programas tecnológicos. La segunda modalidad más grande
es la de programas profesionales, con 72 encuestados. Solo se tuvieron en cuenta estudiantes de
modalidad presencial ya que la modalidad a distancia pude presentar mucha dificultad con la
captación de datos y realización de las encuestas.
Este gráfico de barras proporciona una visión rápida y clara de cómo se distribuyen los
encuestados entre diferentes programas académicos. A continuación, se brindará las estadísticas
básicas de esta variable:
PROGRAMA ACADÉMICO
MEDIA 57,6666667
MEDIANA 72
MODA #N/D
CURTOSIS #¡DIV/0!
COEFICIENTE DE ASIMETRÍA -1,53928936
CUARTIL 1 45
CUARTIL 3 77,5
RANGO 65
MÍNIMO 18
MÁXIMO 83
SUMA 173
CUENTA 3
0
CARRERA
Esta variable de contexto gestiona el grupo poblacional que fue encuestado.
Grafico 10. Carrera
20
carrera
trabajo social
tecnologia en gestion financiera
tecnologia en control de calidad
seguridad ocupacional
produccion industrial
ingenieria quimica
ingenieria de sistema
ingenieria electronica
gestion ambiental
electronica
desarrollo de sotfware
contaduria publica
comercio exterior
administracion de empresa
0 5 10 15 20 25
En este gráfico de barras se presenta las diferentes carreras cursadas por los estudiantes
encuestados del tecnológico Comfenalco los cuales nos dieron sus impresiones y sus datos acerca
del acercamiento que han tenido con la inteligencia artificial, como aprendieron a usarla como la
conocieron, hace cuanto la usan y si tienen una buena percepción de la inteligencia artificial con
función de sus estudios académicos.
Grafico 11. Caja y bigote de la variable carrera.
21
El diagrama de caja y bigote representa las estadísticas de la variable de contexto de la

variable carrera, al mismo tiempo demuestra la distribución de los datos. Los bigotes de este son la
línea que salen de la caja este demuestra la dispersión de los datos más allá de rango intercuartil,
en esta ocasión, se establece para determinar el dato atípico, que esta visualmente presentado por
un punto afuera del bigote. La tabla de las estadísticas básica:
CARRERA
MEDIA 6,40740741
MEDIANA 6
MODA 2
CURTOSIS 1,01439057
CUARTIL 1 2
CUARTIL 3 9
COEFICIENTE DE ASIMETRÍA 1,0780115
RANGO 19
MÍNIMO 1
MÁXIMO 20
SUMA 173
CUENTA 27
0
SEMESTRE
Este se utiliza para poder apreciar la población de estudiantes, para poder observar si el
semestre afecta a la utilización de la inteligencia artificial y este, está relacionada con la temática
de la nuestra investigación.
Grafico12. Semestre.
22
semestre
3%
1
2
6% 3
22% 8% 4
5
11% 6
7
8
19%
14%
17%
En este gráfico se puede observar que el primer semestre tiene un 3% del total de los
encuestados, el segundo semestre tiene un 6%, el tercer semestre tiene un 8%, el cuarto tiene un
11%, el quinto tiene un 14%, el sexto tiene un 17% el séptimo un 19% y el octavo tiene un 22%.
Grafico 13. Caja y bigote de la variable semestre.
23
La variable semestre no tiene datos atípicos, pero si tiene un sesgo hacia la izquierda esta se puede
ver reflejado el grafico de caja y bigote y en la tabla de estadísticas básicas que este a continuación:
SEMESTRE
MEDIA 21,625
MEDIANA 15,5
MODA 3
DESVIACIÓN 19,3312294
ESTÁNDAR
VARIANZA DE LA 373,696429
MUESTRA
CURTOSIS -
1,78959214
CUARTIL 1 4,5
CUARTIL 3 38,75
COEFICIENTE DE 0,50704664
ASIMETRÍA
RANGO 45
MÍNIMO 3
MÁXIMO 48
SUMA 173
CUENTA 8
0
TIPO DE FORMACION
La formación académica es un elemento muy importante en nuestra vida y más si

hablamos de tecnología e innovación, por lo que esta variable es de suma importancia en el
estudio. Esta se clasifico en presencia y a distancia o virtual.
Grafico 14. Tipo de formación
24
tipo de formacion
173
100%
presencial
como podemos observar solo encuestamos y recolectamos datos de estudiantes de la

modalidad presencial, ya que de la modalidad a distancia presentamos complicaciones operativas
a la hora de recolectar los datos por la dificultad y lejanía de los alumnos.
TIPO DE FORMACIÓN
MEDIA 173
ERROR TÍPICO 0
MEDIANA 173
MODA #N/D
DESVIACIÓN ESTÁNDAR #¡DIV/0!
VARIANZA DE LA MUESTRA #¡DIV/0!
CURTOSIS #¡DIV/0!
CUARTIL 1 173
25
CUARTIL 3 173
COEFICIENTE DE #¡DIV/0!
ASIMETRÍA
RANGO 0
MÍNIMO 173
MÁXIMO 173
SUMA 173
CUENTA 1
LUGAR DONDE REALIZÓ SUS ESTUDIOS DE SECUNDARIA
Grafico 15. Lugar donde realizo la secundaria.
LUGAR DONDE REALIZO LA SECUNDARIA
39; 23%
Rural
Urbano
134; 77%
Lugar donde realizo la secundaria (N = 173)
El 23% de las personas indicaron que estudiaron su secundaria en zonas rurales y el 77%
de las personas afirmaron haber hecho su secundaria en zonas urbanas, el gráfico refleja que la
mayoría de las personas en el conjunto de datos, un 77%, se graduó en áreas urbanas, mientras
26
que el 23% lo hizo en zonas rurales. el gráfico de pastel representa la distribución de lugar de
Tabla de estadística básica:
Lugar donde realizo la secundaria
Media 86,5
Error típico 47,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 62,75
cuartil 3 110,25
Rango 95
Mínimo 39
Máximo 134
Suma 173
Cuenta 2
0
EL COLEGIO DONDE ESTUDIO ES PUBLICO O PRIVADO.
Grafico 16. Colegio donde realizo la secundaria.
27
COLEGIO
54; 31%
Privado
Publico
119; 69%
Colegio público o privado (N = 173)
El 31% de las personas indicaron que estudiaron su secundaria en colegios privados y el

69% de las personas afirmaron haber hecho su secundaria en colegios públicos, el gráfico refleja
que la mayoría de las personas en el conjunto de datos, un 69%, se graduó en colegios públicos,
mientras que el 31% lo hizo en colegios privados. el gráfico de pastel representa la distribución de
lugar de residencia de un conjunto de 173 personas. Tabla de estadística básica:
Colegio donde estudio
Media 86,5
Error típico 32,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 70,25
cuartil 3 102,75
Coeficiente de
asimetría #¡DIV/0!
Rango 65
Mínimo 54
Máximo 119
28
Suma 173
Cuenta 2
APRENDIÓ CON LAS TIC EN EL COLEGIO.
Mucho se habla de Colombia y el uso del TIC en el sistema educativo, por lo que esta
variable, representa una inquietud actual de los Colombia; sobresaliendo en el uso de la IA, por su
impacto en la educación.
Grafico 17. Uso de las TIC en la secundaria.
USO DE LAS TIC EN EL COLEGIO
26; 15%
No
Si
147; 85%

Uso de las TIC en el colegio (N = 173)
El 15% de las personas indicaron que no utilizaron las TIC en la secundaria y el 85% de
las personas afirmaron haber utilizado las herramientas tecnológicas en el colegio, el gráfico refleja
que la mayoría de las personas en el conjunto de datos, un 85%, tiene conocimiento en tecnología,
mientras que el 15% afirma que no tuvo conocimiento de tecnología mientras estuvo en el colegio.
el gráfico de pastel representa la distribución de lugar de residencia de un conjunto de 173
personas. Además, presentación la tabla de estadísticas básica de la variable:
Uso las TIC en el colegio
Media 86,5
29
Error típico 60,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 56,25
cuartil 3 116,75
Coeficiente de
Rango 121
Mínimo 26
Máximo 147
Suma 173
Cuenta 2
ACCESO A HERRAMIENTAS TECNOLÓGICAS
Grafico 18. Acceso a herramientas tecnológicas.
ACCESO A HERRAMIENTAS TECNOLOGICAS

3; 2%
No
Si
170; 98%
Acceso a herramientas tecnológicas (N = 173)
30
El 23% de las personas indicaron que estudiaron su secundaria en zonas rurales y el 77%
de las personas afirmaron haber hecho su secundaria en zonas urbanas, el gráfico refleja que la
mayoría de las personas en el conjunto de datos, un 77%, se graduó en áreas urbanas, mientras
que el 23% lo hizo en zonas rurales. el gráfico de pastel representa la distribución de lugar de
Tabla de estadísticas básicas:
Acceso a herramientas tecnológicas
Media 86,5
Error típico 83,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 44,75
cuartil 3 128,25
Coeficiente de
Rango 167
Mínimo 3
Máximo 170
Suma 173
Cuenta 2
DONDE APRENDIÓ A UTILIZAR LA IA
Grafico 19. Aprendizaje para la IA.
31
COMO APRENDIO A UTILIZAR LA IA
14; 8%
Autodidacta
Formación
159; 92%
cómo aprendió a utilizar la IA (N = 173)
El 8% de las personas indicaron que aprendieron a utilizarla con formación académica y el

92% de las personas afirmaron haber aprendido de manera autodidacta, el gráfico refleja que la
mayoría de las personas en el conjunto de datos, un 92%, aprendió autodidacta, mientras que el
8% lo hizo mediante formación. El gráfico de pastel representa la distribución de lugar de
residencia de un conjunto de 173 personas. Continuaremos con la demostración de la tabla de
estadísticas básicas:
Aprendió utilizarla
Media 86,5
Error típico 72,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 50,25
cuartil 3 122,75
Coeficiente de
Rango 145
32
Mínimo 14
Máximo 159
Suma 173
Cuenta 2
HABILIDADES O COMPETENCIAS EN TECNOLOGÍAS
Esta variable se necesita para saber las competencias que tienen los estudiantes del
tecnológico de Comfenalco para utilizar herramientas tecnológicas. También saber cuánto saben la
población en computación básica. Esto con la importancia del nuevo tema a debatir que es el
analfabetismo en sistema de los ciudadanos colombianos.
Grafica 20. Competencia en sistema.
COMPETENCIA EN SISTEMA
20; 12%
No
Si
153; 88%
competencias en sistemas (N = 173)
33
El 12% de las personas indicaron que no tienen conocimiento en sistemas y el 88% de las
personas afirmaron tener conocimiento en sistemas, el gráfico refleja que la mayoría de las
personas en el conjunto de datos, un 12% afirmó no saber mucho sobre sistemas, mientras que el
88% dijo tener conocimientos suficientes sobre sistemas, el gráfico de pastel representa la
distribución de lugar de residencia de un conjunto de 173 personas.
Tabla de estadísticas básicas:
Conocimiento de sistema
Media 86,5
Error típico 66,5
Mediana 86,5
Moda #N/D
Curtosis #¡DIV/0!
cuartil 1 53,25
cuartil 3 119,75
Coeficiente de
Rango 133
Mínimo 20
Máximo 153
Suma 173
Cuenta 2
UTILIZACIÓN DE PLATAFORMAS DIGITALES
Grafico 21. Utilización de plataformas digitales.
34
Utilizacion de plataformas digitales
173
El gráfico de pastel representa la respuesta de los encuestados con respecto al uso de

plataformas digitales de inteligencia artificial. En el gráfico, un único segmento completo representa
que la totalidad de los encuestados, es decir, el 100%, afirma haber utilizado plataformas digitales
de inteligencia artificial, La gráfica de pastel revela un resultado claro y contundente: el 100% de
los encuestados han utilizado plataformas digitales de inteligencia artificial. No hay diversidad en
las respuestas, lo que indica que todos los encuestados han tenido experiencia con este tipo de
tecnología.
USO DADO A LA IA
Se clasifico en 4: trabajo, tareas, investigación y estudio.
Grafico 22. Uso dado a la inteligencia artificial.
35
USO DADO A LA INTELIGENCIA ARTIFICIAL
80
75
70
60
50
50
40
30
30
20 18
10
0
trabajo tareas investigacion estudio
El gráfico de barras representa cómo las personas han empleado la inteligencia artificial en
diferentes áreas, En el gráfico, se observa que 30 personas indicaron que utilizan la inteligencia
artificial en su entorno laboral, La categoría "Tareas" muestra que 50 personas emplean la
inteligencia artificial en su vida cotidiana para la realización de tareas diversas. En el ámbito de la
investigación, 18 personas han incorporado la inteligencia artificial en sus actividades, La categoría
"Estudios" es la que muestra el número más alto de personas, con un total de 75, que utilizan la
inteligencia artificial en sus estudios académicos.
Grafico 23. Caja y bigote de la variable uso dad a la inteligencia artificial.
36
El gráfico de bigotes es una representación visual de la distribución de un conjunto de datos

estadísticos, en la caja del centro tenemos el rango intercuartil de datos (43,25) que abarca el 50%
de los datos, la parte inferior de la caja marca el primer cuartil (21) y la parte superior marca el
tercer cuartil (68,75), también tenemos datos atípicos que son datos que se ven significativamente
superior y también inferior al resto de datos (18 y 75). Tabla de estadísticas básicas de las
variables:
USO dado a la IA
Media 43,25
Mediana 40
Moda #N/D
-
Curtosis 0,96907163
cuartil 1 27
cuartil 3 56,25
Coeficiente de
asimetría 0,59652473
Rango 57
Mínimo 18
Máximo 75
37
Suma 173
Cuenta 4
LA MATERIA EN LA QUE MAS UTILIZAS LA IA
Grafico 24. Clasificación de materias que más utilizan la inteligencia artificial.
CLASIFICACIÓN DE MATRIAS
asignaturas practicas 2
asignatura instrumentales 60
asignatura operativa 67
asignatura teoricas 44
0 10 20 30 40 50 60 70 80
En el grafico anterior podemos evidenciar la clasificación taxonómica de las materias en las

cuales usan con más frecuencia la inteligencia artificial los estudiantes del tecnológico
Comfenalco. Dos personas dijeron que la IA les ayuda en asignaturas prácticas, 60 personas
dijeron que en materias instrumentales les es muy eficiente la IA, 67 personas afirmaron que en
asignaturas operativas la inteligencia artificial les ayuda mucho, y 44 personas sienten que les
ayuda más en asignaturas teóricas. Y sus variables estadísticas descriptiva son:
Materia en la que utilizas la IA
Media 43,25
Mediana 52
Moda #N/D
Curtosis 1,72770484
38
Cuartiles 1 33,5
cuartiles 3 61,75
Coeficiente de -
Rango 65
Mínimo 2
Máximo 67
Suma 173
Cuenta 4
0
PLATAFORMA CON MÁS FRECUENCIA UTILIZA
Grafico 25. Plataforma más utilizada de la inteligencia artificial
Cuenta de PLATAFORMA UTILIZADA

120
112
100
80
60
40
20 16 18
9
3 3 5
1 2 2 2
0
AWS brainly chat gpt chatgpt google lucia monica Nova perplecity rix You
var
en esta grafica podemos ver que del total de los encuestados la mayoría usa con más
frecuencia el llamado “CHAT GPT” en segundo y tercer lugar quedaron las plataformas de
inteligencia artificial “MONICA” y “LUCIA”. esto hace parte del boom de las plataformas de la
inteligencia artificial que fue en el 2022-2023 teniendo en cuenta que chat GPT fue una de las
primeras conocidas por la comunidad académica.
39
Grafico 26. Caja y bigote de la variable de contexto plataforma más utilizada de la
inteligencia artificial.
En el grafico 26, se observa que existe un dato atípico, además de que los demás datos de
la base de dato se encuentran muy agrupados, para colaborar esto se tiene las estadísticas
básicas de la variable:
plataforma utilizada
Media 15,7272727
Mediana 3
Moda 2
Curtosis 10,0460144
cuartil 1 2
cuartil 3 12,5
Coeficiente de
Rango 111
Mínimo 1
Máximo 112
Suma 173
40
Cuenta 11
NIVEL DE SATISFACCIÓN POR EL USO DE LA IA
Grafico 27. Satisfacción por el uso de la IA
SE SIENTE SATISFECHO CUANDO USA LA IA
42; 24%
No
SI
131; 76%
En este grafico de pastel podemos evidenciar que el 24% de los encuestados no se sienten
satisfechos cuando usan las plataformas de inteligencia artificial, y el 76% del total de los
encuestados se sienten satisfechos con la ayuda que le brindan estas tecnologías. Tabla de las
estadísticas básicas:
SATISFACCIÓN POR EL USO DE LA IA
MEDIA 86,5
ERROR TÍPICO 44,5
MEDIANA 86,5
MODA #N/D
41
CURTOSIS #¡DIV/0!
CUARTIL 1 64,25
CUARTIL 3 108,75
COEFICIENTE DE ASIMETRÍA #¡DIV/0!
RANGO 89
MÍNIMO 42
MÁXIMO 131
SUMA 173
CUENTA 2
0
En la encuesta, se realizó una pregunta adicional que se deriva de esta, la cual nos
permitió saber que piensan los estudiantes acerca del nivel de satisfacción cuando usan la IA. la
pregunta se establece así: ¿por qué?
De los cuales se destacan los siguientes argumentos:
Si, se sientes satisfecho No, se siente satisfecho

Porque me facilita la búsqueda de información Porque no es mi método de aprendizaje
Porque no estoy muy interesada en utilizar
Porque Me facilita el estudio para parciales inteligencia artificial
Porque es una herramienta que me ayuda a Porque siento que es plagio
optimizar mis tiempos
Porque resuelve las dudas que tengo cuando Porque pienso que es un atraso, que un
estudio adelanto
Porque no es 100% confiable, por lo que no le
Porque me da seguridad tengo mucha confianza.
42
Esto es solo una muestra de las respuestas que dieron las personas encuestadas, pero se
observa que los estudiantes del tecnológico de Comfenalco, tienen pensamientos sobre la
inteligencia artificial muy interesantes, por lo que, se puede aconsejar a los futuros investigadores
profundizar más este tema de la inteligencia artificial en las universidades.
VARIABLES DEL MODELO

En este punto se brindará las gráficas de las variables del modelo y su estadística
descriptiva:
TIEMPO(Y)
Grafico 28. Variable Y(tiempo).
Variable Y(tiempo).
4.5
3.5
2.5
1.5
0.5
0
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 157 163 169
El grafico de nos permite visualizar la tendencia que tiene los datos de la variable Y.
SEXO (D1)
Grafico 29. Sexo
43
sexo (d1)
hombre
mujer
83; 48%
90; 52%
En este se demuestra cuantas personas encuestadas son hombre y cuantas son mujeres,
asimismo se muestra el porcentaje respectivo. Recordando que el hombre representa 1 y las
mujeres representan 0 en la variable dummy del modelo.
OCUPADO (D2)
Grafico 30. Ocupado (d2)
Ocupado (d2)
si
67; 39% no
106; 61%
44
La variable dummy del modelo se expresa de la siguiente forma: 1 si está ocupado (trabaja)
y 0 si no está ocupada (no trabaja). En el grafico se observa que el 61% de los estudiantes no
trabajan y un 39 % si trabaja.
ESTADO CIVIL (D3)
Grafico 31. Estado civil (d3)
Estado civil (d3)
pareja
39% otro
61%
Esta variable la categorizamos de la siguiente forma: si es casado, unión libre, noviazgo

(pareja) se representa con el valor de 1, si no presenta ninguna de las características mencionadas
anteriormente se representa con un 0. En este grafico se observa que el 39% de los estudiantes
del tecnológico tienen pareja.
RENDIMIENTO ACADÉMICO (X1)
Grafico 32. Rendimiento académico (X1)
45
Rendimiento academico (x1)
45
42
40
35
30 28
26
25
20 18
15
12 11 12
10
4 5 4
5 3 3
1 1 1 1 1
0
3.5 3.6 3.7 3.8 3.9 3.90 3.99 4.0 4.1 4.2 4.3 4.4 4.5 4.54 4.6 4.7 4.8
El rendimiento de los estudiantes se mide por su promedio académico sacado en el anterior

semestre cursado, esta es una variable cuantitativa del modelo y se visualiza en el grafico que el
promedio más sacado por los estudiantes es 4.0.
NUMERO DE CRÉDITO (X2)
Grafico 33. Numero de crédito (x2)
Numero de crédito (x2)

30
25
20
15
10
0
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97 103 109 115 121 127 133 139 145 151 157 163 169
46
El grafico de la variable x2, se utiliza para ver la tendencia y los datos atípicos, por lo que
se nota que existen varios datos atípicos en la variable, igualmente se observa agrupación de
ciertos datos, por lo tanto, se observara el grafico de caja y bigote para completar el análisis.
SEXO * OCUPADO(D1D2)
Grafico 34. Sexo* ocupado(d1d2)
SEXO * OCUPADO(D1D2)
40
133
Esta variable se define de la siguiente manera, la parte azul representa (1) y la parte roja
representa (0) obtenidos en la multiplicación de las dos dummy, por lo que se observa una gran
numero de 0, y menor cantidad de 1 en la interacción de estas dos variables.
Grafico 35. Caja y bigote de las variables del modelo.
47
En este gráfico de cajas y bigotes, presentamos nuestras variables, destacando la

presencia de valores atípicos, los cuales son más predominantes en la variable X2. adicionando
las estadísticas básicas del modelo para más comprensión de las mismas:
cuartil 1 cuartil 3
y 1 2
x1 3,9 4,2
x2 16 18
48
Aquí podemos evidenciar todas las estadísticas básicas de nuestro modelo con sus
respectivas variables.
LOS RESIDUOS
10. ESTIMACION DEL MODELO

Los modelos utilizaran dos pruebas de hipótesis: la global que se realizara con el
estadístico f y l pruebas individuales con t student.
Hipótesis global
H O : β1=β 2=β 3= β 4=β 5=β 6 = β 7 ≅ 0
H 1 : β 1=β 2=β 3=β 4 =β 5=β 6 = β 7 ≠ 0
Nivel de significancia (n.s): 5%
HIPOTESIS INDIVIDUAL
49
H O : la β ≅ 0
H 1 : la β ≠ 0
Nivel de significancia (n.s): 5%
A. MODELO ANOVA
Los coeficientes son los valores de las betas (parametros) de la ecuacion, el error estandar
son las varianzas de sus estimadores , despues biene el constrarte de la t , hay es donde se ve la
pruebas individuales, con un nivel de significancia del 5% , encontramos que ningunas de las
variables explicativas es significante para el modelo, por consiguiente se tiene evidencia
estadisticamente significativa para no rechazar a Ho ( hipotesis nula).
La prueba de hipotesis global f es del 0,766398 , con un nivel de significacion del 0,05. Se
tiene evidencia estadisticamente significativa para no rechazar Ho, en consecuencia se tiene una
prueba global no significativa
R cuadrado me informa del porcentaje de variacion de la variable dependiente , en este

caso es muy bajo, pero se espera bajo por el tipo de modelo que es de corte transversal.
PRUEBAS DEL MODELO ANOVA

NORMALIDAD
50
Prueba de Normalidad
La prueba de normalidad se basa en dos hipótesis:
- Hipótesis Nula (Ho): Los residuos siguen una distribución normal.
- Hipótesis Alternativa (H1): Los residuos del modelo no siguen una distribución normal.
En el marco de este estudio, se empleó el Test de Jarque-Bera, y la probabilidad asociada

a este test debe ser superior al 5% para que no surjan problemas relacionados con la suposición
de normalidad. En este escenario, se procederá a aceptar la Hipótesis Nula (Ho), que es el
objetivo deseado. Sin embargo, si el valor resultante es inferior al 5%, esto indicaría problemas de
normalidad, proporcionando evidencia estadísticamente significativa para rechazar la Hipótesis
Nula (Ho) en cuestión.
HETEROCEDASTICIDAD
51
Para evaluar la presencia de heterocedasticidad, se aplicó la prueba de White. Las

hipótesis de interés son las siguientes:
- Hipótesis Nula (Ho): La varianza de los residuos no presenta heterocedasticidad.
- Hipótesis Alternativa (H1): La varianza de los residuos muestra heterocedasticidad.
En este contexto, se optó por utilizar la prueba chi-cuadrado, dado que se considera que la
muestra es lo suficientemente grande. Para que no se detecten problemas de heterocedasticidad,
la probabilidad asociada a la prueba chi-cuadrado debe superar el 5%.
(De acuerdo con los resultados, parece que esta prueba no arrojó problemas de
heterocedasticidad). Por tanto, se dispone de evidencia estadísticamente significativa para no
rechazar la Hipótesis Nula (Ho) o la hipótesis nula en cuestión.
CORRELACIÓN
52
La correlación en econometría se refiere a la relación estadística entre una o más variables
en el modelo, esta sirve para evaluar si existe una conexión estadísticamente entre las variables.
En este modelo realizado se observa que hay correlación por lo que se puede decir que las
variables explicativas están relacionadas con la variable Y, por lo que la variable tiene poca
independencia de las demás variables.
AUTOCORRELACCIÓN
Prueba de Auto-correlación:
Prueba de Breustch - Godfrey
Hipótesis:
- Hipótesis Nula (Ho): Los residuos no presentan correlación.
- Hipótesis Alternativa (H1): Los residuos del modelo muestran correlación.
53
La evaluación de esta aseveración se realiza a través de la probabilidad contenida en la
última columna de la tabla de resultados. En este contexto, para evitar problemas de auto-
correlación, se espera que las estimaciones de las variables no sean estadísticamente
significativas, es decir, que superen el umbral del 5%. En caso de que estas estimaciones sean
inferiores al 5%, se considera que existe evidencia estadísticamente significativa que respalda el
rechazo de la Hipótesis Nula (Ho).
PRUEBA DE ENDOGENIDAD
Test de Granger
El procedimiento para llevar a cabo esta prueba implica examinar la relación entre dos
variables en la última fila de la tabla de resultados. En este contexto, los valores numéricos
proporcionados deben superar el umbral del 5%. Si este requisito no se cumple, se plantea la
posibilidad de que exista un problema de endogenidad entre las variables en consideración.
INTERVALOS DE CONFIANZA
54
MODELO
B. MODELO ANCOVA
Este modelo demuestra que ninguna variable es significativa para el modelo, con el criterio
de la prueba t, significa que no se rechaza la hipótesis nula. La R cuadrado es muy baja
55
(0,027670) y la prueba global f resulto ser no significativa para el modelo, entonces resulta que no
se rechaza la hipótesis nula.
NORMALIDAD
Prueba de Normalidad
La prueba de normalidad se basa en dos hipótesis:
- Hipótesis Nula (Ho): Los residuos siguen una distribución normal.
- Hipótesis Alternativa (H1): Los residuos del modelo no siguen una distribución normal.
En este estudio, se utilizó el Test de Jarque-Bera, y la probabilidad asociada a este test

debe ser superior al 5%, para que no allá problemas con la normalidad de los residuos. En este
escenario, se procederá a no aceptar la Hipótesis Nula (Ho), que es lo deseado. Por consiguiente,
el valor resultante es inferior al 5%, esto indica problema de normalidad de los residuos,
proporcionando evidencia estadísticamente significativa para rechazar la Hipótesis Nula (Ho).
56
HETEROCEDASTICIDAD
Las hipótesis de interés son las siguientes:
- Hipótesis Nula (Ho): La varianza de los residuos no presenta heterocedasticidad.
- Hipótesis Alternativa (H1): La varianza de los residuos muestra heterocedasticidad.
Se usó la prueba de while para este modelo, en este contexto, se decidió utilizar la prueba
de chi-cuadrado al considerar que la muestra era suficientemente grande. Para evitar detectar
problemas de heterocedasticidad, la probabilidad asociada a la prueba de chi-cuadrado debe ser
superior al 5%.
los resultados arrojados, comprueban que no existe este problema, por la probabilidad de la
chi que fue de 0.3577, lo que dice que se tiene evidencia estadísticamente significativa para no
rechazar a H0 o la hipótesis nula.
AUTOCORRELACCIÓN
57
Prueba de Auto-correlación:
Prueba de Breustch - Godfrey
Hipótesis:
- Hipótesis Nula (Ho): Los residuos no presentan auto-correlación.
- Hipótesis Alternativa (H1): Los residuos del modelo muestran auto-correlación.
En este modelo existe problema de auto-correlación, porque el valor obsequiado por la

estimación en el programa es del 0.0012, lo que implica que es menor al 5 % del nivel de
significancia. Por lo cual, hay evidencia estadísticamente significativa para rechazar a H0 o
hipótesis nula.
58
Test de Granger
Realizar esta prueba implica examinar la relación entre dos variables en la última fila del
cuadro de mando. En este contexto, los valores numéricos indicados deben superar el 5%. Si no
se cumple este requisito, surge la posibilidad de que pueda haber un problema de Endogenidad
entre las variables involucradas. En este se observaron dos relaciones. la primera de Y e x1 y la
segunda D1 con D2.
59
MODELO
C. MODELO ANCOVA CON INTERCEPTO
60
Este modelo presenta en sus pruebas individuales de las variables (estadístico t) que
ninguna de sus variables es significativa para el modelo, que quiere decir que se tiene evidencia
estadísticamente significativa para no rechazar HO (es que la hipótesis nula). También tenemos
que la R cuadrada es de 3% por lo que se considera baja; además en la prueba global F,
poseemos una f del 52%, por lo que se tiene evidencia estadísticamente significativa para no
rechazar a la hipótesis nula.
PRUEBA DE NORMALIDAD DE LOS RESIDUOS JARQUE- BERA
Se observa que este modelo tiene problemas de normalidad, porque se rechaza la

hipótesis nula que dice que la distribución de los residuos se distribuye normalmente, por lo que
este presenta que los residuos no se distribuyen normalmente.
PRUEB DE HETEROSCEDASTICIDAD
WHILE
61
En este modelo se tomará como hipótesis la distribución chip cuadrada, porque se

considera que la muestra es grande, es decir, nos guiaremos de los supuestos de esta prueba el
cual nos menciona que par muestras pequeñas se debe utilizar el estadístico t y para las muestras
grandes el chip cuadrado. Ahora bien, viendo el modelo nos damos cuenta que este tiene una
probabilidad mayor al 5%, por lo que no se rechaza la hipótesis nula que dice que la varianza de
los residuos es homocedasticidad; por tanto, este modelo no presenta problemas de
heterocedasticidad.
CORRELACIÓN
62
PRUEBA DE AUTO-CORRELACIÓN BREUST – GODFREY
En este tenemos los residuos como variables dependientes, las variables explicativas y
cuatro momentos pasados. Como vemos en este modelo que una de las probabilidad de los
residuos es significativa por lo que se presenta un indicio de problema de autocorrelacion.
Para este modelo se tomara como referencia chi cuadrada, se nota que el prob.chi es no
signiicativa, es decir, se rechaza la hipotesis nula de que hay ausencia de autocorrelacion.
63
Lo que se quiere es que los residuos sean insignificativos y se quiere que la f no sea
significativo , algo que se nota que es lo se presenta probla de autocorrelaccion.
64
65
En esta prueba se busca que las probabilidades den no significativas, dicho de otra
manera, se quiere que sean mayores al 5%, pero resulta que en estimación se nota que hay varias
que son significativas por lo que se presenta un problema de Endogenidad. Las variables que
presentan este problema es: la relación de Y CON X1, D1 CON D2 y D1 COND1D2.
PRUEBA DE MULTICOLINEALIDAD
Esta se realizará utilizando el FIV:
1
FIV = 2
1−R
El criterio de esta será que: si es mayor a 10 hay multicolinealidad grave y si es menor a

10 se presenta una multicolinealidad leve.
X1: 1- 0.015214 = 0.98
X2: 1-0.15214 = 0.84
MODELO
66
11. Prueba de máxima verosimilitud
Test de variables redundante
En la prueba de verosimilitud que realizamos para el modelo ancova con intercepto,

optamos por sacar las variables que tenían la probabilidad de t muy alta, por lo que sacamos D3.
La hipótesis que utilizamos es esta:
H0: la variable D3 es redundante.
H1: la variable D3 NO es redundante.
67
Resulto que la variable de D3 resulto no ser redundante para el modelo, por lo que se
rechaza la hipótesis H0. Pero, también observamos que, sacando esa variable del modelo, no
hace que las demás variables sean significativas; siguen siendo todas insignificante para el
modelo. pro pensamos hacer otra con la variable x2, lo cual nos dio así:
68
Resulto que la variable X2 es no significante para el modelo, sin embargo, al sacarla del
modelo se gestiona ningún cambio en las variables que quedan el modelo, siguen siendo no
significativas, por ende, se dejara el modelo original para hacer las correcciones.
12. CORRECIONES DEL MODELO

Estas correcciones se realizarán solo al modelo ancova con intercepto.
CORRECION DE AUTO-CORRELACION
Como se presentó anteriormente el modelo presento problemas de auto-correlación, por lo

que se procederá a corregirlo:
En el programa Eviews se corrigió el problema, como se puede notar la probabilidad de la

chi cuadrada es superior al 5 %, por lo tanto, se tiene evidencia estadísticamente significativa para
no rechazar la hipótesis nula. Igualmente se observa que Durbin-Watson está muy cerca de 2, por
ende, es un buen inicio de que no hay auto-correlación.
69
CORRECION DE NORMALIDAD
En el punto de estimación del modelo se revelo que este presenta problemas de normalidad por lo
que trataremos de resolverlo por el método log.
En este modelo se elavora una variable fisticia y las variables cuantitativas se les hace el
logaritmo, despues se corre el modelo con la variables y eso fue lo que resulto: las variables
cuantitativas son insignificantes para el modelo.Ahora bien este no es todo:
70
Aun asi, haciendo el modelo de correcion log , repercuto el mismo problema de normalidad
de los residuos, adicionando que este genero mas problamas, Incluso problemas que no teniamos:
13. Conclusion
En conclusión, los resultados obtenidos en esta investigación no son los esperados al inicio
del trabajo. Comenzando, con que nuestras variables explicativas siempre resultaron no
significantes para el modelo, la prueba globales de la f nos dio en todos los 3 modelos que no se
rechazaba la hipótesis nula; esto implica que alguno de nuestros parámetros (betas) es igual a 0,
asimismo, las R cuadrada son demasiados bajas, aunque en los trabajos de corte transversal
suelen ser bajas.
Esto solo al principio del modelo, también se tiene varios problemas en los tres modelos
estimados:
71
 Normalidad en los residuos: en este los tres modelos perdieron la pelea, todos
presentaron problema de normalidad. En este se utilizó el test de Jarque- Bera, el
cual resulto ser inferior al nivel de significancia (5%), por lo que se tiene evidencia
estadísticamente significativa para rechazar la hipótesis nula, algo que en este caso
es grave, porque representa que los residuos no se distribuyen normalmente.
 Heterocedasticidad: en esta se utilizó para todos los modelos el test de while, aquí
los tres modelos no presentaron problema de heterocedasticidad, por lo que no se
rechaza la hipótesis nula del modelo y se puede interpretar con este que los
modelos son homocedásticos. Se presentó la evidencia en la probabilidad de la chi
cuadrado porque, consideramos una muestra grande de 173 estudiantes del
tecnológico de Comfenalco.
 Auto-correlación: los modelos irradiaron problema de autocorrelacion en las
varianzas, esta prueba se ejecutó con el tex de Godfrey y su respectiva prueba de
hipótesis. Aun así, los resultados exhibidos son de rechazo a la hipótesis nula por la
razón de que la probabilidad de la chi cuadrada es inferior al 5 % del nivel de
significancia, por lo que, en este test implica problema de autocorrelacion.
 Endogenidad: el primer modelo no presento problema de este tipo, mientras que el
segundo modelo que es el ancova comenzó a presentarlo en la relación de Y con x1
y en el último modelo de ancova con intercepto siguió, asimismo se presentó otras
relaciones de variables D1 con D2 y D1 CON D1D2, pero en este trabajo no se
tienen este problema como grave, puesto que, se considera que las D1 y D2 deben
estar relacionadas con la D1D2, porque, la variable de intercepto sale de esas dos
dummy. Además, en este trabajo no se corregir este problema.
 Multicolinealidad: este test solo se le hizo al modelo ancova con intercepto, esto se
realizó con el FIV, en este se presentó resultados altos, pero ninguno superior al 10
por lo que, se considera que no hay multicolinealidad grave.
En la prueba de verosimilitud elaborada en el programa Eviews, su utilización se da por el

hecho de revisar que variables son significativas y cuáles no, prácticamente se quitan variables no
significativas, para observar si el modelo estimado resulta o no significativo. De todas formas, el
test mostro que las variables del modelo son no significativas.
72
En las correcciones de modelo se consiguieron con éxito solucionar el problema de la auto-
correlación, pero, el problema de normalidad de los residuos no se puede corregir el problema por
el modo log – log, porque se genera otros problemas que no teníamos como el de heterogeneidad,
lo único lo que pudimos hacer fue con este modelo es subir un poco la probabilidad de Jarque-
Bera.
14. Bibliografía - Cibergrafia

https://www.upo.es/revistas/index.php/IJERI/article/view/1654/1569
http://polired.upm.es/index.php/lacuestionuniversitaria/article/view/3359/3423
http://runachayecuador.com/refcale/index.php/didascalia/article/view/2565
http://www.scielo.org.pe/scielo.php?script=sci_nlinks&ref=1937776&pid=S2307-
7999201900020002100030&lng=es
https://www.scielo.cl/scielo.php?pid=S0718-50062020000100093&script=sci_arttext
https://www.bing.com/videos/riverview/relatedvideo?
q=como+se+corrige+el+problema+de+autocorrelacion+&mid=1AC7064B929F95041E581AC7064
B929F95041E58&FORM=VIRE
http://www.scielo.org.pe/scielo.php?pid=S2307-79992019000200021&script=sci_arttext
file:///C:/Users/SIS-01/Downloads/Tiemplo%20empleado%20en%20la%20realizaci
%C3%B3n%20de%20trabajos%20universitarios.pdf
https://www.redalyc.org/pdf/3735/373544192007.pdf
https://www.researchgate.net/publication/
284195254_Perfil_de_Aprendizaje_y_Rendimiento_Academico_en_una_Asignatura_de_Quimica_
en_Modalidad_a_Distancia_y_Presencial_en_dos_Programas_de_Ingenieria
taxonomía de académica:
https://www.ucab.edu.ve/wp-content/uploads/
2019/01/540f3dedd168761f49253c605e212503.pdf
73
15. Anexos
Muestra
N = 7890
NP= 15
NUMEROS DE CREDITO X2
X =23.23
S= 74.853
2
S =5603
E(0.40) = (0.40)*23.23= 9.292

2 2
z ∗s
n 0= 2 = 176.64
E
no
n=
no = 173
1+
N
GRAFICOS
74
75
76
77
78

Trabajo Robinson M - C - Definitivo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Trabajo Robinson M - C - Definitivo

Cargado por

Copyright:

Formatos disponibles

Tiempo Empleado Al Uso De La IA Para La Realización De Trabajos Académicos De

Los Estudiante Del Tecnológico De Comfenalco

Mary Luz Arias De La Peña

Damián Andrés Carrasquilla

Profesor: Robinson Castro

Cartagena De Indias, Colombia

7. ESTADO DEL ARTE.....................................................................................................6

9. ANALISIS DESCRIPTIVO DE LAS VARIABLES........................................................11

Variables del modelo.........................................................................................................43

10. ESTIMACION DEL MODELO.....................................................................................49

Pruebas del modelo anova................................................................................................50

c. MODELO ANCOVA CON INTERCEPTO......................................................................60

11. Prueba de máxima verosimilitud.................................................................................67

12. CORRECIONES DEL MODELO.................................................................................69

14. Bibliografía - Cibergrafia..............................................................................................73

La incidencia de la IA en el ámbito educativo se ha manifestado de múltiples maneras,

La relevancia de este trabajo trasciende las fronteras de la institución, contribuyendo al

El estudio tiene como objetivo investigar cómo la integración de la inteligencia artificial ha

La inteligencia artificial (IA) se refiere a la simulación de procesos de inteligencia humana

La inteligencia artificial puede manifestarse de diversas maneras, como el aprendizaje

En la mayoría de los sistemas educativos, el promedio académico se expresa en una

La manera en cómo los estudiantes adquieren conocimientos y desarrollan habilidades

Además de la personalización del aprendizaje, la inteligencia artificial también puede

7. ESTADO DEL ARTE

Sin embargo, la implementación exitosa de la IA en un entorno educativo no es sin sus

El dilema confrontación generacional en la actualidad es más evidente que en cualquier

Dichas exigencias, según el organismo mencionado, están enraizadas en las competencias

La IA es un tema de por sí de gran envergadura, ya que logra avasallar muchos aspectos

La metodología empleada en el estudio se describe de la siguiente manera resumida: (1)

Paso 1: Diseño de la encuesta y recolección de la información por medio de encuestas

Dónde: n: dimensión de la muestra. no : se considera como primera aproximación. N:

Paso 3: Construcción de la base de datos. La encuesta se aplicó a un número de 173

Paso 4: Procesamiento computacional. Con base en los puntos antes mencionados, y en

Paso 5: Descripción y análisis de las principales variables influyentes en el desempeño

Definición de las variables

Tiempo = β1+ β2Sexo + β3Ocupado + β4Estado civil + ϱ

Tiempo = β1+ β2Sexo + β3Ocupado + β4Estado civil + β5Rendimiento académico +

Modelo Ancova Con Intercepto

Nombre De La Tipo De Variable Descripción

Las pruebas a realizar serán:

Heterocedasticidad (test while)

Auto-correlación (test Godfrey)

Endogenidad (test Granger)

9. ANALISIS DESCRIPTIVO DE LAS VARIABLES

Grafico 1. Variable edad categorizada.

Fuente: Elaboración propia

Grafico 2. Caja y bigotes de la variable edad

Fuente: Elaboración propia.

El gráfico de bigotes es una representación visual de la distribución de un conjunto de datos

Grafico 3. Población que no tiene hijos vs la que tiene hijos.

Fuente: Elaboración propia.

EDAD PROMEDIO DE LOS HIJOS

Grafico 4. Población que no tiene hijos vs la que tiene hijos.

1año 1 año y 4 meses 10 meses 11 meses 8 meses 9 meses

Fuente: Elaboración propia.

Grafico 5. Caja y bigote de la variable edad promedio de los hijos.

Estadística descriptiva de la variable de contexto edad promedio de los hijos:

Edad promedio de los hijos

Lugar de Residencia (N = 173), el gráfico de pastel representa la distribución de lugar de

Grafico 7. Lugar de residencia.

Fuente: Elaboración propia

Estadísticas básicas de la variable de contexto lugar de residencia:

Grafico 8. Tipo de trabajo