Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Universidad De Cartagena
Facultad De Economia
Economía
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
8. METODOLOGIA............................................................................................................8
VARIABLES DE CONTEXTO............................................................................................11
a. MODELO ANOVA......................................................................................................50
b. modelo ancova...........................................................................................................56
Heterocedasticidad........................................................................................................57
13. Conclusion...................................................................................................................71
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.
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.
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.
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.
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.
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).
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.
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 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
Paso 6: Estimación de modelos con sus respectivas pruebas de diagnóstico sobre los
supuestos básicos de MMCO.
Modelo Anova
( Υ = β1 + β2 D 1 + β3 D 2 + β4 D 3+ ϱ )
Modelo Ancova
( Υ = β1 + β2 D 1 + β3 D 2 + β4 D 3+ β5 X 1 + β6 X 2 + ϱ)
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 )
10
Normalidad (test Jarque-Bera)
Multicolinealidad (FIV)
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.
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.
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
Fuente: Elaboración propia.
HIJOS
Esta variable quiere presentar la población que tiene hijos y la que no, para poder saber
cuántas personas 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
Fuente: Elaboración propia.
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.
14
edad promedio de los hijos
1; 9%
1; 9%
5; 45%
2; 18%
1; 9%
1; 9%
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.
15
Fuente: Elaboración propia.
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.
Media 1,83333333
Error típico 0,65404723
Mediana 1
Moda 1
Desviación estándar 1,60208198
Varianza de la muestra 2,56666667
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
Fuente: Elaboración propia.
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.
Lugar de residencia
Media 86,5
Error típico 55,5
Mediana 86,5
Moda #N/D
Desviación estándar 78,4888527
Varianza de la muestra 6160,5
Curtosis #¡DIV/0!
Coeficiente de asimetría #¡DIV/0!
cuartil 1 58,75
cuartil 3 110,25
Rango 111
Mínimo 31
Máximo 142
Suma 173
17
Cuenta 2
Fuente: Elaboración propia.
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.
TIPO DE TRABAJO
25; 37%
42; 63%
formal Informal
Tipo de trabajo
Media 33,5
Error típico 8,5
Mediana 33,5
Moda #N/D
Desviación estándar 12,0208153
18
Varianza de la muestra 144,5
Curtosis #¡DIV/0!
Coeficiente de asimetría #¡DIV/0!
cuartil 1 29,25
cuartil 3 37,75
Rango 17
Mínimo 25
Máximo 42
Suma 67
Cuenta 2
Fuente: Elaboración propia.
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.
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
ERROR TÍPICO 20,0859265
MEDIANA 72
MODA #N/D
DESVIACIÓN ESTÁNDAR 34,7898453
VARIANZA DE LA MUESTRA 1210,33333
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
Fuente: Elaboración propia.
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.
21
Fuente: Elaboración propia.
CARRERA
MEDIA 6,40740741
ERROR TÍPICO 0,93256876
MEDIANA 6
MODA 2
DESVIACIÓN ESTÁNDAR 4,84576944
VARIANZA DE LA MUESTRA 23,4814815
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
Fuente: Elaboración propia.
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%.
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
ERROR TÍPICO 6,83462168
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
Fuente: Elaboración propia.
TIPO DE FORMACION
24
tipo de formacion
173
100%
presencial
TIPO DE FORMACIÓN
MEDIA 173
ERROR TÍPICO 0
MEDIANA 173
MODA #N/D
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
39; 23%
Rural
Urbano
134; 77%
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
residencia de un conjunto de 173 personas.
Media 86,5
Error típico 47,5
Mediana 86,5
Moda #N/D
Desviación estándar 67,1751442
Varianza de la muestra 4512,5
Curtosis #¡DIV/0!
cuartil 1 62,75
cuartil 3 110,25
Coeficiente de asimetría #¡DIV/0!
Rango 95
Mínimo 39
Máximo 134
Suma 173
Cuenta 2
0
Fuente: Elaboración propia.
27
COLEGIO
54; 31%
Privado
Publico
119; 69%
Media 86,5
Error típico 32,5
Mediana 86,5
Moda #N/D
Desviación estándar 45,9619408
Varianza de la muestra 2112,5
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
Fuente: Elaboración propia.
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.
26; 15%
No
Si
147; 85%
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:
Media 86,5
29
Error típico 60,5
Mediana 86,5
Moda #N/D
Desviación estándar 85,5599205
Varianza de la muestra 7320,5
Curtosis #¡DIV/0!
cuartil 1 56,25
cuartil 3 116,75
Coeficiente de
asimetría #¡DIV/0!
Rango 121
Mínimo 26
Máximo 147
Suma 173
Cuenta 2
Fuente: Elaboración propia.
No
Si
170; 98%
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
residencia de un conjunto de 173 personas.
Media 86,5
Error típico 83,5
Mediana 86,5
Moda #N/D
Desviación estándar 118,086832
Varianza de la muestra 13944,5
Curtosis #¡DIV/0!
cuartil 1 44,75
cuartil 3 128,25
Coeficiente de
asimetría #¡DIV/0!
Rango 167
Mínimo 3
Máximo 170
Suma 173
Cuenta 2
Fuente: Elaboración propia.
31
COMO APRENDIO A UTILIZAR LA IA
14; 8%
Autodidacta
Formación
159; 92%
Aprendió utilizarla
Media 86,5
Error típico 72,5
Mediana 86,5
Moda #N/D
Desviación estándar 102,530483
Varianza de la muestra 10512,5
Curtosis #¡DIV/0!
cuartil 1 50,25
cuartil 3 122,75
Coeficiente de
asimetría #¡DIV/0!
Rango 145
32
Mínimo 14
Máximo 159
Suma 173
Cuenta 2
Fuente: Elaboración propia.
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.
COMPETENCIA EN SISTEMA
20; 12%
No
Si
153; 88%
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.
Conocimiento de sistema
Media 86,5
Error típico 66,5
Mediana 86,5
Moda #N/D
Desviación estándar 94,0452019
Varianza de la muestra 8844,5
Curtosis #¡DIV/0!
cuartil 1 53,25
cuartil 3 119,75
Coeficiente de
asimetría #¡DIV/0!
Rango 133
Mínimo 20
Máximo 153
Suma 173
Cuenta 2
Fuente: Elaboración propia.
34
Utilizacion de plataformas digitales
173
USO DADO A LA IA
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.
36
Fuente: Elaboración propia.
USO dado a la IA
Media 43,25
Error típico 12,4724697
Mediana 40
Moda #N/D
Desviación estándar 24,9449394
Varianza de la muestra 622,25
-
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
Fuente: Elaboración propia.
CLASIFICACIÓN DE MATRIAS
asignaturas practicas 2
asignatura instrumentales 60
asignatura operativa 67
asignatura teoricas 44
0 10 20 30 40 50 60 70 80
Media 43,25
Error típico 14,5680873
Mediana 52
Moda #N/D
Desviación estándar 29,1361745
Varianza de la muestra 848,916667
Curtosis 1,72770484
38
Cuartiles 1 33,5
cuartiles 3 61,75
Coeficiente de -
asimetría 1,40407906
Rango 65
Mínimo 2
Máximo 67
Suma 173
Cuenta 4
0
Fuente: Elaboración propia.
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
Error típico 9,78876063
Mediana 3
Moda 2
Desviación estándar 32,4656462
Varianza de la muestra 1054,01818
Curtosis 10,0460144
cuartil 1 2
cuartil 3 12,5
Coeficiente de
asimetría 3,12773467
Rango 111
Mínimo 1
Máximo 112
Suma 173
40
Cuenta 11
Fuente: Elaboración propia.
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:
MEDIA 86,5
MEDIANA 86,5
MODA #N/D
41
VARIANZA DE LA MUESTRA 3960,5
CURTOSIS #¡DIV/0!
CUARTIL 1 64,25
CUARTIL 3 108,75
RANGO 89
MÍNIMO 42
MÁXIMO 131
SUMA 173
CUENTA 2
0
Fuente: Elaboración propia.
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?
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.
TIEMPO(Y)
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)
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)
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.
pareja
39% otro
61%
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
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)
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.
47
Fuente: Elaboración propia.
cuartil 1 cuartil 3
y 1 2
x1 3,9 4,2
x2 16 18
48
Fuente: Elaboración propia.
Aquí podemos evidenciar todas las estadísticas básicas de nuestro modelo con sus
respectivas variables.
LOS RESIDUOS
Hipótesis global
HIPOTESIS INDIVIDUAL
49
H O : la β ≅ 0
H 1 : la β ≠ 0
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
50
Fuente: Elaboración propia.
Prueba de Normalidad
- Hipótesis Alternativa (H1): Los residuos del modelo no siguen una distribución normal.
HETEROCEDASTICIDAD
51
Fuente: Elaboración propia.
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:
Hipótesis:
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
Fuente: Elaboración propia.
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
- Hipótesis Alternativa (H1): Los residuos del modelo no siguen una distribución normal.
56
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
Fuente: Elaboración propia.
Prueba de Auto-correlación:
Hipótesis:
PRUEBA DE ENDOGENIDAD
58
Fuente: Elaboración propia.
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.
INTERVALOS DE CONFIANZA
59
Fuente: Elaboración propia.
MODELO
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.
PRUEB DE HETEROSCEDASTICIDAD
WHILE
61
Fuente: Elaboración propia.
CORRELACIÓN
62
Fuente: Elaboración propia.
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
Fuente: Elaboración propia.
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.
PRUEBA DE ENDOGENIDAD
64
Fuente: Elaboración propia.
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
1
FIV = 2
1−R
INTERVALOS DE CONFIANZA
MODELO
66
11. Prueba de máxima verosimilitud
Test de variables 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.
CORRECION DE AUTO-CORRELACION
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.
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.
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
no
n=
no = 173
1+
N
GRAFICOS
74
75
76
77
78