UNIVERSIDAD TÉCNICA DE COTOPAXI

FACULTAD DE CIENCIAS DE LA INGENIERÍA Y APLICADAS

CARRERA DE INGENIERÍA EN INFORMÁTICA Y SISTEMAS COMPUTACIONALES

PROYECTO DE INVESTIGACIÓN

MODELO BASADO EN MINERÍA DE DATOS PARA DETERMINAR

FACTORES DE DESERCIÓN ESTUDIANTIL EN LA FACULTAD DE
CIENCIAS DE LA INGENIERÍA Y APLICADAS DE LA UNIVERSIDAD
TÉCNICA DE COTOPAXI.

Proyecto de Titulación presentado previo a la obtención del Título de Ingeniería en Informática y

Sistemas Computacionales

AUTORAS:
Masabanda Yépez Jhenny Flor
Zapata Rocha Carla Jhoana

TUTORA:
Ing. MSc. Albán Taipe Mayra Susana

LATACUNGA – ECUADOR

Agosto 2019

i
DECLARACIÓN DE AUTORÍA

ii
AVAL DEL TUTOR DEL PROYECTO DE TITULACIÓN

iii
APROBACIÓN DEL TRIBUNAL DE TITULACIÓN

iv
 AGRADECIMIENTO

A Dios, por haberme dado la vida, por tener

una familia maravillosa y la oportunidad de
conocer a personas de lindos sentimientos de
las cuales he aprendido a ser perseverante, a no
dejarme vencer por los obstáculos.

También agradezco a mis maestros por

haberme formado profesionalmente en
especial a la Ing. MSc. Mayra Albán, en
calidad de tutora por la paciencia otorgada en
guiarme e impartir sus conocimientos.

Jhenny

v
 AGRADECIMIENTO

A mis amigos con todos los que compartí

dentro y fuera de las aulas, que se convierten
en amigos de vida y aquellos que serán mis
colegas, gracias por todo su apoyo y diversión.

A toda mi familia que han estado presente cada

una de las etapas de mi vida.

Carla

vi
 DEDICATORIA

El presente proyecto les dedico a mis padres

María y Carlos y a mis hermanos Adrián y
Vanessa, quienes han estado conmigo durante
toda mi vida, brindándome su amor y apoyo
incondicional, enseñándome que con esfuerzo,
dedicación y entrega total que puede alcanzar
las metas que nos propongamos en la vida.

A Mauricio quien me ha brindado su amor y

palabras de aliento para continuar con mis
estudios y a mi hija Greta por las veces que me
ha hecho sonreír con su inocencia.

Jhenny

vii
 DEDICATORIA

Dedico este trabajo principalmente a Dios, por

haberme dado la vida y permitirme haber
llegado hasta este momento tan importante de
mi formación profesional.

A mis padres Gladys y Jorge por ser el pilar

más importante, por demostrarme siempre su
cariño, amor y apoyo incondicional sin
importar nuestras diferencias de opiniones y a
mi hermanita Maite.

Carla

viii
 ÍNDICE GENERAL

DECLARACIÓN DE AUTORÍA ........................................................................................................... ii

AVAL DEL TUTOR DEL PROYECTO DE TITULACIÓN ............................................................... iii

APROBACIÓN DEL TRIBUNAL DE TITULACIÓN .........................................................................iv

AGRADECIMIENTO.............................................................................................................................. v

DEDICATORIA ................................................................................................................................... vii

ÍNDICE GENERAL ................................................................................................................................ix

ÍNDICE DE TABLAS .......................................................................................................................... xii

ÍNDICE DE FIGURAS ........................................................................................................................ xiii

RESUMEN............................................................................................................................................xvi

ABSTRACT ........................................................................................................................................ xvii

AVAL DE TRADUCCIÓN ............................................................................................................... xviii

1 INFORMACIÓN GENERAL .......................................................................................................... 1

2 JUSTIFICACIÓN DEL PROYECTO .............................................................................................. 2

3 BENEFICIARIOS DEL PROYECTO ............................................................................................. 3

4 EL PROBLEMA DE INVESTIGACIÓN ........................................................................................ 3

4.1 Definición del problema .......................................................................................................... 5

5 OBJETIVOS: ................................................................................................................................... 5

5.1 General .................................................................................................................................... 5

5.2 Específicos .............................................................................................................................. 5

6 ACTIVIDADES Y SISTEMA DE TAREAS EN RELACIÒN A LOS OBJETIVOS

PLANTEADOS........................................................................................................................................ 6

7 FUNDAMENTACIÓN CIENTÍFICO TÉCNICA ........................................................................... 7

7.1 Antecedentes ........................................................................................................................... 7

7.2 Principales referentes teóricos ................................................................................................. 7

7.3 Bases teóricas .......................................................................................................................... 9

Deserción Universitaria ................................................................................................... 9

Modelo para Predecir ...................................................................................................... 9

ix
 Tipos de deserción ......................................................................................................... 13

Factores de deserción .................................................................................................... 14

Minería de datos ............................................................................................................ 15

Las técnicas de minería de datos (Data Mining) ........................................................... 15

Campos de aplicación de la minería de datos en el Ecuador ......................................... 18

Ventajas y desventajas de la minería de datos............................................................... 19

Las herramientas de minería de datos ........................................................................... 19

Metodología de minería de datos .................................................................................. 21

Técnicas de Preprocesado ............................................................................................. 24

Métricas para la evaluación de clasificadores ............................................................... 25

DataSet .......................................................................................................................... 27

Excel .............................................................................................................................. 27

8 HIPÓTESIS .................................................................................................................................... 28

9 METODOLOGÍAS Y DISEÑO EXPERIMENTAL ..................................................................... 28

9.1 Metodología .......................................................................................................................... 28

Metodología Científica .................................................................................................. 28

Tipos de investigación ................................................................................................... 28

Métodos de investigación .............................................................................................. 29

Técnicas de investigación.............................................................................................. 29

Instrumentos de investigación ....................................................................................... 30

Métodos específicos ...................................................................................................... 31

9.2 Diseño de la Investigación .................................................................................................... 34

10 ANÁLISIS Y DISCUSIÓN DE RESULTADOS .......................................................................... 35

10.1 Recopilación de información ................................................................................................ 35

10.2 Confiabilidad de los datos ..................................................................................................... 37

10.3 Análisis de la información..................................................................................................... 37

10.4 Etapa de especificación del modelo ...................................................................................... 39

Análisis de datos a través de técnicas de minería de datos............................................ 54

x
11 IMPACTOS (INSTITUCIONALES, SOCIALES, AMBIENTALES O ECONÓMICOS) .......... 75

11.1 Impacto institucional ............................................................................................................. 75

11.2 Impacto económico ............................................................................................................... 75

11.3 Impacto social ....................................................................................................................... 75

12 PRESUPUESTO PARA LA PROPUESTA DEL PROYECTO .................................................... 76

12.1 Gastos directos ...................................................................................................................... 76

12.2 Gastos indirectos ................................................................................................................... 76

12.3 Gastos aproximados .............................................................................................................. 76

13 CONCLUSIONES Y RECOMENDACIONES ............................................................................. 77

13.1 Conclusiones ......................................................................................................................... 77

13.2 Recomendaciones .................................................................................................................. 77

14 BIBLIOGRAFÍA ............................................................................................................................ 79

15 ANEXOS........................................................................................................................................ 87

15.1 Anexo 1: Hoja de vida del grupo de trabajo .......................................................................... 87

15.2 Anexo 2: Encuesta................................................................................................................. 90

15.3 Anexo 4: Análisis de la encuesta......................................................................................... 100

xi
 ÍNDICE DE TABLAS
Tabla 1: Actividades de los objetivos .................................................................................................... 6
Tabla 2: Lista de variables planteadas por Bean 1980 ......................................................................... 12
Tabla 3: Cuadro comparativo de las metodologías de minería de datos .............................................. 23
Tabla 4: Descripción de Variables ....................................................................................................... 28
Tabla 5: Carreras de la Facultad de Ciencias de la Ingeniería y Aplicadas ......................................... 30
Tabla 6: Resultados de la evaluación de la escala de Likert ................................................................ 36
Tabla 7: Resultados de validez de la encuesta ..................................................................................... 37
Tabla 8: Estadísticas descriptivas de Ciencias de Ingeniería y Aplicadas ........................................... 37
Tabla 9: Variables (x, y)....................................................................................................................... 41
Tabla 10: Descripción de los factores de deserción estudiantil............................................................ 43
Tabla 11: Estimación del modelo inicial .............................................................................................. 44
Tabla 12: Modelo con todas variables ................................................................................................. 44
Tabla 13: Modelo ajustado de factores de deserción estudiantil .......................................................... 46
Tabla 14: Los resultados del proceso de la regresión lineal ................................................................. 49
Tabla 15: Método: BestFirst - Atributo: CfsSubsetEval ...................................................................... 55
Tabla 16: Método: GreedyStepwise - Atributo: CfsSubsetEval .......................................................... 56
Tabla 17: Factores de deserción ........................................................................................................... 56
Tabla 18: Especificaciones del Multilayer Perceptrón ......................................................................... 61
Tabla 19: Resultado de la herramienta que utiliza Weka que es Multilayer Perceptron ...................... 62
Tabla 20: Especificaciones del Navie Bayes........................................................................................ 63
Tabla 21: Resultado de la herramienta que utiliza Weka que es Naive Bayes..................................... 64
Tabla 22: Resultado de la herramienta que utiliza Weka que es J48 ................................................... 65
Tabla 23: Especificaciones del J48 ...................................................................................................... 67
Tabla 24: Resultado de la herramienta que utiliza Weka que es Random Forest ................................ 68
Tabla 25: Especificaciones del Random Forest ................................................................................... 69
Tabla 26: Resultado de la herramienta que utiliza Weka que es SMO ................................................ 70
Tabla 27: Especificaciones del SMO ................................................................................................... 71
Tabla 28: Instancias clasificadas por técnicas de minería de datos ...................................................... 72
Tabla 29: Resultados de las técnicas de minería de datos que posee Weka ......................................... 72
Tabla 30: Descripción gastos directos.................................................................................................. 76
Tabla 31: Descripción gastos indirectos .............................................................................................. 76
Tabla 32: Total, Gastos Directos e Indirectos ...................................................................................... 76

xii
 ÍNDICE DE FIGURAS
Figura 1: Modelo de Fishbein y Ajzen, 1975......................................................................................... 9
Figura 2: Modelo de Ethington, 1990 .................................................................................................. 10
Figura 3: El modelo de Spady, 1970 .................................................................................................... 11
Figura 4: Modelo de Tinto, 1987, Adaptado de Tinto (1975).............................................................. 11
Figura 5: Modelo de Bean, 1985.......................................................................................................... 13
Figura 6: Modelo de Pascarella y Terenzini ........................................................................................ 13
Figura 7: Pasos que componen la metodología KDD .......................................................................... 23
Figura 8: Familias técnicas en preparación de datos............................................................................ 24
Figura 9: Familias técnicas en reducción de datos ............................................................................... 25
Figura 10: Diseño de la investigación para determinar factores de deserción ..................................... 34
Figura 11: Modelo conceptual ............................................................................................................. 40
Figura 12: Ecuación generada .............................................................................................................. 42
Figura 13: Residuos del modelo con la variable 16 ............................................................................. 47
Figura 14: Continuidad del residuo del modelo ................................................................................... 47
Figura 15: Probabilidad Jarque-Bera ................................................................................................... 48
Figura 16: Regresión lineal .................................................................................................................. 51
Figura 17: Estructura gráfica de un modelo Naive Bayes ................................................................... 59
Figura 18: Árbol de decisión................................................................................................................ 65
Figura 19: ThresholdCurve con 1 - Naive Bayes ................................................................................. 73
Figura 20: ThresholdCurve con 1 - J48 ............................................................................................... 73
Figura 21: ThresholdCurve con 1 - SMO ............................................................................................ 73
Figura 22: ThresholdCurve con 1 – RandomForest ............................................................................. 73
Figura 23: ThresholdCurve con 1 – Multilayer Perceptrón ................................................................. 74
Figura 24: CostCurve con 1 - Naive Bayes.......................................................................................... 74
Figura 25: CostCurve con 1 - J48 ........................................................................................................ 74
Figura 26: CostCurve con 1 – SMO .................................................................................................... 74
Figura 27: CostCurve con 1 – RandomForest...................................................................................... 74
Figura 28: CostCurve con 1 – Multilayer Perceptrón .......................................................................... 75
Figura 29: Género de los estudiantes ................................................................................................. 100
Figura 30: Figura 27: Edad de los encuestados.................................................................................. 100
Figura 31: Carreras de Ciencias de la Ingeniería y Aplicadas ........................................................... 101
Figura 32: Ciclos al que pertenece los estudiantes ............................................................................ 102
Figura 33: Estado civil de los estudiantes .......................................................................................... 102
Figura 34: Etnia de los estudiantes .................................................................................................... 103
Figura 35: Posee discapacidad ........................................................................................................... 104
xiii
Figura 36: Tipo de discapacidad de posee ......................................................................................... 104
Figura 37: Grado de discapacidad que posee ..................................................................................... 105
Figura 38: Porcentaje de discapacidad que posee .............................................................................. 105
Figura 39: Porcentaje de discapacidad que posee .............................................................................. 106
Figura 40: País de origen de los estudiantes ...................................................................................... 106
Figura 41: Lugar de procedencia de los estudiantes de Eléctrica ...................................................... 107
Figura 42: Lugar de procedencia de los estudiantes de Industrial ..................................................... 108
Figura 43: Lugar de procedencia de los estudiantes de Electromecánica .......................................... 109
Figura 44: Lugar de procedencia de los estudiantes de Electromecánica .......................................... 110
Figura 45: Lugar de residencia actual de los estudiantes de Eléctrica ............................................... 111
Figura 46: Lugar de residencia actual de los estudiantes de Industrial .............................................. 111
Figura 47: Lugar de residencia actual de los estudiantes de Electromecánica................................... 112
Figura 48: Lugar de residencia de los estudiantes de Sistemas de Información ................................ 113
Figura 49: Estatus social de los estudiantes ....................................................................................... 113
Figura 50: Vive cerca de la universidad............................................................................................. 114
Figura 51: Tipo de hogar de los estudiantes ...................................................................................... 115
Figura 52: Número total del miembro de la familia del estudiante.................................................... 115
Figura 53: Tipo de vivienda en la que reside ..................................................................................... 116
Figura 54: Ingresos familiares mensuales .......................................................................................... 116
Figura 55: Origen de recursos de los estudios ................................................................................... 117
Figura 56: Horas que se dedican a trabajar ........................................................................................ 118
Figura 57: Nivel de formación del padre ........................................................................................... 118
Figura 58: Nivel de formación de la madre ....................................................................................... 119
Figura 59: Colegio del que proceden ................................................................................................. 120
Figura 60: Elección de carrera ........................................................................................................... 120
Figura 61: Proceso de formación académica ..................................................................................... 121
Figura 62: Proceso de nivelación ....................................................................................................... 122
Figura 63: Expectativas de la carrera ................................................................................................. 122
Figura 64: Expectativas de la carrera ................................................................................................. 123
Figura 65: Comportamiento negativo de docentes en el aula de clases ............................................. 124
Figura 66: Comportamiento negativo de docentes en el aula de clases ............................................. 124
Figura 67: Razones de conductas inapropiadas ................................................................................. 125
Figura 68: No tener amistades ........................................................................................................... 126
Figura 69: Espacios de bienestar estudiantil adecuados .................................................................... 126
Figura 70: Bullying por parte de compañeros .................................................................................... 127
Figura 71: Bullying por parte de docentes ......................................................................................... 128
xiv
Figura 72: Expectativas profesionales planeadas............................................................................... 128
Figura 73: Abandonar la universidad ................................................................................................. 129
Figura 74: Razones para dejar la universidad .................................................................................... 129
Figura 75: Rendimiento académico de los estudiantes ...................................................................... 130
Figura 76: Razones de bajo rendimiento académico ......................................................................... 131
Figura 77: Valoran el esfuerzo los docentes ...................................................................................... 131
Figura 78: Inadecuado sistema de tutorías ......................................................................................... 132
Figura 79: Problemas familiares ........................................................................................................ 133
Figura 80: Inadecuada formación del docente ................................................................................... 133
Figura 81: Inadecuada orientación del aprendizaje............................................................................ 134
Figura 82: Inadecuado desarrollo de cualidades humanas del docente.............................................. 135
Figura 83: Inadecuado desarrollo de cualidades humanas del docente.............................................. 135
Figura 84: Estado de gestación del estudiante planificado - no planificado ...................................... 136
Figura 85: Estado de gestación del estudiante planificado - no planificado ...................................... 137
Figura 86: Factor bullying ................................................................................................................. 138
Figura 87: Factor bullying ................................................................................................................. 138
Figura 88: Actividades que se dedica el estudiante ........................................................................... 139
Figura 89: Actividades que se dedica el estudiante ........................................................................... 140
Figura 90: Factores que impiden continuar sus estudios ................................................................... 141
Figura 91: Factores relacionados con la etapa académica ................................................................. 142
Figura 92: Estado de ánimo frente al docente .................................................................................... 143

xv
 UNIVERSIDAD TÉCNICA DE COTOPAXI
FACULTAD DE CIENCIAS DE LA INGENIERÍA Y APLICADAS
TÍTULO: “MODELO BASADO EN MINERÍA DE DATOS PARA DETERMINAR
FACTORES DE DESERCIÓN ESTUDIANTIL EN LA FACULTAD DE CIENCIAS DE LA
INGENIERÍA Y APLICADAS DE LA UNIVERSIDAD TÉCNICA DE COTOPAXI”.

Autoras: Masabanda Yépez Jhenny Flor

Zapata Rocha Carla Jhoana

RESUMEN
La deserción en las universidades es considerada como el abandono de los estudiantes que
puede ser temporal o definitivo, causa efectos negativos como problemas socioeconómicos para
el estudiante y la institución que lo acogió. Por tal razón, este problema debe ser tratado a
profundidad para establecer estrategias que permitan minimizar las tasas de deserción en las
universidades y la culminación exitosa de los estudios universitarios. La revisión de la literatura
permitió determinar estudios para predecir la deserción a través de técnicas de minería de datos,
sin embargo, los estudios analizados fueron ejecutados en entornos de Educación Superior que
difieren del contexto de educación que se aplica en el Ecuador. Se propone un modelo para
determinar factores de deserción estudiantil a través de técnicas de minería de datos para
determinar factores que influyen en la deserción y su influencia predictiva. El proceso
experimental se basa en una encuesta en línea aplicada a 1457 estudiantes de la Facultad de
Ciencias de la Ingeniería y Aplicadas de las Carreras de Ingenierías: Eléctrica, Sistemas de
Información, Electromecánica e Industrial. La metodología aplicada corresponde a Knowledge
Discovery in Databases (KDD), que consta de cinco etapas: selección, pre-procesamiento,
transformación, extracción e interpretación y evaluación. Los resultados encontrados permiten
determinar que los factores: conducta en el aula de clases, bullying, motivación del docente –
alumno, limitado conocimiento de la asignatura, adicción de las redes sociales, estado
emocional, conocimiento adquirido en los cursos de nivelación, formación académica, sistema
de ingreso a la universidad, problemas familiares, residencia y expectativas respecto a la carrera
seleccionada, son los factores que tienen mayor influencia en la deserción de los estudiantes en
la Facultad de Ciencias de la Ingeniería y Aplicadas. Mientras que las técnicas de minería de
datos J48, Random Forest y Sequential Minimal Optimization (SMO), dieron como resultado
una tasa de predicción de la deserción del 92%. Se concluye que el uso de técnicas de minería
de datos puede ser consideradas como importantes para realizar estudios de las causales que
afectan a los estudiantes en su permanencia estudiantil universitaria. Además, esta herramienta
podría ser considerada como una herramienta de apoyo para las autoridades universitarias a fin
de que se establezca estrategias y políticas que permitan mitigar las tasas de deserción.
Palabras claves: deserción universitaria, factores de deserción, minería de datos, Machine
Learning.

xvi
 TECHNICAL UNIVERSITY OF COTOPAXI
FACULTY OF ENGINEERING AND APPLIED SCIENCES
TITLE: "MODEL BASED ON DATA MINING TO DETERMINE STUDENT DROPOUT
FACTORS IN THE FACULTY OF SCIENCES OF THE ENGINEERING AND APPLIED
OF THE TECHNICAL UNIVERSITY OF COTOPAXI"
Authors: Masabanda Yépez Jhenny Flor
Zapata Rocha Carla Jhoana

ABSTRACT

Attrition in universities is considered as the abandonment of students that may be temporary or

permanent, causing negative effects such as socioeconomic problems for the student and the
institution that hosted him. For this reason, this problem must be treated in depth to establish
strategies that minimize the drop-out rates in universities and the successful completion of
university studies. The literature review allowed to determine studies to predict attrition through
data mining techniques, however, the studies analyzed were executed in Higher Education
environments that differ from the context of education that is applied in Ecuador. A model is
proposed to determine student dropout factors through data mining techniques to determine
factors that influence dropout and its predictive influence. The experimental process is based
on an online survey applied to 1457 students of the Faculty of Engineering and Applied
Sciences of Engineering Careers: Electrical, Information Systems, Electromechanical and
Industrial. The methodology applied corresponds to Knowledge Discovery in Databases
(KDD), which consists of five stages: selection, pre-processing, transformation, extraction and
interpretation and evaluation. The results found allow determining that the factors:
inappropriate behavior in the classroom, bullying, teacher-student motivation, limited
knowledge of the subject, addiction of social networks, emotional state, knowledge acquired in
leveling, academic training, system of University entrance, family problems, residence and
expectations regarding the selected career, are the factors that have the greatest influence on the
drop-out of students in the Faculty of Engineering and Applied Sciences. While the J48,
Random Forest and Sequential Minimal Optimization (SMO) data mining techniques resulted
in a 92% dropout prediction rate. It is concluded that the use of data mining techniques can be
considered as important for studies of the causes that affect students during their university
student stay. In addition, this tool could be considered as a support tool for university authorities
in order to establish strategies and policies to mitigate dropout rates.

Keywords: university desertion, desertion factors, data mining, Machine Learning.

xvii
AVAL DE TRADUCCIÓN

xviii
 1

1 INFORMACIÓN GENERAL
Título del Proyecto:

Modelo basado en minería de datos para determinar factores de deserción estudiantil en la

Facultad de Ciencias de la Ingeniería y Aplicadas de la Universidad Técnica de Cotopaxi.

Fecha de inicio:

Octubre 2018.

Fecha de finalización:

Agosto 2019.

Lugar de ejecución:

Barrio El Ejido, Parroquia Eloy Alfaro, Cantón Latacunga, Provincia de Cotopaxi, Zona 3,
Facultad de Ciencias de la Ingeniería y Aplicadas - Universidad Técnica de Cotopaxi.

Facultad que auspicia:

Ciencias de la Ingeniería y Aplicadas.

Carrera que auspicia:

Ingeniería en Informática y Sistemas Computacionales.

Proyecto de investigación vinculado:

Modelamiento de Algoritmos para Sistemas de Información.

Equipo de Trabajo:

Tutora de Titulación

Ing. MSc. Mayra Susana Albán Taipe.

Coordinadores del Proyecto

Jhenny Flor Masabanda Yépez.

Carla Jhoana Zapata Rocha.

Área de Conocimiento:

Área: Ciencias.
 2

Sub – Área: Informática.

Línea de investigación:

Tecnologías de la Información y Comunicación (TIC’s) y Diseño Gráfico.

Sub líneas de investigación de la Carrera:

Inteligencia Artificial e Inteligencia de Negocios.

2 JUSTIFICACIÓN DEL PROYECTO

La deserción estudiantil universitaria, es un problema complejo que conllevan impactos
negativos para las universidades Latinoamericanas, entre ellos sobresalen los problemas
socioeconómicos, sociales, académicas y personales del alumno. En el contexto de educación
en Chile, tres de cada diez estudiantes desertan de las instituciones universitarias en el primer
año. Los datos precedentes de Chile permiten deducir sobre las consecuencias de la deserción,
como el impacto sobre el endeudamiento familiar y el perjuicio que conlleva en los primeros
quintiles de ingreso (Pérez et al. 2018).

Por tal razón, las instituciones de educación superior han empezado a trabajar en el diseño de
mecanismos y formas de asegurar el aumento de la retención en los primeros años de estudios
universitarios. Muchos estudios aplicados para predecir la deserción siguen como patrón el
modelo teórico planteado por (Vicent Tinto, 1975) en donde el autor manifiesta sobre los
indicadores de retención y persistencia, haciendo referencia a la retención como el compromiso
de la universidad y la persistencia en el esfuerzo del estudiante. De la misma manera en el
modelo de (William Spady, 1970), incorporan factores externos a los percibidos por el
individuo, con un enfoque sociológico, el autor considera factores relacionados al medio
familiar. Los factores planteados por (John Bean, 1985), corresponde a factores académicos,
psicosociales, ambientales y de socialización (Ramírez and Grandón, 2018).

Por otro lado, el modelo predictivo empleado por (Cuji, Gavilanez & Sánchez 2017) y citado
por (Ramírez & Grandón 2018) busca predecir futuros comportamientos (Ramírez & Grandón,
2018), por medio de la técnica de clasificación que corresponde a árboles de decisión
empleando el J48. El autor realizó la predicción a través del uso de variables como: el semestre
que cursan, estado civil, discapacidad física, nivel económico, edad, sexo, trabajo del padre y
la madre, notas de los exámenes, entre otros. A partir del árbol de decisión J48 de la herramienta
Waikato Environment for Knowledge Analysis (WEKA) se obtiene datos que alerta al docente
sobre los estudiantes en riesgo de desertar.
 3

La presente investigación pretende diseñar un modelo para determinar factores de deserción

estudiantil a través de técnicas de minería de datos para determinar su influencia predictiva en
la deserción estudiantil universitaria en la Facultad de Ciencias de la Ingeniería y Aplicadas de
la Universidad Técnica de Cotopaxi.

3 BENEFICIARIOS DEL PROYECTO

Los beneficiarios directos del proyecto son: los estudiantes, las autoridades y el personal
docente de la Facultad de Ciencias de la Ingeniería y Aplicadas.
Los beneficiarios indirectos son: el personal administrativo y empleados de la Facultad de
Ciencias de la Ingeniería y Aplicadas.

4 EL PROBLEMA DE INVESTIGACIÓN
La deserción estudiantil universitaria es un fenómeno que no respeta ninguna nación o
continente, aunque en diversos países los índices varían de uno a otro. De acuerdo al reporte
del Instituto Internacional para la Educación Superior en América Latina y el Caribe (IESALC),
existen cuatro factores principales que influyen en la deserción: socioeconómicos, propio
sistema universitario, orden académico y personales (Viteri Castro & Uquillas Narváez, 2011).

Con el entorno amplio de matrícula estudiantil, aparecieron las primeras investigaciones sobre
el abandono universitario en Argentina, promovidos por los sociólogos Jorge Graciarena
(1961), Gino Germani y Ruth Sautu (1965). Se dieron otras investigaciones desde otros campos
disciplinarios como la economía que sea tanto local como internacional, en el cual se vincularon
con diversas tradiciones teorías y disciplinarias (Santos Sharpe & Carli, 2016).

Por otra parte, la deserción en los estudios universitarios ha existido hace varias décadas atrás
y sigue existiendo en la actualidad, esto se ha convertido en un problema grave en el ámbito de
educación superior, debido a las altas tasas de deserción que se presenta en los estudiantes de
primer año de carrera, quienes abandonan sus estudios en un 19% de acuerdo al Ministerio de
Educación, Cultura y Deporte en España en el año 2015 (Tuero, Cervero, Esteban, & Bernardo,
2018).

El porcentaje de deserción universitaria a nivel mundial es del 50% de acuerdo al Banco

Mundial de Estados Unidos en el año 2017, que indica que la mitad de los estudiantes no llegan
a concluir sus estudios universitarios lo cual afecta a nivel económico, social y político (Breno,
Peralta, Remache, & Mayorga, 2018). De acuerdo a los datos reportados por la Oficina de
Planeación de la Universidad de Caldas en el periodo 2012-2013, el 30.0% de los estudiantes
 4

abandonaron sus estudios por problemas económicos, el 25.9% por una mala elección de la
profesión a seguir, el 0.8% por problemas institucionales, el 2.1% por motivos relacionados con
el embarazo y el 0.7% por motivos de enfermedad (Gardner, Dussán, & Montoya, 2016).

El porcentaje de deserción universitaria en el Ecuador corresponde al 26%, según fuentes del

informe de rendición de cuentas de la SENESCYT en el año 2015 y 2017. Las carreras con
mayor porcentaje de deserción son: Ingeniería en Sistemas con el 65,45%, Ingeniería en
Electrónica y Telecomunicaciones con el 55,36%, Ingeniería Industrial con el 57,14%,
Ingeniería Eléctrica con el 14,38%, Ingeniería Mecatrónica con el 21,14%, Medicina
Veterinaria y Zootecnia con el 26.09%, Ingeniería de Sistemas y Telemática con el 39,66%,
Licenciatura en Arte Teatral con el 35,29% e Ingeniería Electrónica con el 35,09% (Sinchi,
2018).

Por otro lado, existe en la literatura varios factores que determinan la deserción universitaria.
Estos factores pueden estar relacionados con el hecho de que los estudiantes llegan sin
conocimientos, sin ninguna información, sin motivación y no cuentan con una planificación
para su formación profesional (Pérez Álvares & Aguilar López, 2017). Existen otras causas
comunes de deserción, entre ellas se encuentran: las económicas, familiares o una mala elección
de la profesión a seguir, sociales y académicas que depende de cada país, esto ocasiona un bajo
rendimiento académico (Velasco Quintero, 2016).

El modelo de deserción propuesto por Vicent Tinto en 1975, estableció un análisis del
compromiso del estudiante con la universidad a la cual ingresó, añadiendo los compromisos
propios de sus metas académicas. El autor indica que ésto puede ser un determinante para
persistir o abandonar la institución. Pues los compromisos planteados pueden verse afectados
por factores del mismo estudiante y el entorno que lo rodea al ingresar en la universidad
(Saldaña Villa & Barriga, 2010).

A pesar de que la literatura presenta varios estudios aplicados para estudiar la deserción en las
universidades, los diferentes modelos para predecir corresponden a modelos teóricos, los cuales
se enfocan en determinar las causas que pueden afectar al estudiante y por consecuencia llegar
a tomar la decisión de permanecer o desertar de sus estudios académicos de la universidad.

Existen modelos que aplican técnicas de Machine Learning para predecir los estudiantes en
riesgo de desertar, sin embargo, los modelos identificados fueron elaborados para un contexto
de educación superior diferente al que se aplica en el Ecuador. Por lo tanto, se considera
importante diseñar un modelo que permita conocer las características propias de los estudiantes
 5

ecuatorianos, especialmente en carreras de formación de pregrado técnica en la provincia de

Cotopaxi.

Definición del problema

¿Cuáles son los factores que influyen en la deserción de los estudiantes de la Facultad de
Ciencias de la Ingeniería y Aplicadas?

5 OBJETIVOS:
General
• Diseñar un modelo para determinar factores de deserción estudiantil en la Facultad de
Ciencias de la Ingeniería y Aplicadas de la Universidad Técnica de Cotopaxi, a través
de la minería de datos.

Específicos
• Revisar sistemáticamente la literatura para conocer las concepciones teóricas y
filosóficas de la minería de datos y su influencia en la predicción de la deserción
universitaria.

• Construir un DataSet con información de los estudiantes de la Facultad de Ciencias de

la Ingeniería y Aplicadas para conocer la percepción de los estudiantes respecto a la
deserción estudiantil universitaria.

• Determinar la analítica de datos para la construcción del modelo de deserción a través

del uso de minería de datos.

• Validar el modelo basado en minería de datos para determinar factores de deserción

estudiantil, a través de métricas de precisión.
 6

6 ACTIVIDADES Y SISTEMA DE TAREAS EN RELACIÒN A LOS OBJETIVOS

PLANTEADOS
Tabla 1: Actividades de los objetivos

Descripción de la actividad
Objetivos Actividad (tareas) Resultado de la actividad
(técnicas e instrumentos)

Búsqueda de información en
Revisar sistemáticamente la La identificación de estudios
las bases de datos científicas.
literatura para conocer las potenciales.
concepciones teóricas y Investigar las bases teóricas Búsqueda de información en
La adquisición de
filosóficas de la minería de del proyecto. las bases de datos científicas,
información oportuna acerca
datos y su influencia en la Google Scholar, Scielo,
predicción de la deserción Análisis de los contenidos de del tema de investigación.
los documentos Redalyc, entre otros.
universitaria. Marco teórico.
identificados.

Realizar las preguntas de la Cuestionario.

Construir un DataSet con
encuesta.
información de los Análisis de fiabilidad de la La técnica a utilizar será la
estudiantes de la Facultad de Validación y confiabilidad de encuesta. encuesta, por medio de la
Ciencias de la Ingeniería y la encuesta. cual se pretende adquirir y
Aplicadas para conocer la DataSet.
Aplicación de las encuestas. analizar la información del
percepción de los estudiantes
caso de estudio.
respecto a la deserción
Tabulación de los datos a
estudiantil universitaria.
través de SPSS.

Se aplicaron las técnicas de

Selección. DataSet con información minería de datos que posee la
Determinar la analítica de confiable. herramienta Weka tales
datos para la construcción del Pre-procesamiento como: la red neuronal
modelo para determinar los (selección de variables). Selección de las variables (Multilayer Perceptron), los
factotres de deserción a más significativas. árboles de decisión (J48 y
través del uso de minería de Extracción. Random Forest), métodos
datos. Determinación de las tasas de bayesianos (Naive Bayes) y
Interpretación y evaluación. precisión de la deserción. Minimal Sequential
Optimization (SMO).

Sensibilidad: para saber la

proporción identificados de
casos positivos de la
predicción.
Validar el modelo basado en El resultado de las instancias Aplicación de métricas para
minería de datos para correctamente clasificadas, el evaluar los resultados Especificidad: para descubrir
determinar factores de Kappa Statistic, el error obtenidos. la proporción de casos
deserción estudiantil, a través absoluto medio, el F- negativos de la predicción
de métricas de precisión. Measure y la curva ROC. Tasas de predicción. identificados correctamente.
Precisión: para conocer la
exactitud del modelo de
predicción.

Fuente: Grupo de trabajo

 7

7 FUNDAMENTACIÓN CIENTÍFICO TÉCNICA

Antecedentes
Las primeras indagaciones sobre la deserción estudiantil, se extrajeron como base conceptual
de la teoría del suicidio de Durkheim (1897), la perspectiva económica analiza los costos y
beneficios de la educación. La deserción se la asemeja como un suicidio de la sociedad, los
centros de educación superior son considerados sistemas con propios valores y estructura social
por Spady (1970), en el que los niveles bajos de incorporación social permitan que crezca la
deserción, siendo estas investigaciones para abordar dicho problema desde una perspectiva
individual. Tal como los desarrolladores en la deserción se concentraron en la ampliación
teórica del problema, pues existen estudios que se han interesado en las causas del fenómeno
para obtener evidencias empíricas (Castaño & Vásquez, 2004).

Principales referentes teóricos

Según el autor (Miranda & Guzmán, 2017) en el análisis de la deserción de estudiantes
universitarios usando técnicas de minería de datos. La deserción estudiantil universitaria afecta
a las universidades y estudiantes. Este autor define a la deserción como el abandono de los
estudios antes de obtener el título. En el trabajo del autor se analizaron a 12 carreras
comprendidas entre el año 2000 – 2013, con una muestra de 73.958 alumnos estudiados para lo
cual se estableció valores estándares de 1 y 0 respetivamente.

En el mimso trabajo para determinar las variables que inciden a que un estudiante renuncie de
sus estudios universitarios, se aplicó el análisis de minería de datos, estableciendo una
metodología de tres algoritmos como son: redes bayesianas, redes neuronales, y árboles de
decisiones, permitiendo que dichos algoritmos determinen si un estudiante desertará o no, por
medio de la herramienta Waikato Environment for Knowledge Analysis (WEKA). Se utilizó el
proceso Knowledge Discovery in Databases (KDD), que consiste en la fuente de información,
preparación de datos, minería de datos, interpretación y evaluación de los conocimientos. Luego
de aplicar los tres algoritmos, así como los softwares, Statistical Package for the Social Sciences
(SPSS) y Waikato Environment for Knowledge Analysis (WEKA), se obtuvieron resultados en
porcentajes que permitieron que los valores generados por los mismos fueran comparados,
aunque en este caso no fueron totalmente comparables

Se estableció el análisis de deserción-permanencia de estudiantes universitarios utilizando

técnica de clasificación en minería de datos. Del mismo modo el autor señala que la deserción
está presente en el sistema educativo el mismo que está conectado con la forma de selección y
 8

rendimiento académico. Es un tema que hace varios años es preocupante, por tal razón se
realizan estudios para contribuir a determinar las causas que mayor efecto tienen en la
deserción.

Por lado, se realizó un estudio en la carrera de Ingeniería en Informática de la Universidad de

Gastón Dachary en Argentina desde el año 2000 – 2009, encontrando casos de 855 estudiantes,
los factores estudiados fueron agrupados en Des (deserta) y NoDes (no deserta), mediante una
técnica de minería de datos, se seleccionaron y depuraron datos para luego de ello aplicar
algoritmos de clasificación como: árboles de decisiones, y redes bayesianas. Estos algoritmos
fueron aplicados en la herramienta de Waikato Environment for Knowledge Analysis (WEKA),
además que utilizaron otro algoritmo de Reglas OneR.

Tras la aplicación de los algoritmos se identificaron las variables que influyen en la deserción
como es el caso de las asignaturas aprobadas, cantidad y resultado de asignaturas cursadas,
procedencia y edad de ingreso del estudiante, siendo el caso de los estudiantes del primer año
de carrera. Con todos los algoritmos aplicados, el resultado fue que los porcentajes eran
similares y no se identificaron los mismos atributos (Eckert & Suénaga, 2015).

De igual manera, en el trabajo presentado por (Torres, Ramos, & Moraga, 2016) se realiza, el
estudio de variables que influyen en la deserción de estudiantes universitarios de primer año,
mediante minería de datos, la tasa de deserción de los estudiantes de educación superior se
utiliza para evaluar los procesos de enseñanza en las instituciones. La muestra para este caso
fueron los estudiantes de primer año con 5.547 registros entre los años 2009 – 2015.

Para ello, se desarrolló el proceso de minería de datos con la metodología Cross Industry
Standard Process for Data Mining (CRISP-DM), que tiene los siguientes pasos: comprensión
del negocio, datos, muestra, preparación de datos, eliminar valores nulos y perdidos, trasformar
atributos y seleccionar variables. Se aplicó los algoritmos de árboles de decisiones, métodos
bayesianos y redes neuronales.

Realizaron una evaluación con cuatro experimentos: el primero se utilizó todas variables, el
segundo se descartó variables académicas, el tercero se omitió las variables de aprobación y
promedio final y el cuarto solo se utilizaron las variables académicas de ingreso, las mismas
que fueron analizadas. Los resultados fueron que en los experimentos las variables académicas
no afectan a la deserción, las variables del desempeño académico tienden a afectar en la
 9

deserción, con los resultados obtenidos de las técnicas de Random Forest y el Naive Bayes
podrán intervenir en las variables que causen deserción en los estudiantes.

Bases teóricas
Deserción Universitaria
Es la renuncia decisiva del aula de clases por diversos motivos, la deserción conlleva un proceso
lento que se encuentra en el interior del individuo y va creciendo hasta llegar a una decisión
para bien o mal del mismo y el entorno en el que se encuentra (Yepes Delgado, Salazar Béltran,
& Ceferino Martínez, 2017).

Modelo para Predecir

Existen modelos predictivos que han sido utilizados como base en la deserción estudiantil entre
los cuales se encuentran los siguientes:

Modelo de Martin Fishbein e Icek Ajzen

Planteado en 1975 enfocándose en el campo de la psicología, en la que la conducta interviene

por las creencias y actitudes del estudiante, con ello la decisión de desertar o continuar con los
estudios se encuentra influenciada por varios factores considerados los más importantes: las
conductas, posición sobre desertar o continuar y acciones que conllevan normas subjetivas
(Chisco Ruiz, 2015).

La deserción es concebida de acuerdo a los resultados de la debilidad en los fines iniciales y

perseverancia reforzando la misma. El pensamiento explica la deserción voluntaria y retención
(Himmel, 2018). El modelo identificado se presenta en la Figura 1.

Figura 1: Modelo de Fishbein y Ajzen, 1975

Fuente: Tomado de Fishbein y Ajzen (1975)

 10

Modelo de Corinna Ethington

Este modelo propuesto en 1990, tiene una completa distribución de las conductas de logro. Se
incluye la persistencia, elección y desempeño. El nivel de deseos tenía un resultado inmediato
en los valores y posibilidades de éxito que influyen en la permanencia en la universidad (Chisco
Ruiz, 2015). El modelo identificado se presenta en la Figura 2.

Figura 2: Modelo de Ethington, 1990

Fuente: Tomado de Ethington (1990)

Modelo de William Spady

Spady 1970 analiza la deserción , en donde se utiliza los principios de las causas de deserción,
estableciendo que la decisión de abandonar los estudios depende de los factores individuales
que tiene el individuo sino también de factores sociales pues existe una ruptura entre los mismos
lo que impide que se relacione al individuo con la sociedad (Vásquez Verdugo, 2016).

Para el autor el entorno de la familia influye en la persona sobre su potencial en sus estudios, el
rendimiento académico e intelectual, apoyo de pares y la integración social actúa sobre una
lógica normativa. La integración social tiene un apoyo de pares que causan impactos de
satisfacción en el estudiante e intervienen en la inserción en la universidad y favorecen a
ratificar compromisos que el estudiante se propuso (Chisco Ruiz, 2015). El modelo identificado
se presenta en la Figura 3.
 11

Figura 3: El modelo de Spady, 1970

Fuente: Tomado de Spady (1970)

Modelo de Vicent Tinto

En el modelo de Tinto en 1975, citado por (Vásquez Verdugo, 2016) se establece que los
estudiantes estarán en un programa en el que se registraron y cuando los beneficios sean
superiores al esfuerzo, dedicación y otros costos de actividades en la que sus beneficios sean
mayores, existe la probabilidad de que un estudiante tome la decisión de desertar. El modelo
identificado se presenta en la Figura 4.

Figura 4: Modelo de Tinto, 1987, Adaptado de Tinto (1975)

Fuente: Tomado de Tinto (1975)

Modelo de John Bean

Bean complementa los modelos de Tinto y Spady en 1980 y 1985 por medio de dos trabajos,
en el primer trabajo al existir evidencia empírica se puede testear mediante variables y en el
segundo trabajo añade en el análisis a estudiantes no habituales como respuesta en aquella época
a un cambio para poder acceder a la educación superior pues la misma era restringida a un grupo
superior (Vásquez Verdugo, 2016). El modelo identificado se presenta en la Figura 5.
 12

En la Tabla 2, se definen variables antecedentes que se encuentran relacionadas con el

estudiante entre ellas están el estado socioeconómico, desempeño académico anterior y
domicilio actual, dichos factores causaran impacto en las organizaciones o instituciones en las
que se tome la decisión de desertar.

Tabla 2: Lista de variables planteadas por Bean 1980

Variable Definición

Variables de Antecedentes
Grado en que el estudiante ha demostrado sus logros
Desempeño Previo
académicos previos.
Grado en que los padres del estudiante han logrado como
Estatus Socioeconómico
estatus a través de la ocupación familiar.
Si el estudiante es un residente del estado en donde la
Residente en el Estado
institución educacional está.
Distancia a Casa Distancia de su residencia actual a la casa de sus padres.
Tamaño de la comunidad donde el estudiante pasó la
Tamaño de la ciudad
mayor parte de su tiempo en su crecimiento.
Determinantes Organizacionales (Basado en (Price, 1977))

Rutina El rol de ser un estudiante es visto como una rutina.

Desarrollo Desarrollo académico.

Valor Práctico Percepción del estudiante.

Calidad Institucional Nivel de participación del estudiante

En relaciones primarias o cuasiprimarias (tiene amigos
Integración
cercanos).
Promedio de Notas Universitario Certificaciones obtenidas por el estudiante.

Compromiso de Metas Nivel de metas académicas cumplidas.

Comunicación Comunicación del estudiante.

El estudiante cree que es tratado justamente por la
(Requerimientos/Reglas) institución. Por ejemplo: recibe premios y castigos
Justicia Distributiva proporcionalmente a su esfuerzo realizado en su rol como
estudiante.
El estudiante cree que participa en los procesos de tomas
Centralización de decisión. Por ejemplo: centros de estudiantes,
consejeros, etcétera.
Advisor El estudiante cree que su advisor es útil.
Nivel de contactos informales con los miembros de la
Relación con funcionarios
facultad.
Necesidad de tener un trabajo en el campus universitario
Trabajo en el Campus
para permanecer en la escuela.
Mejor (área) El área de uno de los campos de estudio.
El estudiante es poco indeciso en que se está
Mejor (certeza)
especializando.
Alojamiento Cuando una persona vive On Campus

Organización del Campus El número de miembros en la organización del campus.

Fuente: Adaptado de Vásquez (2016)
 13

Figura 5: Modelo de Bean, 1985

Fuente: Tomado de Modelo de Bean (1985)

Modelo de Ernest Pascarella y Patrick Terenzini

Según (Chisco Ruiz, 2015) el modelo de Pascarella y Terenzini (1985) “propone un modelo
causal en relación con las características institucionales y ambientales. Este es concurrente con
estudios de impacto en diversas universidades”. El modelo identificado se presenta en la Figura
6.

Figura 6: Modelo de Pascarella y Terenzini

Fuente: Adaptado de Chisco (2015)

Tipos de deserción
La deserción se da en dos tipos con respecto al tiempo y espacio.

➢ Tiempo
a) Deserción precoz: Persona que fue aceptada en la institución superior y no se
matricula.
 14

b) Deserción temprana: Persona que una vez iniciado con sus estudios académicos
decide abandonar los estudios en un lapso de los dos primeros semestres (Fontalvo
Cerpa, Castillo González, & Castillo, 2015).
c) Deserción tardía: Persona que renuncia a sus estudios en los últimos niveles de
estudio (Corzo Salazar, 2017).
➢ Espacio
a) Deserción institucional: El estudiante deja la universidad (Páramo & Correa,
1999).
b) Deserción interna o del programa académico: El estudiante que opta por
cambiarse de carrera en la misma universidad (Gómez Torres, Acevedo
Villalobos, & Salamanca Velandia, 2015).

Factores de deserción
➢ Factores externos
a) Factores institucionales: Describe las oportunidades y posibilidades que la
universidad ofrece para comenzar o continuar con sus estudios.
b) Factores organizacionales: Servicios de la institución que esta ofrece a los
estudiantes que ingresan, enfocándose en la calidad de docencia y experiencias
en las aulas.
➢ Factores bilaterales
a) Factores personales: Depende del estudiante y están relacionados por motivos
psicológicos como emociones, motivos sociológicos debido a influencias
familiares. La insatisfacción de expectativas que desean cumplirse, así como la
falta de motivación para lograr sus objetivos.
b) Factores socioculturales: La forma en como interactúa en el medio que se
encuentra. Inclusive con la integración en un grupo de personas de su misma
edad y el ambiente universitario que pueda generarse cuando un estudiante
comienza sus estudios.
➢ Factores internos
a) Factores académicos: El bajo rendimiento que un estudiante puede tener, así
como las dificultades de aprendizaje. Las formas de estudio segui para obtener
resultados que sean satisfactorios (Zavala-Guirado, Álvarez, Vázquez,
Gonzáles, & Bazan Ramírez, 2018).
 15

Minería de datos
Se refiere a la obtención de la información que se encuentra oculta, en grandes bases de datos
almacenados en distintos formatos, es decir un proceso posterior para descubrir conocimiento
útil de la información disponible, a fin de contribuir a la toma de decisiones mediante la
generación de información y el análisis de la misma, permitiendo a los negocios tomar
decisiones proactivas (Echeverry Marulanda, Trujillo López, & Mejía Salazar, 2017).

Las técnicas de minería de datos (Data Mining)

Cuando las herramientas de Data Mining son implementadas en el software de procesamiento
de alta performance, permite analizar los datos almacenados en una base de datos en cuestión
de minutos, haciendo que el usuario pueda analizar dichos datos y a su vez producen mejores
predicciones (Presser Carne, 2009).

Clasificación de las técnicas de minería de datos:

Supervisadas o predictivas

Se utilizan para predecir valores o conducta futura de algún tipo de entidad a través de las
variables dependientes, cuya base se encuentra en las variables independientes previamente
relacionadas (Molina López & García Herrero, 2006).

➢ Predicción

Proceso que busca determinar los valores de una o varias variables, a partir de un conjunto de
datos. La predicción de valores continuos puede planificarse por las técnicas estadísticas de
regresión (Chamba Jiménez, 2015).

➢ Regresión

La regresión logística, brinda la posibilidad de evaluar la influencia de todas las variables

independientes en relación a la variable dependiente, así como controlar el efecto del resto, se
puede tomar únicamente dos valores ya sea (0) si el hecho no ocurre o (1) si el hecho ocurre, a
este proceso se le llama binomial ya que solo presenta dos resultados posibles, siendo la
probabilidad de cada uno de ellos constante en una serie de repeticiones (Holgado Apaza, 2018).

➢ Clasificación

La clasificación supervisada busca un modelo válido que permita predecir casos futuros por
medio del aprendizaje de casos conocidos, el proceso cosiste en distribuir un conjunto de datos
en grupos, donde cada miembro de un grupo esté cerca de otros y grupos diferentes estén lejos
 16

de otros, donde la distancia se mide con relación a las variables especificadas, que se quieren
predecir (Chamba Jiménez, 2015).

Árboles de decisión

Es un modelo predictivo con facilidad para interpretar el modelo generado debido a su

capacidad explicativa, consta de nodos que hace referencia a regiones clasificadas (etiquetadas)
de una clase, y nodos internos (splits) que representan alternativas para seleccionar la subregión
al que se dirige el elemento que llega al nodo, es decir cuando ingresa un nuevo dato al árbol
de decisión inicia su recorrido por el nodo raíz, el mismo que posee una condición en el que
especifica por qué rama del árbol debe descender, repitiendo este proceso hasta llegar a la hoja
donde se toma una decisión final (Gironés Roid, Casas Roma, Miguinllón, & Caihuelas, 2017).

• Random forest

Es un algoritmo que contiene una combinación de técnicas de Classification And Regression

Tree (CART) y Booststrap Aggregation (Baggin), lo que permite obtener árboles predictores
en la que cada árbol se crea a partir de valores que son proporcionados por vectores aleatorios
independientemente comprobado y con una distribución igualitaria. Con este algoritmo se
obtiene una mejor precisión de clasificación al construir cada uno de los clasificadores
individualmente de forma aleatoria (Brian, Flores, & Ponce, 2018).

El Baggin es una técnica diseñada para la creación de datos de entrenamiento que remuestrea
aleatoriamente el conjunto de datos originales con reemplazamiento, es decir, sin eliminar el
conjunto de datos seleccionados de forma previa a la elección del siguiente subconjunto. Por
tanto, algunos datos pueden ser usados más de una vez en el entrenamiento de los clasificadores
individuales (Rodríguez & Chica, 2012).

• Naive bayes

Se basa con métodos estadísticos de probabilidad que manifiestan la probabilidad condicionada

de cada clase, dada las propiedades de un ejemplo (atributos), seguidamente los parámetros
suelen ser combinados para designar las clases que maximizan sus probabilidades a nuevos
ejemplos (Gironés Roid et al., 2017).

• Redes de neuronas

Las redes neuronales artificiales son algoritmos adaptivos y elaborados debido a su capacidad
de aprendizaje, es decir una agrupación de algoritmos de comunicación de la neurona biológica
 17

permitiendo resolver problemas relacionados con la clasificación y predicción. Las redes

neuronales vinculan entradas con salidas, generando aproximaciones universales debido a su
capacidad de aprender y aproximar con precisión la función f (x) = y. Donde X = datos de
entrada y F (x) = resultados del algoritmo (Gironés Roid et al., 2017).

• Multilayer perceptron

Se define como una arquitectura de redes neuronales teniendo la posibilidad de generalizar para
generar resultados de forma rápida, posee características de V4 (volumen, velocidad, variedad
y variabilidad) que corresponden a los datos. Se emplean estimadores actualizados a diferencia
de estimadores fijos, que hacen que el modelo pierda precisión luego de un cierto tiempo y se
produzca errores significativos. Este perceptron puede reconocer parámetros que necesiten de
una actualización cada cierto tiempo permitiendo que se modifique solo los estimadores
necesarios para que sea un modelo más preciso que al usar estimadores dinámicos y fijos
(Climent Hernández, Hoyos Reyes, & Martínez Preece, 2017).

No supervisadas o descriptivas

La técnica descriptiva comprende el aprendizaje sin supervisión, permitiendo generar patrones

que explican la estructura interna, las relaciones y la conexión recíproca con los datos extraídos
(Molina López & García Herrero, 2006).

➢ Clustering

Se refiere a la agrupación de datos en clases o clusters que permita a los objetos de un cluster
mantener una similitud alta entre sí, y una similitud baja (sean diferentes) con objetos de otros
clusters, es una técnica de aprendizaje automático no supervisado que conlleva a la búsqueda
de una estructura en una base de datos no etiquetados (Holgado Apaza, 2018).

➢ K – means

El algoritmo K – means, es uno de los métodos de clustering, que representa el agrupamiento

de datos por vecindad, parte de un número determinado de prototipos y de un conjunto de
ejemplos a agrupar sin etiquetar, con el objetivo de identificar a los prototipos de manera que
los datos pertenecientes al mismo prototipo posean características similares (Alania Ricaldi Pit
Frank, 2018).
 18

➢ Asociación

Realiza un análisis exploratorio a fin de encontrar relaciones dentro del conjunto de datos
independientes (Chamba Jiménez, 2015).

➢ Minimal Sequential Optimization (SMO)

Implementa el algoritmo de optimización mínima secuencial para entrenar una máquina de

soporte vectorial (SVM), en el que transforma los datos originales de forma no lineal en un
nuevo espacio de mayor dimensión. En este nuevo espacio se construye un modelo lineal que
pueda representar un límite de decisión no lineal en el espacio original (Martínez & Sanjurjo,
2014). Es decir, con la implementación del algoritmo Minimal Sequential Optimization (SMO)
se reemplaza globalmente todos los valores faltantes y transforma los atributos nominales en
valores binarios, también normaliza todos los atributos por defecto. En ese caso, los coeficientes
en la salida se basan en los datos normalizados, no en los datos originales (Weka, 2019).

Campos de aplicación de la minería de datos en el Ecuador

Meteorología

Un proyecto aplicando la minería de datos permitió obtener datos de patrones de

comportamiento meteorológico, mediante los datos que posee el Observatorio Astronómico de
Quito (OAQ), recopilados durante 10 años. Como resultado de un patrón de comportamiento
se obtuvo que la humedad relativa disminuye cuando la temperatura aumenta (Camana, 2016).

Elecciones presidenciales

Al utilizar herramientas de minería de datos, para la selección de juntas receptoras del voto
(JRV) más representativas, se aplicó la técnica de agrupamiento Clustering, el algoritmo
utilizado fue el K-MEDIAS. Para el presente estudio se eligieron 20 clusters, donde se
determinó que en el cluster 13 se ubican las Juntas Receptoras del Voto con resultados más
cercanos a la distancia Euclidea (Camana, 2016).

Para la distribución del voto se utilizó el árbol de decisión, ya que al ser intuitivos y fáciles de
comprender permitieron obtener información de las parroquias, cantones y provincias que
tienen alta representación de Juntas Receptoras del Voto. Los datos obtenidos sirven de apoyo
para conocer los posibles resultados y a la vez que sirven de base para las próximas elecciones
(Camana, 2016).
 19

Educación

En la Universidad Nacional de Loja, se aplicó la minería de datos para determinar las

interacciones de los estudiantes del curso virtual del idioma inglés, de la modalidad de Estudios
a Distancia (MED), correspondiente al periodo académico 2013-2014. Por medio del algoritmo
árbol de decisión se determinó que los factores que más inciden son: las tareas, exámenes,
recursos, estado civil y la situación laboral del estudiante (Camana, 2016).

Ventajas y desventajas de la minería de datos

Según (Equipo Editorial, 2018) existen ventajas y desventajas de la minería de datos que serán
expuestas a continuación:

➢ Ventajas
• Previene un entorno desfavorable futuro mostrando datos verídicos.
• Con la información obtenida se puede asistir en la toma de decisiones de
estrategias.
• Los usuarios pueden comprender de mejor manera la información y
concomimientos.
• Permite crear formas de enseñanza para mantener clientes, disminuyendo el
riesgo de perder usuarios.
➢ Desventajas
• Al contar con una gran intensidad de trabajo se puede necesitar de una inversión
para los equipos y capacitación personal.
• Existe una inseguridad en los usuarios estudiados por la información que
proporcionada para el estudio.
• Para procesar la información puede tomar algo de tiempo de acuerdo a la
cantidad de base de datos.
• Al no contar con deficiente sistema de seguridad la información del usuario se
pondría en riesgo.
• Cuando la información es inexacta, el proceso no es cumplido y afectaría en la
toma de decisiones de los resultados.

Las herramientas de minería de datos

Las herramientas de la minería de datos se refieren al software eficiente, a través del cual se
puede buscar y analizar la información de forma rápida y oportuna, optimizando el tiempo de
respuesta.
 20

➢ Waikato Environment for Knowledge Analysis (WEKA)

Es un software de minería de datos libre, con una multiplataforma desarrollada por Java en la
Universidad de Waikato, contiene una variedad de algoritmos, sus archivos tienen un propio
formato arff (Attribute Relation File Format) cuenta con una interfaz fácil de manejar, pero al
realizar un proceso en casada no es fácil debuguearlo (Lanzarini & Villa Monte, 2017).

Waikato Environment for Knowledge Analysis (WEKA) tiene algoritmos de clasificación, los
métodos estadísticos usados para validar la clasificación y métodos en las que se pude
disminuir, eliminar transformar datos, tareas de clasificación, regresión clustering (Villanueva
Morales, Lugo Rodríguez, Ramírez Buenrostro, & Ramírez Pérez, 2015).

➢ Statistical Package for the Social Sciences (SPSS)

La herramienta Statistical Package for the Social Sciences (SPSS) fue creada por International
Business Machines (IBM), es un conjunto de herramientas utilizadas para un análisis
estadístico, mediante el procedimiento de los datos. Utiliza un soporte operativo de Windows
con menús desplegables y cuadro de diálogos que facilitan el trabajo del mismo (Guardiola
Jiménez, 2019).

Según (Universidad Privada TELESUP, 2019) muestra las características y ventajas del
Statistical Package for the Social Sciences (SPSS):

Características del Statistical Package for the Social Sciences (SPSS)

Este tipo de software es el más utilizado en todo el mundo permitiendo una investigación,
experimentación y toma de decisiones.

• Se puede realizar operaciones aritméticas, algebraicas y trigonométricas en las hojas

de cálculo.
• Procesa los datos de forma dinámica del gestor de base de datos.
• Permite realizar informes luego de una investigación ejecutada.
• Efectúa búsquedas inteligentes de un gestor de minería de datos para extraer
información de árboles de decisión, segmentaciones del mercado o redes
neuronales.
Ventajas del Statistical Package for the Social Sciences (SPSS)
• Permite ahorrar tiempo y esfuerzo.
• Cálculos más exactos.
 21

• Trabaja con grandes cantidades de datos.

• Compatible con programas del manejo de datos.
➢ Eviews
Es un software para el análisis estadístico y econométrico de los datos, se utiliza para el estudio
de series temporales, series atemporales y datos de panel. Eviews suministra un sofisticado
análisis de los datos, modelos de regresión y predicción. El software incluye la tecnología de
hoja de cálculo básica para presentar y analizar datos con los principales análisis estadísticos y
econométricos. Para ello incluye una interfaz gráfica de usuario, pero además incluye una
ventana de comandos que permite implementar cualquier tipo de análisis de datos con la
codificación adecuada (Barreiro, Vicente, & Pintos Clapés, 2005).
Metodología de minería de datos

➢ Knowledge Discovery in Databases (KDD)

Este proceso iterativo e interactivo en la que el problema con técnicas de análisis de datos
tradicionales y tecnológicas avanzadas para aprender (Gervilla García et al., 2016). El análisis
de este proceso conlleva a una solución de un gran grupo de datos permitiendo obtener
conocimientos mediante la información útil y a la vez permite asociar patrones válidos de los
datos, es un proceso que tiene seis etapas.

• Pre-etapa de Identificación de objetivos: En esta etapa de Knowledge Discovery in

Databases (KDD) se analizan los objetos que tendrá la misma, desde la perspectiva
del cliente para obtener un conocimiento anticipado del negocio y los objetivos sean
claros.
• Etapa de Selección: Se extraen los datos importantes luego proceder al análisis.
• Etapa de Preprocesamiento: Es la preparación y limpieza de datos obtenidos de un
DataSet, eliminado inconsistencias o redundancia de información mediante técnicas
y operaciones.
• Etapa de Transformación: Los datos que se ingresaran a un algoritmo de minería de
datos debe ser apropiados.
• Etapa de Extracción: Se origina el conocimiento en el que se hallan las relaciones
que existen entre los datos y patrones no conocidos, válidos, nuevos y útiles.
• Etapa de Interpretación y Evaluación: Se usan técnicas de evaluación para descifrar
y comprobar el resultado de los patrones, los mismos que deben tener tres cualidades
 22

precisos, comprensibles e interesantes que sean de utilidad y novedoso (Fernández

et al., 2018).
➢ Cross Industry Standard Process for Data Mining (CRISP-DM)
Sus creadores y la experiencia que tienen establecieron un enfoque práctico, una asociación de
empresas que incluyen software estadístico, Statistical Package for the Social Sciences (SPSS)
de International Business Machines (IBM), es usada en minería de datos para el desarrollo de
proyectos. Comprende seis fases que son (Oviedo C., Oviedo C., & Vélez S., 2015).

• Entendimiento de negocio: Establece los objetivos de la minería de datos y

desarrollo del plan del proyecto.
• Entendimiento de datos: Recolectan y verifican los datos.
• Preparación de datos: Identificar, seleccionar, limpiar, construir e integrar los datos.
• Modelado: Seleccionar y evaluar el modelo.
• Evaluación y despliegue: Evaluar los resultados, revisar el proceso, planeación de
implementación, plan de seguimiento, elaboración del reporte (Tamayo Benalcázar,
2017).
➢ SEMMA (Sample, Explore, Modify, Model, Assess)

La metodología descubre patrones de negocio desconocidos por medio del proceso de

selección, exploración y modelado de los volúmenes de datos. Está orientada a los aspectos
técnicos sin tomar en cuenta los análisis y comprensión del problema, utiliza un software de
minería de datos de la compañía Statistical Analysis Systems (SAS) para trabajar y a la vez esta
metodología contiene un conjunto de herramientas. SEMMA (Sample, Explore, Modify,
Model, Assess) está conformado de cinco fases las mismas que se relacionan por su acrónimo
en inglés:

• Muestreo: Es una parte que se extrae de un conjunto de datos que se pueda operar
rápidamente y a la vez obtener información importante.
• Exploración: Busca tendencias e incoherencias inesperadas de los datos para
comprender la información que se manipula.
• Modificación: Se cambian los datos mediante la creación, selección y evolución de las
variables orientadas en el proceso de selección correcta del modelo.
• Modelado: El software realiza una combinación de datos para predecir un resultado,
realizándolo de manera automática.
 23

• Valoración: Los datos son evaluados por medio de su utilidad y fiabilidad luego de haber
llegado a las conclusiones del proceso (Tamayo Benalcázar, 2017).

Tabla 3: Cuadro comparativo de las metodologías de minería de datos

CUADRO COMPARATIVO
Cross Industry SEMMA (Sample,
Knowledge Discovery in Standard Process for Explore, Modify,
Metodología
Databases (KDD) Data Mining (CRISP- Model, Assess)
DM)
Consta de 5 fases:
Consta de 5 fases: selección,
comprensión del Consta de 5 etapas:
preprocesamiento,
negocio, entendimiento muestreo, exploración,
Fases transformación, extracción y
de datos, preparación de modificación, modelado
evaluación e implantación.
datos, modelado, y valoración.
evaluación y despliegue.
Los que se destaca la limpieza Se extrae la población
y preprocesamiento de datos, Ciclo de vida de acuerdo muestral, se realiza una
Pasos análisis exploratorio de al modelo de referencia, exploración de la
selección del algoritmo de de acuerdo a tareas. información sobre los
minería de datos, entre otros. datos obtenidos.
Descubre patrones de
negocio desconocidos
Trabaja con un proceso por medio del proceso de
Proceso Es un enfoque práctico.
iterativo-incremental. selección, exploración y
modelado de los
volúmenes de datos.
Fuente: Tomado de Gervilla (2016), Oviedo & Vélez (2015) y Tamayo (2017).

Luego de analizar cada una de las metodologías de minería de datos Knowledge Discovery in
Databases (KDD), Cross Industry Standard Process for Data Mining (CRISP-DM) y SEMMA
(Sample, Explore, Modify, Model, Assess), la metodología que se utilizará es la Knowledge
Discovery in Databases (KDD) porque está conformada por un proceso iterativo - incremental,
el mismo que consta de una pre-etapa y cinco etapas, en el caso de no obtener resultados que
sean satisfactorios al concluir las etapas, se puede volver a una etapa previa, de esta manera se
llega a tener valores de datos que el investigador podrá usar para un posterior análisis.

Figura 7: Pasos que componen la metodología KDD

Fuente: Tomado de Fayyad (1996)

 24

Técnicas de Preprocesado
El pre-procesamiento de datos es una de las etapas del proceso de descubrimiento de
información o Knowledge Discovery in Databases (KDD), la cual se encarga de la limpieza de
datos, de la integración, transformación y reducción para continuar con la siguiente etapa que
es la extracción. Puesto que muchas de las veces los datos obtenidos contienen registros nulos
o erróneos que conlleva un proceso de minería de datos con pobres resultados se aplica técnicas
de preprocesamiento (García, Ramírez, Luengo, & Herrera, 2016).
El preprocesamiento incluye un rango amplio de técnicas que se agrupan en dos áreas:
preparación de datos y reducción de datos. La preparación de datos se compone por una serie
de técnicas cuyo objetivo es inicializar correctamente los datos que servirán de entrada para los
algoritmos de minería de datos, por ello se considera importante incluso obligatorio el uso de
estas técnicas ya que sin ellas los algoritmos de extracción del conocimiento no podrían
ejecutarse y presentarían resultados erróneos, para ello se incluye la transformación de datos y
normalización, integración, limpieza de ruido e imputación de valores perdidos (García et al.,
2016).
Figura 8: Familias técnicas en preparación de datos

Fuente: Tomado de García, Ramírez, Luengo & Herrera (2016)

Las técnicas de reducción de datos, se enfocan en obtener una representación reducida de los
datos originales, manteniendo la integridad y la información existente en los datos. Las técnicas
de reducción más relevantes son: la selección de atributos, la selección de instancias o la
discretización (García et al., 2016).
 25

Figura 9: Familias técnicas en reducción de datos

Fuente: Tomado de García, Ramírez, Luengo & Herrera (2016)

Normalize

La herramienta Waikato Environment for Knowledge Analysis (WEKA) posee diversos filtros
sobre datos, permitiendo realizar transformaciones sobre ellos de todo tipo, entre estos tenemos
Normalize: Normaliza todos los datos de manera que el rango de los datos pase a ser [0,1]
(García Morate, 2008).
NumericToNominal

Un filtro para convertir los atributos numéricos en nominales. A diferencia de la discretización,

solo toma todos los valores numéricos y los agrega a la lista de valores nominales de ese
atributo. Útil después de las importaciones de Comma-Separated Values (CSV), para forzar que
ciertos atributos se vuelvan nominales, por ejemplo, el atributo de clase, que contiene valores
de 1 a 5 (García Morate, 2008).

Métricas para la evaluación de clasificadores

Las métricas empleadas para la evaluación de clasificadores son las técnicas de evaluación de
hipótesis, basadas en precisión como, por ejemplo, el porcentaje de Error de Muestra (o
inversamente el porcentaje de Acierto (Accuracy)), o el Alcance, la Precisión o la Especificidad
(Recall, Precision, Specificity) o técnicas más elaboradas como el Área Bajo la Curva (ROC),
si la curva ROC es = 1, el modelo es ideal para el conjunto de datos, si es mayor que 0.5 es
óptimo y si se menor a 0.5 el modelo es despreciable (Haro, Pazmiño Maji, Conde, & Peñalvo,
2018).
 26

Las métricas pueden ser calculadas en base al conjunto de datos que se utiliza para el
entrenamiento y prueba, además se puede emplear la validación cruzada (o no), para evitar
sesgo en las particiones de los datos (Dasso & Funes, 2012).

La precisión global (exactitud), muestra el número total de predicciones correctas del total, la
precisión positiva (sensibilidad), proporción identificados de casos positivos, y la predicción
negativa (especificad), proporción de casos negativos identificados correctamente,
identificados previamente en la matriz de confusión (Dasso & Funes, 2012).

Según el autor (Bigdate, 2019) las métricas de evaluación son las siguientes:

TP
𝑃 = TP+FP (1)

Precisión (P), alta significa pocos falsos positivos, para determinar la tasa de precisión de las
técnicas de minería de datos se considera las ecuaciones propuestas por Bigdate en el año 2019,
las cuales se representan en las ecuaciones (2), (3), (4).

Recall (sensibilidad, exhaustividad):

TP
𝑅 = TP+FN (2)

Recall (R), alta significa pocos falsos negativos.

Tasa FP:

FP
𝐹𝑃𝑅 = TN+FP (3)

Medida:

PxR
𝐹1 = 2𝑥 𝑃+𝑅, es la media armónica de P y R. (4)

en donde, según Bigdate en el año 2019 corresponde a:

True Positives (TP): cuando la clase real del punto de datos era 1 (Verdadero) y la predicha es
también 1 (Verdadero).

Verdaderos Negativos (TN): cuando la clase real del punto de datos fue 0 (Falso) y el
pronosticado también es 0 (Falso).

False Positives (FP): cuando la clase real del punto de datos era 0 (False) y el pronosticado es
1 (True).
 27

False Negatives (FN): Cuando la clase real del punto de datos era 1 (Verdadero) y el valor
predicho es 0 (Falso).

Según el autor (Ruiz Reina, 2018) menciona que un clasificador que todo lo predijera positivo,
obtendría R=1, pero habría muchos falsos negativos y P sería muy baja.

Un clasificador que sólo predijera positivo a un único ejemplo (positivo) y el resto como
negativo, tendría R muy baja, pero P=1.

Un clasificador perfecto tendría P=R=1.

Métrica de exactitud presenta el número de elementos correctamente clasificados en

comparación con el número total de artículos, la métrica de exactitud no funciona bien con las
clases que tienen muchos elementos de la misma clase (desiquilibradas) (Ruiz Reina, 2018),
para lo cual se presenta a continuación la ecuación propuesta por el autor en la ecuación (5).

TP+TN
𝐴𝐶𝑈𝑅𝑅𝐴𝐶𝑌 = TP+TN+FP+FN (5)

Puntuación F, surge de la combinación de la métrica de precisión y la exhaustividad, donde la

mejor puntuación F1=1 y la peor 0 (Fayrix, 2019), para lo cual se representa la ecuación
propuesta por el autor en la ecuación (6).

2∗PRECISION∗RECALL
𝐹1 = (6)
PRECISION+RECALL

DataSet
Es un conjunto de datos contenidos en una matriz de datos, la cual se constituye por filas y
columnas, donde la columna representa una variable determinada y la fila el conjunto de datos
del contexto en el que está trabajando. Al generar el conjunto de datos contenidos (Dataset)
permite tener una mejor organización consultar y modificar el conjunto de datos comprendidos
en la hoja de datos (Balagueró, 2018).

Excel
El software Excel, se le considera como una de las aplicaciones fundamentales para el
desarrollo de actividades de cálculo, que permite trabajar con números, letras y gráficos de
forma sencilla e intuitiva, dicho software cuenta con una interfaz dinámica y amigable que
facilita su utilización, ya que al ingresar datos numéricos extensos permite realizar operaciones
matemáticas de forma fácil (Ebriik, 2010).
 28

8 HIPÓTESIS

Si se diseña un modelo para determinar factores de deserción, entonces se podrá obtener las
causas y su nivel de influencia predictiva en la deserción de los estudiantes en la Facultad de
Ciencias de la Ingeniería y Aplicadas de la Universidad Técnica de Cotopaxi.

Tabla 4: Descripción de Variables

VARIABLE CONTENIDO DE LA PREGUNTA

Las causas y su nivel de influencia predictiva en la deserción de los
Variable dependiente
estudiantes.
Variable independiente Modelo para determinar factores de deserción.
Fuente: Grupo de trabajo

9 METODOLOGÍAS Y DISEÑO EXPERIMENTAL

Metodología
Metodología Científica
Esta metodología es un conjunto de procedimientos utilizada para adquirir conocimientos
científicos, este método es riguroso y de orden lógico se puede comprobar la verdad o falsedad
de los enunciados, además, este método es el camino para alcanzar a la meta. Son dos conceptos
distintos el método son instrucciones que para lograr objetivos y la metodología es el estudio
del método (Vásquez Hidalgo, 2005).

Tipos de investigación
Investigación Bibliográfica

Para el desarrollo del presente proyecto de investigación se aplicó la investigación bibliográfica,

ya es la primera etapa del proceso investigativo que se involucra con el estudio sistemático de
informes o escritos como fuentes de datos, tales como: tesis, revistas, libros y artículos
científicos, puesto que esto proporciona un conocimiento mayor en el ámbito académico e
investigativo. La presente investigación se constituye de técnicas y procedimientos que
constituyen los medios instrumentales para su iniciación, teniendo como técnica principal la
lectura pues a través de ella se adquiere el conocimiento (Méndez Rodríguez, 2008).

Investigación mixta

Para nuestro proyecto se utilizó la investigación mixta tanto cualitativa como cuantitativa, las
mismas que permitieron conseguir una perspectiva más amplia sobre los factores de deserción
en los estudiantes, con los cuales se obtuvo una mejor exploración y aprovechamiento de datos
 29

que fueron analizados y a la vez alcanzando resultados satisfactorios, además estas técnicas
mantienen sus propios procedimientos y estructuras (Pereira Pérez, 2011).

Investigación cuantitativa

Este tipo de investigación permitió conocer la realidad mediante la recopilación y análisis de

los datos medibles, para ello se utilizó procedimientos que permite la medición de las mismas,
con lo cual se logró obtener información de datos estadísticos y se definió las variables de mayor
impacto en el proyecto de investigación de acuerdo a las respuestas obtenidas (Garcia, 2004).

Investigación cualitativa

Por medio de este tipo de investigación se estableció un análisis subjetivo, además se obtuvo
datos que no son medibles basados en la entrevista, revisión de documentos, entre otros, con
esto se estableció una reconstrucción de la realidad de la deserción de acuerdo a los criterios de
los autores, con esta investigación se puedo establecer una hipótesis (Portilla Chaves, Rojas
Zapata, & Hernández Arteaga, 2014).

Investigación experimental

Para este proyecto se aplicó la investigación experimental, en la que se identificó las causas y
efectos de la deserción estudiantil, permitió comprender como las variables influyen en los
resultados, en este caso de las variables independientes que ocasionaron un efecto en la variable
dependiente y a la vez se manipuló dichas variables de forma controlada para que los datos
obtenidos sean representativos de la realidad (Arias, 2012).

Métodos de investigación
Método sintético

El presente método analiza y sintetiza la información recopilada, lo que permite ir estructurando

las ideas, es decir, para el presente proyecto primero se recopila los datos, se analiza y se
sintetiza la información adquirida. Una vez que se analiza dicha información se obtiene
resultados sobre el objeto de estudio a fin de contribuir a la toma de decisiones, para evitar que
los estudiantes deserten de sus estudios universitarios (Maya, 2014).

Técnicas de investigación
Encuesta

Para desarrollar el proyecto se ha considerado como mejor técnica de investigación la encuesta,

la misma que se aplicó a los estudiantes de la Facultad de Ciencias de la Ingeniería y Aplicadas
 30

de la Universidad Técnica de Cotopaxi, lo cual ayudó a obtener mediciones cuantitativas de un

conjunto de características del tema de investigación. A partir de este procedimiento útil y
sencillo, se pueden definir preguntas relevantes de acuerdo a las respuestas obtenidas de la
población a las que se aplicó.

Entrevista

Se utilizó la entrevista como técnica de investigación para el desarrollo del proyecto en la que
se interactuó con los directores de cada carrera de la Facultad de Ciencias y Aplicadas, en la
que se obtuvo información sobre los factores de la deserción estudiantil. Luego que se realizó
este método correspondiente y sin ningún inconveniente, se pudo comparar los distintos puntos
de vista u opiniones de los entrevistados sobre el tema de deserción.

Instrumentos de investigación
Cuestionario

Se basa en un conjunto de preguntas sobre aspectos que se desean conocer de una investigación
para obtener información que contribuyan al desarrollo del mismo (García Muñoz, 2014).

El cuestionario contiene preguntas cerradas que corresponden a si o no y de selección múltiple

que contiene un listado de alternativas en las que el encuestado puede seleccionar una o varias
opciones de acuerdo a su criterio.

Población

La población de estudio está constituida por los estudiantes de la Universidad Técnica de

Cotopaxi sede la Matriz, para las carreras de: Sistemas de Información, Eléctrica,
Electromecánica e Industrial pertenecientes a la Facultad de Ciencias de la Ingeniería y
Aplicadas.

Tabla 5: Carreras de la Facultad de Ciencias de la Ingeniería y Aplicadas

Carreras Número de estudiantes encuestados

Sistemas de información 449

Industrial 348

Electromecánica 297

Eléctrica 363

Total 1457
Fuente: Tomado de Departamento de TIC´S de la UTC (2019)
 31

Métodos específicos
La metodología seleccionada para el modelo de minería de datos corresponde a la Knowledge
Discovery in Databases (KDD), la misma que se refiere a un proceso de descubrir conocimiento
útil almacenados en grandes bases de datos. Esta metodología consta de cinco fases que
comprende: etapa de selección, etapa de preprocesamiento, etapa de transformación, etapa de
extracción y finalmente la etapa de interpretación y evaluación.

La presente metodología se considera iterativa puesto que la salida de alguna de las fases logra
hacer regresar a anteriores pasos, ya que a menudo son necesarias diversas iteraciones para
extraer conocimiento de alta calidad, de igual manera es interactivo debido a que el usuario o
experto en el dominio del problema debe ayudar en la preparación de datos y validar el
conocimiento extraído entre otras actividades (Sarasa, Suárez, & Sánchez, 2008).

Etapa de selección

Para el autor (Timarán-Pereira, S. R., Hernández-Arteaga, Caicedo-Zambrano, S. J., Hidalgo-

Troya, & Alvarado-Pérez, 2016) en la etapa de selección una vez identificado el conocimiento
relevante, prioritario y definidas las metas del proceso Knowledge Discovery in Databases
(KDD), desde el punto de vista del usuario final, se crea un conjunto de datos objetivo:
seleccionando todo el conjunto de datos o una muestra representativa de este, sobre el cual se
realiza el proceso de descubrimiento. La selección de los datos varía de acuerdo con los
objetivos del negocio.

Etapa de pre-procesamiento

Según el autor (Timarán-Pereira, S. R., Hernández-Arteaga et al., 2016) en la etapa de pre-

procesamiento/limpieza (data cleaning) se analiza la calidad de los datos, se aplican operaciones
básicas como la remoción de datos ruidosos (noisy data), se seleccionan estrategias para el
manejo de datos desconocidos (missing y empty), datos nulos, datos duplicados y técnicas
estadísticas para su reemplazo. En esta etapa, es de suma importancia la interacción con el
usuario o analista.

Los datos ruidos (noisy data) son valores significativos que se encuentran fuera del rango de
valores esperados. Los datos desconocidos (empy) se refieren a aquellos a los cuales no les
corresponde un valor en el mundo real y los missing, corresponden al valor que no fue
capturado. Los datos nulos son datos desconocidos por los sistemas gestores de bases de datos
relacionales (SGBDR). En la etapa de pre-procesamiento todos estos valores se ignoran, es
 32

decir, se reemplazan por un valor más cercano, utilizando las métricas estadísticas como: la
media, la moda, el mínimo y el máximo (Timarán-Pereira, S. R., Hernández-Arteaga et al.,
2016).

Etapa de trasformación

De acuerdo al autor (Fayyad, Piatetsky-Shapiro, & Smyth, 1996) se buscan características útiles
para representar los datos dependiendo de la meta del proceso. Se utilizan métodos de reducción
de dimensiones o de transformación para disminuir el número efectivo de variables bajo
consideración o para encontrar representaciones invariantes de los datos.

Los métodos de reducción de dimensiones pueden simplificar una tabla de una base de datos
horizontal o verticalmente. La reducción horizontal implica la eliminación de tuplas idénticas
como producto de la sustitución del valor de un atributo por otro de alto nivel, en una jerarquía
definida de valores categóricos o por la discretización de valores continuos (por ejemplo, edad
por un rango de edades). La reducción vertical implica la eliminación de atributos que son
insignificantes o redundantes con respecto al problema, como la eliminación de llaves, la
eliminación de columnas que dependen funcionalmente (por ejemplo, edad y fecha de
nacimiento). Se utilizan técnicas de reducción como agregaciones, compresión de datos,
histogramas, segmentación, discretización basada en entropía, muestreo, entre otras (Berzal &
Marín, 2016).

Etapa de extracción

Según el autor (Timarán-Pereira, S. R., Hernández-Arteaga et al., 2016) el objetivo de la etapa

de extracción es la búsqueda y descubrimiento de patrones insospechados y de interés,
aplicando tareas de descubrimiento como clasificación y la regresión. Las técnicas de minería
de datos crean modelos que son predictivos o descriptivos. Los modelos predictivos pretenden
estimar valores futuros o desconocidos de variables de interés, que se denominan variables
dependientes, usando otras variables denominadas independientes o predictivas, como por
ejemplo para determinar si los nuevos estudiantes desertan o no en función de su zona de
procedencia, facultad, estrato, género, edad y promedio de notas. Los modelos descriptivos
identifican patrones que explican o resumen los datos; sirven para explorar las propiedades de
los datos examinados, no para predecir nuevos datos, como por ejemplo identificar patrones de
compra de clientes en una determinada zona de la ciudad. Entre las tareas descriptivas se
encuentran las reglas de asociación, los patrones secuenciales, los clustering y las correlaciones.
 33

Etapa de interpretación y evaluación

De acuerdo al autor (Timarán-Pereira, S. R., Hernández-Arteaga et al., 2016) en la etapa de

interpretación/evaluación, se interpretan los patrones descubiertos y posiblemente se retorna a
las anteriores etapas para posteriores iteraciones. Esta etapa puede incluir la visualización de
los patrones extraídos, la remoción de los patrones redundantes y la traducción de los patrones
útiles en términos que sean entendibles para el usuario. Por otra parte, se consolida el
conocimiento descubierto para documentarlo y reportarlo a las partes interesadas; también la
toma decisiones que permita verificar y resolver conflictos potenciales con el conocimiento
previamente descubierto.
 34

Diseño de la Investigación
Figura 10: Diseño de la investigación para determinar factores de deserción

Fuente: Grupo de trabajo

 35

En la Figura 10, muestra el diseño de la investigación propuesta para determinar factores de

deserción estudiantil. El modelo consta de cinco fases: en la primera fase se indagó sobre las
concepciones teóricas de la deserción estudiantil en bases de datos científicas, en la segunda
fase se construyó y validó el instrumento (cuestionario), la misma que fue aplicada a los
estudiantes de la Facultad de Ciencias de la Ingeniería y Aplicadas de la Universidad Técnica
de Cotopaxi, de este modo se obtuvo un DataSet que sirvió como punto de partida para el
proceso de investigación. En la tercera fase se tiene la determinación del modelo para
determinar factores de deserción estudiantil universitaria a través del software Eviews, en la
cuarta fase se aplicó la metodología de minería de datos Knowledge Discovery in Databases
(KDD), conformada por cinco etapas: selección, pre-procesamiento, transformación, extracción
e interpretación y evaluación. Se emplearon cinco técnicas de minería de datos que son:
Multilayer Perceptron, Naive Bayes, J48, Random Forest y Minimal Sequential Optimization
(SMO). Las técnicas de minería de datos que arrojaron mayor exactitud fueron: J48, Random
Forest y Minimal Sequential Optimization (SMO) con el 92%. Finalmente, en la fase cinco, se
presenta los resultados en donde se contempla doce factores de deserción estudiantil que
corresponden a: conducta en el aula de clases, bullying, motivación del docente – alumno,
limitado conocimiento de la asignatura, adicción de las redes sociales, estado emocional,
conocimiento adquirido en los cursos de nivelación, formación académica, sistema de ingreso
a la universidad, problemas familiares, residencia y expectativas respecto a la carrera
seleccionada.

10 ANÁLISIS Y DISCUSIÓN DE RESULTADOS

Recopilación de información
Se aplicó una encuesta online mediante Google Forms, para conocer la percepción del
estudiante respecto a las causas que pueden ocasionar el abandono estudiantil. La encuesta
consta de 59 preguntas entre cerradas y de selección múltiple, aplicadas en un periodo de un
mes y medio, desde el 4 de abril hasta el 20 de mayo del 2019. La encuesta estuvo dirigida a
los estudiantes de la Facultad de Ciencias de la Ingeniería y Aplicadas en las carreras de
Electromecánica, Industrial, Eléctrica y Sistemas de Información de la Universidad Técnica de
Cotopaxi matriculados en el periodo Marzo - Agosto 2019, en donde 1457 estudiantes dieron
respuesta a la encuesta.

El objetivo de la encuesta fue descubrir los factores que afectan a la deserción estudiantil
universitaria. La encuesta constó de tres secciones. La sección 1 recopiló información personal
 36

y relacionada con la caracterización de la institución (26 preguntas), la sección 2 contenía

preguntas que determinaron la influencia de los factores que inciden en la deserción (28
preguntas), y la sección 3 contenía preguntas que complementaron al estudio (5 preguntas).

Los resultados para la sección 2 fueron evaluados por dos indicadores donde Si = 1 y No = 0,
otra alternativa fue a través de la escala de Likert (del 1 al 5), donde No influye = 1, Baja
influencia = 2, Mediana influencia = 3, Alta influencia = 4, Influye totalmente = 5. Por otro
lado se aplicó la escala de Likert que es un instrumento psicométrico donde el encuestado debe
indicar su acuerdo o desacuerdo sobre una afirmación, ítem o reactivo, recopila datos
cuantitativos de una investigación son cinco el número de opciones de respuestas más usado
como se puede observar anteriormente, se tiene cinco ítems de evaluación para identificar
factores de deserción estudiantil (Matas, 2018).

Para validar las preguntas de la encuesta, se estableció una prueba piloto, la cual fue dirigida a
los estudiantes de noveno ciclo de la carrera de Sistemas de Información con un total de 42
personas encuestadas. El objetivo era verificar si las preguntas fueron entendibles, como
resultado de esta prueba se corrigió las preguntas de la encuesta original utilizando un lenguaje
fácil de entender, se recopiló información en el que se aplicó el proceso de minería de datos
para obtener resultados.

Tabla 6: Resultados de la evaluación de la escala de Likert

Porcentaje Porcentaje
Frecuencia Porcentaje
válido acumulado
Baja Influencia 212 14,6 14,6 14,6
Mediana
455 31,2 31,2 45,8
Influencia
Alta Influencia 587 40,3 40,3 86,1
Válidos Influye
203 13,9 13,9 100,0
Totalmente
Total 1457 100,0 100,0

En la Tabla 6 se muestra los resultados de la escala de Likert, la misma que consta de 16

variables, en un rango del 1 al 5 para medir las respuestas, se estableció de acuerdo al criterio
del grupo de trabajo que 0 – 20 = 1, 21 – 40 = 2, 41 – 50 = 3, 51 – 60 = 4 y mayor a 61 = 5.
Además, se obtuvo como resultado una frecuencia de 587 respuestas como Alta Influencia.
 37

Confiabilidad de los datos

Se aplicó el alfa de Cronbach, para medir la fiabilidad de la encuesta, técnica utilizada para
determinar el grado en que los elementos del cuestionario se relacionan entre sí. Como resultado
se obtiene un valor de 0,839 a través del software estadístico Statistical Package for the Social
Sciences (SPSS). Debido a que el valor obtenido supera el 0,7 se puede determinar que las
preguntas de la encuesta aplicada son óptimas para el fin propuesto en la investigación. La tabla
7 presenta los resultados obtenidos.

Tabla 7: Resultados de validez de la encuesta

Estadísticos de fiabilidad

Alfa de Cronbach N de elementos

0,839 16

Análisis de la información
En la Tabla 8, se muestra un resumen de las características demográficas de los estudiantes
matriculados en la Facultad de Ciencias de la Ingeniería y Aplicadas de la Universidad Técnica
de Cotopaxi.

Tabla 8: Estadísticas descriptivas de Ciencias de Ingeniería y Aplicadas

Variable Descripción Valor Porcentaje

Masculino 1173 80.51%

Género
Femenino 284 19.49%

< 20 397 27.25%

Edad 21-28 1026 70.42%

>29 34 2.33%

Sistemas de Información 449 30.82%

Industrial 348 23.88%

Carrera
Eléctrica 363 24.91%

Electromecánica 297 20.38%

Casado 43 2.95%

Divorciado 2 0.14%

Estado Civil Soltero 1366 93.75%

Unión Libre 45 3.09%

Viudo 1 0.07%
 38

Tabla 8: Estadísticas descriptivas de Ciencias de Ingeniería y Aplicadas (continuación)

Mestizo 1380 94.71%

Mulato 5 0.34%

Etnia Blanco 10 0.69%

Indígena 52 3.57%

Afroecuatoriano 10 0.69%

Si 14 0.96%
Discapacidad
No 1443 99.04%

Bajo 278 19.08%

Estatus Social Media 1168 80.16%

Alto 11 0.75%

Vive cerca de la Si 460 31.57%

Universidad No 997 68.43%

Si 314 21.55%
Trabaja
No 1143 78.45%
Nuclear Funcional (Padre,
1030 70.69%
madre y hermanos)
Materno Funcional (Madre y
256 17.57%
hermanos)
Tipo de Hogar
Nuclear Funcional (Cónyuge e
58 3.98%
hijos)
Inmediato Funcional (Otros
113 7.76%
Familiares)
Propia 1058 72.61%

Arrendada 336 23.06%

Tipo de Vivienda Hipotecada 16 1.10%

Cedida 36 2.47%

Otro 11 0.75%

Ninguno 57 3.91%

Centro alfabetización 24 1.65%

Educación básica 689 47.29%

Nivel educativo del Educación media 488 33.49%
padre
Superior universitaria completa 93 6.38%
Superior universitaria
89 6.11%
incompleta
Posgrado maestría 17 1.17%
 39

Tabla 8: Estadísticas descriptivas de Ciencias de Ingeniería y Aplicadas (continuación)

Ninguno 37 2.54%

Centro alfabetización 63 4.32%

Educación básica 692 47.49%

Nivel educativo de la Educación media 473 32.46%
madre
Superior universitaria completa 104 7.14%
Superior universitaria
71 4.87%
incompleta
Posgrado maestría 17 1.17%

Fiscal 1194 81.95%

Municipal 31 2.13%
Colegio de
Particular 160 10.98%
Procedencia
Fiscomisional 65 4.46%

Otro 7 0.48%
Fuente: Grupo de trabajo

Los resultados presentados corresponden a los datos de los estudiantes encuestados, donde se
puede evidenciar como datos prioritarios que la población masculina es más alta con 80.51%
(1173 encuestados), mientras que la población femenina el 19.49% (284 encuestados), en los
grupos comprendidos entre las edades de (21-28 años) se tiene 70.42% (1026 estudiantes), el
93.75% (1366 estudiantes) son solteros, el mayor porcentaje de la población encuestada se
considera mestiza con el 94.71% (1380 estudiantes), el 99.04% (1443 estudiantes) no poseen
ningún tipo de discapacidad, mientras tanto el 68.43% (997 estudiantes) viven lejos de la
universidad, los estudiantes provienen de hogares conformada por padre, madre y hermanos el
70.69% (1030 estudiantes), generalmente residen en un domicilio propio el 72.61% (1058
estudiantes), el nivel educativo del padre es del 47.29% que corresponde a educación básica,
mientras que el nivel de formación de la madre de los estudiantes en su mayoría es de educación
básica con el 47.49% y un alto porcentaje de estudiantes que provienen de colegios fiscales con
el 81.95% (1194 estudiantes).

Etapa de especificación del modelo

La Figura 11, presenta el modelo conceptual propuesto para determinar factores de deserción
estudiantil. El modelo propuesto consta de cuatro dimensiones y doce factores que podrían ser
considerados como causas de deserción en la universidad en la cual se aplicó el estudio.
 40

Modelo para determinar factores de deserción estudiantil universitaria en la Facultad de Ciencias de la Ingeniería y Aplicadas.

Figura 11: Modelo conceptual

Fuente: Grupo de trabajo

 41

Modelado de datos en Eviews

Regresión lineal

La regresión lineal simple consiste en una técnica estadística, la misma que analiza la relación
entre dos variables cuantitativas para comprobar si la relación es lineal. Al tener más de dos
variables se define como una regresión múltiple. Por otra parte, la finalidad de la regresión es
explicar el comportamiento de una variable Y (dependiente o endógena) a partir de otra variable
X (independiente o exógena) (Laguna, 2009).

Mínimos cuadrados ordinarios (MCO)

Es un método de estimación utilizada cuando se realiza un ajuste del modelo de regresión lineal
simple al utilizar parámetros. Permite obtener un hiperplano para poder minimizar la suma de
los cuadrados de las distancias entre las observaciones de la variable y el mismo hiperplano
(residuos). Además, de que este método permite sumar las distancias al cuadro y define como
otro supuesto razonable que es arbitrario cuando se trata de acumular las distancias que deben
ser manejadas y entendidas (Chirivella Gonzáles 2019).

El método de ajuste por mínimos cuadrados o regresión lineal permite obtener la pendiente a
de la recta y la ordenada en el origen, correspondientes a la recta y = ax + b que mejor se ajusta
a los n datos (xi, yi), es decir, permite establecer una relación funcional entre dos variables;
donde x es la variable independiente, (y) es la variable dependiente. En otras palabras (y)
depende de (x), en donde (y) – (x) son dos variables importantes (Catarina 2006).

Según el autor (Hurtado Crúz, 2016) menciona que el método de mínimos cuadrados se aplica
para ajustar rectas a una serie de datos presentados como punto en el plano.

Supongamos que se tienen los siguientes datos para las variables (x), (y).

Tabla 9: Variables (x, y)

X1 X2 .......... Xn
Y1 Y2 .......... Yn
Fuente: Tomado de Hurtado (2016)

Esta situación se puede presentar en estudios experimentales, donde se estudia la variación de

cierta magnitud (x) en función de otra magnitud (y).

Las expresiones de las variables sean de tipo lineal, según Hurtado en el 2016 se presenta en la
ecuación (7).
 42

𝑦 = 𝑚𝑥 + 𝑏 (7)

El método de mínimos cuadrados nos proporciona un criterio a través del cual se obtiene la
mejor recta que representa a los puntos dados, las ecuaciones (8), (9), (10) se presentan en base
al trabajo realizado por Hurtado (2016).

Se desearía tener

𝑦𝑖 = 𝑚𝑥𝑖 + 𝑏 (8)

Para todos los puntos (𝑥𝑖, 𝑦𝑖) de (𝑖 = 1),….,n. Sin embargo, como general

𝑦𝑖 ≠ 𝑚𝑥𝑖 + 𝑏 (9)

Se pide que la suma de los cuadrados de las diferencias (las desviaciones)

𝑦𝑖 − 𝑚𝑥𝑖 + 𝑏 (10)

La Figura 12, presenta la gráfica de la regresión lineal y su ecuación correspondiente.

Figura 12: Ecuación generada

Fuente: Tomado de Hurtado (2016)

Expresiones para el estimador de mínimos cuadrados

Novales (2010) propone las ecuaciones de la regresión lineal a través de minimos cuadrados
los cuales se presentan en las ecuaciones (11), (12). En general, si primero despejamos β0 en
(11), tenemos:
𝑛
∑𝑖=1 𝑦𝑖−𝛽1 ∑𝑛
𝑖=1 𝑥𝑖
𝛽0 = n
= 𝑦̅ − 𝛽1𝑥̅ (11)
 43

Que se utiliza para estimar los mínimos cuadrados ordinarios (MCO) de β0, una vez que se tiene
el estimador de 1. Sustituyendo en (12), se tiene:
𝑛 𝑛 𝑛
1 𝑛
∑ 𝑦𝑖𝑥𝑖− (∑𝑖=1 𝑥𝑖)(∑𝑖=1 𝑦𝑖) ∑𝑖=1 (𝑥𝑖−𝑥̅ )(𝑦𝑖−𝑦̅)
𝑖=1 𝑛 𝑛𝑆𝑥𝑦 𝑆𝑦
𝛽1 = 𝑛 = 𝑛 = = 𝑝𝑥𝑦 𝑆𝑥 (12)
∑
1 𝑛
𝑥𝑖 2 − (∑𝑖=1 𝑥𝑖)2 ∑𝑖=1 (𝑥𝑖−𝑥̅ )2 𝑛𝑆𝑥 2
𝑖=1 𝑛

Estimación del modelo

Se especifica el modelo a través de la técnica de regresión lineal para la predicción de los

valores, así como también para el estudio de la relación entre variables cuantitativas. Para el
caso de estudio la variable dependiente (Y) corresponde a: Deserción (VD) y 12 variables
independientes o predictoras (X1, X2…...Xn) que fueron conducta en el aula de clases (V10),
bullying (13), motivación del docente – alumno (V17), limitado conocimiento de la asignatura
(V27), adicción de las redes sociales (V28.4), estado emocional (V30), conocimiento adquirido
en los cursos de nivelación (V6), formación académica (V5), sistema de ingreso a la
universidad (V8), problemas familiares (V19), residencia (V3), expectativas respecto a la
carrera seleccionada (V7). Las cuales se representan en la Tabla 10.

Tabla 10: Descripción de los factores de deserción estudiantil

Variable independiente Descripción

V10 Conducta en el aula de clases

V13 Bullying

V17 Motivación del docente – alumno

V27 Limitado conocimiento de la asignatura

V28.4 Adicción de las redes sociales

V30 Estado emocional

Conocimiento adquirido en los cursos de
V6
nivelación
V5 Formación académica

V8 Sistema de ingreso a la universidad

V19 Problemas familiares

V3 Residencia
Expectativas respecto a la carrera
V7
seleccionada
Variable dependiente

VD Deserción estudiantil universitaria.

Fuente: Grupo de trabajo
 44

La estimación del modelo a través de mínimos cuadrados ordinarios utilizando el software

Eviews, se presenta en la Tabla 11.

Tabla 11: Estimación del modelo inicial

Estimation Command:
LS V16 V10 V13 V14 V17 V27 V28_4 V30 V6 V5 V8 C
Estimation Equation:
V16 = C(1)*V10 + C(2)*V13 + C(3)*V14 + C(4)*V17 + C(5)*V27 + C(6)*V28_4 + C(7)*V30 +
C(8)*V6 + C(9)*V5 + C(10)*V8 + C(11)
Substituted Coefficients:
V16 = 0.151695876998*V10 + 0.123390821825*V13 + 0.139288149971*V14 - 0.084202833337*V17
+ 0.117401452718*V27 + 0.133946726279*V28_4 + 0.153413068987*V30 - 0.114032604774*V6 -
0.0963022550382*V5 - 0.091295282887*V8 + 0.166226211771

El modelo propuesto representa una lista de serie en un formato tradicional de especificación,

además una expresión algebraica con coeficientes simbólicos y de ecuaciones ya estimadas con
el valor de los coeficientes resultantes, además se establece los principales factores de deserción
y la determinación de los pesos resultantes en cada una de las variables.

Tabla 12: Modelo con todas variables

Dependent Variable: V16

Method: Least Squares

Date: 07/08/19 Time: 17:36

Sample: 1 1457

Included observations: 1457

Variable Coefficient Std. Error t-Statistic Prob.

V1 0.032459 0.029661 1.094324 0.2740

V10 0.139215 0.031259 4.453619 0.0000

V11 0.018534 0.022511 0.823315 0.4105

V12 0.005141 0.023352 0.220148 0.8258

V13 0.117354 0.041250 2.844928 0.0045

V14 0.132201 0.044321 2.982780 0.0029

V15 -0.047608 0.048409 -0.983458 0.3256

V17 -0.073588 0.028024 -2.625898 0.0087

V18 0.043947 0.025920 1.695517 0.0902

V19 0.055855 0.036883 1.514365 0.1302

V2 0.073370 0.111602 0.657421 0.5110

V20 0.028018 0.039314 0.712668 0.4762

V21 0.022772 0.042957 0.530110 0.5961

 45

Tabla 12: Modelo con todas variables (continuación)

V22 -0.016494 0.037573 -0.438975 0.6607

V23 -0.031204 0.027691 -1.126833 0.2600

V24 -0.027759 0.024700 -1.123858 0.2613

V24_1 0.005154 0.034116 0.151086 0.8799

V25 -0.034382 0.026648 -1.290210 0.1972

V25_1 0.025495 0.042773 0.596050 0.5512

V25_2 0.033603 0.045120 0.744750 0.4565

V26_1 0.001540 0.027550 0.055897 0.9554

V27 0.076414 0.034897 2.189718 0.0287

V28 -0.011721 0.025007 -0.468711 0.6393

V28_1 -0.022296 0.027097 -0.822816 0.4108

V28_2 0.026358 0.055114 0.478241 0.6326

V28_3 -0.033736 0.024002 -1.405566 0.1601

V28_4 0.136795 0.048177 2.839448 0.0046

V28_5 -0.007937 0.029095 -0.272795 0.7851

V29 0.052860 0.034000 1.554696 0.1202

V3 -0.037152 0.023422 -1.586230 0.1129

V30 0.135748 0.029515 4.599328 0.0000

V32 0.030004 0.023920 1.254346 0.2099

V31 0.006672 0.024355 0.273936 0.7842

V4 -0.036073 0.024309 -1.483951 0.1380

V6 -0.101194 0.026315 -3.845516 0.0001

V5 -0.076722 0.032060 -2.393051 0.0168

V7 -0.051019 0.031628 -1.613124 0.1069

V8 -0.075719 0.023678 -3.197872 0.0014

V9 0.045715 0.030626 1.492678 0.1357

C 0.114051 0.087799 1.299006 0.1942

R-squared 0.193501 Mean dependent var 0.277968

Adjusted R-squared 0.171304 S.D. dependent var 0.448152

S.E. of regression 0.407965 Akaike info criterion 1.071798

Sum squared resid 235.8387 Schwarz criterion 1.216867

F-statistic 8.717350 Durbin-Watson stat 1.815898

Prob(F-statistic) 0.000000
 46

La Tabla 13, presenta el resultado del modelo ajustado después de eliminar las variables que
estadísticamente no son significativas, lo cual se puede evidenciar por su peso correspondiente
a valores inferiores a 0.05. Es importante resaltar que para la evaluación del modelo se
consideró el 95 % de confianza para el indicador estadístico (Prob).

En la salida de la estimación se muestra los principales resultados obtenidos en relación con los
parámetros de test de significancia y con el contraste de las hipótesis obtenidas, respecto a las
12 variables predictoras y el valor del coeficiente (𝛽) que presenta el nivel de significancia
estadística positiva y negativa respecto a cada variable identificada.

Tabla 13: Modelo ajustado de factores de deserción estudiantil

Dependent Variable: V16

Method: Least Squares

Date: 07/09/19 Time: 11:43

Sample: 1 1457

Included observations: 1457

Variable Coefficient Std. Error t-Statistic Prob.

V10 0.151689 0.030403 4.989343 0.0000

V13 0.121707 0.040684 2.991510 0.0028

V14 0.137861 0.043735 3.152165 0.0017

V17 -0.079711 0.027268 -2.923218 0.0035

V27 0.093539 0.031371 2.981709 0.0029

V28_4 0.126125 0.046321 2.722833 0.0066

V30 0.152303 0.027371 5.564504 0.0000

V6 -0.103990 0.025937 -4.009357 0.0001

V5 -0.080280 0.031503 -2.548311 0.0109

V8 -0.083203 0.022854 -3.640714 0.0003

V19 0.081445 0.033227 2.451211 0.0144

V3 -0.046455 0.023145 -2.007086 0.0449

V7 -0.059933 0.029832 -2.008983 0.0447

C 0.158533 0.070341 2.253791 0.0244

R-squared 0.177469 Mean dependent var 0.277968

Adjusted R-
0.170059 S.D. dependent var 0.448152
squared
S.E. of regression 0.408271 Akaike info criterion 1.055791
 47

Tabla 13: Modelo ajustado de factores de deserción estudiantil (continuación)

Sum squared
240.5268 Schwarz criterion 1.106565
resid
Log likelihood -755.1440 Hannan-Quinn criter. 1.074734

F-statistic 23.94933 Durbin-Watson stat 1.815132

Prob(F-statistic) 0.000000

Una serie temporal es una secuencia de n observaciones (datos) ordenadas y equidistantes

cronológicamente sobre una característica (serie univariante o escalar) o varias características
(serie multivariante o vectorial) de una unidad observable en diferentes momentos (Marrón,
2008).

La Figura 13, presenta un nivel constante, la tasa de crecimiento se encuentra en orden

cronológico; sin embargo, las desviaciones grandes (pequeñas) de dicha serie con respecto a su
nivel van seguidas de variaciones grandes (pequeñas), por lo que su volatilidad condicionada
por su historia reciente presenta algún tipo de inercia.

Figura 13: Residuos del modelo con la variable 16

1.2

0.8

0.4

0.0

-0.4

-0.8
250 500 750 1000 1250

V16 Residuals

La Figura 14, presenta una serie con tendencia común con un componente determinista, es
decir, los mismos datos en orden aleatorio.

Figura 14: Continuidad del residuo del modelo

1.2

0.8

0.4

0.0
1.2

0.8 -0.4

0.4

0.0

-0.4

-0.8
250 500 750 1000 1250

Residual Actual Fitted

 48

Etapa de pruebas

Supuesto de normalidad de los datos:

Es una prueba asintótica de muestras grandes, la misma que se basa en los mínimos cuadrados
ordinarios (MCO), calculando como primera instancia la asimetría y la kurtosis de los residuos
de los mínimos cuadrados ordinarios (MCO) (Geometry & Analysis, 2017).

Según Guajatira y Poter (2010), el estadístico de prueba corresponde a la ecuación (13).

𝑠2 (𝐾−3)2
𝐽𝐵 = 𝑛 ∗ + (13)
6 24

En donde:
n = representa el tamaño de la muestra
S = coeficiente de asimetría
K= coeficiente de kurtosis

Para la comprobación del supuesto de normalidad de los datos se utilizó la prueba estadística
Jarque- Bera que consiste en la medida de bondad para los ajustes de desviación de la
normalidad y está basada en los valores de kurtosis y asimetría de la muestra (Alfranca, 2009).
La kurtosis es una métrica adimensional con el cual se determinara el grado de concentración
que tienen los valores de la variable, en la zona central de la distribución de frecuencias
(Quintero & Martín-landrove, 2019).

El indicador de probabilidad alcanzado a través de la técnica Jaque – Bera corresponde a 0.00

como se visualiza en la Figura 15, por lo que se puede señalar que existe normalidad en la
distribución de los datos analizados ya que los términos de error están normalmente
distribuidos.

Figura 15: Probabilidad Jarque-Bera

280
Series: Residuals
240 Sample 1 1457
Observations 1457
200
Mean 1.19e-16
Median -0.185154
160 Maximum 1.085660
Minimum -0.770676
120 Std. Dev. 0.408447
Skewness 0.814712
80 Kurtosis 2.399353

40 Jarque-Bera 183.0842
Probability 0.000000
0
-0.8 -0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0
 49

Supuesto de heteroscedasticidad
La heteroscedasticidad es aquel en que las varianzas de las perturbaciones no son constantes,
por lo tanto, la variabilidad es diferente para cada observación. La matriz de varianzas-
covarianzas es diagonal, por consiguiente, se sigue verificando independencia entre las
observaciones aunque éstas no provienen de la misma población (Barreiro, Vicente, & Pintos
Clapés, 2005).

A través de la prueba Breusch-Pagan, utilizada en la investigación para determinar

la heteroscedasticidad en un modelo de regresión lineal. Analiza si la varianza estimada de los
residuos de una regresión depende de los valores de las variables independientes (Barreiro et
al., 2005).

Para determinar la existencia de heteroscedasticidad de los datos se aplican las siguientes

hipótesis:

H0 = No existe heteroscedasticidad en los datos.

H1 = Que existe heteroscedasticidad en los datos.

Debido a que los resultados obtenidos se presentan en la Tabla 14, se acepta la hipótesis H0.
Tabla 14: Los resultados del proceso de la regresión lineal

Breusch-Godfrey Serial Correlation LM Test:

F-statistic 5.645624 Prob. F(2,1444) 0.0036

Obs*R-squared 11.30451 Prob. Chi-Square(2) 0.0035

Test Equation:

Dependent Variable: RESID

Method: Least Squares

Date: 07/08/19 Time: 17:48

Sample: 1 1457

Included observations: 1457

Presample missing value lagged residuals set to zero.

Variable Coefficient Std. Error t-Statistic Prob.

V10 -0.000114 0.030390 -0.003744 0.9970

V13 0.000443 0.040699 0.010878 0.9913

V14 -0.003606 0.043792 -0.082353 0.9344

V17 -0.001186 0.027056 -0.043828 0.9650

V27 -0.003646 0.030322 -0.120241 0.9043

 50

Tabla 14: Los resultados del proceso de la regresión lineal (continuación)

V28_4 0.000586 0.046284 0.012651 0.9899

V30 -0.001096 0.027336 -0.040084 0.9680

V6 -0.001046 0.025763 -0.040591 0.9676

V5 5.12E-05 0.030782 0.001665 0.9987

V8 -0.000426 0.022376 -0.019038 0.9848

C 0.005643 0.065949 0.085562 0.9318

RESID(-1) 0.086092 0.026378 3.263761 0.0011

RESID(-2) 0.013716 0.026450 0.518568 0.6041

R-squared 0.007759 Mean dependent var 1.19E-16

Adjusted R-squared -0.000487 S.D. dependent var 0.408447

S.E. of regression 0.408546 Akaike info criterion 1.056459

Sum squared resid 241.0182 Schwarz criterion 1.103607

Log likelihood -756.6307 Hannan-Quinn criter. 1.074049

F-statistic 0.940937 Durbin-Watson stat 1.997478

Prob(F-statistic) 0.504562

La prueba de heteroscedasticidad (cuando los errores no son constantes a lo largo de toda la

muestra) de Breusch-Pagan-Godfrey acepta la hipótesis nula de homoscedasticidad en el nivel
de significación del 1%, la misma que permitió la evaluación de validez de las suposiciones del
modelado.

Mínimo Cuadrados Ordinarios

La Figura 16, representa el resultado del método de minimos cuadrados ordinarios respecto a
las variables resultantes residuales como factores influyentes positivos y negativos con la
deserción universitaria.
 51

Figura 16: Regresión lineal

V16 vs Variables (Partialled on Regressors)

V10 V13 V14 V17
1.2 1.5 1.2 1.2

0.8 1.0 0.8 0.8

0.4 0.5 0.4 0.4

0.0 0.0 0.0 0.0

-0.4 -0.5 -0.4 -0.4

-0.8 -1.0 -0.8 -0.8

-0.8 -0.4 0.0 0.4 0.8 1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 -1.0 -0.5 0.0 0.5 1.0

V27 V28_4 V30 V6

1.2 1.5 1.2 1.2

0.8 1.0 0.8 0.8

0.4 0.5 0.4 0.4

0.0 0.0 0.0 0.0

-0.4 -0.5 -0.4 -0.4

-0.8 -1.0 -0.8 -0.8

-1.2 -0.8 -0.4 0.0 0.4 -1.0 -0.8 -0.6 -0.4 -0.2 0.0 0.2 -1.2 -0.8 -0.4 0.0 0.4 -1.2 -0.8 -0.4 0.0 0.4 0.8

V5 V8 C
1.2 1.5 1.2

0.8 1.0 0.8

0.4 0.5 0.4

0.0 0.0 0.0

-0.4 -0.5 -0.4

-0.8 -1.0 -0.8

-1.2 -0.8 -0.4 0.0 0.4 0.8 -.8 -.4 .0 .4 .8 -.4 -.2 .0 .2 .4 .6 .8
 52

Conducta en el aula de clases (V10): presenta una relación directamente proporcional con la
deserción. Este factor se puede explicar debido a que la conducta en el aula de clases es
considerada como un problema, cuando un estudiante emite una conducta agresiva porque
reacciona ante un conflicto. La relación de la conducta agresiva del estudiante puede originarse
de problemas de relación social con otros estudiantes o docentes. Una conducta agresiva del
estudiante podría ser considerada como una práctica negativa que ha conducido a las malas
relaciones interpersonales que genera malestar social. La manera de comportarse de una
persona puede ser considerada como un factor de deserción (Freire Bayas, 2014).

Bullying(V13): podría ser considerado como una causante de la deserción, este problema
relaciona signos como burlas, insultos o una exclusión social que supone indiferencia entre los
estudiantes dentro de las instituciones educativas (Lladó & Mares, 2017). Presenta afectaciones
en el desempeño académico causando la deserción (Millan Reyes, Barrera Sánchez, & Ospina
Diaz, 2015).

Motivación del docente – alumno (V17): se refiere al incentivo emocional recibido por el
cumplimiento adecuado con tareas asignadas. De igual manera puede ser considerada como el
conjunto de principios (atención, respeto, cordialidad, responsabilidad, entre otros) de
enseñanza y educación (García Rangel, García Rangel, & Reyes Angulo, 2014). La motivación
docente-alumno puede ser identificada como factor que influye en la deserción estudiantil
debido a la falta de interés del alumno con su formación académica (García Rangel et al., 2014).
Al contrario, un estudiante motivado, puede alcanzar sus metas de éxito académico. Por tal
razón se considera importante que la motivación es un estudio fundamental a la hora de analizar
la deserción.

Limitado conocimiento de la asignatura (V27): se convierte en un factor causante de la

deserción relacionada a la situación del estudiante en el desarrollo de cada asignatura y el
desempeño en las mismas (Ariza & Marín, 2009). Las deficientes bases académicas, la
dificultad en el empleo de estrategias de aprendizaje incide a la pérdida de ciertas asignaturas
provocando que el estudiante no se sienta tranquilo, conforme y seguro con lo que realiza (Ariza
& Marín, 2009).

Adicción de las redes sociales (V28.4): se conoce como aquella conducta repetida que resulta
placentera y genera una pérdida de control en el sujeto con una interferencia grave en su vida
cotidiana, a nivel familiar, laboral o social. Así, en las redes sociales se puede acceder a
contenidos sin fines de educación. Las personas adictas a las redes sociales experimentan un
 53

síndrome de abstinencia cuando no pueden conectarse, caracterizado por la presencia de un

profundo malestar emocional (estado de ánimo disfórico, insomnio, irritabilidad e inquietud
psicomotriz) (Echeburúa Odriozola, 2012). Podría considerarse una causante de la deserción ya
que en un estudio realizado en la comunidad estudiantil de Madrid, encontraron que uno de
cada tres estudiantes de entre los que mantienen más de un perfil en redes sociales no tienen un
buen rendimiento académico puesto que le dedican poco tiempo al estudio (Tamez Aguirre,
2012).

Estado emocional (V30): se define como alteraciones en el desarrollo cognitivo y psicomotor

del estudiante, sin que en general puedan ser asignados a categorías diagnósticas específicas
tales como retardo mental, síndrome de déficit atencional o trastornos específicos del
aprendizaje. Las dificultades emocionales constituyen un serio problema tanto para la
educación y para los mismos estudiantes, provocando el bajo rendimiento y por ende la
deserción estudiantil (Jadue, 2002).

Conocimiento adquirido en los cursos de nivelación (V6): se conoce como un espacio de

colaboración para paliar los efectos negativos de la calidad de la educación secundaria
recibida por estos estudiantes, través del cual se podrían actualizar planes y programas de
estudio, para así poder proporcionar a los alumnos bases sólidas para cursar el nivel superior
(Frites & Miranda, 2014). En base a lo mencionado se puede manifestar que afecta a la
deserción ya que produce un número creciente de alumnos reprobados y desertores por bajos
conocimientos (Cu Balán, 2008).

Formación académica (V5): Una inadecuada formación académica puede contribuir a la

deserción significa que la universidad, por medio de sus programas y acciones pedagógicas
concretas, propone una educación en valores y en responsabilidad social, lo que se refleja en el
conjunto de conocimientos adquiridos por los estudiantes (Aragón Tobón, Clavijo Zapata,
Puerta Lopera, & Sánchez Duque, 2014). La deserción de los estudiantes del sistema formal
evidencia la existencia de situaciones de riesgo que llevan a los alumnos a no continuar su
formación académica en un centro educativo (Echeburúa Odriozola, 2012).

Sistema de ingreso a la universidad (V8): el acceso a la Universidad en el Ecuador requiere de

un examen de ingreso, el cual es una prueba tanto de conocimiento como de aptitud académica
a fin de obtener información sobre las habilidades y destrezas con las que cuentan los
estudiantes, mismas que serán indispensables para el postulante y le asegurarán el éxito, dentro
del sistema educativo de pregrado (Vieira, 2017). En base al resultado de las encuestas aplicadas
 54

se puede identificar que el 41% de los estudiantes indica que ellos no eligieron la carrera por
vocación, así como también la institución en la que estudian, provocando que el fenómeno de
la deserción aumente, conforme a la variación en el sistema de ingreso a carrera.

Problemas familiares (V9): son problemas que se suscitan en el hogar, por ejemplo: la
violencia, el desinterés y la falta de preocupación por parte de los padres para con sus hijos,
problemas de salud, entre otros (Peña, Soto, & Calderón, 2016). Los jóvenes que, agobiados
por problemas familiares de diversa índole, corren el riesgo de abandonar sus estudios, debido
a que estos problemas pueden ocasionar un excesivo porcentaje de faltas permitidas en la
reglamentación universitaria (Zavala Soto, 2017).

Residencia (V3): el lugar de residencia es un factor importante debido a los efectos relevantes
que tiene sobre la deserción, ya que está relacionada con el lugar donde vive el estudiante
(Osorio, Bolancé, & Castillo Caicedo, 2019). Se considera un factor en el caso de estudio,
debido a que el 42% de los alumnos que contestaron la encuesta residen en las provincias de
Tungurahua y Pichincha. Esto puede ocasionar atrasos al inicio de sus actividades académicas,
gasto en el transporte diario, bajas calificaciones, entre otros.

Expectativas carrera (V7): con respecto a la carrera seleccionada, la deficiente orientación

vocacional recibida antes de ingresar a estudiar una carrera profesional, provoca que los
estudiantes se inscriban en las carreras sin sustentar su decisión en una sólida información sobre
las mismas. Lo que provoca poco interés por los estudios en general afectando a la deserción
(González Fiegehen, 2006). Se puede evidenciar debido a que el 41% de la población
encuestada aseguran no estar estudiando la carrera que ellos desean.

Análisis de datos a través de técnicas de minería de datos

Fase 1: Integracción y limpieza de los datos

Como resultado de la aplicación de la encuesta a los estudiantes se obtuvo 42 factores de

deserción. A través del proceso estadístico mediante el software Eviews se puedo identificar 12
factores que estadísticamente se consideran como significativas, estos factores representan en
su coeficiente (β) de signos positivos o negativos que presentan el nivel de influencia en la
deserción.
 55

Fase 2: Preprocesamiento (selección de variables)

Comparación de los métodos en Waikato Environment for Knowledge Analysis

(WEKA)
Una de las opciones que posee WEKA es la pestaña de selección de atributos, cuya función
consiste en identificar mediante un conjunto de datos ciertos atributos. El peso asociado a
aquellos atributos o valores característicos que determinan si los datos son de una clase u otra
(García Morate, 2008). Para el presente caso de estudio, se realizó la comparación entre el
método: BestFirst y el atributo: CfsSubsetEval.

La función del método BestFirst, consiste en una colina codiciosa escalada con retroceso, que
permite ver la correlación que existe entre las diferentes variables, mientras que el atributo
CfsSubsetEval, considera el valor predictivo de cada atributo individualmente, junto con el
grado de redundancia entre ellos (Gutiérrez García, 2016). El resultado de la aplicación de este
método se presenta en la Tabla 15.

Tabla 15: Método: BestFirst - Atributo: CfsSubsetEval

Attribute Selection on all input data

Search Method:
Best first.
Start set: no attributes
Search direction: forward
Stale search after 5 node expansions
Total number of subsets evaluated: 302
Merit of best subset found: 0.055

Attribute Subset Evaluator (supervised, Class (nominal): 42 VD):

CFS Subset Evaluator
Including locally predictive attributes
Selected attributes: 16,17,27,40 : 4
V16
V17
V25.1
V31

Luego se aplicó el método GreedyStepwise, que se refiere a la escalada de colina codiciosa sin
retroceso; opcionalmente genera una lista clasificada de atributos como se puede visualizar en
la Tabla 16.
 56

Tabla 16: Método: GreedyStepwise - Atributo: CfsSubsetEval

Attribute Selection on all input data

Search Method:
Greedy Stepwise (forwards).
Start set: no attributes
Merit of best subset found: 0.055
Attribute Subset Evaluator (supervised, Class (nominal): 42 VD):
CFS Subset Evaluator
Including locally predictive attributes
Selected attributes: 16,17,27,40 : 4
V16
V17
V25.1
V31

Por medio del software WEKA se realizó una de la técnica CfsSubsetEval a través de los
métodos BestFirst y GreedyStepwise. La Tabla 15, 16 presenta el resultado obtenido del
proceso de selección de variables en la cual se puede visualizar los pasos asignados para cada
variable.

En la Tabla 17, se visualiza los doce factores de deserción estudiantil con su respectiva
descripción y código.

Tabla 17: Factores de deserción

Factor Descripción Código

Conducta en el aula de Comprende el problema que se produce cuando un V10

clases estudiante emite una conducta agresiva porque reacciona
ante un conflicto. La relación de la conducta agresiva del
estudiante puede originarse de problemas de relación
social con otros estudiantes o docentes (Freire Bayas,
2014).

Bullying Son signos como burlas, insultos o una exclusión social V13
que supone indiferencia entre los estudiantes dentro de las
instituciones educativas (Lladó & Mares, 2017).

Motivación del docente Se refiere al incentivo emocional recibido por el V17

– alumno cumplimiento adecuado con tareas asignadas (García
Rangel et al., 2014).

Limitado conocimiento Se relaciona a la situación del estudiante en el desarrollo V27

de la asignatura de cada asignatura y el desempeño en las mismas (Ariza
& Marín, 2009).

Adicción de las redes Se conoce como aquella conducta repetida que resulta V28.4
sociales placentera y genera una pérdida de control en el sujeto con
una interferencia grave en su vida cotidiana, a nivel
familiar, laboral o social (Echeburúa Odriozola, 2012).
 57

Tabla 17: Factores de deserción

Estado emocional Corresponde a alteraciones en su desarrollo cognitivo y V30

psicomotor del estudiante, sin que en general puedan ser
asignados a categorías diagnósticas específicas tales como
retardo mental, síndrome de déficit atencional o trastornos
específicos del aprendizaje (Jadue, 2002).

Conocimiento Se conoce como un espacio de colaboración para paliar V6

adquirido en los cursos los efectos negativos de la calidad de la educación
de nivelación secundaria recibida por estos estudiantes, través del cual
se podrían actualizar planes y programas de estudio, para
así poder proporcionar a los alumnos bases sólidas para
cursar el nivel superior (Frites & Miranda, 2014).

Formación académica Significa que la universidad, por medio de sus programas V5

y acciones pedagógicas concretas, propone una educación
en valores y en responsabilidad social, lo que se refleja en
el conjunto de conocimientos adquiridos por los
estudiantes (Aragón Tobón et al., 2014).
Sistema de ingreso a la Se refiere a una prueba tanto de conocimiento como de V8
universidad aptitud académica a fin de obtener información sobre las
habilidades y destrezas con las que cuentan los
estudiantes, mismas que serán indispensables para el
postulante y le asegurarán el éxito, dentro del sistema
educativo de pregrado (Vieira, 2017).

Problemas familiares Problemas que se suscitan en el hogar por ejemplo: la V19

violencia, el desinterés y la falta de preocupación por parte
de los padres para con sus hijos, problemas de salud, entre
otros (Peña, Soto, & Calderón, 2016).

Residencia Lugar donde reside el estudiante (Osorio et al., 2019). V3

Expectativas respecto a La deficiente orientación vocacional recibida antes de V7

la carrera seleccionada ingresar a estudiar una carrera profesional, provoca que
los estudiantes se inscriban en las carreras sin sustentar su
decisión en una sólida información sobre las mismas
(González Fiegehen, 2006).
Fuente: Grupo de Trabajo

Fase 3: Extracción

En la fase de extracción para determinar factores que inciden en la deserción estudiantil

universitaria, se utilizó la herramienta Weka en la que se determinaron cinco técnicas las cuales
fueron: Multilayer Perceptron, Naive Bayes, J48, Random Forest y Sequential Minimal
Optimization (SMO).

Conceptualización de las técnicas

Multilayer Perceptron: actúa como un aproximador universal de funciones, para la aplicación

en las redes neuronales, se trabaja el algoritmo backpropagation, que significa un algoritmo de
 58

aprendizaje supervisado, es decir muestra al menos una capa oculta con suficientes números de
unidades no lineales. Esta red tiene la capacidad de generalización, facilidad de dar salidas
satisfactorias a entradas que el sistema no ha visto en la fase de entrenamiento (Marín
Diazaraque, 2012).

Matemáticamente el algoritmo backpropagation, según el autor (Vidal González, 2014), en el

aprendizaje de la red se formula como un problema de minimización del siguiente modo:

𝑀𝑖𝑛𝑊𝐸 (14)

Siendo W: el conjunto de parámetros de la red, pesos y umbrales.

E: una función error que evalúa la diferencia entre las salidas de la red y las salidas deseadas.

La función error generalmente se define como:

1
𝐸 = 𝑁 ∑𝑁
𝑛=1 𝑒(n) (15)

Donde N: es el número de patrones o muestras y e(n): es el error cometido por la red, para el
patrón n, dado por:

1 𝐶
𝑒(n) = ∑𝑖=1(𝑠𝑖, (𝑛) − 𝑦𝑖(𝑛))2 (16)
𝑛𝐶

Naive Bayes: combina la clasificación y predicción con la finalidad de construir modelos para
predecir posibles resultados a partir de la asociación de datos históricos (Dueñas Reyes, 2009).
Otros autores consideran que es un problema de decisión binario con dos posibles decisiones
(d1 frente a d2), una función de decisión es una función continua (Larrañaga, Inza, & Moujahid,
2010).

La función matemática comprende:

𝑟 = 𝑅2 → 𝑅 (17)
 59

Figura 17: Estructura gráfica de un modelo Naive Bayes

Fuente: Tomado de Larrañaga, Inza & Moujahid (2018)

Verificando que si 𝑟(𝑥) > 0 (𝑟(𝑥)) < 0 se prefiere d1 a d2 (d2 a d1).

La función 𝑟(𝑥) = 0 define una superficie de decisión.

J48: creado por Ross Quinlan en 1984, el cual es conocido también como un algoritmo de
inducción que genera una estructura de árbol a partir de subconjuntos o ventanas extraídas de
un grupo de datos de entrenamiento, además se considera que el árbol de decisión J48, tiene
una alta precisión en comparación con los clasificadores SMO y Naive Bayes (Vizcaino
Garzón, 2008).

El funcionamiento del algoritmo J48, consiste en los nodos internos que son los diferentes
atributos, las ramas son los posibles valores y nodos finales (hojas), que corresponden a la
clasificación, por ello se considera un método iterativo debido a que va colocando los posibles
valores de las características (información ganada). Cuando todas caigan en una clasificación
y ya no exista ambigüedad entonces se asigna una raíz o un nodo. Un árbol consta de una raíz
y puede tener dos o más nodos hijos intermedios. En la mayoría de los árboles se considera un
nodo intermedio como un nodo de predicción, la cual nos dirá según el valor numérico porque
rama debe bajar. Esto puede ser visto como nodos circulares para los de predicción y
rectangulares para los de decisión (Condori Castro & Sulla Torres, 2016).

Random Forest: se caracteriza por correr eficientemente sobre grandes bases de datos,
proporciona el método experimental para detectar interacciones entre variables, esto
proporciona las estimaciones para saber que variables son importantes en la clasificación
(Escobar., Burbano., & Puris., 2016).
 60

Random Forest, es un clasificador que consiste en una colección de estructura de árbol

clasificador:

{ℎ (𝑥, 𝑘), 𝑘 = 1, … . } (18)

Donde {k} se distribuyen de manera idéntica e independiente. Los vectores aleatorios y cada
árbol emiten un voto unitario para la clase más popular en la entrada x (Breiman, 2012).

Optimización Mínima Secuencial: la máquina de soporte vectorial (SVM), corresponde al

conjunto de algoritmos de aprendizaje supervisado desarrollado por Vladimir Vapnik. En la
implementación de la máquina de soporte vectorial (SVM) que utiliza weka, se encuentra la
optimización mínima secuencial (SMO), la misma que para la clasificación considera cada
atributo como una variable, así se obtiene varios atributos. El objetivo de la optimización
mínima secuencial (SMO), es encontrar el hiperplano, es decir el vector que tiene una
dimensión menos, que divide a los ejemplos en dos conjuntos y maximiza la distancia entre los
puntos más cercanos entre los dos conjuntos (Zaballa Pardo, 2016).

Según el autor (Zaballa Pardo, 2016) debido a la restricción de igualdad lineal que involucra
los multiplicadores de Lagrange ∝ 1, el problema más pequeño posible involucra dos de estos
multiplicadores. Entonces, para cualesquiera dos multiplicadores. ∝1 y ∝2, las restricciones se
reducen a:

0 ≤∝ 1, ∝ 2 < 𝐶, (19)

𝑦1 ∝ 1 + 𝑦2 ∝ 2 = 𝑘, (20)

K: negativo de la suma sobre el resto de términos en la restricción de igualdad, que se fija en

cada iteración.

En base a la revisión literaria, se considera que las técnicas antes mencionadas son importantes
ya que aportan al proceso de predicción en nuestro trabajo de investigación.

Resultados

Para la aplicación del método Multilayer Perceptron establece un listado de especificaciones,

dichos valores son predefinidos, se seleccionó el BatchSize de 100 números de instancias para
procesar un lote de predicción. Para el porcentaje de entrenamiento se empleó el 66% y un 44%
del conjunto de datos para la prueba. Se utilizó la validación cruzada (cross-validation) a través
de 10 iteraciones, este método divide el conjunto total en subconjuntos de tamaño 10 partes. Se
presenta las especificaciones del método Multilayer Perceptrón en la Tabla 18.
 61

Tabla 18: Especificaciones del Multilayer Perceptrón

VD = Variable dependiente Deserción estudiantil universitaria

El DataSet posee 39 variables
Variables independientes
independientes
Entrenamiento 66%

Prueba 44%

Validación cruzada 10

GUI False

AutoBuild True

BatchSize 100

Debug False

Decay False

DoNotCheckCapabilities False

HiddenLayers a

LearningRate 0.3

Momentum 0.2

NominalToBinaryFilter True
Especificaciones
NormalizeAttributes True

NormalizeNumericClass True

NumDecimalPlaces 2

Reset True

Seed 0

TrainingTime 500

ValidationSetSize 0

ValidationThreshold 20

Variables independientes V16, V17, V25.1, V27, V31 y V40

Resultados Número de instancias
1311 que corresponde al 89%
correctamente clasificadas
Fuente: Grupo de trabajo

En la Tabla 19, se presenta la especificación del modelo de red neuronal a través del método
Multilayer Perceptrón, se obtuvo una clasificación correcta de instancias con una tasa del 89%
de precisión de la predicción. La función Sigmoid Node, se lo utiliza para la propagación hacia
atrás y datos asociados. Exiten nodos en la capa oculta de esta red, tal es el caso de los nodos
de salida que son unidades lineales, la función Sigmoid Node 0 representa la unidad de salida
y los Sigmoid Node 1- 22 son las unidades ocultas, estos valores están generados por los pesos
de interconexión.
 62

Tabla 19: Resultado de la herramienta que utiliza Weka que es Multilayer Perceptron

=== Run information ===

Scheme: weka.classifiers.functions.MultilayerPerceptron -L 0.3 -M 0.2 -N 500 -V 0 -S 0 -E 20 -H a
Relation: FactSeleccionados1-weka.filters.unsupervised.attribute.Normalize-S1.0-T0.0-
weka.filters.unsupervised.attribute.NumericToNominal-Rfirst-last
Instances: 1457
Attributes: 42
V1 V15 V26
V2 V16 V26.1
V3 V17 V27
V4 V19 V28
V5 V20 V28.1
V6 V21 V28.2
V7 V22 V28.3
V8 V23 V28.4
V9 V24 V28.5
V10 V24.1 V29
V11 V25 V30
V12 V25.1 V31
V13 V25.2 V32
V14 V15 VD
Test mode: 10-fold cross-validation
=== Classifier model (full training set) ===
Sigmoid Node 0 Sigmoid Node 2
Inputs Weights Inputs Weights
Threshold 7.3389939192401235 Threshold -0.3657309965578198
Node 2 -5.7419680153361 Attrib V1=1 -1.1272419852151072
Node 3 -2.3970778428181894 Attrib V2=1 -0.12545353829055533
Node 4 -2.66464822000334 Attrib V3=1 -0.9421038573552217
Node 5 4.439584268815969 Attrib V4=1 3.493614236660276
Node 6 4.47672230286076 Attrib V5=1 -1.357656266054015
Node 7 -2.9135484276038577 Attrib V6=1 -1.1651981942626302
Node 8 4.4348181453143 Attrib V7=1 1.7560055257910268
Node 9 -5.439707819375495 Attrib V8=1 -0.5856958875573436
Node 10 -3.4454912736852474 Attrib V9=1 -0.20881141896998845
Node 11 3.517813685668383 Attrib V10=1 0.5522275893987788
Node 12 -6.1525124384760215 Attrib V11=1 -1.2885152134933373
Node 13 3.4308423284398026 Attrib V12=1 -2.4073036439877473
Node 14 4.03057919159796 Attrib V13=1 -1.670182613662965
Node 15 -4.139941274603706 Attrib V14=1 -0.7079103722376588
Node 16 -5.638672202631695 Attrib V15=1 1.1729807294318106
Node 17 3.4906257269055145 Attrib V16 =1 -0.8989606653119488
Node 18 -5.373443556532639 Attrib V17=1 -0.8737406361042998
Node 19 2.958748385734836 Attrib V18=1 -0.5576346450620406
Node 20 -1.9244030471189448 Attrib V19=1 -0.21465178759407563
Node 21 -0.8028404281829332 Attrib V20=1 0.1829949788087961
Node 22 -2.7767038395194845 Attrib V21=1 -0.5973960622374795
Sigmoid Node 1 Attrib V22=1 -0.00734438638380642
Inputs Weights Attrib V23=1 2.9447907863814766
Threshold -7.337988148335526 Attrib V24=1 -0.07898205796317677
Node 2 5.739259631581039 Attrib V24.1=1 -0.26838011160160735
Node 3 2.3966674075701895 Attrib V25=1 0.5347999880250028
Node 4 2.6642605888475117 Attrib V25.1=1 -1.150043459566163
Node 5 -4.44046476057559 Attrib V25.2=1 -0.12403679263017521
Node 6 -4.477302232669608 Attrib V26=1 -1.465928685266131
Node 7 2.9135606848381284 Attrib V26.1=1 -0.8356551025482641
Node 8 -4.43661491345216 Attrib V27=1 -1.157080465338491
Node 9 5.440467505944184 Attrib V28=1 0.4417594779324556
Node 10 3.4445389690191814 Attrib V28.1=1 0.10730821260870088
Node 11 -3.5129787641680688 Attrib V28.2=1 0.3340047697648788
Node 12 6.15135637422276 Attrib V28.3=1 -0.8678240977205492
Node 13 -3.427081081503225 Attrib V28.4=1 0.09576931378740285
Node 14 -4.032289014237696 Attrib V28.5=1 -0.8873402977468104
 63

Naive Bayes esta conformada por especificaciones que permiten definir algunas características
para los valores, asi con el NumDecimalPlaces define el número de decimales de salida y el
DisplayModellnOldFormat que usa un formato antiguo para la salida del modelo. Se utiliza el
formato antiguo cuando hay muchos valores de clase y el formato nuevo cuando hay menos
clases. Asi también como el BatchSize de 100 números de instancias para procesar un lote de
predicción. Para el porcentaje de entrenamiento se empleó el 66% y un 44% del conjunto de
datos para prueba. Además, el valor de la validación cruzada (cross-validation) fue 10
iteraciones, es decir divide el conjunto total en subconjuntos de tamaño 10 partes. Se presenta
las especificaciones de la técnica Naive Bayes en la Tabla 20.

Tabla 20: Especificaciones del Navie Bayes

VD = Variable dependiente Deserción estudiantil universitaria

El DataSet posee 39 variables
Variables independientes
independientes
Entrenamiento 66%

Prueba 44%

Validación cruzada 10

BatchSize 100

Debug False

Especificaciones DisplayModellnOldFormat False

DoNotCheckCapabilities False

NumDecimalPlaces 2

UseKernelEstimator False

UseSupervisedDiscretization False

Variables independientes V16, V17, V25.1, V27, V31 y V40

Resultados Número de instancias
1283 que corresponde al 88%
correctamente clasificadas
Fuente: Grupo de trabajo

En la Tabla 21, se muestra el resultado obtenido con la técnica Naive Bayes, el tiempo que se
demoró en ejecutar fue de 0.03 segundos. Las instancias correctamente clasificadas se
denominan exactitud que corresponden al 88% que representa 1283 encuestas. Para la
obtención de los resultados se empleó el DataSet compuesto por las 42 variabables
independientes (predictoras), además arroja los resultados de 1 y 0 puesto que se trabajó con
datos binarios, seguidamente muestra el resultado total por variables.
 64

Tabla 21: Resultado de la herramienta que utiliza Weka que es Naive Bayes

=== Run information ===

Scheme: weka.classifiers.bayes.NaiveBayes
Relation: FactSeleccionados1-weka.filters.unsupervised.attribute.Normalize-S1.0-T0.0-
weka.filters.unsupervised.attribute.NumericToNominal-Rfirst-last
Instances: 1457
Attributes: 42
V1 V15 V26
V2 V16 V26.1
V3 V17 V27
V4 V19 V28
V5 V20 V28.1
V6 V21 V28.2
V7 V22 V28.3
V8 V23 V28.4
V9 V24 V28.5
V10 V24.1 V29
V11 V25 V30
V12 V25.1 V31
V13 V25.2 V32
V14 V15 VD

Time taken to build model: 0.03 seconds

=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances 1283 88.0577 %
Incorrectly Classified Instances 174 11.9423 %
Kappa statistic 0.1852
Mean absolute error 0.1517
Root mean squared error 0.3041
Relative absolute error 106.4705 %
Root relative squared error 114.1586 %
Total Number of Instances 1457
Test mode: 10-fold cross-validation
=== Classifier model (full training set) ===
Naive Bayes Classifier
Attribute Class 0 1 Attribute Class 0 1 Attribute Class 0 1
(0.08) (0.92) (0.08) (0.92) (0.08) (0.92)
V1 V15 V26
0 23.0 263.0 0 15.0 69.0 0 48.0 546.0
1 91.0 1084.0 1 99.0 1278.0 1 66.0 801.0
[total] 114.0 1347.0 [total] 114.0 1347.0 [total] 114.0 1347.0

V2 V16 V26.1
0 112.0 1333.0 0 55.0 999.0 0 40.0 426.0
1 2.0 14.0 1 59.0 348.0 1 74.0 921.0
[total] 114.0 1347.0 [total] 114.0 1347.0 [total] 114.0 1347.0

V3 V17 V27
0 75.0 924.0 0 62.0 272.0 0 23.0 198.0
1 39.0 423.0 1 52.0 1075.0 1 91.0 1149.0
[total] 114.0 1347.0 [total] 114.0 1347.0 [total] 114.0 1347.0
 65

En la Tabla 22, se describe la salida de pantalla que arrojó la herramienta Weka con el árbol de
decisión J48, el tiempo de ejecución fue de 0.12 segundos. Asi mismo, se obtuvo una
clasificación correcta de instancias que se denominana excatitud con un valor de 92% de
precisión de la predicción. El árbol de decisión esta conformado por 13 hojas y con un tamaño
del árbol de 25, siendo la Motivación del docente- alumno (V17) el nodo raiz o padre, además
de sus nodos intermedios e hijos, estos nodos son de predicción y de decisión. En la Figura 18,
se presenta el árbol de decisión generado a través de la herramienta Weka.

Figura 18: Árbol de decisión

Tabla 22: Resultado de la herramienta que utiliza Weka que es J48

=== Run information ===

Scheme: weka.classifiers.trees.J48 -C 0.25 -M 2
Relation: FactSeleccionados1-weka.filters.unsupervised.attribute.Normalize-S1.0-T0.0-
weka.filters.unsupervised.attribute.NumericToNominal-Rfirst-last
Instances: 1457
Attributes: 42
V1 V15 V26
V2 V16 V26.1
V3 V17 V27
V4 V19 V28
V5 V20 V28.1
V6 V21 V28.2
V7 V22 V28.3
V8 V23 V28.4
V9 V24 V28.5
V10 V24.1 V29
V11 V25 V30
V12 V25.1 V31
V13 V25.2 V32
V14 V15 VD
Test mode: 10-fold cross-validation
 66

Tabla 22: Resultado de la herramienta que utiliza Weka que es J48 (continuación)
=== Classifier model (full training set) ===
J48 pruned tree
------------------
V17 = 0
| V16 = 0: 1 (193.0/20.0)
| V16 = 1
| | V27 = 0
| | | V28.5 = 0: 1 (2.0)
| | | V28.5 = 1
| | | | V3 = 0
| | | | | V23 = 0: 0 (6.0/1.0)
| | | | | V23 = 1: 1 (3.0)
| | | | V3 = 1: 0 (3.0)
| | V27 = 1
| | | V11 = 0: 1 (61.0/11.0)
| | | V11 = 1
| | | | V28.3 = 0
| | | | | V32 = 0: 1 (5.0)
| | | | | V32 = 1
| | | | | | V23 = 0: 1 (2.0)
| | | | | | V23 = 1
| | | | | | | V29 = 0: 0 (17.0/2.0)
| | | | | | | V29 = 1: 1 (3.0/1.0)
| | | | V28.3 = 1
| | | | | V22 = 0: 0 (3.0/1.0)
| | | | | V22 = 1: 1 (34.0/4.0)
V17 = 1: 1 (1125.0/51.0)

Number of Leaves: 13
Size of the tree: 25
Time taken to build model: 0.12 seconds
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances 1341 92.0384 %
Incorrectly Classified Instances 116 7.9616 %
Kappa statistic 0.1557
Mean absolute error 0.1294
Root mean squared error 0.2697
Relative absolute error 90.8442 %
Root relative squared error 101.2563 %
Total, Number of Instances 1457

El árbol de decisión J48 contiene especificaciones, tal es el caso del confidenceFactor que es
un factor de confianza para la moda, al igual que el minNumObj que define el número mínimo
de instancias por hoja. Al igual que en el BatchSize de 100 números de instancias para procesar
un lote de predicción. Para el porcentaje de entrenamiento se empleó el 66% y un 44% del
conjunto de datos para la prueba. Además, el valor de la validación cruzada (cross-validation)
fue 10 iteraciones, es decir divide el conjunto total en subconjuntos de tamaño 10 partes. Se
describe la especificación del árbol de decisión J48 en la Tabla 23.
 67

Tabla 23: Especificaciones del J48

VD = Variable dependiente Deserción estudiantil universitaria

El DataSet posee 39 variables
Variables independientes
independientes
Entrenamiento 66%

Prueba 44%

Validación cruzada 10

BatchSize 100

BinarySplits False

CollapseTree True

ConfidenceFactor 0.25

Debug False

DoNotCheckCapabilities False
DoNotMAkeSplitPointActua
False
lValue
MinNumObj 2

NumDecimalPlaces 2

NumFolds 3
Especificaciones
ReduceErrorPruning False

SaveInstanceData False

Seed 1

SubtreeRaising True

Unpruned False

UseLaplace False

UseMDLcorrection True

Variables independientes V16, V17, V25.1, V27, V31 y V40

Resultados Número de instancias
1341 que corresponde al 92%
correctamente clasificadas
Fuente: Grupo de trabajo

En la Tabla 24, se describe el resultado generado con el árbol de decisión RandomForest, el

mismo que tuvo un tiempo de ejecución de 0.5 segundos, las intancias correctamente
clasificadas se denominana excatitud correspondiente a un 92% de precisión de la predicción.
Dicho árbol de decisión clasifica los árboles mediante bosques el cual busca el camino más
cercano para la predicción, se trabajó con un empaquetado de 100 iteraciones y base de
aprendizaje.
 68

Tabla 24: Resultado de la herramienta que utiliza Weka que es Random Forest

=== Run information ===

Scheme: weka.classifiers.trees.RandomForest -P 100 -I 100 -num-slots 1 -K 0 -M 1.0 -V 0.001 -S 1
Relation: FactSeleccionados1-weka.filters.unsupervised.attribute.Normalize-S1.0-T0.0-
weka.filters.unsupervised.attribute.NumericToNominal-Rfirst-last
Instances: 1457
Attributes: 42
V1 V15 V26
V2 V16 V26.1
V3 V17 V27
V4 V19 V28
V5 V20 V28.1
V6 V21 V28.2
V7 V22 V28.3
V8 V23 V28.4
V9 V24 V28.5
V10 V24.1 V29
V11 V25 V30
V12 V25.1 V31
V13 V25.2 V32
V14 V15 VD
Test mode: 10-fold cross-validation
=== Classifier model (full training set) ===
RandomForest
Bagging with 100 iterations and base learner
weka.classifiers.trees.RandomTree -K 0 -M 1.0 -V 0.001 -S 1 -do-not-check-capabilities

Time taken to build model: 0.5 seconds

=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances 1343 92.1757 %
Incorrectly Classified Instances 114 7.8243 %
Kappa statistic -0.0027
Mean absolute error 0.1339
Root mean squared error 0.2576
Relative absolute error 94.0082 %
Root relative squared error 96.6819 %
Total, Number of Instances 1457

En la Tabla 25, el árbol de decisión RandomForest, esta conformada por especificaciones

verdaderas y falsas respectivamente, entre una de las características se define el MaxDepth que
define la profundidad del árbol, utilizando 0 para ilimitado. Además, el BatchSize de 100
números de instancias para procesar un lote de predicción. Para el porcentaje de entrenamiento
se empleó el 66% y un 44% del conjunto de datos para la prueba. Además, el valor de la
validación cruzada (cross-validation) fue 10 iteraciones, es decir divide el conjunto total en
subconjuntos de tamaño 10 partes.
 69

Tabla 25: Especificaciones del Random Forest

VD = Variable dependiente Deserción estudiantil universitaria

Variables independientes El DataSet posee 39 variables

independientes
Entrenamiento 66%

Prueba 44%

Validación cruzada 10

BagSizePercent 100

BatchSize 100

BreakTiesRandomly False

CalcOutOfBag False

ComputeAttibuteImportance False

Debug False

DoNotCheckCapabilities False
Especificaciones
MaxDepth 0

NumDecimalPlaces 2

NumExecutionSlots 1

NumFeatures 0

NumIterations 100

OutputOutOfBagComplexit False
yStatistics
PrintClassifiers False

Seed 1

StoreOutOfBagPredictions False

Variables independientes V16, V17, V25.1, V27, V31 y V40

Resultados Número de instancias 1343 que corresponde al 92%

correctamente clasificadas
Fuente: Grupo de trabajo

La presente Tabla 26, contiene el resultado con el Minimum Sequential Optimization (SMO),
el tiempo que se demoró en ejecutar fue de 0.55 segundos. Las instancias correctamente
clasificadas se denominan exactitud que corresponden al 92% que representa 1345 encuestas.
El resultado contiene la Máquina lineal que muestra los pesos de los atributos, no los vectores
de soporte.
 70

Tabla 26: Resultado de la herramienta que utiliza Weka que es SMO

=== Run information ===

Scheme: weka.classifiers.functions.SMO -C 1.0 -L 0.001 -P 1.0E-12 -N 0 -V -1 -W 1 -K
"weka.classifiers.functions.supportVector.PolyKernel -E 1.0 -C 250007" -calibrator
"weka.classifiers.functions.Logistic -R 1.0E-8 -M -1 -num-decimal-places 4"
Relation: FactSeleccionados1-weka.filters.unsupervised.attribute.Normalize-S1.0-T0.0-
weka.filters.unsupervised.attribute.NumericToNominal-Rfirst-last
Instances: 1457
Attributes: 42
V1 V15 V26
V2 V16 V26.1
V3 V17 V27
V4 V19 V28
V5 V20 V28.1
V6 V21 V28.2
V7 V22 V28.3
V8 V23 V28.4
V9 V24 V28.5
V10 V24.1 V29
V11 V25 V30
V12 V25.1 V31
V13 V25.2 V32
V14 V15 VD

=== Classifier model (full training set) ===

SMO
Kernel used:
Linear Kernel: K(x,y) = <x,y>
Classifier for classes: 0, 1
BinarySMO
Machine linear: showing attribute weights, not support vectors.
+ -0 * (normalized) V27=1
+ -0 * (normalized) V28=1
+ -0.0001 * (normalized) V28.1=1
+ 0.0006 * (normalized) V28.2=1
+ 0.0002 * (normalized) V28.3=1
+ -0.0001 * (normalized) V28.4=1
+ 0.0002 * (normalized) V28.5=1
+ -0.0001 * (normalized) V29=1
+ -0.0001 * (normalized) V30=1
+ -0.0001 * (normalized) V31=1
+ 0 * (normalized) V32=1
+ 1.0003
Number of kernel evaluations: 858294 (72.121% cached)
Time taken to build model: 0.55 seconds
=== Stratified cross-validation ===
=== Summary ===
Correctly Classified Instances 1345 92.313 %
Incorrectly Classified Instances 112 7.687 %
Kappa statistic 0
Mean absolute error 0.0769
Root mean squared error 0.2773
Relative absolute error 53.9557 %
Root relative squared error 104.0788 %
Total, Number of Instances 1457
 71

El Minimum Sequential Optimization (SMO), esta definido por especificaciones, el Epsilon

que define el error de redondeo, al igual que el ToleranceParameter que es el parámetro de
tolerancia que no se debe cambiar. Asi como, el BatchSize de 100 números de instancias para
procesar un lote de predicción. Para el porcentaje de entrenamiento se empleó el 66% y un 44%
del conjunto de datos para la prueba. Además, el valor de la validación cruzada (cross-
validation) fue 10 iteraciones, es decir divide el conjunto total en subconjuntos de tamaño 10
partes. Se presenta la especificación de la técnica SMO en la Tabla 27.

Tabla 27: Especificaciones del SMO

VD = Variable dependiente Deserción estudiantil universitaria

El DataSet posee 39 variables
Variables independientes
independientes
Entrenamiento 66%

Prueba 44%

Validación cruzada 10

BatchSize 100

BuildCalibrationModels False

C 1.0
Logistic: -R1.0E-8-M-1 –num-
Calibrator
decimal-places 4
ChecksTurnedOff False

Debug False

DoNotCheckCapabilities False

Epsilon 1.0E-12
Especificaciones FilterType Normalize training data

Kernel Polykernel –E1.0-C250007

NumDecimalPlaces 2

NumFolds -1

RandomSeed 1

ToleranceParameter 0.001

Variables independientes V16, V17, V25.1, V27, V31 y V40

Resultados Número de instancias
1345 que corresponde al 92%
correctamente clasificadas
Fuente: Grupo de trabajo
 72

Fase 4: Interpretación y evaluación

Para la etapa de interpretación y evaluación se aplicaron métricas de evaluación que

corresponden a: la Exactitud, Kappa Statistic, F-Measure, ROC Area y Precisión.

Tabla 28: Instancias clasificadas por técnicas de minería de datos

Técnicas de minería de datos Correctly Clasified Instances.

Multilayer Perceptron 89%

Naive Bayes 88%

J48 92%

Random Forest 92%

SMO 92%

Fuente: Grupo de trabajo

Al emplear las técnicas de minería de datos que posee la herramienta Weka, se obtuvo como
resultado que J48, Random Forest y SMO, tiene más alto porcentaje de instancias correctamente
clasificadas. Con esta tasa de precisión de la predicción del 92%, lo que indica que el modelo
puede ser considerado como óptimo en términos de confiabilidad.

Por otro lado, para la evaluación del modelo basado en minería de datos para determinar
factores de deserción estudiantil universitaria, se realizó a través de métricas de evaluación
como es la precisión y la confiabilidad, el nivel del modelo propuesto se determinó en términos
de confianza y fiabilidad del modelo de predicción.

Como se puede evidenciar en la Tabla 29, los coeficientes corresponden a valores de la ROC
Area cercanos a 1 especialmente en la técnica de Naive Bayes por lo tanto se comprueba que el
modelo propuesto podría ser considerado como óptimo en técnicas de predicción de la
deserción.

Tabla 29: Resultados de las técnicas de minería de datos que posee Weka
Mean Absolute
Algoritmos Kappa Statistic F -Measure ROC Área
Error

Multilayer
0.14 0.10 0.947 0.673
Perceptron

Naive Bayes 0.18 0.15 0.935 0.742

J48 0.15 0.12 0.958 0.610

Random forest -0.002 0.13 0.959 0.716

SMO 0 0.07 0.960 0.500

Fuente: Grupo de trabajo
 73

ThresholdCurve

Según el autor (García Morate, 2008) La visualize thresold curve, muestra la variación de las
proporciones de cada clase. Para nuestro modelo, se situó en el eje (x) los coeficientes falsos
positivos y en el eje (y) los coeficientes de verdaderos positivos y de esa manera se obtuvo el
área bajo la curva (ROC), por ende, aparecerá sobre la gráfica el valor del área de ésta. En la
Figura 19, se presenta el resultado del proceso experimental aplicando las técnicas de minería
de datos que posee la herramienta Weka que es Naive Bayes, en la Figura 20: el árbol de
decisión J48, en la Figura 21: el Minimal Sequential Optimization (SMO), en la Figura 22: el
árbol de decisión Random Forest y en la Figura 23: la red neuronal Multilayer Perceptron, se
puede evidenciar el valor encontrado de la curva ROC, por cada una de las técnicas antes
mencionadas.

Figura 19: ThresholdCurve con 1 - Naive Bayes Figura 20: ThresholdCurve con 1 - J48

Figura 21: ThresholdCurve con 1 - SMO Figura 22: ThresholdCurve con 1 – RandomForest
 74

Figura 23: ThresholdCurve con 1 – Multilayer Perceptrón

CostCurve

Según el autor (García Morate, 2008) el costo de la curva, también conocido como visualize
cost curve, muestra una gráfica que indica la probabilidad de coste a la sensibilidad entre clases.
De igual manera, se presenta en la Figura número 24 el CostCurve del Naive Bayes, en la Figura
25 el J48, en la Figura 26 el Minimal Sequential Optimization (SMO), en la Figura 27 el
Random Forest y en la Figura 28 el Multilayer Perceptron, haciendo referencia a cada técnica
de minería de datos aplicados en el proceso de determinación de factores que inciden en la
deserción estudiantil universitaria.

Figura 24: CostCurve con 1 - Naive Bayes Figura 25: CostCurve con 1 - J48

Figura 26: CostCurve con 1 – SMO Figura 27: CostCurve con 1 – RandomForest
 75

Figura 28: CostCurve con 1 – Multilayer Perceptrón

11 IMPACTOS (INSTITUCIONALES, SOCIALES, AMBIENTALES O

ECONÓMICOS)
Impacto institucional
Con el modelo basado en minería de datos para determinar factores que inciden en la deserción
estudiantil universitaria, se puede implementar estrategias adecuadas que permitan la reducción
de las tasas de deserción en la Facultad de Ciencias de la Ingeniería y Aplicadas y a la vez
contribuyan a mitigar la deserción, empleando medidas correctivas y oportunas para garantizar
la estabilidad estudiantil.

Impacto económico
Se considera uno de los impactos más importantes ya que permitirá conocer el efecto que genera
la deserción estudiantil a nivel económico, permite tener una eficiencia interna de la institución
en situaciones como la reducción del gasto administrativo. Además, el incremento de retención
de los estudiantes permitirá un aumento del presupuesto institucional universitario.

Impacto social
Beneficia a los estudiantes porque se podría identificar los problemas que les ateñe a través de
un seguimiento a los mismos y por medio de programas de retención, se puede contribuir a que
los estudiantes culminen con éxitos sus estudios y por ende obtengan un título profesional.

Una vez que el estudiante concluya con su formación académica puede insertarse en el campo
laboral, tener una situación económica estable que permita mejorar su condición de vida,
disminuir las tasas de desempleo y lo más importante contribuir al desarrollo del país.
 76

12 PRESUPUESTO PARA LA PROPUESTA DEL PROYECTO

En este apartado se muestran los gastos directos e indirectos que se generaron en el proyecto de
investigación, asi como los gastos aproximados a continuación se detalla cada uno de los gastos
mencionados.

Gastos directos
Tabla 30: Descripción gastos directos

DETALLE CANTIDAD V. UNITARIO V. TOTAL

Impresiones 500 0,07 35,00

Copias 30 0,05 1,50

Cuaderno 1 1,00 1,00

Esfero 2 0,35 0,70

Lápiz 1 0,50 0,50

Flash Memory 1 7,00 7,00

Internet 300hrs 0,60 180,00

Anillados 4 7,00 28,00

Empastado de Tesis 1 15,00 15,00

TOTAL $268,70
Fuente: Grupo de trabajo

Gastos indirectos
Tabla 31: Descripción gastos indirectos

DETALLE CANTIDAD PERSONAS V. UNITARIO V. TOTAL

Transporte a la 5 meses 1 20,00 100,00

universidad 5 meses 1 12,00 60,00

Alimentación 5 meses 2 20,00 100,00

TOTAL $260,00
Fuente: Grupo de trabajo

Gastos aproximados
Tabla 32: Total, Gastos Directos e Indirectos

Descripción Total

Gastos Directos $268,70

Gastos Indirectos $260,00

Imprevistos +10% $52,87

Total, de Gastos $581,57

Fuente: Grupo de trabajo
 77

13 CONCLUSIONES Y RECOMENDACIONES

Conclusiones
Este apartado del documento se presenta las conclusiones obtenidas del proceso de
investigación:

➢ La revisión de la literatura permitió la sustentación bibliográfica de 100 documentos,

entre tesis de grado y artículos científicos en fuentes de datos de investigación científica,
como resultado se obtuvo la determinación del marco teórico, así como también se
seleccionó la metodología de minería de datos a emplear, de igual manera las
herramientas informáticas que permitieron el análisis de los datos y la correspondiente
determinación de los factores de deserción estudiantil.
➢ Se obtuvo un DataSet elaborado a partir de la encuesta de 1457 estudiantes de la
Facultad de Ciencias de la Ingeniería y Aplicadas, los datos recopilados contribuyeron
a generar el conjunto de datos (DataSet) que sirvió como punto de partida para el
proceso de investigación, donde se obtuvieron las variables del modelo conceptual.
➢ Se diseñó un modelo conceptual de los factores de deserción estudiantil, enfocado en
doce variables obtenidas a través de la encuesta aplicada a los estudiantes de la Facultad
de Ciencias de la Ingeniería y Aplicadas, las variables resultantes en este modelo se
convierten en doce hipótesis probadas a través de procesos experimentales que permiten
evidenciar la influencia de estos factores en la deserción.
➢ Se validó el modelo por medio de métricas de evaluación, a través de las cuales se
obtuvo que: el J48, Random Forest y SMO corresponden al 92% de las instancias
correctamente clasificadas, respecto a otras técnicas aplicadas.

Recomendaciones
➢ Como trabajo futuro, se recomienda aplicar el mismo proyecto de investigación en las
demás Facultades de la Universidad Técnica de Cotopaxi, pero en este caso tomando en
cuenta sólo a los estudiantes de primero a quinto semestre, puesto que, en la revisión de
la literatura, éstos son los ciclos más propensos en riesgo de desertar a fin de determinar
los factores por los cuales los estudiantes de las otras facultades desertan de sus estudios.
➢ La implementación de un sistema informático para la determinación de estudiantes en
riesgo de desertar.
 78

➢ Identificación de los estudiantes que presentan uno o varios factores de deserción

estudiantil previamente determinados durante la investigación.
➢ Para este caso de estudio se pude realizar una construcción del modelo mediante la
utilización de técnicas de minería de datos o inteligencia artificial como la Red Neuronal
de Aprendizaje Profundo debido a que esta técnica no pudo ser utilizada, ya que no se
contaba con el software de licenciamiento correspondiente para realizar los procesos
experimentales.
 79

14 BIBLIOGRAFÍA
Alania Ricaldi Pit Frank. (2018). Aplicación de técnicas de minería de datos para predecir la
deserción estudiantil en la Facultad de Ingeniería de la Universidad Nacional Daniel
Alcides Carrión. Universidad Nacional Daniel Alcides Carrión.
Alfranca, Ó. (2009). Regulación ambiental e innovación. Regulacion Ambiental e Innovación,
15, 33–50.
Aragón Tobón, O., Clavijo Zapata, S., Puerta Lopera, I., & Sánchez Duque, J. (2014).
Formación académica, valores, empatía y comportamientos socialmente responsables en
estudiantes universitarios. Revista de La Educacion Superior, xliii(169), 89–105.
https://doi.org/10.1016/j.resu.2015.01.003
Arias, F. (2012). El Proyecto de Investigación Introducción a la metodología científica.
Ariza, S. M., & Marín, D. A. (2009). Factores intervinientes en la deserción escolar de la
Facultad de Psicología, Fundación Universitaria Los Libertadores. Tesis Psicológica, 4,
72–85.
Balagueró, T. (2018). Dataset. Retrieved April 15, 2019, from Deusto formación website:
https://www.deustoformacion.com/blog/programacion-diseno-web/que-son-datasets-
dataframes-big-data
Barreiro, J., Vicente, E., & Pintos Clapés, J. (2005). Introducción a Eviews. Universidad de
Vigo.
Berzal, F., & Marín, N. (2016). Data Mining: conceptos y técnicas por Jiawei Han and
Michael Kamber. ResearchGate, (June), 279–317. https://doi.org/10.1016/B978-0-12-
804647-0.00009-7
Bigdate, S. (2019). Selección de métricas de evaluación correcta para modelos de Machine
Learning: Parte 3 – Métrica de clasificación.
Breiman, L. (2012). Random forests. Ensemble Machine Learning: Methods and
Applications, 157–175. https://doi.org/10.1007/9781441993267_5
Breno, M., Peralta, I., Remache, W., & Mayorga, E. (2018). Índice de repitencia y sus causas
en la Facultad de Ciencias Químicas de la Universidad Central del Ecuador. Revencyt,
109–127.
Brian, J., Flores, A., & Ponce, E. (2018). Random Forest para identificar los factores
sociodemográficos asociados al uso de Internet en el Perú. Revista ECIPeru, 13(2), 54–
61. https://doi.org/10.33017/reveciperu2016.0008/
Camana, R. (2016). Potenciales Aplicaciones de la Minería de Datos en Ecuador. Revista
Tecnológia ESPOL- RTE, 29, 170–183.
Campos, D., & Vargas, M. (2009). ¿Cómo abordar las dificultades del aprendizaje?
Retrieved from www.oei.es/historico/idie/dificultad_aprendizaje_creditos.pdf
Castaño, E., & Vásquez, J. (2004). Deserción Estudiantil Universitaria: una aplicación de
modelos de duración. (60), 39–65.
Chamba Jiménez, S. F. (2015). Minería de Datos para segmentación de clientes en la
 80

empresa tecnológica Master PC. Universidad Nacional de Loja.

Chisco Ruiz, J. T. (2015). Asesor tutor : Tabla de contenidos. Tecnológico de Monterrey
EGE.
Climent Hernández, J. A., Hoyos Reyes, L. F., & Martínez Preece, M. R. (2017). Formulación
de un modelo híbrido alfa-estable para mercados con operación de alta frecuencia.
Contaduría y Administración, 63(4), 58.
https://doi.org/10.22201/fca.24488410e.2018.1341
Condori Castro, A., & Sulla Torres, J. (2016). Comparación de Algoritmos De Clasificación
para la Predicción de Casos de Obesidad Infantil. ResearchGate, (Abril).
Contreras, K., Caballero, C., Palacio, J., & Perez, A. (2008). Factores asociados al fracaso
académico en estudiantes universitarios de Barranquilla (Colombia). Psicología Desde
El Caribe, 112, 110–135.
Correa Peralta, M., Vinueza Martí-nez, J., Torres Arias, E., & Ponce Intriago, K. (2019).
Sistema para las tutorías académicas en las universidades ecuatorianas. Caso Universidad
Estatal de Milagro. INNOVA Research Journal, 2(6), 100–111.
https://doi.org/10.33890/innova.v2.n6.2017.219
Corzo Salazar, C. (2017). Deserción escolar.
Cu Balán, G. (2008). El impacto de la escuela de procedencia del Nivel Medio Superior en el
desempeño de los alumnos en el Nivel Universitario. Revista Electrónica
Iberoamericana Sobre Calidad Eficacia y Cambio En Educación, 3(2), 59–99.
https://doi.org/2152
Dasso, A., & Funes, A. (2012). Agregación de métricas de Minería de Datos usando
funciones de Lógica Continua. Workshop de Investigadores En Ciencias de La
Computacion, 443–447.
Dueñas Reyes, M. X. (2009). Minería de datos espaciales en búsqueda de la verdadera
información. Ingenieria y Universidad, 13(1), 137–156.
Ebriik. Manual Microsoft Office. , (2010).
Echeburúa Odriozola, E. (2012). Factores de riesgo y factores de protección en la adicción a
las nuevas tecnologías y redes sociales en jóvenes y adolescentes. Revista Española de
Drogodependencias, 37(4), 435–447.
Echeverry Marulanda, C. E., Trujillo López, M., & Mejía Salazar, M. H. (2017). Minería de
datos en gestión del conocimiento de pymes de Colombia. Revista Virtual Universidad
Católica Del Norte, 224–237.
Eckert, K. B., & Suénaga, R. (2015). Análisis de deserción-permanencia de estudiantes
universitarios utilizando técnica de clasificación en minería de datos. Formacion
Universitaria, 8(5), 3–12. https://doi.org/10.4067/S0718-50062015000500002
Edel, R. (2003). Actitudes y comportamiento en las situaciones de conflicto. REICE. Revista
Iberoamericana Sobre Calidad, Eficacia y Cambio En Educación, 1, 0.
Equipo Editorial. (2018). Data Mining: 10 ventajas y desventajas en una empresa | Reporte
Digital. Retrieved April 16, 2019, from https://reportedigital.com/cloud/data-mining-
dentro-empresa/
 81

Escobar., H., Burbano., W., & Puris., A. (2016). Análisis inteligente de datos aplicado al
proceso de nivelación en la Universidad Técnica Estatal de Quevedo. Revista
Publicando, 3(7), 33–44.
Fayrix. (2019). Selección de métricas para los modelos de aprendizaje automático.
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). Knowledge discovery and data
mining:towards a unifying framework. Kdd-96, 82–88.
Fernández, C., Leidy, C., Alvarez Vallejo, V., Triviño Arbeláez, J., Ivan, Q., Restrepo, C. P.,
& Giraldo, R. (2018). Aplicación de Técnicas de Minería de Datos para la Identificación
de Patrones de Deserción Estudiantil como Apoyo a las Estrategias de Sara (Sistema De
Acompañamiento para el Rendimiento Académico). 1177–1185.
Fontalvo Cerpa, W., Castillo González, M. P., & Castillo, S. P. (2015). Análisis multivariado
para determinar los factores más relevantes de deserción estudiantil presentes en el
programa de Ingeniería Industrial de una Universidad del Caribe colombiano.
Prospectiva, 13(1), 86. https://doi.org/10.15665/rp.v13i1.363
Freire Bayas, D. E. (2014). La Conducta Disruptiva y su Incidencia en el Rendimiento
Académico de las/os Estudiantes de los 10mos Grados de Educación General Básica
Paralelos “I, Ii” del Colegio Universitario “Juan Montalvo”, de la Provincia de
Tungurahua, Cantón Ambato (Vol. 593). Universidad Técnica de Ambato.
Frites, C., & Miranda, R. (2014). Tutorías y Nivelación en la Universidad De Santiago:
Tensiones y Desafíos en la Implementación de Iniciativas de Permanencia. IV
Conferencia Latinoamericana Sobre El Abandono En La Educación Superior, 1–7.
Garcia, F. (2004). Metodológicas para una encuesta. México: Limusa.
García Morate, D. (2008). Manual de Weka.
García Muñoz, T. (2014). Schnitzler Gut 2008 Long Term Infliximab 614 Pts.Pdf (p. 29). p.
29.
García Rangel, E. G., García Rangel, A. K., & Reyes Angulo, J. A. (2014). Relación maestro
alumno y sus implicaciones en el aprendizaje. Ra Ximhai, 10, 279–290.
https://doi.org/10.35197/rx.10.03.e1.2014.19.eg
García, S., Ramírez, S. G., Luengo, J., & Herrera, F. (2016). Big Data : Preprocesamiento y
calidad de datos. Novática, 17–23.
Gardner, L., Dussán, C., & Montoya, D. (2016). Aproximación causal al estudio de la
deserción en la Universidad de Caldas. Periodo 2012-2014. Revista Colombiana de
Educación, 319–340.
Geometry, R., & Analysis, G. (2017). II Congreso Internacional en Administración de
Negocios Internacionales (p. 778). p. 778.
Gervilla García, E., Jiménez López, R., Montaño Moreno, J. J., Sesé Abad, A., Cajal Blasco,
B., & Palmer Pol, A. (2016). La metodología del Data Mining. Una aplicación al
consumo de alcohol en adolescentes. Adicciones, 21(1), 65.
https://doi.org/10.20882/adicciones.253
Gironés Roid, J., Casas Roma, J., Miguinllón, A., & Caihuelas, T. (2017). Minería de datos,
Modelos y Algoritmos (Primera Ed). Barcelona: UOC.
 82

Gómez Torres, F. A., Acevedo Villalobos, E. P., & Salamanca Velandia, S. R. (2015).
Diagnóstico De Deserción Académica Universitaria De La Facultad De Medicina
Veterinaria Y Zootecnia I. Percepción De Los Estudiantes Activos. Puente, 9(1), 75–84.
González Fiegehen, L. E. (2006). Repitencia y Deserción en América Latina 2006-19.
ResearchGate, 3, 2–40.
Guardiola Jiménez, P. (2019). Capítulo 1 «Estructura del SPSS» (pp. 1–26). pp. 1–26.
Retrieved from https://www.um.es/docencia/pguardio/documentos/spss_1.pdf
Gutiérrez García, J. A. (2016). Comenzando con Weka : Filtrado y selección de subconjuntos
de atributos basada en su relevancia descriptiva para la clase . ResearchGate, (January),
18.
Haro, S., Pazmiño Maji, R., Conde, M., & Peñalvo, F. (2018). Minería de datos para descubrir
tendencias en la clasificación de los trabajos de titulación. Congreso de Ciencia y
Tecnología ESPE, 13(1), 125–128. https://doi.org/10.24133/cctespe.v13i1.739
Himmel, E. (2018). Modelo de análisis de la deserción estudiantil en la educación superior.
ResearchGate, 92–107. https://doi.org/10.31619/caledu.n17.409
Holgado Apaza, L. A. (2018). Detección de patrones de bajo rendimiento académico
mediante técnicas de minería de datos de los estudiantes de la Universidad Nacional
Amazónica de Madre de Dios. Universidad Nacional del Altiplano.
Hurtado Crúz, E. R. (2016). El método de mínimos cuadrados. Facultad de Ciencias UMAN,
1, 2–5.
Jadue, G. (2002). Factores psicológicos que predisponen al bajo rendimiento, al fracaso y a la
deserción escolar. Estudios Pedagógicos (Valdivia), 193–204.
Laguna, C. (2009). Correlación Y Regresión Lineal. Instituto Aragones De Ciencia De La
Salud, 1–18. Retrieved from http://www.ics-aragon.com/cursos/salud-
publica/2014/pdf/M2T04.pdf
Lanzarini, L. C., & Villa Monte, A. Enseñanza De La Minería De Datos Y El Impacto De Las
Herramientas De Software Utilizadas. , (2017).
Larrañaga, P., Inza, I., & Moujahid, A. (2010). Clasificadores Bayesianos. Universidad del
País Vasco-Euskal Herriko Unibertsitatea.
Lladó, M., & Mares, H. (2017). Factores Que Impactan La Deserción Escolar: Percepción De
Los Estudiantes De La Escuela Preparatoria Federalizada No.1 Ing. Marte R. Gómez.
Comie, (2015), 1–12.
Marín Diazaraque, J. M. (2012). Introducción a las redes neuronales aplicadas. Manual Data
Mining, 1–31.
Marrón, J. A. (2008). Análisis de series temporales. Univerisidad Complutense de Madrid,
1(Análisis temporal), 111–128. https://doi.org/10.3989/mc.2004.v54.i274.233
Martinez, A. (2018). Qué es Estado de ánimo - Psicología en Positivo. Retrieved June 23,
2019, from https://www.antonimartinezpsicologo.com/estado-de-animo
Martínez, E. H., & Sanjurjo, R. L. (2014). Minera de datos aplicada a la detección de Cáncer
de Mama.
 83

Matas, A. (2018). Diseño del formato de escalas tipo Likert: Un estado de la cuestión. Revista
Electronica de Investigacion Educativa, 20(1), 38–47.
https://doi.org/10.24320/redie.2018.20.1.1347
Maya, E. (2014). Métodos y técnicas de investigación (Universidad Nacional Autónoma de
México). https://doi.org/10.1017/CBO9781107415324.004
Méndez Rodríguez, A. (2008). Investigacion bibliografica.pdf.
Millan Reyes, L. C., Barrera Sánchez, L. F., & Ospina Diaz, J. M. (2015). Caracterización del
bullying en estudiantes de medicina de Tunja , Boyacá. Revista Virtual Universidad
Católica Del Norte, 102–112.
Ministerio Coordinador de Patrimonio. (2015). Nacionalidades y Pueblos Indígenas y
Políticas Interculturales en Ecuador. Unicef.
Miranda, M. A., & Guzmán, J. (2017). Análisis de la deserción de estudiantes universitarios
usando técnicas de minería de datos. Formacion Universitaria, 10(3), 61–68.
https://doi.org/10.4067/S0718-50062017000300007
Molina López, J. M., & García Herrero, J. (2006). Técnicas de análisis de datos. Universidad
Carlos III de Madrid.
Mosteiro García, J. (1997). El género como factor condicionante de la elección de carrera :
hacia una orientación para la igualdad de oportunidades entre los sexos. 305–315.
Navarro, R. (2008). El Rendimiento Académico : Concepto, Investigación Y Desarrollo.
REICE Revista Electrónica Iberoamericana Sobre Calidad Eficacia y Cambio En
Educación, 6(2), 59–99. https://doi.org/2152
Osorio, A. M., Bolancé, C., & Castillo Caicedo, M. (2019). Deserción y graduación
estudiantil universitaria: una aplicación de los modelos de supervivencia. Revista
Iberoamericana de Educación Superior, iii, 31–57.
https://doi.org/10.22201/iisue.20072872e.2012.6.55
Oviedo C., E. A., Oviedo C., A. I., & Vélez S., G. L. (2015). Minería De Datos: Aportes Y
Tendencias En El Servicio De Salud De Ciudades Inteligentes. Revista Politécnica ISSN
Año, 11(20), 111–120.
Padilla, A. (n.d.). El desarrollo del proceso de aprendizaje en el aula. Retrieved June 23, 2019,
from https://www.tendencias21.net/ciclo/El-desarrollo-del-proceso-de-aprendizaje-en-el-
aula_a41.html
Padilla Gómez, A., López Rodríguez del Rey, M. M., & Rodríguez Morales, A. (2015). La
formación del docente universitario. Concepciones teóricas y metodológicas. Revista
Cientifica de La Universidad de Cienfuegos, 86–90.
Padilla Muñoz, A. (2010). Discapacidad : contexto , concepto y modelos. International Law,
Revista Colombiana de Derecho Internacional, 16, 381–414.
Páramo, G. J., & Correa, C. A. (1999). Deserción estudiantil universitaria.
Conceptualización. Colombia: Revista Universidad Eafit.
Pastrana, K., Guitiérrez, A., & Mendoza, M. (2018). Deserción escolar en el Instituto
Nacional Julio Cesar Castillo Ubau del turno matutino en el primer semestre del año
2017 en el municipio de Condega Estelí.
 84

Peña, J., Soto, V., & Calderón, U. (2016). La influencia de la familia en la deserción escolar.
Revista Mexicana de Investigación Educativa, 21, 881–899.
Pérez, A. M., Escobar, C. R., Toledo, M. R., Gutierrez, L. B., & Reyes, G. M. (2018). Modelo
de predicción de la deserción estudiantil de primer año en la Universidad Bernardo
O´Higgins. Educação e Pesquisa, 44(0), 1–23. https://doi.org/10.1590/s1678-
4634201844172094
Pérez Álvares, P. R., & Aguilar López, D. (2017). Estudios sobre deserción académica y
medidas orientadoras de prevención en la Universidad de La Laguna (España).
Paradigma, 38(1), 48–71.
Pérez, K., & Orozco, E. (2011). Embarazo en estudiantes de carreras universitarias. Dictamen
Libre, 8(8), 68–72. Retrieved from file:///C:/Users/User/Downloads/475-Texto del
artículo-1832-1-10-20160330 (1).pdf
Portilla Chaves, M., Rojas Zapata, A. F., & Hernández Arteaga, I. (2014). Investigación
cualitativa una reflexión desde la educación como hecho social. Docencia Investigación
Innovación, 3, 86–100.
Presser Carne, C. (2009). Data mining. 1–11.
Quintero, G., & Martín-landrove, M. (2019). Análisis de la Difusión y Curtosis Aparentes en
Imágenes por Resonancia Magnética.
Ramírez, P. E., & Grandón, E. E. (2018). Predicción de la Deserción Académica en una
Universidad Pública Chilena a través de la Clasificación basada en Árboles de Decisión
con Parámetros Optimizados. Formación Universitaria, 11(3), 3–10.
https://doi.org/10.4067/s0718-50062018000300003
Rodríguez Baños, J. (2017). Simpatía, resentimiento y perdón: un análisis del rol del
resentimiento en la tms de Adam Smith. Universitas Philosophica, 34(68), 197.
https://doi.org/10.11144/javeriana.uph34-68.srps
Rodríguez, V., & Chica, M. (2012). Clasificación de imágenes de satélite mediante software
libre : Nuevas tendencias en algoritmos de Inteligencia Artificial. XV Congreso Nacional
de Tecnologías de La Información Geográfica, Madrid, AGE-CSIC, 19-21 de
Septiembre de 2012, 19–21.
Ruiz, R., Garcia, J., & Pérez, M. (2014). Causas y consecuencias de la deserción escolar en el
bachillerato: caso Universidad Autónoma de Sinaloa. Revista de Investigación
Educativa, 10(5), 51–74.
Ruiz Reina, J. L. (2018). Evaluación de modelos.
Salas Picón, W. M. (2015). Revisión sobre la definición del bullying. Poiésis, (30), 44–50.
Retrieved from http://repository.ucc.edu.co/bitstream/ucc/965/1/1858-7309-2-PB.pdf
Salcedo, A., Ramírez, T., & Díaz, R. (2017). ¿Abandono o Deserción estudiantil? Una
necesaria discusión conceptual. Investigación y Postgrado, 32(1), 63–74.
Saldaña Villa, M., & Barriga, O. A. (2010). Adaptación del modelo de deserción universitaria
de Tinto a la Universidad Católica de la Santísima Concepción, Chile. Revista de
Ciencias Sociales(RCS), 16(4), 616–628. Retrieved from
https://www.redalyc.org/html/280/28016613005/
Santos Sharpe, A., & Carli, S. (2016). Estudios globales y locales sobre el abandono de los
 85

estudios universitarios. Teorías, perspectivas y nuevos abordajes. RAES Revista

Argentina de Educación Superior, 13, 6–31. Retrieved from
http://www.revistaraes.net/revistas/raes13_art1.pdf
Sarasa, R. B., Suárez, A. R., & Sánchez, R. A. (2008). Desarrollo de un proceso de KDD en
el ámbito docente : Preparación de los datos. 1–7.
Sinchi, E. R. (2018). Acceso y deserción en las universidades. Alternativas de financiamiento.
Alteridad, 13, 14.
Tamayo Benalcázar, J. B. (2017). Analisis Comparativo De Metodologias De Mineria De
Datos Y Su Aplicabilidad a La Industria De Servicios. UDLA.
Tamez Aguirre, P. de J. (2012). Adicción a la Red Social de Facebook y su incidencia en el
Rendimiento Académico de estudiantes de la Preparatoria 20 de la Universidad
Autónoma de Nuevo. Universidad Autónoma de Nuevo León.
Timarán-Pereira, S. R., Hernández-Arteaga, I., Caicedo-Zambrano, S. J., Hidalgo-Troya, A.,
& Alvarado-Pérez, J. C. (2016). El proceso de descubirmiento de conocimiento en bases
de datos. Universidad Cooperativa de Colombia, 63–86.
Torres, C. Z., Ramos, C. A., & Moraga, J. L. (2016). Estudio de variables que influyen en la
deserción de estudiantes universitarios de primer año , mediante minería de datos [ Study
of variables that influence defection in freshman university student , through data mining
]. Ciencia Amazónica: (Iquitos), ISSN 2221-5948, ISSN-e 2222-7431, Vol. 6, No. 1, 2016,
Págs. 73-84, 6(1), 73–84. Retrieved from
https://dialnet.unirioja.es/servlet/articulo?codigo=5608574
Tuero, E., Cervero, A., Esteban, M., & Bernardo, A. (2018). ¿Por qué abandonan los alumnos
universitarios? Variables de influencia en el planteamiento y consolidación del
abandono. Educacion, 21(21(2)), 131–154.
Unicef. (2010). El Bullying O Acoso. 3. Retrieved from
http://www.aeped.es/sites/default/files/documentos/entrega3_bullying.pdf
Universidad Privada TELESUP. (2019). SPSS: el software ideal para el análisis estadístico y
de minería de datos | Escuela de Posgrado. Retrieved April 22, 2019, from
https://escueladeposgrado.edu.pe/blog/spss-el-software-ideal-para-el-analisis-estadistico-
y-de-mineria-de-datos/
UTC. (n.d.). Bienestar Universitario UTC. Retrieved June 23, 2019, from
http://www.utc.edu.ec/bienestar
Valencia Merizalde, E. (2010). Conducta Humana y Bienestar Social. ResearchGate,
(September 2010). https://doi.org/10.13140/RG.2.1.4639.8485
Vargas, E., & Valadez, A. (2016). Calidad de la escuela, estatus económico y deserción
escolar de los adolescentes mexicanos. Revista Electrónica de Investigación Educativa,
18(1), 82–97.
Vásquez Hidalgo, I. (2005). Tipos de estudio y métodos de investigación. Retrieved May 1,
2019, from https://www.gestiopolis.com/tipos-estudio-metodos-investigacion/
Vásquez Verdugo, J. (2016). Modelo predictivo para estimar la deserción de estudiantes en
una Institución de Educación Superior (Universidad de Chile). Retrieved from
http://repositorio.uchile.cl/bitstream/handle/2250/144169/Vásquez Verdugo
 86

Jonathan.pdf?sequence=1
Vidal González, M. (2014). El uso del Perceptrón Multicapa para la clasificación de
patrones en conductas adictivas. Universitat de les Illes Balears.
Vieira, M. (2017). ¿Cómo ingresar a la Universidad en Ecuador? - Adipiscor.
Villalobos, C., Alvarez, I., & Vaquera Elizabeth. (2017). Amistades Co-Étnicas e Inter-Éticas
en la adolescencia: Diferencias en la calidad, conflicto y resolucion de problemas. 113–
135. https://doi.org/10.5944/educXX1.1
Villanueva Morales, J. R., Lugo Rodríguez, J. J., Ramírez Buenrostro, D. O., & Ramírez
Pérez, N. V. (2015). Aplicación de algoritmos de clasificación para el análisis de tejido
mamario y detección de cáncer de mama. Pistas Educativas, (114), 260–271.
Viteri Castro, D. A., & Uquillas Narváez, M. A. (2011). Estudio sobre la deserción
estudiantil en la Pontificia Universidad Católica del Ecuador. Retrieved from
http://repositorio.puce.edu.ec/bitstream/handle/22000/3454/T-PUCE-
3398.pdf?sequence=1
Vizcaino Garzón, P. A. (2008). Aplicación de técnicas de inducción de árboles de decisión a
problemas de clasificación mediante el uso de WEKA (Waikato Environment for
Knowledge Analysis). Universidad Nacional de Colombia.
Weka. (2019). SMO.
Yepes Delgado, F. L., Salazar Béltran, M., & Ceferino Martínez, E. Y. (2017). Deserción
Estudiantil en el Pregrado de la Facultad de Odontología de la Universidad de
Antioquia 2004-20141. 29, 76–95.
Zaballa Pardo, M. (2016). Técnicas de machine learning para la detección de la negación en
textos clínicos en español. Universidad Politécnica de Madrid.
Zavala-Guirado, M. A., Álvarez, M., Vázquez, M., Gonzáles, I., & Bazan Ramírez, A. (2018).
Factores internos, externos y bilaterales asociados con la deserción en estudiantes
universitarios. Interacciones, 4(1), 59–69. https://doi.org/10.24016/2018.v4n1.103
 87

15 ANEXOS
Anexo 1: Hoja de vida del grupo de trabajo
DATOS PERSONALES
Nombres y Apellidos: Mayra Susana Albán Taipe
Documento de identidad: 050231198-8
Fecha de Nacimiento: 6 julio de 1977
Edad: 43 años
Estado Civil: Soltera
Ciudad de Domicilio: Latacunga
Dirección: Av. José María Velazco Ibarra y pasaje Carlos Aroche Minotola
Teléfono celular: 0987773341
Email institucional: mayra.alban@utc.edu.ec
Tipo de discapacidad: Ninguno
ESTUDIOS REALIZADOS Y TÍTULOS OBTENIDOS

NIVEL TITULO OBTENIDO FECHA DE CÓDIGO DEL REGISTRO

REGISTRO CONESUP O SENESCYT

Ingeniera en Informática y
TERCER 2005-01-13 1020-05-554410
Sistemas Computacionales.

CUARTO Magister en Gestión de la 1020-09-699645

2009-10-07
Producción

CUARTO Aspirante Doctoral en

Ingeniería en Sistemas e
Informática.
 88

AUTORAS
Nombres y Apellidos: Jhenny Flor Masabanda Yépez
Documento de identidad: 050354752-3
Fecha de Nacimiento: 26 de julio de 1995
Lugar de Nacimiento: Moraspungo, Ecuador
Edad: 23 años
Estado Civil: Soltera
Ciudad de Domicilio: Latacunga
Dirección: Sector Mayorista, Latacunga
Celular: 0991569241
Correo Electrónico: jhenny.masabanda3@utc.edu.ec
ESTUDIOS PRIMARIOS:
Escuela Fiscal Mixta “Gabriela Mistral”
Moraspungo – Ecuador
ESTUDIOS SECUNDARIOS:
Unidad Educativa “Moraspungo”
Moraspungo – Ecuador
ESTUDIOS SUPERIORES:
Universidad Técnica de Cotopaxi
Actualmente cursando Décimo semestre de Ingeniería en Informática y Sistemas
Computacionales
Latacunga – Ecuador
 89

AUTORAS
Nombres y Apellidos: Carla Jhoana Zapata Rocha
Documento de identidad: 050453900-8
Fecha de Nacimiento: 25 de octubre de 1996
Lugar de Nacimiento: Latacunga, Ecuador
Edad: 22 años
Estado Civil: Soltera
Ciudad de Domicilio: Latacunga
Dirección: Joseguango Bajo
Celular: 0987590924
Correo Electrónico: carla.zapata8@utc.edu.ec
ESTUDIOS PRIMARIOS:
Jardín de Infantes María Montessori
Latacunga – Ecuador
Unidad Educativa Particular “La Inmaculada”
Latacunga – Ecuador
ESTUDIOS SECUNDARIOS:
Colegio de Bachillerato “Primero de Abril”
Latacunga – Ecuador
ESTUDIOS SUPERIORES:
Universidad Técnica de Cotopaxi
Actualmente cursando Décimo semestre de Ingeniería en Informática y Sistemas
Computacionales
Latacunga – Ecuador
 90

Anexo 2: Encuesta
ENCUESTA PARA DETERMINAR FACTORES QUE INCIDEN EN LA DESERCIÓN
ESTUDIANTIL UNIVERSITARIA
La presente encuesta permitirá descubrir los Factores que afectan a la Deserción Estudiantil
Universitaria. Esta encuesta está dirigida a las personas que tengan experiencia en temas relacionados
con la deserción en las universidades y sus respuestas serán utilizadas estrictamente con fines de
investigación. La encuesta está dividida en tres secciones. La sección 1 está relacionada con la
caracterización de las instituciones y de la persona que llena el cuestionario. La sección 2 corresponde
a preguntas que determinan la influencia de los factores que inciden en la deserción, y la sección 3
contiene preguntas que complementan al estudio.
Sección 1: Información General
1. Cédula/Pasaporte
………………………………………………..
2. Género
Masculino ( )
Femenino ( )
3. Edad
…………………………………………………….
4. Carrera en la que usted estudia
Sistemas de información ( )
Industrial ( )
Electromecánica ( )
Electricidad ( )
5. Ciclo al que pertenece
Primero ( )
Segundo ( )
Tercero ( )
Cuarto ( )
Quinto ( )
Sexto ( )
Séptimo ( )
Octavo ( )
Noveno ( )
Décimo ( )
6. Estado civil
Soltero/a ( )
Casado/a ( )
Divorciado/a ( )
 91

Unión libre ( )
Viudo/a ( )
7. Etnia
Mestizo(a) ( )
Indígena ( )
Afroecuatoriano(a) ( )
Blanco(a) ( )
Mulato(a) ( )
Otro ……………………………………………………………………………………
8. ¿Posee algún tipo de discapacidad?
Si ( )
No ( )
Si su respuesta es sí conteste las siguientes preguntas.
9. ¿Qué tipo de discapacidad presenta?
………………………………………………..
10. ¿Qué grado de discapacidad posee?
………………………………………………..
11. ¿Qué porcentaje de discapacidad (%) posee?
………………………………………………..
12. ¿Qué número carné de CONADIS tiene?
………………………………………………..
13. País de Origen
………………………………………………..
14. Lugar de procedencia
………………………………………………..
15. Lugar de residencia actual
………………………………………………..
16. Estatus social
Baja ( )
Media ( )
Alta ( )
17. Vive cerca de su universidad
Si ( )
No ( )
 92

18. Tipo de Hogar

Nuclear Funcional (Padre, madre y hermanos) ( )
Inmediato Funcional (Otros Familiares) ( )
Materno Funcional (Madre y hermanos) ( )
Nuclear Funcional (Cónyuge e hijos) ( )
19. Número de miembros de familia, incluido usted
…………………………………………………………………………
20. Tipo de vivienda en que reside
Propia ( )
Arrendada ( )
Hipotecada ( )
Cedida ( )
Otra ………………………………………………………………………...…
21. Ingresos familiares mensuales
…………………………………………………………………………….
22. Origen de recursos de estudios
Recursos propios (trabajar) ( )
Padres tutores ( )
Hermanos ( )
Crédito educativo ( )
Beca estudio ( )
Otros familiares ( )
23. Si seleccionó recursos propios, conteste la siguiente pregunta. ¿Cuántas horas al día le dedica
al trabajo?
Entre 1 y 4 horas ( )
Entre 4 y 8 horas ( )
Más de 8 horas ( )
24. ¿Cuál es el nivel formación del padre?
Centro alfabetización ( )
Educación básica ( )
Educación media ( )
Superior universitaria completa ( )
Superior universitaria incompleta ( )
Posgrado maestría ( )
 93

Ninguno ( )
25. ¿Cuál es el nivel de formación de la madre?
Centro alfabetización ( )
Educación básica ( )
Educación media ( )
Superior universitaria completa ( )
Superior universitaria incompleta ( )
Posgrado maestría ( )
Ninguno ( )
26. ¿Seleccione el tipo de colegio del que procede?
Fiscal ( )
Municipal ( )
Particular ( )
Fiscomisional ( )

Otro………………………………………………………………………………………………………
….
Sección 2: Factores de Deserción
En esta sección se presentan preguntas relacionadas a los factores que pueden influir en la deserción de
los estudiantes en las universidades.
Conteste las preguntas con sí o no, de acuerdo al grado de aceptación.
27. ¿Usted eligió la carrera que estudia en base a?
Elección vocacional ( )
El sistema de ingreso a la universidad le asignó esta carrera ( )
Porque no tenía otra opción ( )
28. ¿Considera usted, que su proceso de formación académica está preparándolo para insertarse en
el campo laboral después de graduarse?
Sí ( )
No ( )
29. ¿Completar el proceso de nivelación recibido en la universidad le ayudó en la formación
académica de primer año?
Sí ( )
No ( )

30. ¿La carrera que usted cursa en este momento llena sus expectativas al ser la carrera que usted
deseaba estudiar?
Sí ( )
 94

No ( )
31. ¿La universidad en la que estudia actualmente es la institución en la que usted quería estudiar?
Sí ( )
No ( )
32. ¿Considera usted, que el comportamiento negativo del docente en el aula de clases influye en la
decisión de los estudiantes de abandonar la universidad?
Sí ( )
No ( )
33. ¿Ha sentido usted, alguna vez deseos de conducta inapropiada o respuestas emocionales
inapropiadas para con sus docentes?
Si ( )
No ( )
34. Si su respuesta es sí, indique las
razones…………………………………………………………………………………………
……….
35. ¿Considera usted, que el no contar con amistades dentro del aula influye en la decisión del
estudiante de desertar de la universidad?
Sí ( )
No ( )
36. ¿Considera usted, que los espacios de bienestar estudiantil son los adecuados para cubrir las
necesidades de los estudiantes?
Si ( )
No ( )
37. ¿Ha sido usted víctima de discriminación o bullying por parte de sus compañeros?
Sí ( )
No ( )
38. ¿Ha sido usted víctima de discriminación o bullying por parte de sus docentes?
Sí ( )
No ( )
39. ¿Las expectativas profesionales que tiene planeadas a futuro son aceptadas por su familia?
Sí ( )
No ( )
40. ¿Ha pensado usted en algún momento en abandonar la universidad?
Sí ( )
No ( )
 95

41. Si su respuesta es sí, indique las

razones…………………………………………………………………………………………
……….
Conteste las preguntas considerando una escala del 1 al 5 según su grado de aceptación.
42. ¿Su rendimiento académico es satisfactorio?
Nada satisfactorio ( )
Poco satisfactorio ( )
Medianamente satisfactorio ( )
Muy satisfactorio ( )
Altamente satisfactorio ( )
43. Si su respuesta es nada satisfactorio, indique las
razones…………………………………………………………………………….
44. ¿Considera usted, que sus profesores valoran su esfuerzo y trabajo en el aula de clases?
No valorado ( )
Baja valoración ( )
Mediana valoración ( )
Alta valoración ( )
Valorado totalmente ( )
45. ¿Considera usted, que un inadecuado sistema de tutorías influye negativamente en la decisión
de los estudiantes de abandonar las aulas universitarias?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
Alta influencia ( )
Influye totalmente ( )
46. ¿Considera usted, que los problemas familiares influyen negativamente en la decisión de los
estudiantes de abandonar la universidad?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
Alta influencia ( )
Influye totalmente ( )
47. ¿Cuál es el grado de influencia que tiene una inadecuada formación académica del docente con
la deserción estudiantil universitaria?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
 96

Alta influencia ( )
Influye totalmente ( )
48. ¿Cuál es el grado de influencia que tiene una inadecuada orientación del aprendizaje con la
deserción estudiantil universitaria?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
Alta influencia ( )
Influye totalmente ( )
49. ¿Considera usted, que un inadecuado desarrollo de las cualidades humanas del docente en el
aula de clases puede influir en la deserción estudiantil?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
Alta influencia ( )
Influye totalmente ( )
50. ¿Considera usted, que un limitado conocimiento para la utilización de tecnologías
especializadas de su carrera influye negativamente en los estudiantes de abandonar la
universidad?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
Alta influencia ( )
Influye totalmente ( )

51. ¿Considera usted, que el embarazo planificado – no planificado influye en la decisión de los
estudiantes de abandonar la universidad?

No Baja Mediana Alta Influye

influye influencia influencia influencia totalmente

Planificado
No
planificado
52. ¿Cuál es el nivel de influencia que tiene el número de hijos de los estudiantes con la deserción
estudiantil universitaria?

No Baja Mediana Alta Influye

influye influencia influencia influencia totalmente

Entre 1 y 2 hijos
 97

Entre 2 y 3 hijos
Más de 3 hijos

53. ¿Cuál es el nivel de influencia que tienen los grupos que componen la comunidad universitaria
respecto al factor BULLYING, con la deserción estudiantil universitaria?

No Baja Mediana Alta Influye

influye influencia influencia influencia totalmente

Bullying de
estudiante a
estudiante
Bullying de
docente a
estudiante
54. ¿El limitado conocimiento de la asignatura por parte del estudiante influye en su necesidad de
desertar?
No influye ( )
Baja influencia ( )
Mediana influencia ( )
Alta influencia ( )
Influye totalmente ( )
Sección 3: Factores Varios
55. ¿Cuánto tiempo a la semana les dedica a las siguientes actividades?

0 entre entre10- entre15- entre20- Más de

horas 5-10 15 20 25 25
horas horas
Consumo de
alcohol
Juegos de azar
Drogas
Videojuegos
Redes sociales
Deportes
56. ¿Cuántos hijos tiene usted?
0 hijos ( )
Entre 1 y 2 hijos ( )
Entre 2 y 3 hijos ( )
Más de 3 hijos ( )
57. De los siguientes ítems ¿Cuál de estos se relaciona con su estado emocional actual que
imposibiliten continuar con sus estudios universitarios?
No cuenta con el conocimiento previo para entender el contenido de ciertas materias ( )
 98

Problemas económicos ( )
Problemas sentimentales ( )
Dificultades en el aprendizaje ( )
Problemas de rendimiento académico ( )
No se siente motivado con sus estudios ( )
Falta de apoyo familiar ( )
Grandes cargas de trabajo académico ( )
Problemas de adaptación con sus compañeros ( )
Problemas de salud ( )
Incapacidad para construir o mantener relaciones interpersonales con sus compañeros ( )
Ansiedad ( )
Timidez ( )
Decaimiento ( )
Depresión ( )
Soledad ( )
Ninguna de las anteriores ( )
Otros
Si usted contesto otros, indique cuáles
son:………………………………………………………………………………………………………
…..
58. De los siguientes factores indique ¿Cuáles se relacionan con usted en su etapa de formación
académica?
Déficit de procesamiento de información ( )
Incapacidad para mantener la atención ( )
Hiperactividad ( )
Bajo autoestima ( )
Dificultad para expresar los sentimientos ( )
Rechazo por parte de sus compañeros por su bajo rendimiento ( )
Rechazo por parte de sus docentes por su bajo rendimiento ( )
Ninguna de las anteriores ( )
Otros
Si usted contesto otros, indique cuáles
son:………………………..…………………………………..…………………………………………
………
59. ¿Qué estado de ánimo presenta usted en relación con el docente en el aula de clases?
Nerviosismo ( )
 99

Tensión ( )
Preocupación ( )
Temor ( )
Ansiedad ( )
Satisfacción ( )
Alegría ( )
Comodidad ( )
Ninguna de las anteriores ( )
Otros
Si usted contesto otros, indique cuáles
son:…………………..……………..……………………………………………………………………
………

¡Este cuestionario ha finalizado, Gracias por sus respuestas!

 100

Anexo 4: Análisis de la encuesta

Como resultado de la aplicación técnica de la encuesta, se obtuvieron los resultados como se
describe a continuación:

2. Género

Figura 29: Género de los estudiantes

Mujeres Hombres

20%

80%

Fuente: Grupo de trabajo

En la pregunta número 2, respecto al género de los estudiantes el porcentaje con mayor índice
corresponde a masculino con el 80%, mientras tanto el 20% corresponde a femenino. Según el
autor (Mosteiro García, 1997), menciona que el género femenino opta por estudiar carreras
profesionales identificadas con el rol tradicional de la mujer tales como: Educación Social,
Enfermería, Diplomado en Relaciones Laborales, entre otras, por tal razón se considera que las
mujeres optan por estudiar en Facultades y Escuelas no técnicas, mientras tanto cabe mencionar
que el mayor porcentaje de estudiantes que cursan las carreras técnicas pertenece al género
masculino debido a que muestran una alta autoeficacia en relación a ocupaciones tradicionales
y no tradicionales.

3. Edad

Figura 30: Figura 27: Edad de los encuestados

70,0% 63,1%
60,0%
50,0%
40,0%
27,2%
30,0%
20,0%
8,9%
10,0% 0,8%
0,0%
Respuestas

Entre 17-20 años Entre 21-25 años Entre 26-30 años Entre 31-40 años

Fuente: Grupo de trabajo

 101

Según los datos de la encuesta se puede determinar que las edades comprendidas entre (17 a 20
años) existen 397 estudiantes que corresponden al 27%, entre las edades de (21 a 25 años) 919
estudiantes que corresponde al 63%, entre las edades de (27 a 30 años) 130 estudiantes que
corresponde al 9% y entre las edades de (31 a 40 años) 11 estudiantes que corresponde al 1%.
Mediante la revisión de la literatura el autor (Contreras, Caballero, Palacio, & Perez, 2008),
manifiesta que entre las edades comprendidas de (17 a 22 años), corresponde a la adolescencia
y a la etapa del adulto joven, lo que significa que en los primeros años de universidad la
población universitaria en su mayoría son adolescentes, como bien lo define la psicología
evolutiva.

4. Carrera en la que usted estudia

Figura 31: Carreras de Ciencias de la Ingeniería y Aplicadas

Sistemas de Información Industrial Eléctrica Electromecánica

20%
31%

25%

24%

Fuente: Grupo de trabajo

Según los resultados de la encuesta se puede notar que la carrera que más ha aportado al proceso
de investigación pertenece a Sistemas de información con un 31% que corresponde a 449
estudiantes, sin embargo, también se puede considerar que la carrera que menores datos ha
aportado fue Electromecánica con un 20% que corresponde a 297 estudiantes.
 102

5. Ciclo al que pertenece

Figura 32: Ciclos al que pertenece los estudiantes

Primero Segundo Tercero Cuarto Quinto

Sexto Séptimo Octavo Noveno Décimo

2%

10% 17%

14% 8%

8%
12%
7%
13% 9%

Fuente: Grupo de trabajo

En la Facultad de Ciencias de la Ingeniería y Aplicadas de la Universidad Técnica de Cotopaxi,

cada carrera consta de diez semestres, iniciando desde primero hasta décimo respectivamente.
En los resultados se obtuvo que la mayor cantidad de población de la comunidad estudiantil
universitaria que contestó la encuesta corresponde al primer ciclo con el 17% y con menor
aporte los ciclos de cuarto y décimo con el 7% y 2% respectivamente

6. Estado civil

Figura 33: Estado civil de los estudiantes

100% 94%
90%
80%
70%
60%
50%
40%
30%
20%
10% 3% 0,14% 3% 0,07%
0%
Respuestas

Soltero/a Casado/a Divorciado/a Unión libre Viudo/a

Fuente: Grupo de trabajo

 103

De 1457 encuestados se puede determinar que el 94% de los estudiantes son solteros, el 3%
corresponde a casados y unión libre y las tasas con menor porcentaje pertenece a divorciados y
viudos. Cabe mencionar que los estudiantes que son casados poseen mayor riesgo de deserción,
puesto que tienen más responsabilidades con su familia ya que muchas de las veces tienen que
elegir entre la universidad y su familia.

7. Etnia

Figura 34: Etnia de los estudiantes

100,00% 94,72%
90,00%
80,00%
70,00%
60,00%
50,00%
40,00%
30,00%
20,00%
10,00% 3,57%
0,69% 0,69% 0,34%
0,00%
Respuestas

Mestizo(a) Indígena Afroecuatoriano(a) Blanco(a) Mulato(a)

Fuente: Grupo de trabajo

Las sociedades latinoamericanas se han caracterizado por una herencia común. Desde la colonia
se tipificaron a los seres humanos en castas, por ejemplo, indios, mestizos, mulatos, entre otros
(Ministerio Coordinador de Patrimonio, 2015). Por tal razón según los resultados de la encuesta
aplicada la mayoría de los estudiantes se consideran mestizos con el 95% que corresponde a
1380 alumnos, no obstante, se puede visualizar a 52 personas que conciernen al 4% se
consideran como población indígena y el 1% como afroecuatoriano y blanco.
 104

8. ¿Posee algún tipo de discapacidad?

Figura 35: Posee discapacidad

120%

99%
100%

80%

60%

40%

20%
1%
0%
Respuestas

Si No

Fuente: Grupo de trabajo

La discapacidad comprende un gran número de diferentes limitaciones funcionales entre ellos,

la conducta, comunicación, cuidado personal, locomoción, destrezas y aptitudes (Padilla
Muñoz, 2010). Debido a la encuesta realizada se puede manifestar que de 1457 encuestados el
99% corresponde a 1443 estudiantes que no poseen discapacidad, en cambio 1% de la población
encuesta es decir 14 estudiantes poseen discapacidad.

9. ¿Qué tipo de discapacidad presenta?

Figura 36: Tipo de discapacidad de posee

120,00%
99,04%
100,00%

80,00%

60,00%

40,00%

20,00%
0,34% 0,21% 0,14% 0,27%
0,00%
Respuestas

Auditiva Visual Física Lenguaje Ninguno

Fuente: Grupo de trabajo

 105

Según la encuesta realizada existe un alto índice de discapacidad auditiva con el 0,34% seguida
del habla o lenguaje con el 0,27%, además presenta el 0,21% de discapacidad visual y el 0,14%
de discapacidad física dando como resultado un total de 14 estudiantes que poseen algún tipo
de discapacidad.

10. ¿Qué grado de discapacidad posee?

Figura 37: Grado de discapacidad que posee

120,00%
99,04%
100,00%

80,00%

60,00%

40,00%

20,00%
0,62% 0,34%
0,00%
Respuetas

Medio Alto Ninguno

Fuente: Grupo de trabajo

Según los datos recopilados el 0,62% que pertenece a 9 estudiantes poseen un grado de
discapacidad medio, el 0,34% que corresponde a 5 personas tienen un alto grado de
discapacidad.

11. ¿Qué porcentaje de discapacidad (%) posee?

Figura 38: Porcentaje de discapacidad que posee

120,00%
99,04%
100,00%

80,00%

60,00%

40,00%

20,00%
0,34% 0,14% 0,21% 0,27%
0,00%
Respuestas

Entre 1 y20% Entre 21 y 35% Entre 36 y 45% Más de 46% Ninguno

Fuente: Grupo de trabajo

 106

Con la aplicación de la encuesta se constató que las respuestas obtenidas a la población aplicada,
un 0,34% mencionaron que poseen un grado de discapacidad de (1% a 20%), el 0,14 posee un
grado de discapacidad entre (21% a 35%), el 0,21 se encuentra entre (36% a 45%) y el 0,27%
respondieron que tienen un grado de discapacidad superior al 46%.

12. ¿Qué número carné de CONADIS tiene?

Figura 39: Porcentaje de discapacidad que posee

120%
99%
100%

80%

60%

40%

20%
1%
0%
Respuestas

Número Ninguno

Fuente: Grupo de trabajo

Gracias a la interrogante planteada en la pregunta 12, el 1% cuentan con un carnet del

CONADIS el cual les respalda en todos los trámites que realice mientras que el 99% aseguraron
no contar con dicho carnet ya que no poseen ningún tipo de discapacidad.

13. País de Origen

Figura 40: País de origen de los estudiantes

120,00%
99,31%
100,00%

80,00%

60,00%

40,00%

20,00%
0,48% 0,07% 0,14%
0,00%
Respuesta

Ecuador Colombia España Venezuela

Fuente: Grupo de trabajo

 107

Mediante los datos obtenidos de la pregunta 13, se puede evidenciar que el 99,31% de la
población que corresponde a 1447 estudiantes son de nacionalidad ecuatoriana mientras que el
0,48% son de nacionalidad colombiana, el 0,07% son de nacional española y el 0,14%
pertenecen a la nacionalidad venezolana.

14. Lugar de procedencia

Figura 41: Lugar de procedencia de los estudiantes de Eléctrica

50,0%
42,1%
40,0%
30,0% 22,3%
20,0% 14,9%

10,0% 4,1%
0,3% 0,6%3,0% 0,3%0,3%0,3%0,3%0,6%0,8%0,6%0,8%0,8%1,9% 0,3%2,2%
3,0%
0,3%0,3%
0,0%
Resultados

Azuay Bolivar Cañar

Chimborazo Cotopaxi El Oro
Esmeraldas Galápagos Guayas
Imbabura Loja Los Ríos
Napo Orellana Pastaza
Pichincha Santa Elena Santo Domingo de los Tsáchilas
Sucumbíos Tungurahua Zamora Chinchipe
Colombia

Fuente: Grupo de trabajo

Según los datos extraídos de la encuesta se realizó el análisis correspondiente sobre el lugar de
procedencia de los estudiantes por carreras teniendo en primera instancia a Eléctrica en la cual
el mayor índice de estudiantes son de la provincia de Cotopaxi con un 42% que corresponde a
153 estudiantes, seguida del 22% que son de la provincia de Tungurahua es decir 81 personas,
con el 15% de población que pertenece a Pichincha con 54 estudiantes, no obstante existen
índices bajos que provienen de las provincias de Bolívar con un 4%, Chimborazo y Sucumbíos
con el 3%, Pastaza y Santo Domingo de los Tsáchilas con el 2% y con el 1% mencionan que
vienen de las provincias de Cañar, Imbabura, Loja, Los Ríos, Napo y Orellana.
 108

Figura 42: Lugar de procedencia de los estudiantes de Industrial

50,0% 43,4%
40,0%

30,0% 26,4%

20,0% 17,2%

10,0%
0,3%0,3%1,1%0,9% 0,3%0,9%0,3%0,3%0,3%0,9%0,3%0,3%0,9%0,9%2,0% 1,1%0,9% 0,6%0,3%0,3%
0,0%
Resultados

Bolivar Cañar Carchi

Chimborazo Cotopaxi El Oro
Esmeraldas Galápagos Guayas
Imbabura Loja Los Ríos
Manabí Napo Orellana
Pastaza Pichincha Santo Domingo de los Tsáchilas
Sucumbíos Tungurahua Colombia
España Venezuela

Fuente: Grupo de trabajo

En la carrera de Industrial existe un alto índice de estudiantes que son de la provincia de

Cotopaxi con 43% que pertenece a 151 personas, de Pichincha con 26% que corresponde a 92
estudiantes seguida por Tungurahua con 17% que pertenece a 60 estudiantes, además el 2%
corresponde a Pastaza con 2 alumnos también presentan un índice bajo con el 1% las provincias
de Carchi, Chimborazo, Esmeraldas, Loja, Napo, Orellana, Santo Domingo de los Tsáchilas,
Sucumbíos y el País de Colombia.
 109

Figura 43: Lugar de procedencia de los estudiantes de Electromecánica

45,0% 42,1%
40,0%
35,0%
30,0% 26,3%
25,0%
20,0% 15,5%
15,0%
10,0%
3,4%
5,0% 0,7% 0,3% 1,7% 0,3% 0,3% 0,3% 1,0% 0,7% 1,7% 0,7% 0,7% 0,7% 1,3% 1,7% 0,3% 0,3%
0,0%
Resultados

Bolivar Carchi Chimborazo

Cotopaxi El Oro Esmeraldas
Guayas Imbabura Loja
Los Ríos Manabí Napo
Pastaza Pichincha Santa Elena
Santo Domingo de los Tsáchilas Sucumbíos Tungurahua
Zamora Chinchipe Argentina

Fuente: Grupo de trabajo

La carrera de Electromecánica tiene estudiantes que en su mayoría son de la provincia de

Cotopaxi 125 que corresponde al 42%, en segunda instancia la provincia de Pichincha con 78
que pertenece al 26% luego la provincia de Tungurahua con 46 que hace referencia al 15%, no
obstante también cuenta con estudiantes que provienen de las provincias de Chimborazo, los
Ríos y Sucumbíos con el 2%, Bolívar, Imbabura, Loja, Manabí, Pastaza, Santa Elena y Santo
Domingo de los Tsáchilas con el 1%.
 110

Figura 44: Lugar de procedencia de los estudiantes de Electromecánica

50,0% 46,3%

40,0%
31,2%
30,0%

20,0%
8,7%
10,0%
0,2%0,9%0,4%0,2% 0,2%0,4%0,2%1,1%0,4%1,1%0,4%0,2%0,7%1,8%1,6%0,9% 1,6%0,4% 0,4%0,4%
0,0%
Resultados

Azuay Bolivar Carchi

Chimborazo Cotopaxi El Oro
Esmeraldas Galápagos Guayas
Imbabura Loja Los Ríos
Manabí Morona Santiago Napo
Orellana Pastaza Pichincha
Santo Domingo de los Tsáchilas Sucumbíos Tungurahua
Zamora Chinchipe Colombia

Fuente: Grupo de trabajo

Mientras tanto la carrera de Sistemas de información posee estudiantes que en su mayoría son
de la provincia de Cotopaxi 208 que corresponde al 46%, en segunda instancia la provincia de
Pichincha con 140 que pertenece al 31% luego la provincia de Tungurahua con 39 que hace
referencia al 9%, no obstante también cuenta con estudiantes que provienen de la provincia de
Pastaza con el 2%, Carchi, Chimborazo, Esmeraldas, Loja, Napo, Orellana, Santo Domingo de
los Tsáchilas, Sucumbíos y el País de Colombia con el 1%.
 111

15. Lugar de residencia actual

Figura 45: Lugar de residencia actual de los estudiantes de Eléctrica

80,0%
70,2%
70,0%

60,0%

50,0%

40,0%

30,0%

20,0% 15,7%
13,2%
10,0%
0,3% 0,3% 0,3%
0,0%
Resultados

Chimborazo Cotopaxi Pastaza Pichincha Santa Elena Tungurahua

Fuente: Grupo de trabajo

Según los datos extraídos de la encuesta se realizó el análisis correspondiente sobre el lugar de
residencia actual de la comunidad estudiantil universitaria por carreras en la que Eléctrica
cuenta con alumnos que viven en la provincia de Cotopaxi generalmente en los Cantones
Latacunga, Salcedo y Pujilí con un 70% que pertenece a 255 estudiantes, seguida por la
provincia de Tungurahua comúnmente de los cantones Ambato, Baños y Pillaro con un 16%
que corresponde a 57, también se encuentra la provincia de Pichincha por lo regular en los
cantones Quito, Mejia y Rumiñahui con 13% que se refiere a 48 estudiantes.

Figura 46: Lugar de residencia actual de los estudiantes de Industrial

80%
69%
70%
60%
50%
40%
30%
18%
20% 14%
10%
0%
Resultados

Cotopaxi Pichincha Tungurahua

Fuente: Grupo de trabajo

 112

La carrera de Industrial presenta un alto índice de estudiantes que son de la provincia de

Cotopaxi con 69% que pertenece a 239 personas generalmente de los cantones Latacunga y
Pujilí, de Pichincha con 18% que corresponde a 63 estudiantes por lo regular de los cantones
Quito, Mejía y Rumiñahui, seguida por Tungurahua con 14% que pertenece a 47 estudiantes
comúnmente por los cantones Ambato, Baños y Pillaro.

Figura 47: Lugar de residencia actual de los estudiantes de Electromecánica

70,0% 64,6%

60,0%

50,0%

40,0%

30,0%
20,9%
20,0%
12,8%
10,0%
0,3% 0,3% 0,3% 0,7%
0,0%
Resultados

Bolivar Cotopaxi Guayas Napo Pichincha Santa Elena Tungurahua

Fuente: Grupo de trabajo

La carrera de Electromecánica tiene estudiantes que en su mayoría son de la provincia de

Cotopaxi 192 que corresponde al 65% por lo general de los cantones Latacunga, Pujilí, Salcedo
y Saquisilí, en segunda instancia la provincia de Pichincha con 62 que pertenece al 21%
regularmente por los cantones Quito, Mejía y Rumiñahui, luego la provincia de Tungurahua
con 38 que hace referencia al 13% generalmente por los cantones Ambato, Baños y Pillaro, no
obstante también cuenta con estudiantes que provienen de la provincia de Santa Elena con un
1%.
 113

Figura 48: Lugar de residencia de los estudiantes de Sistemas de Información

80,0%
68,8%
70,0%

60,0%

50,0%

40,0%

30,0% 24,1%
20,0%

10,0% 6,7%
0,2% 0,2%
0,0%
Resultados

Bolivar Cotopaxi Manabí Pichincha Tungurahua

Fuente: Grupo de trabajo

Mientras tanto la carrera de Sistemas de información posee estudiantes que en su mayoría son
de la provincia de Cotopaxi 309 que corresponde al 69% por lo general en los cantones
Latacunga, Saquisilí, Pujilí, Salcedo y Sigchos, en segunda instancia la provincia de Pichincha
con 108 que pertenece al 24% en los cantones Quito, Rumiñahui y Mejía, luego la provincia de
Tungurahua con 30 que hace referencia al 7% en los cantones Ambato y Pillaro.

16. Estatus social

Figura 49: Estatus social de los estudiantes

90%
80%
80%

70%

60%

50%

40%

30%
19%
20%

10%
1%
0%

Baja Media Alta

Fuente: Grupo de trabajo

 114

Una de las variables asociadas a la deserción es el factor económico que impide la continuidad
del desertor en la Universidad (Páramo & Correa, 1999). Como se muestra en la interrogante
16, se puede mencionar que el 80% de la población estudiantil universitaria menciona que
pertenece a un estatus medio, 19% representa a un estatus social bajo mientras tanto que el 1%
de la población estudiantil universitaria se considera pertenecer a un estatus alto.

17. Vive cerca de su universidad

Figura 50: Vive cerca de la universidad

Si No

32%

68%

Fuente: Grupo de trabajo

En base a las respuestas obtenidas de la pregunta 17, aplicada a la comunidad académica se

puede mencionar que el 68% de dicha comunidad afirman que no viven cerca de la institución
educativa por lo que se le dificulta el traslado a la universidad, por otra parte, el 32% afirma
que si viven cerca de la universidad.
 115

18. Tipo de Hogar

Figura 51: Tipo de hogar de los estudiantes

Nuclear Funcional (Padre, madre yhermanos)

Inmediato Funcional (Otros Familiares)
Materno Funcional (Madre y hermanos)
Nuclear Funcional (Cónyuge e hijos)

4%

18%

8%

71%

Fuente: Grupo de trabajo

Con la aplicación de la encuesta se puede afirmar que el 71% del tipo de hogar de los estudiantes
está conformada por (padre, madre y hermanos), el 18% se encuentra integrada por (madre y
hermanos), mientras que el 8% está constituida por (otros familiares) y el 4% por (cónyuge e
hijos). Cabe mencionar que los núcleos familiares que se encuentran integradas por otros
familiares y personas ajenas a la familia como por ejemplo madrastras, padrastros, entre otros,
influyen de manera directa en la deserción (Yepes Delgado et al., 2017).

19. Número de miembros de familia, incluido usted

Figura 52: Número total del miembro de la familia del estudiante

80%
70% 67%

60%
50%
40%
32%
30%
20%
10%
1%
0%

Entre 1 y 5 Entre 6 y 10 Entre 11 y 16

Fuente: Grupo de trabajo

 116

Con respecto al núcleo familiar de los estudiantes se puede constatar que el 67% corresponde a
(1 y 5 miembros), el 32% entre (6 y 10 miembros), mientras tanto el 1% se encuentra compuesta
por (11 y 16 miembros).

20. Tipo de vivienda en que reside

Figura 53: Tipo de vivienda en la que reside

80% 73%
70%
60%
50%
40%
30% 23%
20%
10% 2%
1% 1%
0%

Propia Arrendada Hipotecada Cedida Otra

Fuente: Grupo de trabajo

En base a las resultantes de la pregunta 20, con respecto al tipo de vivienda en que reside el
estudiante se obtiene que el 73% posee una casa propia, mientras tanto el 23% afirmaron que
arriendan, por otro lado, el 2% mencionaron que es cedida y el 1% ente hipotecada u otra.

21. Ingresos familiares mensuales

Figura 54: Ingresos familiares mensuales

90%
81%
80%
70%
60%
50%
40%
30%
20%
12%
10% 6%
1%
0%

De 1-500 De 501-1000 Más de 1000 Ninguno

Fuente: Grupo de trabajo

 117

Con los resultados de las encuestas se puede afirmar que el 81% de la población estudiantil no
tiene un trabajo por tal razón no generan ingresos económicos, el 12% menciona que posee un
ingreso entre ($1 y $500), mientras tanto el 6% tiene un ingreso entre ($501 y $1000), sin
embargo el 1% de la población manifiesta que cuenta con un ingreso neto mensual superior a
($1000) tomado en consideración que los ingresos antes mencionados corresponden a la familia
del estudiante. Los ingresos familiares mensuales influyen en la deserción, debido a que el padre
y la madre de familia no cuentan con ingresos económicos suficientes que permitan subsanar
los gastos educativos de sus hijos o hijas.

22. Origen de recursos de estudios

Figura 55: Origen de recursos de los estudios

80,00% 74,61%

60,00%

40,00%
21,55%
20,00%
1,17% 0,27% 0,21% 0,89% 1,30%
0,00%
Respuestas

Recursos propios (Trabajar) Padres tutores

Hermanos Crédito educativo
Beca estudio Pareja sentimental
Otros familiares

Fuente: Grupo de trabajo

Al analizar los datos generados se puede visualizar que el 74,61% del origen de los recursos de
estudio depende de los padres tutores, el 21,5% son recursos propios obtenidos por el
estudiante, por otro lado, el 1,17% depende de los hermanos y el 1,3% de la pareja sentimental
u otros.
 118

23. Si seleccionó recursos propios, conteste la siguiente pregunta. ¿Cuántas horas al día le
dedica al trabajo?

Figura 56: Horas que se dedican a trabajar

80% 72%
70%
60%
50%
40%
30%
20% 12%
7% 7%
10% 2%
0%

Entre 1 y 4 horas Entre 4 y 8 horas Más de 8 horas

Fines de semana Ninguno

Fuente: Grupo de trabajo

Mediante los resultados obtenidos en la pregunta 23, el 12% representa a estudiantes que
laboran los fines de semana, el 7% afirma que trabajan entre (1 a 4 horas) o entre (4 a 8 horas)
diarias y 2% trabaja más de 8 horas.

24. ¿Cuál es el nivel formación del padre?

Figura 57: Nivel de formación del padre

50% 47%

40% 33%
30%

20%

10% 6% 6%
4%
2% 1%
0%

Centro alfabetización Educación básica

Educación media Superior universitaria completa
Superior universitaria incompleta Posgrado maestría
Ninguno

Fuente: Grupo de trabajo

En base a los resultados plasmados en la Figura de barras se puede establecer que un 47% de la
población universitaria afirma que el grado de formación de sus padres es educación básica, el
33% menciona que posee educación media, el 6% mencionan que tienen una instrucción
superior completa e incompleta sin embargo los bajos índices representan a los centros de
 119

alfabetización, posgrados y ninguna. El nivel de escolaridad del padre o madre de familia de

los estudiantes de la Facultad de Ciencias de la Ingeniería y Aplicadas puede influir en la
deserción, de acuerdo al autor (Ruiz, Garcia, & Pérez, 2014), donde menciona que la deserción
es común por la baja escolaridad de padres y madres.

25. ¿Cuál es el nivel de formación de la madre?

Figura 58: Nivel de formación de la madre

50% 47%
45%
40%
35% 32%
30%
25%
20%
15%
10% 7%
4% 5%
5% 1% 3%
0%

Centro alfabetización Educación básica

Educación media Superior universitaria completa
Superior universitaria incompleta Posgrado maestría
Ninguno

Fuente: Grupo de trabajo

El nivel de escolaridad del padre o madre de familia de los estudiantes de la Facultad de

Ciencias de la Ingeniería y Aplicadas puede influir en la deserción, de acuerdo al autor (Ruiz et
al., 2014), donde menciona que la deserción es común por la baja escolaridad de padres y
madres. En base a los resultados plasmados en la Figura de barras se puede establecer que un
47% de la población universitaria afirma que el grado de formación de sus madres es educación
básica, el 32% menciona que posee educación media, el 7% mencionan que tienen una
instrucción superior completa sin embargo los bajos índices representan a los centros de
alfabetización, instrucción superior incompleta, posgrados y ninguna.
 120

26. ¿Seleccione el tipo de colegio del que procede?

Figura 59: Colegio del que proceden

90%
82%
80%

70%

60%

50%

40%

30%

20%
11%
10% 4%
2% 1%
0%

Fiscal Municipal Particular Fiscomisional Otro

Fuente: Grupo de trabajo

Los resultados de la encuesta manifiesta que el 82% de los estudiantes afirmaron que provienen
de instituciones fiscales siendo este el mayor porcentaje y el 11% menciona que culminaron sus
estudios en una entidad particular, el 4% y 2% en unidades educativas fisco-misional y
municipales respectivamente.

27. ¿Usted eligió la carrera que estudia en base a?

Figura 60: Elección de carrera

Elección vocacional
El sistema de ingreso a la universidad le asignó esta carrera
Porque no tenía otra opción

9%

32%
59%

Fuente: Grupo de trabajo

 121

Con respecto a esta interrogante el 59% de la población universitaria afirma que la carrera que
está cursando la seleccionaron por elección vocacional, mientras que el 32% por el sistema de
ingreso a la universidad y el 9% porque no tenían opción.

28. ¿Considera usted, que su proceso de formación académica está preparándolo para insertarse
en el campo laboral después de graduarse?

Figura 61: Proceso de formación académica

Si No

16%

84%

Fuente: Grupo de trabajo

La calidad escolar como factor asociado a la deserción, las profundas desigualdades

socioeconómicas de los estudiantes influye directamente en la probabilidad de asistencia,
continuidad y logro escolar. Por lo tanto, el riesgo de deserción en los estudiantes que asisten a
una institución educativa de determinada calidad escolar varía según el nivel económico del
estudiante (Vargas & Valadez, 2016). De acuerdo a la encuesta aplicada se puede mencionar
que 1220 que corresponde al 84% de los estudiantes consideran que el proceso de formación
académica que se encuentran recibiendo los está preparando para insertarse en el campo laboral,
mientras tanto 237 que comprende el 16% manifiestan que el proceso de formación académica
no es adecuado.
 122

29. ¿Completar el proceso de nivelación recibido en la universidad le ayudó en la formación

académica de primer año?

Figura 62: Proceso de nivelación

Si No

26%

74%

Fuente: Grupo de trabajo

Según los resultados de la encuesta el 74% de la población universitaria que comprende 1076
estudiantes manifestaron que el haber recibido nivelación le ayudó en la formación académica
de primer semestre, sin embargo, el 26% que corresponde a 381 alumnos mencionaron que el
proceso de nivelación recibido no contribuyó en el desarrollo académico, no obstante se debe
tener en cuenta que en algunos casos los estudiantes respondieron que no aportó en la formación
académica puesto que fueron exonerados de éste proceso.

30. ¿La carrera que usted cursa en este momento llena sus expectativas al ser la carrera que
usted deseaba estudiar?

Figura 63: Expectativas de la carrera

Si No

19%

81%

Fuente: Grupo de trabajo

 123

Uno de los factores que puede influir en la deserción, es la mala elección de la carrera, es decir
hace referencia al proceso de admisión, donde, por ejemplo, la falta de información adecuada
y veraz del programa académico y de la institución al estudiante puede conducir a su deserción
(Fontalvo Cerpa et al., 2015). Por otro lado, en los resultados de la encuesta se puede manifestar
que el 81% de la comunidad estudiantil universitaria se siente satisfecho con la carrera que
cursa actualmente, mientras tanto el 19% no se siente conforme con la misma lo cual puede ser
una limitante para continuar con sus estudios.

31. ¿La universidad en la que estudia actualmente es la institución en la que usted quería
estudiar?
Figura 64: Expectativas de la carrera

Si No

41%

59%

Fuente: Grupo de trabajo

De acuerdo a los datos obtenidos en la encuesta se pudo determinar que la mayoría de los
estudiantes que corresponde a un 59% no querían estudiar en la universidad que actualmente se
encuentran pues hubieran querido ingresar en otras universidades que existen en el país siendo
su mayoría universidades públicas, pues solo los que tiene una posibilidad económica ingresan
a universidades privadas, mientras que un 41% de estudiantes deseaban estudiar en la
Universidad Técnica de Cotopaxi.
 124

32. ¿Considera usted, que el comportamiento negativo del docente en el aula de clases influye
en la decisión de los estudiantes de abandonar la universidad?

Figura 65: Comportamiento negativo de docentes en el aula de clases

Si No

17%

83%

Fuente: Grupo de trabajo

El factor comportamiento está ligada a la actitud y cuando existe más presión del tiempo pude
elevarse este vínculo que generé este tipo de comportamiento (Edel, 2003). Por tal razón, la
mayoría de los estudiantes que son un 83% consideran que el comportamiento negativo que un
docente puede tener en el aula de clases respecto con sus alumnos genera que los mismos
estudiantes piensen en abandonar sus estudios universitarios y un porcentaje mínimo que
corresponde al 17% piensa que no es así.

33. ¿Ha sentido usted, alguna vez deseos de conducta inapropiada o respuestas emocionales
inapropiadas para con sus docentes?

Figura 66: Comportamiento negativo de docentes en el aula de clases

Si No

16%

84%

Fuente: Grupo de trabajo

 125

Uno de los motivos para que exista conductas inapropiadas es la injusticia la misma que se da
por el resentimiento o la venganza que puede existir hacia una persona, además que no soportan
la conducta de aquella persona a la que tiene resentimiento (Rodríguez Baños, 2017). Por otra
parte, las encuestas que se realizaron en su mayoría los estudiantes no han sentido deseos de
conducta inapropiada o respuestas negativas para con los docentes que imparten sus
conocimientos con los alumnos, esto corresponde a un 84% de las respuestas mientras que un
16% piensa lo contrario por diversas razones.

34.- Si su respuesta es sí, indique las razones

Figura 67: Razones de conductas inapropiadas

100% 85,40%
80%

60%

40%

20% 5%
2% 3,60% 2% 2%
0%
Respuestas

Prepotencia y autoridad de los docentes

No enseñan los docentes
Actitud del docente
Injustas calificaciones y exceso de tareas
Otros
Ninguno

Fuente: Grupo de trabajo

En base a la pregunta 33 y de acuerdo a las respuestas, existen diversas razones y motivos que
han hecho sentir a los alumnos deseos de conducta inapropiada para con los docentes entre ellas
se encuentra la prepotencia, autoridad, injustas calificaciones, exceso de tareas todo esto
corresponde a un 2% que es una mínima parte, mientras que un 3,6% es porque no enseñan y
un mayor porcentaje de 5% que es por la actitud que presenta el docente en el aula de clases.
 126

34. ¿Considera usted, que el no contar con amistades dentro del aula influye en la decisión
del estudiante de desertar de la universidad?

Figura 68: No tener amistades

Si No

48%
52%

Fuente: Grupo de trabajo

Contar con una amistad te mantiene positivo, mejorar tu autoestima, bienestar psicológico y
permite desarrollar la personalidad además del crecimiento socioeconómico (Villalobos,
Alvarez, & Vaquera Elizabeth, 2017). Sin embargo, la mayoría de los estudiantes piensan que
el no tener amistades dentro de la universidad para compartir no incide en que una persona que
está cursando sus estudios académicos abandone la universidad esto corresponde a un 52%,
mientas que un 48 % piensa lo contario.

35. ¿Considera usted, que los espacios de bienestar estudiantil son los adecuados para cubrir
las necesidades de los estudiantes?

Figura 69: Espacios de bienestar estudiantil adecuados

Si No

42%

58%

Fuente: Grupo de trabajo

 127

Bienestar estudiantil de la Universidad Técnica de Cotopaxi tiene la misión de ofrecer servicios

que sean gratuitos, el mismo que debe cuidar el bienestar bio-psico-social de los estudiantes
que forman parte de la universidad (UTC, n.d.). Por tal razón, la encuesta aplicada y de acuerdo
a los resultados obtenidos un 58% de los estudiantes, consideran que los espacios que brinda
bienestar estudiantil a toda la comunidad universitaria están acorde a cubrir las diferentes
situaciones de los estudiantes y un 42% no cree que bienestar estudiantil tenga la capacidad de
resolver las necesidades de los estudiantes.

36. ¿Ha sido víctima de discriminación o bullying por parte de sus compañeros?

Figura 70: Bullying por parte de compañeros

Si No

9%

91%

Fuente: Grupo de trabajo

De acuerdo a los datos obtenidos a partir de la encuesta la mayoría de los estudiantes no han
sufrido bullying por parte de sus compañeros, lo que corresponde a un 91% y una minina parte
que es un 9% de los alumnos han sido víctima de discriminación por parte de sus compañeros,
lo cual puede influir en la decisión de abandonar los estudios. Por tal motivo, el bullying puede
ser de tipo física o verbal que se repiten, logrando que la víctima se angustie y se encuentre en
poder del acosador, con el uso de tecnologías existe más formas de bullying (Unicef, 2010).

38.- ¿Ha sido víctima de discriminación o bullying por parte de sus docentes?
 128

Figura 71: Bullying por parte de docentes

Si No

8%

92%

Fuente: Grupo de trabajo

La mayoría de los encuestados correspondiente a un 92% no han sido víctimas de

discriminación por parte de los docentes en el entorno en el que se encuentran, mientras que un
8% de los estudiantes afirman que han sufrido de bullying de los docentes. De tal manera, el
bullying es considerado como abuso de poder, violencia, agresión sobre una persona que se
puede dar de manera periódica en tiempo y espacio (Salas Picón, 2015).

39. ¿Las expectativas profesionales que tiene planeadas a futuro son aceptadas por su familia?
Figura 72: Expectativas profesionales planeadas

Si No

6%

94%

Fuente: Grupo de trabajo

La mayor parte de los estudiantes afirman que los planes profesionales o las metas trazadas que
tienen planeadas a futuro son aceptados por su familia, lo cual es equivalente a un 94% de
 129

respuestas y una pequeña parte del 6% de los planes no son aprobados por la familia del alumno
por tal razón dichos estudiantes pueden estar en riesgo de desertar.

40. ¿Ha pensado usted en algún momento en abandonar la universidad?

Figura 73: Abandonar la universidad

Si No

28%

72%

Fuente: Grupo de trabajo

La deserción se presenta en todos los niveles de universidad, pues son los estudiantes de más
bajos recursos que renuncian a tener un título, la mayoría de los abandonos se da por
circunstancias que obligan a dejar sus estudios (Salcedo, Ramírez, & Díaz, 2017). Según los
datos de la encuesta un 72% de los estudiantes no han pensado en abandonar sus estudios
universitarios pese a las dificultades que se les presente y un 28% de los alumnos han
considerado en dejar la universidad.

41. Si su respuesta es sí, indique las razones

Figura 74: Razones para dejar la universidad

80,00% 73,40%

60,00%
40,00%
20,00% 13,10% 8,30%
5,20%
0,00%
Respuestas

Problemas familiares y económicos

Formas de enseñar y no les gusta la carrera
Asuntos Personales
Ninguno

Fuente: Grupo de trabajo

 130

En base a la pregunta 40 se pude determinar que existen diversos motivos y causas que han
hecho pensar a los estudiantes en dejar sus estudios académicos, siendo la forma de enseñar y
porque no les gusto la carrera el de menor porcentaje 5,2% de respuestas, un 8,3% son por
razones personales que tiene cada alumno, por problemas familiares y económicos un 13,1%
que representa el porcentaje mayor de las razones expuestas.

42. ¿Su rendimiento académico es satisfactorio?

Figura 75: Rendimiento académico de los estudiantes

Nada Satisfactorio Poco Satisfactorio

Medianamente Satisfactorio Muy Satisfactorio
Altamente Satisfactorio

1% 7%
2%

30%

60%

Fuente: Grupo de trabajo

El nivel académico se determina mediante los conocimientos que se demuestra en un área o

materia sin importar la edad y el nivel académico, se valora de acuerdo a procesos de
evaluación. Los docentes consideran variables que determinan el rendimiento académico entre
ellas se encentra las calificaciones (Navarro, 2008). Por consiguiente, los datos obtenidos
muestran que un 60% de los estudiantes han manifestado que tienen un rendimiento académico
medianamente satisfactorio y un 30% muy satisfactorio, estos dos porcentajes son considerados
altos, mientras que los alumnos con notas altas corresponden al 2% lo que conlleva a un
rendimiento académico altamente satisfactorio.
 131

43. Si su respuesta es nada satisfactorio, indique las razones

Figura 76: Razones de bajo rendimiento académico

120,00%
98,30%
100,00%

80,00%

60,00%

40,00%

20,00%
0,62% 0,40% 0,21%
0,00%
Respuestas

Bajas Calificaciones No comprenden las asignaturas Otras Ninguna

Fuente: Grupo de trabajo

De acuerdo a la pregunta 42 existen pocas respuestas con un rendimiento académico poco

satisfactorio, los motivos expuestos por los estudiantes son las bajas calificaciones
correspondiente a un 0,62%, el no comprender la asignatura 0,40%, además añaden otras
razones que representa el 21%.

44. ¿Considera usted, que sus profesores valoran su esfuerzo y trabajo en el aula de clases?
Figura 77: Valoran el esfuerzo los docentes

No Valorado Baja Valoración Mediana Valoración

Alta Valoración Valorado Totalmente

3% 6%

20% 17%

54%

Fuente: Grupo de trabajo

 132

Según las respuestas un alto porcentaje de estudiantes piensan que sus docentes valoran el
esfuerzo que realizan en diversas actividades propuestas que se pueden dar en el aula de clase,
así como fuera de la misma, esto corresponde a un 54% de una mediana valoración, el 20%
considera una alta valoración, el 3% piensa que existe una baja valoración y un 6% de alumnos
consideran que no valoran el esfuerzo que realizan los estudiantes.

45. ¿Considera usted, que un inadecuado sistema de tutorías influye negativamente en la

decisión de los estudiantes de abandonar las aulas universitarias?

Figura 78: Inadecuado sistema de tutorías

No Influye Baja Influencia Mediana Influencia

Alta Influencia Influye Totalmente

8%
16%

19%

17%

40%

Fuente: Grupo de trabajo

De acuerdo a los datos obtenidos por los estudiantes un 40% que es equivalente a una mediana
influencia manifestó que un inadecuado sistema de tutorías por parte de los docentes influye
para que los alumnos decidan no continuar con sus estudios superiores y un 8% piensa que
influye totalmente en la decisión de abandonar la universidad. Pues las tutorías académicas
deben encontrarse en una organización que conlleva planificar, ejecutar, verificar y actuar para
la toma de experiencias con el fin de obtener resultados que tengan beneficios.(Correa Peralta,
Vinueza Martí-nez, Torres Arias, & Ponce Intriago, 2019)
 133

46. ¿Considera usted, que los problemas familiares influyen negativamente en la decisión de
abandonar la universidad?

Figura 79: Problemas familiares

No Influye Baja Influencia Mediana Influencia

Alta Influencia Influye Totalmente

6%
22% 7%

29%

36%

Fuente: Grupo de trabajo

Los problemas familiares afectan a la formación de los estudiantes, pues la familia es el núcleo
de la sociedad en la cual se fortalece o debilitan los deseos de estudiar (Pastrana, Guitiérrez, &
Mendoza, 2018) por tal motivo, de los encuestados un 36% correspondiente a una alta
influencia respondieron que los problemas familiares que llega a tener un estudiante pueden
afectar a continuar con sus estudios académicos, mientras que un 6% que es equivalente a la
minoría de respuestas manifestó que no influye en la decisión de abandonar las aulas
universitarias.

47. ¿Cuál es el grado de influencia que tiene una inadecuada formación académica del docente
con la deserción estudiantil universitaria?

Figura 80: Inadecuada formación del docente

No Influye Baja Influencia

Mediana Influencia Alta Influencia
Influye Totalmente

13% 5%
9%

31%
42%

Fuente: Grupo de trabajo

 134

La mayoría de los estudiantes correspondiente a un 42% consideran que los docentes al no

contar con una adecuada formación académica influyen medianamente a que los alumnos que
estén cursando los primeros ciclos académicos decidan en abandonar la universidad, pues la
formación de los docentes universitarios debe alcanzar la calidad y excelencia del sistema de
educación, además de que debe tener conocimientos de filosofía, psicología y pedagogía
(Padilla Gómez, López Rodríguez del Rey, & Rodríguez Morales, 2015). Inclusive un 32%
piensa que es de alta influencia el que un docente no se encuentre preparado para impartir su
cátedra.

48. ¿Cuál es el grado de influencia que tiene una inadecuada orientación del aprendizaje con la
deserción estudiantil universitaria?

Figura 81: Inadecuada orientación del aprendizaje

No Influye Baja Influencia Mediana Influencia

Alta Influencia Influye Totalmente

9% 3%
9%

31%

48%

Fuente: Grupo de trabajo

La dificultad de aprendizaje están ligados a los trastornos de una lesión cerebral de tipo
psicológico que impide el desempeño intelectual y la capacidad para adquirir nuevos
conocimientos (Campos & Vargas, 2009). Con los datos obtenidos de los estudiantes se puede
describir que un 48% de las respuestas creen que cuando no existe una orientación que este
acorde al aprendizaje para los estudiantes, lo que corresponde a que sea una media influencia
para los alumnos que tomen la decisión de no continuar con su carrera profesional y un 3%
manifiesta que no influye ni afecta al estudiante.
 135

49. ¿Considera usted, que un inadecuado desarrollo de las cualidades humanas del docente en
el aula de clases puede influir en la deserción estudiantil?

Figura 82: Inadecuado desarrollo de cualidades humanas del docente

No Influye Baja Influencia Mediana Influencia

Alta Influencia Influye Totalmente

10% 4%
12%

27%

47%

Fuente: Grupo de trabajo

La personalidad es un conjunto de elementos que establece la forma propia de una persona, en

la que responde a los estímulos y circunstancias de la vida, con lo cual se determina las
cualidades que se destacan (Valencia Merizalde, 2010). Por tal razón, el inadecuado desarrollo
de las cualidades humanas influye en la decisión de los alumnos para abandonar los estudios
universitarios, según las encuestas aplicadas la mayoría de los estudiantes manifestaron que es
de mediana influencia correspondiente a un 47%, un 27% cree que es de alta influencia, un 12%
que es de baja influencia, un 10% que influye totalmente y un 4% que no existe influencia.

50. ¿Considera usted, que un limitado conocimiento para la utilización de tecnologías

especializadas de su carrera influye negativamente en los estudiantes de abandonar la
universidad?

Figura 83: Inadecuado desarrollo de cualidades humanas del docente

No Influye Baja Influencia Mediana Influencia

Alta Influencia Influye Totalmente

8% 9%

22% 18%

43%

Fuente: Grupo de trabajo

 136

La mayoría de las respuestas obtenidas, consideran que el limitado conocimiento sobre la

utilización de las herramientas tecnologías para el aprendizaje de la carrera que estudia cada
uno de los estudiantes que respondió la encuesta influyen medianamente en los estudiantes para
abandonar la universidad lo que corresponde a un 43%, mientras que un 9 % piensa que no
influye en la decisión de desertar.

51. ¿Considera usted, que el embarazo planificado – no planificado influye en la decisión de

los estudiantes de abandonar la universidad?
Figura 84: Estado de gestación del estudiante planificado - no planificado

35,00%
30,60% 29,40% 29,50%
30,00% 26,10% 27,10%
23,60%
25,00%
20,00%
15,00% 11,10%
8,70% 8%
10,00%
5,80%
5,00%
0,00%
No Influye Baja Influencia Mediana Influencia Alta Influencia Influye Totalmente

Planificado No Planificado

Fuente: Grupo de trabajo

Según los datos obtenidos la mayoría de los estudiantes, un 43% consideran que el embarazo
planificado, no influye en la decisión de desertar mientras que un 5,8% cree que influye
totalmente en dicha decisión, por el contrario, una estudiante al no planificar su embarazo
influye totalmente en la decisión de abandonar sus estudios lo que corresponde a un 29,5% de
las respuestas. Pues el embarazo no deseado lleva a una serie de responsabilidades, ya que a
cierta edad los estudiantes no se sienten preparados para estos cambios, además de la crisis
económica personal o de pareja. La consecuencia del embarazo no deseado conlleva a
interrumpir sus estudios universitarios y empezar a trabajar para tener recursos económicos (K.
Pérez & Orozco, 2011).
 137

52. ¿Cuál es el nivel de influencia que tiene el número de hijos de los estudiantes con la
deserción estudiantil universitaria?

Figura 85: Estado de gestación del estudiante planificado - no planificado

45,00% 41%
40,00%
35,00% 31,50% 30,30%
29,40% 28,60%
30,00%
25,00% 21,30%
20,40%
20,00% 17,60% 18,10%
15%
15,00% 11,80%
9,30% 9,70%
10,00% 8% 8%

5,00%
0,00%
No Influye Baja Influencia Mediana Influencia Alta Influencia Influye Totalmente

Entre 1 y 2 hijos Entre 2 y 3 hijos Más de 3 hijos

Fuente: Grupo de trabajo

Mediante la encuesta aplicada a los estudiantes se pudo constatar que un 43% de respuetsas
considera que influye totalmente en un alumno no continuar con su carrera profesional al tener
más de 3 hijos, pues existe mayor responsabilidad, mientras que es de mediana influencia el
tener entre 2 y 3 hijos lo que corresponde a un 30,3% de igual manera que entre 1 y 2 hijos que
es un equivalente a 31,5% ya que en algunos casos no tienen con quien dejar a sus hijos para
que los cuide mientras sus madres estudian.
 138

53. ¿Cuál es el nivel de influencia que tienen los grupos que componen la comunidad
universitaria respecto al factor BULLYING, con la deserción estudiantil universitaria?

Figura 86: Factor bullying

40,00%
33,70%
35,00%
30,00% 26,30% 26,60%
25,00%
19,80% 20,90% 20,70%
20,00% 16,50%
14,30%
15,00% 11,90%
9,20%
10,00%
5,00%
0,00%
No Influye Baja Influencia Mediana Influencia Alta Influencia Influye Totalmente

Bullying estudiante a estudiante Bullying docente a estudiante

Fuente: Grupo de trabajo

De acuerdo a los datos que se obtuvieron existe un alto índice de que el bullying puede existir
entre estudiante a estudiante con un porcentaje de 33,7% y bullying que puede darse entre un
docente a estudiante correspondiente a un 26,6% , los mismos que son considerados como
mediana influencia esto puede ser una causa para que los estudiantes abandonen la universidad,
mientras que un 14,3% y 11,9% de las respuestas que se puede dar entre los grupos ya
mencionados manifiestan que no tiene influencia en la decisión de desertar

54. ¿El limitado conocimiento de la asignatura por parte del estudiante influye en su
necesidad de desertar?

Figura 87: Factor bullying

No Influye Baja Influencia Mediana Influencia

Alta Influencia Influye Totalmente

13% 5%
10%

31%
41%

Fuente: Grupo de trabajo

 139

El conocimiento es la forma de transmitir conocimientos propios o aquellos que se encuentren

interconectados a otros conocimientos, lo que conlleva a una red que no tiene que ser la misma
que la del receptor (Padilla, n.d.). Por tal motivo, un 41% de los estudiantes manifestó que es
de mediana influencia el limitado conocimiento de una asignatura por parte del estudiante para
que tome la decisión de no continuar con sus estudios universitarios, el 31% cree que es de alta
influencia, el 13% considera que influye totalmente, el 10% manifiesta que es de baja influencia
y el 5% establece que no influye en la decisión del alumno.

55. ¿Cuánto tiempo a la semana les dedica a las siguientes actividades?

Figura 88: Actividades que se dedica el estudiante

120,00%

100,00%

80,00%

60,00%

40,00%

20,00%

0,00%
0 horas Entre 5-10 horas Entre 10-15 horas Entre 15-20 horas Entre 20-25 horas Más de 25 horas

Consumo de Alcohol Juegos de Azar Drogas Videojuegos Redes Sociales Deportes

Fuente: Grupo de trabajo

De acuerdo a los resultados obtenidos de las encuestas aplicadas, la mayoría de los alumnos no
se dedican a actividades que puedan afectar a su salud así el 95% de estudiantes no consumen
drogas, el 74,4% no se dedica a juegos de azar y el 68,8% no consumen bebidas alcohólicas,
mientras que entre 5 a 10 horas existe un 63,1% de estudiantes que están inmersos en las redes
sociales y el 42,1% se dedican a los videojuegos por otro lado existe un considerable grupo de
alumnos que están dedicados al deporte con un 51,2%.
 140

56. ¿Cuántos hijos tiene usted?

Figura 89: Actividades que se dedica el estudiante

0 hijos Entre 1 y 2 hijos Entre 2 y 3 hijos Más de 3 hijos

0%
0%
12%

88%

Fuente: Grupo de trabajo

La mayoría de los estudiantes que están cursando actualmente sus estudios en el periodo
académico 2019, no tienen hijos lo que indica que existe un alto porcentaje que corresponde a
un 88% de estudiantes sin ningún tipo de responsabilidad de ser padres, mientras que un 12%
de los alumnos manifestaron que tienen entre 1 y 2 hijos a los que deben cuidar, pero no es una
limitante para continuar con sus estudios universitarios.
 141

57. De los siguientes ítems ¿Cuál de estos se relaciona con su estado emocional actual que
imposibiliten continuar con sus estudios universitarios?

Figura 90: Factores que impiden continuar sus estudios

45,00%
39,70%
40,00%
35,00%
30,00%
24,20%
25,00% 21,70%
20,00% 16,90%
14,30% 13,70%
15,00% 12,60% 12,10% 11,60%
8,40% 8,90% 7,50% 8,30% 7,50%
10,00% 6%
3,20% 3,10%
5,00% 1,50%
0,00%
Respuestas

No cuenta con el conocimiento previo para entender el contenido de ciertas materias

Problemas económicos
Problemas sentimentales
Dificultades en el aprendizaje
Problemas de rendimiento académico
No se siente motivado con sus estudios
Falta de apoyo familiar
Grandes cargas de trabajo académico
Problemas de adaptación con sus compañeros
Problemas de salud
Incapacidad para construir o mantener relaciones interpersonales con sus compañeros
Ansiedad
Timidez
Decaimiento
Depresión
Soledad
Ninguna de las anteriores
Otros
Fuente: Grupo de trabajo

Mediante las encuestas aplicadas existen diferentes factores que impiden actualmente a los
estudiantes continuar con sus estudios académicos, pues se obtuvieron datos en los que los
principales factores escogidos por los alumnos son el 39% correspondiente a problemas
económicos, el 24,2% no cuenta con el conocimiento previo para comprender el contenido de
ciertas asignaturas y un 21,7% considera que la timidez puede afectar para que abandonen la
carrera que se encuentran estudiando.
 142

58. De los siguientes factores indique ¿Cuáles se relacionan con usted en su etapa de
formación académica?
Figura 91: Factores relacionados con la etapa académica

60,00%
50%
50,00%

40,00%

30,00%
18,80%
20,00% 13,40%
12,60%
8% 9,10%
10,00% 6,50%
2,50% 0,61%
0,00%
Respuestas

Déficit de procesamiento de información

Incapacidad para mantener la atención
Hiperactividad
Bajo autoestima
Dificultad para expresar los sentimientos
Rechazo por parte de sus compañeros por su bajo rendimiento
Rechazo por parte de sus docentes por su bajo rendimiento
Ninguna de las anteriores
Otros
Fuente: Grupo de trabajo

De acuerdo a la encuesta aplicada, se pudo determinar que los factores que se relacionan con la
etapa de formación académica, que los estudiantes consideran como factores principales son el
déficit para procesar información con un 18,8% de respuestas, un 13,4% tienen problemas para
expresar los sentimientos y un 12% que tiene dificultades para mantener la atención en clases,
mientras que por otro lado, un alto porcentaje del 50% de alumnos consideran que de los
posibles factores planteados ninguno les afecta.
 143

59. ¿Qué estado de ánimo presenta usted en relación con el docente en el aula de clases?
Figura 92: Estado de ánimo frente al docente

35,00%
30,60%
30,00%

25,00% 22,60%
19,80% 20,70%
20,00%
14,60% 14,80%
15,00%
10,80% 10,30%
10,00% 8,10%

5,00%
0,82%
0,00%
Respuestas

Nerviosismo Tensión Preocupación Temor

Ansiedad Satisfacción Alegría Comodidad
Ninguna de las anteriores Otros

Fuente: Grupo de trabajo

El estado de ánimo es la emoción que siente un individuo en un determinado momento, es la

forma de estar o permanecer del mismo. Este estado de ánimo pude ser agradable o
desagradable y está asociado con el humor con el que se encuentre el individuo en aquel instante
(Martinez, 2018). Asi que la mayoría de los estudiantes presentan un estado de ánimo de
comodidad en relación con el docente en el aula de clases que corresponde a un 30,6% de
respuestas, aunque existen otros estados de ánimo que tienen los alumnos al momento de
encontrarse con el docente en el aula de clases como el nerviosismo con el 22,6% y el 20,7%
de preocupación.