Deserción Universitaria en Poblaciones Vulnerables. Estudio de Caso Sobre el Programa "Jóvenes a la U" en Bogotá.

Vista sencilla de ítem
dc.contributor.advisorPineda Rios, Wilmer
dc.contributor.authorPachón Ariza, Jose Daniel
dc.contributor.corporatenameUniversidad Santo Tomásspa
dc.contributor.cvlachttps://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001566310
dc.contributor.orcidhttps://orcid.org/0000-0001-7774-951X
dc.date.accessioned2024-10-04T13:22:44Z
dc.date.available2024-10-04T13:22:44Z
dc.date.issued2024
dc.descriptionDiversos análisis sobre la deserción de estudiantes en la educación superior han permitido identificar que factores como el sexo, las características socioeconómicas, sociodemográficas y el desempeño académico en el colegio resultan determinantes para incrementar o reducir el riesgo de deserción. En este documento se pretende encontrar los factores que influyen en la deserción universitaria del programa gubernamental ”Jóvenes a la U” en Bogotá mediante la aplicación del modelamiento con técnicas del machine learning como mecanismos de análisis y predicción del riesgo. La primera parte del documento describirá los análisis realizados sobre la deserción universitaria haciendo especial énfasis en la aplicación de técnicas estadísticas, posteriormente, se realiza una exposición conceptual de las técnicas de machine learning para modelos de clasificación en línea con las utilizadas por la literatura de deserción. Seguidamente, se exponen hallazgos sobre los datos obtenidos del programa “Jóvenes a la U” y el tratamiento dado a estos que incluye la imputación de datos faltantes y la aplicación de técnicas de balance de clases. A continuación, se describen las características de los beneficiarios de este programa y finalmente, se desarrollará el análisis de la aplicación de un modelo logístico, un árbol de decisión, un bosque aleatorio, un clasificador por impulso de gradiente y una red neuronal como técnicas para el análisis de los factores que influyen en la deserción y para el modelamiento que permita predecir y clasificar a la población desertora.spa
dc.description.degreelevelMaestríaspa
dc.description.degreenameMagister en Estadística Aplicadaspa
dc.format.mimetypeapplication/pdf
dc.identifier.citationPachón Ariza, J. D. (2024). Deserción Universitaria en Poblaciones Vulnerables. Estudio de Caso Sobre el Programa "Jóvenes a la U" en Bogotá. [Trabajo de Grado, Universidad Santo Tomás], Repositorio Institucional.spa
dc.identifier.instnameinstname:Universidad Santo Tomásspa
dc.identifier.reponamereponame:Repositorio Institucional Universidad Santo Tomásspa
dc.identifier.repourlrepourl:https://repository.usta.edu.cospa
dc.identifier.urihttp://hdl.handle.net/11634/58170
dc.language.isospa
dc.publisherUniversidad Santo Tomásspa
dc.publisher.branchCRAI-USTA Bogotáspa
dc.publisher.facultyFacultad de Estadísticaspa
dc.publisher.programMaestría Estadística Aplicadaspa
dc.relation.referencesAbella, B. M. (2021), ‘Mejora de las predicciones en muestras desbalanceadas’.spa
dc.relation.referencesAmaya Torrado, Y. K., Barrientos Avendaño, E. & Heredia Vizcaíno, D. J. (2014), ‘Modelo predictivo de deserción estudiantil utilizando técnicas de minería de datos’.spa
dc.relation.referencesAndrade-Flores (2018), ‘Comparativa entre classification trees, random forest y gradient boosting; en la predicción de la satisfacción laboral en ecuador’spa
dc.relation.referencesArismendy Fuentes, C. A., Morales Parrado, N. L. et al. (2018), ‘Modelo de regresión logística como alternativa para medir la probabilidad de deserción temprana en la universidad de los llanos periodo 2015-2, 2018-1.spa
dc.relation.referencesBlagus-Lusa (2013), ‘Smote for high-dimensional class-imbalanced data.spa
dc.relation.referencesCastillo, M. B. & Giraldo, A. M. (2010), ‘Los retos de la educación superior en colombia: una reflexión sobre el fenómeno de la deserción universitaria’, Revista Educación en ingeniería 5(10), 85–98.spa
dc.relation.referencesCastro, et, a. (2021), ‘Analizar factores demográficos, socioeconómicos y académicos asociados con deserci´on y graduaci´on, mediante un modelo de riesgos competitivos. se incluyeron 639 estudiantes matriculados en 2009-2010, a quienes se les realizó seguimiento durante 14 periodos académicos’.spa
dc.relation.referencesDiaz, D. B. & Garz´on, L. P. (2013), ‘Elementos para la comprensión del fenómeno de la deserción universitaria en colombia. más allá de las mediciones.’, Cuadernos latinoamericanos de Administración 9(16), 55–66.spa
dc.relation.referencesEscarria, A. S. (2010), ‘Desercién universitaria en colombia’, Academia y virtualidad 3(1), 50–60.spa
dc.relation.referenceset all, M. (2022), ‘A comprehensive investigation of the performances of different machine learning classifiers with smote-enn oversampling technique and hyperparameter optimization for imbalanced heart failure dataset’spa
dc.relation.referenceset all, V. (2023), ‘Predicción del ´exito del telemarketing bancario mediante el uso de árboles de decisión’, 4.spa
dc.relation.referencesFandiño Benavides, A. (2022), Modelo de predicción para la deserción en la Fundación Universitaria Konrad Lorenz, PhD thesis, Bogot´a DC: Fundaci´on Universitaria Konrad Lorenz, 2022.spa
dc.relation.referencesFlores-Congacha (2021), ‘Factores asociados a la desnutrición crónica infantil en ecuador. estudio basado en modelos de regresión y Árboles de clasificaciónspa
dc.relation.referencesFriedman, J. (2000), ‘Additive logistic regression: A statistical view of boosting’, 28.spa
dc.relation.referencesGoicoechea, A. P. (2002), ‘Imputación basada en ´ Arboles de clasificaciónspa
dc.relation.referencesGonzalez.et.all (2014), ‘Algoritmos de clasificación y redes neuronales en la observación automatizada de registros’.spa
dc.relation.referencesJames, G., Witten, D., Hastie, T. & Tibshirani, R. (2013), An introduction to statistical learning, Vol. 112, Springerspa
dc.relation.referencesKennedy, S. (2005), The business of lobbying in China, Harvard University Press.spa
dc.relation.referencesLópez, A. V. D. (2004), ‘Estrategias para vencer la deserción universitaria’, Educación y educadores 7, 177–203.spa
dc.relation.referencesMcCulloch, W. & Pitts, W. (1990), ‘A logial calculus of the ideas immanent in nervious activity’, Carnegie Mellon University Journall 52(1), 1–17.spa
dc.relation.referencesMcGinnis, D. (1994), ‘Predicting snowfall from synoptic circulation: A comparison of linear regression and neural network methodologies’, 1spa
dc.relation.referencesMEN (2023), ‘Sistema para la prevención de deserción’.spa
dc.relation.referencesPáramo, G. J., Maya, C. A. C. et al. (1999), ‘Deserción estudiantil universitaria. conceptualización’, Revista Universidad EAFIT 35(114), 65–78.spa
dc.relation.referencesPerez Bedia, C. A. & Rojas Segovia, L. E. (2020), ‘Diseño de un sistema para predecir la deserción de los alumnos mediante machine learning en la universidad tecnol´ogica del perú'.spa
dc.relation.referencesPeter Gould, volume=1, y. p. (n.d.), ‘Neural computing and the aids pandemic: The case of ohio’.spa
dc.relation.referencesRodríguez Rios, C. Y. (2012), ‘Diseño de un modelo estocástico usando cadenas de markov para pronosticar la deserción académica de estudiantes de ingeniería. caso: escuela colombiana de ingeniería julio garavitospa
dc.relation.referencesRomero-Carmona-Pozuelo (2021), ‘La predicción del fracaso empresarial de las cooperativas españolas. aplicación del algoritmo extreme gradient boosting’, 101.spa
dc.relation.referencesRugeles, N. (2022), ‘Algoritmos de boosting para modelos de clasificación y regresión lineal’,spa
dc.relation.referencesSDP (2020), ‘Plan distrital de desarrollo 2020-2024:’un nuevo contrato social y ambiental para la bogotá del siglo xxi”spa
dc.relation.referencesTinto, V. (1975), Dropout from higher education: A theoretical synthesis of recent research, Vol. 45, Sage Publications Sage CA: Thousand Oaks, CA.spa
dc.relation.referencesTurco, L. Y. D. (2021), ‘Mejora de la predicción en tareas de aprendizaje automático supervisado- ´ imputación de valores perdidos’, ´ 1spa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombia
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2spa
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.subject.lembEstadísticasspa
dc.subject.lembEducación Superiorspa
dc.subject.lembModelo Logísticospa
dc.subject.proposalÁrbolesspa
dc.subject.proposalBosque aleatoriospa
dc.subject.proposalDeserciónspa
dc.subject.proposalGradientespa
dc.subject.proposalJóvenesspa
dc.subject.proposalLogísticospa
dc.subject.proposalMachine Learningspa
dc.subject.proposalRedes Neuronalesspa
dc.subject.proposalRiesgospa
dc.subject.proposalUniversitariaspa
dc.subject.proposalVulnerablesspa
dc.titleDeserción Universitaria en Poblaciones Vulnerables. Estudio de Caso Sobre el Programa "Jóvenes a la U" en Bogotá.spa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdcc
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.driveinfo:eu-repo/semantics/masterThesis
dc.type.localTesis de maestríaspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersion

Archivos

Bloque original

Mostrando 1 - 3 de 3
Miniatura
Nombre:
2024josepachon.pdf
Tamaño:
1.07 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2024cartaderechosautor.pdf
Tamaño:
968.7 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Miniatura
Nombre:
2024cartafacultad.pdf
Tamaño:
343.81 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
807 B
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Maestría Estadística Aplicada