Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Ingeniería Industrial. Actualidad y Nuevas Tendencias ISSN: 1856-8327 revistaiiaynt@gmail.com Universidad de Carabobo Venezuela Otero Caicedo, Ricardo; Bolívar Atuesta, Stevenson; Palacios Caicedo, Juan Análisis de la retención de estudiantes de ingeniería basado en la pérdida consecutiva de una misma asignatura. Un enfoque de Cadenas de Markov Ingeniería Industrial. Actualidad y Nuevas Tendencias, vol. V, núm. 16, junio, 2016, pp. 7- 18 Universidad de Carabobo Carabobo, Venezuela Disponible en: http://www.redalyc.org/articulo.oa?id=215048805002 Cómo citar el artículo Número completo Más información del artículo Página de la revista en redalyc.org Sistema de Información Científica Red de Revistas Científicas de América Latina, el Caribe, España y Portugal Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org/articulo.oa?id=215048805002 http://www.redalyc.org/comocitar.oa?id=215048805002 http://www.redalyc.org/fasciculo.oa?id=2150&numero=48805 http://www.redalyc.org/articulo.oa?id=215048805002 http://www.redalyc.org/revista.oa?id=2150 http://www.redalyc.org Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 7 Análisis de la retención de estudiantes de ingeniería basado en la pérdida consecutiva de una misma asignatura. Un enfoque de Cadenas de Markov Retention analysis of engineering students based on consecutive course failure. A Markov Chain Approach Ricardo Otero Caicedo, Stevenson Bolívar Atuesta, Juan Palacios Caicedo Palabras clave: Cadenas de Markov, retención estudiantil, matriz de transiciones Key words: Markov chains, student retention, transition matrix RESUMEN En los últimos años, la retención estudiantil ha sido una variable crítica para las Universidades ya que comprende el compromiso que éstas adquieren con la formación de profesionales a través de la aplicación completa de un proyecto educativo. En este artículo, se analiza la intención de los estudiantes de desertar de su programa académico en ingeniería, basado en el número de veces que pierde una misma asignatura de su plan de estudios. El comportamiento de los estudiantes se modeló usando cadenas de Markov discretas, donde los estados representan el número de veces que se repite un curso o se retira del programa académico. Este enfoque permite a la Universidad analizar cómo el nivel de dificultad de las asignaturas puede impactar los niveles de deserción. ABSTRACT Recently, student retentions have become a main factor in the educational institution project, because Universities main objective is to develop professional trough a complete application of its educational project. In this paper, we propose to analyze the student’s dropout intention based on the repeated failure of one course. We use discrete Markov chain DMC to estimate the likelihood of repeating a course or leaving the academic program. Statistics test for homogeneity and dependence between chain states were also made. This approach makes easier for the University to analyze how the course difficulty could increase the dropout proportion. INTRODUCCIÓN La retención estudiantil ha sido una variable crítica dentro de los planes institucionales de las universidades, debido a los altos índices de deserción que usualmente se presentan en las instituciones de educación superior. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 8 A pesar de los grandes avances en el tema, hoy en día su análisis sigue siendo un reto debido a la complejidad del problema. Los casos de deserción no siempre son evidentes, ya que están contextualizados en tres perspectivas diferentes: la individual, la institucional y la estatal (Ministerio de Educación Nacional, 2009). Cada agente (individuos, universidades o el estado) aborda el problema desde su perspectiva y el análisis de la problemática depende del enfoque dado por el investigador. Por ejemplo, las transferencias entre instituciones de educación superior son consideradas como deserción para la universidad pero no para el estado, dado que los estudiantes no han abandonado el sistema educativo. Como parte del ejemplo, el ministerio de educación nacional resalta que la situación de crisis económica en un país se convierte en un factor determinante dentro de la deserción de instituciones privadas hacia instituciones públicas y del abandono definitivo del sistema educativo. A nivel nacional, si bien es cierto que cada vez existen mayores apoyos gubernamentales dirigidos a incrementar el número de estudiantes con acceso a la educación superior, es necesario también implementar sistemas que permitan mantener la motivación con la que los estudiantes inician el programa académico. Esto permite asegurar, no solamente que los estudiantes culminen su proceso académico, sino también, que esta motivación se vea reflejada en la formación académica de los estudiantes. Claramente, no se puede abordar la perspectiva estatal a nivel institucional, pero tal como lo menciona Torres (2010), actualmente las instituciones cuentan con varias herramientas de gestión pedagógica que están dirigidas a apoyar y a prevenir las intenciones de deserción en los estudiantes universitarios. Desde la perspectiva individual, si bien es cierto que no hay un modelo que involucre las particularidades de cada individuo, sí se han identificado factores sociodemográficos y socioeconómicos relacionados con la deserción, como por ejemplo las variables identificadas por Patricia (2011), Murtaugh, Burns y Schuster (1999) y Duque, Duque y Surinach (2012) presentadas en la tabla 1. El objetivo principal de esta perspectiva es determinar cómo se relacionan los factores con la decisión de desertar, permitiendo identificar grupos de estudiantes que requerirían un acompañamiento adicional y enfocar los esfuerzos de la universidad para aumentar el nivel de retención universitaria. Entre algunos estudios que aprovechan esta perspectiva para crear herramientas que apoyen la retención, se encuentran Murtaugh, Burns y Schuster (1999), quienes emplean un modelo de supervivencia que utiliza las características del individuo para predecir el tiempo hasta que deserta; Awadhi y Ahmed (2002) empelan un modelo de regresión logística para identificar los factores relevantes y el grado de asociación con la decisión de desertar; Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 9 Duque, Duque y Surinach, (2012) elaboran un indicador de deserción mediante mínimos cuadrados parciales, con lo cual realizan comparaciones entre grupos de individuos sobre el tiempo. Otros autores, como Kwak, Brown y Schiederjans (1986); Awadhi, Ahmed (2002) y Alawadhi, Konsowa (2010) han realizado análisis a nivel institucional, en los cuales a través de cadenas de Markov, se analiza el comportamiento de los estudiantes con respecto a la permanencia en las asignaturas o las inscripciones en cursos. Tabla 1. Factores relacionados con la deserción estudiantil universitaria Variable Categoría Edad Personal y familiar Género Procedencia Residencia Recursos financieros Desempeño escolar ProgramaAcadémico Universitario Promedio académico Expectativas de éxito Percepción de dificultad Calidad de los recursos de la institución Adeleke, Oguntuase y Ogunsakin, (2014) emplearon cadenas de Markov para modelar la deserción estudiantil, con estados absorbentes graduarse y desertar, y con estados transitorios número de años cursados. Este enfoque trae una ventaja adicional, permite estimar el tiempo promedio que un estudiante tarda en graduarse o desertar. Sin embargo, no permite a las instituciones identificar oportunidades de mejora en la problemática analizada. Es evidente que las instituciones de educación superior tengan la necesidad de ejercer liderazgo en los programas de retención haciendo uso de la información y recursos disponibles. Esto genera la necesidad de utilizar cualquier tipo de herramientas que generen información sobre la intención de los estudiantes de continuar en el programa académico. A pesar de la posibilidad de mejorar las predicciones de retención, implementando las variables mencionadas en la tabla 1, no todas las instituciones de educación superior cuentan con esta información o no la tienen disponible en una misma base de datos. Sin embargo, usualmente cada una de las carreras cuenta con registros históricos de los resultados académicos de los estudiantes por cada uno de los Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 10 periodos de estudio y para cada una de las asignaturas que cursaron. Adicionalmente, vale la pena resaltar que estos enfoques relacionan la deserción con factores o variables sociodemográficas y académicas propias del individuo, pero no con las materias que pueden influir en la decisión de desertar por su grado de dificultad, lo cual permitiría detectar necesidades de acompañamiento especial para los estudiantes que cursan estas asignaturas. Este artículo busca medir la dificultad de la asignatura a través del número de veces que la cursa un estudiante antes de aprobarla o desertar, con lo cual se analiza su intención de deserción, basándose en su desempeño académico desde el punto de vista de los resultados obtenidos en algunas asignaturas de su plan de estudios. Para ello, se analizaron los resultados de los estudiantes de la facultad de ingeniería civil de una Universidad de Bogotá – Colombia en las asignaturas que son consideradas críticas en el proceso de formación. Se pretende determinar para un estudiante, la probabilidad de desertar de la institución educativa o aprobar una materia en particular, teniendo en cuenta como estados transitorios el número de veces que la ha cursado. Se modeló este comportamiento como una cadena de Markov discreta, en la cual, los estados representan el número de veces que ha cursado la materia, incluyendo además dos estados absorbentes: aprobó la asignatura o desertó del programa. Con el modelo planteado se pueden determinar las materias que presentan una probabilidad alta de ser reprobadas reiteradamente y su relación con la deserción estudiantil en cada programa académico. Esta información le permite a la universidad tomar decisiones sobre planes de acompañamiento y validación de prerrequisitos, entre otras medidas que podrían favorecer la gestión pedagógica para disminuir los niveles de deserción. METODOLOGÍA Descripción del problema En el transcurso del programa académico, los estudiantes pasan por diferentes asignaturas que contienen diferentes niveles de dificultad. Existen algunas ocasiones en las que los estudiantes después de haber reprobado una asignatura un número determinado de veces, pierden la motivación de seguir adelante debido al incremento en la percepción de dificultad sobre la carrera y la disminución de su propia confianza. Este comportamiento se modeló como una cadena de Markov de tiempo discreto, con la cual se estimó la probabilidad de que un estudiante se retire del programa académico con base en las probabilidades Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 11 condicionadas al número de veces que ha perdido la asignatura. Las cadenas de Markov de tiempo discreto, son procesos estocásticos que toman valores discretos en puntos particulares del tiempo y que adicionalmente cumplen con la propiedad de Markov, es decir, la probabilidad asociada a un evento depende solamente de la ocurrencia del evento inmediatamente anterior. Esto se resume en: sea Xn el estado del proceso estocástico en el tiempo n ∈ Z, una cadena de Markov cumple que: ,, donde es el estado del proceso en el tiempo i. Esta propiedad permite expresar todas las probabilidades asociadas a la cadena de Markov en una matriz de transición, la cual tiene dimensiones , donde es el número de posibles valores que puede tomar la variable aleatoria. Por ejemplo: una cadena de Markov, en donde la variable aleatoria sólo puede tomar 3 estados, todas las posibles transiciones entre sus estados pueden representarse a través de la siguiente matriz: , en donde representa la probabilidad de pasar del estado al estado en un paso, es decir, entre dos periodos consecutivos. En este caso, debe cumplirse que: . Para el presente estudio, cada uno de los estados se va a definir de la siguiente manera: A - Asignatura aprobada R - Deserción 1, 2, …, n - Número de veces que se cursa la asignatura. Figura 1. Gráfico de estados de la cadena de Markov Base de datos La base de datos cuenta con aproximadamente 8.000 registros académicos desde el año 2007 hasta el año 2011, incluyendo todas las materias del programa. De esta base de datos se emplearon las variables: i) código Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 12 estudiante, ii) periodo académico, iii) asignatura y iv) calificación obtenida. Para este caso, debido al gran impacto que históricamente han tenido las asignaturas de ciencias básicas en los programas de ingeniería, el presente trabajo hace referencia sólo a las asignaturas descritas en la tabla 2. Como primer paso se calculó para cada uno de los estudiantes el número de veces que cursó la asignatura. Se asume que un estudiante se ha retirado del programa académico, si después de haber cursado y reprobado una asignatura, no la vuelve a inscribir en los periodos siguientes. Tabla 2. Asignaturas que se analizan en esta investigación Variable Semestre Cálculo diferencial 1 Cálculo integral 2 Cálculo vectorial 3 Física mecánica 2 En la siguiente sección se describe el procedimiento realizado para la asignatura Cálculo Diferencial, presentado el procedimiento para probar los supuestos de una cadena de Markov y estimar las probabilidades de transición. RESULTADOS y ANÁLISIS En la tabla no. 3 se presenta el número de estudiantes que se encuentra en cada uno de los estados para cada uno de los periodos de la base de datos. Es decir, en el periodo 2007-2, han aprobado 30 estudiantes, 34 se encuentran cursando la asignatura por primera vez, 2 por segunda y se retiraron del programa 5 estudiantes. Los estados A y R son absorbentes, por lo que llevan un acumulado de los estudiantes que hanaprobado y los que se han retirado del programa. Es necesario aclarar que los valores obtenidos para el primer periodo, es decir 2007-2, se obtuvieron a partir del análisis de los resultados del periodo inmediatamente anterior 2007-1. Tabla 3. Frecuencias absolutas de estados por periodo para la asignatura cálculo diferencial Periodo A 1 2 3 R 2007-2 30 34 5 0 5 2008-1 54 35 2 2 18 2008-2 81 23 9 0 21 2009-1 105 53 5 3 21 2009-2 148 33 8 2 30 2010-1 173 75 12 2 34 2010-2 221 49 21 2 52 2011-1 271 95 8 7 58 2011-2 344 42 13 0 81 Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 13 Después de obtener la conformación de estados por cada uno de los periodos, se obtuvo las transiciones entre estados para la asignatura, obteniendo los siguientes resultados para la asignatura cálculo diferencial. Tabla 4. Transiciones entre estados para la asignatura de cálculo diferencial 2007-2 A 1 2 3 R 2008-1 A 1 2 3 R 1 21 0 2 0 11 1 23 0 1 0 2 2 3 0 0 2 0 2 2 0 0 0 0 3 0 0 0 0 0 3 2 0 0 0 0 2008-2 A 1 2 3 R 2009-1 A 1 2 3 R 1 18 0 5 0 0 1 38 0 7 0 8 2 6 0 0 3 0 2 2 0 0 2 1 3 0 0 0 0 0 3 3 0 0 0 0 2009-2 A 1 2 3 R 2010-1 A 1 2 3 R 1 17 0 12 0 4 1 37 0 21 0 17 2 6 0 0 3 0 2 9 0 0 2 1 3 2 0 0 0 0 3 2 0 0 0 0 2010-2 A 1 2 3 R 2011-1 A 1 2 3 R 1 35 2 7 0 5 1 62 1 13 0 19 2 13 0 0 7 1 2 6 0 0 0 2 3 2 0 0 0 0 3 5 0 0 0 2 2011-2 A 1 2 3 R 1 31 1 9 0 1 2 10 0 0 1 1 3 0 0 0 0 0 En este caso, se omiten las filas relacionadas con los estados A y R por considerarse redundantes, debido a que son estados absorbentes y por lo tanto, representan el total de estudiantes que hasta el momento han aprobado la asignatura o se han retirado del programa. Análisis de supuestos de la cadena de Markov A continuación se describe el procedimiento que se realizó para probar los supuestos de la cadena de Markov, tomando como ejemplo la asignatura de Cálculo diferencial. Las cadenas de Markov son procesos estocásticos que cumplen dos supuestos fundamentales: poseen probabilidades estacionarias y cumplen la propiedad de Markov. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 14 Para que se cumpla la propiedad de probabilidades estacionarias, se requiere homogeneidad de las probabilidades de transición durante todos los periodos. Este supuesto es fundamental para poder soportar los cálculos de probabilidades de largo plazo. En particular, se debe cumplir que: (1) Para verificar esta propiedad se debe asegurar que la frecuencia de estudiantes en cada uno de los estados no sea dependiente del tiempo en el cual se toma la medición. Para esto se utilizó una prueba de independencia chi cuadrado. La tabla de contingencia debe probarse para cada una de las posibles transiciones , sin embargo, debido a que en los estados son absorbentes, sólo se determinará la independencia entre los periodos académicos y las frecuencias de estudiantes que cambian de estado para cada una de las veces que se reprueba una asignatura. Tabla 5. Frecuencia de transiciones entre el estado 1 los demás estados para cada periodo Periodo 2007-2 21 0 2 0 11 2008-1 23 0 1 0 2 2008-2 18 0 0 0 0 2009-1 38 0 7 0 8 2009-2 17 0 12 0 4 2010-1 37 0 21 0 17 2010-2 35 2 7 0 5 2011-1 62 1 13 0 19 2011-2 31 1 9 0 1 En este caso se comparan las frecuencias de cada una de las transiciones para cada uno de los estados, y se debe asegurar que estas frecuencias puedan considerarse homogéneas a través de cada uno de los periodos. La prueba de independencia en este caso, compara las frecuencias absolutas encontradas en la muestra y las frecuencias esperadas cuando se asume independencia entre el periodo y las transiciones. En este caso el estadístico: (2) Sigue una distribución chi cuadrado cuando el tamaño de muestra es lo suficientemente grande. Los resultados para todos los estados se presentan en la tabla no. 6. Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 15 Tabla 6. Resultados de la prueba de independencia entre periodos y transiciones Periodos 2007-2 hasta 2011-2 <1% <1% <1% 2009-1 hasta 2011-2 <1% <1% <1% 2010 hasta 2011-2 >5% >5% >5% Los resultados indican que en los periodos posteriores a 2010-1, las frecuencias de transiciones son estadísticamente independientes del periodo. Es posible que para los periodos anteriores no exista homogeneidad, debido a los cambios que usualmente se presentan cada cierto tiempo en los currículos de las asignaturas. En este caso, si deseamos obtener estimaciones a largo plazo del comportamiento de las transiciones, debemos tener en cuenta únicamente los periodos del 2010 en adelante. Orden de la Cadena de Markov Se debe asegurar que las frecuencias de transición obtenidas cumplan con la principal característica de las cadenas de Markov, deben ser dependientes únicamente de su estado anterior. Para ello, se realizó una tabla de contingencia y una prueba de chi cuadrado para cada una de las matrices de frecuencias estipuladas en la Tabla 3. Los resultados de la prueba se presenta en la tabla no. 7. Los resultados de la prueba indican que se rechaza la hipótesis nula de la independencia entre los estados, por lo que se puede garantizar que los resultados obtenidos en un estado, dependen de su estado anterior. Esto puede resultar evidente, ya que la única forma de cursar la asignatura 2 veces es haberla cursado 1 vez. Estimación de las matrices de transición Anderson y Goodman (1956), demostraron que para estimar las probabilidades de una cadena de Markov, es posible utilizar el enfoque de la maximización de la función de verosimilitud. Según los resultados, el estimador de máxima verosimilitud de cada probabilidad de la matriz de transición, está dada por: (3) Es decir, el estimador es tan solo un cociente entre las frecuencias absolutas de cada estado de destino sobre el total de observaciones del estado de origen. Los resultados de las matrices de transición para las asignaturas de la tabla 2 son mostrados en las tablas 8, 9, 10 y 11. Tabla 7. Resultados de la prueba de independencia para garantizar la dependencia entre estados para cálculo diferencial Periodo 2007-2 <1% 2008-1 <1% 2008-2 <1% 2009-1 <1% 2009-2 <1% 2010-1 <1% 2010-2 <1% 2011-1 <1% 2011-2 <1% Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 16 Tabla 8. Matriz de transición Cálculo Diferencial Cálculo Diferencial A 1 2 3 R A 100% 0 0 0 0 1 68% 1% 17% 0 14% 2 71% 0 1% 21% 7% 3 89% 0 0 0 11% R 0 0 0 0 100% Tabla 9 Matriz de transición Cálculo Integral Cálculo Integral A 1 2 3 R A 100% 0 0 0 0 1 75% 1% 15% 0 9% 2 83% 0 0 8% 8% 3 80% 0 0 0 20% R 0 0 0 0 100% Tabla 10. Matriz de transición Cálculo Integral Cálculo Vectorial A 1 2 3 4 R A 100% 0 0 0 0 0 1 66% 4% 21% 0 0 9% 2 70% 0 6% 22% 0 2% 3 86% 0 0 0 14% 0 4 100% 0 0 0 0 0 R 0 0 0 0 0 100%Tabla 11. Matriz de transición Física Mecánica Física Mecánica A 1 2 3 4 R A 100% 0 0 0 0 0 1 60% 0 32% 0 0 8% 2 73% 0 0 16% 0 11% 3 63% 0 0 0 21% 16% 4 100% 0 0 0 0 0 R 0 0 0 0 0 100% Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 17 Probabilidades al largo plazo A pesar de que las cadenas descritas anteriormente son absorbentes, es posible determinar cómo se estabilizan las probabilidades a largo plazo, de esta forma se puede encontrar la probabilidad de que un estudiante que está cursando la asignatura por primera vez, termine retirándose del programa. Esto permite identificar cuáles son las asignaturas que generan un mayor riesgo de deserción. Tabla 12. Probabilidades de retiro o aprobación al largo plazo Asignatura Probabilidad de aprobar Probabilidad de desertar Cálculo Diferencial 84% 16% Cálculo Integral 89% 11% Cálculo Vectorial 90% 10% Física Mecánica 88% 12% Es posible modelar el comportamiento de repetir una asignatura a través de cadenas de Markov discretas. Este tipo de modelamiento permite obtener las probabilidades estimadas de que un estudiante al cursar una asignatura, corra el riesgo de desertar y además, permite calcular las probabilidades por cada una de las veces que el estudiante pierde la asignatura. Según los resultados obtenidos, se puede apreciar que la asignatura que describe mayor deserción, es cálculo diferencial, con un total del 16% de los estudiantes que la cursan por primera vez. De igual manera, se recomienda a la Universidad realizar un acompañamiento personalizado a los estudiantes que están cursando Cálculo integral por tercera vez, debido a que, como se aprecia en la tabla no. 9, en promedio 1 de cada 5 estudiantes que están en esta situación, termina retirándose del programa académico. Para profundizar los resultados de este estudio se planea continuar con este análisis para las demás asignaturas del plan de estudios y se espera incrementar la base de datos incluyendo más periodos académicos y diferentes programas de ingeniería. Se pretende que los resultados de este estudio permitan profundizar el análisis que se realiza sobre la manera en que algunas asignaturas tienen un impacto mayor que otras dentro de la deserción de los estudiantes de Ingeniería. Además, las probabilidades de transición pueden convertirse en alertas tempranas para que la Universidad realice un seguimiento especial a aquellos estudiantes que tienen una alta probabilidad de retirarse del programa académico en un semestre específico. Finalmente, los resultados también pueden ser utilizados para un análisis descriptivo de los porcentajes de reprobaciones en las asignaturas del programa académico. CONCLUSIONES Ingeniería Industrial. Actualidad y Nuevas Tendencias Año 9, Vol. V, N° 16 ISSN: 1856-8327 Otero et al., Análisis de la retención de estudiantes… un enfoque de Cadenas de Markov, p. 7-18 18 Al-Awadhi, S. A., & Ahmed, M. A. (2002). Logistic models and a Markovian analysis for student attrition. kuwait journal of science & engineering, 29(2), 25-40. Adeleke, r., Oguntuase, K., & Ogunsakin, R. (2014). Application of Markov chain to the assessment of students' admissions and academic performance in Ekiti State University. Internationa journal of scientific & technology research. Anderson, T., & Goodman, L. (1956). Statistical inference about markov chains. The annals of mathematical statistics. Duque, L., Duque, J., & Surinach, J. (2012). Learning outcomes and dropout intentions: an analytical model for Spanish universities. Educational studies, 261-284. Kwak, N., Brown, R., & Schiederjans, M. (1986). A Markov analysis of estimating student enrollment transition in a trimester institution. Pergamon journal, 311-318. Ministerio de Educación Nacional. (2009). Deserción estudiantil en la educación superior colombiana. Murtaugh, P., Burns, L., & Schuster, J. (1999). Predicting the retention of university students. Research in higher education, 40(3). Patricia, P. (2011). Predictors of retention among undergraduate students attending associate-degree nursing programs in illinois. Teaching and learning in nursing, 6, 131-138. Shafiqah, A., & Mokhtar, K. (2010). Markov Chain Analysis and Student Academic. Journal of Modern Applied Statistical, 9(2), 584-595. Torres, L. E. (2010). Estado del arte de la retención de estudiantes de la educación superior. Obtenido de Pontificia Universidad Javeriana: http://www.javeriana.edu.co/documents/15 838/273636/Retenci%C3%B3nEstudiantil201 2.pdf/124fdba5-2318-432a-8e9f- 126a2501c229. Autores Ricardo Fernando Otero Caicedo. Ingeniero Industrial. Pontificia Universidad Javeriana, Bogotá, Colombia. E-mail: r.otero@javeriana.edu.co Juan Carlos Palacios Caicedo. Ingeniero físico. Pontificia Universidad Javeriana, Bogotá, Colombia. Florida Institute of Technology, Florida, USA. E-mail: jpalacioscai2014@my.fit.edu. Stevenson Bolívar Atuesta. Ingeniero Industrial. Pontificia Universidad Javeriana, Bogotá, Colombia. E-mail: s_bolivar@javeriana.edu.co Recibido: 12-12-2015 Aceptado: 23-03-2016 REFERENCIAS mailto:%20r.otero@javeriana.edu.co mailto:%20j mailto:s_bolivar@javeriana.edu.co
Compartir