Untelsciencia-Perú,1(1),2016, Lima Presentado: 19/10/2015

ISSN 2414-2751 Aceptado: 22/12/2015

Depósito legal 0000-0000
© Universidad Nacional Tecnológica de Lima Sur (Untels)

MODELO PREDICTIVO PARA LA IDENTIFICACIÓN DE PATRONES DE LA

DESERCIÓN ESTUDIANTIL EN LA UNIVERSIDAD NACIONAL TECNOLÓGICA DE
LIMA SUR (UNTELS)

PREDICTIVE MODEL FOR IDENTIFICATION OF PATTERNS OF THE STUDENT

DESERTION AT NATIONAL TECHNOLOGY UNIVERSITY OF LIMA SOUTH
(UNTELS)

Myrna Manco Caycho1

Resumen
Con el objetivo de determinar los patrones del entorno que impactan en la deserción de los
estudiantes de la Universidad Nacional Tecnológica de Lima Sur (Untels), se elabora una base de
datos socioeconómica y académica de los estudiantes de la cohorte 2007-I a 2011-I, que incluye
los casos de deserción como variable dependiente. Se elaboran seis modelos utilizando el operador
Decision Tree de RapidMiner, con y sin validación cruzada, y con parámetros modificados y la im-
plementación de la herramienta Weka, W-J48. Los modelos desarrollados se comparan por su preci-
sión y por la medida F-score. La implementación W-J48 con parámetros modificados y análisis de
sensibilidad mediante proporción de ganancia de información y sistema de validación cruzada de
10 particiones, ofreció la precisión más alta, así como un árbol simple de uso y de interpretación.
El modelo final detectó las siguientes características o patrones del entorno que impactan en
la deserción de los estudiantes de la Untels: Número de matrículas en los cuatro semestres conse-
cutivos a su ingreso, Promedio en su segunda matrícula, Edad de ingreso, Promedio en su cuarta
matrícula, Año de ingreso, Número de personas dependientes, Semestre de ingreso y Número de
cursos aprobados en su primera matrícula. Se logró un 90.10% de clasificación correcta, con una
desviación estándar de 2.08%. El principal patrón detectado para los desertores, es que el número
de matrículas en los cuatro semestres consecutivos a su ingreso sea menor o igual que 3, con una
precisión de 88%.
Palabras claves: Deserción universitaria. Integración académica. Integración social. Minería de
datos. Modelo predictivo. Árboles de decisión.

Abstract
In order to determine the environment that impact the students desertion at Untels, a socio-eco-
nomic and academic database is elaborated students in the cohort 2007-I to 2011-I, which the
includes cases of desertion as dependent variable. Six models are developed using the Decision
Tree of RapidMiner operator, with and without cross-validation, and modified parameters and im-
plementation of Weka, W-J48 tool. The developed models are compared through their accuracy
and F-score measure. The W-J48 implementation with modified parameters and sensitivity analysis
using information of gain ratio and cross-validation of 10 partitions, offered the highest accuracy as
well a simple tree use and interpretation.

1
Universidad Nacional Tecnológica de Lima Sur (Untels)
Modelo predictivo para la identificación de patrones de la deserción estudiantil en la Untels

The final model detected the following characteristics or environment patterns that impact the
students desertion at Untels: Number of enrolled students in the four consecutive semesters since
their income, average enrollment in its second, Age of entry, in its fourth Average tuition Year of
income, number of dependents, income and Semester Number of approved courses in their first
enrollment. So 90.10% correct classification was achieved, with a standard deviation of 2.08%.
The main pattern detected for deserters, is that the number of enrollments in the four consecutive
semesters of your income is less than or equal to 3, with an accuracy of 88%.
Key words: University desertion. Academic integration. Social integration. Data mining. Predicti-
ve model. Decision trees.

Introducción hasta esa fecha; al semestre 2011-II, la cohorte

La deserción estudiantil universitaria es
un problema que se manifiesta a nivel nacional
como internacional tanto en instituciones pri-
vadas como nacionales, su estudio es enfocado
con diversos indicadores (Tasas de abandono,
Tasa de término, Tasa anual de deserción, de-
serción por cohorte de ingreso, etc) con por-
centajes muy oscilantes que van desde 7% hasta
50% como lo revela [1], [2], [3], [4], [5], [6],
[7], [8], [9], [10], [11], [12], [13], [14], [15]. En
Perú, en promedio el 43.7% de estudiantes que
ingresan a las universidades concluyen con sus
estudios [16]. No se dispone de datos de la Tasa
de deserción de estudiantes a nivel de Institu-
ciones de Educación Superior Universitaria [17]
y tampoco contamos con mecanismos oficiales
que permitan hacer seguimientos continuos de
las características del Sistema de Educación
Superior Universitario, por tanto no se cuenta
con indicadores oficiales que nos alerten de esta
problemática y que más adelante podría agra-
varse de no tomar las medidas oportunas. Ante
esta realidad, abordamos la problemática de la
deserción estudiantil desde un ámbito social y
académico a fin de que contribuya en la calidad
de educación y se fomente una cultura de apro-
vechamiento de datos para la toma preventiva
de decisiones.
Al semestre 2011-II, la Untels acumuló un
total de 428 estudiantes no matriculados lo que
representa un 16.7% del total de ingresantes
que ingresó en el semestre 2007-I, registró un
porcentaje de no matrícula del 34.5%, seguida
por la cohorte del semestre 2008-I con un por-
centaje respectivo de 27.0%. La primera pro-
moción de egresados contó con 19 estudiantes
de 235 que ingresaron en el semestre 2007-I,
lo que significa que sólo un 8% de estudiantes
logró terminar en el tiempo previsto (Oficina de
Informática y Estadística-Untels).
Sobre las causas de la deserción estudian-
til se han hecho muchas investigaciones obte-
niendo conclusiones bastante diferenciadas se-
gún países, carreras, género, periodo en el que
se produce, rendimiento académico, vocación,
puntaje obtenido en el examen de selección,
entre otras como se aprecia en [2], [5], [8],
[13], [14], [22], [23], [25], [26], [27], [28], [30],
[31], [35].
Díaz [27] propone un modelo conceptual
que explica la deserción/permanencia como
resultado de la motivación (positiva o negati-
va), a su vez ésta es afectada por la integración
académica y social. Dicho modelo, resultado de
un análisis cualitativo, permite ilustrar cómo
el estudiante debe adaptarse a los cambios en
las tensiones que se producen entre los distintos
factores académicos, sociales, individuales e
institucionales que lo afectan; éste será el punto
de partida para nuestro modelo.
Dada esta literatura, se desprende que se
han utilizando diferentes métodos para abordar

80 Untelsciencia-Perú. Enero 2016


el estudio de esta problemática, sin embargo en
los últimos años se viene utilizando la minería
de datos orientada a la educación superior [3],
[24], [29], [32]. La minería de datos tiene mu-
chas ventajas frente a los demás métodos cuan-
do se trata de trabajar con volúmenes de datos,
por lo que decidimos abordar el tema de la de-
serción estudiantil mediante estas técnicas.
Hipótesis
El modelo predictivo, que utiliza técnicas
de minería de datos, determina las característi-
cas o patrones del entorno que impactan en la
deserción de los estudiantes de la Untels.
Metodología
Considerando las limitaciones propias del
proceso de descubrimiento de conocimiento en
bases de datos se consiguió una vista minable
de 1213 registros. Se utilizó fuentes de infor-
mación secundarias provenientes de la Oficina
de Bienestar Universitario y Registros Acadé-
micos de la Untels.
Desertor
Es aquél estudiante que habiendo realizado
una primera matrícula en la Untels, no registra
matrícula durante dos o más semestres conse-
cutivos.
Integración con el entorno
Describe como el estudiante se adapta (in-
tegra) al entorno universitario, el sentido de
pertenencia a la institución y en consecuencia,
de alcanzar y concretar las metas académicas.
Comprende el nivel de integración académica
y social que alcance en la institución.
a) Integración académica: La integración aca-
démica se mide por el grado de congruencia
entre el desarrollo intelectual del individuo
y el clima intelectual de la institución. Está
conformada por las características preu-
niversitarias (antecedentes personales, in-
tenciones, expectativas, una formación aca-
démica previa sobre la cual no es posible
incidir directamente, un bagaje cultural y ac-
titudinal) y características institucionales.
M. MANCO CAYCHO
b) Integración social: La integración social se
manifiesta como la compatibilidad y buen
entendimiento con la comunidad universi-
taria y en su entorno familiar. Se incluyen
las características familiares (una dimen-
sión efectiva, material, de disponibilidad de
recursos que la familia brinda al estudiante
y una dimensión afectiva de soporte emo-
cional) y características individuales (ex-
periencias del estudiante fuera de la institu-
ción educativa).
El presente estudio utiliza el método induc-
tivo, mediante el proceso de descubrimiento de
conocimiento en bases de datos (KDD Knowle-
dge Discovery in Databases), el cual consta de
5 fases (Hernández Orallo [47]): (1) Integración
y recopilación de datos, (2) Selección, limpieza
y transformación, (3) Minería de datos, (4) Eva-
luación e interpretación y (5) Difusión y uso.
Como método para la construcción del modelo
se usó el árbol de decisión.
Se elaboró una base de datos socioeconó-
micos y académicos de los estudiantes de la Un-
tels, en una hoja de cálculo de Microsoft Office
EXCEL 2007, para el procesamiento de datos
se usó el minero RapidMiner (ver 5.3), en el
cual se instaló el complemento Weka, que tam-
bién es un software libre.
La hipótesis se evaluó con la precisión de
la clasificación, tal como lo señalan Krzsytof
[46], Bing Liu [49] y Witten [39]. Adicional-
mente Witten [39] y Bing Liu [50] proponen al
F-score como una medida de uso frecuente para
comparar diferentes modelos.
Resultados
Fase 1 y 2: Integración y recopilación de datos,
Selección, limpieza y transformación
Entre los resultados descriptivos tenemos
que la edad de los estudiantes oscila de 15 a 48
años con una edad promedio de 19,46 años, el
tiempo medio de preparación para ingresar a
la universidad es de 12,65 meses, la composi-
ción familiar de los estudiantes varía de 1 a 11
miembros, con un tamaño promedio de aproxi-
Untels.cie.-Per. Vol. 1 Nº 1, pp. 79-90 81
Modelo predictivo para la identificación de patrones de la deserción estudiantil en la Untels
madamente 5 miembros, el ingreso de los estu-
diantes va desde 0 (no trabaja) hasta S/. 4500.00
La mayoría de los estudiantes (71%) pertenecen
al sexo masculino, el 97% de los estudiantes es
soltero, el 53% de los estudiantes vive en el dis-
trito de Villa El Salvador, el 79% de los estu-
diantes proviene de un colegio nacional, el 64%
de los estudiantes ingresó por la modalidad de
Examen Ordinario, el 56% de los estudiantes
se preparó en el Centro Preuniversitario de la
Untels, el 35% de los estudiantes proviene de
una familia nuclear, el 89% de los estudiantes
proviene de una familia funcional, el 30% de
los papás de los estudiantes son trabajadores
no calificados de los servicios, peones, vende-
dores ambulantes y otros afines (chofer, taxista,
zapatero, seguridad, entre otros), el 47% de las
madres de los estudiantes se dedican a las labo-
res de ama de casa, no exceptuándose que mu-
chas de ellas realizan alguna actividad en dicho
ambiente como bodega, venta de productos de
belleza, entre otros. En caso de enfermedad, el
50% de los estudiantes se atiende en un área de
salud/posta médica, el 72% de los estudiantes
no cuenta con seguro de salud, el 81% de los
estudiantes se alimenta principalmente en su
hogar. Respecto a las variables de salud, todas
ellas tienen como moda el «No presenta dicha
enfermedad», tanto para el estudiante como
para el familiar siendo el porcentaje más bajo
81% y llegando en varios casos al 100%. El
98% de los estudiantes no ha realizado traslado
interno.
Realizando un análisis exploratorio se en-
contró que en la segunda matrícula un 6% ya
no se matriculó, el porcentaje es de 9% en la
tercera matrícula y de 12% en la cuarta matrí-
cula. En general, podemos decir que desde los
primeros ciclos se va percibiendo el fenómeno
de la deserción estudiantil con una posible ten-
dencia creciente.
Se encontró deserción en todos los estudian-
tes que en los cuatro semestres consecutivos a
su ingreso registraron solamente una matrícula;
la mayoría de aquellos que en el mismo periodo
82 Untelsciencia-Perú. Enero 2016
registraron dos matrículas, también desertaron,
para aquellos que registraron sus cuatro ma-
trículas consecutivas no observamos informa-
ción relevante, por lo que sospechamos que el
número de matrículas en los cuatro semestres
consecutivos a su ingreso si es determinante. Si
comparamos el comportamiento según carrera
profesional, no se observan diferencias impor-
tantes.
Aquellos alumnos que hasta su cuarta ma-
trícula aprobaron aproximadamente más de 30
créditos, no desertaron. Se observan similares
comportamientos en las cuatro carreras. El atri-
buto Número de créditos aprobados hasta su
cuarta matrícula podría ser un atributo impor-
tante sobre la deserción. Cabe explicar que los
jóvenes que pertenecen a la carrera de Ingenie-
ría Ambiental son aquellos que han hecho tras-
lado interno.
La mayoría de desertores son aquellos que
ingresaron en el año 2007 y 2008, cabe preci-
sar que la mayoría de estudiantes de las últimas
promociones (2009, 2010, 2011) todavía no han
concluido su periodo de estudios. Se sospecha
que el atributo año de ingreso podría ser una
variable importante sobre la deserción.
Muchos de los estudiantes que ingresaron
a temprana edad no han desertado. La Edad de
ingreso podría ser un atributo a tener en cuenta.
El grupo de jóvenes que ingresaron en el año
2008 y pertenecen a la carrera profesional de
Ingeniería Ambiental, han hecho cambio de ca-
rrera. Esta cambio podría ser el factor que hizo
que no deserten, sin embargo los casos registra-
dos a la fecha son pocos por lo que se sugiere
hacer el seguimiento.
El tipo de colegio no parece ser un factor
relevante para la deserción puesto que se obser-
van comportamientos similares según tipo de
colegio de procedencia. Al parecer los estudian-
tes que ingresaron por la modalidad de Centro
Preuniversitario presentan menos deserción que
aquellos que ingresaron por otras modalidades,
asimismo, aquellos jóvenes que no saben cuál
es el grado de instrucción de sus papás tienden a
 M. MANCO CAYCHO

no desertar. Se observa que los estudiantes que la poda (C) fue de 0.25 y el mínimo número de
tienen menos de siete cursos aprobados hasta instancias permitido en cada hoja (M) fue de 2,
su cuarta matrícula, son candidatos a desertar. como resultado se obtuvo un árbol muy grande;
No se observan diferencias según semestre de con la finalidad de reducirlo se construyó el mo-
ingreso. delo Nº 6 con C=0.20 y M=12. Otros paráme-
No se puede decir que algún género en par- tros de configuración fueron: U: Use un árbol
ticular tenga mayor predisposición a desertar sin podar: Falso, R: Utilice error de poda redu-
que otro, ni que algún Tipo de familia en par- cido: Falso, N: Número de particiones: 10, B:
ticular genere mayor predisposición a desertar Cortes para las ramas binarios: Falso y Q: Se-
que otro. No se observan diferencias según si- milla para tomar los datos al azar: 1. Una vista
tuación laboral del estudiante. rápida (gráfica) del modelo Nº 6 se muestra en
Fase 3: Fase de minería de datos la Figura 1 y en la Figura 2 se muestra la vista
En esta fase se generaron los modelos. La del árbol en forma de texto, de donde con mu-
clasificación se realizó
mediante un árbol de
decisión con el ope-
rador Decision Tree
y la implementación
W-J48. Se crearon va-
rios árboles de prueba,
presentando un resu-
men de seis de ellos en
la Tabla 1.
El modelo Nº 5 se
construyó con los pa-
rámetros por defecto,
entre los cuales el um-
bral de confianza para Figura 1. Vista gráfica del Modelo Nº 6.

Tabla 1. Resumen de seis modelos trabajados

Descripción Operador Parámetros

Modelo Cadena de Validación

Decision Por
operadores cruzada W-J48 Modificados
Tree defecto
lineales nominal
Modelo 1 X X X

Modelo 2 X X X

Modelo 3 X X X

Modelo 4 X X X

Modelo 5 X X X

Modelo 6 X X X

Untels.cie.-Per. Vol. 1 Nº 1, pp. 79-90 83

Modelo predictivo para la identificación de patrones de la deserción estudiantil en la Untels

ca el árbol de decisiones. En este sexto modelo,

el algoritmo sólo ha seleccionado a ocho atribu-
tos independientes.
Fase 4: Evaluación e interpretación
a) Usando la precisión: La precisión para los
modelos Nº 1, 2, 3, 4, 5 y 6 fue de 91.01%,
90.60%, 89.45%+1.52%, 89.20% + 1.60%,
89.53%+2.26%, 90.10%+2.08% respecti-
vamente. El algoritmo Decision Tree, sin
validación cruzada, nos da un valor de la
precisión anormalmente alto porque pre-
senta sobreajuste, por eso lo descartamos.
El modelo con mayor precisión y por ende
el que tiene la menor tasa de error (9.9%) es
el modelo Nº 6, por lo que viene a constituir
la hipótesis más consistente.
b) Usando la medida F_Score: Las tasas F-sco-
re correspondientes al Modelo Nº 1, 2, 3, 4,
Figura 2. Texto del árbol W-J48-Modelo Nº 6. 5 y 6 son 0.7029972, 0.6902173, 0.6613756,
0.6597402, 0.7196468 y 0.7333333 respec-
tivamente. Encontramos que el modelo Nº
6 es el que tiene el mayor valor para F-sco-
cha facilidad se pueden extraer las reglas que
re, por lo que según este criterio es el mejor
formarán los patrones buscados. En la Tabla 2
modelo.
se presenta un resumen de las 9 hojas que abar-

Tabla 2. Resumen de instancias que cubre cada hoja del Modelo Nº 6

Clase N-E
Hoja N E E/N (N-E)/N Según los dos
Deserción (Correctos)
1 SÍ 148 18 130 12% 88% criterios anteriores,
encontramos que
2 NO 17.05 6.05 11 35% 65%
de entre los seis
3 SÍ 31.14 8.05 23.09 26% 74% modelos propues-
4 NO 21.75 2.75 19 13% 87% tos, el que tiene
5 SÍ 35.31 10 25.31 28% 72% mejor rendimiento
6 NO 21.61 4.45 17.16 21% 79% es el modelo Nº 6,
7 SÍ 12.31 5 7.31 41% 59% éste es el modelo
predictivo, que uti-
8 NO 65.02 0 65.02 0% 100% lizando técnicas de
9 NO 860.83 36.04 824.79 4% 96% minería de datos
Total 1213.02 90.34 1122.68 determina las ca-
racterísticas o pa-
Donde: trones del entorno
N: Suma de casos que llegan hasta la hoja. que impactan en la
E: Número de casos mal clasificados. deserción de los es-

84 Untelsciencia-Perú. Enero 2016


tudiantes de la Untels. En orden de importan-
cia se encontraron ocho atributos asociados a la
deserción estudiantil en la Untels: Número de
matrículas en los cuatro semestres consecutivos
a su ingreso, Promedio en su segunda matrí-
cula, Edad de ingreso, Promedio en su cuarta
matrícula, Año de ingreso, Número de personas
dependientes, Semestre de ingreso y Número de
cursos aprobados en su primera matrícula. El
modelo conceptual obtenido a partir del modelo
Nº 6, se muestra en la Figura 3.
Figura 3. Modelo Conceptual Final
Discusión
Margarita Latiesa de la Universidad de Gra-
nada-España [22] incide en que la diferencia de
deserción existente entre carreras es enorme,
sobre todo es en el primer año donde se da la
mayor tasa de abandono, éste segundo resultado
se observa también en nuestro estudio, Sanabria
(Perú) [23] concluye que el factor vocacional,
económico y académico son los factores de
mayor peso sobre la deserción, respecto a ello
coincidimos con el factor académico, mas no
con el económico, en Colombia, Castaño [25]
M. MANCO CAYCHO
encontró que los cuatro factores (socioeconómi-
cos, institucionales, individuales, académicos)
en conjunto inciden sobre la deserción; coinci-
dimos en la importancia de la integración aca-
démica, con respecto al estudio de la ANUIES
(México) se comparte el hecho de la deserción
en los primeros años [2], uno de los elemen-
tos explicativos de la deserción enunciada por
Romo y Fresán [2] es «la falta de personalidad
y madurez intelectual del estudiante» que de al-
guna manera equivale a la edad del ingresante,
por lo que coinci-
dimos en ese as-
pecto, los resulta-
dos de Lopera [28]
(Colombia) mues-
tran que los estu-
diantes de sexo
masculino, la vin-
culación de los es-
tudiantes al merca-
do laboral, la edad
y los estudiantes
provenientes de
otras regiones, tie-
nen mayor riesgo
de deserción. Sólo
coincidimos con la
edad.
Con respecto
a la investigación titulada «Aplicación de téc-
nicas de minería de datos para predecir deser-
ción» [3], encontró que los alumnos desertan
por tres casusas principales: la edad, los ingre-
sos familiares para aquellos cuya edad sea me-
nor o igual a 18 años y el nivel de inglés, para
aquellos alumnos cuya edad sea mayor de 18
años. Coincidimos con el factor edad.
Uno de los resultados más relevantes del
estudio de López, Gonzáles y otros (Repúbli-
ca Dominicana) es que existen diferencias en la
deserción según sexo y carreras. Ninguno de los
resultados es similar al nuestro [14].
En Colombia [30] la deserción se da so-
bre todo en el primer semestre, teniendo como
Untels.cie.-Per. Vol. 1 Nº 1, pp. 79-90 85
Modelo predictivo para la identificación de patrones de la deserción estudiantil en la Untels
principales causas, según SPADIES, la caren-
cia de recursos económicos, el nivel académico
de los padres, los aspectos relacionados con el
sostenimiento durante los estudios y el sexo,
desertando más los hombres que las mujeres,
nuestros resultados no coinciden con ninguno
de estos aspectos, coincidimos con las estadís-
ticas chilenas [8] en que al término del primer
año de estudios, un alto porcentaje de estudian-
tes deserta y el bajo rendimiento académico son
causas importantes de la deserción, sin embar-
go a diferencia de estos resultados no observa-
mos prevalencia en los estudiantes de género
masculino ni problemas económicos, nuestros
resultados coinciden con Pinzón [31] en que la
ciudad de residencia, el estado civil no son mo-
tivos relevantes en la decisión de desertar, pero
sí es sensible al bajo nivel académico.
Fase 5: Difusión y uso
Una vez obtenido el modelo predictivo
mediante los árboles de decisión, es posible in-
teractuar con el modelo construido, se requeri-
rá un archivo en MS EXCEL conteniendo los
datos de los estudiantes correspondientes a las
ocho variables seleccionadas. Éste archivo será
el repositorio que se carga en el RapidMiner.
Se tendrán las predicciones luego de ejecutar el
modelo.
Conclusiones
1. El algoritmo de árboles de decisión (W-J48)
permitió encontrar un modelo que detecta
las características o patrones del entorno
que impactan en la deserción de los estu-
diantes de la Untels. Los patrones contienen
los siguientes atributos:
• Académicos: Edad de ingreso (CARAC-
TERÍSTICA PREUNIVERSITARIA) y
el Número de matrículas en los cuatro
semestres consecutivos a su ingreso, Pro-
medio en su segunda matrícula, promedio
en su cuarta matrícula, año de ingreso,
semestre de ingreso, cursos aprobados en
su primera matrícula (CARACTERÍSTI-
CAS INSTITUCIONALES).
86 Untelsciencia-Perú. Enero 2016
• Social: Número de personas dependien-
tes (CARACTERÍSTICA FAMILIAR).
2. El modelo predictivo que utiliza el algorit-
mo de árboles de decisión (W-J48) discri-
mina con gran precisión si el estudiante es
vulnerable a desertar. Se obtuvo un 70,21%
de clasificación correcta para los desertores
y un 94.892% de clasificación correcta para
los no desertores. En general se logró un
90.10% de clasificación correcta, con una
desviación estándar de 2.08%. El modelo
consta de nueve nodos terminales (hojas) y
su tamaño es de diecisiete.
3. El modelo predictivo que utiliza el algorit-
mo de árboles de decisión (W-J48) permitió
detectar patrones diferentes para los deser-
tores y los no desertores. Para los desertores
el principal patrón detectado es que el nú-
mero de matrículas en los cuatro semestres
consecutivos a su ingreso sea menor o igual
que 3. Este patrón representa una precisión
de 88% en la predicción de que un estudian-
te deserte. Para los no desertores el modelo
detectó dos patrones principales, el primero
es que el número de matrículas en los cua-
tro semestres consecutivos a su ingreso sea
mayor que 3 y el promedio en su segunda
matrícula sea mayor que 7.94 y el prome-
dio en su cuarta matrícula sea menor o igual
que 7.96 y el año de ingreso sea posterior a
2009. Este patrón representa una precisión
de 100% en la predicción de que un estu-
diante no deserte. El segundo patrón es que
si el número de matrículas en los cuatro se-
mestres consecutivos a su ingreso es mayor
que 3 y el promedio en su segunda matrícu-
la es mayor que 7.94 y el promedio en su
cuarta matrícula es mayor que 7.96. Este pa-
trón representa una precisión de 96% en la
predicción de que un estudiante no deserte.
Referencias bibliográficas
[1] Brunner JJ, Ferrada Hurtado R, editores.
Educación superior en Iberoamérica-in-
forme 2011. Chile:RIL; 2011. Patrocinado

por el Centro Interuniversitario de Desarro-
llo (CINDA). Disponible en: http://www.
cinda.cl/download/Brunner2011-Educa-
cionSuperior.pdf [consulta: 7 Jul 2012]
[2] Huesca Ramírez MGE, Ramírez G,
Castaño Corvo MB. Causas de deser-
ción de alumnos de primeros semestres
de una universidad privada. Rev Mex
Orient Educ [en línea] 2007 Jul-Oct [ac-
cesado 6 Jul 2012]; V(12):[7 p.] Dispo-
nible en: http://164.73.2.147/alfaguia/
files/1319582164causas%20de%20deser-
cion%20en%20una%20universidad%20
privada.pdf
[3] Valero Orea S, Salvador Vargas A, García
Alonso M. Minería de datos: predicción de
la deserción escolar mediante el algoritmo
de árboles de decisión y el algoritmo de los
k vecinos más cercanos. Recursos digitales
para la Educación y la Cultura [en línea]
2010 [accesado 10 Jul 2012]; KAAMBAL
[7 p.] Disponible en: http://ccita2011.its-
motul.edu.mx/documentos/Recursos_digi-
tales.pdf
[4] Observatorio Universitario de las Innova-
ciones [en línea]. México: Universidad de
Colima; Nov 2006 [accesado 6 Jul 2012].
La deserción en la educación superior. Dis-
ponible en: http://www.ucol.mx/observato-
rio/comunicados/Comunicado7.pdf
[5] Espí Lacomba N, Cruz González E, Mar-
tín Sabina E, Iñigo Bajos E, Tristá Pérez B,
López Rodríguez A, et al, editores. Educa-
ción superior en Cuba 2005-2009. Informe
nacional. [en línea] Chile: Centro Interuni-
versitario de Desarrollo; 2011 [accesado 7
Jul 2012]. Disponible en: http://www.cin-
da.cl/htm/es.htm
[6] Pereira E, editor. Educación Superior en
Portugal 2005-2009. Informe Nacional.
[en línea] Chile: Centro Interuniversitario
de Desarrollo; 2011 [accesado 7 Jul 2012].
Disponible en: http://www.cinda.cl/htm/
es.htm
[7] Leal R, editor. Educación Superior en Bra-
M. MANCO CAYCHO
sil 2005-2009 Informe Nacional. [en línea]
Chile: Centro Interuniversitario de Desa-
rrollo; 2011 [accesado 7 Jul 2012]. Dispo-
nible en: http://www.cinda.cl/htm/es.htm
[8] Zapata G, Tejeda I, Rojas A, editores. Edu-
cación Superior en Chile 2005-2009. In-
forme nacional. [en línea] Chile: Centro
Interuniversitario de Desarrollo; 2011 [ac-
cesado 7 Jul 2012]. Disponible en: http://
www.cinda.cl/htm/es.htm
[9] Macaya Trejos G, Román Forastelli M, edi-
tores. Educación superior en Costa Rica
2005-2009. Informe nacional. [en línea]
Chile: Centro Interuniversitario de Desa-
rrollo; 2011 [accesado 7 Jul 2012]. Dispo-
nible en: http://www.cinda.cl/htm/es.htm
[10] Duriez Gonzáles M, Coca Palacios L, edi-
tores. Educación superior en El Salvador
2005-2009. Informe nacional. [en línea]
Chile: Centro Interuniversitario de Desa-
rrollo; 2011 [accesado 7 Jul 2012]. Dispo-
nible en: http://www.cinda.cl/htm/es.htm
[11] Duriez González M, Sándigo Martínez C,
Coca Palacios L, editores. Educación supe-
rior en Guatemala 2005-2009. Informe na-
cional. [en línea] Chile: Centro Interuniver-
sitario de Desarrollo; 2011. [accesado 7 Jul
2012]. Disponible en: http://www.cinda.
cl/htm/es.htm
[12] Duriez González M, Sándigo Martínez C,
editoras. Educación Superior en Honduras
2005-2009. Informe nacional. [en línea]
Chile: Centro Interuniversitario de Desa-
rrollo; 2011. [accesado 7 Jul 2012]. Dispo-
nible en: http://www.cinda.cl/htm/es.htm
[13] De Escobar V, editora. Educación Superior
en Panamá 2005-2009. Informe nacional.
[en línea] Chile: Centro Interuniversitario
de Desarrollo; 2011. [accesado 7 Jul 2012].
Disponible en: http://www.cinda.cl/htm/
es.htm
[14] López A, Mejía R, editores. Educación
Superior en República Dominicana 2005-
2009. Informe nacional. [en línea] Chile:
Centro Interuniversitario de Desarrollo;
Untels.cie.-Per. Vol. 1 Nº 1, pp. 79-90 87
Modelo predictivo para la identificación de patrones de la deserción estudiantil en la Untels
2011. [accesado 7 Jul 2012]. Disponible
en: http://www.cinda.cl/htm/es.htm
[15] García de Fanelli A, editora. Educación
Superior en Argentina 2005-2009. Informe
nacional. [en línea] Chile: Centro Interuni-
versitario de Desarrollo; 2011. [accesado 7
Jul 2012]. Disponible en: http://www.cin-
da.cl/htm/es.htm
[16] Rodríguez Castro M, Zegarra Pellanne J,
Díaz Garay B, Motta Ferreccio A, Cua-
dros Blas J, editores. Informe sobre el Sis-
tema de Educación Superior Universitaria
del Perú. Lima: Centro Interuniversitario
de Desarrollo; 2009. Proyecto ALFA N°
DCI-ALA-2008-42: Aseguramiento de la
Calidad: Políticas Públicas y Gestión Uni-
versitaria. [accesado 6 Jul 2012]. Disponi-
ble en: http://www.cinda.cl/proyecto_alfa/
download/informe_peru.pdf
[17] Del Mastro Vecchione C, editora. Educa-
ción Superior en Perú 2005-2009. Informe
nacional. [en línea] Chile: Centro Interuni-
versitario de Desarrollo; 2011. [accesado 7
Jul 2012]. Disponible en: http://www.cin-
da.cl/htm/es.htm
[18] Barrientos Z, Umaña R. Deserción estu-
diantil en posgrados semipresenciales de la
Universidad Estatal a Distancia (UNED),
Costa Rica: ¿Deserción o retraso? [en lí-
nea] Costa Rica: Cuadernos de Investiga-
ción UNED 1(2); Dic 2009 [accesado 7 Jul
2012] Disponible en: http://estatico.uned.
ac.cr/investigacion/publicaciones/cuader-
no1/documents/Barrientos_Desercion.pdf
[19] Sánchez Carlessi H, Reyes Meza C. Meto-
dología y diseños en la investigación cien-
tífica: aplicados a la psicología, educación
y ciencias sociales. 1ª reimpresión corr.
Lima: [s.n.]; 1985.
[20] Supo Condori J.A. Curso de Estadística
Minería de Datos para la Investigación
Científica; 2° grupo. Perú; marzo 2013.
[21] Murthy S. Automatic construction of de-
cision trees from data: a multidisciplinary
survey. Data Mining and Knowledge Dis-
88 Untelsciencia-Perú. Enero 2016
covery. 1998; 2(4): 345–89.
[22] Tipología y causas de la deserción univer-
sitaria y el retraso en los estudios. DIA-
LOGO Iberoamericano. Núm. 5 Sep-Oct
1996 [en línea]. Disponible en: http://dia-
logo.ugr.es/anteriores/dial05/11-5.htm/
[23] Sanabria H. Deserción en estudiantes de
enfermería en cuatro universidades del
Perú. Anales de la Facultad de Medicina –
Universidad Nacional Mayor de San Mar-
cos [en línea] 2002 [accesado 10 jul 2012]
63(4). Disponible en: http://sisbib.unmsm.
edu.pe/bvrevistas/anales/v63_n4/pdf/de-
sercion_estudiantes.pdf
[24] Jiménez Galindo A, Álvarez García H. Mi-
nería de datos en la educación. Inteligencia
en Redes de Comunicación. 2010.
[25] Castaño E, Gallón S, Gómez K, Vásquez
J. Deserción estudiantil universitaria:
una aplicación de modelos de duración.
[en línea]. Medellín: Lecturas de Econo-
mía, Nº 60; Ene – Jun 2004. [accesado 6
Jul 2012] Disponible en: http://redalyc.
uaemex.mx/src/inicio/ArtPdfRed.jsp?iC-
ve=155217798002
[26] Rodríguez Lagunas J, Hernández Vázquez
JM. La deserción escolar universitaria en
México. La experiencia de la Universidad
Autónoma Metropolitana Campus Iztapa-
lapa. [en línea] 30 de abril 2008 [accesado
21 Jul 2012]; 8(1): [30 p.] Disponible en:
http://revista.inie.ucr.ac.cr/uploads/tx_ma-
gazine/deserc.pdf
[27] Díaz Peralta C. Modelo Conceptual para
la deserción estudiantil universitaria chile-
na. [en línea]. Chile: Estudios Pedagógicos
XXXIV Nº 2: 65-86; 2008 [accesado 6 Jul
2012].
[28] Lopera Oquendo C. Determinantes de la
deserción universitaria en la Facultad de
Economía Universidad del Rosario. [en lí-
nea]. Colombia: Serie Documentos–Borra-
dores de Investigación Nº 95 Universidad
del Rosario; 2008 [accesado 6 Jul 2012].
[29] Spositto OM, Etcheverry ME, Ryckeboer

HL, Bossero J. Aplicación de técnicas de
minería de datos para la evaluación del
rendimiento académico y la deserción es-
tudiantil. [en línea] Buenos Aires: Univer-
sidad Nacional de La Matanza; 2009 , [ac-
cesado 6 Jul 2012]. Disponible en: http://
www.iiis.org/CDs2010/CD2010CSC/CIS-
CI_2010/PapersPdf/CA156FK.pdf
[30] Orozco Silva LE, Castillo Gómez LC, Roa
Varelo A, editores. Educación Superior en
Colombia 2005-2009 Informe Nacional.
[en línea] Chile: Centro Interuniversitario
de Desarrollo; 2011. [accesado 7 Jul 2012].
Disponible en: http://www.cinda.cl/htm/
es.htm
[31] Pinzón Cadena LL. Aplicando minería de
datos al marketing educativo Notas De
Marketing [en línea] 2011 Ene-Jun [acce-
sado 7 Jul 2012]; 1(1):45-61 Disponible en:
http://www.usergioarboleda.edu.co/inves-
tigacion-marketing/marketing/articulo5Mi-
neriaDatos.pdf
[32] Luan J. Aplicaciones de minería de datos
en la educación superior. USA: IBM Cor-
poration; 2010 May. Disponible en: ftp://
ftp.software.ibm.com/common/ssi/ecm/es/
imw14303eses/IMW14303ESES.PDF [ac-
cesado 4 Set 2013]
[33] Instituto Nacional de Estadística e Infor-
mática. II Censo Nacional Universitario
2010: principales resultados. Lima, 2011.
Disponible en: http://www.inei.gob.pe/
[accesado 6 Jul 2012]
[34] Castro Kikuchi L. Diccionario de ciencias
de la educación. Lima. Editorial CEGURO,
2005.
[35] Rizzuto F. La deserción en la educación
superior, motivos y medidas preventivas.
[Tesis de Licenciatura en Organización y
Gestión Educativa]. Argentina: Universi-
dad Austral, Escuela de Educación; 2009.
Disponible en: http://web.austral.edu.ar/
descargas/escuela-educacion/tesis-Fla-
via-Rizzuto.pdf
[36] Mira Mira J. Inteligencia artificial: méto-
M. MANCO CAYCHO
dos, técnicas y aplicaciones. España: Mc-
Graw-Hill; 2008.
[37] Jiménez Moscovitz L. Un modelo concep-
tual para el desarrollo de árboles de deci-
sión con programación genética. [Trabajo
para optar el título de Especialista en In-
formática y Ciencias de la Computación].
Bogotá: Fundación Universitaria Konrad
Lorenz, 2007. Disponible en: http://www.
konradlorenz.edu.co/images/stories/articu-
los/Leonardo_Jimenez_Moscovitz_Espe-
cializacion.pdf
[38] Williams G. Data mining with Rattle and
R: the art of excavating data for knowledge
discovery. New York: Springer; 2011.
[39] Witten IH, Frank E. Data mining: practi-
cal machine learning tools and techniques.
2ª ed. USA: The Morgan Kaufmann Publi-
shers; 2005.
[40] Silberschatz A, Korth HF, Sudarshan S.
Fundamentos de bases de datos. 4ª ed. Ma-
drid: McGraw-Hill; 2002.
[41] Mitchel T. Machine learning. New York:
McGraw-Hill; 1997.
[42] Gil Albarrán G. Data mining: minería de
datos y SQL. Lima: Megabyte; 2009.
[43] Vieira Braga LP, Ortiz Valencia LI, Ramírez
Carbajal SS. Introducción a la minería de
datos. Río de Janeiro: E-papers; 2009.
[44] Schumaker RP, Solieman OK., Chen H.
Sports data mining. USA: Springer; 2010;
p. 89-92 (Integrated Series in Information
Systems; 26).
[45] Rapid-i.com, RapidMiner [en línea]. Ale-
mania: Rapid-i.com, 2004?; [accesado 31
Ene 2013]. Disponible en: http://rapid-i.
com
[46] Krzysztof C, Witold P, Roman S, Lukasz
K. Data mining: a knowledge discovery
approach. New York: Springer; 2007.
[47] Hernández Orallo J, Ramírez Quintana MJ,
Ferri Ramírez C. Introducción a la minería
de datos. España: Pearson; 2008.
[48] Díaz Martínez Z. Predicción de crisis em-
presariales en seguros no vida, median-
Untels.cie.-Per. Vol. 1 Nº 1, pp. 79-90 89
Modelo predictivo para la identificación de patrones de la deserción estudiantil en la Untels

te árboles de decisión y reglas de clasifi-
cación. Madrid: Editorial Complutense;
2007.
[49] Russell S, Norvig P. Inteligencia artificial.
México: Prentice-Hall; 1996.
[50] Liu B. Web data mining: exploring hyper-
links, contents, and usage data. USA:
Springer; 2007; p. 55 – 116 (Data-Centric
Systems and Applications)

90 Untelsciencia-Perú. Enero 2016