Predicción de rendimiento académico mediante regresión y redes neuronales en los estudiantes de la Escuela Profesional de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano - Puno, 2015

• Autor: Paja Dominguez, Hicler_Emerson
• Formato: tesis de grado
• Fecha de Publicación: 2017
• Institución: Universidad Nacional Del Altiplano
• Repositorio: UNAP-Institucional
• Lenguaje: español
• OAI Identifier: oai:https://repositorio.unap.edu.pe:20.500.14082/6337
• Enlace del recurso: http://repositorio.unap.edu.pe/handle/20.500.14082/6337
• Nivel de acceso: acceso abierto
• Materia: Estadística; Modelos predictivos uni y multivariables

La presente investigación se realizó en la Facultad de Ingeniería Estadística e Informática de la Universidad Nacional del Altiplano de Puno, la cual tuvo como objetivo determinar la mejor técnica de predicción en el rendimiento académico utilizando regresión y redes neuronales en estudiantes de la Facultad mencionada. Para ello se utilizó una población que estuvo conformada por estudiantes matriculados durante los años 2009 al 2015; haciendo un total de 696 estudiantes. Se consideró muestreo intencional de cohorte entre los años 2009-2015, conteniendo 19334 registros de promedios finales de asignaturas. Se consideró 23 variables predictoras; de ellas 17 variables fueron seleccionados por el método stepwise para la asignatura 009-05 con un R^2= 0.72, 0.11 de error para los modelos, 0.37 de error para la predicción y 16 variables para la asignatura 010-05 con de R^2= 0.92, 0.96 de error para los modelos, 0.0032 de error para la predicción. Mientras que las RNA’s Perceptrón multicapa, algoritmo backpropagation, con arquitectura de 3 capas en función de las mismas variables que fueron seleccionadas en regresión múltiple; en donde de ambos asignaturas mencionadas anteriormente obtuvieron promedios de 0.0558 de error para los modelos y 0.00081 de error para las predicciones. Finalmente se midieron los promedios los errores obteniendo que las RNA’s es la mejor técnica en predicción; puesto que tienen una diferencia de 0.534 error en modelo y 0.1307 error en predicción respecto a la regresión.