Predicción de la reprobación de cursos de matemática básicos en las carreras de Física, Meteorología, Matemática, Ciencias Actuariales y Farmacia

Abstract

Este artículo sintetiza un estudio realizado en el 2013, con el objetivo de predecir la reprobación en cursos de matemática por parte de los estudiantes de las carreras de Farmacia, Matemática, Ciencias Actuariales, Física y Meteorología de la Universidad de Costa Rica (UCR). Mediante la técnica estadística de regresión logística, aplicada a la cohorte del 2010, se pronosticó la reprobación de los estudiantes de estas carreras en uno de sus cursos introductorios de matemática (Cálculo I para Física y Meteorología, Principios de matemática para Matemática y Ciencias actuariales y ecuaciones diferenciales aplicadas para Farmacia). Para estos modelos se utilizaron, como variables predictivas, los componentes del promedio de admisión a la UCR, el género del estudiante y el porcentaje de ítems correctos en la Prueba de Habilidades Cuantitativas (HC). La variable con mayor importancia en todos los modelos fue HC y los modelos con mejores porcentajes de clasificación correcta de casos fueron las regresiones logísticas. Para los casos utilizados en la estimación de los modelos de Física-Meteorología, Farmacia y Matemática-Ciencias Actuariales se obtuvo un 89.8%, 73.6% y 93.9% de clasificación correcta, respectivamente.

This paper summarizes a study conducted in 2013 with the purpose of predicting the failure rate of math courses taken by Pharmacy, Mathematics, Actuarial Science, Physics and Meteorology students at Universidad de Costa Rica (UCR). Using the Logistics Regression statistical techniques applied to the 2010 cohort, failure rates were predicted of students in the aforementioned programs in one of their Math introductory courses (Calculus 101 for Physics and Meteorology, Math Principles for Mathematics and Actuarial Science and Applied Differential Equations for Pharmacy). For these models, the UCR admission average, the student’s genre, and the average correct answers in the Quantitative Skills Test were used as predictor variables. The most important variable for all models was the Quantitative Skills Test, and the model with the highest correct classification rate was the Logistics Regression. For the estimated Physics-Meteorology, Pharmacy and Mathematics-Actuarial Science models, correct classifications were 89.8%, 73.6%, and 93.9%, respectively.