www.monografias.

com

Modelos matemticos para la clasificacin de estudiantes en la mejora del proceso docente- educativo. 1. Introduccin.
2. Desarrollo.

3. Conclusiones y recomendaciones.
Bibliografa. INTRODUCCIN. El proceso de formacin de profesionales, como actividad central de las instituciones de educacin universitaria, debe estar encaminado al conocimiento de caractersticas y aptitudes esenciales del estudiantado que ingresa a la enseanza superior, para garantizar el aprovechamiento de sus habilidades y la permanencia de ste durante su carrera, para lograr un profundo desarrollo de las capacidades de los estudiantes se necesita una asimilacin por parte de ellos, mediante la adecuada captacin del conocimiento que le es impartido por el claustro de profesores. Para esto hay que tener en cuenta que la fuente de ingreso de la carrera es variada (preuniversitarios, orden 18, Decreto Ley 91,concursos y extranjeros), y toda esta situacin se arrastra a lo largo de la carrera de ingeniera industrial, adems no todos los estudiantes que ingresan a la carrera tienen las mismas motivaciones. A partir de esta situacin se establece como problema cientfico que no existe una diferenciacin en el trabajo desarrollado por el profesor a nivel individual y no se explotan todas las potencialidades de los estudiantes teniendo en cuenta sus habilidades y aptitudes. Por tal razn el objetivo general de este trabajo es establecer el procedimiento para la formacin de subgrupos homogneos de estudiantes basados en los ndices de desarrollo acadmico, como base para desarrollar la mejora del proceso docente educativo. Para lograr esto se definen como objetivos especficos: Establecer los ndices acadmicos para la caracterizacin del estudiante. Determinar los modelos matemticos de regresin lineal, a partir de los resultados en las asignaturas claves para cada ao acadmico. Establecer la clasificacin mediante anlisis de cluster de subgrupos de estudiantes con ndices acadmicos homogneos. Determinar la funcin discriminante para la clasificacin de subgrupos homogneos para cada ao acadmico. DESARROLLO. En funcin de vencer los objetivos propuestos se aplic el procedimiento para la clasificacin de los estudiantes en subgrupos homogneos, basados en los ndices de desarrollo acadmicos que se muestra en la Figura 1. Se tom como base los resultados obtenidos al aplicar los test de aptitudes diferenciales (TAD) en los grupos de estudiantes, con estos se midieron las habilidades numricas (HM), razonamiento mecnico (RM), relaciones espaciales (RE), razonamiento verbal (RV), a los estudiantes de 1 ro 2do 3ro y 4 to ao. Con estos resultados se calcularon los ndices con los que luego se obtuvieron los modelos de regresin utilizando el paquete de programa STATGRAPHICS versin 2.1, luego se seleccionan los ndices de mayor ajuste para cada ao acadmico. Los resultados obtenidos se muestran en la tabla 1. Los ndices calculados fueron: 1.- HNRV = HN + RV. 2.- HVM = HN + RV + RM + RE. 3.- NRM = (HN + RV) / (HN + RV + RM + RE)

4.- REV = ( RE + RV) / (HN+ RM) 5.- RME = (RM + RE)/ (HN + RV) Como observa en la tabla el ndice NRM, es el que ms se repite como mejor modelo en los tres ltimos aos acadmicos, debindose esto a que es en ste donde ms incide la habilidades de los TAD, donde estn relacionadas entre s. Tambin se puede apreciar que en gran parte de los modelos est presente FII, siendo esta una asignatura introductoria a la especialidad, otro caso que se destaca es matemtica, a pesar de ser esta una asignatura bsica de la ingeniera; son precisamente estas dos variables las que mayor peso tienen en los primeros aos de la carrera. Tabla. 1 Modelos matemticos de mejor ajuste. Ao Semestre Mejor modelo 1ro. I HVM11 = 282,557*log v.escalafn+304*log ind. acadmico 2do 3ro 4 to II I II I II I II HVM12 = 20,6059*log FII I + matemtica I RME21 = 0,852856*log(matemtica I+FII I) NRM22 = 0,0334946* matemtica II+ E.Poltica+ FII II NRM31 = 0,41185*(matemtica III + probabilidades)/FII III NRM32 = 0,00381877*(programacin II + matemtica IV+FII IV) 2 NRM41= 0,854964*termotecnia / (estadstica II + administracin) REV41 = 0,0733103*(estudio de mtodos + finanzas)2 /(MEN I + FOU)

Para el 1ro ao segundo semestre, como se muestra, se seleccionan los resultados obtenidos en la modelacin matemtica con el ndice HVM12. En el mismo se obtuvo el valor de R2 que indica que el modelo explica un 94.42 % de la variabilidad de los ndices, lo cual es adecuado, ya que es prximo a 1,el cual es el mayor valor deseado de este parmetro. El valor de la t de Student igual a 15,39 tiene una probabilidad igual a 0.0000 (P-Value) de exceder el valor crtico de esta distribucin, por lo que puede aceptarse la hiptesis de que el coeficiente de esta variable es estadsticamente significativo para un 95 % de confiabilidad. El anlisis de varianza muestra que la F calculada igual a 236,96, tiene una probabilidad de 0.0000 (P - Value) de exceder al valor crtico de la distribucin F de Fisher, por lo que puede considerarse aceptada la hiptesis de que el modelo obtenido, posee un buen ajuste a los datos experimentales. En cuanto al valor de Durbin-Watson DW que es mayor que 1,58 y cercano a 2, no es probable que existan serias auto correlaciones en los residuales. Analizando el grfico de los residuos de este modelo se aprecia que no hay tendencia, se mueven en un rango estrecho y la distribucin, aunque no es totalmente simtrica respecto al cero, puede acertarse. Con respecto a los modelos seleccionados se realiz un anlisis similar. Mediante el anlisis de cluster se formaron tres subgrupos homogneos a partir del resultado de los ndices calculados del mejor modelo matemtico analizado para el segundo semestre segn criterios estadsticos predeterminados, para cada ao acadmico. Los resultados para el primer ao se muestran en la tabla 2. En el primer subgrupo estn ubicados los estudiantes de rendimiento excelente, en el segundo subgrupo los de comportamiento medio y en el tercer subgrupo los de bajo rendimientos. Tabla 2: Anlisis de cluster para estudiantes de primer ao. Mejor ndice Grupos de Cantidad de Centrodes cluster miembros HVM1.2 1 20 37.0139 2 8 31.6908 3 1 26.6379

%del total de estudiantes. 68.97 27.59 3.45

La mayor parte de los estudiantes estn situados en el primer subgrupo, y existe un solo estudiante en el tercer subgrupo, comportndose como un caso atpico dentro del grupo. Entre los centrodos del primer y segundo subgrupo existe una diferencia de 6 puntos, y entre el segundo y el tercer subgrupo de 5 puntos, por lo que se puede decir que estn bien distribuidos, que existe una simetra con respecto al centro. Los resultados de los cluster en el resto de los aos tambin permiti clasificar a cada estudiante en uno de los tres subgrupos. Para cada ao acadmico se obtuvo una funcin discriminante, como se muestra en la tabla 3 con valores propios altos, los cuales indican vectores altosque aportan mucho a la explicacin de la dispersin total. Tabla 3 Valores propios de la funcin discriminante. 1er Ao 2do Ao Valores Propios 9,51 8,83

3er Ao 13,98

4to Ao 8,38

La correlacin cannica mide la asociacin entre las puntuaciones discriminantes y los grupos, como se observa en la tabla 3 en cada ao estos valores estn prximos a 1, lo que indica una correlacin fuerte. Tabla 4 Correlacin cannica de la funcin discriminante. 1er Ao 2do Ao 3er Ao Correlacin 0,95 0,95 0,96 cannica

4to Ao 0,94

El estadgrafo Lambda Wilks evala la capacidad discriminante de la funcin discriminante y expresa la proporcin de la varianza total en la puntuacin discriminante (Z), mientras ms cerca est de este estadgrafo de cero mayor sea el poder discriminante de la variable discriminada con un P-value cercano a 0,000; esto se puede ver en la tabla 5. Tabla 4 Estadgrafo Lambda-Wilks de la funcin discriminante. 1er Ao 2do Ao 3er Ao Lambda-Wilks 0,070 0,088 0,053

4to Ao 0,056

Cuando se analizan los coeficientes de clasificacin de la funcin discriminante por subgrupos se obtiene las siguientes ecuaciones:

Para 1er ao:

9,04 * ( A lg ebra )1,5 37,18 * log( Computaci n)3 + 35,25 * log( Matemtica )1,5 10,36 * SQR ( FII I ) 7,70 * Pr omedio + 725,09

Para 2do ao: 42,42 * MatemticaI + 51,16 * MatemticaII + 36,39 * EconomaPoltica + 56,03 * FII1 + 447,38 * FII 2 + 71,31 * Pr omedio 305,54 105,44 * MatemticaIII + 311,05 * MatemticaIV + 59,31 * Pr obabilidades + 462,40 * FII 3 105,21 * FII 4 + 538,76 * Pr ogramacinII + 373,88 * Pr omedio 3570,92
Para 4to Ao: Para 3er ao:

31,01 * Ad min istracin 111,51 * EstadsticaII + 40,28 * EstudiodeMtodos 12,89 * Finanzas + 378,10 * FOU + 12,66 * MEN1 83,47 * Termotecnia + 102,20 * Pr omedio 468,77
El anlisis discriminante, el cual se utiliza para la clasificacin de los subgrupos, es decir, con estas funciones es posible asignar a cada estudiante en un subgrupo al que le corresponder un conjunto de medidas para mejorar el proceso de enseanza y aprendizaje. CONCLUSIONES Y RECOMENDACIONES. 1. El procedimiento propuesto permite dirigir el trabajo de mejora del proceso docente-educativo basado en la formacin de subgrupos homogneos de estudiantes empleando los ndices de desarrollo acadmicos. 2. Los ndices HVM, NRM, REV, Y REM; pueden ser empleados para la caracterizacin acadmica de los estudiantes de la carrera de Ingeniera Industrial. 3. Los modelos matemticos de regresin lineal que relacionan los ndices de desarrollo acadmico con los resultados en asignaturas del currculum cumplen con los requisitos establecidos para este tipo de modelos por lo que pueden ser empleados para estimar dichos ndices. 4. El mtodo del centroide en el anlisis de cluster, empleando la distancia eucldea, permite establecer subgrupos de estudiantes basados en los ndices de desarrollo acadmico, en los primeros aos de la carrera de Ingeniera Industrial. 5. Con el mtodo de la correlacin cannica es posible obtener funciones discriminantes para la clasificacin de los estudiantes en cada ao acadmico, validando los subgrupos formados. 6. Aplicar el procedimiento propuesto como parte de la estrategia de mejora del proceso docenteeducativo. 7. Emplear la funcin discriminante para caracterizar a los estudiantes en los primeros semestres, implantando los planes de medidas correspondientes. 8. Integrar los resultados de la funcin discriminante y el anlisis factorial para establecer las bases de la mejora del proceso docente-educativo. Bibliografa. Alegret Vecino, Fernndo. La educacin superior cubana en la bsqueda de la excelencia. Revista Cubana de Educacin Superior, (La Habana) XXII,(1): 3 -13,2002. Anlisis de Cluster. http://www-unix.mes.anl.gov/cluster2002/ , 7 de junio, 2003. Anlisis discriminante. http://www.seh-le/ha.org/pdf , 8 de junio, 2003. Anlisis Multivariante/ J. F. Hair... [et.al].- - USA: Ed. Prentice Hall, 1999.- - 799 p. Desarrollo de la enseaza. http://www.es.rd.yahoo.com.infojohs.net, 10 de Mayo, 2003. Daz, Jose A. La formacin del Ingeniero Industrial moderno y su influencia en el desarrollo social. Revista Cubana de Educacin Superior, (La Habana) XVIII (3): 6- 13, 1995. Gordillo, M. Manual de orientacin educativa/ M. Gordillo. - - Madrid: Alianza, 1988. - - 136p. Harcourt, B. Differential aptitude tests/ B. Harcourt.- - Canad: Company INC, 1998.- - 45 p. AUTOR: Ing. Mayeln Diguez Gonzlez gpfalco@fcee.ucf.edu.cu UNIVERSIDAD DE CIENFUEGOS Carlos Rafael Rodrguez Facultada de Ciencias Econmicas y Empresariales. Departamento de Ingeniera Industrial. Figura 1. Procedimiento para la clasificacin de estudiantes en subgrupos homogneos.

Depuracin de datos.

Obtencin de los modelos matemticos Clculo de los ndices de desarrollo acadmicos

Formacin de subgrupos de estudiantes

Obtencin de la funcin de clasificacin

D>= C

Grupo 1

D>E

Grupo 2

Grupo 3