Recibido: 10/03/2026 Aprobado:12/04/2026
Vol.6 N|1
1753 | Página
DOI: https://doi.org/10.70208/3007.8245.v6.n1.428
Rendimiento académico en carreras de ciencias económicas: análisis
comparativo por niveles de formación en una universidad pública
boliviana
Wilma Forest Herrera
wilmaforest@gmail.com
https://orcid.org/0009-0002-3406-788X
Facultad de Humanidades
Universidad Autónoma Gabriel René Moreno, Bolivia
RESUMEN
El presente estudio analiza el comportamiento del rendimiento académico en estudiantes de cinco
carreras del área económica de una universidad pública boliviana durante el periodo académico 1-
2024. Se adoptó un enfoque cuantitativo, con diseño no experimental, transversal y de alcance
descriptivo-comparativo. La muestra estuvo conformada por un censo de 41.736 registros académicos,
analizados mediante estadísticos descriptivos, medidas de dispersión y diagramas de cajas y bigotes
según nivel de formación. Los resultados evidencian una tendencia general de mejora progresiva del
desempeño estudiantil a lo largo de la trayectoria universitaria, identificándose una fase crítica en el
segundo semestre y una reducción gradual de la variabilidad en los niveles avanzados. No obstante,
persiste la presencia de valores atípicos bajos en todos los niveles, lo que sugiere la existencia de
brechas internas en el desempeño académico. Se concluye que el rendimiento académico responde a
un proceso de adaptación progresiva al entorno universitario; sin embargo, requiere intervenciones
institucionales tempranas y sostenidas que contribuyan a garantizar mayores niveles de equidad en los
resultados de aprendizaje.
Palabras clave: rendimiento académico, educación superior, trayectorias académicas, análisis
descriptivo, equidad educativa
Vol.6 N|1
1754 | Página
Academic performance in economics degrees: comparative analysis by
levels of education in a Bolivian public university
ABSTRACT
This study analyzes academic performance among students enrolled in five economics-related
programs at a public university in Bolivia during the 2024 academic term. A quantitative, non-
experimental, cross-sectional, and descriptive-comparative design was employed. The study was based
on a census of 41,736 academic records, analyzed through descriptive statistics, dispersion measures,
and boxplot diagrams according to academic level. The results reveal a general trend of progressive
improvement in students’ academic performance throughout their university trajectory, with a critical
decline observed during the second semester and a gradual reduction in variability at advanced levels.
Nevertheless, low outliers persist across all levels, suggesting the existence of internal performance
gaps. The findings indicate that academic performance reflects a process of progressive adaptation to
the university environment; however, early and sustained institutional interventions are required to
ensure greater equity in learning outcomes.
Keywords: academic performance, higher education, academic trajectories, descriptive analysis,
educational equity
1754 | Página
Academic performance in economics degrees: comparative analysis by
levels of education in a Bolivian public university
ABSTRACT
This study analyzes academic performance among students enrolled in five economics-related
programs at a public university in Bolivia during the 2024 academic term. A quantitative, non-
experimental, cross-sectional, and descriptive-comparative design was employed. The study was based
on a census of 41,736 academic records, analyzed through descriptive statistics, dispersion measures,
and boxplot diagrams according to academic level. The results reveal a general trend of progressive
improvement in students’ academic performance throughout their university trajectory, with a critical
decline observed during the second semester and a gradual reduction in variability at advanced levels.
Nevertheless, low outliers persist across all levels, suggesting the existence of internal performance
gaps. The findings indicate that academic performance reflects a process of progressive adaptation to
the university environment; however, early and sustained institutional interventions are required to
ensure greater equity in learning outcomes.
Keywords: academic performance, higher education, academic trajectories, descriptive analysis,
educational equity
Vol.6 N|1
1755 | Página
INTRODUCCIÓN
El rendimiento académico en la educación superior constituye un indicador clave para evaluar la
calidad de los procesos formativos y el logro de los resultados de aprendizaje. Su estudio ha adquirido
creciente relevancia debido a su carácter multidimensional, en tanto integra factores cognitivos,
motivacionales, pedagógicos, institucionales y contextuales que influyen en el desempeño estudiantil
(Richardson et al., 2012; York et al., 2015).
Desde una perspectiva teórica, el rendimiento académico se concibe como un fenómeno complejo que
refleja el grado de logro en la adquisición, comprensión y aplicación del conocimiento, sino también a
la capacidad del estudiante para adaptarse a las exigencias del entorno universitario. En este sentido,
investigaciones previas destacan la influencia de variables como la autorregulación del aprendizaje, la
motivación académica, el compromiso estudiantil y las estrategias de aprendizaje como predictores
relevantes del desempeño académico (Zimmerman, 2002; Pintrich, 2004).
Uno de los enfoques más influyentes en este campo es el modelo de integración académica de Tinto
(1993), el cual sostiene que la permanencia y el éxito universitario dependen del grado de adaptación
del estudiante al contexto institucional. La literatura especializada identifica los primeros niveles de
formación como una etapa crítica caracterizada por mayor vulnerabilidad, variabilidad en el
rendimiento y riesgo de deserción (Pascarella & Terenzini, 2005). Estas dificultades suelen relacionarse
con brechas en la formación previa, limitaciones en los hábitos de estudio y procesos de transición
insuficientemente consolidados (Credé & Kuncel, 2008).
A medida que los estudiantes avanzan en su trayectoria académica tienden a desarrollar mayores
niveles de autonomía, pensamiento crítico y dominio disciplinar, favoreciendo procesos de
estabilización y consolidación del desempeño (Diseth, 2011; Komarraju et al., 2009). En consecuencia,
el rendimiento académico presenta un comportamiento evolutivo, con fases diferenciadas de ajuste y
consolidación a lo largo de la formación universitaria.
En términos metodológicos, el análisis del rendimiento académico ha incorporado diversas
herramientas estadísticas y gráficas que permiten examinar la distribución y variabilidad de los
resultados estudiantiles. Entre ellas, los diagramas de cajas y bigotes constituyen una estrategia útil
1755 | Página
INTRODUCCIÓN
El rendimiento académico en la educación superior constituye un indicador clave para evaluar la
calidad de los procesos formativos y el logro de los resultados de aprendizaje. Su estudio ha adquirido
creciente relevancia debido a su carácter multidimensional, en tanto integra factores cognitivos,
motivacionales, pedagógicos, institucionales y contextuales que influyen en el desempeño estudiantil
(Richardson et al., 2012; York et al., 2015).
Desde una perspectiva teórica, el rendimiento académico se concibe como un fenómeno complejo que
refleja el grado de logro en la adquisición, comprensión y aplicación del conocimiento, sino también a
la capacidad del estudiante para adaptarse a las exigencias del entorno universitario. En este sentido,
investigaciones previas destacan la influencia de variables como la autorregulación del aprendizaje, la
motivación académica, el compromiso estudiantil y las estrategias de aprendizaje como predictores
relevantes del desempeño académico (Zimmerman, 2002; Pintrich, 2004).
Uno de los enfoques más influyentes en este campo es el modelo de integración académica de Tinto
(1993), el cual sostiene que la permanencia y el éxito universitario dependen del grado de adaptación
del estudiante al contexto institucional. La literatura especializada identifica los primeros niveles de
formación como una etapa crítica caracterizada por mayor vulnerabilidad, variabilidad en el
rendimiento y riesgo de deserción (Pascarella & Terenzini, 2005). Estas dificultades suelen relacionarse
con brechas en la formación previa, limitaciones en los hábitos de estudio y procesos de transición
insuficientemente consolidados (Credé & Kuncel, 2008).
A medida que los estudiantes avanzan en su trayectoria académica tienden a desarrollar mayores
niveles de autonomía, pensamiento crítico y dominio disciplinar, favoreciendo procesos de
estabilización y consolidación del desempeño (Diseth, 2011; Komarraju et al., 2009). En consecuencia,
el rendimiento académico presenta un comportamiento evolutivo, con fases diferenciadas de ajuste y
consolidación a lo largo de la formación universitaria.
En términos metodológicos, el análisis del rendimiento académico ha incorporado diversas
herramientas estadísticas y gráficas que permiten examinar la distribución y variabilidad de los
resultados estudiantiles. Entre ellas, los diagramas de cajas y bigotes constituyen una estrategia útil
Vol.6 N|1
1756 | Página
para identificar patrones de dispersión, tendencias centrales y valores atípicos, facilitando la
comprensión de fenómenos de heterogeneidad que no siempre son visibles mediante promedios
generales (Tukey, 1977). Asimismo, la literatura reciente enfatiza la necesidad de analizar el
rendimiento desde una perspectiva de equidad, considerando las brechas internas y las desigualdades
en los resultados de aprendizaje (Marginson, 2016).
El rendimiento académico en la educación superior constituye un indicador central para evaluar la
calidad de los procesos formativos y el logro de los resultados de aprendizaje. Este constructo ha sido
ampliamente estudiado en la literatura educativa, dado que sintetiza la interacción entre variables
cognitivas, motivacionales, institucionales y contextuales que inciden en el desempeño estudiantil
(Richardson et al., 2012). Desde una perspectiva teórica, el rendimiento académico debe entenderse
como un fenómeno multidimensional, en el que intervienen factores individuales, pedagógicos y
estructurales (York et al., 2015). En este sentido, investigaciones recientes destacan la relevancia de la
autorregulación del aprendizaje, la motivación académica y el compromiso estudiantil como
predictores significativos del desempeño (Zimmerman, 2002; Pintrich, 2004).
Uno de los enfoques más influyentes es el modelo de integración académica de Tinto (1993), que
plantea que la permanencia y el éxito académico dependen del grado de adaptación del estudiante al
entorno universitario. Este proceso resulta especialmente crítico en los primeros semestres, donde los
estudiantes enfrentan desafíos asociados a la transición desde la educación secundaria (Kuh et al.,
2008). Acorde a este planteamiento literatura ha identificado los primeros niveles como una etapa de
mayor vulnerabilidad académica, caracterizada por mayor variabilidad en el rendimiento y mayores
tasas de deserción (Pascarella & Terenzini, 2005). Este fenómeno se relaciona con la falta de hábitos
de estudio consolidados y con brechas en la formación previa (Credé & Kuncel, 2008).
A medida que los estudiantes avanzan en su trayectoria académica, tienden a desarrollar mayores
niveles de autonomía, pensamiento crítico y dominio disciplinar, favoreciendo procesos de
estabilización y consolidación del desempeño (Diseth, 2011; Komarraju et al., 2009). En consecuencia,
el rendimiento académico presenta un comportamiento evolutivo, con fases diferenciadas de ajuste y
consolidación a lo largo de la formación universitaria.
1756 | Página
para identificar patrones de dispersión, tendencias centrales y valores atípicos, facilitando la
comprensión de fenómenos de heterogeneidad que no siempre son visibles mediante promedios
generales (Tukey, 1977). Asimismo, la literatura reciente enfatiza la necesidad de analizar el
rendimiento desde una perspectiva de equidad, considerando las brechas internas y las desigualdades
en los resultados de aprendizaje (Marginson, 2016).
El rendimiento académico en la educación superior constituye un indicador central para evaluar la
calidad de los procesos formativos y el logro de los resultados de aprendizaje. Este constructo ha sido
ampliamente estudiado en la literatura educativa, dado que sintetiza la interacción entre variables
cognitivas, motivacionales, institucionales y contextuales que inciden en el desempeño estudiantil
(Richardson et al., 2012). Desde una perspectiva teórica, el rendimiento académico debe entenderse
como un fenómeno multidimensional, en el que intervienen factores individuales, pedagógicos y
estructurales (York et al., 2015). En este sentido, investigaciones recientes destacan la relevancia de la
autorregulación del aprendizaje, la motivación académica y el compromiso estudiantil como
predictores significativos del desempeño (Zimmerman, 2002; Pintrich, 2004).
Uno de los enfoques más influyentes es el modelo de integración académica de Tinto (1993), que
plantea que la permanencia y el éxito académico dependen del grado de adaptación del estudiante al
entorno universitario. Este proceso resulta especialmente crítico en los primeros semestres, donde los
estudiantes enfrentan desafíos asociados a la transición desde la educación secundaria (Kuh et al.,
2008). Acorde a este planteamiento literatura ha identificado los primeros niveles como una etapa de
mayor vulnerabilidad académica, caracterizada por mayor variabilidad en el rendimiento y mayores
tasas de deserción (Pascarella & Terenzini, 2005). Este fenómeno se relaciona con la falta de hábitos
de estudio consolidados y con brechas en la formación previa (Credé & Kuncel, 2008).
A medida que los estudiantes avanzan en su trayectoria académica, tienden a desarrollar mayores
niveles de autonomía, pensamiento crítico y dominio disciplinar, favoreciendo procesos de
estabilización y consolidación del desempeño (Diseth, 2011; Komarraju et al., 2009). En consecuencia,
el rendimiento académico presenta un comportamiento evolutivo, con fases diferenciadas de ajuste y
consolidación a lo largo de la formación universitaria.
Vol.6 N|1
1757 | Página
En términos metodológicos, el análisis del rendimiento académico ha incorporado diversas
herramientas estadísticas y gráficas que permiten examinar la distribución y variabilidad de los
resultados estudiantiles. Entre ellas, los diagramas de cajas y bigotes constituyen una estrategia útil
para identificar patrones de dispersión, tendencias centrales y valores atípicos, facilitando la
comprensión de fenómenos de heterogeneidad que no siempre son visibles mediante promedios
generales (Tukey, 1977). Asimismo, la literatura reciente enfatiza la necesidad de analizar el
rendimiento desde una perspectiva de equidad, considerando las brechas internas y las desigualdades
en los resultados de aprendizaje (Marginson, 2016).
Un panorama de los modelos cuantitativos utilizados para medir el rendimiento académico (RA) en
educación superior evidencia la diversidad de enfoques y herramientas metodológicas disponibles:
Enfoques de medición: indicadores observables y medidas compuestas. Este enfoque utiliza variables
directamente observables, como el promedio de calificaciones (GPA), los créditos aprobados o los
resultados de pruebas de logro, así como medidas derivadas de la combinación de estos indicadores.
Son ejemplos clásicos los GPA, los créditos acumulados y los puntajes en exámenes estandarizados,
ampliamente utilizados para evaluar el desempeño estudiantil de manera comparativa (Pascarella &
Terenzini, 2005; Astin, 1993).
Modelos de medición y ajuste de constructos: modelos de respuesta al ítem (IRT). Estos modelos
permiten estimar las habilidades o competencias de los estudiantes a partir de los ítems de pruebas,
ajustando por dificultad y discriminación de cada ítem. Son útiles para comparar rendimientos entre
cohortes y obtener estimaciones más precisas que las puntuaciones brutas tradicionales (Embretson &
Reise, 2000; Rasch, 1960). Estudios recientes aplican IRT para evaluar competencias específicas en
áreas de ciencias y economía (DeMars, 2010).
Análisis factorial y modelos de ecuaciones estructurales (CFA/SEM). Estos enfoques permiten validar
constructos latentes —como rendimiento académico, autorregulación o compromiso estudiantil— y
examinar relaciones complejas entre variables, incluyendo mediaciones y moderaciones que afectan
el desempeño (Kline, 2015; Schumacker & Lomax, 2016).
1757 | Página
En términos metodológicos, el análisis del rendimiento académico ha incorporado diversas
herramientas estadísticas y gráficas que permiten examinar la distribución y variabilidad de los
resultados estudiantiles. Entre ellas, los diagramas de cajas y bigotes constituyen una estrategia útil
para identificar patrones de dispersión, tendencias centrales y valores atípicos, facilitando la
comprensión de fenómenos de heterogeneidad que no siempre son visibles mediante promedios
generales (Tukey, 1977). Asimismo, la literatura reciente enfatiza la necesidad de analizar el
rendimiento desde una perspectiva de equidad, considerando las brechas internas y las desigualdades
en los resultados de aprendizaje (Marginson, 2016).
Un panorama de los modelos cuantitativos utilizados para medir el rendimiento académico (RA) en
educación superior evidencia la diversidad de enfoques y herramientas metodológicas disponibles:
Enfoques de medición: indicadores observables y medidas compuestas. Este enfoque utiliza variables
directamente observables, como el promedio de calificaciones (GPA), los créditos aprobados o los
resultados de pruebas de logro, así como medidas derivadas de la combinación de estos indicadores.
Son ejemplos clásicos los GPA, los créditos acumulados y los puntajes en exámenes estandarizados,
ampliamente utilizados para evaluar el desempeño estudiantil de manera comparativa (Pascarella &
Terenzini, 2005; Astin, 1993).
Modelos de medición y ajuste de constructos: modelos de respuesta al ítem (IRT). Estos modelos
permiten estimar las habilidades o competencias de los estudiantes a partir de los ítems de pruebas,
ajustando por dificultad y discriminación de cada ítem. Son útiles para comparar rendimientos entre
cohortes y obtener estimaciones más precisas que las puntuaciones brutas tradicionales (Embretson &
Reise, 2000; Rasch, 1960). Estudios recientes aplican IRT para evaluar competencias específicas en
áreas de ciencias y economía (DeMars, 2010).
Análisis factorial y modelos de ecuaciones estructurales (CFA/SEM). Estos enfoques permiten validar
constructos latentes —como rendimiento académico, autorregulación o compromiso estudiantil— y
examinar relaciones complejas entre variables, incluyendo mediaciones y moderaciones que afectan
el desempeño (Kline, 2015; Schumacker & Lomax, 2016).
Vol.6 N|1
1758 | Página
Modelos de crecimiento y trayectorias (growth modeling). Este tipo de modelos analiza la evolución
del rendimiento a lo largo del tiempo (semestres o años), estimando tasas de cambio, efectos de
intervenciones educativas y patrones de rendimiento individuales o grupales (Singer & Willett, 2003;
Bollen & Curran, 2006). Investigaciones recientes han aplicado growth modeling para identificar
factores predictivos de éxito académico en programas universitarios Rico Páez, A., & Gaytán Ramírez,
N. D. (2022).
Modelos multivariantes y multinivel. Estos modelos son apropiados para datos jerárquicos, como
estudiantes anidados en programas o instituciones, y permiten estimar efectos a nivel individual e
institucional, así como la variabilidad entre carreras y universidades (Goldstein, 2011). Estudios
recientes demuestran que los efectos institucionales pueden ser tan relevantes como los individuales
en el RA (McNeish & Stapleton, 2016).
Predicción y validez. Se emplean técnicas de regresión y aprendizaje automático para anticipar
resultados futuros, como el GPA o la probabilidad de retención, evaluando simultáneamente la validez
predictiva de los indicadores de rendimiento (Baker & Inventado, 2014; Embretson, 2000 ).
Instrumentos y unidades de medida. Los instrumentos típicos incluyen GPA, créditos aprobados,
resultados de pruebas estandarizadas e índices compuestos. Las unidades de medida pueden aplicarse
a nivel individual, de curso, de programa o institucional, dependiendo del objetivo del estudio (Tinto,
1993; Tinto, 1997; Kuh et al., 2006).
En el ámbito internacional, los indicadores de graduación, permanencia y eficiencia terminal muestran
diferencias significativas entre sistemas universitarios. Mientras que en países pertenecientes a la
OCDE las tasas de graduación superan frecuentemente el 50 % o 70 % (Organisation for Economic
Co-operation and Development [OECD], 2022; National Center for Education Statistics [NCES], 2021),
en contextos latinoamericanos y particularmente en Bolivia persisten niveles elevados de deserción y
menores tasas de culminación universitaria (Ministerio de Educación de Bolivia, 2019). Esta situación
evidencia la necesidad de fortalecer los procesos de seguimiento y análisis del desempeño estudiantil
como base para la formulación de políticas académicas orientadas a la mejora de la calidad educativa.
1758 | Página
Modelos de crecimiento y trayectorias (growth modeling). Este tipo de modelos analiza la evolución
del rendimiento a lo largo del tiempo (semestres o años), estimando tasas de cambio, efectos de
intervenciones educativas y patrones de rendimiento individuales o grupales (Singer & Willett, 2003;
Bollen & Curran, 2006). Investigaciones recientes han aplicado growth modeling para identificar
factores predictivos de éxito académico en programas universitarios Rico Páez, A., & Gaytán Ramírez,
N. D. (2022).
Modelos multivariantes y multinivel. Estos modelos son apropiados para datos jerárquicos, como
estudiantes anidados en programas o instituciones, y permiten estimar efectos a nivel individual e
institucional, así como la variabilidad entre carreras y universidades (Goldstein, 2011). Estudios
recientes demuestran que los efectos institucionales pueden ser tan relevantes como los individuales
en el RA (McNeish & Stapleton, 2016).
Predicción y validez. Se emplean técnicas de regresión y aprendizaje automático para anticipar
resultados futuros, como el GPA o la probabilidad de retención, evaluando simultáneamente la validez
predictiva de los indicadores de rendimiento (Baker & Inventado, 2014; Embretson, 2000 ).
Instrumentos y unidades de medida. Los instrumentos típicos incluyen GPA, créditos aprobados,
resultados de pruebas estandarizadas e índices compuestos. Las unidades de medida pueden aplicarse
a nivel individual, de curso, de programa o institucional, dependiendo del objetivo del estudio (Tinto,
1993; Tinto, 1997; Kuh et al., 2006).
En el ámbito internacional, los indicadores de graduación, permanencia y eficiencia terminal muestran
diferencias significativas entre sistemas universitarios. Mientras que en países pertenecientes a la
OCDE las tasas de graduación superan frecuentemente el 50 % o 70 % (Organisation for Economic
Co-operation and Development [OECD], 2022; National Center for Education Statistics [NCES], 2021),
en contextos latinoamericanos y particularmente en Bolivia persisten niveles elevados de deserción y
menores tasas de culminación universitaria (Ministerio de Educación de Bolivia, 2019). Esta situación
evidencia la necesidad de fortalecer los procesos de seguimiento y análisis del desempeño estudiantil
como base para la formulación de políticas académicas orientadas a la mejora de la calidad educativa.
Vol.6 N|1
1759 | Página
A pesar del amplio desarrollo teórico y metodológico sobre el rendimiento académico, en el contexto
boliviano existe limitada evidencia empírica acerca de su comportamiento por niveles de formación y
de las diferencias entre carreras universitarias, especialmente en áreas vinculadas a las ciencias
económicas. Esta limitación dificulta la identificación de momentos críticos de la trayectoria estudiantil
y restringe la generación de estrategias institucionales sustentadas en evidencia.
En este marco, el presente estudio tiene como objetivo analizar el comportamiento del
rendimiento académico en estudiantes de las carreras de Administración de Empresas, Ingeniería
Comercial, Ingeniería Financiera, Comercio Internacional y Economía de la Facultad de Ciencias
Económicas y Financieras de la Universidad Autónoma Gabriel René Moreno (UAGRM), mediante un
enfoque descriptivo y comparativo por niveles de formación. El propósito es identificar patrones de
desempeño, momentos críticos y brechas internas que contribuyan a orientar decisiones institucionales
y estrategias de mejora académica.
MÉTODO
Diseño
Se adoptó un enfoque cuantitativo con diseño no experimental, transversal y de alcance descriptivo-
comparativo. El estudio se orientó a caracterizar el comportamiento del rendimiento académico sin
manipulación de variables.
Participantes
La población estuvo conformada por 41,736 registros académicos correspondientes a estudiantes de
las carreras de Administración de Empresas, Ingeniería Comercial, Economía, Ingeniería Financiera y
Comercio Internacional. Se trabajó bajo un diseño censal, incluyendo la totalidad de los datos
disponibles.
Instrumento
Se utilizó la base de datos institucional del Promedio Ponderado de Aprovechamiento (PPA),
correspondiente al periodo académico 1-2024.
1759 | Página
A pesar del amplio desarrollo teórico y metodológico sobre el rendimiento académico, en el contexto
boliviano existe limitada evidencia empírica acerca de su comportamiento por niveles de formación y
de las diferencias entre carreras universitarias, especialmente en áreas vinculadas a las ciencias
económicas. Esta limitación dificulta la identificación de momentos críticos de la trayectoria estudiantil
y restringe la generación de estrategias institucionales sustentadas en evidencia.
En este marco, el presente estudio tiene como objetivo analizar el comportamiento del
rendimiento académico en estudiantes de las carreras de Administración de Empresas, Ingeniería
Comercial, Ingeniería Financiera, Comercio Internacional y Economía de la Facultad de Ciencias
Económicas y Financieras de la Universidad Autónoma Gabriel René Moreno (UAGRM), mediante un
enfoque descriptivo y comparativo por niveles de formación. El propósito es identificar patrones de
desempeño, momentos críticos y brechas internas que contribuyan a orientar decisiones institucionales
y estrategias de mejora académica.
MÉTODO
Diseño
Se adoptó un enfoque cuantitativo con diseño no experimental, transversal y de alcance descriptivo-
comparativo. El estudio se orientó a caracterizar el comportamiento del rendimiento académico sin
manipulación de variables.
Participantes
La población estuvo conformada por 41,736 registros académicos correspondientes a estudiantes de
las carreras de Administración de Empresas, Ingeniería Comercial, Economía, Ingeniería Financiera y
Comercio Internacional. Se trabajó bajo un diseño censal, incluyendo la totalidad de los datos
disponibles.
Instrumento
Se utilizó la base de datos institucional del Promedio Ponderado de Aprovechamiento (PPA),
correspondiente al periodo académico 1-2024.
Vol.6 N|1
1760 | Página
Procedimiento
Los datos fueron proporcionados por instancias institucionales oficiales, garantizando su validez y
confiabilidad. Se realizó un proceso de organización, depuración y anonimización de la información
antes de su análisis.
Análisis de datos
Se aplicaron técnicas de estadística descriptiva, incluyendo medidas de tendencia central y dispersión.
Asimismo, se utilizaron diagramas de cajas y bigotes para analizar la distribución del rendimiento
académico por niveles. Se realizaron pruebas de normalidad para evaluar la distribución de los datos.
El rendimiento académico fue clasificado en cinco niveles (bajo, regular, medio, alto y muy alto)
mediante una escala normalizada de 0 a 1, basada en criterios de evaluación por estándares.
RESULTADOS
Resultados carrera de Administración de Empresas
Para la Variable Y1 : Promedio general histórico de Rendimiento Académico
La Figura 1 Cajas y bigotes por nivel académico de la Carrera de Administración de Empresas
El gráfico de caja (boxplot) muestra la distribución de las calificaciones en la Carrera de Administración
(ADM) desde el primer hasta el décimo semestre (Taller de Grado). Cada caja representa la dispersión
de las calificaciones en cada nivel, mostrando la mediana, los cuartiles y los valores extremos.
1760 | Página
Procedimiento
Los datos fueron proporcionados por instancias institucionales oficiales, garantizando su validez y
confiabilidad. Se realizó un proceso de organización, depuración y anonimización de la información
antes de su análisis.
Análisis de datos
Se aplicaron técnicas de estadística descriptiva, incluyendo medidas de tendencia central y dispersión.
Asimismo, se utilizaron diagramas de cajas y bigotes para analizar la distribución del rendimiento
académico por niveles. Se realizaron pruebas de normalidad para evaluar la distribución de los datos.
El rendimiento académico fue clasificado en cinco niveles (bajo, regular, medio, alto y muy alto)
mediante una escala normalizada de 0 a 1, basada en criterios de evaluación por estándares.
RESULTADOS
Resultados carrera de Administración de Empresas
Para la Variable Y1 : Promedio general histórico de Rendimiento Académico
La Figura 1 Cajas y bigotes por nivel académico de la Carrera de Administración de Empresas
El gráfico de caja (boxplot) muestra la distribución de las calificaciones en la Carrera de Administración
(ADM) desde el primer hasta el décimo semestre (Taller de Grado). Cada caja representa la dispersión
de las calificaciones en cada nivel, mostrando la mediana, los cuartiles y los valores extremos.
Vol.6 N|1
1761 | Página
El análisis e interpretaciones de los indicadores nos muestran dos tópicos interesantes: La evolución
del rendimiento académico, donde en los primeros semestres, las calificaciones son menores, con
medianas cercanas a 0.4-0.5, y una dispersión amplia, con muchos valores extremos bajos y algunos
valores atípicos. A partir del 5to semestre en adelante, las medianas aumentan progresivamente,
acercándose a 0.75-0.85 en los semestres más avanzados. La dispersión de las calificaciones disminuye
en los semestres superiores, indicando que los estudiantes tienden a tener calificaciones más
consistentes en los últimos semestres.
Los primeros semestres las calificaciones bajas y atípicas nos muestran que hay muchos valores
extremos bajos y algunos que parecen atípicos, lo que puede indicar dificultades iniciales o
inconsistencia en el rendimiento. En los semestres finales, los valores atípicos son mínimos o
inexistentes, lo que refleja mayor homogeneidad en el rendimiento.
En cuanto a los niveles de RA, para la Carrera de Administración de Empresas tenemos:
Tabla 1: RA de la Carrera de Administración de Empresas
Nivel Media (x) Desviación
estándar
Rango Número de casos Nivel de RA
Primero 0,63 0,218 0,75 – 0,80 1229 Alto
Segundo 0,4144 0,2179 0,50 – 0,60 1242 Medio
Tercero 0,5140 0,2329 0,60 1130 Medio
Cuarto 0,529 0,215 0,55 – 0,65 1075 Medio
Quinto 0,5714 0,2031 0,60 – 0,65 885 Medio
Sexto 0,6100 0,1787 0,60 – 0,65 765 Alto
Séptimo 0,6424 0,1810 0,60 – 0,80 832 Alto
Octavo 0,6838 0.1371 0,65 – 0 , 75 715 Alto
Noveno 0,7011 0,1349 0,75- 0, 85 638 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de las medias evidencia que el rendimiento académico de los estudiantes en la Carrera de
Administración de Empresas inicia en un nivel Alto en el primer nivel (0,63), luego alcanza un nivel
1761 | Página
El análisis e interpretaciones de los indicadores nos muestran dos tópicos interesantes: La evolución
del rendimiento académico, donde en los primeros semestres, las calificaciones son menores, con
medianas cercanas a 0.4-0.5, y una dispersión amplia, con muchos valores extremos bajos y algunos
valores atípicos. A partir del 5to semestre en adelante, las medianas aumentan progresivamente,
acercándose a 0.75-0.85 en los semestres más avanzados. La dispersión de las calificaciones disminuye
en los semestres superiores, indicando que los estudiantes tienden a tener calificaciones más
consistentes en los últimos semestres.
Los primeros semestres las calificaciones bajas y atípicas nos muestran que hay muchos valores
extremos bajos y algunos que parecen atípicos, lo que puede indicar dificultades iniciales o
inconsistencia en el rendimiento. En los semestres finales, los valores atípicos son mínimos o
inexistentes, lo que refleja mayor homogeneidad en el rendimiento.
En cuanto a los niveles de RA, para la Carrera de Administración de Empresas tenemos:
Tabla 1: RA de la Carrera de Administración de Empresas
Nivel Media (x) Desviación
estándar
Rango Número de casos Nivel de RA
Primero 0,63 0,218 0,75 – 0,80 1229 Alto
Segundo 0,4144 0,2179 0,50 – 0,60 1242 Medio
Tercero 0,5140 0,2329 0,60 1130 Medio
Cuarto 0,529 0,215 0,55 – 0,65 1075 Medio
Quinto 0,5714 0,2031 0,60 – 0,65 885 Medio
Sexto 0,6100 0,1787 0,60 – 0,65 765 Alto
Séptimo 0,6424 0,1810 0,60 – 0,80 832 Alto
Octavo 0,6838 0.1371 0,65 – 0 , 75 715 Alto
Noveno 0,7011 0,1349 0,75- 0, 85 638 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de las medias evidencia que el rendimiento académico de los estudiantes en la Carrera de
Administración de Empresas inicia en un nivel Alto en el primer nivel (0,63), luego alcanza un nivel
Vol.6 N|1
1762 | Página
Medio en los semestres intermedios con una tendencia ascendente conforme avanzan los niveles,
alcanzando a partir del sexto nivel, rendimiento académico Alto.
La mayor parte de las medias en los niveles superiores (sexto, séptimo, octavo y noveno) se ubican en
el rango de alto rendimiento, lo que indica una mejora en el desempeño a medida que los estudiantes
avanzan en la carrera. Sin embargo, en los niveles iniciales, los medios se sitúan en el rango de medio,
lo que puede reflejar mayores dificultades o menor preparación en los primeros años. La desviación
estándar es moderada en todos los niveles, indicando cierta dispersión en los resultados, pero sin
evidenciar variaciones extremas.
El rendimiento académico en la Carrera de Administración de Empresas en la UAGRM, en los niveles
evaluados, puede clasificarse principalmente como Medio con evolución a Alto, con una tendencia
positiva en el desempeño a medida que los estudiantes progresan en su formación. Esta información
es fundamental para diseñar estrategias que fortalezcan las etapas iniciales y promuevan un
desempeño consistente a lo largo de toda la carrera.
Resultados carrera de Ingeniería Comercial
Variable Y1 : Promedio general histórico de Rendimiento Académico
Figura 2 Cajas y bigotes por nivel académico de la Carrera de Ingeniería Comercial
1762 | Página
Medio en los semestres intermedios con una tendencia ascendente conforme avanzan los niveles,
alcanzando a partir del sexto nivel, rendimiento académico Alto.
La mayor parte de las medias en los niveles superiores (sexto, séptimo, octavo y noveno) se ubican en
el rango de alto rendimiento, lo que indica una mejora en el desempeño a medida que los estudiantes
avanzan en la carrera. Sin embargo, en los niveles iniciales, los medios se sitúan en el rango de medio,
lo que puede reflejar mayores dificultades o menor preparación en los primeros años. La desviación
estándar es moderada en todos los niveles, indicando cierta dispersión en los resultados, pero sin
evidenciar variaciones extremas.
El rendimiento académico en la Carrera de Administración de Empresas en la UAGRM, en los niveles
evaluados, puede clasificarse principalmente como Medio con evolución a Alto, con una tendencia
positiva en el desempeño a medida que los estudiantes progresan en su formación. Esta información
es fundamental para diseñar estrategias que fortalezcan las etapas iniciales y promuevan un
desempeño consistente a lo largo de toda la carrera.
Resultados carrera de Ingeniería Comercial
Variable Y1 : Promedio general histórico de Rendimiento Académico
Figura 2 Cajas y bigotes por nivel académico de la Carrera de Ingeniería Comercial
Vol.6 N|1
1763 | Página
La figura 2 es una caja (boxplot) que muestra la distribución de las calificaciones de los estudiantes en
diferentes semestres de la carrera en Comercio Internacional (COM). Cada caja representa la
dispersión de las calificaciones en cada semestre, mostrando la mediana, los cuartiles y los valores
extremos.
La tendencia general es que la mediana de las calificaciones en los primeros semestres (1° a 3°) es
muy alta, cercana a 1.00, lo que indica que la mayoría de los estudiantes tienen resultados muy buenos
en esas etapas. A partir del 4° semestre, la mediana disminuye, estabilizándose alrededor de 0.55 a
0.60 en los semestres intermedios y superiores. En los semestres finales (9° y 10°), la mediana vuelve
a subir ligeramente, acercándose a 0.65-0.70, lo que sugiere una mejora o un rendimiento ligeramente
superior en esos niveles.
La dispersión (longitud de las cajas y los bigotes) es mayor en los primeros semestres, indicando
mayor variabilidad en los resultados. En los semestres intermedios, la dispersión se reduce, lo que
refleja mayor homogeneidad en las calificaciones. En los semestres finales, la dispersión vuelve a
aumentar ligeramente, pero sigue siendo menor que en los primeros semestres.
En todos los semestres, los valores extremos (líneas fuera de las cajas) muestran que hay estudiantes
con calificaciones muy bajas y muy altas en cada nivel, pero la presencia de estos valores es menor en
los semestres intermedios. El análisis muestra una tendencia de disminución en los resultados en los
semestres intermedios, con mayor homogeneidad, y una ligera recuperación en los niveles finales.
Variable Y1 : Promedio general histórico de Rendimiento Académico
Tabla 2. Carrera de Carrera de Ingeniería Comercial
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5252 0,2080 0,55 – 0,65 2192 Medio
Segundo 0,4136 0,2273 0,60 – 0,70 1491 Regular
Tercero 0,5183 0,2260 0,60 – 0,65 1402 Medio
Cuarto 0,5196 0,214 0,60 1336 Medio
1763 | Página
La figura 2 es una caja (boxplot) que muestra la distribución de las calificaciones de los estudiantes en
diferentes semestres de la carrera en Comercio Internacional (COM). Cada caja representa la
dispersión de las calificaciones en cada semestre, mostrando la mediana, los cuartiles y los valores
extremos.
La tendencia general es que la mediana de las calificaciones en los primeros semestres (1° a 3°) es
muy alta, cercana a 1.00, lo que indica que la mayoría de los estudiantes tienen resultados muy buenos
en esas etapas. A partir del 4° semestre, la mediana disminuye, estabilizándose alrededor de 0.55 a
0.60 en los semestres intermedios y superiores. En los semestres finales (9° y 10°), la mediana vuelve
a subir ligeramente, acercándose a 0.65-0.70, lo que sugiere una mejora o un rendimiento ligeramente
superior en esos niveles.
La dispersión (longitud de las cajas y los bigotes) es mayor en los primeros semestres, indicando
mayor variabilidad en los resultados. En los semestres intermedios, la dispersión se reduce, lo que
refleja mayor homogeneidad en las calificaciones. En los semestres finales, la dispersión vuelve a
aumentar ligeramente, pero sigue siendo menor que en los primeros semestres.
En todos los semestres, los valores extremos (líneas fuera de las cajas) muestran que hay estudiantes
con calificaciones muy bajas y muy altas en cada nivel, pero la presencia de estos valores es menor en
los semestres intermedios. El análisis muestra una tendencia de disminución en los resultados en los
semestres intermedios, con mayor homogeneidad, y una ligera recuperación en los niveles finales.
Variable Y1 : Promedio general histórico de Rendimiento Académico
Tabla 2. Carrera de Carrera de Ingeniería Comercial
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5252 0,2080 0,55 – 0,65 2192 Medio
Segundo 0,4136 0,2273 0,60 – 0,70 1491 Regular
Tercero 0,5183 0,2260 0,60 – 0,65 1402 Medio
Cuarto 0,5196 0,214 0,60 1336 Medio
Vol.6 N|1
1764 | Página
Quinto 0,5552 0,1941 0,55 – 0,60 1300 Medio
Sexto 0,5466 0,1819 0,60 – 0,65 1326 Medio
Séptimo 0,6046 0,1715 0,60 – 0,65 1169 Medio
Octavo 0,6219 0,1946 0,60 – 0,65 1021 Medio
Noveno 0,6569 0,1974 0,65 – 0,75 1134 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de las medias revela que el rendimiento académico en la carrera de Ingeniería Comercial
presenta una tendencia ascendente a medida que los estudiantes avanzan en sus niveles de estudio. La
media en el primer nivel (0,5252) indica un rendimiento en el rango medio, cercano a regular, pero con
una mejora progresiva, alcanzando en el noveno nivel una media de 0,6569, la cual se ubica en el rango
alto, cercano a muy alto.
Asimismo, se observa que en los niveles iniciales (primer, segundo, tercero y cuarto) los promedios
fluctúan en torno a 0,41 a 0,52, lo que indica un rendimiento Regular. En los niveles superiores (séptimo,
octavo y noveno), las medias superan los 0,60, reflejando un rendimiento Medio a Alto, con el noveno
nivel alcanzando un promedio cercano a Muy Alto. La desviación estándar en todos los niveles se
mantiene en un rango moderado, señalando una dispersión de resultados dentro de los grupos, pero
sin evidenciar diferencias extremas.
El rendimiento académico en la Carrera de Ingeniería Comercial en la UAGRM muestra una progresión
positiva a lo largo de los niveles de estudio, pasando de un rendimiento Medio en los primeros niveles
a un rendimiento Alto en los niveles finales. Esto sugiere una tendencia favorable en el desempeño de
los estudiantes conforme avanzan en su formación, aunque aún existe un margen de mejora en los
niveles iniciales.
Resultados carrera de Ingeniería Financiera
Variable Y1 : Promedio general histórico de Rendimiento Académico
Tenemos los siguientes resultados:
1764 | Página
Quinto 0,5552 0,1941 0,55 – 0,60 1300 Medio
Sexto 0,5466 0,1819 0,60 – 0,65 1326 Medio
Séptimo 0,6046 0,1715 0,60 – 0,65 1169 Medio
Octavo 0,6219 0,1946 0,60 – 0,65 1021 Medio
Noveno 0,6569 0,1974 0,65 – 0,75 1134 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de las medias revela que el rendimiento académico en la carrera de Ingeniería Comercial
presenta una tendencia ascendente a medida que los estudiantes avanzan en sus niveles de estudio. La
media en el primer nivel (0,5252) indica un rendimiento en el rango medio, cercano a regular, pero con
una mejora progresiva, alcanzando en el noveno nivel una media de 0,6569, la cual se ubica en el rango
alto, cercano a muy alto.
Asimismo, se observa que en los niveles iniciales (primer, segundo, tercero y cuarto) los promedios
fluctúan en torno a 0,41 a 0,52, lo que indica un rendimiento Regular. En los niveles superiores (séptimo,
octavo y noveno), las medias superan los 0,60, reflejando un rendimiento Medio a Alto, con el noveno
nivel alcanzando un promedio cercano a Muy Alto. La desviación estándar en todos los niveles se
mantiene en un rango moderado, señalando una dispersión de resultados dentro de los grupos, pero
sin evidenciar diferencias extremas.
El rendimiento académico en la Carrera de Ingeniería Comercial en la UAGRM muestra una progresión
positiva a lo largo de los niveles de estudio, pasando de un rendimiento Medio en los primeros niveles
a un rendimiento Alto en los niveles finales. Esto sugiere una tendencia favorable en el desempeño de
los estudiantes conforme avanzan en su formación, aunque aún existe un margen de mejora en los
niveles iniciales.
Resultados carrera de Ingeniería Financiera
Variable Y1 : Promedio general histórico de Rendimiento Académico
Tenemos los siguientes resultados:
Vol.6 N|1
1765 | Página
Figura 3 Cajas y bigotes por nivel académico de la Carrera de Ingeniería Financiera
El gráfico muestra diagramas de caja (boxplots) que representan la distribución de la variable Y1 en
diferentes niveles de semestres, desde el primer hasta el décimo semestre.
En general, se observa que la mediana (línea en la caja) aumenta progresivamente a medida que
avanzan los semestres, indicando una mejora en los resultados con el avance en la carrera. Las cajas,
que representan el rango intercuartílico (50% de los datos), también muestran una tendencia de
incremento en valores de Y1. Los bigotes (líneas que extienden las cajas) reflejan la dispersión de los
datos, que en los primeros semestres es mayor y se va reduciendo en los últimos semestres, aunque
en los últimos niveles hay algunos valores extremos (puntos fuera de los bigotes). La dispersión en los
primeros semestres es mayor, con resultados más variados y algunos valores muy bajos, mientras que
en los últimos semestres hay resultados más concentrados y en niveles más altos.
Tabla 3. Carrera de Ingeniera Financiera
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5814 0,1957 0,60 – 0,70 1543 Medio
Segundo 0,4502 0,2138 0,55 1081 Regular
1765 | Página
Figura 3 Cajas y bigotes por nivel académico de la Carrera de Ingeniería Financiera
El gráfico muestra diagramas de caja (boxplots) que representan la distribución de la variable Y1 en
diferentes niveles de semestres, desde el primer hasta el décimo semestre.
En general, se observa que la mediana (línea en la caja) aumenta progresivamente a medida que
avanzan los semestres, indicando una mejora en los resultados con el avance en la carrera. Las cajas,
que representan el rango intercuartílico (50% de los datos), también muestran una tendencia de
incremento en valores de Y1. Los bigotes (líneas que extienden las cajas) reflejan la dispersión de los
datos, que en los primeros semestres es mayor y se va reduciendo en los últimos semestres, aunque
en los últimos niveles hay algunos valores extremos (puntos fuera de los bigotes). La dispersión en los
primeros semestres es mayor, con resultados más variados y algunos valores muy bajos, mientras que
en los últimos semestres hay resultados más concentrados y en niveles más altos.
Tabla 3. Carrera de Ingeniera Financiera
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5814 0,1957 0,60 – 0,70 1543 Medio
Segundo 0,4502 0,2138 0,55 1081 Regular
Vol.6 N|1
1766 | Página
Tercero 0,5183 0,2260 0,50 – 0,70 1402 Medio
Cuarto 0,5254 0,2185 0,40 – 0,70 1008 Medio
Quinto 0,5811 0,1981 0,40 – 0,80 1212 Medio
Sexto 0,5734 0,1959 0,50 – 0,70 1102 Medio
Séptimo 0,5962 0,2027 0,65 – 0,70 923 Medio
Octavo 0,6155 0,1826 0,65 697 Medio
Noveno 0,6442 0,1657 0,70 804 Medio
Decimo 0,6998 0,1218 0,65 134 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de los datos revela que el rendimiento académico en la Carrera de Ingeniería Financiera
muestra una tendencia ascendente a lo largo de los niveles de estudio. En los primeros niveles, la media
oscila en torno a 0,45-0,58, indicando un rendimiento en el rango Medio, con algunos niveles en el
rango Regular. Sin embargo, a partir del nivel octavo, las medias superan los 0,60, alcanzando en el
décimo nivel una media de aproximadamente 0,70, que se clasifica como alto. Este patrón sugiere que,
conforme los estudiantes avanzan en la carrera, su rendimiento mejora, alcanzando un nivel alto en los
niveles finales, lo cual puede estar asociado a una mayor preparación, motivación o experiencia
acumulada. La desviación estándar en todos los niveles se mantiene en rangos moderados, indicando
cierta dispersión en los resultados, pero sin presentar variaciones extremas.
El desempeño académico en la Carrera de Ingeniería Financiera en la UAGRM evoluciona
positivamente a lo largo de los niveles, pasando de un rendimiento Medio a uno Alto en los niveles
superiores. Esto refleja una tendencia favorable, aunque también señala la importancia de fortalecer
las intervenciones en los primeros niveles para elevar el rendimiento inicial y mantener un desempeño
consistente en toda la trayectoria académica.
Resultados carrera de Comercio Internacional
Variable Y1 : Promedio general histórico de Rendimiento Académico
1766 | Página
Tercero 0,5183 0,2260 0,50 – 0,70 1402 Medio
Cuarto 0,5254 0,2185 0,40 – 0,70 1008 Medio
Quinto 0,5811 0,1981 0,40 – 0,80 1212 Medio
Sexto 0,5734 0,1959 0,50 – 0,70 1102 Medio
Séptimo 0,5962 0,2027 0,65 – 0,70 923 Medio
Octavo 0,6155 0,1826 0,65 697 Medio
Noveno 0,6442 0,1657 0,70 804 Medio
Decimo 0,6998 0,1218 0,65 134 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de los datos revela que el rendimiento académico en la Carrera de Ingeniería Financiera
muestra una tendencia ascendente a lo largo de los niveles de estudio. En los primeros niveles, la media
oscila en torno a 0,45-0,58, indicando un rendimiento en el rango Medio, con algunos niveles en el
rango Regular. Sin embargo, a partir del nivel octavo, las medias superan los 0,60, alcanzando en el
décimo nivel una media de aproximadamente 0,70, que se clasifica como alto. Este patrón sugiere que,
conforme los estudiantes avanzan en la carrera, su rendimiento mejora, alcanzando un nivel alto en los
niveles finales, lo cual puede estar asociado a una mayor preparación, motivación o experiencia
acumulada. La desviación estándar en todos los niveles se mantiene en rangos moderados, indicando
cierta dispersión en los resultados, pero sin presentar variaciones extremas.
El desempeño académico en la Carrera de Ingeniería Financiera en la UAGRM evoluciona
positivamente a lo largo de los niveles, pasando de un rendimiento Medio a uno Alto en los niveles
superiores. Esto refleja una tendencia favorable, aunque también señala la importancia de fortalecer
las intervenciones en los primeros niveles para elevar el rendimiento inicial y mantener un desempeño
consistente en toda la trayectoria académica.
Resultados carrera de Comercio Internacional
Variable Y1 : Promedio general histórico de Rendimiento Académico
Vol.6 N|1
1767 | Página
Figura 4. Cajas y bigotes por nivel académico de la Carrera de Comercio Internacional
El gráfico de caja muestra la evolución del rendimiento en la variable Y1 en diferentes semestres de la
carrera. Se observa una tendencia progresiva en la mediana y en la posición intercuartílica, que
aumenta a medida que avanzan los semestres, desde el primer hasta el octavo. La dispersión,
representada por los bigotes y los puntos dispersos, disminuye ligeramente en los semestres superiores,
aunque en algunos niveles se mantienen algunos resultados muy bajos (puntos fuera de los bigotes). La
mediana en el primer semestre está alrededor de 0.65 y crece hasta aproximadamente 0.85 en el
octavo semestre, indicando una mejora general en los resultados.
Tenemos entonces, para la Carrera de Comercio Internacional, una evolución positiva en el
rendimiento académico, La tendencia ascendente en los niveles y en la mediana indica que los
estudiantes mejoran sus resultados a medida que avanzan en la carrera, lo cual es esperable y deseable.
La menor dispersión en los niveles superiores sugiere una mayor homogeneidad en los resultados en
los últimos semestres, posiblemente debido a una consolidación de conocimientos y habilidades. La
mayor dispersión y resultados más bajos en los primeros semestres reflejan dificultades iniciales, que
podrían requerir intervención para mejorar la base de conocimientos y habilidades. La presencia de
1767 | Página
Figura 4. Cajas y bigotes por nivel académico de la Carrera de Comercio Internacional
El gráfico de caja muestra la evolución del rendimiento en la variable Y1 en diferentes semestres de la
carrera. Se observa una tendencia progresiva en la mediana y en la posición intercuartílica, que
aumenta a medida que avanzan los semestres, desde el primer hasta el octavo. La dispersión,
representada por los bigotes y los puntos dispersos, disminuye ligeramente en los semestres superiores,
aunque en algunos niveles se mantienen algunos resultados muy bajos (puntos fuera de los bigotes). La
mediana en el primer semestre está alrededor de 0.65 y crece hasta aproximadamente 0.85 en el
octavo semestre, indicando una mejora general en los resultados.
Tenemos entonces, para la Carrera de Comercio Internacional, una evolución positiva en el
rendimiento académico, La tendencia ascendente en los niveles y en la mediana indica que los
estudiantes mejoran sus resultados a medida que avanzan en la carrera, lo cual es esperable y deseable.
La menor dispersión en los niveles superiores sugiere una mayor homogeneidad en los resultados en
los últimos semestres, posiblemente debido a una consolidación de conocimientos y habilidades. La
mayor dispersión y resultados más bajos en los primeros semestres reflejan dificultades iniciales, que
podrían requerir intervención para mejorar la base de conocimientos y habilidades. La presencia de
Vol.6 N|1
1768 | Página
puntos fuera de los bigotes en los primeros niveles indica que algunos estudiantes tienen resultados
muy bajos, mientras que, en los niveles superiores, algunos resultados muy altos también destacan.
Variable Y1 : Promedio general histórico de Rendimiento Académico
Para la Carrera de Comercio Internacional, tenemos:
Tabla 4. Carrera de Carrera de Comercio Internacional
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5851 0,1876 0,60 – 0,75 1624 Medio
Segundo 0,5174 0,2078 0,50 – 0,70 1213 Medio
Tercero 0,6024 0,1866 1362 Medio
Cuarto 0,6107 0,1791 0,65 – 0,70 968 Medio
Quinto 0,6771 0,1510 0,75 968 Alto
Sexto 0,7315 0,1117 775 Alto
Séptimo 0,7624 0,1107 0,75 – 0,80 735 Alto
Octavo 0,7908 0,0985 0,60 – 0,65 541 Alto
Noveno S/d S/d s/d s/d --
Fuente: Elaboración propia en base a datos institucionales
El análisis de los medios revela una tendencia progresiva de mejora en el rendimiento académico a
medida que los estudiantes avanzan en la carrera. En los niveles iniciales, las medias oscilan en torno
a 0,52-0,59, ubicándose en la categoría de rendimiento medio. A partir del nivel quinto, la media supera
el umbral de 0,67, ubicándose en el rango alto, y en los niveles superiores (séptimo y octavo), las medias
alcanzan valores cercanos a 0,76-0,79, indicando un rendimiento Alto a Muy Alto.
Este patrón sugiere que los estudiantes mejoran su desempeño a medida que adquieren mayor
experiencia y conocimientos en la carrera. La desviación estándar en todos los niveles es baja,
particularmente en los niveles superiores, reflejando resultados más consistentes en los desempeños
académicos.
1768 | Página
puntos fuera de los bigotes en los primeros niveles indica que algunos estudiantes tienen resultados
muy bajos, mientras que, en los niveles superiores, algunos resultados muy altos también destacan.
Variable Y1 : Promedio general histórico de Rendimiento Académico
Para la Carrera de Comercio Internacional, tenemos:
Tabla 4. Carrera de Carrera de Comercio Internacional
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5851 0,1876 0,60 – 0,75 1624 Medio
Segundo 0,5174 0,2078 0,50 – 0,70 1213 Medio
Tercero 0,6024 0,1866 1362 Medio
Cuarto 0,6107 0,1791 0,65 – 0,70 968 Medio
Quinto 0,6771 0,1510 0,75 968 Alto
Sexto 0,7315 0,1117 775 Alto
Séptimo 0,7624 0,1107 0,75 – 0,80 735 Alto
Octavo 0,7908 0,0985 0,60 – 0,65 541 Alto
Noveno S/d S/d s/d s/d --
Fuente: Elaboración propia en base a datos institucionales
El análisis de los medios revela una tendencia progresiva de mejora en el rendimiento académico a
medida que los estudiantes avanzan en la carrera. En los niveles iniciales, las medias oscilan en torno
a 0,52-0,59, ubicándose en la categoría de rendimiento medio. A partir del nivel quinto, la media supera
el umbral de 0,67, ubicándose en el rango alto, y en los niveles superiores (séptimo y octavo), las medias
alcanzan valores cercanos a 0,76-0,79, indicando un rendimiento Alto a Muy Alto.
Este patrón sugiere que los estudiantes mejoran su desempeño a medida que adquieren mayor
experiencia y conocimientos en la carrera. La desviación estándar en todos los niveles es baja,
particularmente en los niveles superiores, reflejando resultados más consistentes en los desempeños
académicos.
Vol.6 N|1
1769 | Página
El rendimiento académico en la Carrera de Comercio Internacional muestra una tendencia positiva a
lo largo de los niveles, alcanzando niveles altos y muy altos en las etapas finales. Esto indica un proceso
de formación que, en general, favorece el incremento en el desempeño de los estudiantes conforme
avanzan en sus estudios, aunque es recomendable fortalecer las estrategias pedagógicas en los niveles
iniciales para mejorar la base de conocimientos y habilidades desde el ingreso.
Resultados carrera de Economía
Variable Y1 : Promedio general histórico de Rendimiento Académico
A modo de resumen, tenemos
Figura 5. Cajas y bigotes por nivel académico de la Carrera de Economía
Se observa una tendencia general de incremento en los valores de Y1 a medida que avanzan los niveles
semestrales, con los niveles superiores alcanzando medias más altas y rangos intercuartílicos mayores.
La mediana (línea dentro de cada caja) aumenta progresivamente desde 1er Sem hasta 9no Sem,
indicando una mejora en el rendimiento o en las mediciones a lo largo del tiempo. La dispersión (alto
y bajo de las cajas) también tiende a disminuir en los niveles superiores, lo que sugiere menor
variabilidad en los resultados en los niveles avanzados. Se evidencian valores atípicos (puntos fuera de
1769 | Página
El rendimiento académico en la Carrera de Comercio Internacional muestra una tendencia positiva a
lo largo de los niveles, alcanzando niveles altos y muy altos en las etapas finales. Esto indica un proceso
de formación que, en general, favorece el incremento en el desempeño de los estudiantes conforme
avanzan en sus estudios, aunque es recomendable fortalecer las estrategias pedagógicas en los niveles
iniciales para mejorar la base de conocimientos y habilidades desde el ingreso.
Resultados carrera de Economía
Variable Y1 : Promedio general histórico de Rendimiento Académico
A modo de resumen, tenemos
Figura 5. Cajas y bigotes por nivel académico de la Carrera de Economía
Se observa una tendencia general de incremento en los valores de Y1 a medida que avanzan los niveles
semestrales, con los niveles superiores alcanzando medias más altas y rangos intercuartílicos mayores.
La mediana (línea dentro de cada caja) aumenta progresivamente desde 1er Sem hasta 9no Sem,
indicando una mejora en el rendimiento o en las mediciones a lo largo del tiempo. La dispersión (alto
y bajo de las cajas) también tiende a disminuir en los niveles superiores, lo que sugiere menor
variabilidad en los resultados en los niveles avanzados. Se evidencian valores atípicos (puntos fuera de
Vol.6 N|1
1770 | Página
las cajas), que son más frecuentes en los primeros semestres y menos en los últimos, indicando mayor
heterogeneidad en los niveles iniciales.
El Primer y Segundo Nivel, presentan mayor dispersión, con muchos resultados bajos y algunos
extremos superiores, reflejando posiblemente un proceso de adaptación o de aprendizaje inicial. Del
Tercer a Noveno Semestre se muestran una tendencia de incremento en las medianas y menor
dispersión, sugiriendo que los estudiantes van mejorando sus resultados con el avance de los
semestres. Los puntajes atípicos son más frecuentes en los primeros niveles, pero disminuyen en los
niveles superiores, indicando una mayor homogeneidad en los resultados finales.
Variable Y1 : Promedio general histórico de Rendimiento Académico
Tabla 5. Carrera de Economía
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5485 0,2151 0,60 656 Medio
Segundo 0,4080 0,2008 0,50 – 0,55 542 Regular
Tercero 0,5161 0,1751 0,60 419 Medio
Cuarto 0,5275 0,2031 0,60 – 0,70 359 Medio
Quinto 0,6104 0,1745 0,60 306 Alto
Sexto 0,5866 0,1809 0,60 202 Medio
Séptimo 0,6753 0,1607 0,75 154 Alto
Octavo 0,7545 0,1517 0,75 155 Alto
Noveno 0,7335 0,1069 0,70 66 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de los medios evidencia una tendencia de mejora progresiva en el rendimiento académico
a medida que los estudiantes avanzan en la carrera. Los niveles iniciales (primero a cuarto) presentan
medias en torno a 0,45-0,55, en el rango medio, indicando un desempeño Regular en las etapas
iniciales. Sin embargo, en los niveles superiores (séptimo, octavo y noveno), las medias superan los
1770 | Página
las cajas), que son más frecuentes en los primeros semestres y menos en los últimos, indicando mayor
heterogeneidad en los niveles iniciales.
El Primer y Segundo Nivel, presentan mayor dispersión, con muchos resultados bajos y algunos
extremos superiores, reflejando posiblemente un proceso de adaptación o de aprendizaje inicial. Del
Tercer a Noveno Semestre se muestran una tendencia de incremento en las medianas y menor
dispersión, sugiriendo que los estudiantes van mejorando sus resultados con el avance de los
semestres. Los puntajes atípicos son más frecuentes en los primeros niveles, pero disminuyen en los
niveles superiores, indicando una mayor homogeneidad en los resultados finales.
Variable Y1 : Promedio general histórico de Rendimiento Académico
Tabla 5. Carrera de Economía
Nivel Media (x) Desviación
estándar
Frecuencia Número de casos Nivel de RA
Primero 0,5485 0,2151 0,60 656 Medio
Segundo 0,4080 0,2008 0,50 – 0,55 542 Regular
Tercero 0,5161 0,1751 0,60 419 Medio
Cuarto 0,5275 0,2031 0,60 – 0,70 359 Medio
Quinto 0,6104 0,1745 0,60 306 Alto
Sexto 0,5866 0,1809 0,60 202 Medio
Séptimo 0,6753 0,1607 0,75 154 Alto
Octavo 0,7545 0,1517 0,75 155 Alto
Noveno 0,7335 0,1069 0,70 66 Alto
Fuente: Elaboración propia en base a datos institucionales
El análisis de los medios evidencia una tendencia de mejora progresiva en el rendimiento académico
a medida que los estudiantes avanzan en la carrera. Los niveles iniciales (primero a cuarto) presentan
medias en torno a 0,45-0,55, en el rango medio, indicando un desempeño Regular en las etapas
iniciales. Sin embargo, en los niveles superiores (séptimo, octavo y noveno), las medias superan los
Vol.6 N|1
1771 | Página
0,73, alcanzando valores en el rango alto y muy alto, lo que refleja un incremento en la calidad del
desempeño en las fases finales de la carrera.
La desviación estándar en todos los niveles es moderada, indicando cierta dispersión en los resultados,
pero sin presentar variaciones extremas, lo que sugiere resultados relativamente homogéneos en cada
cohorte.
El rendimiento académico en la Carrera de Economía muestra una tendencia positiva a medida que
los estudiantes avanzan en su formación, alcanzando niveles altos y muy altos en los niveles superiores.
Esto indica un proceso de aprendizaje que favorece la mejora progresiva del desempeño, aunque se
recomienda fortalecer las intervenciones en las etapas iniciales para mejorar la base de conocimientos
y habilidades desde el ingreso.
DISCUSIÓN
Los resultados evidencian una trayectoria de mejora progresiva del rendimiento académico,
consistente con enfoques contemporáneos que lo conceptualizan como un proceso dinámico,
multidimensional y evolutivo, determinado por la interacción entre factores cognitivos, motivacionales
e institucionales (Richardson et al., 2012; York et al., 2015). En este sentido, la caída observada en el
segundo semestre confirma la existencia de una fase crítica en la transición hacia la educación superior,
caracterizada por dificultades de adaptación académica y ajuste al entorno universitario, lo cual se
alinea con el modelo de integración académica de Tinto (1993) y con la evidencia empírica sobre la
vulnerabilidad de los primeros niveles formativos (Pascarella & Terenzini, 2005). Asimismo, la
progresión no lineal del rendimiento, con fluctuaciones en niveles intermedios, refleja el carácter
dinámico del aprendizaje universitario y la influencia de procesos autorregulatorios en desarrollo
(Pintrich, 2004; Zimmerman, 2002).
La mejora sostenida en los niveles superiores puede interpretarse a la luz del fortalecimiento progresivo
de competencias cognitivas y metacognitivas, así como de la consolidación de estrategias de
aprendizaje autorregulado, lo que contribuye a una mayor estabilidad y consistencia en el desempeño
académico (Zimmerman, 2002; Diseth, 2011). En paralelo, la reducción de la dispersión en los niveles
avanzados sugiere un efecto de selección académica, en el cual los estudiantes que logran permanecer
1771 | Página
0,73, alcanzando valores en el rango alto y muy alto, lo que refleja un incremento en la calidad del
desempeño en las fases finales de la carrera.
La desviación estándar en todos los niveles es moderada, indicando cierta dispersión en los resultados,
pero sin presentar variaciones extremas, lo que sugiere resultados relativamente homogéneos en cada
cohorte.
El rendimiento académico en la Carrera de Economía muestra una tendencia positiva a medida que
los estudiantes avanzan en su formación, alcanzando niveles altos y muy altos en los niveles superiores.
Esto indica un proceso de aprendizaje que favorece la mejora progresiva del desempeño, aunque se
recomienda fortalecer las intervenciones en las etapas iniciales para mejorar la base de conocimientos
y habilidades desde el ingreso.
DISCUSIÓN
Los resultados evidencian una trayectoria de mejora progresiva del rendimiento académico,
consistente con enfoques contemporáneos que lo conceptualizan como un proceso dinámico,
multidimensional y evolutivo, determinado por la interacción entre factores cognitivos, motivacionales
e institucionales (Richardson et al., 2012; York et al., 2015). En este sentido, la caída observada en el
segundo semestre confirma la existencia de una fase crítica en la transición hacia la educación superior,
caracterizada por dificultades de adaptación académica y ajuste al entorno universitario, lo cual se
alinea con el modelo de integración académica de Tinto (1993) y con la evidencia empírica sobre la
vulnerabilidad de los primeros niveles formativos (Pascarella & Terenzini, 2005). Asimismo, la
progresión no lineal del rendimiento, con fluctuaciones en niveles intermedios, refleja el carácter
dinámico del aprendizaje universitario y la influencia de procesos autorregulatorios en desarrollo
(Pintrich, 2004; Zimmerman, 2002).
La mejora sostenida en los niveles superiores puede interpretarse a la luz del fortalecimiento progresivo
de competencias cognitivas y metacognitivas, así como de la consolidación de estrategias de
aprendizaje autorregulado, lo que contribuye a una mayor estabilidad y consistencia en el desempeño
académico (Zimmerman, 2002; Diseth, 2011). En paralelo, la reducción de la dispersión en los niveles
avanzados sugiere un efecto de selección académica, en el cual los estudiantes que logran permanecer
Vol.6 N|1
1772 | Página
en la trayectoria formativa tienden a presentar perfiles de rendimiento más homogéneos, fenómeno
previamente documentado en estudios sobre retención y permanencia estudiantil (Bean, 1980). No
obstante, la persistencia de valores atípicos bajos en todos los niveles evidencia que dicho proceso de
mejora no es plenamente inclusivo, revelando la existencia de brechas internas en el desempeño
académico, lo que coincide con planteamientos recientes sobre desigualdad en los resultados de
aprendizaje en educación superior (Credé & Kuncel, 2008; Marginson, 2016).
Desde una perspectiva institucional, estos hallazgos refuerzan la necesidad de implementar estrategias
integrales de acompañamiento académico en los primeros niveles, incluyendo programas de tutoría,
apoyo psicopedagógico y desarrollo de habilidades de aprendizaje, así como sistemas de monitoreo
continuo que permitan la identificación temprana de estudiantes en riesgo. En este sentido, la evidencia
sugiere que intervenciones oportunas y sostenidas pueden contribuir significativamente a mejorar la
retención, el rendimiento y la equidad en las trayectorias académicas, en concordancia con enfoques
contemporáneos de gestión educativa basada en evidencia (Kuh et al., 2008; Thomas, 2012).
CONCLUSIONES
Los resultados evidencian una tendencia general de mejora progresiva del rendimiento académico en
todas las carreras analizadas. En los primeros niveles, los promedios se sitúan predominantemente en
rangos medios, acompañados de alta dispersión y presencia significativa de valores atípicos bajos.
El segundo semestre emerge como una fase crítica en la mayoría de las carreras, caracterizada por una
disminución del rendimiento académico y una elevada variabilidad en las calificaciones. Este patrón
sugiere dificultades de adaptación al entorno universitario.
A partir de los niveles intermedios, se observa una recuperación progresiva del rendimiento, con
incrementos sostenidos en las medias y medianas. En los niveles avanzados, los promedios alcanzan
categorías altas, evidenciando un proceso de consolidación académica.
En términos de dispersión, se identifica una reducción progresiva en los niveles superiores, lo que
indica mayor homogeneidad en el desempeño de los estudiantes que permanecen en la trayectoria
formativa. No obstante, persisten valores atípicos bajos en todos los niveles, lo que refleja la existencia
de brechas internas en el rendimiento académico.
1772 | Página
en la trayectoria formativa tienden a presentar perfiles de rendimiento más homogéneos, fenómeno
previamente documentado en estudios sobre retención y permanencia estudiantil (Bean, 1980). No
obstante, la persistencia de valores atípicos bajos en todos los niveles evidencia que dicho proceso de
mejora no es plenamente inclusivo, revelando la existencia de brechas internas en el desempeño
académico, lo que coincide con planteamientos recientes sobre desigualdad en los resultados de
aprendizaje en educación superior (Credé & Kuncel, 2008; Marginson, 2016).
Desde una perspectiva institucional, estos hallazgos refuerzan la necesidad de implementar estrategias
integrales de acompañamiento académico en los primeros niveles, incluyendo programas de tutoría,
apoyo psicopedagógico y desarrollo de habilidades de aprendizaje, así como sistemas de monitoreo
continuo que permitan la identificación temprana de estudiantes en riesgo. En este sentido, la evidencia
sugiere que intervenciones oportunas y sostenidas pueden contribuir significativamente a mejorar la
retención, el rendimiento y la equidad en las trayectorias académicas, en concordancia con enfoques
contemporáneos de gestión educativa basada en evidencia (Kuh et al., 2008; Thomas, 2012).
CONCLUSIONES
Los resultados evidencian una tendencia general de mejora progresiva del rendimiento académico en
todas las carreras analizadas. En los primeros niveles, los promedios se sitúan predominantemente en
rangos medios, acompañados de alta dispersión y presencia significativa de valores atípicos bajos.
El segundo semestre emerge como una fase crítica en la mayoría de las carreras, caracterizada por una
disminución del rendimiento académico y una elevada variabilidad en las calificaciones. Este patrón
sugiere dificultades de adaptación al entorno universitario.
A partir de los niveles intermedios, se observa una recuperación progresiva del rendimiento, con
incrementos sostenidos en las medias y medianas. En los niveles avanzados, los promedios alcanzan
categorías altas, evidenciando un proceso de consolidación académica.
En términos de dispersión, se identifica una reducción progresiva en los niveles superiores, lo que
indica mayor homogeneidad en el desempeño de los estudiantes que permanecen en la trayectoria
formativa. No obstante, persisten valores atípicos bajos en todos los niveles, lo que refleja la existencia
de brechas internas en el rendimiento académico.
Vol.6 N|1
1773 | Página
El análisis comparativo entre carreras muestra patrones similares, aunque con diferencias en la
intensidad de la mejora y en la reducción de la variabilidad. Algunas carreras presentan trayectorias
más consistentes, mientras que otras evidencian mayor heterogeneidad en los resultados.
REFERENCIAS BIBLIOGRÁFICAS
Astin, A. W. (1993). What matters in college? Four critical years revisited. Jossey-Bass.
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. En J. A. Larusson
& B. White (Eds.), Learning analytics (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-
3305-7_4
Bean, J. P. (1980). Dropouts and turnover: The synthesis and test of a causal model of student attrition.
Research in Higher Education, 12(2), 155–187. https://doi.org/10.1007/BF00976194
Bollen, K. A., & Curran, P. J. (2006). Latent curve models: A structural equation perspective. Wiley.
https://doi.org/10.1002/0471746096
Credé, M., & Kuncel, N. R. (2008). Study habits, skills, and attitudes: The third pillar supporting collegiate
academic performance. Perspectives on Psychological Science, 3(6), 425–453.
https://doi.org/10.1111/j.1745-6924.2008.00089.x
DeMars, C. (2010). Item response theory. Oxford University Press.
Diseth, Å. (2011). Self-efficacy, goal orientations and learning strategies as mediators between
preceding and subsequent academic achievement. Learning and Individual Differences, 21(2), 191–
195. https://doi.org/10.1016/j.lindif.2011.01.003
Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence Erlbaum
Associates.
Goldstein, H. (2011). Multilevel statistical models (4th ed.). Wiley.
Kline, R. B. (2015). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Komarraju, M., Karau, S. J., & Schmeck, R. R. (2009). Role of the Big Five personality traits in predicting
college students’ academic motivation and achievement. Learning and Individual Differences,
19(1), 47–52. https://doi.org/10.1016/j.lindif.2008.07.001
1773 | Página
El análisis comparativo entre carreras muestra patrones similares, aunque con diferencias en la
intensidad de la mejora y en la reducción de la variabilidad. Algunas carreras presentan trayectorias
más consistentes, mientras que otras evidencian mayor heterogeneidad en los resultados.
REFERENCIAS BIBLIOGRÁFICAS
Astin, A. W. (1993). What matters in college? Four critical years revisited. Jossey-Bass.
Baker, R. S., & Inventado, P. S. (2014). Educational data mining and learning analytics. En J. A. Larusson
& B. White (Eds.), Learning analytics (pp. 61–75). Springer. https://doi.org/10.1007/978-1-4614-
3305-7_4
Bean, J. P. (1980). Dropouts and turnover: The synthesis and test of a causal model of student attrition.
Research in Higher Education, 12(2), 155–187. https://doi.org/10.1007/BF00976194
Bollen, K. A., & Curran, P. J. (2006). Latent curve models: A structural equation perspective. Wiley.
https://doi.org/10.1002/0471746096
Credé, M., & Kuncel, N. R. (2008). Study habits, skills, and attitudes: The third pillar supporting collegiate
academic performance. Perspectives on Psychological Science, 3(6), 425–453.
https://doi.org/10.1111/j.1745-6924.2008.00089.x
DeMars, C. (2010). Item response theory. Oxford University Press.
Diseth, Å. (2011). Self-efficacy, goal orientations and learning strategies as mediators between
preceding and subsequent academic achievement. Learning and Individual Differences, 21(2), 191–
195. https://doi.org/10.1016/j.lindif.2011.01.003
Embretson, S. E., & Reise, S. P. (2000). Item response theory for psychologists. Lawrence Erlbaum
Associates.
Goldstein, H. (2011). Multilevel statistical models (4th ed.). Wiley.
Kline, R. B. (2015). Principles and practice of structural equation modeling (4th ed.). Guilford Press.
Komarraju, M., Karau, S. J., & Schmeck, R. R. (2009). Role of the Big Five personality traits in predicting
college students’ academic motivation and achievement. Learning and Individual Differences,
19(1), 47–52. https://doi.org/10.1016/j.lindif.2008.07.001
Vol.6 N|1
1774 | Página
Kuh, G. D., Kinzie, J., Schuh, J. H., & Whitt, E. J. (2008). Student success in college: Creating conditions that
matter. Jossey-Bass.
Marginson, S. (2016). The worldwide trend to high participation higher education: Dynamics of social
stratification in inclusive systems. Higher Education, 72, 413–434.
https://doi.org/10.1007/s10734-016-0016-x
McNeish, D., & Stapleton, L. M. (2016). The effect of small sample size on two-level model estimates:
A review and illustration. Educational Psychology Review, 28, 295–314.
https://doi.org/10.1007/s10648-014-9287-x
Ministerio de Educación de Bolivia. (2019). Estadísticas educativas.
National Center for Education Statistics. (2021). Digest of education statistics. https://nces.ed.gov
Organisation for Economic Co-operation and Development. (2022). Education at a glance 2022: OECD
indicators. OECD Publishing. https://doi.org/10.1787/3197152b-en
Pascarella, E. T., & Terenzini, P. T. (2005). How college affects students: A third decade of research (Vol. 2).
Jossey-Bass.
Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-regulated learning in
college students. Educational Psychology Review, 16(4), 385–407.
https://doi.org/10.1007/s10648-004-0006-x
Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Danish Institute for
Educational Research.
Richardson, M., Abraham, C., & Bond, R. (2012). Psychological correlates of university students’
academic performance: A systematic review and meta-analysis. Psychological Bulletin, 138(2),
353–387. https://doi.org/10.1037/a0026838
Schumacker, R. E., & Lomax, R. G. (2016). A beginner’s guide to structural equation modeling (4th ed.).
Routledge.
Singer, J. D., & Willett, J. B. (2003). Applied longitudinal data analysis: Modeling change and event
occurrence. Oxford University Press.
1774 | Página
Kuh, G. D., Kinzie, J., Schuh, J. H., & Whitt, E. J. (2008). Student success in college: Creating conditions that
matter. Jossey-Bass.
Marginson, S. (2016). The worldwide trend to high participation higher education: Dynamics of social
stratification in inclusive systems. Higher Education, 72, 413–434.
https://doi.org/10.1007/s10734-016-0016-x
McNeish, D., & Stapleton, L. M. (2016). The effect of small sample size on two-level model estimates:
A review and illustration. Educational Psychology Review, 28, 295–314.
https://doi.org/10.1007/s10648-014-9287-x
Ministerio de Educación de Bolivia. (2019). Estadísticas educativas.
National Center for Education Statistics. (2021). Digest of education statistics. https://nces.ed.gov
Organisation for Economic Co-operation and Development. (2022). Education at a glance 2022: OECD
indicators. OECD Publishing. https://doi.org/10.1787/3197152b-en
Pascarella, E. T., & Terenzini, P. T. (2005). How college affects students: A third decade of research (Vol. 2).
Jossey-Bass.
Pintrich, P. R. (2004). A conceptual framework for assessing motivation and self-regulated learning in
college students. Educational Psychology Review, 16(4), 385–407.
https://doi.org/10.1007/s10648-004-0006-x
Rasch, G. (1960). Probabilistic models for some intelligence and attainment tests. Danish Institute for
Educational Research.
Richardson, M., Abraham, C., & Bond, R. (2012). Psychological correlates of university students’
academic performance: A systematic review and meta-analysis. Psychological Bulletin, 138(2),
353–387. https://doi.org/10.1037/a0026838
Schumacker, R. E., & Lomax, R. G. (2016). A beginner’s guide to structural equation modeling (4th ed.).
Routledge.
Singer, J. D., & Willett, J. B. (2003). Applied longitudinal data analysis: Modeling change and event
occurrence. Oxford University Press.
Vol.6 N|1
1775 | Página
Thomas, L. (2012). Building student engagement and belonging in higher education. Higher Education
Academy. https://doi.org/10.13140/RG.2.1.5056.7843
Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition (2nd ed.). University of
Chicago Press.
Tinto, V. (1997). Classrooms as communities: Exploring the educational character of student
persistence. Journal of Higher Education, 68(6), 599–623.
https://doi.org/10.1080/00221546.1997.11779003
Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
York, T. T., Gibson, C., & Rankin, S. (2015). Defining and measuring academic success. Practical
Assessment, Research, and Evaluation, 20(5), 1–20. https://doi.org/10.7275/hz5x-tx03
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2),
64–70. https://doi.org/10.1207/s15430421tip4102_2
1775 | Página
Thomas, L. (2012). Building student engagement and belonging in higher education. Higher Education
Academy. https://doi.org/10.13140/RG.2.1.5056.7843
Tinto, V. (1993). Leaving college: Rethinking the causes and cures of student attrition (2nd ed.). University of
Chicago Press.
Tinto, V. (1997). Classrooms as communities: Exploring the educational character of student
persistence. Journal of Higher Education, 68(6), 599–623.
https://doi.org/10.1080/00221546.1997.11779003
Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.
York, T. T., Gibson, C., & Rankin, S. (2015). Defining and measuring academic success. Practical
Assessment, Research, and Evaluation, 20(5), 1–20. https://doi.org/10.7275/hz5x-tx03
Zimmerman, B. J. (2002). Becoming a self-regulated learner: An overview. Theory Into Practice, 41(2),
64–70. https://doi.org/10.1207/s15430421tip4102_2