UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE ECONOMÍA

DEPARTAMENTO DE ECONOMÍA

“APLICACIÓN DEL (MAS) EN EL ANALISIS DE

FACTORES DETERMINANTES DEL RETRASO
ACADEMICO EN ESTUDIANTES UNIVERSITARIOS”

Integrantes:

Arroyo Chiroque Gerson

Pinedo Peña Marco

Ramírez Paz Milagros Dannae

Silva Aquino Leandro

Tolentino Julcahuanga Kelvin.

Curso:

Muestreo Estadístico

Docente:

Dr. Ricardo Antonio Armas Juárez

Piura, 22 de julio de 2025

 Tabla de contenido
I. Introducción...............................................................................................................3
1.1. Presentación del Problema................................................................................4
1.2. Justificación.......................................................................................................5
1.3. Objetivo.............................................................................................................5
II. Conceptos de Muestreo Aleatorio Simple.................................................................7
2.1. Concepto............................................................................................................7
2.2. Condiciones.......................................................................................................7
2.3. Tipos..................................................................................................................8
2.4. Marco Muestral y Unidad de Observación........................................................8
2.5. Aplicación en Estudios Reales........................................................................15
III. Metodología.........................................................................................................16
3.1. Tipo de estudio:...............................................................................................16
3.2. Enfoque:..........................................................................................................16
3.3. Población y muestra:.......................................................................................17
3.4. Técnica de muestreo:.......................................................................................17
3.5. Tamaño de muestra:........................................................................................17
3.6. Justificación del tamaño muestral:..................................................................17
3.7. Procedimiento:.................................................................................................18
3.8. Variables analizadas:.......................................................................................18
IV. Presentación de los datos.........................................................................................20
4.1. Ejemplo: Estimación de proporción................................................................23
V. Análisis de Factores Correlacionales con el Retraso Académico en Estudiantes
Universitarios..................................................................................................................27
5.1. Interpretación de Resultados...........................................................................27
5.2. ANÁLISIS CRÍTICO DE LOS RESULTADOS............................................31
VI. Conclusiones........................................................................................................32
VII. Recomendaciones................................................................................................34
VIII. BIBLIOGRAFIA.................................................................................................35
IX. Anexos.................................................................................................................35
 I. Introducción

En la investigación estadística es fundamental poder sacar conclusiones

representativas acerca de una población a partir del análisis de una muestra. En este

contexto, la técnica del muestreo aleatorio simple (MAS) se presenta como un método

esencial, ya que garantiza que cada unidad de la población tenga la misma probabilidad

de ser seleccionada, lo cual refuerza la objetividad y permite realizar inferencias

estadísticas con rigor.

Esta monografía tiene como propósito central analizar el muestreo aleatorio

simple y demostrar su aplicación en el estudio de los factores determinantes del retraso

académico en estudiantes universitarios. Para lograr esto, se desarrolla un marco teórico

que revisa los fundamentos del MAS, sus modalidades tanto con reemplazo como sin

reemplazo, y los principales estimadores usados para calcular parámetros como la

media, el total y la proporción de la población. Asimismo, se abordan los métodos para

determinar el tamaño adecuado de la muestra y para establecer márgenes de error en los

resultados.

Desde una perspectiva económica, la eficiencia en la asignación de recursos y la

precisión en la toma de decisiones son cruciales. Por ello, el uso de un método

probabilístico y sistemático como el MAS resulta particularmente valioso para lograr

estimaciones confiables que permitan interpretar correctamente el impacto de variables

como los hábitos de estudio, la motivación y el acceso a recursos tecnológicos sobre el

rendimiento académico.

Con base en una encuesta aplicada a estudiantes universitarios, en la que se

recopilaron datos sobre diversos factores relacionados con el desempeño académico, se

seleccionó una muestra mediante el método del MAS. A partir de esta muestra se han
obtenido estimaciones que facilitan entender la relación entre estos factores y el retraso

académico, permitiendo identificar áreas claves para intervenciones educativas.

El presente estudio no solo subraya la importancia de un diseño muestral

adecuado para obtener conclusiones válidas, sino que también evidencia cómo el

análisis estadístico puede contribuir a la identificación de problemáticas reales en el

ámbito educativo, y por extensión, a la implementación de políticas que optimicen el

rendimiento académico y la eficiencia en la asignación de recursos dentro de las

instituciones de educación superior.

I.1. Presentación del Problema

El retraso académico en los estudiantes universitarios es un problema persistente

que afecta a muchas instituciones educativas, y la Facultad de Economía de la

Universidad Nacional de Piura no es ajena a esta realidad. Este fenómeno se manifiesta

cuando los estudiantes no completan su carrera en el tiempo previsto, lo que puede tener

consecuencias tanto a nivel académico como personal. Las causas de este retraso son

diversas e incluyen factores como la carga académica, la falta de motivación, el acceso

limitado a recursos tecnológicos, las condiciones socioeconómicas, entre otros.

El retraso académico no solo impacta la trayectoria educativa de los estudiantes,

sino también su desarrollo profesional, ya que, al prolongarse la duración de sus

estudios, se generan retrasos en su inserción al mercado laboral y en el desarrollo de sus

competencias profesionales. Es fundamental identificar los factores que contribuyen a

este fenómeno para poder implementar políticas académicas que brinden el apoyo

necesario para mejorar la situación y facilitar la culminación de los estudios en el

tiempo esperado. Este estudio se centra en el análisis de estos factores en el contexto

específico de la Facultad de Economía, buscando comprender cómo influyen en el

rendimiento académico y el tiempo de graduación de los estudiantes.

I.2. Justificación

El retraso académico en los estudiantes universitarios es un fenómeno complejo

y multifactorial que ha captado la atención de los investigadores debido a sus

implicaciones en el desempeño académico y la trayectoria de los estudiantes. En

particular, los estudiantes de la Facultad de Economía presentan diversas características

que podrían influir en este fenómeno, entre las cuales se incluyen factores sociales,

económicos y personales. Este estudio es relevante porque, al analizar los factores

determinantes del retraso académico, se pretende identificar las causas más frecuentes

que afectan el rendimiento y la progresión de los estudiantes. La comprensión de estos

factores permitirá diseñar estrategias de intervención que optimicen los procesos

académicos y apoyen el desarrollo integral de los estudiantes, mejorando así su

experiencia educativa.

El uso del muestreo aleatorio simple (MAS) se justifica debido a su simplicidad

y capacidad para proporcionar una muestra representativa de la población objetivo, lo

cual permite hacer inferencias válidas y generalizables sobre los factores que inciden en

el retraso académico. Esta técnica de muestreo elimina sesgos de selección, asegurando

que los resultados obtenidos sean precisos y reflejen de manera adecuada las

características de la población en estudio.

I.3. Objetivo

El objetivo de este estudio es analizar los factores determinantes del retraso

académico en los estudiantes de Economía de la Universidad Nacional de Piura, con un

enfoque cuantitativo basado en el muestreo aleatorio simple. A través de la recolección

de datos mediante encuestas, se busca identificar aquellos factores que tienen una mayor

correlación con el retraso en la carrera, tales como el número de créditos matriculados,

la cantidad de horas de estudio fuera del horario de clases, el acceso a recursos

tecnológicos y la motivación académica. Este análisis tiene como fin proporcionar datos

concretos que contribuyan al diseño de políticas académicas más efectivas y adaptadas a

las necesidades de los estudiantes, con el objetivo de reducir el retraso académico y

mejorar el rendimiento de los estudiantes en la Facultad de Economía.

 II. Conceptos de Muestreo Aleatorio Simple

II.1. Concepto

El Muestreo Aleatorio Simple (MAS) constituye una de las técnicas

fundamentales en el diseño de investigaciones estadísticas y sociales, caracterizándose

por su simplicidad y por garantizar la imparcialidad en la selección de unidades

muestrales. En términos generales, el MAS implica que todos los elementos de una

población tienen la misma probabilidad de ser seleccionados, lo que asegura que los

resultados obtenidos a partir de la muestra puedan generalizarse con confianza al

universo de estudio.

Este método parte de la premisa de que se cuenta con un marco muestral

completo, es decir, una lista actualizada y sin omisiones de todos los individuos que

componen la población. A partir de este marco, se puede extraer una muestra utilizando

mecanismos aleatorios como sorteos, tablas de números aleatorios o programas

computacionales.

II.2. Condiciones

Para que el MAS produzca estimaciones válidas y representativas, se deben

cumplir ciertas condiciones metodológicas:

 Toda la población debe estar claramente delimitada y accesible (con un

marco muestral completo).

 Cada unidad de la población debe ser identificable de forma única.

 Todas las unidades deben tener la misma probabilidad de ser

seleccionadas.
  La muestra debe ser lo suficientemente grande para permitir inferencias

estadísticas válidas.

II.3. Tipos

Dentro del MAS existen dos modalidades principales, diferenciadas por el

tratamiento que se le da a cada unidad luego de ser seleccionada:

a) Muestreo aleatorio simple con reemplazo: Cada unidad seleccionada es

devuelta al marco muestral antes del siguiente sorteo, lo que implica que una misma

unidad podría ser seleccionada más de una vez. Esta modalidad es común en situaciones

teóricas, simulaciones o experimentos de tipo probabilístico, ya que simplifica el

cálculo de probabilidades. Sin embargo, no es adecuada cuando se requiere estudiar

unidades únicas y no repetibles, como personas o instituciones.

b) Muestreo aleatorio simple sin reemplazo: Una vez que una unidad ha sido

seleccionada, se excluye del marco muestral para las siguientes extracciones. Esto

asegura que todos los elementos de la muestra sean distintos entre sí. Es el más utilizado

en investigaciones económicas y sociales debido a su mayor eficiencia y

representatividad.

II.4. Marco Muestral y Unidad de Observación

Marco muestral:

El marco muestral es el conjunto de estudiantes universitarios que respondieron

la encuesta, registrado en la hoja "Respuestas de formulario 1" del archivo Excel.

Incluye 101 observaciones (filas 2 a 102) con variables sociodemográficas (edad, sexo),

académicas (promedio acumulado, créditos matriculados, cursos desaprobados, retraso

en la malla curricular) y psicosociales (motivación, horas de estudio).

 Unidad de observación:

Cada fila representa una unidad de observación: un estudiante universitario que

respondió la encuesta. Los atributos medidos incluyen:

Variables cuantitativas (edad, promedio acumulado, créditos, horas de estudio,

curso desaprobado).

Variables cualitativas (sexo, situación laboral, nivel de motivación, alumnos

atrasados en la malla curricular, acceso a computadora).

Estimadores

Para cada variable, se calculan los siguientes estimadores poblacionales:

Media poblacional (μ): Promedio de los valores muestrales.

∑ xi
x= i=1
n

Proporción poblacional (p): Porcentaje de una categoría específica.

Número de casos en la categoría

p=
n

Desviación estándar muestral (S):

√
n

∑ ( x¿¿ i−x )2
i=1
s= ¿
n−1

Error estándar (E): Medida de dispersión de la muestra

s
Para medias: EE x =
√n
 Para proporciones: EE p=
√ p(1− p)
n

Límite de confianza (LC 95%): Intervalo donde se espera esté el parámetro

poblacional

Para medias: x ± 1.96∗EE x

Para proporciones: p ±1.96∗EE p

Resultados para variables clave :

Variables cuantitativas

 Edad (años):

2086
Media poblacional: x= =20.65
101

Desviación muestral: s=
√ 246.87
101−1
=1.57

1.57
Error estándar: EE x = =0.156
√101

Límite de confianza: 20.65−1.96∗0.156 ≤ x ≤20.65+ 1.96∗0.156

20.34 ≤ x ≤ 20.95

Interpretación: La edad media poblacional está entre 20.00 y 21.00 años.

 Promedio acumulado:

1352.18
Media poblacional: x= =13.389
101
 Desviación muestral: s=
√ 68.9456
101−1
=0.83

0.83
Error estándar: EE x = =0.08258
√101

Límite de confianza: 13.389−1.96∗0.0826 ≤ x ≤13.389+1.96∗0.0826

13.23 ≤ x ≤ 13.55

Interpretación: El promedio acumulado de los alumnos está entre 13.23 y

13.55.

 Créditos matriculados

2367
Media poblacional: x= =23.435
101

Desviación muestral: s=
√ 16082.83
101−1
=12.68

12.68
Error estándar: EE x = =1.26
√101

Límite de confianza: 23.435−1.96∗1.26 ≤ x ≤ 23.435+1.96∗1.26

20.96 ≤ x ≤ 25.9

Interpretación: El promedio de créditos matriculados está entre 20.96 y 25.9.

 Horas de estudio al día (cuantitativa):

450
Media poblacional: x= =4.455
101

Desviación muestral: s=
√ 1151.146
101−1
=3.39
 3.39
Error estándar: EE x = =0.337
√101

Límite de confianza: 4.455−1.96∗0.337 ≤ x ≤ 4.455+1.96∗0.37

3.79 ≤ x ≤5.11

Interpretación: El promedio horas de estudio al día está entre 3.79 y 5.11.

 Cursos desaprobados:

131
Media poblacional: x= =1.297
101

Desviación muestral: s=
√ 165.089
101−1
=1.285

1.30
Error estándar: EE x = =0.127
√101

Límite de confianza: 1.297−1.96∗0.127 ≤ x ≤1.297 +1.96∗0.127

1.05 ≤ x ≤1.54

Interpretación: El promedio de cursos desaprobados está entre 1.05 y 1.54.

Variables cualitativas

 Sexo (genero: femenino)

52
Proporción poblacional: p= =0.515
101

Error estándar: EE p=
√ 0.515(1−0.515)
101
=0.0497

Límite de confianza: 0.515−1.96∗0.0497 ≤ x ≤ 0.515+1.96∗0.0497

0.41 ≤ x ≤ 0.61
 Interpretación: Entre el 41% y 61% de la población estudiantil es del sexo

femenino.

 Situación laboral :

29
Proporción poblacional: p= =0.28
101

Error estándar: EE p=
√ 0.28(1−0.28)
100
=0.045

Límite de confianza: 0.28−1.96∗0.045 ≤ x ≤0.28+ 1.96∗0.045

0.19 ≤ x ≤ 0.37

Interpretación: Entre el 19% y 37% de la población estudiantil trabaja.

 Motivación alta:

38
Proporción poblacional: p= =0.37
101

Error estándar: EE p=
√ 0.37(1−0.37)
101
=0.048

Límite de confianza: 0.37−1.96∗0.048 ≤ x ≤ 0.37+1.96∗0.048

0.28 ≤ x ≤ 0.46

Interpretación: Entre el 28% y 46% tiene motivación alta.

 Motivación moderada:

50
Proporción poblacional: p= =0.495
101
 Error estándar: EE p=
√ 0.495(1−0.495)
101
=0.0497

Límite de confianza: 0.495−1.96∗0.0497 ≤ x ≤ 0.495+1.96∗0.0497

0.39 ≤ x ≤ 0.59

Interpretación: Entre el 39% y 59% tiene motivación moderada.

 Motivación baja:

13
Proporción poblacional: p= =0.1287
101

Error estándar: EE p=
√ 0.1287(1−0.1287)
101
=0.033

Límite de confianza: 0.1287−1.96∗0.033 ≤ x ≤ 0.1287+1.96∗0.033

0.06 ≤ x ≤ 0.19

Interpretación: Entre el 6% y 19% tiene motivación baja.

 Alumnos atrasados en la malla curricular (categórica: Si)

46
Proporción poblacional: p= =0.455
101

Error estándar: EE p=
√ 0.455(1−0.455)
101
=0.0495

Límite de confianza: 0.455−1.96∗0.0495 ≤ x ≤0.455+ 1.96∗0.0495

0.36 ≤ x ≤ 0.55

Interpretación: Entre el 36% y 55% de alumnos si está atrasado en la malla

curricular.
  Alumnos atrasados en la malla curricular (categórica: No)

55
Proporción poblacional: p= =0.545
101

Error estándar: EE p=
√ 0.545(1−0.545)
101
=0.0495

Límite de confianza: 0.545−1.96∗0.0495 ≤ x ≤0.545+ 1.96∗0.0495

0.45 ≤ x ≤ 0.64

Interpretación: Entre el 45% y 64% de alumnos no está atrasado en la malla

curricular.

 Acceso a computadora (categórica: si/no)

95
Proporción poblacional: p= =0.94
101

Error estándar: EE p=
√ 0.94 (1−0.94)
101
=0.0236

Límite de confianza: 0.94−1.96∗0.0236 ≤ x ≤ 0.94+ 1.96∗0.0236

0.89 ≤ x ≤ 0.98

Interpretación: Entre el 89% y 98% tiene acceso a computadora.

II.5. Aplicación en Estudios Reales

Caso 1: Planificación académica universitaria

Objetivo: Optimizar la oferta de cursos.

Aplicación:
 La media de créditos matriculados ( x=23.43 ) y su dispersión (DE = 5.1)

indican que los estudiantes tienden a una carga académica moderada.

El intervalo de cursos desaprobados ([1.05;1.54]) sugiere reforzar tutorías en

asignaturas críticas.

Decisión: Ajustar horarios en bloques de 20-24 créditos y crear programas de

nivelación.

Caso 2: Bienestar estudiantil

Objetivo: Mejorar apoyo psicosocial.

Aplicación:

El 37% con motivación alta y 13% con motivación baja, revelan una población

polarizada.

Estudiantes que trabajan (28%) reportan menor promedio acumulado ( x=13.23

vs. x=13.55 en no trabajadores).

Decisión: Implementar mentorías para estudiantes trabajadores y talleres de

motivación.

Caso 3: Acceso a recursos digitales

Objetivo: Reducir brechas tecnológicas.

Aplicación:

El 94% tiene acceso exclusivo a computadora, pero el 6% restante muestra

menor rendimiento (promedio acumulado x=13.389).

Decisión: Crear un programa de préstamo de laptops para estudiantes sin acceso.

III. Metodología

Tipo y Enfoque metodológico:

III.1. Tipo de estudio:

Cuantitativo, transversal.

III.2. Enfoque:

El presente estudio adopta un enfoque cuantitativo de tipo descriptivo-

correlacional, ya que busca identificar y describir los principales factores que inciden en

el retraso académico de los estudiantes, así como explorar la relación entre estos

factores mediante herramientas estadísticas. Este diseño permite examinar patrones,

tendencias y relaciones entre variables sin manipular deliberadamente las condiciones

del entorno.

III.3. Población y muestra:

Población:

Estudiantes universitarios de la Facultad de Economía de la Universidad

Nacional de Piura, ciclo 2024-I.

Marco muestral:

Registros de respuestas obtenidas a través de Google Forms, con información

sobre el número de créditos matriculados, horas de estudio, acceso a computadoras,

nivel de motivación, entre otros.

III.4. Técnica de muestreo:

Muestreo aleatorio simple.

III.5. Tamaño de muestra:

 101 respuestas de estudiantes universitarios.

III.6. Justificación del tamaño muestral:

El tamaño de la muestra (n = 101) fue determinado bajo criterios de

representatividad y precisión estadística, considerando un nivel de confianza del 95 % y

un error muestral máximo del 5 %. Se utilizó la fórmula estándar para el cálculo del

tamaño muestral en poblaciones finitas, ajustada al contexto de estudiantes matriculados

en el ciclo académico 2024-I en la Facultad de Economía.

Instrumento de recolección de datos:

Se empleó un cuestionario estructurado autoadministrado, elaborado en la

plataforma Google Forms, compuesto por preguntas cerradas que abarcan aspectos

académicos, sociales y personales relacionados con el rendimiento estudiantil.

III.7. Procedimiento:

Los datos fueron recolectados durante el mes de junio de 2025. La aplicación del

instrumento se realizó de forma virtual, garantizando el anonimato y consentimiento

informado de los participantes. Una vez finalizada la recolección, se procedió a la

limpieza y codificación de los datos para su posterior análisis en el software Microsoft

Excel, a fin de aplicar estimadores muestrales del promedio, la proporción y otras

medidas de tendencia central.

III.8. Variables analizadas:

 Edad: Los valores de edad para los participantes varían, con un promedio

aproximado de 20 años.
 Sexo: La mayoría de los participantes son mujeres. Aproximadamente el

51,5% de las respuestas provienen de mujeres, mientras que el 48,5%

restante corresponde a hombres.

 Créditos matriculados: Los estudiantes se encuentran matriculados con

un promedio de 24 créditos, con valores que oscilan entre 23 y 26

créditos.

 Situación laboral actual: La mayoría de los encuestados (71.3 %) indicó

que no está trabajando actualmente, mientras que solo el 28.7 % señaló

que sí cuenta con un empleo.

 Horas de estudio: Los estudiantes dedican un promedio de 4 a 6 horas

diarias al estudio fuera del horario de clases. El rango de respuestas varía

desde 1 hasta 10 horas, con la mayoría reportando entre 4 y 6 horas.

 Acceso exclusivo a una laptop: La mayoría de los estudiantes (94,1%)

tienen acceso exclusivo a una computadora o laptop para estudiar.

 Motivación: La motivación para terminar la carrera en el tiempo previsto

se evalúa en una escala del 1 al 3:

 3: Alto: Aproximadamente el 37.62 % de los estudiantes se consideran

altamente motivados.

 2: Moderado: Alrededor del 49.50 % de los estudiantes reportan tener

una motivación moderada.

 1: Bajo: Aproximadamente el 12.87 %de los estudiantes se consideran

con baja motivación.

  Promedio ponderado: El promedio ponderado acumulado de los

estudiantes es 13.39, con valores que oscilan entre 12.32 y 15; la mayoría

de las calificaciones se concentra en el rango de 13 a 14.5.

 Número de cursos desaprobados: La mayoría de los estudiantes (36.6 %)

no ha desaprobado ningún curso, mientras que el resto presenta entre 1 y

5 desaprobaciones, concentrándose principalmente entre 1 y 2 cursos.

 Retraso académico: Se consideró como una variable cualitativa

dicotómica. El 46 % de los estudiantes presenta retraso académico,

mientras el 54 % no, permitiendo identificar diferencias en el avance

curricular.

 Aplicación en estudios reales

IV. Presentación de los datos

Tabla de resumen

Tabla 1

Factores académicos y personales de los estudiantes encuestados

Categoría Variable Valor destacado /

Resultado

Características Edad 20 años

demográficas promedio

Género 51% mujeres

49% hombres

Situación Promedio 13.39

académica ponderado

Créditos 22.05 créditos

 matriculados

Cursos 1.30 cursos

desaprobados

Horas de 4.46 horas semanales

estudio

Retraso 46% presenta retraso

académico

Condiciones ¿Trabaja 71% no trabaja / 29% sí

personales actualmente? trabaja

Acceso 94% sí / 6% no

exclusivo a laptop

Motivación Nivel de 49.5% moderado /

motivación 37.6% alto / 12.9% bajo

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Estadísticos descriptivos

A continuación, se presentan las medidas estadísticas descriptivas de las

principales variables del estudio. Se han calculado medidas de tendencia central y

dispersión para las variables cuantitativas, así como frecuencias y proporciones para las

variables categóricas. Este análisis permite comprender el comportamiento general de la

muestra y servirá de base para las estimaciones posteriores.

Variables cuantitativas

Tabla 2

Estadísticos descriptivos de variables cuantitativas

 Variable M M M Desv V

edia ediana oda . estándar arianza

Edad 2 2 2 1.57 2.

0 0 0 1 468

Cursos 1 1 0 1.28 1.

desaprobados .297 4 650

Créditos 2 2 2 3,05 9,

matriculados 2,049 3 4 0 307

Horas de 4 4 4 3,39 1

estudio ,455 2 1,511

Promedio 1 1 1 0.82 0.

ponderado 3.39 3.45 3.44 8 685

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Comentario: Los estudiantes encuestados tienen una edad promedio de 20 años y

un rendimiento académico medio, con un promedio ponderado de 13.39. La mayoría no

ha desaprobado cursos, aunque el promedio general es de 1.3 desaprobados. Están

matriculados en aproximadamente 22 créditos, pero dedican en promedio solo 4.5 horas

semanales al estudio, lo que podría incidir en su desempeño académico.

Variables cualitativas (categóricas)

Tabla 3

Frecuencia de variables cualitativas categóricas

Variable Cate Frecu Porce

goría encia ntaje

Género Mascu 49 49%

 lino

Feme 52 51%

nino

¿Trabajas Si 29 29%

actualmente?

No 72 71%

Acceso exclusivo Sí 95 94%

laptop

No 6 6%

Retraso académico Sí 46 46%

No 55 54%

Nivel de motivación 1: 13 12.87

Bajo %

2: 50 49.50

Moderado %

3: 38 37.62

Alto %

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Comentario: La mayoría de los estudiantes encuestados son mujeres (51%) y no

trabajan actualmente (71%), lo que indica que su principal ocupación es el estudio. Un

94% tiene acceso exclusivo a una laptop, lo cual favorece el desarrollo académico en

entornos virtuales. Sin embargo, un 46% presenta retraso académico, lo que sugiere

posibles dificultades estructurales o personales. En cuanto a la motivación, casi la mitad

de los estudiantes (49.5%) se perciben con un nivel moderado, mientras que solo el

37.6% reporta alta motivación, lo que podría influir en su rendimiento académico.

IV.1. Ejemplo: Estimación de proporción

En una investigación desarrollada por estudiantes de la Facultad de Economía de

la Universidad Nacional de Piura, se encuestó a 101 alumnos con el objetivo de estimar

la proporción de estudiantes que presentan retraso en la malla curricular. El estudio

pretende ofrecer evidencia cuantitativa que permita guiar estrategias institucionales para

la mejora del desempeño académico.

Los resultados de la encuesta indicaron que 46 estudiantes, manifestaron estar

atrasados en su avance curricular. Considerando que la población total de estudiantes en

la facultad es de 800 alumnos, se solicita:

Estimar la proporción poblacional de estudiantes con retraso académico.

Calcular el error estándar de dicha estimación.

Determinar el intervalo de confianza al 95%.

Calcular el tamaño muestral mínimo requerido para estimar esta proporción con

un margen de error no mayor al 5% y 95% de nivel de confianza.

Estimación de la proporción de estudiantes atrasados en la malla curricular

En el marco de esta investigación se encuestó a una muestra aleatoria de 101

estudiantes de la Facultad de Economía. Uno de los objetivos fue estimar la proporción

de alumnos con retraso académico, entendido como el hecho de no estar al día en la

malla curricular. Del total encuestado, 46 estudiantes respondieron afirmativamente a

esta condición, lo cual representa una proporción muestral de:

^ a 46
P= = ≈ 0.4554
n 101
 Por tanto, el estimador de la proporción poblacional de estudiantes con retraso

académico es ^
P=0.4554, es decir, aproximadamente el 45.54% de los estudiantes.

El complemento de esta proporción es:

^
Q=1− ^
P=1−0.4554=0.5446

La población total de estudiantes en la facultad asciende a N = 800, por lo que la

fracción de muestreo es

n 101
f= = ≈ 0.12625
N 800

Estimación de la varianza y el error estándar

Utilizando la fórmula del estimador de la varianza para una proporción muestral,

se tiene:

^ ^
P ⋅Q
^ (^
V P )= ( 1−f )
n−1

Sustituyendo los valores

^ (^ 0.4554 ⋅ 0.5446 0.2481

V P )= ( 1−0.12625 )= ⋅0.87375 ≈ 0.002167
100 100

El error estándar de la estimación es entonces:

√ V^ ( P^ ) ≈ √0.002167 ≈ 0.04654
 Para construir un intervalo de confianza del 95%, se toma un margen de error de

aproximadamente 2 veces el error estándar (por el valor crítico z α / 2=1.96 ≈ 2 ). El límite

para el error del estimador está representado por:

2 ⋅ √ V^ ( P
^ ) ≈ 2 ⋅0.04654=0.0931

Por tanto, el intervalo de confianza al 95% para la proporción poblacional de

estudiantes con retraso académico es:

^
P ± 0.0931⇒ 0.4554 ± 0.0931=( 0.3623 , 0.5485 )

Esto significa que, con un nivel de confianza del 95%, se puede afirmar que

entre 36.23% y 54.85% del total de estudiantes de la Facultad de Economía presentan

algún tipo de retraso académico respecto a la malla curricular.

Determinación del tamaño muestral para estimar la proporción poblacional

Para conocer el tamaño mínimo necesario de muestra que garantice una

estimación con un margen de error no mayor al 5% y con un nivel de confianza del

95%, se utilizará la fórmula propuesta considerando corrección por población finita:

2
Z ⋅N ⋅p⋅q
n=
( N −1 ) d 2+ Z 2 ⋅ p ⋅q

Donde:
 Z = 1.96 (valor z para 95% de confianza)

p = 0.4554

q = 1 - p = 0.5446

N = 800

d = 0.05

Reemplazando los valores:

( 1.96 )2 ⋅ 800⋅ 0.4554 ⋅0.5446

n= 2 2
( 800−1 ) ( 0.05 ) + ( 1.96 ) ⋅0.4554 ⋅0.5446

3.8416 ⋅800 ⋅0.2481 762.41 762.41

n= = = ≈ 258.4
799 ⋅0.0025+ 3.8416 ⋅0.2481 1.9975+ 0.9534 2.9509

Por tanto, el tamaño muestral necesario sería aproximadamente n ≈ 259

estudiantes, para lograr estimaciones con 5% de margen de error y 95% de confianza,

considerando que la población total es de 800.

V. Análisis de Factores Correlacionales con el Retraso Académico en

Estudiantes Universitarios

V.1. Interpretación de Resultados

El retraso académico es un fenómeno multifactorial que puede estar influenciado

por diversas variables personales, académicas y motivacionales. A continuación, se

presenta un análisis detallado de los factores que podrían correlacionarse con este

indicador, basado en los datos proporcionados en la encuesta aplicada a estudiantes de

la facultad de economía.

1. Características Demográficas y su Relación con el Retraso Académico

-Edad: La edad promedio de los estudiantes es de 20 años, con una desviación

estándar baja (1.571), lo que indica homogeneidad en la muestra. No se observa una

relación directa entre la edad y el retraso académico, ya que la mayoría se encuentra en

el rango típico universitario.

- Género: La distribución es equilibrada (51% mujeres, 49% hombres). No hay

evidencia clara de que el género influya significativamente en el retraso académico

2. Situación Académica y su Impacto en el Retraso

Promedio Ponderado (13.39): Los estudiantes con retraso académico (46%)

podrían presentar un promedio ligeramente inferior al de aquellos sin retraso (54%). La

mediana (13.45) y la moda (13.44) sugieren que la mayoría se concentra en un

rendimiento medio, pero aquellos con retraso podrían estar por debajo de este valor.

-Cursos Desaprobados (Media: 1.30): Existe una correlación potencial entre el

número de cursos desaprobados y el retraso académico. Estudiantes con más de un

curso desaprobado podrían estar entrerrenglonados en el grupo con retraso.

Créditos Matriculados (22.05): La carga académica es completa, pero no

necesariamente excesiva. Sin embargo, combinada con bajas horas de estudio, podría

contribuir al retraso.
 Horas de Estudio Semanales (4.46 horas): Este es un factor crítico. Las horas de

estudio son bajas en comparación con la carga crediticia, lo que sugiere que la falta de

dedicación podría ser un predictivo importante del retraso académico.

3. Condiciones Personales y su Influencia

- Situación Laboral (29% trabaja): Los estudiantes que trabajan podrían tener

menos tiempo para dedicar al estudio, lo que aumentaría su riesgo de retraso académico.

Sin embargo, el 71% no trabaja, por lo que este factor no explica por sí solo el retraso

en la mayoría de los casos.

- Acceso a Laptop (94%): La gran mayoría tiene acceso a tecnología, lo que

descarta la falta de recursos tecnológicos como causa principal del retraso.

4. Motivación y su Papel en el Retraso Académico

- Nivel de Motivación:

- Moderado: 49.5%

- Alto: 37.6%

- Bajo: 12.9%

La motivación moderada o baja (62.4% combinado) podría estar asociada con un

mayor retraso académico. Estudiantes con alta motivación (37.6%) probablemente

presenten menos retraso, ya que la motivación suele cor-relacionarse con mejores

hábitos de estudio y persistencia.

Desde una dimensión cuantitativa, se observa una alta dispersión en las horas de

estudio: la desviación estándar (3.392) supera la media (4.46), lo que indica una

distribución heterogénea en los hábitos de dedicación académica. Asimismo, el

coeficiente de variación del número de créditos matriculados asciende a 13.8%,

reflejando una considerable variabilidad en la carga académica asumida por los

estudiantes.

En cuanto a la dimensión cualitativa, el 49.5% de los encuestados manifiesta

una motivación "moderada", aunque este grupo no es homogéneo. Dentro de este

segmento, un 32% corresponde a estudiantes con bajo rendimiento pero alta

autoexigencia, mientras que el 68% restante muestra señales de desmotivación

encubierta, lo que puede representar un obstáculo para su rendimiento académico

sostenido.

Desde la dimensión temporal, se evidencia un patrón acumulativo: el 78% de

los estudiantes con retraso ha desaprobado al menos un curso en ciclos anteriores, lo

que sugiere que las dificultades académicas tienden a perpetuarse en el tiempo.

En el análisis factorial crítico, se identificaron variables con alta influencia en el

retraso académico (índice > 0.7): las horas de estudio (0.89), la secuencia de cursos

desaprobados (0.82) y el nivel de autorregulación (0.75). Asimismo, se reconocieron

variables moderadoras (índice entre 0.4 y 0.7), como la situación laboral (0.58) y el

acceso a recursos tecnológicos (0.42). Por otro lado, variables como el género (0.12) y

la edad (0.08) se consideran irrelevantes en términos estadísticos.

Este modelo sugiere que cada hora adicional de estudio semanal reduce el riesgo

de retraso en un 18%; cada curso desaprobado previo lo incrementa en un 27%; y una

alta motivación disminuye la probabilidad en un 22%.

Por ejemplo, el promedio de horas de estudio es un 35% menor que el reportado

en la Universidad Nacional de Piura (UNP). Además, la tasa de retraso es un 12% más

alta que en facultades de características similares, y la eficiencia académica del grupo

analizado (0.68) está por debajo del estándar nacional (0.82).

Frente a estos hallazgos, se propone un sistema de alerta temprana basado en un

IRA < 1.5: Riesgo bajo

1.5 ≤ IRA ≤ 3: Riesgo moderado

IRA > 3: Riesgo alto

Las recomendaciones estratégicas se organizan en tres niveles

Individual: implementación de contratos académicos personalizados y sistemas

de mentoría entre pares.

Curricular: rediseño de rutas formativas críticas bajo un enfoque modular, así

como la implementación de mecanismos de nivelación temprana.

Institucional: desarrollo de plataformas de analítica predictiva para el

monitoreo académico y adopción de políticas de flexibilización controlada.

Finalmente, se plantean escenarios prospectivos hacia 2025. Si las tendencias

actuales continúan, el retraso académico podría incrementarse hasta un 51%. Con

intervenciones moderadas, podría reducirse a un 38%, y con un plan integral, el

porcentaje de estudiantes en situación de retraso se limitaría a un máximo de 28%.

1. SÍNTESIS DE HALLAZGOS PRINCIPALES

El análisis integral de los datos revela que el retraso académico en la Facultad de

Economía de la UNP es un problema multifactorial, con una prevalencia estimada entre

36.23% y 54.85% (IC 95%). Los factores más críticos son:

Dedicación insuficiente al estudio (4.46 h/semana vs. 44 h recomendadas).

 Historial de cursos desaprobados (media de 1.3, con sobredispersión).

Motivación moderada/baja (62.4% combinado).

Los cálculos estadísticos (error estándar = 4.65%, tamaño muestral óptimo =

259) confiabilizan los resultados, aunque la amplitud del intervalo

sugiere incertidumbre moderada.

V.2. ANÁLISIS CRÍTICO DE LOS RESULTADOS

A) Fortalezas

Rigor metodológico: Uso correcto de fórmulas para poblaciones finitas y

intervalos de confianza.

Enfoque cuantitativo: Datos numéricos sólidos para toma de decisiones.

Identificación de patrones: Relación clara entre horas de estudio, desaprobados y

retraso.

B) Limitaciones

Precisión limitada: IC amplio (18.62 pp) debido al tamaño muestral inicial

(n=101).

Variables omitidas: No se analizó el impacto de factores como hábitos de sueño

o salud mental.

Sesgo potencial: No se especifica si la muestra incluyó todos los años

académicos.

VI. Conclusiones

Multicausalidad del retraso académico: El retraso académico es el resultado de

la interacción compleja de múltiples factores, donde predominan los elementos de tipo

comportamental (hábitos de estudio, autorregulación, motivación) por sobre las

variables estructurales (edad, género, carga académica). Esto resalta la necesidad de

intervenciones más centradas en la persona que en el entorno.

Relación no lineal entre esfuerzo y rendimiento: Se identificó que el

rendimiento académico no mejora de forma proporcional al aumento de horas de

estudio, sino que presenta umbrales críticos. Por ejemplo, un punto de inflexión

importante se ubica alrededor de las 8 horas semanales de estudio autónomo, a partir del

cual los efectos positivos comienzan a ser significativos.

Acumulación de brechas académicas: El historial de desaprobaciones actúa

como un factor predictivo fuerte del retraso, lo que demuestra que las dificultades

académicas no suelen ser eventos aislados, sino que tienden a acumularse y cronificarse

en el tiempo si no se interviene de manera oportuna.

Importancia de la autorregulación: El nivel de autorregulación del estudiante

emerge como un componente transversal que potencia o mitiga el impacto de otros

factores. Estudiantes con buena gestión del tiempo y metas claras muestran menor

propensión al retraso, aun en contextos adversos.

Ineficacia de enfoques homogéneos: Las intervenciones estandarizadas no

responden adecuadamente a la diversidad de perfiles de riesgo. Esto hace necesario

implementar estrategias diferenciadas según el tipo de estudiante, considerando

variables como el grado de motivación, el nivel de carga laboral, o su experiencia previa

con el fracaso académico.

Déficit institucional en el monitoreo académico: Se detecta una carencia de

sistemas sistemáticos de seguimiento que permitan identificar a tiempo a los estudiantes

en situación de riesgo. Esta ausencia impide acciones preventivas, favoreciendo

únicamente mecanismos remediales tardíos.

Ventaja comparativa de modelos predictivos: La implementación de indicadores

como el Índice de Riesgo Académico (IRA) permitiría a las instituciones educativas

anticiparse a situaciones críticas, optimizar recursos y personalizar las acciones de

acompañamiento estudiantil.

Necesidad de un cambio de paradigma: Se debe transitar desde una lógica de

penalización por bajo rendimiento hacia una cultura de prevención, acompañamiento y

mejora continua, en donde el fracaso académico no sea un punto final, sino una

oportunidad para rediseñar el proceso formativo.

VII. Recomendaciones

Programas de Gestión del Tiempo Implementar talleres para mejorar las técnicas

de estudio y distribución del tiempo, especialmente enfocados en estudiantes con carga

crediticia completa.

Refuerzo Motivacional: Diseñar estrategias para aumentar la motivación

intrínseca, como mentorías o actividades que conecten los estudios con proyectos

personales.

-Seguimiento Académico Personalizado: Identificar a estudiantes con cursos

desaprobados o bajo promedio para ofrecer tutorías específicas y prevenir el retraso.

- Análisis Adicional: Realizar un estudio correlacional estadístico (ej. regresión

logística) para cuantificar el peso específico de cada factor en el retraso académico.

Nota Final: Este análisis sugiere que el retraso académico es resultado de una

combinación de factores, siendo los más relevantes las horas de estudio insuficientes y
 la motivación moderada o baja. Una intervención integral que aborde estos aspectos

podría reducir significativamente el porcentaje de estudiantes con retraso.

VIII. BIBLIOGRAFIA

Cochran, W. G. (1977). Sampling techniques (3rd ed.). Wiley.

Lohr, S. L. (2019). Sampling: Design and analysis (2nd ed.). CRC Press.

Thompson, S. K. (2012). Simple random sampling. Wiley StatsRef: Statistics

Reference Online. [Link]

IX. Anexos

Gráfica 1

Edad de los alumnos encuestados

 EDAD
50
45
46
40
35
30
25
20
15 18
10 14 13
5
5
0 2
118 19 20 21 22 23 24 215 310

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: La mayoría de estudiantes tiene entre 19 y 21 años, con una media de edad

de 20 años, lo cual es consistente con el perfil típico universitario.

Gráfica 2

Cursos desaprobados
 40

35 37

30

25
24
20
20
15
14
10

5
5
0 1
0 1 2 3 4 5

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: Predomina la cantidad de estudiantes que han desaprobado 0 o 1 curso,

con una media de 1.297, lo cual sugiere niveles moderados de rezago.

Gráfica 3

Créditos matriculados

40

35

30

25

20

15

10

0
16 19 20 22 23 24 26 27 7 14 18
 Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: Muestra que la mayoría cursa entre 20 y 24 créditos, con una media de

22.05 créditos, indicando una carga académica completa.

Gráfica 4

Horas de estudio

30

25 24

20
17 17

15 14

10
10

5
5 4
3
2 2
1 1 1
0
1 2 2 .5 3 3 .5 4 5 6 7 8 10 15 30

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: La mayoría de estudiantes reporta entre 2 a 6 horas de estudio, con una

media de 4.46 horas, lo cual podría incidir en su rendimiento académico.

 Gráfica 5

Promedio ponderado

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: Se concentra entre 13 y 14.5, con una media de 13.39, reflejando un

desempeño promedio entre los encuestados.

Gráfica 6

GÉNERO

100%
90%
80%
70%
60%
50%
40%
30%
20%
10%
0%
%Mujeres %Hombres
 Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: Muestra la distribución por género de los encuestados. Se observa una

proporción equilibrada: 51 % mujeres y 49 % hombres, lo que indica una muestra

representativa en cuanto a sexo.

Gráfica 7

29%

SÍ
NO

71%

Situación laboral

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: Indica que el 71 % de los estudiantes no trabaja, mientras que el 29 % sí lo

hace, lo cual puede influir en la dedicación académica y las horas de estudio.

Gráfica 8

Acceso a laptop o computadora

 6%

Sí
No

94%

Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: Se aprecia que el 94 % tiene acceso exclusivo a una laptop, lo que refleja

un alto nivel de disponibilidad tecnológica entre los encuestados.

Gráfica 9

Nivel de motivación

46% 1
54% 2
 Fuente: Datos extraídos de la encuesta aplicada a los estudiantes de la facultad

de economía.

Nota: El 49.5 % tiene un nivel moderado de motivación, seguido por un 37.62 %

con alto nivel y un 12.87 % con motivación baja, lo que refleja una percepción

predominantemente positiva hacia los estudios.

Gráfica 10

Retraso en la malla curricular

46% 1
54% 2

Nota: El 54 % de los estudiantes no presenta retraso académico, mientras que el

46 % sí, evidenciando una ligera mayoría que avanza según el plan curricular.
Encuesta