Fix big table. Spell check whole document.

Spellchecking done with Google Docs.  First upload the pdf to
Google Drive and then open it with Google Docs.

1 files changed, 22 insertions, 20 deletions

diff --git a/chapter/10-generalidades.tex b/chapter/10-generalidades.tex
index cc84fc3..e592894 100644
--- a/chapter/10-generalidades.tex
+++ b/chapter/10-generalidades.tex
@@ -55,7 +55,7 @@ las ideas trabajadas.
 Para plantear la problemática, se hace uso del esquema del árbol de problemas
 (Ver la Tabla \ref{tab:arbol-problemas}).  Se compone de 3 partes: el problema
 central, los problemas causas, y los problemas efectos.  Cada problema causa
-esta relacionado a uno o más problemas efecto.  El problema central es el que
+está relacionado a uno o más problemas efecto.  El problema central es el que
 engloba y es producto de los problemas causa (análogo a las raíces del árbol), y
 se manifiesta como los problemas efecto (análogo a las ramas de un árbol).
 
@@ -71,11 +71,11 @@ se manifiesta como los problemas efecto (análogo a las ramas de un árbol).
        
         Problemas efectos &
         Sigue incrementando la deserción estudiantil.  Aún cuando se cuenta con
-        más datos y capacidad de computo o análisis. &
+        más datos y capacidad de cómputo o análisis. &
         No se contemplan factores relevantes que van a influir en la deserción
         universitaria. &
         El alcance de los programas de prevención de la deserción de las
-        universidades es limitado.  Se tiene escaza capacidad para tomar
+        universidades es limitado.  Se tiene escasa capacidad para tomar
         decisiones sobre el estado de sus estudiantes. \\
         \hline
         
@@ -220,7 +220,7 @@ universitaria de forma oportuna, pero estas no son aprovechadas por las
 instituciones educativas.  Por ejemplo, muchas universidades tienen acceso a
 datos sobre el rendimiento académico de los estudiantes, el ratio de su
 asistencia a clases, su participación en actividades extracurriculares,
-situación socio-económica al momento de ingresar a la universidad, y otros
+situación socioeconómica al momento de ingresar a la universidad, y otros
 indicadores importantes que podrían señalar un posible riesgo de deserción
 \autocite{Khan2021, Yağcı2022}.  Sin embargo, en muchos casos, estas
 herramientas no se utilizan de manera efectiva.  Los datos pueden estar
@@ -240,14 +240,14 @@ podrían ayudar a la detección temprana de estudiantes con riesgo a desertar
 % pero es posible que esta información no se comparta con otros departamentos
 % que podrían ofrecer apoyo académico o de salud mental.
 
-En tercer problema causa está relacionado con la tarea de realizar el
+El tercer problema causa está relacionado con la tarea de realizar el
 seguimiento a todos los estudiantes con peligro de deserción.  Este proceso
 puede ser complejo, costoso y largo \autocite{Latif20221051}.  Los factores que
 pueden indicar el riesgo de deserción pueden ser diversos, lo que dificulta la
 tarea de identificar a los estudiantes que necesitan intervención.  Además,
 muchos estudiantes pueden no mostrar signos claros de problemas hasta que sea
 demasiado tarde.  \textit{Por lo que mantener actualizado el factor de riesgo de
-cada estudiante a lo largo del tiempo puede demostrar ser dificultoso}
+cada estudiante a lo largo del tiempo puede ser dificultoso}
 \autocite{Latif20221051, Balaji2021}.
 
 % Además, el alcance de los programas de prevención de la deserción de las
@@ -272,7 +272,7 @@ cada estudiante a lo largo del tiempo puede demostrar ser dificultoso}
 
 El problema central es que la deserción estudiantil universitaria es detectada
 tardíamente debido a la falta de un enfoque más proactivo en la detección,
-desprovechando toda la data disponible en las instituciones educativas, la
+desaprovechando toda la data disponible en las instituciones educativas, la
 escasez de capacidad para tomar decisiones oportunas y efectivas sobre el estado
 de los estudiantes, y el seguimiento costoso y complejo de los estudiantes en
 riesgo.  Todo esto contribuye a que los estudiantes abandonen sus estudios antes
@@ -298,8 +298,8 @@ mejorando así la retención de estudiantes y el rendimiento académico general.
     \item \textbf{O1} Identificar los factores que influyen en la deserción estudiantil
     universitaria usando técnicas estadísticas
 
-    \item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen
-    predicciones sobre la desercion estudiantil
+    \item \textbf{O2} Implementar modelos de Aprendizaje Automático que realicen
+    predicciones sobre la deserción estudiantil
 
     \item \textbf{O3} Implementar un sistema que permita a las universidades, realizar un
     proceso de detección temprana de deserción estudiantil.  Utilizando los
@@ -329,11 +329,11 @@ mejorando así la retención de estudiantes y el rendimiento académico general.
         identificar patrones y tendencias
 
         \item \textbf{R1.5} Análisis de correlación.  Se realiza un análisis de
-        correlación para analizar la inter-dependencia entre las variables.
+        correlación para analizar la interdependencia entre las variables.
         \end{itemize}
 
-\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen
-predicciones sobre la desercion estudiantil
+\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realicen
+predicciones sobre la deserción estudiantil
 
     \begin{itemize}
         \item \textbf{R2.1} Identificación de los algoritmos aprendizaje
@@ -343,7 +343,7 @@ predicciones sobre la desercion estudiantil
         mejor se ajusten a la problemática.
 
         \item \textbf{R2.3} Comparación de los algoritmos de ML implementados y
-        selección del mejor modelo según su presición en la predicción.
+        selección del mejor modelo según su precisión en la predicción.
     \end{itemize}
 
 \item \textbf{O3} Implementar un sistema que permita a las universidades,
@@ -418,11 +418,13 @@ En la \autoref{tab:obetivos-resultados-verificacion} se muestra en forma tabular
 la relación entre los objetivos, sus resultados asociados, y medios de
 verificación de cada resultado.
 
+% TODO: Learn to use longtable
 \begin{table} [H]    % htbp
     \centering
+    \small
     \caption{Mapeo de objetivos, resultados, y verificación}
     \label{tab:obetivos-resultados-verificacion}
-    \begin{tabular} {|p{0.30\linewidth}|p{0.30\linewidth}|p{0.30\linewidth}|}
+    \begin{tabular} {|p{0.27\linewidth}|p{0.35\linewidth}|p{0.38\linewidth}|}
         \hline
 
         \multicolumn{3}{|p{0.90\linewidth}|}{
@@ -457,13 +459,13 @@ verificación de cada resultado.
         \hline
 
         \textbf{R1.5} Análisis de correlación. &
-        - Documento con el análisis de correlación entre las todas las variables usando un mapa de calor representado de forma tabular. &
+        - Documento con el análisis de correlación entre todas las variables usando un mapa de calor representado de forma tabular. &
         - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
         \hline
 
         \multicolumn{3}{|p{0.90\linewidth}|}{
             \textbf{Objetivo 2 (O2):} Implementar modelos de Aprendizaje Automático que
-            realizen predicciones sobre la desercion.
+            realicen predicciones sobre la deserción.
         } \\
         \hline
 
@@ -482,7 +484,7 @@ verificación de cada resultado.
         - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
         \hline
 
-        \textbf{R2.3} Comparación de los algoritmos de ML implementados y selección del mejor modelo según su presición en la predicción &
+        \textbf{R2.3} Comparación de los algoritmos de ML implementados y selección del mejor modelo según su precisión en la predicción &
         - Documento con el análisis comparativo entre los modelos de ML, basado en su precisión. &
         - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
         \hline
@@ -619,15 +621,15 @@ desarrolla métodos que \textit{aprenden}.  Donde aprender se refiere a encontra
 patrones, tendencias, y entender \enquote{qué es lo que dice la data}
 \autocite{hastie2009elements, mitchell1997machine}.
 
-En la actualiadad, se utilizan \textbf{técnicas de Aprendizaje Automático} en
-aplicaciónes de diversas disciplinas, entre ellas se encuentran: la detección de
+En la actualidad, se utilizan \textbf{técnicas de Aprendizaje Automático} en
+aplicaciones de diversas disciplinas, entre ellas se encuentran: la detección de
 correo electrónico basura, el reconocimiento óptico de carácteres (OCR), visión
 computacional, y bioinformática \autocite{hastie2009elements}.
 
 Los algoritmos de Aprendizaje Automático se pueden dividir en dos grandes
 categorías, Aprendizaje Supervisado y Aprendizaje No Supervisado.  En el
 Aprendizaje Supervisado se cuenta con información previamente etiquetada, y el
-objetivo es extraer patrónes entre la data y su etiqueta asociada
+objetivo es extraer patrones entre la data y su etiqueta asociada
 \autocite{hastie2009elements}.  Por ejemplo, en el ámbito de la deserción
 estudiantil, la etiqueta es si el alumno desertó o no, y en qué ciclo lo hizo;
 mientras que la data son todas las demás variables, como el promedio de notas en