Initial commit.

I'm working on Entregable 2.  tab:objetivos-resultados-verificacion
is too long.  I'm trying to convert it to longtable object.

7 files changed, 1844 insertions, 0 deletions

diff --git a/chapter/01-cover.tex b/chapter/01-cover.tex
new file mode 100644
index 0000000..9c60c97
--- /dev/null
+++ b/chapter/01-cover.tex
@@ -0,0 +1,75 @@
+\begin{titlepage}
+\centering
+{\bfseries\LARGE Pontificia Universidad Católica del Perú\par}
+\vspace{0.5cm}
+{\scshape\Large Facultad de Ciencias e Ingeniería \par}
+
+\vspace{1cm}
+\begin{figure}[h!]
+    \centering
+     \includegraphics[width=2.5in]{img/logoPUCP.png}
+\end{figure}
+\vspace{1cm}
+
+\title{
+    Sistema de análisis de factores que influyen en la deserción estudiantil
+    universitaria usando técnicas de Aprendizaje Automático
+}
+{
+    SISTEMA DE ANÁLISIS DE FACTORES QUE INFLUYEN EN LA DESERCIÓN ESTUDIANTIL
+    UNIVERSITARIA USANDO TÉCNICAS DE APRENDIZAJE AUTOMÁTICO
+}
+
+\vspace{1cm}
+
+{\bf Tesis para obtener el título profesional de Ingeniera Informática}\\[1.0cm]
+% {\bf Entregable Parcial 1.1}\\[1.0cm]
+{\bf AUTOR}\\[0.5cm]
+{Roberto Mitsuo Tokumori Terry}\\[2.0 cm]
+{\bf ASESOR}\\[0.5 cm] 
+{Mg. Patricia Andrea Natividad Gómez}\\[0.5 cm]
+
+\vfill
+{Lima, Mayo, 2023 \par}
+\end{titlepage}
+
+% Resumen 
+% ======================================================================
+
+% \begin{center}
+%     {\bf Resumen}
+% \end{center}
+
+% [La extensión debe ser de 200 a 300 palabras, sin exceder a una página. Escriba
+% en tiempo verbal presente. El resumen debe contener información sobre la
+% justificación de la investigación, los objetivos o hipótesis, la teoría o
+% supuestos teóricos o metodológicos en la que se sustenta, el método o
+% procedimiento realizado (de ser necesario), los resultados (de ser necesario) y
+% la conclusión principal.]
+
+% [De acuerdo con el instructivo para la elaboración de documentos académicos de
+% la Secretaría Académica de la Facultad de Ciencias e Ingeniería de la Pontificia
+% Universidad Católica del Perú (2022), con respecto a la numeración de páginas,
+% las páginas introductorias, desde el Resumen, se numeran con números romanos en
+% minúscula (i, ii, iii, iv, etc.) y el documento principal se numera con números
+% arábigos. La ubicación sugerida para los números de página es la parte superior
+% derecha. Los márgenes superior, inferior, lateral izquierdo y lateral derecho
+% deben ser de 2.54 cm. El tipo de letra debe ser unifome en todo el documento y
+% ser Times New Roman de tamaño 12 en color negro. Para las figuras, el título
+% debe ir en la parte inferior de la figura, ser de tamaño 10 y debe comenzar con
+% el número de la figura en cursiva, seguido del título o descripción. Mediante
+% una nota se añade la cita respectiva de ser necesaria. Para las tablas, el
+% título debe ir en la parte superior de la tabla, ser de tamaño 12 y debe
+% comenzar con el número de tabla, en una siguiente línea debe ir el nombre o
+% título de la tabla en cursiva y alineado a la izquierda. En el caso de añadir
+% alguna nota a la tabla, ésta debe debe ser tamaño 10 y alineada a la izquierda.
+
+% El documento principal será redactado con interlineado de doble espacio. Para el
+% contenido de una tabla, se puede usar espacio simple o, espacio y medio. Además,
+% el texto del documento debe estar justificado. Se recomienda que el documento
+% principal no exceda las cien (100) páginas.]
+
+
+% End of Resumen
+
+\newpage
diff --git a/chapter/05-intro.tex b/chapter/05-intro.tex
new file mode 100644
index 0000000..d234de2
--- /dev/null
+++ b/chapter/05-intro.tex
@@ -0,0 +1,84 @@
+\section{Título del tema de tesis}
+
+El tema de tesis a trabajar es: "Sistema de análisis de factores que influyen en la deserción estudiantil universitaria usando técnicas de Aprendizaje Automático".
+
+
+\section{Asesora}
+
+La asesora para la tesis a realizar es Patricia Andrea Natividad Gómez.  El plan de trabajo para cumplir con los objetivos del curso, y al igual que los entregables, es semanal.  Se tendrán reuniones los miércoles de 17:00 a 18:00 a través de Zoom.  La última reunión antes de la presentación, planificada para la semana 13, será de forma presencial en un aula de la universidad.  En la tabla \ref{table:reuniones-asesoria} se listan las reuniones semanales con la asesora y su modalidad (virtual o presencial).
+
+\begin{table}[htbp]
+\centering
+\begin{tabular}{||c c c c||} 
+    \hline
+    Semana & Fecha & Entregable & Modalidad \\ [0.5ex] 
+    \hline\hline
+    1 & 22/03/2023 & EP1.1 & Virtual \\
+    2 & 29/03/2023 & EP1.2 & Virtual \\
+    3 & 05/04/2023 & EP1.3 & Virtual \\
+    4 & 12/04/2023 & EP1.4 & Virtual \\
+    5 & 19/04/2023 & EP1.5 & Virtual \\
+    6 & 26/04/2023 & E1 & Virtual \\
+    7 & 03/05/2023 & EP2.1 & Virtual \\
+    8 & 10/05/2023 & & Virtual \\
+    9 & 17/05/2023 & (exámenes parciales) & (sin reunión) \\
+    10 & 24/05/2023 & E2 & Virtual \\
+    11 & 31/05/2023 & & Virtual \\
+    12 & 07/06/2023 & E3 & Virtual \\
+    13 & 14/06/2023 & E4 & Presencial \\
+    14 & 21/06/2023 & (exposiciónes finales) & (sin reunión) \\
+    15 & 28/06/2023 & (exposiciónes finales) & (sin reunión) \\
+    \hline
+\end{tabular}
+\caption{Cronograma de reuniones}
+\label{table:reuniones-asesoria}
+\end{table}
+
+\begin{center}
+\begin{tabular}{||c c c c||} 
+    % \label{fig:reuniones-asesoria}
+    
+\end{tabular}
+\end{center}
+
+% \begin{figure}[htbp]
+%     \centering
+%     \includegraphics[width=.8\columnwidth]{img/ss_20230324_103038.png}
+%     \caption{Reuniones semanales de asesoría}
+%     \label{fig:reuniones-asesoria}
+% \end{figure}
+
+\section{Área}
+
+La tesis a realizar corresponde al área de Sistemas de Información, de acuerdo a la clasificación de la currícula ACM-IEEE \autocite{ACM2020-Curricula}.
+
+\section{Descripción}
+
+\subsection{Problemática}
+% \textbf{Problemática:}
+
+La deserción estudiantil universitaria es un fenómeno complejo que afecta a los estudiantes desertores y a su universidad.  La deserción estudiantil universitaria afecta significativamente en la economía del estudiante y en su bienestar psicológico, así como también en la reputación de la univerdad y de sus recursos que contará en el futuro \autocite{Fernandez2019}.  Para el año 2013,  en Estados Unidos, el ratio de deserción fue de 40\% por año para estudiantes que persíguen un pregrado, de los cuales el 30\% deserta en el primer año de estudios \autocite{Doll2013}.  Actualmente, las universidades cuentan con diversos programas de apoyo al estudiante; por ejemplo la PUCP, cuenta con la Oficina de Orientación y Apoyo al Estudiante (OOIA) y la Dirección de Asuntos Estudiantiles (DAES) las cuales proporcionan programas de tutorías, refuerzo académico en los cursos más demandantes de 1er y 2do año, mentoría, atención psicológica, y eventos informativos \autocite{PUCP2019SaludMental}.
+
+% Algunos de estos programas elaboran el perfil del estudiante mediante encuestas, entrevistas, registro de resultados académicos, y opiniones individaules de los docentes \autocite{DescubrePUCP}.
+
+La identificación temprana de los estudiantes más propensos a abandonar sus estudios,  aquellos que presentan los principales indicadores de deserción,  podría disminuir la deserción estudiantil universitaria.  Pues ayudaría a los estudiantes a recibir apoyo de forma más oportuna \autocite{Fernandez2019}.  
+
+\section{Resultados esperados}
+
+\begin{itemize}
+    \item Identificar los factores relevantes que influyen en la deserción universitaria para el entrenamiento y validación de los modelos de aprendizaje automático.
+    \item Implementar un conjunto de modelos de aprendizaje automático que realice una predicción de la deserción universitaria.
+    \item Implementar un sistema que permita a las universidades realizar y configurar el proceso de detección de deserción universitaria de sus estudiantes, según su conjunto de datos, utilizando modelos de aprendizaje automático mencionados anteriormente. 
+    \item Implementar un \textit{dashboard} con resultados relevantes del análisis de deserción universitaria de sus estudiantes.
+    
+    % \item Obtención de fuente de datos para el análisis.  Conjunto de datos de estudiantes universitarios con información académica y socio-económica.
+    % \item Análisis exploratorio de datos (EDA).
+    % \item Limpieza del conjunto de datos.
+    % \item Modelo de clusterización de estudiantes con mayor probabilidad de desertar sus estudios universitarios.
+    % \item Dashboard gráfico con resultados del análisis.  Estadísticas y predicciones generadas por el Aprendizaje Automático.
+    % \item Generación de reporte individual de cada estudiante.  Indicando la  probabilidad de deserción y factores de riesgo presentes.  Con el fin de poder contactarlos y apoyarlos con algún plan preventivo proporcionado por la universidad.
+\end{itemize}
+
+\section{Métodos y procedimientos}
+
+Se utilizará la metodología \textit{Knowledge Discovery in Database} (KDD) y la data histórica de una universidad del Perú para la selección y entrenamiento de un modelos de Aprendizaje Automático (ML) (\textit{Machine Learning}) para la predicción de estudiantes con mayor probabilidad de desertar de sus estudios superiores.
diff --git a/chapter/10-generalidades.tex b/chapter/10-generalidades.tex
new file mode 100644
index 0000000..cc84fc3
--- /dev/null
+++ b/chapter/10-generalidades.tex
@@ -0,0 +1,691 @@
+\chapter{Generalidades}
+
+
+\section{Problemática}
+
+%[Texto introductorio acerca de esta sección correspondiente a la descripción del
+%problema o problemática que aborda el trabajo.]
+
+En esta sección se describe la problemática utilizando como herramienta de
+análisis el diagrama de árbol de problemas y posteriormente se describe a mayor
+detalle el problema a abordar en el presente estudio.
+
+En el apartado \ref{problematica-arbol-problemas}, se presenta la problemática a
+alto nivel.  Luego, en el apartado \ref{problematica-descripcion}, se
+desarrollan más el problema central, sus causas, efectos, y contexto.
+Finalmente en el apartado \ref{problematica-problema-seleccionado} se sumarizan
+las ideas trabajadas.
+
+\subsection{Árbol de problemas} \label{problematica-arbol-problemas} 
+
+% Fuentes para la tecnica del arbol de problemas
+
+%[Texto que introduce la técnica del árbol de problemas. De acuerdo con el
+%esquema del árbol de problemas de la Figura 1, se explican las causas y origen
+%de los problemas, el problema central y los efectos y consecuencias del problema
+%central.  
+%
+%Los pasos para elaborar el árbol de problemas son:
+%
+%\begin{enumerate}
+%    \item Identificar el problema central (tronco del árbol).
+%    \item Identificar los efectos del problema central (la copa del árbol).
+%    \item Identificar las relaciones entre los efectos.
+%    \item Identificar las causas (la raíz del árbol).
+%    \item Identificar las relaciones entre las causas.
+%    \item Diagramar el árbol.
+%\end{enumerate}
+%
+%Luego de diagramar el árbol con sus respectivos nodos, revise la validez e
+%integridad del árbol dibujado, todas las veces que sea necesario. Esto es,
+%asegurarse que las causas representen causas y los efectos representen efectos,
+%que el problema central este correctamente definido y que las relaciones
+%(causales) estén correctamente expresadas.]
+
+% En la \autoref{fig:arb.prob.} se presenta el diagrama del árbol de problemas, en
+% el cual se sumarizan el problema principal, los efectos, y los problemas causa y
+% las relaciónes entre ellos.
+
+% \begin{figure} [htbp] \centering
+%     \includegraphics[width=.9\columnwidth]{img/arbol_problemas_excel.png}
+%     \caption{Esquema del árbol de problemas.}
+%     \label{fig:arb.prob.}
+% \end{figure}
+
+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
+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).
+
+\begin{table} [H] 
+    \centering
+    \caption{Árbol de problemas}
+    \label{tab:arbol-problemas}
+    \begin{tabular}
+    {|p{0.09\linewidth}|p{0.26\linewidth}|p{0.26\linewidth}|p{0.26\linewidth}|}
+        \hline
+        & 1 & 2 & 3 \\
+        \hline
+       
+        Problemas efectos &
+        Sigue incrementando la deserción estudiantil.  Aún cuando se cuenta con
+        más datos y capacidad de computo 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
+        decisiones sobre el estado de sus estudiantes. \\
+        \hline
+        
+        Problema central &
+        \multicolumn{3}{p{0.78\linewidth}|}{
+            La deserción estudiantil universitaria es detectada tardíamente,
+            desaprovechamiento de los datos disponibles de los
+            estudiantes para detectarla
+        } \\
+        \hline
+    
+        Problemas causas &
+        Los programas de detección y ayuda para estudiantes propensos a desertar
+        tienen un enfoque más reactivo en lugar de proactivo. &
+        Existe diversidad de factores que podrían detectar la deserción
+        estudiantil universitaria de forma oportuna, y estos no son
+        aprovechados. &
+        Realizar el seguimiento a todos los estudiantes con peligro de deserción
+        es una tarea compleja, costosa y larga. \\
+        \hline
+    \end{tabular}
+\end{table}
+
+\subsection{Descripción} \label{problematica-descripcion}
+
+% Explicacion del arbol de problemas con fuentes.
+
+%[En esta sección se contextualiza claramente el problema, respaldando y
+%justificando fuertemente la ejecución de su proyecto de tesis, el cual tiene
+%como objetivo desarrollar una propuesta de solución a la problemática que ha
+%sido identificada. Considere referencias actualizadas para contextualizar el
+%problema. El problema a solucionar debe ser relevante y de la magnitud de un
+%proyecto de fin de carrera. Describa la problemática apoyándose en el árbol de
+%problemas, describa de manera detallada cada una de las causas del problema
+%central, así como los efectos de la misma.
+%
+%De acuerdo con Pólya (1945), un problema es un conjunto (estado) de condiciones
+%que afectan un escenario (hecho, situación, persona, empresa), las cuales se
+%quieren transformar para pasar a otro escenario (supuestamente más beneficioso
+%que el anterior). No se aprecia “algo malo” directamente, sino condiciones dadas
+%que se quieren modificar por otras “mejores”. Sí puede darse el caso que las
+%condiciones afecten negativamente al escenario y que deban ser cambiadas. Por
+%otro lado, Silva y Menezes (2005) consideran que un problema es una cuestión que
+%muestra una situación que requiere de una discusión, investigación, decisión o
+%solución. El problema es la cuestión que la investigación intentará
+%resolver. Todo el proceso de la investigación girará en torno a su solución.
+%
+%El planteamiento del problema dentro de una proyecto de fin de carrera debe de
+%responder a la pregunta: ¿Qué se va a investigar?. En el que el proyecto busca
+%pasar de un estado de desconocimiento sobre estas condiciones iniciales,  a un
+%estado en que los resultados que obtengamos nos permitan dar respuesta a las
+%preguntas planteadas inicialmente (Castillo Sánchez, 2004). En la formulación
+%del proyecto es necesario indicar claramente:
+%
+%\begin{itemize}
+%    \item Situación actual o estado actual de condiciones
+%    \item Situación deseada o estado ideal de condiciones
+%\end{itemize}
+%
+%La descripción de la situación actual debe considerar las tres “C”:
+%contextualización, caracterización, conceptualización y describir qué es lo que
+%está ocurriendo en la actualidad.
+%
+%La descripción de la situación deseada debe buscar responder: ¿A dónde se quiere
+%llegar? y ¿qué se pretende realizar en el proyecto para llegar a esta situación
+%deseada?
+%
+%El planteamiento del problema puede hacerse a manera de preguntas:
+%
+%\begin{itemize}
+%    \item Deben formularse de manera precisa y concreta
+%    \item Es necesario que las preguntas estén contextualizadas, para ello, se
+%          debe describir primero la situación del contexto, luego se formulan
+%          las preguntas, y estas preguntas deberán estar de acorde con los
+%          objetivos.]
+%\end{itemize}
+%
+%[Todos los párrafos deben estar con sus respectivas citas en formato APA
+%(American Psychological Association, 2022) en su versión más actual. Toda fuente
+%que se cita en el documento debe aparecer al final en la bibliografía o
+%referencias. Las fuentes pueden ser tomadas de revistas académicas, artículos de
+%eventos académicos, libros, anuarios, informes, tesis, páginas web, etc. Pueden
+%ser citaciones textuales o parafraseadas, pero siempre dándole el crédito al
+%autor. Todo lo que referencie a lo expresado por los autores debe estar en
+%tiempo pasado. Por ejemplo: “Codd (1970) indicó” o “Codd (1970) dijo”.
+%
+%Todas sus afirmaciones deben sustentarse mediante las referencias para lo cual
+%debe manejar un gestor de referencias como: Zotero, Mendeley, EndNote u otros.
+%
+%El uso de encabezamientos ayuda a darle estructura al documento. El estilo
+%recomendado consiste de cinco (5) posibles niveles de encabezamientos:
+%
+% % Intro
+% La deserción estudiantil universitaria es un fenómeno complejo que ha sido
+% ampliamente estudiado para identificar sus causas debido a su impacto tanto en
+% la vida del estudiante que deserta como de la institución educativa de la cual
+% desertó (Fernández-Martín et al., 2019).  Si bien los ratios de deserción han
+% decrecido en los últimos 100 años (Doll et al., 2013), este sigue siendo un
+% problema en la actualidad.  En 2013, (Doll et al., 2013) calculó que en Estados
+% Unidos, el ratio de deserción es de 40\% por año para estudiantes que persíguen
+% un pregrado, de los cuales el 30\% deserta en el primer año de estudios.
+
+% % Estudios previos
+% Diversos estudios obtienen estadísticas de desersión estudiantil analizando
+% varios factores académicos (E.g., universidad del estudiante, historia de notas
+% de la escuela del estudiante, notas a la fecha del estudiante universitario,
+% orden de mérito, asistencia a clases), socio-económicos (grupo étnico del
+% estudiante, género, nivel de educación de los padres, ingresos propios, ingresos
+% familiares (REF).  Otros estudios menos cuantitativos se enfócan en analizar la
+% deserción por el aspecto personal y psicológico del estudiante, analizando
+% aspectos como la motivación, disciplina, esfuerzo y auto-control de los
+% estudiantes por medio de encuestas (Lee et al., 2013).
+
+% % Programas de prevesión de deserción estudiantil
+% Por otro lado, existen diversos programas que intentan disminuir la deserción
+% estudiantil.
+
+El primer problema causa se trata de la naturaleza reactiva de los programas de
+detección y ayuda para estudiantes propensos a desertar en lugar de adoptar un
+enfoque más proactivo \autocite{chitti_need_2020}.  La deserción estudiantil
+universitaria es un fenómeno complejo que afecta a muchos estudiantes en todo el
+mundo, y puede tener consecuencias a largo plazo tanto para los individuos como
+para la sociedad. Por lo tanto, es importante abordar este problema de manera
+efectiva.  La situación actual de los programas de prevención de deserción
+reactivos es que identifican y brindan apoyo a los estudiantes en riesgo después
+de que se han manifestado signos de lucha o desinterés en el ámbito académico.
+Estos programas suelen involucrar procesos de detección, seguimiento y medidas
+correctivas para ayudar a los estudiantes a superar los desafíos que enfrentan y
+mantenerlos en la carrera \autocite{chitti_need_2020}.  Los estudiantes en
+riesgo suelen ser identificados después de que ya han experimentado varias
+dificultades académicas \autocite{Segura2022, Latif20221051} La situación
+deseada por otro lado sería adoptar un enfoque proactivo, que implicaría
+identificar y abordar los factores de riesgo antes de que se conviertan en
+problemas.  La identificación temprana juega un papel crucial, los estudiantes
+en riesgo se identifican antes de que enfrenten dificultades académicas o
+problemas de comportamiento, permitiendo intervenciones más efectivas y
+oportunas \autocite{Shilbayeh2021562, chitti_need_2020, Segura2022}.
+
+El segundo problema causa está relacionado a que existen diversas herramientas y
+estrategias que podrían utilizarse para detectar la deserción estudiantil
+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
+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
+disponibles pero no se analizan de manera regular o sistemática
+\autocite{Khan2021}.  Además, los docentes y administradores a menudo no tienen
+la formación o el tiempo necesario para interpretar y utilizar adecuadamente los
+datos que tienen a su disposición \autocite{chitti_need_2020}.  Por lo tanto, el
+segundo problema efecto es que se está desaprovechando recursos y datos que
+podrían ayudar a la detección temprana de estudiantes con riesgo a desertar
+\autocite{Khan2021, Shilbayeh2021562, chitti_need_2020}.
+
+% Otra posible razón relacionada, de porqué no se aprovechan las oportunidades
+% para detectar la deserción estudiantil de forma oportuna es la falta de
+% coordinación entre los diferentes departamentos de la universidad.  Por
+% ejemplo, el departamento de administración y finanzas puede tener información
+% importante sobre los estudiantes que están teniendo dificultades financieras,
+% 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
+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}
+\autocite{Latif20221051, Balaji2021}.
+
+% Además, el alcance de los programas de prevención de la deserción de las
+% universidades puede ser limitado. Las universidades pueden tener recursos
+% limitados y, por lo tanto, no pueden implementar programas y estrategias de
+% prevención de la deserción a gran escala. La falta de personal capacitado y la
+% falta de tecnología pueden limitar la capacidad de la universidad para
+% identificar y apoyar a los estudiantes en riesgo. Además, la falta de
+% coordinación entre los diferentes departamentos de la universidad puede
+% dificultar la capacidad de la universidad para tomar decisiones sobre el
+% estado de sus estudiantes y ofrecer apoyo.
+
+% En resumen, el seguimiento de los estudiantes con peligro de deserción es una
+% tarea compleja, costosa y larga, y los programas de prevención de la deserción
+% pueden tener un alcance limitado. Es importante que las universidades trabajen
+% para abordar estos desafíos y desarrollar estrategias efectivas para
+% identificar y apoyar a los estudiantes en riesgo de abandonar sus estudios.
+% Esto puede requerir la asignación de recursos adecuados, la implementación de
+% tecnología y la promoción de una cultura de colaboración en todo el campus.
+
+\subsection{Problema seleccionado} \label{problematica-problema-seleccionado}
+
+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
+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
+de que se puedan implementar medidas de apoyo eficaces.
+
+\section{Objetivos}
+
+En esta sección se define el objetivo general, para luego ser desglosado en 
+objetivos específicos.  También se definen los resultados esperados asociados
+a cada objetivo específico.
+
+\subsection{Objetivo general}
+
+Desarrollar un sistema, basado en técnicas de aprendizaje automático, que
+permita predecir y prevenir la deserción estudiantil en el ámbito universitario,
+mejorando así la retención de estudiantes y el rendimiento académico general.
+
+% Basados en tecnicas de aprendizaje automatico.
+
+\subsection{Objetivos específicos}
+
+\begin{itemize}
+    \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{O3} Implementar un sistema que permita a las universidades, realizar un
+    proceso de detección temprana de deserción estudiantil.  Utilizando los
+    modelos de Aprendizaje Automático, mencionados anteriormente.
+\end{itemize}
+
+\subsection{Resultados esperados}
+
+\begin{itemize}
+    \item \textbf{O1} Identificar los factores que influyen en la deserción
+    estudiantil universitaria usando técnicas estadísticas
+
+    \begin{itemize}
+        \item \textbf{R1.1} Recolección de datos.  Recoger y organizar datos
+        relevantes sobre el rendimiento académico de los estudiantes, su
+        participación en clases, asistencia, interacciones en línea, salud
+        mental, factores socioeconómicos, entre otros.
+
+        \item \textbf{R1.2} Análisis descriptivo y limpieza de datos.
+
+        \item \textbf{R1.3} Transformación de datos.  Los datos recopilados se
+        transforman a un formato que puede ser fácilmente analizado y utilizado
+        en modelos estadísticos y de Aprendizaje Automático.
+
+        \item \textbf{R1.4} Análisis de relación.  Se examina la relación entre
+        cada variable y la variable objetivo (deserción estudiantil) para
+        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.
+        \end{itemize}
+
+\item \textbf{O2} Implementar modelos de Aprendizaje Automático que realizen
+predicciones sobre la desercion estudiantil
+
+    \begin{itemize}
+        \item \textbf{R2.1} Identificación de los algoritmos aprendizaje
+        automático de predicción con ayuda de la literatura.
+
+        \item \textbf{R2.2} Implementación de los algoritmos de ML seleccionados que
+        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.
+    \end{itemize}
+
+\item \textbf{O3} Implementar un sistema que permita a las universidades,
+realizar un proceso de detección temprana de deserción estudiantil.  Utilizando
+los modelos de Aprendizaje Automático, mencionados anteriormente.
+
+    \begin{itemize} 
+        \item \textbf{R3.1} Catálogo de requisitos.  Se definirán los requisitos
+        del sistema en una tabla, lo que permitirá una comprensión clara de las
+        funcionalidades esperadas del sistema.
+
+        \item \textbf{R3.2} Prototipo del sistema.  El cual es realizado en un
+        software de prototipado, como por ejemplo Figma.  Ilustra los
+        principales flujos del sistema.
+
+        \item \textbf{R3.3} Especificación de requisitos.  Una descripción
+        detallada de los requisitos del sistema
+
+        \item \textbf{R3.4} Modelo de base de datos.  Diseño del modelo de
+        base de datos que respalde la solución, buscando la integridad y la
+        eficiencia en la gestión de los datos.
+
+        \item \textbf{R3.5} Arquitectura de la solución.  La arquitectura del
+        sistema define la estructura general, los componentes del sistema, y
+        cómo estos componentes interactúan entre sí.
+
+        \item \textbf{R3.6} Implementación del sistema.  Incluye la programación
+        del sistema siguiendo las especificaciones definidas anteriormente.
+
+        \item \textbf{R3.7} Integración del sistema con los modelos de ML.  
+        Integración de los modelos de aprendizaje automático desarrollados en el
+        Objetivo 2 con el sistema implementado.  Permitiendo al sistema realizar
+        predicciones de deserción estudiantil basadas en los datos disponibles.
+
+        \item \textbf{R3.8} Instalación y configuración del software.  
+        Incluye el empaquetamiento del software y pruebas de instalación
+        en un entorno nuevo.
+    \end{itemize}
+\end{itemize}
+
+% \begin{itemize}
+%     \item Recolección de Datos: 
+    
+%     \item Preprocesamiento de Datos: Limpiar y preparar los datos para el
+%     análisis, lo que puede incluir la gestión de datos faltantes, la
+%     normalización de datos y la transformación de variables categóricas en
+%     numéricas.
+    
+%     \item Selección de Características (\textit{features}): Identificar y
+%     seleccionar las características más relevantes que puedan influir en la
+%     deserción estudiantil.
+    
+%     \item Desarrollo del Modelo de Aprendizaje Automático: Construir y entrenar
+%     un modelo de aprendizaje automático capaz de predecir la probabilidad de
+%     deserción de un estudiante basado en las características seleccionadas.
+    
+%     \item Validación del Modelo: Probar el modelo en un conjunto de datos de
+%     prueba independiente para validar su precisión y fiabilidad.
+        
+%     \item Implementación y Monitoreo: Implementar el modelo en el entorno
+%     universitario y establecer un sistema de monitoreo que permita ajustes y
+%     mejoras continuas.
+    
+%     \item Diseño de Intervenciones: Diseñar e implementar estrategias de
+%     intervención basadas en las predicciones del modelo para ayudar a los
+%     estudiantes en riesgo de deserción.
+% \end{itemize}
+
+\subsection{Mapeo de objetivos, resultados, y verificación}
+
+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.
+
+\begin{table} [H]    % htbp
+    \centering
+    \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}|}
+        \hline
+
+        \multicolumn{3}{|p{0.90\linewidth}|}{
+            \textbf{Objetivo 1 (O1):} Identificar los factores que influyen en
+            la deserción estudiantil universitaria usando técnicas estadísticas.
+        } \\
+        \hline
+
+        \textbf{Resultado} & 
+        \textbf{Medio de verificación} &
+        \textbf{Indicador Objetivamente Verificable (IOV)} \\
+        \hline
+
+        \textbf{R1.1} Recolección de datos. &
+        - Obtención de un conjunto de datos proveniente de alguna universidad. &
+        - Aprobación del \textit{dataset} al 100\% por un especialista en Ciencia de Datos. \\
+        \hline
+
+        \textbf{R1.2} Análisis descriptivo y limpieza de datos. &
+        - Documento con el análisis exploratorio de los datos, utilizando técnicas de estadística descriptiva, incluyendo gráficos. &
+        - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
+        \hline
+
+        \textbf{R1.3} Transformación de datos. &
+        - Documento que muestre la transformación de los datos, a un formato adecuado para el posterior procesamiento. &
+        - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
+        \hline
+
+        \textbf{R1.4} Análisis de relación. &
+        - Documento con el análisis de relación entre las variables dependientes contra la variable independiente. &
+        - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
+        \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. &
+        - 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.
+        } \\
+        \hline
+
+        \textbf{Resultado} & 
+        \textbf{Medio de verificación} &
+        \textbf{Indicador Objetivamente Verificable (IOV)} \\
+        \hline
+
+        \textbf{R2.1} Identificación de los algoritmos aprendizaje automático de predicción con ayuda de la literatura &
+        - Documento conteniendo un listado de los principales algoritmos de aprendizaje automático.  Incluyendo las ventajas y desventajas de cada uno. &
+        - Aprobación del documento al 100\% por un especialista en Ciencia de Datos. \\
+        \hline
+
+        \textbf{R2.2} Implementación de los algoritmos de ML seleccionados que mejor se ajusten a la problemática. &
+        - Repositorio con el código fuente de la implementación de los modelos de ML. &
+        - 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 &
+        - 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
+
+        \multicolumn{3}{|p{0.90\linewidth}|}{
+            \textbf{Objetivo 3 (O3):} Implementar un sistema que permita a las
+            universidades, realizar un proceso de detección temprana de
+            deserción estudiantil. Utilizando los modelos de Aprendizaje
+            Automático.
+        } \\
+        \hline
+
+        \textbf{Resultado} & 
+        \textbf{Medio de verificación} &
+        \textbf{Indicador Objetivamente Verificable (IOV)} \\
+        \hline
+
+        \textbf{R3.1} Catálogo de requisitos. &
+        - Documento con el catálogo de requisitos clasificados según su prioridad. &
+        - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\
+        \hline
+
+        \textbf{R3.2} Prototipo del sistema. &
+        - Documento con el prototipo del sistema.  Muestra las principales pantallas y flujos. &
+        - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\
+        \hline
+
+        \textbf{R3.3} Especificación de requisitos. &
+        - Documento con la especificación de requisitos, describiendo cada uno a detalle. &
+        - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\
+        \hline
+
+        \textbf{R3.4} Modelo de base de datos. &
+        - Documento con el diagrama entidad relación o el diseño de la base de datos. &
+        - Aprobación del documento al 100\% por un especialista en Arquitectura de Software. \\
+        \hline
+
+        \textbf{R3.5} Arquitectura de la solución. &
+        - Documento con el diagrama de componentes del sistema. &
+        - Aprobación del documento al 100\% por un especialista en Arquitectura de Software. \\
+        \hline
+
+        \textbf{R3.6} Implementación del sistema. &
+        - Repositorio con el código fuente de la implementación del sistema. &
+        - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\
+        \hline
+
+        \textbf{R3.7} Integración del sistema con los modelos de ML.  &
+        - Repositorio con el código fuente de la implementación del sistema. &
+        - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\
+        \hline
+
+        \textbf{R3.8} Instalación y configuración del software. &
+        - Documento de instalación y configuración del software. &
+        - Aprobación del documento al 100\% por un especialista en Sistemas de Información. \\
+        \hline
+
+
+    \end{tabular}
+\end{table}
+
+\section{Métodos y Procedimientos}
+
+% [Son todas aquellas herramientas, metodologías, métodos o procedimientos que van
+% a ser usados para construir, dentro de un proyecto (de tesis, de fin de
+% carrera), cada uno de los resultados esperados. Se pueden aplicar / requerir
+% varias herramientas para la realización de cada uno de los resultados. Se deben
+% identificar claramente las herramientas, metodologías, métodos o procedimientos
+% que se necesitan para cada resultado.
+
+% Para cada resultado debe existir al menos una herramienta o método para
+% obtenerlo. Puede usar tablas para mostrar: resultado, herramienta o método y
+% forma de validación.
+
+% Debe describir a modo resumido las herramientas o métodos y cómo los aplicará en
+% su tesis, esta información debe venir acompañada de referencias donde se
+% encuentran mayores detalles.
+
+% Las herramientas cubren las necesidades propias de cada uno de los productos
+% entregables que materialicen los resultados y que evidencien a los objetivos
+% específicos.
+
+% Dentro del contexto de un proyecto de fin de carrera se entiende como
+% herramienta a cualquier soporte básico, técnico o de carácter operativo que se
+% requiera para construir el resultado esperado. No debe listar las herramientas
+% más simples. Algunos ejemplos son los lenguajes de programación, editores de
+% código, compiladores e intérpretes, modeladores de base de datos, modeladores de
+% procesos, generadores de datos aleatorios, modeladores de planos y piezas,
+% etc. Se recomienda omitir  las herramientas de ofimática.
+
+% En el caso de utilizar alguna metodología, ésta puede ser definida como un
+% conjunto de métodos, procedimientos, reglas, postulados y prácticas empleados en
+% una disciplina. Puede ser considerada un sistema de capas, en donde cada capa es
+% vista como un bloque de construcción que soporta la capa que se encuentra
+% encima.
+
+% En el caso de utilizar algún método, éste  se define como un conjunto de
+% procedimientos intelectuales y técnicos necesarios en la investigación
+% científica. Como el conocimiento científico se fundamenta en la razón, precisa
+% ser sistemático, de manera tal que puede ser comprobado por otros miembros de la
+% comunidad científica. Dentro de los métodos consolidados en la investigación
+% científica se encuentran el método deductivo y el método inductivo.
+
+% El método deductivo se caracteriza por llegar a una conclusión a partir de una
+% situación general y genérica, es decir, se parte de una teoría que define las
+% relaciones entre conceptos dentro de un conjunto de suposiciones y restricciones
+% fijadas, para formular hipótesis con el objetivo de confirmar la teoría. Por
+% otro lado, el método inductivo se caracteriza por el proceso por el cual el
+% investigador, por medio de observaciones, llega a determinadas conclusiones
+% generales, es decir, parte de lo específico para lo general.
+
+% En el caso de utilizar algún modelo, éste se define como una abstracción de la
+% realidad que trata de describirla. Además, es la caracterización y
+% especificación de un fenómeno o entidad observable, el cual es explicado por
+% leyes y teorías de un cuerpo de conocimiento. Un modelo posee características
+% contextuales, componentes, procedimientos, indicadores y métricas, así como
+% guías de implementación, guías de medición y/o guías de implantación.]
+
+
+En esta sección se listan las herramientas, métodos, y procedimientos relevantes
+para cumplir los resultados esperados planteados en la sección anterior. 
+Algunas herramientas son específicas para ciertos resultados esperados, mientras
+que otras son transversales a varios resultados esperados.  Se busca
+ser coherente en la selección de herramientas y métodos 
+utilizados para la problemática, en este caso la deserción estudiantil
+universitaria detectada de forma tardía desaprovechando los datos disponibles
+de los estudiantes.
+
+\subsection{Aprendizaje Automático}
+
+El Aprendizaje Automático o \textit{Machine Learning} (también conocido como
+\enquote{aprendizaje de máquina}) se refiere al campo de estudio que analiza y
+desarrolla métodos que \textit{aprenden}.  Donde aprender se refiere a encontrar
+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
+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
+\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
+cada ciclo.  Por otro lado, los algoritmos de Aprendizaje No Supervisado deben
+trabajar con datos que no han sido previamente etiquetados.  Es decir, no se le
+proporciona instrucciones específicas para lo que debe encontrar en la data.
+Algunas aplicaciones de Aprendizaje No Supervisado incluyen procesamiento de
+lenguaje natural y análisis de audio e imágenes
+\autocite{russell_artificial_2010}.
+
+Una de las técnicas más utilizadas son los algoritmos de clasificación, los
+cuales buscan dividir a los individuos de una muestra en varias clases según el
+valor de sus factores (\textit{features}).  Por ejemplo, en la
+\autoref{fig:classification-flowers} se puede ver el resultado de clasificar una
+muestra de diversas flores, según el largo y ancho de sus pétalos, con el fin de
+identificar si se trata de flores de la misma especie o no.
+
+\begin{figure}[htbp]
+    \centering
+    \includegraphics[width=.4\columnwidth]{img/classification-flowers.png}
+    \caption{Clasificación de flores \autocite{mitchell1997machine}}
+    \label{fig:classification-flowers}
+\end{figure}
+
+\subsubsection{Ejemplos}
+
+% Los modelos predictivos de Aprendizaje Automático son utilizados en la actualidad para
+% analizar data historica compleja, con muchas variables, y realizar predicciones de
+% futuros eventos.  En relación a la deserción estudiantil universitaria, las universidades
+% cuentan con grandes cantidades de datos historica de los estudiantes, que incluyen muchas
+% variables académicas, socio-económicas, y personales de cada estudiantes.  Dado el 
+% objetivo de predecir la deserción estudiantil universitaria, las técnicas modernas
+% de Aprendizaje Automático pueden 
+
+En la actualidad, los modelos predictivos basados en Aprendizaje Automático (AA)
+son ampliamente utilizados para analizar grandes conjuntos de datos históricos
+complejos, caracterizados por un gran número de variables, con el fin de
+predecir eventos futuros. En particular, en el ámbito universitario, las
+instituciones cuentan con grandes cantidades de datos históricos de los
+estudiantes, que incluyen diversas variables académicas, socioeconómicas y
+personales \autocite{Balaji2021}. El objetivo de analizar estos datos es
+predecir la deserción estudiantil universitaria, lo cual se ha convertido en una
+preocupación creciente para las universidades en todo el mundo
+\autocite{Shilbayeh2021562}. 
+
+Para predecir la deserción estudiantil, se han utilizado diversas técnicas de
+AA, tales como árboles de decisión, redes neuronales y modelos de regresión
+\autocite{Balaji2021}. Estos modelos se entrenan utilizando datos históricos de
+estudiantes que han abandonado sus estudios universitarios en el pasado, con el
+fin de identificar patrones y relaciones entre las diversas variables que puedan
+indicar una mayor probabilidad de deserción en el futuro. Una vez que se ha
+entrenado el modelo, este puede ser utilizado para predecir la deserción
+estudiantil de los estudiantes actuales en función de las variables relevantes
+\autocite{Shilbayeh2021562}.
+
+Es importante destacar que, aunque los modelos predictivos de AA pueden ser
+extremadamente precisos, no son infalibles y siempre existe un margen de error
+\autocite{Latif20221051}. Por lo tanto, la interpretación cuidadosa de los
+resultados del modelo es fundamental para tomar decisiones informadas y diseñar
+estrategias efectivas para prevenir la deserción estudiantil
+\autocite{Alwarthan2022107649, Latif20221051}.
\ No newline at end of file
diff --git a/chapter/20-marco.tex b/chapter/20-marco.tex
new file mode 100644
index 0000000..03fb6be
--- /dev/null
+++ b/chapter/20-marco.tex
@@ -0,0 +1,157 @@
+\chapter{Marco teórico}
+
+%[Texto introductorio acerca de esta sección que corresponde con la descripción
+%del marco legal, regulatorio, conceptual y/o otros de acuerdo con el contexto
+%del problema abordado. Debe indicar claramente el objetivo de cada marco a
+%presentar.]
+
+En este capítulo se busca cubrir de forma detallada los principales conceptos
+presentados en la problemática en el capítulo anterior.  De esta forma, las
+ideas relacionadas con deserción estudiantil universitaria y \textit{Machine
+Learning} se desarrollan en el \cref{marco-conceptual}.
+
+% ,  mientras que las
+% consideraciones legales sobre el tratamiento de datos personales se desarrollan
+% en el \cref{marco-legal}.
+
+
+
+\section{Marco Conceptual} \label{marco-conceptual}
+
+%[Se introduce el marco conceptual y se presenta el objetivo del marco. Todos los
+%conceptos presentados en la problemática deben de ser incluidos y desarrollados
+%en el marco. 
+%
+%Deben detallarse los conceptos de una forma más amplia que en la
+%problemática. En algunos casos para comprender los conceptos es necesario
+%incluir ejemplos. En caso de ser necesario usar ejemplos, estos deberán ser
+%reales y basados en la problemática.]
+
+% Conceptos:
+% Desercion estudiantil universitaria
+% Machine Learning
+% Tipo de Aprendizaje de Machine Learning
+% Aprendizaje supervisado (3 algoritmo: decision tree, logistic regression)
+% Aprendizaje no supervisado
+%
+% Para cada concepto definicion y aplicacion (Hoy en dia se aplica en...)
+% 
+% (Referencias no necesariamente de formulario de extraccion)
+% 
+
+
+\subsection{Deserción estudiantil universitaria}
+
+%[Cada concepto presentado debe estar correctamente referenciado a través de
+%fuentes primarias. No debe de incluir en los conceptos a los métodos y
+%procedimientos. En cada definición de concepto, de ser necesario, incluya
+%ejemplos que permitan determinar cómo el concepto permitirá comprender mejor el
+%problema, es decir, vincula el concepto al tema que aborda.]
+
+Para el presente estudio, se entiende como \textbf{deserción estudiantil
+universitaria} al proceso en el cual, estudiantes de pregrado, pertenecientes a
+alguna institución de educación superior, abandonan definitivamente sus
+estudios.  La deserción estudiantil tiene sus fuertes implicancias en la vida
+del estudiante, y también en su universidad.  Además, como señala
+\autocite{Delbonifro2020}, las estadísticas de deserción estudiantil puede ser
+un indicador de falencias en el sistema de cada universidad. 
+
+Por estos motivos, actualmente existen varias investigaciones que exploran y
+analizan los principales \textbf{factores de deserción estudiantil
+universitaria} en los cuales se apoya el presente estudio.  Los factores que se
+pueden tomar en cuenta son numerosos y pueden ser de muchas índoles, por
+ejemplo,  académico, socioeconómico, institucional, y personales.  Los factores
+estudiados dependen del conjunto de datos que se cuente disponible en el
+estudio.  En la \cref{fig:spady-dropout_model} se visualiza la complejidad y las
+diversas relaciones causa-efecto entre las posibles causas (una en cada
+recuadro) de deserción estudiantil identificadas por \autocite{Spady1970}.  De
+cada una de estas posibles causas se pueden recolectar múltiples factores para
+luego ser analizados de forma cuantitativa.
+
+\begin{figure}[H]
+    \centering
+    \includegraphics[width=.8\columnwidth]{img/spady-dropout_model}
+    \caption{Un modelo sociológico explicativo del proceso de deserción
+    estudiantil propuesto por \autocite{Spady1970}}
+    \label{fig:spady-dropout_model}
+\end{figure}
+
+A continuación se listan algunos conceptos y términos relacionados a la 
+deserción estudiantil universitaria. 
+
+% adfasdf
+
+\begin{itemize}
+    \item Retención: Se refiere a la capacidad de una universidad para mantener
+    a sus estudiantes matriculados hasta su graduación.
+
+    \item Rendimiento académico: El rendimiento académico se refiere a las
+    calificaciones y al progreso académico general de un estudiante en su
+    programa de estudio. El rendimiento académico puede ser un indicador clave
+    de la probabilidad de que un estudiante abandone su programa de estudio
+    \autocite{Shilbayeh2021562, Alwarthan2022107649, Khan2021}.
+
+    \item Compromiso del estudiante (\textit{student engagement}): El compromiso
+    estudiantil se refiere al nivel de participación e interacción de los
+    estudiantes en actividades académicas y no académicas en el campus
+    universitario. El compromiso estudiantil puede ser un factor importante en
+    la retención de estudiantes, ya que los estudiantes que no se sienten
+    involucrados y conectados a la comunidad universitaria pueden ser más
+    propensos a desertar \autocite{Latif20221051}.
+
+    \item Ayuda social: La ayuda social se refiere a la provisión de apoyo
+    emocional y social a los estudiantes, incluyendo mentoría, asesoramiento y
+    apoyo de compañeros. 
+    % La ayuda social puede ayudar a los estudiantes a superar las barreras
+    % personales y académicas que pueden llevar a la deserción.
+
+    \item Ayuda financiera: La ayuda financiera se refiere a la provisión de
+    apoyo monetario a los estudiantes que enfrentan dificultades financieras
+    para pagar su educación. La ayuda financiera puede ser un factor crítico
+    para la retención de estudiantes, ya que puede ayudar a los estudiantes a
+    evitar la deserción debido a la falta de recursos financieros.
+
+    \item Sistemas de alerta temprana de deserción: Los sistemas de alerta
+    temprana de deserción son herramientas que utilizan los datos y el análisis
+    para identificar a los estudiantes que pueden estar en riesgo de abandonar
+    su programa de estudio. Los sistemas de alerta temprana de deserción pueden
+    ayudar a las universidades a intervenir tempranamente para apoyar a los
+    estudiantes antes de que abandonen su programa.
+
+    % \item Intervención personalizada: La intervención personalizada se refiere
+    % al uso de estrategias específicas y enfocadas para ayudar a los
+    % estudiantes individuales a superar las barreras personales y académicas
+    % que pueden llevar a la deserción. Las intervenciones personalizadas pueden
+    % incluir asesoramiento, tutoría y apoyo académico adicional.
+
+    % \item Colaboración y comunicación: La colaboración y la comunicación entre
+    % los distintos actores universitarios, como estudiantes, profesores,
+    % personal y administradores, son fundamentales para abordar los problemas
+    % relacionados con la retención y la prevención de la deserción. La
+    % colaboración y la comunicación efectiva pueden ayudar a garantizar que los
+    % estudiantes reciban el apoyo que necesitan para completar su programa de
+    % estudio.
+
+    \item Evaluación: Se refiere al uso de datos y métricas para medir la
+    eficacia de las estrategias de retención y prevención de la deserción y
+    realizar ajustes necesarios.
+\end{itemize}
+% adfasdf
+
+
+
+
+% \section{Marco Legal} \label{marco-legal}
+
+% % Proteccion de datos
+
+% % Deserción estudiantil en los últimos 10 años.
+% % Efecto de la pandemia
+% % Nuevas formas de predecir al deserción.
+
+% %[Se introduce el tipo de marco y se presenta el objetivo del marco.]
+
+% Teniendo en consideración la normativa vigente en el Perú (Ley N° 29733, Ley de
+% Protección de Datos Personales),  los datos tratados en el estudio han sido
+% obtenidos con cualquier información personal de los estudiantes removida.
+% Contando solo con un identificador correlativo para cada individuo.
diff --git a/chapter/30-estado_del_arte.tex b/chapter/30-estado_del_arte.tex
new file mode 100644
index 0000000..28999bb
--- /dev/null
+++ b/chapter/30-estado_del_arte.tex
@@ -0,0 +1,825 @@
+\chapter{Estado del Arte}
+
+
+
+\section{Introducción}
+
+%[La revisión de la literatura establece lo que se sabe sobre el tema para
+%construir sobre la sabiduría de trabajos anteriores. Lo que ya se ha establecido
+%sobre un tema le ayuda a acotar un marco teórico específico. Esto significa que
+%generalmente es necesario revisar la literatura antes de elegir un marco teórico
+%específico.
+%
+%La revisión de la literatura puede dividirse por temas, por autores o
+%cronológicamente. La división más común es por tema, ya que muestra una
+%comprensión más compleja de la literatura. Una revisión de la literatura de los
+%autores es una compilación de informes breves de libros. Esto significa que las
+%revisiones de la literatura divididas por autores normalmente carecen de la
+%comprensión global proporcionada por una descripción general de temas y, por lo
+%tanto, no se consideran tan sofisticadas como las revisiones de temas. Las
+%revisiones cronológicas suelen ser más útiles cuando el enfoque del artículo es
+%de naturaleza histórica. La elección de la organización depende del objetivo del
+%trabajo.]
+
+% Reference Needed
+% La deserción estudiantil universitaria es un fenómeno que afecta tanto a los
+% estudiantes que abandonan su carrera profesional, como a la universidad de la
+% cual desertan.  Se ven perjudicadas la economía del estudiante y la universidad,
+% la calidad de la enseñanza, y la diversidad estudiantil en la universidad.  La
+% identificación temprana de los estudiantes más propensos a abandonar sus
+% estudios, aquellos que presentan los principales indicadores de deserción,
+% podría ayudar a los centros de estudios en proporcionar apoyo a estudiantes
+% propoensos a desertar de forma más oportuna.
+
+% From 05-intro.tex
+La deserción estudiantil universitaria es un fenómeno complejo que afecta a los estudiantes desertores y a su universidad.  La deserción estudiantil universitaria afecta significativamente en la economía del estudiante y en su bienestar psicológico, así como también en la reputación de la univerdad y de sus recursos que contará en el futuro \autocite{Fernandez2019}.  Para el año 2013,  en Estados Unidos, el ratio de deserción fue de 40\% por año para estudiantes que persíguen un pregrado, de los cuales el 30\% deserta en el primer año de estudios \autocite{Doll2013}.  Actualmente, las universidades cuentan con diversos programas de apoyo al estudiante; por ejemplo la PUCP, cuenta con la Oficina de Orientación y Apoyo al Estudiante (OOIA) y la Dirección de Asuntos Estudiantiles (DAES) las cuales proporcionan programas de tutorías, refuerzo académico en los cursos más demandantes de 1er y 2do año, mentoría, atención psicológica, y eventos informativos \autocite{PUCP2019SaludMental}.
+
+Con el fin de investigar el estado del arte en el análisis de factores que
+predicen la deserción estudiantil universitaria se realiza una revisión
+sistemática de la literatura siguiendo principalmente los lineamientos
+propuestos por \autocite{Kitchenham2007}.  De esta manera, se emplean los
+criterios PICOC \autocite{Petticrew2006} para enmarcar las preguntas de
+investigación, y subsecuentemente generar la cadéna de búsqueda apropiada para
+los motores de búsqueda a utilizar.  Las siguientes secciones del capítulo
+documentan el proceso de revisión de literatura realizado.
+
+% "debe indicar tipo de revision"
+% -> El tipo de revision es "sistematica" (en contraste con "narrativa",
+%    "conceptual", "rapida", "realistica", "tradicional", etc.)
+%
+% Also, what does this mean?
+% Además, el tipo esquema provisorio elegido será por temas, y no por autor.
+
+
+
+\section{Objetivos de Revisión} \label{objetivos}
+
+El primer paso para llevar a cabo una revisión sistemática del estado del arte
+consiste en establecer claramente los objetivos que se persiguen con dicha
+revisión. Estos objetivos serán abordados a través de las preguntas de
+investigación que se planteen. Para el presente estudio, se definen
+los siguientes objetivos de revisión:
+
+\begin{itemize}
+    \item 
+        Identificar los principales factores y métricas que predicen la 
+        deserción estudiantil universitaria, en la literatura.
+    \item 
+        Conocer las herramientas y metodologías que se emplean actualmente para
+        analizar la deserción estudiantil, desde el punto de vista del análisis de datos
+        y Aprendizaje Automático.
+    \item 
+        Conocer las metodologías algorítmicas basadas en
+        de Aprendizaje Automático (\textit{Machine Learning}) más usadas
+        para predecir la deserción estudiantil universitaria.
+    \item 
+        Comparar las debilidades y oportunidades de mejora
+        en las metodologías y técnicas algorítmicas de análisis usadas actualmente
+        para predecir la deserción estudiantil universitaria
+\end{itemize}
+
+
+
+\section{Preguntas de Revisión}
+
+Con la intención de estructurar las preguntas de revisión y considerar varios puntos de vista,
+se utilizan los criterios PICOC (\textit{population, intervention, comparison, outcomes,
+context}) \autocite{Petticrew2006} para elaborar las preguntas de revisión.  Estos criterios 
+son mayormente utilizados en el campo de investigación clínica y salud.  Sin embargo,
+estos también se pueden aplicar al campos relacionados a la informática \autocite{Kitchenham2007}.
+Para la presente revisión, no se utiliza el criterio de comparación, puesto que no es un objetivo
+comparar la aplicación de la intervención (predicción de la deserción estudiantil universitaria) 
+sobre un grupo de la población y un grupo de control.
+% En el presente estudio no se utiliza el
+% criterio de comparación, puesto que no se tiene como objetivo comparar el
+% criterio de intervención a investigar con algún otro método de intervención en
+% concreto.  Como recalca \autocite{Kitchenham2007}: es inadecuado comparar a los
+% estudios que utilizan una técnica en específico contra los que no la utilizan.
+Ver \autoref{tab:picoc}.
+
+\begin{table} [htbp]
+    \centering
+    \caption{Criterios PICOC}
+    \label{tab:picoc}
+    \begin{tabular} {|p{0.19\linewidth}|p{0.79\linewidth}|}
+
+        \hline
+        Población &
+        % Estudiantes universitarios de pregrado en instituciones tanto nacionales como extranjeras \\
+        Sistemas para la predicción de deserción estudiantil universitaria \\ 
+        \hline
+        Intervención & 
+        Técnicas modernas de Aprendizaje Automático para la predicción de deserción estudiantil universitaria \\ 
+        \hline
+        Comparación &
+        % Soluciones y metodologías.  Técnicas de Aprendizaje Automático.  \\
+        (No aplica) \\
+        \hline
+        Consecuencia &
+        Predicciones de deserción estudiantil universitaria \\
+        \hline
+        Contexto &
+        Estudiantes de pregrado, instituciones de educacion superior, nacional o internacional,
+        tipo de grado académico perseguido, estatus socioeconómico del estudiante. \\
+        % El contexto de la intervención es amplio.  Se espera
+        % recolectar información de las técnicas de Aprendizaje Automático
+        % más efectivas,  así como las metodologías utilizadas para la captura
+        % de información, procesamiento, y aplicación del modelo. \\ 
+        \hline
+
+    \end{tabular}
+\end{table}
+
+A continuación, se listan las preguntas de revisión formuladas.
+
+\begin{itemize}
+    \item 
+        P1. ¿Qué factores o métricas predicen de mejor manera la deserción
+        estudiantil universitaria?
+    \item 
+        P2. ¿Qué herramientas y metodologías se emplean actualmente para
+        analizar la deserción de los estudiantes, desde el punto de vista del análisis de datos
+        y Aprendizaje Automático?
+    \item 
+        P3. ¿Qué soluciones algorítmicas basadas en Aprendizaje Automático son
+        utilizadas actualmente para predecir la deserción estudiantil
+        universitaria?
+    \item 
+        P4. ¿Qué debilidades y oportunidades de mejora existen en las
+        metodologías y técnicas algorítimicas de análisis usadas actualmente
+        para predecir la deserción estudiantil universitaria?
+\end{itemize}
+
+
+
+\section{Estratégia de Búsqueda}
+
+En esta sección se describe el procedimiento utilizado para identificar la bibliografía relevante para responder a las preguntas de revisión formuladas.  Los criterios de inclusión y exclusión servirán para filtrar aún más la lista de documentos encontrados.  Para luego catalogarlos con fichas bibliográficas utilizando el formulario de extracción de datos definido en la sección \ref{formulario-extraccion}.
+
+\subsection{Motores de búsqueda a usar.}
+
+Para el levantamiento de información se utilizarán los siguientes motores de
+búsqueda:
+
+\begin{itemize}
+    \item Scopus
+    \item IEEE Xplore
+\end{itemize}
+
+
+\subsection{Cadenas de búsqueda a usar.}
+
+
+% - cita a Kitchenham necesaria?
+% - cita al paper de WordNet necesaria?  O mejor solo a la URL
+%   https://wordnet.princeton.edu/
+Se sigue el enfoque general de descomponer los criterios PICOC (\autoref{tab:picoc}) en términos de
+búsqueda (\autoref{tab:picoc-terms}).  Seguido de encontrar sinónimos para cada término,
+construir la cadena de búsqueda utilizando operadores booleanos, y finalmente
+adaptar la cadena a la sintaxis de los motores de búsqueda elegidos.  Para la
+búsqueda de sinónimos en inglés se utilizó el
+diccionario WordNet, el cual es distribuido pública y libremente por Princeton
+\autocite{Fellbaum2010}.
+
+\begin{table} [htbp] \centering
+    \caption{Términos de búsqueda derivados de los criterios PICOC}
+    \label{tab:picoc-terms}
+    \begin{tabular} {|p{0.19\linewidth}|p{0.79\linewidth}|}
+
+        \toprule
+        % \hline
+        \textit{Criterio} & \emph{Términos de búsqueda} \\
+        \midrule
+        % \hline
+        Población       & 
+        system, tool, student dropout, student desertion, student attrition \\
+        % undergraduate students, college students, higher education students \\ 
+        \hline
+        Intervención    & 
+        machine learning, data mining, predictive modeling, supervised learning, classification, feature selection \\ 
+        \hline
+        Comparación     & 
+        (No aplica) \\ 
+        \hline
+        Consecuencia    & 
+        forecast models, prediction models \\ 
+        \hline
+        Contexto        & 
+        undergraduate, higher education institutions, university, college, 
+        degree types, socioeconomic status \\ 
+        \hline
+
+    \end{tabular}
+\end{table}
+
+Se utilizan el operador booleano $OR$ para concatenar los términos de
+búsqueda pertenecientes al mismo criterio,  y luego se concatenan las cadenas de
+cada criterio con el operador booleano $AND$ para obtener una única cadena de
+búsqueda.  Para delimitar aún más la búsqueda, se restringe más el primer criterio
+para que solo muestre herramientas o sistemas relacionadas al análisis de la deserción
+estudiantil universitaria:
+
+\begin{verbatim} 
+( ( "system" OR "tool" ) AND ( "student dropout" OR "student desertion" OR
+"student attrition" ) ) AND ( "machine learning" OR "data mining" OR "predictive
+modeling" OR "supervised learning" OR "classification" OR "feature selection" )
+AND ( "forecast models" OR "prediction models" ) AND ( "undergraduate" OR
+"higher education institutions" OR "university" OR "college" OR "degree types"
+OR "socioeconomic status" )
+\end{verbatim}
+% https://dl-acm-org.ezproxybib.pucp.edu.pe/action/doSearch?AllField=%28+%22university%22++AND++%22dropout+rate%22++AND++%22machine+learning%22+%29+
+% simple one (57 scopus): https://www-scopus-com.ezproxybib.pucp.edu.pe/results/results.uri?sort=plf-f&src=s&st1=%22university%22+AND+%22dropout+rate%22+AND+%22machine+learning%22&sid=5b2e61989f4528bdfb0f8402c4327812&sot=b&sdt=b&sl=69&s=TITLE-ABS-KEY%28%22university%22+AND+%22dropout+rate%22+AND+%22machine+learning%22%29&origin=searchbasic&editSaveSearch=&yearFrom=Before+1960&yearTo=Present
+% v4: asesora: 61 SCOPUS, 1 IEEE Xplore
+% https://www-scopus-com.ezproxybib.pucp.edu.pe/results/results.uri?sort=r-f&src=s&nlo=&nlr=&nls=&sid=618985a1c0139a3919c2f00d7f4cce1f&sot=a&sdt=cl&cluster=scofreetoread%2c%22all%22%2ct%2bscopubyr%2c%222023%22%2ct%2c%222022%22%2ct%2c%222021%22%2ct%2c%222020%22%2ct%2c%222019%22%2ct%2bscosubtype%2c%22ar%22%2ct%2bscosubjabbr%2c%22COMP%22%2ct%2bscolang%2c%22English%22%2ct&sl=430&s=ALL+%28%28+%28%22system%22+OR+%22tool%22%29+AND+%28%22student+dropout%22+OR+%22student+desertion%22+OR+%22student+attrition%22%29+%29+AND+%28+%22machine+learning%22+OR+%22data+mining%22+OR+%22predictive+modeling%22+OR+%22supervised+learning%22+OR+%22classification%22+OR+%22feature+selection%22+%29+AND+%28+%22forecast+models%22+OR+%22prediction+models%22+%29+AND+%28+%22undergraduate%22+OR+%22higher+education+institutions%22+OR+%22university%22+OR+%22college%22+%29+%29+AND+PUBYEAR+%3e+2017+AND+PUBYEAR+%3c+2024+AND+NOT+%28%22MOOC%22%29&origin=resultslist&zone=leftSideBar&editSaveSearch=&txGid=6faae11c585e71bcb05039753ceb381c
+% IEEE Xplore: (( ( "student dropout" OR "student desertion" OR "student attrition" ) ) AND ( "machine learning" OR "data mining" OR "predictive modeling" OR "supervised learning" OR "classification" OR "feature selection" ) AND ( "forecast models" OR "prediction models" ) AND ( "undergraduate" OR "higher education institutions" OR "university" OR "college" OR "degree types" OR "socioeconomic status" ))
+% ALL ( ( ( "system"  OR  "tool" )  AND  ( "student dropout"  OR  "student desertion"  OR  "student attrition" ) )  AND  ( "machine learning"  OR  "data mining"  OR  "predictive modeling"  OR  "supervised learning"  OR  "classification"  OR  "feature selection" )  AND  ( "forecast models"  OR  "prediction models" )  AND  ( "undergraduate"  OR  "higher education institutions"  OR  "university"  OR  "college" ) )  AND  PUBYEAR  >  2017  AND  PUBYEAR  <  2024  AND NOT  ( "MOOC" )  AND  (  LIMIT-TO ( OA ,  "all" ) )  AND  ( LIMIT-TO ( PUBYEAR ,  2023 )  OR  LIMIT-TO ( PUBYEAR ,  2022 )  OR  LIMIT-TO ( PUBYEAR ,  2021 )  OR  LIMIT-TO ( PUBYEAR ,  2020 )  OR  LIMIT-TO ( PUBYEAR ,  2019 ) )  AND  ( LIMIT-TO ( DOCTYPE ,  "ar" ) )  AND  ( LIMIT-TO ( SUBJAREA ,  "COMP" ) )  AND  ( LIMIT-TO ( LANGUAGE ,  "English" ) )  
+% v2: 1,374 SCOPUS, 6 IEEE Xplore
+% v1:  > 1,000,000 results SCOPUS, 27,397 results IEEE Xplore
+% ("system" OR "solution" OR "forecast" OR "student dropout" OR "student 
+% desertion" OR "student attrition") AND ("machine learning" OR "data mining" OR 
+% "predictive modeling" OR "supervised learning" OR "classification" OR "feature 
+% selection") AND ("factors" OR "attributes" OR "metrics" OR "predict" OR "models" 
+% OR "academic success") AND ("undergraduate" OR "higher education institutions" 
+% OR "university" OR "college" OR "degree types" OR "socioeconomic status")
+% v0:
+% ("student desertion" OR student attrition OR "student dropout" OR "academic
+% risk") AND ("machine learning" OR "data mining" OR techniques OR tools OR
+% algorithms OR "classification algorithms") AND (model OR framework OR factors OR
+% attributes OR metrics OR predict OR "predict student droput") AND (university OR
+% academia OR peru OR latam OR "latin america" OR undergraduate OR "undergraduate
+% studies" OR methodology OR review OR comparison OR "educational data mining") 
+
+Finalmente, se adapta la cadena a la sintaxis
+de cada uno de los motores de búsqueda bibliográficos.  
+Para Scopus, se genera la siguiente cadena.  A la cual también
+se le ha incorporado un criterio de exclución, limitando la antigüedad del
+artículo (la lista completa de estos criterios se encuentra 
+en la sección \ref{criterios-inclusion-exclusion}).
+
+\begin{verbatim}
+ALL ( ( "forecast system" OR "student dropout" OR "student desertion" OR
+"student attrition" ) AND ( "machine learning" OR "data mining" OR "predictive
+modeling" OR "supervised learning" OR "classification" OR "feature selection" )
+AND ( "forecast models" OR "prediction models" ) AND ( "undergraduate" OR
+"higher education institutions" OR "university" OR "college" OR "degree types"
+OR "socioeconomic status" ) ) AND PUBYEAR > 2017 AND PUBYEAR < 2024 
+\end{verbatim}
+
+% El motor de búsqueda IEEE Xplore limita la búsqueda a un máximo de 25 términos.
+Para IEEE Xplore, se utiliza la interfáz gráfica para limitar la antigüedad del artículo
+a los últimos 6 años.  La cadena no requiere modficaciones adicionales de sintaxis.
+
+
+\subsection{Documentos encontrados.}
+
+La cantidad de documentos encontrados luego de utilizar las cadenas de búsqueda en los motores bibliograficos se sumariza en la \autoref{tab:documentos-encontrados}.  El número de documentos encontrados es especialmente elevado para Scopus; pero aplicando los criterios de inclusión y exclusión listados en la siguiente sección, se buscará reducirlo a un número más manejable para los documentos primarios para la investigación.
+
+\begin{table} [htbp] \centering
+    \caption{Documentos encontrados por motor de búsqueda}
+    \label{tab:documentos-encontrados}
+    \begin{tabular} {|p{0.2\linewidth}|p{0.2\linewidth}|}
+    
+        \hline
+        Scopus & 
+        1,374 \\ 
+        \hline
+        IEEE Xplore & 
+        4 \\ 
+        \hline
+        
+    \end{tabular}
+\end{table}
+
+
+\subsection{Criterios de inclusión/exclusión.} \label{criterios-inclusion-exclusion}
+
+Se cuentan con los siguientes criterios de inclusión:
+
+\begin{itemize}
+    \item 
+        El artículo incluye métricas o factores que ayudan a predecir la
+        deserción estudiantil universitaria
+    \item 
+        El artículo explora y compara herramientas y metodologías para analizar
+        la deserción estudiantil universitaria
+    \item 
+        El artículo incluye soluciónes algorítmicas de Machine Learning para el
+        análisis de deserción estudiantil universitaria.
+\end{itemize}
+
+Y los siguientes criterios de exclusión:
+
+\begin{itemize}
+    \item 
+        El artículo no tiene una antigüedad mayor a 6 años.  A excepción de si
+        se trata a una referencia de conceptos o teoría.
+    \item 
+        El artículo no está relacionado al contexto de deserción estudiantil
+        universitaria.
+    \item 
+        Las técnicas para el análisis de factores que influyen en la deserción
+        estudiantil no están relacionadas con Aprendizaje Automático.
+    \item 
+        El artículo se encuentra en un idioma distinto al inglés o español.
+    \item 
+        El artículo no se encuentra disponible pasa su uso libre o licenciado
+        con la biblioteca de la Pontificia Universidad Católica del Perú (PUCP)
+        y no se considera que su aporte sería indispensable para el estudio.
+\end{itemize}
+
+
+\section{Formulario de Extracción de Datos} \label{formulario-extraccion}
+
+Luego de aplicar los criterios de inclusión y exclusión a los documentos
+encontrados, se categorizan los documentos utilizando el formulario de
+extracción de datos.  Ver \autoref{tab:formulario-extraccion}.
+
+\begin{table}[H]
+    \centering
+    \caption{Estructura del formulario de extracción}
+    \label{tab:formulario-extraccion}
+    \begin{tabular} {p{0.24\linewidth}|p{0.5\linewidth}|p{0.25\linewidth}}
+
+        \toprule
+        \emph{Ítem} &
+        \emph{Descripción} &
+        \emph{Pregunta} \\ 
+        \midrule
+
+        Id &
+        Identificador &
+        Información General \\
+
+        Título &
+        Título del artículo &
+        Información General \\
+
+        Autores &
+        Autores &
+        Información General \\
+
+        Año &
+        Año de publicación &
+        Información General \\
+
+        Motor de búsqueda &
+        Motor de búsqueda donde se encontró el artículo &
+        Información General \\
+
+        Tipo de Fuente &
+        Medio en que se publicó el documento.  Puede ser artículo, revista, libro,
+        congreso. &
+        Información General \\
+
+        Métricas &
+        Métricas o factores que influyen en la deserción estudiantil universitaria &
+        P1 \\
+
+        Herramientas &
+        Herramientas o metodologías empleadas para analizar la deserción estudiantil
+        universitaria &
+        P2 \\
+
+        Algoritmos de ML &
+        Algoritmos actuales de Machine Learninng utilizados para analizar la
+        deserción estudiantil universitaria &
+        P3 \\
+
+        Carencias &
+        Carencias, falencias, y posibles mejoras en las técnicas actuales de
+        análisis de deserción estudiantil universitaria &
+        P4 \\
+
+        \bottomrule
+
+    \end{tabular}
+\end{table}
+
+
+
+\section{Resultados de la Revisión}
+
+Luego de aplicar los criterios de
+inclusión y exclusión, se obtienen 16 estudios primarios con los que se
+responderán las preguntas de investigación.  Para ver la lista
+completa de las fichas bibliográficas de los estudios primarios ver el Anexo 1.
+% Añadir referencia Anexo1: Formulario de Extracción
+En la \autoref{tab:p1papers} se sumarizan los estudios primarios y las preguntas de investigación a las que ayudan a responder.
+
+% - Tabla
+% - Resumen
+% - Opcionalmente graficos y tablas
+
+\begin{table} [H]
+    \centering
+    \caption{Artículos primarios y las preguntas de investigación que ayudan a
+    responder}
+    \label{tab:p1papers}
+    \begin{tabular} {|p{0.14\linewidth}|p{0.70\linewidth}|
+        *{4}{p{0.02\linewidth}|} }
+
+        \hline
+        \textit{Autor} &
+        \textit{Título} &
+        \textit{P1} &
+        \textit{P2} &
+        \textit{P3} &
+        \textit{P4}
+        \\ \hline
+
+        \autocite{Shilbayeh2021562} &
+        Predicting student enrolments and attrition patterns in higher educational institutions using machine learning &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Perez202157} &
+        Predicting Student Program Completion Using Naïve Bayes Classification Algorithm &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Alwarthan2022107649} &
+        An Explainable Model for Identifying At-Risk Student at Higher Education &
+        x &       % P1
+          &       % P2
+          &       % P3
+                  % P4
+        \\\hline
+
+        \autocite{Khan2021} &
+        An artificial intelligence approach to monitor student performance and devise preventive measures &
+          &       % P1
+          &       % P2
+        x &       % P3
+        x         % P4
+        \\ \hline
+
+        \autocite{Sahlaoui2021152688} &
+        Predicting and Interpreting Student Performance Using Ensemble Models and Shapley Additive Explanations &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Segura2022} &
+        Machine Learning Prediction of University Student Dropout: Does Preference Play a Key Role? &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Latif20221051} &
+        Identifying At-Risk Students: An AI-based Prediction Approach &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Balaji2021} &
+        Contributions of machine learning models towards student academic performance prediction: A systematic review &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Suhaimi20191} &
+        Review on Predicting Students’ Graduation Time Using Machine Learning Algorithms & 
+        x &       % P1
+          &       % P2
+        x &       % P3
+        x         % P4
+        \\ \hline
+
+        \autocite{Yağcı2022} &
+        Educational data mining: prediction of students' academic performance using machine learning algorithms &
+          &       % P1
+        x &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Fernandez-Garcia2021133076} &
+        A real-life machine learning experience for predicting university dropout at different stages using academic data &
+        x &       % P1
+          &       % P2
+        x &       % P3
+        x         % P4
+        \\ \hline
+
+        \autocite{Guzmán2022} &
+        Comparative Analysis of Dropout and Student Permanence in Rural Higher Education &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{8820813} &
+        Supervised Learning in the Context of Educational Data Mining to Avoid University Students Dropout &
+        x &       % P1
+        x &       % P2
+          &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{8484847} &
+        Applying Data Mining Techniques to Predict Student Dropout: A Case Study &
+        x &       % P1
+          &       % P2
+        x &       % P3
+                  % P4
+        \\ \hline
+
+        \autocite{Kemper2020} &
+        Predicting student dropout: A machine learning approach &
+        x  &       % P1
+        x  &       % P2
+        x  &       % P3
+        x          % P4
+        \\ \hline
+
+    \end{tabular}
+\end{table}
+
+
+\subsection{Respuestas a la pregunta P1.}
+
+Los factores con los que se predice la deserción estudiantil universitaria
+varían considerablemente para cada estudio,  esto es debido a que cada uno
+cuenta con data distinta, contextos distintos, y con medios de recolección de
+datos distintos.  Por ejemplo,  en \autocite{Shilbayeh2021562} se recolectó data
+real, de 1600 estudiantes de la Abu Dhabi School of Management en los años 2019-2022
+Universidad Pública de Ecuador.
+Y se obtuvo 11 principales factores, siendo los más importantes la edad del alumno y
+su rendimiento académico.  
+Por otro lado, \autocite{Kemper2020} encuentra que el promedio de notas y la cantidad de
+exámenes aprobados son los principales factores.  Las variables utilizadas en
+\autocite{Kemper2020} se listan en \autoref{tab:Kemper2020-var}, con las cuales
+lograron obtener un 95\% de precisión con data limitada hasta el tercer semestre
+de estudios de cada estudiante, y más de 85\% de precisión luego del primer
+semestre.
+
+En el estudio por \autocite{Perez202157} se meciona que tanto variables personales (género, estatus socio-económico) y variables educativas (rendimiento académico, dificultad percibida en los cursos que lleva)
+pueden ser buenos predictores de deserción estudiantil.
+
+En \autocite{Alwarthan2022107649} se identifica que variables pre-admission (e.g., puntaje SAT, GPA, información demográfica) también son muy relevantes al predecir deserción estudiantil universitaria.  
+Estas variables podrían ser de especial ayuda para las universidades para poder elegir y apoyar
+a estudiantes prospectivos que tienen alto riesgo de desertar, identificandolos de forma temprana.
+
+
+% \begin{table} [htbp]\centering
+%     \caption{Variables independientes utilizadas en \autocite{Alban2019}}
+%     \label{tab:Alban2019-var}
+%     \begin{tabular} {|p{0.80\linewidth}|}
+
+%         \hline
+% %        \textit{Descripción}
+% %        \\ \hline
+
+%         Conocimiento limitado en el uso de software especializado de la carrera
+%         \\ \hline
+%         Embarazo deseado o no deseado 
+%         \\ \hline
+%         El compromizo de los profesores con el estudiante 
+%         \\ \hline
+%         Compromiso económico con la familia del alumno por ser hijo mayor 
+%         \\ \hline
+%         Bullying 
+%         \\ \hline
+%         Sexismo 
+%         \\ \hline
+%         Adicciones del estudiante 
+%         \\ \hline
+%         Número de hijos del estudiante 
+%         \\ \hline
+%         Adaptabilidad del estudiante al nivel de rapidéz de aprendizaje
+%         requerido por la universidad 
+%         \\ \hline
+%         Carrera elegida 
+%         \\ \hline
+%         Perspectiva del estudiante en cuando su integración en el mercado
+%         laboral 
+
+%         \\ \hline
+
+%     \end{tabular}
+% \end{table}
+
+\begin{table} [H]
+    \centering
+    \caption{Variables independientes utilizadas en \autocite{Kemper2020}}
+    \label{tab:Kemper2020-var}
+    \begin{tabular} {|p{0.80\linewidth}|}
+
+        \hline
+%        \textit{Descripción}
+%        \\ \hline
+
+        Fecha de ingreso a la universidad
+        \\ \hline
+        Género
+        \\ \hline
+        Origen (Nacional o Extranjero)
+        \\ \hline
+        Edad en el momento de ingreso a la universidad
+        \\ \hline
+        Promedio de notas en todos los exámenes
+        \\ \hline
+        Promedio de notas en todos los exámenes aprobados
+        \\ \hline
+        Promedio de notas en todos los exámenes desaprobados
+        \\ \hline
+        Cantidad de exámenes tomados
+        \\ \hline
+        Cantidad de exámenes aprobados
+        \\ \hline
+        Cantidad de exámenes desaprobados
+
+        \\ \hline
+
+    \end{tabular}
+\end{table}
+
+
+\subsection{Respuestas a la pregunta P2.}
+
+De los artículos primarios revisados, \autocite{Khan2021} y
+\autocite{Sahlaoui2021152688} utilizan la metodología \textit{Knowledge Discovery in
+Databases} (KDD).  Por otro lado, en \autocite{Latif20221051} se utilizó la
+metodología CRIPS-DM.  Además, \autocite{Kemper2020} propone una nueva
+metodología para poner en práctica en otras instituciones y comparar resultados.
+
+En cuanto a las herramientas utilizadas, \autocite{Agrusti2019} menciona que,
+dentro de los estudios que analizaron, las más usadas son WEKA, SPSS, y R.  
+
+Como parte de otras técnicas utilizadas, tanto \autocite{Segura2022} como
+\autocite{Balaji2021} utilizaron técnicas como SMOTE para el balanceo de datos,
+parte de la etapa de pre-procesamiento de datos. Y SHAP para el análisis de importancia
+y explicación de las variables en los modelos de Aprendizaje Automático obtenidos.
+
+En el estudio realizado por \autocite{Alwarthan2022107649} y \autocite{Kemper2020} 
+se comparó el desempeño de múltiples algoritmos basados en Aprendizaje Automático.
+Entre ellos: Random Forest (RF), Artificial Neural Network (ANN), y Support Vector Machine (SVM).
+
+
+\subsection{Respuestas a la pregunta P3.}
+
+En la literatura revisada se utilizan diversas técnicas de \textit{Machine
+Learning}, como lo son \textit{Decision Tree}, clasificación bayesiana, redes
+neuronales, y regresión logística.  Para cada técnica, se cuenta con varios
+algorítmos, por ejemplo, C4.5, \textit{Random Forest}, \textit{Naïve Bayes}, y
+\textit{Multilayer perceptron} \autocite{Alwarthan2022107649}.  En la
+\autoref{tab:alg-comp} se sumariza el desempeño del mejor algorítmo para cada
+artículo primario revisado. 
+
+\begin{table} [htbp]\centering
+    \caption{Desempeño de algoritmos de Aprendizaje Automático utilizados en
+    los artículos primarios}
+    \label{tab:alg-comp}
+    \begin{tabular}
+        {|p{0.20\linewidth}|p{0.30\linewidth}|p{0.15\linewidth}|p{0.25\linewidth}|}
+
+        \hline
+        \textit{Técnica} &
+        \textit{Algoritmo} &
+        \textit{Precisión} &
+        \textit{Cita}
+        \\ \hline
+
+        Red neuronal &
+        Multilayer perceptron &
+        96.3\% &
+        \autocite{Alwarthan2022107649}
+        \\ \hline
+
+        % revisar
+        Decision Tree &
+        Random Forest &
+        96.7\% &
+        \autocite{Alwarthan2022107649}
+        \\ \hline
+
+        Decision Tree &
+        C4.5 &
+        87\% &
+        \autocite{Alwarthan2022107649}
+        \\ \hline
+
+        Red neuronal &
+        Artificial Neural Network &
+        83\% &
+        \autocite{Kemper2020}
+        \\ \hline
+
+        % revisar
+        Decision Tree &
+        Random Forest &
+        95\% &
+        \autocite{Kemper2020}
+        \\ \hline
+
+        % revisar
+        Decision Tree &
+        Support Vector Machine &
+        81\% &
+        \autocite{Kemper2020}
+        \\ \hline
+
+    \end{tabular}
+\end{table}
+
+
+\subsection{Respuestas a la pregunta P4.}
+
+% Tabla con los diferentes algoritmo usados.  Notar cual es el mejor segun los
+% estudios citados.  Comparacion 
+
+% Extension: ~ 1 pagina
+
+% revisar eso de notas no estandarizadas, Kemper es crack
+Se identifica la falencia de la confiabilidad de los datos trabajados,  por
+ejemplo en \autocite{Alban2019} se utilizó data de encuestas a alumnos, que por
+su naturaleza, están sujetas al enfoque subjetivo de cada encuestado.  La
+segunda falencia identificada es el trabajar con notas no estandarizadas cuando
+se procesan datos de varias carreras \autocite{Kemper2020}.  Distintos
+estándares de calificación en cada carrera pueden afectar al modelo.
+Finalmente, se identifica que algunos estudios no se cuenta con un
+\textit{dataset} grande, \autocite{Alvarez2020} cuenta con data de solo 456
+estudiantes, y \autocite{Moreira2022} con 331 estudiantes.
+
+Debilidades:
+
+\begin{itemize}
+    \item
+        Limitada capacidad para generalización.  Los modelos trabajados
+        no pueden ser directamente aplicados a todas las instituciones y
+        contextos educativos, ni a todas las poblaciones estudiantiles \autocite{Alwarthan2022107649}.
+    \item
+        Calidad de la data y disponibilidad.  La presición de los modelos de predicción
+        dependen altamente de la calidad e integridad de la data disponible
+        \autocite{Kemper2020, Alwarthan2022107649, Perez202157}.
+    \item
+        Limitada capacidad de explicación de los modelos.  Entender 
+        la lógica detrás de cada predicción realizadas por algunos modelos de 
+        Aprendizaje Automático, como una ANN, puede ser dificil \autocite{Alwarthan2022107649}
+\end{itemize}
+
+Oportunidades de mejora:
+
+\begin{itemize}
+    \item
+        Incorporar fuentes de datos más diversas podría mejorar las predicciones \autocite{Alwarthan2022107649}.
+    \item
+        Utilizar modelos explicables de Aprendizaje Automático para mejorar
+        la interpretación y confianza de las predicciones
+        \autocite{Kemper2020, Alwarthan2022107649, Perez202157}.
+    \item
+        Desarrollar modelos que puedan ser adaptables a difrentes contextos educativos
+        y poblaciones estudiantiles \autocite{Alwarthan2022107649}.
+\end{itemize}
+
+
+
+\section{Conclusiones}
+
+% En base a los documentos revisados... (8 lineas, juntar en 2 parrafos)
+
+En conclusión, la predicción de la deserción estudiantil universitaria es un tema de investigación complejo, ya que los factores que influyen en la deserción pueden variar considerablemente entre diferentes contextos y poblaciones estudiantiles.  Los estudios analizados en esta revisión han identificado diversas variables relevantes, como la edad del alumno, el rendimiento académico, el género, el estatus socioeconómico y las variables pre-admisión, como el puntaje SAT o el GPA.
+
+En la literatura, se han empleado varias técnicas y algoritmos de aprendizaje automático para predecir la deserción estudiantil, incluyendo árboles de decisión, clasificación bayesiana, redes neuronales y regresión logística.  Obteniendo resultados bastante prometedores, con coeficientes de determinación de hasta 97 \% (como los mecionados en \autocite{Kemper2020}).  Sin embargo, estos modelos tienen limitaciones en cuanto a su capacidad de generalización y explicación (\textit{explainability}) y dependen en gran medida de la calidad e integridad de los datos disponibles.
+
+Las debilidades identificadas en los estudios incluyen la limitada capacidad para la generalización de los modelos, la calidad y disponibilidad de los datos y la limitada capacidad de explicación de algunos modelos de aprendizaje automático.  Para abordar estas debilidades, se sugiere incorporar fuentes de datos más diversas, utilizar modelos explicables de aprendizaje automático y desarrollar modelos adaptables a diferentes contextos educativos y poblaciones estudiantiles.  Al abordar estas áreas de mejora, los investigadores y las instituciones educativas podrán desarrollar modelos de predicción más precisos y útiles para prevenir y abordar la deserción estudiantil universitaria.
+
+% \begin{itemize}
+%     \item
+%         Los factores que mejor predicen la deserción estudiantil universitaria
+%         son muy variados, y van a depender de la manera en la que se recolecten
+%         los datos a analizar.
+%     \item
+%         Las precisiones alcanzadas en la literatura se encuentran alrededor del
+%         90\%.  Se remarca que es posible llegar a una precisión de más del 85\%
+%         tan pronto como finalizado el primer semestre del estudiante
+%         \autocite{Kemper2020}.
+%     \item
+%         Las metodologías más utilizadas son KDD y CRISP-DM.  Sin embargo, varios
+%         estudios describen la metodología que siguieron, pero no mencionan un
+%         nombre en específico de su metodología.
+%     \item
+%         Los algorítmos más utilizados y con mejores resultados son
+%         \textit{Random Forest}, \textit{C4.5}, y \textit{Multilayer perceptron}.
+%         Siendo los dos primeros técnicas de clasificación utilizando
+%         \textit{Decision Trees} y el tercero utilizando redes neuronales.
+%     \item
+%         Dentro de las falencias identificadas se recalca la importancia de la
+%         confiabilidad y objetividad de los datos a analizar, y el tamaño del
+%         \textit{dataset}.
+% \end{itemize}
diff --git a/chapter/40-resultados_esperados.tex b/chapter/40-resultados_esperados.tex
new file mode 100644
index 0000000..dda751d
--- /dev/null
+++ b/chapter/40-resultados_esperados.tex
@@ -0,0 +1,5 @@
+\chapter{Presentación de los Resultados Esperados}
+
+% [Del capítulo 4 hasta el N deben ir los resultados. Introducción, enunciar el
+% resultado, relacionarlo con el objetivo, presentar modo de validar su
+% construcción.]
diff --git a/chapter/50-conclusiones.tex b/chapter/50-conclusiones.tex
new file mode 100644
index 0000000..56eedd3
--- /dev/null
+++ b/chapter/50-conclusiones.tex
@@ -0,0 +1,7 @@
+\chapter{Conclusiones y Trabajos Futuros}
+
+
+\section{Conclusiones}
+
+
+\section{Trabajos Futuros}