Embedded Files
¿Existen diferencias significativas en torno a los puntajes según el tipo de establecimiento (Municipal, Subvencionado, Particular), se han mantenido a lo largo del tiempo?
Se utilizó un gráfico de líneas que muestra la evolución de 20 años, separado por tipo de colegio, observando el porcentaje de logro promedio en cada categoría.
A partir del gráfico y del resumen, se aprecia una ventaja sostenida de los establecimientos particulares pagados, que superan por cerca de un 10% al siguiente tipo de colegio: el particular subvencionado.
¿Cómo se vieron afectados los puntajes durante la pandemia y el estallido social, considerando factores como la dificultad del acceso a las clases presenciales?
Para responder a esta pregunta se tuvieron que separar los datos en los siguiente periodos de tiempo:
Normal: Pre-estallido y pre-pandemia (procesos 2018–2019).
Estallido/Inicio Pandemia: (procesos 2020–2021).
Pandemia Severa/Post-Estallido: (procesos 2022–2023).
Post-Pandemia/PAES: (procesos 2024–2025).
Luego se usó un gráfico de barras para poder mostrar correctamente la distribución de los datos.
Los gráficos permiten distinguir una diferencia marcada entre los dos primeros periodos y los posteriores. En estos últimos se observa una mayor ampliación de los cuartiles, así como un aumento en los valores máximos y mínimos. Esto indica que, en los periodos posteriores al estallido social y la pandemia, el desempeño de los estudiantes se volvió más disperso y desigual.
Esta dispersión es coherente con las brechas de acceso: quienes no contaron con conectividad adecuada quedaron rezagados, mientras quienes sí tuvieron acceso pudieron mantener o incluso mejorar su rendimiento.
La dependencia del establecimiento también aporta información relevante, ya que suele reflejar el nivel socioeconómico de las familias. Un estudiante de un colegio municipal no enfrenta las mismas condiciones materiales que uno de un colegio particular pagado. Esto se ve en los gráficos: en los cuatro periodos, los colegios particulares pagados muestran los mayores resultados y son los únicos que exhiben un aumento sostenido a lo largo del tiempo, mientras que las otras dependencias disminuyen o se mantienen en comparación con el periodo Normal.
¿En qué comunas de Santiago se concentran los mejores puntajes (por sobre el 80% de logro en sus pruebas rendidas) y cómo relacionamos esto a los tipos de colegios en cada comuna?
Para responder la pregunta filtramos únicamente los datos de la Región Metropolitana. Luego agrupamos por comuna y seleccionamos a los estudiantes con puntajes de excelencia, definidos como aquellos cuyo promedio en las pruebas supera el 80% de logro.
Los resultados son claros, comunas como Santiago, Las Condes y Providencia concentran la mayor proporción de puntajes altos, mientras que comunas como María Pinto o San Pedro aparecen consistentemente en los últimos lugares del ranking.
Para la segunda parte de la pregunta utilizamos una regresión lineal, que permite evaluar si existe una relación lineal entre las variables.
Los gráficos muestran una relación positiva entre la presencia de colegios particulares pagados y los puntajes obtenidos: a mayor proporción de este tipo de establecimientos, mejores resultados.
En contraste, en las comunas con mayor presencia de colegios municipales se observa una relación inversa, donde el aumento de estos se asocia a puntajes más bajos.
¿Han cambiado los promedios de puntajes en el cambio de PSU, PDT y PAES, y si estos determinan un cambio en la forma de medir el rendimiento estudiantil o más bien un cambio real en el desempeño de estos? A considerar el cambio de escala de PSU a PAES.
Para responder la pregunta utilizamos varios gráficos. Uno de ellos muestra el logro promedio por año, lo que permite identificar con claridad los momentos en que cambia el formato de aplicación de las pruebas. Además, analizamos gráficos por tipo de prueba para observar cómo varía su comportamiento y cómo se relacionan con otros indicadores, como el promedio de notas.
Podemos ver que los promedios de puntajes sí cambian cuando pasamos de PSU → PDT → PAES, pero esos saltos no se deben a que los estudiantes hayan aprendido más o menos de un año para otro. Lo que realmente cambia es la forma en que se mide: cada prueba usa escalas y criterios distintos, por lo que los puntajes dejan de ser comparables entre sistemas.
Los aumentos o caídas bruscas visibles en los gráficos reflejan cambios en el sistema de medición, no en el rendimiento real. Las notas escolares se mantienen estables, lo que confirma que el desempeño estudiantil no varió de manera drástica.
En resumen, lo que cambió fue el instrumento de evaluación, no el aprendizaje de los estudiantes.
¿Qué factores académicos y socioeconómicos (NEM, Ranking, Tipo de Colegio) predicen la probabilidad de que un estudiante obtenga un Puntaje de Excelencia (Top 5%) a lo largo del periodo 2004-2025?
Para responder la pregunta se utilizó un modelo de árbol de decisión, que clasifica a los estudiantes siguiendo una secuencia de preguntas en distintas ramas hasta llegar a una conclusión. El modelo se entrenó con un set de datos y se probó con otro para evaluar su desempeño.
Los resultados muestran que algunas variables influyen mucho más que otras al momento de predecir si un estudiante pertenece al grupo de excelencia. La más determinante es el promedio de notas, algo coherente porque el rendimiento sostenido suele reflejarse también en las pruebas estandarizadas. La segunda variable clave es el puntaje ranking, que indica la posición del estudiante dentro de su establecimiento y se asocia a un historial académico consistente. En tercer lugar aparece la dependencia particular pagada, que muestra una relación clara con los puntajes más altos, probablemente por diferencias en recursos y calidad educativa.
En síntesis, el árbol confirma que el rendimiento previo y el contexto escolar son predictores sólidos del desempeño de excelencia.
¿Es posible identificar perfiles de colegios que compartan características comunes en su desempeño académico, de forma que algunos establecimientos enseñen resultados similares entre sí y se diferencien de otros grupos de colegios?
Para abordar esta pregunta se agruparon los colegios utilizando como variables el porcentaje de logro en las pruebas obligatorias, el promedio de notas, el puntaje ranking y la dependencia del establecimiento. Con estos indicadores aplicamos K-means y luego PCA para reducir la dimensionalidad y visualizar mejor los patrones. Este proceso permitió identificar cuatro grupos bien definidos de colegios.
El análisis de clustering permitió identificar tres grandes perfiles de colegios:
1. Elite Académica (alto rendimiento)
Representada mayoritariamente por el Cluster 2, compuesto casi exclusivamente por colegios Particulares Pagados. Este grupo destaca por sus altos puntajes y consistencia interna, reflejando la brecha educativa observada en etapas anteriores del análisis.
2. Perfil Intermedio o de Transición
Corresponde principalmente a los Clusters 1 y 3, dominados por Particulares Subvencionados. Presentan buenos resultados, pero muestran un límite claro: rara vez alcanzan los niveles de la elite académica. Funcionan como el “sector medio” del sistema educativo.
3. Perfil de Mayor Desafío
El Cluster 0 agrupa a los colegios Municipales y SLEP, con los puntajes de logro más bajos y mayores dificultades estructurales.
En conjunto, los clusters reafirman una realidad persistente: en Chile, el rendimiento académico se alinea fuertemente con el nivel socioeconómico, favoreciendo a quienes pueden acceder a educación de mayor costo.
¿Se puede establecer un perfil de estudiante que permita explicar su desempeño en la prueba de admisión, considerando variables como el promedio de notas de enseñanza media, la situación de egreso y otras condiciones académicas o socioeconómicas?
Para abordar esta pregunta aplicamos un modelo de regresión lineal, cuyo propósito fue identificar qué variables pesan más al momento de predecir y comprender el porcentaje de logro final. Este enfoque permite cuantificar de forma sencilla qué factores aportan, cuáles restan y cuánta variabilidad del desempeño puede explicarse a partir de la información disponible.
A partir de los resultados, sí es posible encontrar un perfil que ayuda a entender el rendimiento en las pruebas. El elemento más determinante son las notas de enseñanza media: mientras más altas, mayor probabilidad de obtener un buen porcentaje de logro. Son, en la práctica, el mejor predictor individual del desempeño.
Luego aparecen factores ligados al entorno educativo. Pertenecer a un colegio Particular Pagado puede elevar el logro alrededor de 10 puntos porcentuales, mientras que provenir de un establecimiento administrado por un Servicio Local de Educación suele asociarse a resultados más bajos. Esto no describe casos individuales, sino tendencias estructurales marcadas por preparación desigual y diferencias de recursos.
Estas conclusiones provienen de un modelo con R² ≈ 0.40, lo que deja claro que el resto del desempeño depende de variables no incluidas en el dataset, como región, ingreso familiar, calidad docente, o factores personales imposibles de capturar en los datos.
Page updated
Google Sites
Report abuse