1 1. Propósito del análisis

El presente análisis tiene como finalidad identificar factores asociados con el riesgo potencial de abandono escolar en estudiantes del CONALEP Plantel Lerma 199.

La clasificación obtenida tiene un propósito preventivo y exploratorio. Por tanto, no significa que un estudiante necesariamente abandonará sus estudios, sino que permite identificar condiciones que podrían justificar acciones de seguimiento, acompañamiento tutorial y atención institucional.

2 2. Variable de estudio

La variable dependiente es el riesgo potencial de abandono escolar, operacionalizado mediante:

puntaje_riesgo: suma de condiciones de riesgo identificadas.
nivel_riesgo: clasificación en Bajo, Moderado, Alto o Muy alto.

Las variables explicativas se organizan en cinco dimensiones:

Académica.
Escolar y vocacional.
Socioeconómica y laboral.
Familiar.
Contextual y expectativas de futuro.

3 3. Carga de paquetes

paquetes <- c(
  "readxl",
  "dplyr",
  "janitor",
  "stringr",
  "ggplot2",
  "scales",
  "tidyr",
  "readr",
  "knitr"
)

faltantes <- paquetes[
  !paquetes %in% rownames(installed.packages())
]

if(length(faltantes) > 0){
  install.packages(faltantes)
}

library(readxl)
library(dplyr)
library(janitor)
library(stringr)
library(ggplot2)
library(scales)
library(tidyr)
library(readr)
library(knitr)

4 4. Localización automática del archivo Excel

El archivo Excel debe estar en la misma carpeta que este archivo .Rmd.

archivos_excel <- list.files(
  path = ".",
  pattern = "\\.xlsx$",
  full.names = TRUE
)

if(length(archivos_excel) == 0){
  stop(
    paste0(
      "\n\nERROR: No se encontró ningún archivo .xlsx en la carpeta actual.\n\n",
      "Guarda el archivo Excel en la misma carpeta que este R Markdown."
    )
  )
}

if(length(archivos_excel) > 1){

  cat("Se encontraron varios archivos Excel:\n\n")

  for(i in seq_along(archivos_excel)){
    cat(i, "-", archivos_excel[i], "\n")
  }

  cat(
    "\nSe utilizará automáticamente el primer archivo encontrado.\n"
  )
}

archivo <- archivos_excel[1]

cat(
  "Archivo Excel utilizado:\n",
  archivo,
  "\n"
)

## Archivo Excel utilizado:
##  ./Conociendo a Nuestra Comunidad Estudiantil – CONALEP Lerma 199, 2026 (Respuestas).xlsx

5 5. Importación de la base

datos <- read_excel(
  archivo
)

datos <- datos %>%
  clean_names()

cat(
  "Registros importados:",
  nrow(datos),
  "\n"
)

## Registros importados: 28

cat(
  "Variables importadas:",
  ncol(datos),
  "\n"
)

## Variables importadas: 115

6 6. Revisión de variables disponibles

tabla_variables <- data.frame(
  numero = seq_along(names(datos)),
  variable = names(datos)
)

knitr::kable(
  tabla_variables,
  col.names = c(
    "Número",
    "Nombre de variable"
  ),
  caption = "Variables detectadas en la base"
)

Variables detectadas en la base
Número	Nombre de variable
1	marca_temporal
2	aceptas_participar
3	apellido_paterno_apellido_materno_nombre_s
4	matricula
5	plantel_al_que_perteneces
6	turno_al_que_perteneces
7	que_carrera_cursas
8	semestre
9	grupo
10	x1_genero
11	x2_edad
12	a_que_municipio_perteneces
13	si_no_eres_originario_del_estado_de_mexico_a_que_estado_o_pais_perteneces
14	x3_cual_es_tu_estado_civil
15	tienes_una_relacion_sentimental
16	tiempo_de_relacion_con_tu_pareja
17	x4_tienes_hijos
18	cuantos
19	alguien_depende_de_ti_economicamente
20	x5_sales_a_fiestas_o_reuniones_con_tus_amigas_os
21	en_reuniones_y_o_actividades_sociales_ingieres_bebidas_alcoholicas_y_o_tabaco
22	x7_nombre_de_la_institucion_donde_curso_la_secundaria
23	promedio_inmediato_anterior
24	te_expulsaron_y_o_suspendieron_en_alguna_ocasion
25	tuviste_problemas_con_algun_maestro_a_o_algun_companero_a
26	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_la_bibliografia_del_programa_de_estudio_de_la_licenciatura
27	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_bibliografia_que_busco_por_mi_cuenta
28	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_antologias
29	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_revistas_especializadas
30	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_enciclopedias
31	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_diccionarios
32	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_libros_de_texto
33	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_paginas_web
34	que_tipo_de_lecturas_acostumbras_a_utilizar_al_cursar_tus_estudios_redes_sociales
35	donde_obtienes_los_materiales_para_realizar_tus_actividades_academicas_biblioteca
36	donde_obtienes_los_materiales_para_realizar_tus_actividades_academicas_los_compro
37	donde_obtienes_los_materiales_para_realizar_tus_actividades_academicas_los_fotocopio
38	donde_obtienes_los_materiales_para_realizar_tus_actividades_academicas_los_pido_prestados
39	donde_obtienes_los_materiales_para_realizar_tus_actividades_academicas_via_internet
40	cuales_son_las_formas_de_estudio_y_o_realizacion_de_trabajos_escolares_que_empleas_regularmente_individual
41	cuales_son_las_formas_de_estudio_y_o_realizacion_de_trabajos_escolares_que_empleas_regularmente_grupal
42	en_promedio_cuantas_horas_a_la_semana_dedicas_para_el_desarrollo_de_actividades_extraclases_comprende_lecturas_trabajos_y_tareas
43	a_lo_largo_de_tu_trayectoria_en_conalep_que_opinion_tienes_sobre_los_trabajos_y_evidencias_que_te_piden_tus_docentes_marca_una_opcion_por_renglon_las_y_los_profesores_revisan_los_trabajos
44	a_lo_largo_de_tu_trayectoria_en_conalep_que_opinion_tienes_sobre_los_trabajos_y_evidencias_que_te_piden_tus_docentes_marca_una_opcion_por_renglon_las_y_los_profesores_regresan_los_trabajos
45	a_lo_largo_de_tu_trayectoria_en_conalep_que_opinion_tienes_sobre_los_trabajos_y_evidencias_que_te_piden_tus_docentes_marca_una_opcion_por_renglon_las_y_los_profesores_regresan_los_trabajos_con_correcciones_y_comentarios
46	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_presentacion
47	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_uso_de_bibliografia
48	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_ortografia
49	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_redaccion
50	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_extension
51	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_dominio_de_la_materia
52	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_ideas_originales
53	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_capacidad_de_analisis
54	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_capacidad_de_critica
55	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_capacidad_de_sintesis
56	que_aspectos_fueron_revisados_en_tus_trabajos_marca_una_opcion_por_cada_renglon_orden_y_coherencia
57	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_musica
58	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_exposiciones_artisticas
59	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_cine
60	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_presentacion_de_libros
61	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_danza
62	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_eventos_deportivos
63	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_teatro
64	con_que_frecuencia_asistes_a_los_siguientes_eventos_marca_una_opcion_por_renglon_museos
65	realizas_alguna_de_las_siguientes_actividades_socio_recreativas_a_deportiva
66	realizas_alguna_de_las_siguientes_actividades_socio_recreativas_b_culturales
67	hablas_algun_dialecto_o_lengua_indigena
68	tus_papas_o_tus_abuelos_as_son_indigenas
69	tus_papas_o_tus_abuelos_as_hablan_o_entienden_alguna_lengua_indigena
70	actualmente_vive_con
71	cual_es_tu_lugar_de_residencia_mientras_estudias_en_la_conalep
72	selecciona_los_servicios_con_los_que_cuenta_la_casa_donde_vives_servicios
73	que_lugar_ocupan_tus_estudios_dentro_de_las_prioridades_de_tu_familia
74	cuanto_tiempo_haces_diariamente_para_trasladarte_de_tu_lugar_de_residencia_a_la_escuela
75	tienes_alguna_discapacidad
76	padeces_o_padeciste_alguna_enfermedad
77	cual
78	algun_familiar_de_linea_directa_padece_alguna_enfermedad
79	menciona_el_parentesco_y_patologia
80	presentas_alguna_de_las_siguientes_condiciones_usas_lentes
81	presentas_alguna_de_las_siguientes_condiciones_estas_en_tratamiento_dental
82	presentas_alguna_de_las_siguientes_condiciones_tienes_alguna_discapacidad_auditiva
83	presentas_alguna_de_las_siguientes_condiciones_estas_en_algun_tratamiento_medico
84	presentas_alguna_de_las_siguientes_condiciones_tienes_algun_padecimiento_cronico
85	presentas_alguna_de_las_siguientes_condiciones_tienes_alguna_alergia
86	haz_llevado_algun_seguimiento_de_atencion_psicologica
87	actualmente_continuas_con_un_plan_de_atencion_psicologica
88	en_cual_de_las_siguientes_instituciones_de_salud_tienes_derecho_a_recibir_servicio_medico_senale_todas_las_opciones_que_aplica
89	la_carrera_que_estas_estudiando_fue_tu_primera_opcion
90	asistes_a_conalep_porque_crees_que_te_sera_de_utilidad
91	te_gusta_conalep
92	que_tanto_dominas_el_idioma_ingles
93	en_que_areas_considera_utilizar_el_idioma_ingles_areas
94	que_nivel_de_idioma_ingles_tienes
95	con_que_documento_probatorio_compruebas_tu_nivel_de_idioma_ingles
96	donde_obtuviste_dicho_documento
97	en_la_actualidad_en_cual_de_las_siguientes_situaciones_te_encuentras
98	que_esperas_obtener_de_la_educacion_en_conalep_en_un_futuro
99	cual_es_la_principal_razon_por_la_que_dejarias_de_estudiar
100	los_recursos_economicos_con_los_que_cuentas_para_desarrollar_tus_actividades_academicas_son
101	cual_es_el_medio_de_transporte_que_utilizas_regularmente_para_trasladarte_a_conalep_puedes_marcar_mas_de_una_opcion
102	a_cuanto_ascienden_tus_gastos_escolares_sepanles
103	quien_cubre_tus_gastos_escolares
104	cual_fue_la_escolaridad_maxima_alcanzada_por_tu_padre
105	cual_fue_la_escolaridad_maxima_alcanzada_por_tu_madre
106	recibes_alguna_beca_para_apoyar_tus_estudios
107	cual_beca_recibes
108	en_caso_de_tener_otra_beca_especifica
109	para_que_utilizas_principalmente_el_dinero_de_la_beca
110	como_te_sientes_en_relacion_a_tu_futuro
111	tienes_celular
112	tienes_computadora_personal
113	que_herramientas_digitales_dominas
114	principalmente_en_donde_usas_internet
115	de_las_siguientes_redes_sociales_selecciona_en_las_que_estas_registrado

7 7. Función para buscar columnas

buscar_columna <- function(datos, patrones){

  nombres <- names(datos)

  for(patron in patrones){

    encontrada <- nombres[
      str_detect(
        nombres,
        regex(
          patron,
          ignore_case = TRUE
        )
      )
    ]

    if(length(encontrada) > 0){
      return(
        encontrada[1]
      )
    }
  }

  NA_character_
}

8 8. Identificación automática de variables

col_consentimiento <- buscar_columna(
  datos,
  c(
    "aceptas_participar",
    "acepta.*participar",
    "consentimiento"
  )
)

col_promedio <- buscar_columna(
  datos,
  c(
    "promedio_inmediato_anterior",
    "promedio.*anterior",
    "promedio"
  )
)

col_suspension <- buscar_columna(
  datos,
  c(
    "expulsaron.*suspendieron",
    "suspendieron",
    "expulsaron"
  )
)

col_convivencia <- buscar_columna(
  datos,
  c(
    "problemas.*maestro",
    "problemas.*docente",
    "problemas.*companero"
  )
)

col_primera_opcion <- buscar_columna(
  datos,
  c(
    "carrera.*primera_opcion",
    "primera_opcion"
  )
)

col_utilidad <- buscar_columna(
  datos,
  c(
    "sera_de_utilidad",
    "utilidad"
  )
)

col_gusto <- buscar_columna(
  datos,
  c(
    "te_gusta_conalep",
    "gusta.*conalep"
  )
)

col_prioridad <- buscar_columna(
  datos,
  c(
    "prioridades.*familia",
    "prioridad.*familia"
  )
)

col_recursos <- buscar_columna(
  datos,
  c(
    "recursos_economicos",
    "recursos.*academicas"
  )
)

col_abandono <- buscar_columna(
  datos,
  c(
    "principal_razon.*dejarias",
    "razon.*dejar.*estudiar",
    "dejar.*estudiar"
  )
)

col_situacion <- buscar_columna(
  datos,
  c(
    "actualidad.*situaciones",
    "situacion.*encuentras"
  )
)

col_traslado <- buscar_columna(
  datos,
  c(
    "tiempo.*trasladarte",
    "residencia.*escuela",
    "traslado"
  )
)

col_futuro <- buscar_columna(
  datos,
  c(
    "sientes.*futuro",
    "relacion.*futuro"
  )
)

col_carrera <- buscar_columna(
  datos,
  c(
    "que_carrera_cursas",
    "carrera_cursas",
    "^carrera$"
  )
)

col_grupo <- buscar_columna(
  datos,
  c(
    "^grupo$",
    "grupo"
  )
)

col_genero <- buscar_columna(
  datos,
  c(
    "genero",
    "sexo"
  )
)

col_nombre <- buscar_columna(
  datos,
  c(
    "apellido_paterno.*apellido_materno",
    "nombre_s",
    "nombre_completo"
  )
)

col_matricula <- buscar_columna(
  datos,
  c(
    "matricula"
  )
)

9 9. Tabla de variables detectadas

variables_detectadas <- data.frame(

  Variable = c(
    "Consentimiento",
    "Promedio",
    "Suspensión o expulsión",
    "Problemas de convivencia",
    "Carrera primera opción",
    "Utilidad de CONALEP",
    "Gusto por CONALEP",
    "Prioridad familiar",
    "Recursos económicos",
    "Razón para dejar de estudiar",
    "Situación laboral",
    "Tiempo de traslado",
    "Percepción del futuro",
    "Carrera",
    "Grupo",
    "Género",
    "Nombre",
    "Matrícula"
  ),

  Columna = c(
    col_consentimiento,
    col_promedio,
    col_suspension,
    col_convivencia,
    col_primera_opcion,
    col_utilidad,
    col_gusto,
    col_prioridad,
    col_recursos,
    col_abandono,
    col_situacion,
    col_traslado,
    col_futuro,
    col_carrera,
    col_grupo,
    col_genero,
    col_nombre,
    col_matricula
  )
)

knitr::kable(
  variables_detectadas,
  caption = "Variables detectadas automáticamente"
)

Variables detectadas automáticamente
Variable	Columna
Consentimiento	aceptas_participar
Promedio	promedio_inmediato_anterior
Suspensión o expulsión	te_expulsaron_y_o_suspendieron_en_alguna_ocasion
Problemas de convivencia	tuviste_problemas_con_algun_maestro_a_o_algun_companero_a
Carrera primera opción	la_carrera_que_estas_estudiando_fue_tu_primera_opcion
Utilidad de CONALEP	asistes_a_conalep_porque_crees_que_te_sera_de_utilidad
Gusto por CONALEP	te_gusta_conalep
Prioridad familiar	que_lugar_ocupan_tus_estudios_dentro_de_las_prioridades_de_tu_familia
Recursos económicos	los_recursos_economicos_con_los_que_cuentas_para_desarrollar_tus_actividades_academicas_son
Razón para dejar de estudiar	cual_es_la_principal_razon_por_la_que_dejarias_de_estudiar
Situación laboral	en_la_actualidad_en_cual_de_las_siguientes_situaciones_te_encuentras
Tiempo de traslado	cuanto_tiempo_haces_diariamente_para_trasladarte_de_tu_lugar_de_residencia_a_la_escuela
Percepción del futuro	como_te_sientes_en_relacion_a_tu_futuro
Carrera	que_carrera_cursas
Grupo	grupo
Género	x1_genero
Nombre	apellido_paterno_apellido_materno_nombre_s
Matrícula	matricula

10 10. Casos válidos

if(!is.na(col_consentimiento)){

  datos_validos <- datos %>%
    filter(
      str_detect(
        str_to_lower(
          as.character(
            .data[[col_consentimiento]]
          )
        ),
        "sí|si"
      )
    )

} else {

  datos_validos <- datos

  cat(
    "Advertencia: no se encontró una variable de consentimiento.\n"
  )
}

cat(
  "Casos válidos:",
  nrow(datos_validos),
  "\n"
)

## Casos válidos: 27

11 11. Funciones auxiliares

obtener_texto <- function(data, columna){

  if(is.na(columna)){
    return(
      rep(
        NA_character_,
        nrow(data)
      )
    )
  }

  as.character(
    data[[columna]]
  )
}


obtener_numero <- function(data, columna){

  if(is.na(columna)){
    return(
      rep(
        NA_real_,
        nrow(data)
      )
    )
  }

  parse_number(
    as.character(
      data[[columna]]
    )
  )
}

12 12. Construcción de factores de riesgo

Cada condición de riesgo suma 1 punto.

riesgo <- datos_validos

promedio_tmp <- obtener_numero(
  riesgo,
  col_promedio
)

riesgo$riesgo_promedio <- ifelse(
  !is.na(promedio_tmp) &
    promedio_tmp < 7,
  1L,
  0L
)


texto_suspension <- str_to_lower(
  obtener_texto(
    riesgo,
    col_suspension
  )
)

riesgo$riesgo_suspension <- ifelse(
  !is.na(texto_suspension) &
    !str_detect(
      texto_suspension,
      "^no$|nunca|ninguna"
    ),
  1L,
  0L
)


texto_convivencia <- str_to_lower(
  obtener_texto(
    riesgo,
    col_convivencia
  )
)

riesgo$riesgo_convivencia <- ifelse(
  !is.na(texto_convivencia) &
    !str_detect(
      texto_convivencia,
      "^no$|ninguno|ninguna|nunca"
    ),
  1L,
  0L
)


texto_primera <- str_to_lower(
  obtener_texto(
    riesgo,
    col_primera_opcion
  )
)

riesgo$riesgo_carrera <- ifelse(
  str_detect(
    texto_primera,
    "^no$"
  ),
  1L,
  0L
)


texto_utilidad <- str_to_lower(
  obtener_texto(
    riesgo,
    col_utilidad
  )
)

riesgo$riesgo_utilidad <- ifelse(
  str_detect(
    texto_utilidad,
    "^no$"
  ),
  1L,
  0L
)


texto_gusto <- str_to_lower(
  obtener_texto(
    riesgo,
    col_gusto
  )
)

riesgo$riesgo_gusto <- ifelse(
  str_detect(
    texto_gusto,
    "^no$"
  ),
  1L,
  0L
)


texto_prioridad <- str_to_lower(
  obtener_texto(
    riesgo,
    col_prioridad
  )
)

riesgo$riesgo_prioridad <- ifelse(
  str_detect(
    texto_prioridad,
    "muy bajo|bajo"
  ),
  1L,
  0L
)


texto_recursos <- str_to_lower(
  obtener_texto(
    riesgo,
    col_recursos
  )
)

riesgo$riesgo_recursos <- ifelse(
  str_detect(
    texto_recursos,
    "insuficiente"
  ),
  1L,
  0L
)


texto_abandono <- str_to_lower(
  obtener_texto(
    riesgo,
    col_abandono
  )
)

riesgo$riesgo_abandono_economico <- ifelse(
  str_detect(
    texto_abandono,
    "econ[oó]mic|dinero|trabaj"
  ),
  1L,
  0L
)


texto_situacion <- str_to_lower(
  obtener_texto(
    riesgo,
    col_situacion
  )
)

riesgo$riesgo_trabajo <- ifelse(
  str_detect(
    texto_situacion,
    "trabaj|empleo|pagado"
  ),
  1L,
  0L
)


texto_traslado <- str_to_lower(
  obtener_texto(
    riesgo,
    col_traslado
  )
)

riesgo$riesgo_traslado <- ifelse(
  str_detect(
    texto_traslado,
    "1 hr|1 hora|1 ½|1 1/2|1.5|2 hrs|2 horas|más de 2|mas de 2"
  ),
  1L,
  0L
)


riesgo$riesgo_intencion <- ifelse(

  is.na(texto_abandono),

  0L,

  ifelse(

    str_detect(
      texto_abandono,
      "no pienso dejar|no dejar[ií]a|no tengo pensado|ninguna"
    ),

    0L,

    1L
  )
)


texto_futuro <- str_to_lower(
  obtener_texto(
    riesgo,
    col_futuro
  )
)

riesgo$riesgo_futuro <- ifelse(
  str_detect(
    texto_futuro,
    "incertidumbre|miedo|temor|me da igual|preocup"
  ),
  1L,
  0L
)

13 13. Puntaje total

riesgo <- riesgo %>%
  mutate(

    puntaje_riesgo =
      riesgo_promedio +
      riesgo_suspension +
      riesgo_convivencia +
      riesgo_carrera +
      riesgo_utilidad +
      riesgo_gusto +
      riesgo_prioridad +
      riesgo_recursos +
      riesgo_abandono_economico +
      riesgo_trabajo +
      riesgo_traslado +
      riesgo_intencion +
      riesgo_futuro
  )

14 14. Clasificación del riesgo

riesgo <- riesgo %>%
  mutate(

    nivel_riesgo = case_when(

      puntaje_riesgo <= 2 ~ "Bajo",

      puntaje_riesgo >= 3 &
        puntaje_riesgo <= 5 ~ "Moderado",

      puntaje_riesgo >= 6 &
        puntaje_riesgo <= 10 ~ "Alto",

      puntaje_riesgo >= 11 ~ "Muy alto"
    )
  )

riesgo$nivel_riesgo <- factor(
  riesgo$nivel_riesgo,
  levels = c(
    "Bajo",
    "Moderado",
    "Alto",
    "Muy alto"
  )
)

15 15. Tabla general de riesgo

tabla_riesgo <- riesgo %>%
  count(
    nivel_riesgo,
    .drop = FALSE
  ) %>%
  mutate(
    porcentaje =
      round(
        n / sum(n) * 100,
        1
      )
  )

knitr::kable(
  tabla_riesgo,
  col.names = c(
    "Nivel de riesgo",
    "Estudiantes",
    "Porcentaje"
  ),
  caption =
    "Distribución del riesgo potencial de abandono escolar"
)

Distribución del riesgo potencial de abandono escolar
Nivel de riesgo	Estudiantes	Porcentaje
Bajo	10	37.0
Moderado	15	55.6
Alto	2	7.4
Muy alto	0	0.0

16 16. Semáforo general de riesgo

g1 <- ggplot(
  tabla_riesgo,
  aes(
    x = nivel_riesgo,
    y = n,
    fill = nivel_riesgo
  )
) +

  geom_col(
    width = 0.65
  ) +

  geom_text(
    aes(
      label =
        paste0(
          n,
          "\n(",
          porcentaje,
          "%)"
        )
    ),
    vjust = -0.4,
    fontface = "bold",
    size = 5
  ) +

  scale_fill_manual(
    values = c(
      "Bajo" = "#2E7D32",
      "Moderado" = "#FBC02D",
      "Alto" = "#F57C00",
      "Muy alto" = "#C62828"
    ),
    drop = FALSE
  ) +

  labs(
    title =
      "Riesgo potencial de abandono escolar",

    subtitle =
      "CONALEP Plantel Lerma 199, 2026",

    x =
      "Nivel de riesgo",

    y =
      "Número de estudiantes",

    caption =
      paste0(
        "n = ",
        nrow(riesgo)
      )
  ) +

  theme_minimal(
    base_size = 14
  ) +

  theme(
    legend.position = "none",
    plot.title =
      element_text(
        face = "bold",
        hjust = 0.5
      ),
    plot.subtitle =
      element_text(
        hjust = 0.5
      )
  )

g1

17 17. Interpretación general

obtener_nivel <- function(nivel){

  tmp <- tabla_riesgo %>%
    filter(
      nivel_riesgo == nivel
    )

  if(nrow(tmp) == 0){
    return(
      c(
        n = 0,
        porcentaje = 0
      )
    )
  }

  c(
    n = tmp$n[1],
    porcentaje = tmp$porcentaje[1]
  )
}

bajo <- obtener_nivel("Bajo")
moderado <- obtener_nivel("Moderado")
alto <- obtener_nivel("Alto")
muy_alto <- obtener_nivel("Muy alto")

cat(
  paste0(

    "De un total de ",
    nrow(riesgo),
    " estudiantes, ",

    bajo["n"],
    " (",
    bajo["porcentaje"],
    "%) presentan riesgo bajo; ",

    moderado["n"],
    " (",
    moderado["porcentaje"],
    "%) riesgo moderado; ",

    alto["n"],
    " (",
    alto["porcentaje"],
    "%) riesgo alto; y ",

    muy_alto["n"],
    " (",
    muy_alto["porcentaje"],
    "%) riesgo muy alto. ",

    "Estos resultados deben interpretarse como indicadores preventivos y no como una predicción definitiva de abandono escolar."
  )
)

De un total de 27 estudiantes, 10 (37%) presentan riesgo bajo; 15 (55.6%) riesgo moderado; 2 (7.4%) riesgo alto; y 0 (0%) riesgo muy alto. Estos resultados deben interpretarse como indicadores preventivos y no como una predicción definitiva de abandono escolar.

18 18. Riesgo por carrera

if(!is.na(col_carrera)){

  riesgo$carrera_grafica <- obtener_texto(
    riesgo,
    col_carrera
  )

  g2 <- ggplot(
    riesgo,
    aes(
      x = carrera_grafica,
      fill = nivel_riesgo
    )
  ) +

    geom_bar(
      position = "fill"
    ) +

    scale_fill_manual(
      values = c(
        "Bajo" = "#2E7D32",
        "Moderado" = "#FBC02D",
        "Alto" = "#F57C00",
        "Muy alto" = "#C62828"
      )
    ) +

    scale_y_continuous(
      labels = percent
    ) +

    coord_flip() +

    labs(
      title =
        "Riesgo potencial de abandono por carrera",
      x = "Carrera",
      y = "Porcentaje",
      fill = "Nivel de riesgo"
    ) +

    theme_minimal(
      base_size = 13
    )

  print(g2)
}

19 19. Riesgo por grupo

if(!is.na(col_grupo)){

  riesgo$grupo_grafica <- obtener_texto(
    riesgo,
    col_grupo
  )

  g3 <- ggplot(
    riesgo,
    aes(
      x = grupo_grafica,
      fill = nivel_riesgo
    )
  ) +

    geom_bar(
      position = "fill"
    ) +

    scale_fill_manual(
      values = c(
        "Bajo" = "#2E7D32",
        "Moderado" = "#FBC02D",
        "Alto" = "#F57C00",
        "Muy alto" = "#C62828"
      )
    ) +

    scale_y_continuous(
      labels = percent
    ) +

    labs(
      title =
        "Riesgo potencial de abandono por grupo",
      x = "Grupo",
      y = "Porcentaje",
      fill = "Nivel de riesgo"
    ) +

    theme_minimal(
      base_size = 13
    ) +

    theme(
      axis.text.x =
        element_text(
          angle = 45,
          hjust = 1
        )
    )

  print(g3)
}

20 20. Riesgo por género

if(!is.na(col_genero)){

  riesgo$genero_grafica <- obtener_texto(
    riesgo,
    col_genero
  )

  g4 <- ggplot(
    riesgo,
    aes(
      x = genero_grafica,
      fill = nivel_riesgo
    )
  ) +

    geom_bar(
      position = "fill"
    ) +

    scale_fill_manual(
      values = c(
        "Bajo" = "#2E7D32",
        "Moderado" = "#FBC02D",
        "Alto" = "#F57C00",
        "Muy alto" = "#C62828"
      )
    ) +

    scale_y_continuous(
      labels = percent
    ) +

    labs(
      title =
        "Riesgo potencial de abandono según género",
      x = "Género",
      y = "Porcentaje",
      fill = "Nivel de riesgo"
    ) +

    theme_minimal(
      base_size = 13
    )

  print(g4)
}

21 21. Factores de riesgo más frecuentes

factores <- riesgo %>%
  summarise(

    Promedio_bajo =
      sum(
        riesgo_promedio,
        na.rm = TRUE
      ),

    Suspension_expulsion =
      sum(
        riesgo_suspension,
        na.rm = TRUE
      ),

    Problemas_convivencia =
      sum(
        riesgo_convivencia,
        na.rm = TRUE
      ),

    Carrera_no_primera_opcion =
      sum(
        riesgo_carrera,
        na.rm = TRUE
      ),

    No_percibe_utilidad =
      sum(
        riesgo_utilidad,
        na.rm = TRUE
      ),

    No_gusta_CONALEP =
      sum(
        riesgo_gusto,
        na.rm = TRUE
      ),

    Baja_prioridad_familiar =
      sum(
        riesgo_prioridad,
        na.rm = TRUE
      ),

    Recursos_insuficientes =
      sum(
        riesgo_recursos,
        na.rm = TRUE
      ),

    Motivo_economico =
      sum(
        riesgo_abandono_economico,
        na.rm = TRUE
      ),

    Trabaja_y_estudia =
      sum(
        riesgo_trabajo,
        na.rm = TRUE
      ),

    Traslado_largo =
      sum(
        riesgo_traslado,
        na.rm = TRUE
      ),

    Motivo_para_abandonar =
      sum(
        riesgo_intencion,
        na.rm = TRUE
      ),

    Futuro_incierto =
      sum(
        riesgo_futuro,
        na.rm = TRUE
      )
  ) %>%

  pivot_longer(
    cols = everything(),
    names_to = "factor",
    values_to = "casos"
  ) %>%

  mutate(
    porcentaje =
      round(
        casos /
          nrow(riesgo) *
          100,
        1
      )
  ) %>%

  arrange(
    desc(casos)
  )

knitr::kable(
  factores,
  col.names = c(
    "Factor",
    "Casos",
    "Porcentaje"
  ),
  caption =
    "Factores asociados al riesgo potencial de abandono"
)

Factores asociados al riesgo potencial de abandono
Factor	Casos	Porcentaje
Traslado_largo	18	66.7
Carrera_no_primera_opcion	14	51.9
Motivo_para_abandonar	13	48.1
Trabaja_y_estudia	8	29.6
Suspension_expulsion	6	22.2
Problemas_convivencia	6	22.2
Futuro_incierto	6	22.2
No_percibe_utilidad	4	14.8
Motivo_economico	4	14.8
No_gusta_CONALEP	3	11.1
Promedio_bajo	1	3.7
Recursos_insuficientes	1	3.7
Baja_prioridad_familiar	0	0.0

22 22. Gráfica de factores de riesgo

g5 <- ggplot(
  factores,
  aes(
    x = reorder(
      factor,
      casos
    ),
    y = casos
  )
) +

  geom_col() +

  geom_text(
    aes(
      label =
        paste0(
          casos,
          " (",
          porcentaje,
          "%)"
        )
    ),
    hjust = -0.1,
    size = 3.8
  ) +

  coord_flip() +

  expand_limits(
    y =
      max(
        factores$casos,
        na.rm = TRUE
      ) * 1.3
  ) +

  labs(
    title =
      "Principales factores asociados al riesgo de abandono",

    subtitle =
      "CONALEP Plantel Lerma 199, 2026",

    x =
      "Factor",

    y =
      "Número de estudiantes"
  ) +

  theme_minimal(
    base_size = 13
  )

g5

23 23. Distribución del puntaje

ggplot(
  riesgo,
  aes(
    x = puntaje_riesgo
  )
) +

  geom_bar() +

  labs(
    title =
      "Distribución del puntaje de riesgo potencial",

    subtitle =
      "CONALEP Plantel Lerma 199, 2026",

    x =
      "Número de factores acumulados",

    y =
      "Número de estudiantes"
  ) +

  theme_minimal(
    base_size = 13
  )

24 24. Resultados individuales

resultado_individual <- data.frame(

  Nombre =
    obtener_texto(
      riesgo,
      col_nombre
    ),

  Matricula =
    obtener_texto(
      riesgo,
      col_matricula
    ),

  Grupo =
    obtener_texto(
      riesgo,
      col_grupo
    ),

  Carrera =
    obtener_texto(
      riesgo,
      col_carrera
    ),

  Promedio =
    obtener_numero(
      riesgo,
      col_promedio
    ),

  Puntaje =
    riesgo$puntaje_riesgo,

  Nivel =
    riesgo$nivel_riesgo
)

resultado_individual <- resultado_individual %>%
  arrange(
    desc(Puntaje)
  )

knitr::kable(
  head(
    resultado_individual,
    30
  ),
  caption =
    "Estudiantes ordenados por puntaje de riesgo"
)

Estudiantes ordenados por puntaje de riesgo
Nombre	Matricula	Grupo	Carrera	Promedio	Puntaje	Nivel
Rivera Campos Juan Pablo	261990469-7	114.0	Profesional Técnico Bachiller en Administración	7.8	6	Alto
González Lazcano Karla Ivanna	261990417-6	113.0	Profesional técnico Bachiller Quimico Industrial	9.9	6	Alto
Mejia Saldaña Naomi	251990392-2	307.0	Profesionl Técnico Bachiller en Control de Calidad	8.0	5	Moderado
Bravo Santiago Miriam	261990408_	114.0	Profesional Técnico Bachiller en Administración	8.3	5	Moderado
Sousa Gutiérrez Esteban	251990422-7	307.0	Profesionl Técnico Bachiller en Control de Calidad	9.0	5	Moderado
Ramos Martinez Ximena Lizeth	261990445-7	114.0	Profesional Técnico Bachiller en Administración	8.1	5	Moderado
Acosta Navarro Omar	251990560-4	307.0	Profesionl Técnico Bachiller en Control de Calidad	9.4	4	Moderado
Luis Axel Rodríguez Medina	261990320-2	114.0	Profesional Técnico Bachiller en Administración	7.9	4	Moderado
Camila Cuadra García	261990471-3	114.0	Profesional Técnico Bachiller en Administración	7.8	4	Moderado
Fuentes Lorenzo Juan Pablo	261990346-7	110.0	Profesional Técnico Bachiller en Informatica	6.0	3	Moderado
De La Cruz Almeyda Lizeth	251990448-2	307.0	Profesionl Técnico Bachiller en Control de Calidad	8.5	3	Moderado
Ledezma Alcántara Angel Uriel	261990467-1	110.0	Profesional Técnico Bachiller en Informatica	7.8	3	Moderado
Lejarazo Valencia Abner Oswaldo	251990379-9	307.0	Profesionl Técnico Bachiller en Control de Calidad	8.0	3	Moderado
Hernández López Alison Jimena	261990454-9	114.0	Profesional Técnico Bachiller en Administración	9.5	3	Moderado
Heras Gonzalez Araceli	261990486-1	114.0	Profesional Técnico Bachiller en Administración	7.7	3	Moderado
Luis Hernández Danna Paola	261990493-7	114.0	Profesional Técnico Bachiller en Administración	7.3	3	Moderado
Ibarra González aram Isaías	251990363-3	307.0	Profesionl Técnico Bachiller en Control de Calidad	8.0	3	Moderado
Martínez Calixto Fátima Yeraldin	251990348-4	307.0	Profesionl Técnico Bachiller en Control de Calidad	9.0	2	Bajo
Bonifacio Conradis Oziel Isai	261990383-0	110.0	Profesional Técnico Bachiller en Informatica	8.0	2	Bajo
García Bustamante Alejandra Marisol	261990350-9	114.0	Profesional Técnico Bachiller en Administración	8.9	2	Bajo
Rubí Gómez Jennyfer Camila	261990341-8	114.0	Profesional Técnico Bachiller en Administración	8.2	2	Bajo
Ortiz Mejia Jorge Oscar	110.0	261990466-3	Profesional Técnico Bachiller en Informatica	7.2	2	Bajo
Peña Perez Dulce	261990327-7	114.0	Profesional Técnico Bachiller en Administración	9.8	2	Bajo
Navarro Rodriguez Daniel Alejandro	261990470-5	114.0	Profesional Técnico Bachiller en Administración	7.7	2	Bajo
Gonzalez Cuevas Estefania Aide	6.14735107E8	110.0	Profesional Técnico Bachiller en Informatica	7.1	1	Bajo
Ruiz González Casandra Natali	251990377-3	307.0	Profesionl Técnico Bachiller en Control de Calidad	9.4	1	Bajo
Peña de Jesús José Dylan	251990419-3	307.0	Profesionl Técnico Bachiller en Control de Calidad	9.0	0	Bajo

25 25. Casos prioritarios

resultado_prioritario <- resultado_individual %>%
  filter(
    Nivel %in%
      c(
        "Alto",
        "Muy alto"
      )
  )

cat(
  "Número de estudiantes de atención prioritaria:",
  nrow(resultado_prioritario),
  "\n"
)

## Número de estudiantes de atención prioritaria: 2

if(nrow(resultado_prioritario) > 0){

  knitr::kable(
    resultado_prioritario,
    caption =
      "Estudiantes con riesgo Alto o Muy alto"
  )
}

Estudiantes con riesgo Alto o Muy alto
Nombre	Matricula	Grupo	Carrera	Promedio	Puntaje	Nivel
Rivera Campos Juan Pablo	261990469-7	114.0	Profesional Técnico Bachiller en Administración	7.8	6	Alto
González Lazcano Karla Ivanna	261990417-6	113.0	Profesional técnico Bachiller Quimico Industrial	9.9	6	Alto

26 26. Pregunta de investigación

¿Qué factores académicos, escolares, familiares, socioeconómicos y contextuales se asocian con el riesgo potencial de abandono escolar en estudiantes del CONALEP Plantel Lerma 199 durante el ciclo escolar 2026-2027?

27 27. Objetivo general

Analizar los factores académicos, escolares, familiares, socioeconómicos y contextuales asociados con el riesgo potencial de abandono escolar en estudiantes del CONALEP Plantel Lerma 199, con la finalidad de identificar oportunamente necesidades de acompañamiento y fortalecer las estrategias preventivas del Programa Institucional de Tutorías para el Bienestar.

28 28. Interpretación de los niveles

Bajo: 0 a 2 factores de riesgo.
Moderado: 3 a 5 factores.
Alto: 6 a 10 factores.
Muy alto: 11 a 13 factores.

Esta clasificación tiene un carácter exploratorio y preventivo.

29 29. Conclusión

El análisis permite identificar estudiantes y grupos que acumulan condiciones académicas, escolares, familiares, socioeconómicas y contextuales potencialmente vinculadas con la interrupción de la trayectoria escolar.

Los resultados deben emplearse como una herramienta de detección temprana y acompañamiento, y no como una predicción determinista de abandono escolar.

Los casos con niveles Alto y Muy alto pueden priorizarse para revisión tutorial, orientación, seguimiento académico y, cuando corresponda, canalización institucional.

Diagnóstico de Riesgo Potencial de Abandono Escolar

CONALEP Plantel Lerma 199, 2026

Jorge Noé Gámez Mora

04/09/2026