DOI: https://doi.org/10.56712/latam.v7i2.5663  
Poder predictivo de una prueba estandarizada de ingreso a  
carreras STEM de una universidad costarricense  
Predictive power of a standardized admission test for STEM programs at a  
costa rican university  
Graciela Ordóñez Gutiérrez  
graciela.ordonez@ucr.ac.cr  
https://orcid.org/0000-0002-0762-3759  
Universidad de Costa Rica  
San José– Costa Rica  
Artículo recibido: 05 de diciembre de 2026. Aceptado para publicación: 10 de abril de 2026.  
Conflictos de Interés: Ninguno que declarar.  
Resumen  
El objetivo de este estudio es determinar el poder predictivo de una prueba estandarizada que mide el  
razonamiento cuantitativo que se emplea con propósitos de admisión en algunas carreras de Ciencias,  
Tecnología, Ingeniería y Matemática (STEM, por sus siglas en inglés) de una universidad pública  
costarricense. Para determinar el poder predictivo de la prueba en cursos iniciales de las carreras se  
empleó el análisis de regresión lineal. Para ello primero se determinó que cumpliera los supuestos de  
homocedasticidad, linealidad y normalidad. Los resultados confirman que, manteniendo constantes  
las puntuaciones de las variables independientes sexo y dependencia de colegio, la prueba  
estandarizada es el factor más influyente en las notas de los cursos iniciales estudiados. Dentro de  
estos se tiene que, para el caso de la carrera de Ciencias Actuariales y Estadística, por cada unidad de  
aumento en la nota de la prueba estandarizada, se aumenta en promedio 1.49 puntos en el curso  
CA0151. Igualmente, para las carreras Física, Meteorología y Química se determinó que por cada  
aumento en la puntuación en la prueba estandarizada aumentaba en promedio 1.19 puntos en el curso  
MA1001. Finalmente, para todos los grupos estudiados, la prueba estandarizada resultó ser  
fuertemente significativa para predecir las puntuaciones en cada uno de los cursos considerados.  
Palabras clave: evidencias de validez predictiva, prueba estandarizada, regresión lineal  
Abstract  
The aim of this study is to decide the predictive power of a standardized test that measures  
quantitative reasoning and is used for admission purposes in certain Science, Technology, Engineering  
and Mathematics (STEM) programs at a public university in Costa Rica. To assess the predictive power  
of the test in introductory courses, linear regression analysis was employed. First, the assumptions of  
homoscedasticity, linearity, and normality were verified. The results confirm that, holding constant the  
independent variables of sex and type of school (public vs. private), the standardized test is the most  
influential factor in the grades of the introductory courses analyzed. Specifically, in the Actuarial  
Science and Statistics program, for each one-unit increase in the standardized test score, there is an  
average increase of 1.49 points in the CA0151 course. Similarly, for the programs in Physics,  
Meteorology, and Chemistry, it was found that for each one-unit increase in the standardized test  
score, there is an average increase of 1.19 points in the MA1001 course. Finally, across all the groups  
studied, the standardized test was found to be highly significant in predicting performance in each of  
the courses considered.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 710.  
Keywords: predictive validity evidence, standardized test, linear regression  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades,  
publicado en este sitio está disponibles bajo Licencia Creative Commons.  
Cómo citar: Ordóñez Gutiérrez, G. (2026). Poder predictivo de una prueba estandarizada de ingreso a  
carreras STEM de una universidad costarricense. LATAM Revista Latinoamericana de Ciencias  
Sociales y Humanidades 7 (2), 710 – 733. https://doi.org/10.56712/latam.v7i2.5663  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 711.  
INTRODUCCIÓN  
En los estándares para la aplicación de pruebas y evaluaciones de la American Educational Research  
Association (AERA), American Pyschological Association (APA) y National Council on Measurement in  
Education (NCME) (AERA et al., 2014) se indica que una de las fuentes de validez es la evidencia de  
validez predictiva en pruebas, la cual permite dar evidencia de que los datos de la prueba recolectados  
en un determinado momento pueden predecir los puntajes de criterios que se obtienen en un momento  
posterior. Esto es, por ejemplo, que una prueba de admisión puede estar asociada a las puntuaciones  
que obtienen las personas examinadas en cursos posteriores. Igualmente, suele ser informativo  
estimar el incremento en la exactitud predictiva que puede esperarse cuando cada variable, incluyendo  
el puntaje de la prueba, se incorpora junto con todas las demás variables disponibles. Por este motivo  
es indispensable realizar estudios sobre la validez predictiva de las pruebas que se emplean para  
efectos de admisión.  
En la misma línea de ideas de la AERA, APA y NCME (2014), Molontay y Nagy (2023) en su estudio  
analizan la forma de mejorar la validez predictiva de los puntajes de la admisión en una universidad en  
Hungría. En este se expone la importancia de analizar la validez predictiva en los sistemas de admisión  
para asegurar que los criterios sean efectivos en la predicción del éxito académico estudiantil.  
Igualmente, se afirma que mejorar la validez predictiva de los procesos de admisión es fundamental  
para utilizar de manera eficiente los recursos humanos y económicos en la selección de personas con  
mayor potencial de éxito en la educación superior. Además, estos investigadores destacan que el  
realizar estudios predictivos permite identificar oportunidades de mejora en los modelos de medición,  
de tal forma que se puedan realizar cambios ante la implementación, y así garantizar una selección  
más justa, eficaz, precisas y eficientes según los futuros resultados académicos. Esto coincide con lo  
mencionado por Rojas Torres y Bolaños Barquero (2013) la cual destacan la importancia de realizar  
este tipo de estudios para brindar información a las universidades y que estas puedan garantizar a las  
personas que ingresan a las diferentes carreras posean las habilidades mínimas deseables, y brindar  
el apoyo oportuno y necesario al estudiantado que lo amerite para aumentar sus posibilidades de éxito.  
Desde esta perspectiva, Vulperhorst et al., (2018) mencionan que el logro previo predice mejor el  
rendimiento académico en la universidad, tanto a corto plazo (primer año de carrera) como a largo  
plazo. Este estudio compara las puntuaciones del estudiantado con diferentes diplomas y se explora  
si la incorporación de las calificaciones de asignaturas diferentes en la secundaria aporta valor  
adicional a la predicción de las notas en el primer año de universidad. Sin embargo, indican que no  
existe una respuesta definitiva sobre cuál medida es mejor para la predicción del éxito académico en  
la universidad, ya que esto también depende del tipo de diploma que obtenga el estudiantado. Esto se  
asocia al tipo o dependencia de colegio del cual provenga el estudiantado.  
Por otra parte, Ponce Arguilar y Pedroza Zúñiga (2022) determinaron el grado de asociación entre las  
puntuaciones del Examen de Ingreso a la Educación Superior (ExIES), desarrollado y aplicado en la  
UABC, y el promedio de calificaciones del estudiantado al concluir el primer semestre de estudio. Los  
investigadores encontraron que al comparar el coeficiente de correlación de Pearson se encontraba en  
el rango intermedio (푟 = .355, 푝 < .001), según el plano internacional, pero por debajo de las que  
resultan con coeficientes más altos; por lo que les brinda información para la mejora de la prueba.  
Es importante mencionar el estudio de Rojas Torres y Bolaños Barquero (2013) la cual realizaron una  
comparación entre los promedios de la Prueba de Aptitud Académica (PAA) y la Prueba de Habilidades  
Cuantitativas (PHC) del estudiantado de la Universidad de Costa Rica. El estudio se centró en analizar  
las correlaciones de los cursos de las carreras de Física, Meteorología, Matemática, Ciencias  
Actuariales y Estadística en estudio con la PHC, PAA y la parte matemática de la PAA. Con el análisis  
se determinó que la PHC correlaciona con todos los cursos introductorios de manera positiva y  
significativa a un nivel del 5% a excepción del curso FS-0227 (Física introductoria). Además, la PAA no  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 712.  
presentó correlación significativa con los cursos introductorios de Estadística y Matemática. Rojas  
Torres y Bolaños Barquero (2013) concluyen que la PHC ofrece resultados significativos cuando se  
establecen correlaciones entre las pruebas. También, se determinó que para la carrera de Física y  
Meteorología la PHC ofrece resultados significativos para el curso introductorio MA1004 (álgebra  
lineal). En este estudio se concluye que con la PHC se puede detectar al estudiantado que tiene las  
habilidades mínimas para cursar carreras que tienen en su malla curricular contenido matemático  
Además, Rojas T et al., (2019) realizaron el estudio sobre la asociación entre el razonamiento  
cuantitativo con el rendimiento académico en cursos introductorios de matemática de carreras STEM.  
En este se consideró a la Prueba de Habilidades Cuantitativas, la cual se emplea como requisito de  
ingreso, como la variable predictora en las puntuaciones en los cursos introductorios de matemática  
de las carreras Física, Química, Meteorología, Estadística, Farmacia, Ciencias Actuariales y  
Matemática; esto para las aplicaciones 2016 y 2017. En el análisis se determinó que la variable más  
importante en la predicción de las notas del curso fue la PHC, evidenciando que el razonamiento  
cuantitativo es relevante para predecir el rendimiento en cursos introductorios de matemática de  
carreras STEM. Se destaca que el estudio enfatiza que a mayor nivel de razonamiento cuantitativo hay  
un mejor rendimiento en los cursos es cuestión.  
Respecto a la variable sexo, en el estudio de Voyer y Voyer (2014) se explica que las mujeres tienen  
cierta ventaja en el rendimiento académico general, lo cual incluye el área de la matemática. Lo mismo  
destacan los estudios de Rojas Torres (2014), Rojas Torres (2013), Sulku y Abdioglu (2015) en las que  
se indica que el sexo es un predictor del rendimiento académico en los cursos de matemática, ya que  
las mujeres según Voyer y Voyer (2014) ponen mayor esfuerzo en cuanto a las formas de estudio, la  
autodisciplina y factores socioculturales que implican la motivación que los padres de familia brindan  
para que las mujeres realicen un esfuerzo mayor que los hombres en los estudios.  
La importancia de realizar este estudio radica en brindar información respecto al desempeño del  
estudiantado en los cursos iniciales de Matemática, Química y Física. Igualmente, permite proporcionar  
evidencia de que la prueba es útil para el propósito previsto que es el ingreso de las personas  
examinadas a carreras STEM, de esta forma suministrar aportes a las autoridades universitarias para  
la toma de decisiones y evitar que ingresen a una carrera que no es la adecuada para las personas  
examinadas, ya que aquellas personas que se encuentran preparadas tienen significativamente más  
probabilidades de persistir en carreras STEM que aquellas que no lo están (Dika y D'Amico, 2016).  
METODOLOGÍA  
Enfoque de Investigación  
Esta investigación es cuantitativa no experimental con diseño correlacional, ya que se emplea métodos  
estadísticos para describir y medir el grado de asociación entre dos o más variables (Creswell y  
Creswell, 2023). Además, es ex-post-facto, ya que es un estudio con datos recolectados previamente y  
la persona investigadora no manipuló las condiciones de la aplicación del instrumento.  
Participantes  
Los datos utilizados en este estudio corresponden a las puntuaciones obtenidas por las personas  
examinadas en la Prueba de Habilidades Cuantitativas (PHC) y que ingresaron a las carreras de Física,  
Meteorología, Matemática, Ciencias Actuariales, Estadística, Química y Farmacia en la Universidad de  
Costa Rica, durante los años 2022, 2023, 2024 y 2025, y que además llevaron el curso introductorio de  
matemática, química y física en sus carreras. Para el caso de la carrera de Meteorología no se  
consideraron los años 2024 y 2025, ya que no hubo estudiantes que ingresaran a esta por  
reestructuración de la malla curricular. El total de personas que cumplieron esta condición fue de 1494.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 713.  
La distribución por sexo fue 879 hombres y 615 mujeres, por dependencia de colegio de procedencia  
fue 601 personas provenientes de colegios privados y 893 de colegios públicos. Es importante indicar  
que debido a que algunos estudiantes cursaron la asignatura en más de una ocasión, se identificaron  
registros duplicados por individuo, y con el fin de mantener la independencia de las observaciones se  
consideró únicamente la calificación correspondiente al primer intento del curso para cada estudiante.  
La distribución por carrera, según sexo y dependencia del colegio se proporciona en la tabla 1, esto de  
acuerdo con cada agrupación  
Tabla 1  
Distribución del estudiantado según sexo y dependencia del colegio según agrupación en el primer  
intento  
Carrera  
Sexo  
Dependencia de colegio  
Hombres  
223  
250  
83  
mujeres  
99  
150  
185  
21  
136  
24  
615  
Público  
207  
239  
137  
62  
151  
97  
893  
Privado  
115  
161  
131  
44  
105  
45  
601  
CAE  
FIMEQ  
Farmacia  
Matemática  
Química_QU0108  
Física_FS0227  
Total  
85  
120  
118  
879  
Nota: *CAE: Ciencias Actuariales y Estadística, FIMEQ: Física, Meteorología y Química.  
Fuente: elaboración propia.  
Además, se puede visualizar que la cantidad de hombres prevalece, a excepción de la carrera de  
Farmacia y Química. Igualmente, predomina la cantidad de personas provenientes de colegios públicos  
sobre los colegios privados.  
Instrumento de Recolección de Datos  
La PHC es un instrumento, desarrollado por un equipo académico del Instituto de Investigaciones  
Psicológicas (IIP) de la Universidad de Costa Rica, para seleccionar al estudiantado con mayores  
probabilidades de éxito en carreras que requieren del uso de la matemática, particularmente carreras  
STEM. La prueba se empezó a construir partir del 2005 y fue implementada hasta el 2015 para el  
proceso de admisión del 2016. Las carreras que utilizaron esta prueba en su primera aplicación fueron  
Matemática, Ciencias Actuariales, Física, Meteorología, Química, Estadística y Farmacia, las cuales a  
la fecha se siguen manteniendo.  
La PHC está conformada por 40 ítems de selección única con cuatro opciones de respuesta. Además,  
con ella se mide el constructo razonamiento cuantitativo mediante contenido matemático básico y con  
las áreas de análisis de datos, aritmética, álgebra y geometría. El constructo es de la prueba es medido  
por medio de las categorías relacionar, clasificar, ejemplificar, validar y generalizar. El tiempo de  
resolución otorgado a los examinados es de dos horas y la nota en esta prueba es utilizada para definir  
requisitos especiales de ingreso para las carreras señaladas.  
Los formularios de la Prueba de Habilidades Cuantitativas utilizados en este trabajo fueron los  
aplicados en el 2022, 2023, 2024 y 2025. Todos los formularios mostraron evidencias de que los ítems  
evaluaban un único constructo, ya que, con el Análisis Factorial Confirmatorio asociado a la  
unidimensionalidad, modelo en el que todos los ítems cargan en un único factor, presentó índices de  
ajuste aceptables (RMSEA< 0.05, CFI> 0.95 y TLI> 0.95). En estos formularios se obtuvo que todos los  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 714.  
40 ítems de la prueba cargaban en el factor general. Por otro lado, el alfa de Cronbach para dichas  
pruebas fue mayor que 0.87, para los años en cuestión. Por otra parte, los índices de dificultad de los  
ítems, según la Teoría de Respuesta al Ítem de dos parámetros, oscilaron entre -2 y 2, y la mayoría de  
los ítems presentaron discriminaciones superiores a 0.30.  
Procedimiento y análisis de datos  
Para alcanzar el objetivo del estudio, la población se dividió en grupos de carreras que compartían el  
mismo curso, estos grupos son, según curso, los siguientes:  
Primer grupo: Estadística y Ciencias Actuariales con el curso CA0151 (Cálculo diferencial e integral I).  
Segundo grupo: Física, Meteorología y Química con el curso MA1001 (Cálculo I).  
Tercer grupo: Farmacia con el curso MA1210 (Cálculo I)  
Cuarto grupo: Matemática con el curso MA150 (Principios de Matemática)  
Quinto grupo: Química con el curso QU0108 (introducción a la Química)  
Sexto grupo: Física con el curso FS0227 (Física general para físicos)  
En cada uno de estos grupos se realizó un análisis de regresión lineal cuya variable dependiente fue la  
nota del curso correspondiente en cada grupo. Por ejemplo, en el grupo 1, la variable dependiente es  
CA0151, para el grupo 2 es el curso MA1001 y así sucesivamente. Las variables independientes fueron:  
la nota obtenida por el estudiantado en la Prueba de Habilidades Cuantitativas de la Universidad de  
Costa Rica, el sexo y la dependencia del colegio de procedencia del examinado.  
Para el análisis de los datos se aplicó el método de regresión lineal en las que, primeramente, se analizó  
que se cumplieran los supuestos de homocedasticidad, normalidad y linealidad. Para esto se  
estimaron  
errores  
estándar  
robustos  
utilizando  
el  
estimador  
de  
varianza–covarianza  
heteroscedásticamente consistente mediante los paquetes sandwich y lmtest en Rstudio. Además,  
para obtener los valores estandarizados de 훽 se empleó el paquete lm.beta. La interpretación de la  
magnitud del coeficiente estandarizado 훽 se realizó considerando los criterios de Cohen (1988) de la  
siguiente manera:  
valores cercanos a .10 el efecto es pequeño  
valores alrededor de .30 el efecto es moderado  
valores mayores que .50 el efecto es grande  
Cabe mencionar que se determinó la correlación de Pearson para establecer la relación lineal entre la  
puntuación de las notas del curso considerado y las notas en la Prueba de habilidades Cuantitativas.  
En este sentido se considera que: si 푟 > 0 existe una relación positiva y ambas variables aumentan  
juntas, pero si 푟 < 0 la relación es negativa, en el caso 푟 = 0 no se considera una relación lineal, y para  
푟 = ±1 existe una relación lineal perfecta (Cohen, 1988).  
Consideraciones Éticas  
En esta investigación no se empleó el diseño experimental en las que se debe controlar variables, sino  
que es la aplicación de una prueba estandarizada que tiene como propósito la selección de personas  
con mayores probabilidades de éxito en los cursos iniciales de matemática, química y física. La prueba  
emplea un cuadernillo con 36 ítems calibrados, con métricas válidas y confiables y se emplea la Teoría  
de Respuesta a los Ítems. Se utilizaron las puntuaciones de las personas que cumplían las condiciones  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 715.  
de haber realizado la prueba y de llevar el primer curso de matemática, física y química, además de  
haber ingresado a las carreras consideradas.  
Se realizó una limpieza de la base y no se efectuó una aleatorización de la muestra. Además, se efectuó  
un análisis descriptivo para detectar datos anómalos o missing que influyeran en los valores de los  
datos reportados. Además, se emplearon las técnicas adecuadas y el análisis de los supuestos para la  
regresión. Finalmente, se documentaron todos los pasos del análisis y la sintaxis empleada para  
permitir la recopilación y revisión de la información.  
RESULTADOS  
En primer lugar, es indispensable indicar que las agrupaciones de las carreras presentaron una  
cantidad aceptable de personas en los diferentes grupos determinados por las variables dicotómicas  
consideradas (sexo y dependencia de colegio).  
Por otra parte, para todos los grupos se aplicó el análisis de los supuestos del modelo lineal  
correspondiente a la linealidad, homocedasticidad y el estudio de normalidad, ya que cuando se  
realizan estudios de este tipo es indispensable verificar los supuestos y utilizar la técnica apropiada de  
acuerdo con los tipos de datos obtenidos, porque el uso inadecuado de una correlación, por ejemplo,  
puede artificialmente aumentar o disminuir el coeficiente de correlación (Arias y Sireci, 2021). Por lo  
que en la figura 1 se muestra el gráfico residuo versus valores ajustados, el normal Q-Q plot y los  
residuos estandarizados, esto para cada una de las agrupaciones analizadas. En cada uno de ellos se  
evidencia que los puntos se distribuyen alrededor de la línea horizontal en 0, lo cual es deseable, pero  
no se observa un patrón claro de curva. Sin embargo, se puede apreciar en todos los casos cierta  
dispersión, lo que puede sugerir variaciones en la varianza.  
En todos los casos, el supuesto de linealidad parece cumplirse de forma razonable, pero puede que  
exista cierta heterocedasticidad, aunque no extrema. Además, para el caso de la normalidad de los  
residuos para todos los grupos se puede observar que los puntos siguen la línea roja bastante bien a  
excepción de los grupos de Farmacia, Química y Física. También, existen ciertas desviaciones en las  
colas lo que puede indicar ligera falta de normalidad, o bien la normalidad se cumple de manera  
aproximada, pero no perfectamente. Respecto a los residuos estandarizados se puede visualizar que  
existen valores extremos, pero el modelo parece razonablemente estable.  
El gráfico Q–Q de los residuos muestra que, aunque los puntos en la zona central se aproximan a la  
línea de referencia, en los extremos se observan desviaciones notables, pero en el caso de Farmacia la  
curva en el centro se aleja de la línea roja. Esto sugiere que la distribución de los residuos no sigue  
completamente una distribución normal, especialmente en las colas, lo que podría indicar la presencia  
de valores atípicos o una ligera asimetría en los errores del modelo.  
Por otra parte, el gráfico de residuos frente a valores ajustados muestra que los errores se distribuyen  
alrededor de la línea horizontal en cero sin presentar un patrón sistemático claro, lo que sugiere que el  
supuesto de linealidad del modelo se cumple razonablemente. No obstante, se observa una ligera  
variabilidad mayor en algunos valores ajustados altos, lo que podría indicar cierta heterocedasticidad.  
Asimismo, se identifican algunas observaciones alejadas que podrían corresponder a valores atípicos.  
Las figuras que se presentan a continuación tienen la transformación propuesta por White (1980), para  
la corrección de posibles problemas de heteroscedasticidad, linealidad y normalidad y de esta manera  
obtener valores robustos.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 716.  
Gráfico 1  
Gráfica de residuos versus valores ajustados para el grupo de Ciencias Actuariales y Estadística  
Fuente: elaboración propia.  
Gráfico 2  
Gráfica normal Q-Q para el grupo de Ciencias Actuariales y Estadística  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 717.  
Gráfico 3  
Gráficas de residuos estandarizados para el grupo de Ciencias Actuariales y Estadística  
Fuente: elaboración propia.  
Gráfico 4  
Gráfica de residuos versus valores ajustados para el grupo de Física, Meteorología y Química  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 718.  
Gráfico 5  
Gráficas normal Q-Q para el grupo de Física, Meteorología y Química  
Fuente: elaboración propia.  
Gráfico 6  
Gráficas de residuos estandarizados para el grupo de Física, Meteorología y Química  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 719.  
Gráfico 7  
Gráfica de residuos versus valores ajustados para el grupo de Farmacia  
Fuente: elaboración propia.  
Gráfico 8  
Gráfica normal Q-Q para el grupo de Farmacia  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 720.  
Gráfico 9  
Gráfica de residuos estandarizados para el grupo de Farmacia  
Fuente: elaboración propia.  
Gráfico 10  
Gráfica de residuos versus valores ajustados para el grupo de Matemática  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 721.  
Gráfico 11  
Gráfica normal Q-Q para el grupo de Matemática  
Fuente: elaboración propia.  
Gráfico 12  
Gráfica de residuos estandarizados para el grupo de Matemática  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 722.  
Gráfico 13  
Gráfica de residuos versus valores ajustados para el grupo de Química  
Fuente: elaboración propia.  
Gráfico 14  
Gráfica normal Q-Q para el grupo de Química  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 723.  
Gráfico 15  
Gráfica de residuos estandarizados para el grupo de Química  
Fuente: elaboración propia.  
Gráfico 16  
Gráfica de residuos versus valores ajustados para el grupo de Física  
Fuente: elaboración propia.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 724.  
Gráfico 17  
Gráfica normal Q-Q para el grupo de Física  
Fuente: elaboración propia.  
Gráfico 18  
Gráfica de residuos estandarizados para el grupo de Física  
Fuente: elaboración propia.  
Cabe mencionar que, para corregir los posibles problemas de heteroscedasticidad, linealidad y  
normalidad se estimaron los errores estándar utilizando el estimador de varianza-covarianza  
heterocedásticamente consistente propuesto por White (1980). Los valores de las estimaciones se  
presentan a continuación de acuerdo para cada uno de los grupos.  
Primer grupo: Ciencias Actuariales y Estadística con el curso CA0151  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 725.  
En la tabla 2 se puede observar que en el modelo estimado la variable más importante en la predicción  
de la nota del curso cálculo integral y diferencial I, fue la Prueba de Habilidades Cuantitativas, ya que  
presentó el coeficiente estandarizado más alto, cuyo valor es 1.49 (푝 < .001). Además, el valor del beta  
estandarizado indica que existe un efecto muy fuerte, siendo altamente significativo. Por otra parte, la  
correlación de Pearson fue de .68 (푝 < .001) indicando una asociación fuerte y positiva.  
Tabla 2  
Resultados del modelo de regresión para predecir la nota del curso CA0151  
Variable  
Intercepto  
푩
휷
Estándar  
NA  
Error Estándar  
5.44  
풕
풑
63.81  
1.49  
-11.71  
20.60  
2. 2푒−16  
<.001  
PHC  
.80  
0.07  
2. 2푒−16  
<.001***  
.11  
Colegio (público)  
Sexo (Mujer)  
5.62  
7.25  
.08  
.10  
3.55  
3.26  
1.58  
2.22  
.026*  
Nota: N = 691. Error estándar residual = 25.51. R² = .48, R² ajustado = .48. F(3, 318) = 97.77, p < .001.  
Fuente: elaboración propia.  
Ahora, por cada aumento de un punto en la PHC, la nota del curso CA0151 aumenta en promedio 1.49  
puntos, esto manteniendo constantes las variables tipo de colegio y sexo. Dado que el valor 푡 es muy  
alto y el 푝 푣푎푙표푟 es extremadamente pequeño, implica que la PHC es altamente significativo  
estadísticamente. Por lo que la PHC es la variable más fuerte del modelo para explicar la variación de  
la nota del curso.  
Considerando la variable colegio, y manteniendo constantes las demás variables se observa que no  
existe evidencia estadística para afirmar que la dependencia del colegio influya en las notas del curso  
CA0151. Respecto a la variable sexo, las mujeres obtienen en promedio 7.25 puntos más en la nota del  
curso CA0151 que los hombres, esto manteniendo constantes PHC y tipo de colegio. El p-valor (.026)  
es menor que 0.05, por lo que el efecto es estadísticamente significativo al 5%. Esto sugiere que existe  
una diferencia en el rendimiento académico entre hombres y mujeres, de acuerdo con el modelo  
estimado.  
El modelo explica el 48% de la variación en la nota del curso CA0151, lo que implica que existen otros  
factores relevantes que influyen en el rendimiento académico no incluidos en el modelo, por lo que  
sería importante realizar un estudio adicional.  
En conclusión, la PHC tiene un efecto positivo y altamente significativo en la nota del curso CA0151, y  
es el predictor más relevante (훽 = .80, 푝 < .001. Las mujeres obtienen en promedio una nota mayor que  
los hombres, pero presenta una baja magnitud (훽 = .10, 푝 = .026), y el tipo de colegio no muestra un  
efecto significativo, esto de acuerdo con el modelo estimado.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 726.  
Segundo grupo: Física, Meteorología y Química con el curso MA1001  
En la tabla 3 se muestran los resultados del modelo estimado para las carreras de Física, Meteorología  
y Química con respecto al curso MA1001 Cálculo I. Puede notarse que el modelo es estadísticamente  
significativo en conjunto, ya que el estadístico (F=54.05, 푝 < .001) indica que al menos una de las  
variables independientes contribuye de manera significativa a explicar las notas en el curso MA1001.  
En este modelo, la Prueba de Habilidades cuantitativas es el principal predictor de las notas del curso,  
alcanzando un valor iguala 1.19 (푝 < .001), lo que indica que por cada por cada aumento de un punto  
en la PHC, la nota del curso MA1001 aumenta en promedio 1.19; esto manteniendo constantes las  
demás variables. Además, el valor del beta estandarizado indica que existe un efecto fuerte, siendo  
altamente significativo. La correlación de Pearson fue de .54 (푝 < 2.2푒 − 16) indicando una relación  
moderada y significativa.  
Tabla 3  
Resultados del modelo de regresión para predecir la nota del curso MA1001 en los cursos Física,  
Meteorología y Química  
Variable  
Intercepto  
푩
휷
Estándar  
NA  
Error Estándar  
풕
풑
4.62푒−5  
< 2.2푒−16  
< .001  
.63  
-27.24  
1.19  
6.68  
0.075  
-4.07  
15.88  
PHC  
.60  
Colegio (público)  
Sexo (Mujer)  
1.14  
3.66  
.02  
.06  
2.96  
2.91  
.47  
1.26  
.20  
Nota: N = 400. Error estándar residual = 26.47. R² = .29, R² ajustado = .28. F(3, 396) = 54.05, p < .001.  
Fuente: elaboración propia.  
Por otra parte, el coeficiente de determinación (푅2 = 0.29) indica que aproximadamente el 29% de la  
variabilidad de las notas del curso MA1001 es explicada por las variables nota de la PHC, sexo y  
dependencia de colegio incluidas en el modelo. Además, el (푅2 = .28, ajustado) sugiere que el modelo  
tiene capacidad explicativa moderada.  
Cabe mencionar que respecto a la variable sexo, se puede indicar que existen diferencias en las  
puntuaciones entre hombres y mujeres; sin embargo, no es estadísticamente significativo (푝 > .05). lo  
mismo ocurre con la variable dependencia de colegio.  
En conclusión, la PHC tiene un efecto positivo y altamente significativo (훽 = .60, p < .001) en la nota  
del curso MA1001, por lo que es el predictor más relevante del modelo.  
Tercer grupo: Farmacia y el curso MA1210  
Respecto a la carrera de Farmacia y el curso MA1010, los resultados del modelo de regresión se  
muestran en la tabla 4. Puede notarse que la PHC es la variable más relevante del modelo. El tamaño  
del efecto es moderado, pero es significativo (훽 = .35, 푝 < .001 ), esto de acuerdo con la clasificación  
de Cohen (1988). Por otra parte, la correlación de Pearson fue de .313 siendo significativo (푝 = 1.18푒−7  
)
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 727.  
Tabla 4  
Resultados del modelo de regresión para predecir la nota del curso MA1210 para Farmacia  
Variable  
푩
휷
Estándar  
-.04  
Error Estándar  
풕
풑
Intercepto  
PHC  
10.22  
.76  
11.35  
.14  
.90  
5.32  
.36  
< 9.91푒−8  
< .001  
.59  
.35  
Colegio  
(público)  
Sexo (Mujer)  
1.71  
3.91  
.03  
.15  
3.21  
3.32  
.53  
1.17  
0.23  
Nota: N = 262. Error estándar residual = 24.06. R² = .10, R² ajustado = .094. F(3, 262) = 10.24, p < .001.  
2 observaciones se eliminaron por missingness  
Fuente: elaboración propia.  
De acuerdo con el modelo estimado, el 10% de la variabilidad de las notas del curso MA1210 es  
explicada por las variables independientes incluidas, esto sugiere que el modelo tiene capacidad  
explicativa moderada. Ahora bien, por cada aumento de una unidad en la PHC, la nota en el curso  
MA1210 aumenta en promedio 0.76 puntos, esto manteniendo constantes las demás variables. Cabe  
mencionar que respecto a la variable sexo el coeficiente (훽 = .15, 푝 > .05) indica que no tiene un efecto  
en las calificaciones del curso considerado, lo mismo ocurre con la dependencia del colegio (훽 =  
.03, 푝 > .05). En conclusión, la PHC es la única variable del modelo que tiene un efecto positivo y  
altamente significativo en la nota del curso MA1210, aunque este efecto sea moderado.  
Cuarto grupo: Matemática y el curso MA0150  
Para la carrera de Matemática y el curso MA0150, los resultados se muestran en la tabla 5. Puede  
notarse que nuevamente la PHC es la variable más importante del modelo. El efecto es alto y  
significativo (훽 = .57, 푝 < .001), de acuerdo con la clasificación de Cohen (1988). Además, la  
correlación de Pearson fue de .53 (푝 = 5.44푒−9) siendo una relación positiva, lo que implica que al  
aumentar la PHC las calificaciones en el curso MA0150 también aumentan.  
Tabla 5  
Resultados del modelo de regresión para predecir la nota del curso MA150 de la carrera de Matemática  
Variable  
Intercepto  
푩
휷
Error Estándar  
12.16  
풕
풑
Estándar  
.06  
-21.69  
1.07  
-1.78  
7.56  
0.074  
PHC  
.57  
0.14  
3.98푒−14  
< 0.001  
.89  
Colegio (público)  
Sexo (Mujer)  
-.90  
.16  
-.03  
5.96  
7.78  
-.15  
.02  
4.90푒−3  
.98  
Nota: N = 102. Error estándar residual = 28.55, R² = .28, R² ajustado = .25. F(3, 102) = 13.26, p < .001.  
Fuente: elaboración propia.  
Por otra parte, el coeficiente de determinación (푅2 = 0.28) indica que aproximadamente el 28% de la  
variabilidad de las notas del curso MA0150 es explicada por las variables independientes incluidas en  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 728.  
el modelo. Además, el (푅2 = 0.25, ajustado) sugiere que el modelo tiene capacidad explicativa  
moderada. Ahora, por cada aumento de una unidad en la PHC, la nota en el curso MA0150 aumenta en  
promedio 1.07 unidades, esto manteniendo constantes las demás variables. Respecto a las variables  
sexo y dependencia de colegio no presentan un efecto significativo en las notas del curso MA0150; lo  
cual implica que no existe evidencia estadísticamente significativa de que el sexo y el tipo de colegio  
influyan en la nota del curso MA0150, esto dentro del modelo establecido.  
Quinto grupo: Química con el curso QU0108  
En la tabla 6 se muestra el resultado de las estimaciones del modelo de regresión para la carrera de  
Química con el curso QU0108 introducción a la química. Puede notarse que la PHC resulta ser la  
variable más significativa, con un efecto moderado (훽 = .36, 푝 < .001). La correlación de Pearson fue  
de .41 (푝 = 6.20푒−12) lo cual resulta positivo y significativo. Esto implica que, al aumentar la nota de la  
PHC, la nota en curso QU0108 aumenta.  
Tabla 6  
Resultados del modelo de regresión para predecir la nota del curso QU0108 de la carrera de Química  
Variable  
Intercepto  
푩
휷
Error Estándar  
6.13  
풕
풑
Estándar  
.19  
36.67  
.55  
5.97  
6.84  
2.28푒−9  
< 0.001  
7.51푒−12  
< 0.001  
.04*  
PHC  
.36  
0.08  
Colegio (público)  
Sexo (Mujer)  
-3.86  
1.89  
-.19  
.09  
1.91  
1.98  
-2.01  
0.95  
.34  
Nota: N = 252. Error estándar residual = 18.9, R² = .18, R² ajustado = .17. F(3, 252) = 18.91, p < .001.  
Fuente: elaboración propia.  
El coeficiente de determinación (푅2 = .18) indica que aproximadamente el 18% de la variabilidad de las  
notas del curso QU0108 es explicada por las variables independientes incluidas en el modelo. Además,  
el (푅2 = 0.18, ajustado) sugiere que el modelo tiene capacidad explicativa moderada.  
Ahora bien, el coeficiente (퐵 = .55) para la variable PHC es positivo y altamente significativo (푝 <  
0.001), lo que significa que, por cada aumento de una unidad en la PHC, la nota en el curso QU0108  
aumenta en promedio .55 puntos, esto manteniendo constantes las demás variables. Además, tiene  
un efecto moderado (훽 = .36, 푝 < .001) de acuerdo con la clasificación del efecto según Cohen (1988).  
Respecto a la variable colegio, se puede apreciar que estudiar en colegios públicos se asocia con 3.86  
puntos menos en promedio con respecto a los provenientes de colegios privados. Esto puede darse  
debido a que ciertos colegios público dedican más tiempo a las otras áreas de Ciencias Básicas, como  
Biología o Física, y no a la Química. Ahora bien, el efecto (훽 = 19, 푝 < .05) puede considerarse pequeño;  
sin embargo, es significativo.  
Sexto grupo: Física con el curso FS0227  
En la tabla 7 se puede visualizar que la variable más importante en la predicción de las notas del curso  
Física General para Físicos (FS0221) es la Prueba de Habilidades Cuantitativas, ya que presentó el  
coeficiente estandarizado más alto (퐵 = .93, 푝 < .001), y el valor de beta (훽 = .48, 푝 < .001) indica que  
existe un efecto fuerte, siendo altamente significativo. Por otro lado, el valor de la correlación de  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 729.  
Pearson fue de .48 (푝 < .001) siendo una asociación fuerte y significativa; en todo caso la relación es  
directa e implica que al aumentar la nota de la PHC se tiende a aumentar la nota en el curso FS0227.  
Tabla 7  
Resultados del modelo de regresión para predecir la nota del curso FS0227 de la carrera de Física  
Variable  
Intercepto  
푩
휷
Error Estándar  
풕
풑
Estándar  
.20  
-6.68  
.93  
12.09  
.14  
-.55  
.58  
PHC  
.48  
6.42  
1.354푒−10***  
< .001  
.09  
Colegio (público)  
Sexo (Mujer)  
-9.08  
-2.49  
-.08  
-.28  
5.44  
5.94  
-1.67  
-.42  
.67  
Nota: N = 138, Error estándar residual = 28.58, R² = .25, R² ajustado = .23. F (3, 138) = 15.34, p < .001.  
Fuente: elaboración propia.  
Ahora, por cada aumento en las puntuaciones de la PH, la nota del curso FS0227 aumenta en promedio  
.93 puntos, esto manteniendo constantes las demás variables. Además, las variables dependencia de  
colegio y sexo no tienen un efecto en las puntuaciones del curso, ya que no presentan significancia  
estadística. También, el modelo explica el 25% de la variabilidad de la nota del curso FS0227 (푅² =  
.25, R² ajustado = .23) lo cual indica que el poder explicativo del modelo se mantiene después de ajustar  
el número de predictores incluidos.  
DISCUSIÓN  
Primeramente, realizar este estudio es de vital importancia ya que como lo indica Molontay y Nagy  
(2023) permite asegurar que los criterios sean efectivos en la predicción del éxito académico  
estudiantil; de esta manera mejorar las evidencias de validez predictiva y utilizar de manera eficiente  
los recursos humanos y económicos en la selección de personas con mayor potencial de éxito en la  
Educación Superior y, particularmente, aquellas que opten por carreras STEM, y brindar el apoyo  
oportuno y necesario al estudiantado que lo amerite para aumentar sus posibilidades de éxito (Rojas  
Torres y Bolaños Barquero, 2013).  
Segundo, Para todos los casos, la Prueba de Habilidades Cuantitativas es un componente que permite  
proyectar las notas de las personas examinadas en los cursos estudiados. Por otra parte, la PHC  
explica, en todos los casos, la variabilidad de las notas de los cursos en cuestión oscilando entre un  
10% y un 48%. Además, se evidencia que, nuevamente, el razonamiento cuantitativo es una variable  
relevante en el rendimiento de los cursos CA0151, MA1001, MA0150, QU0108 y FS0227. Esto coincide  
con el estudio realizado por Rojas T et al., (2019) en el análisis de los cursos introductorios  
matemáticos.  
Tercero, una segunda variable relevante en los modelos varió según la agrupación carreras. Para el  
caso del grupo Ciencias Actuariales y Estadística resultó que las mujeres obtienen en promedio 7.25  
puntos más en el curso CA0151 que los hombres. En este sentido es indispensable indagar, quizás  
mediante metodología cualitativa, cuáles son las estrategias de estudio que emplean las mujeres que  
les permite obtener mejores notas que los hombres. También, se puede realizar un análisis de los  
factores socioculturales que influyen en la dedicación de las mujeres en el estudio, ya que como lo  
indica Voyer y Voyer (2014) las mujeres ponen mayor esfuerzo en cuanto a las formas de estudio, la  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 730.  
autodisciplina y factores socioculturales, las cuales pueden estar asociadas a la que los padres de  
familia brindan para que las mujeres realicen un esfuerzo mayor que los hombres en los estudios.  
Adicionalmente, en las agrupaciones analizadas la variable dependencia de colegio no tuvo efecto  
significativo en las notas del curso, a excepción del curso QU0108 Introducción a la Química, la cual  
tuvo un efecto pequeño, pero significativo. Esto puede darse debido a que, en algunos colegios  
públicos, se le proporciona mayor énfasis a las otras Ciencias Básicas como Biología, Física o  
Matemática. Esto porque, generalmente, en la prueba de certificación del Ministerio de Educación  
Pública Costarricense, las personas eligen la prueba de Biología por encima de Física o Química, lo cual  
implica brindar mayor dedicación.  
Por otra parte, de acuerdo con Cohen (1988) y Creswell (2014) en investigaciones de Ciencias Sociales  
y Educación es común encontrar valores moderados del coeficiente de determinación debido a la  
naturaleza de los constructos sociales, por lo que efectos medianos en regresión corresponden  
aproximadamente a valores del R² cercanos a 0.13, mientras que valores alrededor de 0.26 pueden  
considerarse efectos grandes (Cohen, 1988); por lo que , la PHC tiene un efecto positivo y altamente  
significativo para todas las agrupaciones analizadas, y según los modelos estimados.  
Al igual que en el estudio de Rojas Torres y Bolaños Barquero (2013) la PHC ofrece resultados  
significativos cuando se establecen correlaciones entre las puntuaciones de los cursos y las notas de  
la prueba estandarizada, siendo un predictor fuerte y significativo por lo que se puede detectar al  
estudiantado que tiene las habilidades mínimas para cursas carreras que tienen en su malla curricular  
contenido matemático; además, se evidencia, nuevamente, que el razonamiento cuantitativo es  
relevante para predecir los cursos introductorios de matemática en carreras STEM.  
Finalmente, es indispensable que los resultados del estudio se interpreten con cautela. Si bien al aplicar  
el método estadístico de regresión, en algunos casos la asociación entre las puntuaciones de la prueba  
estandarizada y la nota de los curos considerados es moderada, la teoría sobre el razonamiento  
cuantitativo explica que este tipo de razonamiento es indispensable para que las personas que opten  
por este tipo de carrera tengan éxito y que en el razonamiento cuantitativo los sujetos necesitan de las  
matemáticas para resolver problemas (Rojas T, 2019; Dwyer et al. 2003; Ordóñez Gutiérrez, 2023;  
Mayes y Myers, 2014; Grawe et al. 2010).  
CONCLUSIÓN  
Determinar evidencias de validez predictiva en una prueba estandarizada de ingreso a carrera permite  
que se obtengan información sobre el posible desempeño de las personas estudiantes y, además,  
brinda información para la mejora de la prueba y la toma de decisiones.  
Para todos los casos analizados, la PHC tiene un efecto positivo y altamente significativo en las notas  
de los cursos considerados. Además, al medir razonamiento cuantitativo se comprueba que este es un  
componente indispensable para que las personas tengan éxito en carreras STEM.  
Se deben realizar más estudios para determinar cuáles son las estrategias de estudio que emplea el  
estudiantado; ya que, el primer grupo, las mujeres obtienen mayores promedios que los hombres.  
También, es indispensable indagar sobre la dependencia de colegio. Verificar si se proporciona mayor  
énfasis a Biología o Física que a Química.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 731.  
REFERENCIAS  
American Educational Research Association, American Psychological Association, & National Council  
on Measurement in Education. (2014). Standards for educational and psychological testing. American  
Educational Research  
Arias, A., & Sireci, S. G. (2021). Validez y Validación para Pruebas Educativas y Psicológicas. Revista  
Iberoamericana de Psicología, 14 (1), 11-22. https://reviberopsicologia.ibero.edu.co/article/view/1926  
Bolaños Barquero, M & Rojas Torres, L. (2013). Comparación entre los promedios de la Prueba de  
Aptitud Académica y la Prueba de Habilidades Cuantitativas de los estudiantes de la Universidad de  
Costa Rica. Revista de Ciencias Sociales, IV (142), 101-115. https://doi.org/10.15517/rcs.v0i142.14305  
Cohen R, Kelly AM. (2020). Mathematics as a factor in community college STEM performance,  
persistence, and degree attainment. Journal of Research in Science Teaching, 57  
(2), https://doi.org/10.1002/tea.21594  
Cohen, J. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.  
Creswell, J. W. (2014). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches.  
Sage.  
Cronbach, L. J. (1990). Essentials of Psychological Testing. Harper & Row.  
Dika, S. L., & D'Amico, M. M. (2016). Early experiences and integration in the persistence of first-  
generation college students in STEM and non-STEM majors. Journal of Research in Science Teaching,  
53(3), 368–383  
Dwyer, C. A., Gallagher, A., Levin, J., & Morley, M. E. (2003). What is Quantitative Reasoning? Defining  
the construct for assessment purposes. ETS.  
Grawe, D., Lutsky, S., & Tassava, J. (2010). A Rubric for Assessing Quantitative Reasoning in Written  
Arguments. Numeracy, 3(1). https://doi.org/10.5038/1936-4660.3.1.3  
Gutiérrez Benítez, J.G., Casillas Domínguez, J.M., & Olguin Jiménez, K. (2024). Rendimiento académico  
y pruebas departamentales estandarizadas: un estudio en educación superior. Revista de Investigación  
Educativa, 15 (e2161), https://doi.org/10.33010/ie_rie_rediech.v15i0.2161  
https://utstat.toronto.edu/~brunner/oldclass/378f16/readings/CohenPower.pdf  
Mayes, R., & Myers, J. (2014). Quantitative Reasoning in the Context of Energy and Environment. Sense  
Publishers. https://www.sensepublishers.com/media/2201-quantitative-reasoning-in-the-context-of-  
energy-and-environment.pdf  
Molontay, R., & Nagy, M. (2023). How to improve the predictive validity of a composite admission score?  
A case study from Hungary. Assessment & Evaluation in Higher Education, 48(4), 419–437.  
https://doi.org/10.1080/02602938.2022.2093835  
Ordóñez Gutiérrez, G. (2023). Habilidades de razonamiento cuantitativo requerido por estudiantes de  
Química en la Universidad de Costa Rica [Tesis doctoral, Universidad de Costa Rica]  
Ponce Aguilar, M.A. & Pedroza Zúñiga, L.H. (2022). Evidencias de validez predictiva de un instrumento  
de selección para ingreso a la educación superior.  
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 732.  
Rojas Torres, L. (2013). Validez predictiva de los componentes del promedio de admisión a la  
Universidad de Costa Rica utilizando el género y el tipo de colegio como variables control. Revista  
Electrónica  
Actualidades  
Investigativas  
en  
Educación,  
13(1),  
https://www.scielo.sa.cr/pdf/aie/v13n1/a03v13n1.pdf  
Rojas, T. L., Mora B, M., & Ordóñez G, G. (2019). Asociación del razonamiento cuantitativo con el  
rendimiento académico en cursos introductorios de matemática de carreras STEM. Revista Digital  
Matemática, Educación e Internet, 19 (1). https://doi.org/10.18845/rdmei.v19i1.3851  
Rojas-Torres, L. (2014). Predicción de la reprobación de cursos de matemática básicos en las carreras  
de Física, Meteorología, Matemática, Ciencias Actuariales y Farmacia. Revista Electrónica Educare,  
18(3), https://www.redalyc.org/articulo.oa?id=194131745001  
Sulku, S., y Abdioglu, Z. (2015). Public and Private School Distinction, Regional Development  
Differences, and Other Factors Influencing the Success of Primary School Students in Turkey.  
Educational Sciences: Theory and Practice, 15(2), https://doi.org/10.12738/estp.2015.2.2386  
Voyer, D. y Voyer, S. (2014). Gender Differences in Scholastic Achievement: A Meta-Analysis.  
Psychological Bulletin,140(4). https://www.apa.org/pubs/journals/releases/bul-a0036620.pdf  
Vulperhorst, J., Lutz, C., de Kleijn, R., & van Tartwijk, J. (2018). Disentangling the predictive validity of  
high school grades for academic success in university. Assessment & Evaluation in Higher Education,  
43(3), 399–414. https://doi.org/10.1080/02602938.2017.1353586  
White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for  
heteroskedasticity. Econometrica, 48(4), 817–838. https://doi.org/10.2307/1912934  
Todo el contenido de LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, publicados en este  
sitio está disponibles bajo Licencia Creative Commons  
.
LATAM Revista Latinoamericana de Ciencias Sociales y Humanidades, Asunción, Paraguay.  
ISSN en línea: 2789-3855, abril, 2026, Volumen VII, Número 2 p 733.