La predicción de admisión de estudiantes es un aspecto crucial de la planificación académica, que ofrece información sobre las tendencias de inscripción, asignación de recursos y crecimiento institucional. Sin embargo, los métodos tradicionales a menudo carecen de la capacidad para abordar la equidad y transparencia, lo que conduce a posibles sesgos e inequidades en el proceso de toma de decisiones. Este documento explora el desarrollo y evaluación de modelos de aprendizaje automático diseñados para predecir admisiones estudiantiles al priorizar la equidad y la interpretabilidad. Empleamos un conjunto diverso de algoritmos, incluyendo Regresión Logística, Árboles de Decisión y métodos de conjunto, para predecir resultados de admisión basados en características académicas, demográficas y extracurriculares. Los resultados experimentales en conjuntos de datos del mundo real destacan la efectividad de los modelos propuestos en lograr un rendimiento predictivo competitivo al cumplir con métricas de equidad como la paridad demográfica y las probabilidades igualadas. Nuestros hallazgos demuestran que el aprendizaje automático no solo puede mejorar la precisión de las predicciones de admisión, sino también apoyar el acceso equitativo a la educación al promover la transparencia y la responsabilidad en los sistemas automatizados.