30° Simposio Internacional de estadística 2021 : big data y analítica de datos

Vista sencilla de ítem
dc.contributor.corporatenameUniversidad Nacional de Colombia. Sede Bogotá. Facultad de Ciencias. Departamento de Estadísticaspa
dc.coverage.temporal21 al 24 de septiembre de 2021
dc.date.accessioned2025-03-28T19:18:35Z
dc.date.available2025-03-28T19:18:35Z
dc.date.issued2021
dc.descriptionilustraciones, diagramas, fotografías, mapas, tablasspa
dc.description.abstractEl Simposio de Estadística de la Universidad Nacional de Colombia nace en 1990 como un encuentro que tenía como tema central el análisis de regresión y con el pasar de los años, diversas áreas de investigación estadística, tanto teórica como aplicada y temas afines fueron integrándose de manera paulatina, convirtiendo al Simposio en un espacio de interacción, dialogo, discusión, actualización, revisión y divulgación de los tópicos y saberes que se encuentran en tendencia, y de conformación de redes y grupos de investigación y formación académica, haciendo de este evento, un referente a nivel nacional y regional. Desde 1984, varios profesores de la Universidad Nacional ven la necesidad de crear una reunión nacional de estadística donde se pudiera compartir las distintas experiencias académicas como profesionales y sobre el desarrollo de la estadística en el país, acuerdo al que se llego con las Universidades del Valle y de Medellín, donde también se encontraban carreras profesionales de estadística para la época. De esta forma, el departamento de Estadística de la Universidad Nacional ha dispuesto desde el inicio, un comité organizador, el cual, cada año ha propuesto uno o varios temas de interés y ha invitado a varios expertos nacionales e internacionales, que han impartido cursillos y conferencias y socializado sus conocimientos con estudiantes, profesores e investigadores de distintas áreas del saber. Es importante destacar que a lo largo de estos 30 años, el simposio se ha realizado en distintas ciudades y municipios de Colombia, como lo son: Bogotá, Santa Marta, Cartagena, Rionegro, San Andrés, Armenia, Paipa, Bucaramanga, Cali, Medellín, Sincelejo y Barranquilla, realizándose en algunas versiones en conjunto con otras instituciones y convirtiéndose en 2012, en un evento de carácter internacional. Este año, por la emergencia sanitaria suscitada por la pandemia del COVID-19, se realizó de manera virtual. El Big Data y la analítica de datos fue el tema que se convocó este año, motivado principalmente por ser un tema de reciente y marcada importancia que se da en un contexto global, regional y nacional en la que los datos cada vez tienen mayor volumen y que las herramientas que se necesitan para su análisis tienen un fuerte y relevante sustento estadístico, con un creciente interés por parte de la comunidad estadística nacional. En este contexto, el Simposio Internacional de Estadística, en su XXX versión, reunió de manera virtual a 242 participantes, que tuvieron la oportunidad de asistir a 4 cursillos, 10 conferencias magistrales, 47 comunicaciones cortas en 8 sesiones donde se abordaron las siguientes temáticas: series de tiempo, data science, modelos lineales y de regresión, control estadístico, datos funcionales, machine learning, bioestadística, muestreo estadístico, estadística bayesiana, entre otras. Asimismo, se presentaron 39 posters en sesiones simultáneas de dos horas cada una. Se tuvo la participación de los profesores Ping Ma, Ph.D. de la Universidad de Georgia, Departamento de Estadística (Estados Unidos), Álvaro Montenegro, Ph.D. de la Universidad Nacional de Colombia (Colombia), Péter Vékás, Ph.D. de la Universidad Corvinus de Budapest (Hungría), Argimiro Arratia, Ph.D. de la Universitat Politécnica de Catalunya (España), Fabio Augusto González Osorio, Ph.D. de la Universidad de Memphis (Estados Unidos), Juan Carlos Pardo Millán, Investigador Titular "B", SNI: Nivel II Coordinador del área de Probabilidad y Estadística del CIMAT (México), Crispín Vélez, Business Ops: Planificación estratégica- Creación de relaciones- Mejoras de procesos- Negocios internacionales (Estados Unidos), Santiago Velasco Forero, Ph.D. de la CMM MINES Paristech/ PSL Research University (Francia), Pierre Ribereau, Doctorado de la Universidad Claude Bernard Lyon, corresponsal de movilidad internacional de estadística y probabilidades (Francia), Rosa Elvira Lillo Rodríguez, Catedrática de Estadística e Investigación Operativa, directora de IBiDat (Instituto de Big Data UC3MSantander), Universidad Carlos III (España), Tito Pablo Neira Ávila, Estadístico de la Universidad Nacional de Colombia, especialista en mercadeo y MBA Universidad de Los Andes (Colombia), Pablo Martín Rodríguez, profesor adjunto de la Universidad Federal de Pernambuco (UFPE) y Presidente de la Sociedad Brasilera de Matemática Aplicada y Computacional (SBMAC, Brasil), Marco Avella Medina, Ph.D. de la Universidad de Ginebra, profesor asistente, Universidad de Columbia, Departamento de Estadística (Estados Unidos). Agradecemos a cada uno de los ponentes de conferencias, comunicaciones cortas y póster, lo que muestra la acogida que cada año tiene este simposio a lo largo y ancho del territorio nacional, en distintas instituciones académicas y de investigación, mostrando los distintos resultados y perspectivas que ofrecen cada una de las ramas de la estadística en la solución de problemas de interés local, regional, nacional e internacional y como se hace necesaria la comprensión de las temáticas propuestas y la continuidad de la realización de nuestro Simposio. Les esperamos en el XXXI Simposio Internacional de Estadística 2022. (Texto tomado de la fuente)spa
dc.description.tableofcontents1 Comunicaciones -- 1.1 Caracterización del Senado de República de Colombia 2010-2014 por medio de modelos de votación Bayesianos -- 1.2 Inferring selection signatures through the FST parameter and a Bayesian model: A sensitivity analysis using simulations and some comments on theoretical issues -- 1.3 Modelo de regresión para estimar el tiempo de subida de los sistemas dinámicos L.T.I. de segundo orden sobre amortiguados -- 1.4 Two-regime functional threshold autoregressive model: An empirical approach -- 1.5 Local control of soil heterogeneity using records from precision agriculture programs -- 1.6 Residential real estate appraisal using GAMLSS with spatial efect: a case in Bogotá -- 1.7 Model assisted estimation in nite populations: A semiparametric point of view -- 1.8 Dungeon of the Weird Mage: Aprendizaje reforzado aplicado al ajuste de difi cultad dinámica -- 1.9 Evaluación de dos métodos para delimitar zonas homogeneas para manejo por sitio especifico en el sistema de cultivo a base de arroz en Tolima (Colombia) -- 1.10 estimf: Paquete de R para la estimación de parámetros de múltiples distribuciones de probabilidad y modelos de regresión usando TensorFlow -- 1.11 Comparación de rankings de universidades latinoamericanas por métodos de análisis de tablas múltiples -- 1.12 Análisis de datos máximos para sismos mediante la teoría de valores extremos -- 1.13 Aplicación de una solución analítica propuesta para lograr el otorgamiento de crédito digital para clientes pymes de una entidad financiera -- 1.14 Modelo de supervivencia usando metodología de super ficies de respuesta con bloques -- 1.15 Monitoring the Gumbel scale parameter with Type II censored samples in Phase II -- 1.16 Distribución Weibull unitaria bivariada: propiedades, inferencia y aplicación -- 1.17 Metodo heurístico de selección de variables para el incremento del poder discriminatorio de DEA: caso de aplicación a las EPS Colombianas -- 1.18 Extensiones de la distribución potencia-normal para datos bimodales asimétricos con soporte positivo -- 1.19 Evaluación del efecto de imprecisión en el diseño o del desgaste de una galga 2-step sobre el desempeño optimo del gra co de control wYSYL -- 1.20 Sistema de informacion geográfi co con software R para el mejoramiento de la gestión apícola en Sucre -- 1.21 Análisis espectral para la detección y estimación de flujos turbulentos en condiciones no estacionarias -- 1.22 Aplicaciones de pruebas de hipótesis de rachas para simetría -- 1.23 EWMA chart with probability limits for monitoring nonconformities -- 1.24 Comparacion del ajuste obtenido por medio del uso del modelo lineal de efectos mixtos y la metodología RE-EM tree que incorpora arboles de decision, considerando datos con medidas repetidas -- 1.25 A bayesian estimation of the Difusion Coeficient in [1/2,1) in CKLS Model -- 1.26 Deteccion de puntos de cambio para datos funcionales multivariados -- 1.27 Mapeo de contagios de SARS-COV-2 y análisis del riesgo relativo con enfoque Poisson para el periodo de marzo de 2020 a marzo del 2021 en Colombia -- 1.28 Modelo de datos funcionales para la caracterización de un brote epidemiológico con aislamiento -- 1.29 Monitoreo de per les no lineales con dependencia temporal en fase II desde un enfoque del análisis de datos funcionales -- 1.30 Statis-R: Una propuesta para el análisis comparativo de la redundancia en multibloques de variables cuantitativas -- 1.31 Robust estimation of multivariate scatter based on Qn estimator -- 1.32 Weighted Nadaraya-Watson kernel regression based on a robust Mahalanobis Depth estimationspa
dc.description.tableofcontents2 Posters -- 2.1 La transformada discreta de Fourier como herramienta de análisis en estadística -- 2.2 Trabajo infantil en Colombia: factores que inciden en la selección del tipo de actividad económica -- 2.3 Hábitos de estudio según rendimiento académico -- 2.4 Métodos factoriales del análisis de tablas múltiples: Para el estudio de algunos indicadores de la educación superior Colombiana -- 2.5 Modelo espacio-temporal predictivo usando gradient boosting machine (GBM) en english score Saber -- 2.6 Transformación de características estudiantiles basada en métricas para apoyar la detección automática de la deserción escolar vía SVM -- 2.7 Estimación de parámetros en modelos epidemiológicos con perturbaciones aleatorias y aplicación para datos del COVID-19 en Bogotá D.C. -- 2.8 On the performance of Kernel Density Estimation using Density Matrices -- 2.9 Incidencia del síndrome metabólico en personas económicamente activas de Sincelejo (Sucre) con análisis en componentes principales y regresión logística -- 2.10 Influencia de la enseñanza en proyectos y las actividades extraescolares en el rendimiento académico de los alumnos en los Montes de María -- 2.11 Caracterización multivariada de la situación de educación media en el departamento de Sucre y su relación con el empleo irregular, un enfoque orientado por genero, escuela y logro escolar -- 2.12 Comparación de modelos no lineales para describir curvas de crecimiento de terneros machos -- 2.13 Hábitos saludables y conciencia ambiental en niños del municipio de Sincelejo (Sucre): Las estadísticas de pobreza y desigualdad -- 2.14 La analítica de datos: herramienta de mejora en la toma de decisiones en el contexto de la planifi cación urbana en Bucaramanga -- 2.15 Estimación de cadenas de Markov en tiempo-continuo con observaciones discretas: aplicado a la probabilidad de transición de califi cación crediticia -- 2.16 Análisis de brechas de género en el ámbito educativo STEM de la Universidad de Sucre con gráfi cas multivariadas en R -- 2.17 Minería de datos de la malnutrición de niños menores de 15 años y de la (in)seguridad alimentaria en hogares del departamento de Sucre -- 2.18 La incidencia de Twitter en la comunicación política en torno a los temas de la agenda del Paro Nacional del 21 de noviembre de 2019 desarrollado mediante la aplicación del Análisis de Correspondencia Múltiple -- 2.19 Aplicación de las técnicas de regresión espacial y espacio-temporal GWR y GTWR para explorar los determinantes del precio de las viviendas en la localidad de Suba, Bogotá en el periodo 2005-2011" -- 2.20 Análisis semanal de la tasa de propagación del COVID-19 en Colombia -- 2.21 Clasi ficación de entidades territoriales de Colombia, de acuerdo con la curva epidemiológica de Sars-Cov2 entre el 06-03-2020 y 04-02-2021spa
dc.format.extent383 páginasspa
dc.format.mimetypeapplication/pdfspa
dc.identifier.instnameUniversidad Nacional de Colombiaspa
dc.identifier.issn2463-0861
dc.identifier.reponameRepositorio Institucional Universidad Nacional de Colombiaspa
dc.identifier.repourlrepositorio.unal.edu.cospa
dc.identifier.urihttps://repositorio.unal.edu.co/handle/unal/87779
dc.language.isospaspa
dc.language.isoengspa
dc.publisherUniversidad Nacional de Colombia, Sede Bogotá, Facultad de Ciencias, Departamento de Estadísticaspa
dc.publisher.placeBogotá, Colombiaspa
dc.relation.referencesAlbert, J. H. (1992). Bayesian estimation of normal ogive item response curves using gibbs sampling. Journal of educational statistics, 17(3):251–269spa
dc.relation.referencesAlbert, J. H. and Chib, S. (1993). Bayesian analysis of binary and polychotomous response data. Journal of the American statistical Association, 88(422):669–679.spa
dc.relation.referencesCarroll, R. and Pachón, M. (2016). The unrealized potential of presidential coalitions in Colombia. Legislative Institutions and Lawmaking in Latin America, pages 122–147.spa
dc.relation.referencesClinton, J., Jackman, S., and Rivers, D. (2004). The statistical analysis of roll call data. American Political Science Review, pages 355–370spa
dc.relation.referencesColprensa (2013). El PIN cambió el nombre de su partido a Opción Ciudadana. El país.spa
dc.relation.referencesFowler, J. H. (2006). Legislative cosponsorship networks in the us house and senate. Social Networks, 28(4):454–465spa
dc.relation.referencesGelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., and Rubin, D. B. (2014). Bayesian data analysis. CRC pressspa
dc.relation.referencesGerrish, S. and Blei, D. (2012). How they vote. Issue-adjusted models of legislative behavior. Advances in neural information processing systems, 25:2753–2761.spa
dc.relation.referencesHare, C., Armstrong, D. A., Bakker, R., Carroll, R., and Poole, K. T. (2015). Using bayesian Aldrich-Mckelvey scaling to study citizens’ ideological preferences and perceptions. American Journal of Political Science, 59(3):759–774.spa
dc.relation.referencesJackman, S. (2001). Multidimensional analysis of roll call data via bayesian simulation: Identification, estimation, inference, and model checking. Political Analysis, 9(3):227–241.spa
dc.relation.referencesJackman, S. (2004). Bayesian analysis for political research. Annu. Rev. Polit. Sci., 7:483–505.spa
dc.relation.referencesKass, R. E. and Wasserman, L. (1996). The selection of prior distributions by formal rules. Journal of the American statistical Association, 91(435):1343–1370.spa
dc.relation.referencesKrehbiel, K. (1988). Spatial models of legislative choice. Legislative Studies Quarterly, pages 259–319.spa
dc.relation.referencesKrehbiel, K. (1998). Pivotal politics: A theory of US lawmaking. University of Chicago Press.spa
dc.relation.referencesLofland, C. L., Rodríguez, A., Moser, S., et al. (2017). Assessing differences in legislators’ revealed preferences: A case study on the 107th US senate. The Annals of Applied Statistics, 11(1):456–479.spa
dc.relation.referencesPatz, R. J. and Junker, B. W. (1999). A straightforward approach to Markov chain Monte Carlo methods for item response models. Journal of educational and behavioral Statistics, 24(2):146–178.spa
dc.relation.referencesPolson, N. G., Scott, J. G., and Windle, J. (2013). Bayesian inference for logistic models using pólya–gamma latent variables. Journal of the American statistical Association, 108(504):1339–1349.spa
dc.relation.referencesPoole, K. T. (2000). Nonparametric unfolding of binary choice data. Political Analysis, 8(3):211–237.spa
dc.relation.referencesRivers, D. (2003). Identification of multidimensional item-response models. Typescript. Department of Political Science, Stanford University.spa
dc.relation.referencesRodriguez, A. (2012). Modeling the dynamics of social networks using bayesian hierarchical blockmodels. Statistical Analysis and Data Mining: The ASA Data Science Journal, 5(3):218–234.spa
dc.relation.referencesRosas, G., Shomer, Y., and Haptonstahl, S. R. (2015). No news is news: Nonignorable nonresponse in roll-call data analysis. American Journal of Political Science, 59(2):511–528.spa
dc.relation.referencesSewell, D. K. and Chen, Y. (2015). Latent space models for dynamic networks. Journal of the American Statistical Association, 110(512):1646–1657.spa
dc.relation.referencesSherina, V., McCall, M. N., and Love, T. M. (2019). Fully Bayesian imputation model for non-random missing data in qPCR. arXiv preprint arXiv:1910.13936.spa
dc.relation.referencesYu, X. and Rodriguez, A. (2019a). Spatial voting models in circular spaces: A case study of the U.S. house of representatives. Available at SSRN 3381925.spa
dc.relation.referencesYu, X. and Rodriguez, A. (2019b). Spherical latent factor model. Available at SSRN 3381925.spa
dc.relation.referencesZellner, A. (1986). On assessing prior distributions and bayesian regression analysis with gprior distributions. Bayesian inference and decision techniques.spa
dc.relation.referencesJ. Barrera and E. Peñuela. New formulation for the step response to the overdamped dynamic second order systems. Unpublished.spa
dc.relation.referencesR. L. Burden and J. D. Faires. Numerical Analysis. Brooks/Cole Cencage Learning, 9 edition, 2011.spa
dc.relation.referencesC. T. Chen. Analog & digital Control System Design: Transfer Function, State-Space & Algebraic Methods. Saunders College, 1996.spa
dc.relation.referencesW. Mendenhall and T. Sincich. A Second Course in Statistics: Regresion Analysis. Prentice Hall, 1996.spa
dc.relation.referencesK. Ogata. Modern Control Engineering. Prentice Hall, 5 edition, 2010.spa
dc.relation.referencesC. A. Smith and A. B. Corripio. Principles and Practice of Automatic Process Control. Wiley, 1997.spa
dc.relation.referencesW. Sun and Ya-Xiang. Yuan. Optimization Theory and Methods, Nonlinear Programming. Springer, 2006.spa
dc.relation.referencesBahl, R., J. Martinez-Vazquez, and J. Youngman (2010). “Whither the property tax: New perspectives on a fiscal mainstay”. In: Challenging the Conventional Wisdom of the Property Tax, pp. 3–14.spa
dc.relation.referencesBax, D., T. Zewotir, and D. North (Dec. 2019). “A gamma generalised linear model as an alternative to log linear real estate price functions”. In: Journal of Economic and Financial Sciences 12. DOI: 10.4102/jef.v12i1.476.spa
dc.relation.referencesClarke, Kevin A (2007). “A simple distribution-free test for nonnested model selection”. In: Political Analysis, pp. 347–363.spa
dc.relation.referencesCole, T. J. and P. J. Green (1992). “Smoothing reference centile curves: the LMS method and penalized likelihood”. In: Statistics in medicine 11.10, pp. 1305–1319.spa
dc.relation.referencesCONPES Document (Dec. 2019). Table 1. Documento CONPES: REAJUSTE DE AVALÚOS CATASTRALES PARA LA VIGENCIA 2020. CONSEJO NACIONAL DE POLÍTICA ECONÓMICA Y SOCIAL. REPÚBLICA DE COLOMBIA. Departamento Nacional de Planeación. URL: https://colaboracion.dnp.gov.co/CDT/Conpes/Econ%C3% B3micos/3980.pdf.spa
dc.relation.referencesDANE (2019). The Building Census. URL: https://www.dane.gov.co/index.php/en/ statistics- by- topic- 1/construction/censo- de- edificaciones (visited on 03/10/2020).spa
dc.relation.referencesDe Bastiani, F., R. A. Rigby, D. M. Stasinopoulous, A. H. M. A. Cysneiros, and M. A. Uribe-Opazo (2018). “Gaussian Markov random field spatial models in GAMLSS”. In: Journal of Applied Statistics 45.1, pp. 168–186.spa
dc.relation.referencesFahrmeir, L., T. Kneib, S. Lang, and B. Marx (2013). “Regression models”. In: Regression. Springer, pp. 21–72.spa
dc.relation.referencesFik, T. J., D. C. Ling, and G. F. Mulligan (2003). “Modeling spatial variation in housing prices: a variable interaction approach”. In: Real Estate Economics 31.4, pp. 623–646.spa
dc.relation.referencesFlorencio, L., F. Cribari-Neto, and R. Ospina (2012). “Real estate appraisal of land lots using GAMLSS models”. In: Chilean Journal of Statistics (ChJS) 3.1, pp. 75–91.spa
dc.relation.referencesHousing, Ministry of (2011). LEY 1450 DE 2011. URL: http://www.minvivienda.gov. co/NormativaInstitucional/1450%20-%202011.pdf (visited on 03/11/2020).spa
dc.relation.referencesIAAO (2017). “Standard on Mass Appraisal of Real Property”. In: Kullback, Solomon and Richard A Leibler (1951). “On information and sufficiency”. In: The annals of mathematical statistics 22.1, pp. 79–86spa
dc.relation.referencesLin, C. C. and S. B. Mohan (2011). “Effectiveness comparison of the residential property mass appraisal methodologies in the USA”. In: International Journal of Housing Markets and Analysis.spa
dc.relation.referencesMarra, G. and R. Radice (2020). GJRM: Generalised Joint Regression Modelling. R package version 0.2-2. URL: https://CRAN.R-project.org/package=GJRMspa
dc.relation.referencesMayer, M., S. C. Bourassa, M. Hoesli, and D. Scognamiglio (2019). “Estimation and updating methods for hedonic valuation”. In: Journal of European Real Estate Researchspa
dc.relation.referencesNelder, J. A. and R. W. M. Wedderburn (1972). “Generalized linear models”. In: Journal of the Royal Statistical Society: Series A (General) 135.3, pp. 370–384.spa
dc.relation.referencesParadis, E. and K. Schliep (2019). “ape 5.0: an environment for modern phylogenetics and evolutionary analyses in R”. In: Bioinformatics 35, pp. 526–528.spa
dc.relation.referencesR Core Team (2014). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna, Austria. URL: http://www.R-project.org/.spa
dc.relation.referencesRazen, A., W. Brunauer, N. Klein, S. Lang, and N. Umlauf (2015). “Hedonic house price modeling based on multilevel structured additive regression”. In: Computational Approaches for Urban Environments. Springer, pp. 97–122.spa
dc.relation.referencesRigby, R. A. and D. M. Stasinopoulos (1996). “Mean and dispersion additive models”. In: Statistical theory and computational aspects of smoothing. Springer, pp. 215–230. — (2005). “Generalized additive models for location, scale and shape”. In: Journal of the Royal Statistical Society: Series C (Applied Statistics) 54.3, pp. 507–554.spa
dc.relation.referencesRuiz, F. and G. Vallejo (2010). “Using land registration as a tool to generate municipal revenue: Lessons from Bogota”. In: World Bank, Washington, DC.spa
dc.relation.referencesSärndal, C., B. Swensson, and J.Wretman (2003). Model assisted survey sampling. Springer Science & Business Mediaspa
dc.relation.referencesStasinopoulos, D. M., R. A. Rigby, G. Z. Heller, V. Voudouris, and F. De Bastiani (2017). Flexible regression and smoothing: using GAMLSS in R. CRC Press.spa
dc.relation.referencesUAECD (2019). Informe de Gestión. Plan de Acción Proyectos de Inversión 2019. URL: http: //www.catastrobogota.gov.co/sites/default/files/archivos/planeacion/ Informe%20de%20Gesti%C3%B3n%20Plan%20de%20Acci%C3%B3n%20Proyectos% 20de%20Inversi%C3%B3n%202019.pdf (visited on 03/10/2020).spa
dc.relation.referencesWang, D. and V. J. Li (2019). “Mass Appraisal Models of Real Estate in the 21st Century: A Systematic Literature Review”. In: Sustainability 11.24, p. 7006spa
dc.relation.referencesWood, S. N. (2003). “Thin plate regression splines”. In: Journal of the Royal Statistical Society: Series B (Statistical Methodology) 65.1, pp. 95–114. — (2017). Generalized additive models: an introduction with R. CRC press.spa
dc.relation.referencesHAGER, H AND BAIN, L, Inferential procedures for the generalized gamma distribution, Journal of the American Statistical Association, 65, 1601-1609, 1970.spa
dc.relation.referencesLAWLESS, J., Inference in the generalized gamma and log-gamma distributions. Technometrics, 22, 409-419, 1980spa
dc.relation.referencesSÄRNDAL, C.E. AND SWENSSON, B. AND WRETMAN, J., Model Assisted Survey Sampling, Springer, 2003.spa
dc.relation.referencesRONDON, L. M. AND VANEGAS, L. H. AND FERRAZ, C., Finite population estimation under generalized linear model assistance., Computational Statistics and Data Analysis, 56, 3, 680-697, 2012spa
dc.relation.referencesBREIDT, F.J. AND OPSOMER, J.D., Local polynomial regression estimators in survey sampling, Annals of Statistics, 28, 7, 1026-1053, 2001.spa
dc.relation.referencesCARDOZO, C.A. AND PAULA, G.A. AND VANEGAS, L., sglg: Fitting Semi- Parametric Generalized log-Gamma Regression Models, http://CRAN.R-project.org/ package=sglg, 2021spa
dc.relation.referencesR FOUNDATION FOR STATISTICAL COMPUTING, A Language and Environment for Statistical Computing, https://www.R-project.org/, 2021.spa
dc.relation.referencesSTASINOPOULOS, M. AND RIGBY, B. AND VOUDOURIS, V. AND AKANTZILIOTOU, C. AND ENEA, M. AND KIOSE, D., gamlss: Generalised Additive Models for Location Scale and Shape, https://CRAN.R-project.org/package= gamlss, 2021.spa
dc.relation.referencesCARDOZO, C.A. AND ALONSO, C.,, sregsurvey: Semiparametric Model-Assisted Estimation in Finite Populations., http://CRAN.R-project.org/package=sregsurvey, 2021.spa
dc.relation.referencesCARDOZO, C.A. AND PAULA, G.A. AND VANEGAS, L., Generalized log-gamma semiparametric models with P-spline smoothing., Submitted, 2021spa
dc.relation.referencesLUMLEY, T., survey: analysis of complex survey samples., http://CRAN.R-project. org/package=survey, 2021spa
dc.relation.referencesG Andrade, G. Ramalho, H. Santana, and V. Corruble. Extending reinforcement learning to provide dynamic game balancing. In Proceedings of the 2005 IJCAI Workshop on Reasoning, Representation, and Learning in Computer Games, page 5, Edinburgh, Scotland, July 2005.spa
dc.relation.referencesM. V. Aponte, G. Levieux, and S. Natkin. Difficulty in videogames : An experimental validation of a formal definition. In ACE ’11: Proceedings of the 8th International Conference on Advances in Computer Entertainment Technology, page 49, Lisbon, Portugal, November 2011.spa
dc.relation.referencesC. Crawford. Design techniques and ideal for computer games. Byte Magazine, 7(12):96– 108, 1982.spa
dc.relation.referencesM. S. Csikszentmihalyi. Flow: The Psychology of Optimal Experience. HarperCollins, New York, NY, second edition, 2008spa
dc.relation.referencesDebi Gartland and Roberta Strosnider. Learning disabilities: Implications for policy regarding research and practice: A report by the national joint committee on learning disabilities. Learning Disability Quarterly, 41(4):195–199, 2018spa
dc.relation.referencesR. Hunicke and V. Chapman. Ai for dynamic difficulty adjustment in games. 2004.spa
dc.relation.referencesA. Juliani, V. Berges, E. Vckay, Y. Gao, H. Henry, M. Mattar, and D. Lange. Unity: A general platform for intelligent agents. CoRR, abs/1809.02627, 2018spa
dc.relation.referencesR. Martey, K. Kenski, J. Folkestad, E. Gordis, L. Feldman, H. Zhang, T. Kaufmann, A. Rabkin, A. Shaw, J. Stromer-Galley, B. Clegg, S. Shaikh, and T. Strzalkowski. Measuring game engagement. Simulation Gaming: An Interdisciplinary Journal of Theory, Practice and Research, 11 2014.spa
dc.relation.referencesH. Moon and J. Seo. Dynamic difficulty adjustment via fast user adaptation. 2020.spa
dc.relation.referencesA. Paszke, S. Gross, F. Massa, A. Lerer, J. Bradbury, G. Chanan, T. Killeen, Z. Lin, N. Gimelshein, L. Antiga, A. Desmaison, A. Kopf, E. Yang, Z. DeVito, M. Raison, A. Tejani, S. Chilamkurthy, B. Steiner, L. Fang, J. Bai, and S. Chintala. Pytorch: An imperative style, high-performance deep learning library. In H. Wallach, H. Larochelle, A. Beygelzimer, F. d'Alché-Buc, E. Fox, and R. Garnett, editors, Advances in Neural Information Processing Systems 32, pages 8024–8035. Curran Associates, Inc., 2019.spa
dc.relation.referencesD. Pathak, P. Agrawal, A. A. Efros, and T. Darrell. Curiosity-driven exploration by selfsupervised prediction. In ICML, 2017spa
dc.relation.referencesJoshua Rothman. Video games that embrace irony and death. urlhttps://www.newyorker.com/culture/culture-desk/video-games-that-embrace-ironyand- death, 2014.spa
dc.relation.referencesJ. Schulman, F. Wolski, P. Dhariwal, A. Radford, and O. Klimov. Proximal policy optimization algorithms. page 12, 07 2017spa
dc.relation.referencesM. Shakhova and A. Zagarskikh. Dynamic difficulty adjustment with a simplification ability using neuroevolution. Procedia Computer Science, 156:395–403, 01 2019.spa
dc.relation.referencesJ. L. González Sánchez, N. Padilla Zea, F. L. Gutiérrez, and M. J. Cabrera. De la usabilidad a la jugabilidad: Diseño de videojuegos centrado en el jugador. 2008.spa
dc.relation.referencesR. S. Sutton and A. G. Barto. Reinforcement Learning: An Introduction. The MIT Press, Cambridge, MA, second edition, 2018spa
dc.relation.referencesMohammad Zohaid. Dynamic difficulty adjustment (dda) in computer games: A review. Advances In Human-Computer Interaction, 2018:1–12, 11 2018spa
dc.relation.referencesDRAY, S., SAID, S., DÉBIAS, F., Spatial ordination of vegetation data using a generalization of Wartenberg’s multivariate spatial correlation. Applied Vegetation Science, Vol. 19(1), 45-56, 2008.spa
dc.relation.referencesGAVIOLI, A., DE SOUZA, E. G., BAZZI, C. L., GUEDES, L. P. C., SCHENATTO, K., Optimization of management zone delineation by using spatial principal components. Computers and Electronics in Agriculture, Vol. 127, 302-310, 2016.spa
dc.relation.referencesWARRICK, A. W., NIELSEN, D. R., Spatial variability of soil physical properties in the field. Spatial variability of soil physical properties in the field., 319-344, 1980spa
dc.relation.referencesAbascal. E. Fernandez, K. Calvo, I. Técnicas factoriales de análisis de tablas múltiples: Nuevos desarrollos empíricos.spa
dc.relation.referencesAbdi, H., Williams, L. J., Valentin, D., y Bennani-Dosse, M. (2012). STATIS and DISTATIS: optimum multitable principal component analysis and three way metric multidimensional scaling. Wiley Interdisciplinary Reviews: Computational Statistics, 4(2):124-167.spa
dc.relation.referencesBecerra, M. (2010). Comparación del análisis factorial múltiple (AFM) y del análisis en componentes principales para datos cualitativos (Prinqual), en la construcción de índices. Universidad Nacional de Colombia.spa
dc.relation.referencesCorzo. J. (2003). Análisis Multivariado Aplicado con aplicaciones en R. Notas de clase. Universidad Nacional de Colombia. Departamento de Estadísticaspa
dc.relation.referencesCorzo. J. (2017). Análisis factorial múltiple para clasificación de universidades latinoamericanas. Comunicaciones en Estadística. Junio 2017, Vol. 10, No. 1, pp. 57-82spa
dc.relation.referencesGonzalez, J. Rodriguez, O. Algoritmo de implementación del método STATISspa
dc.relation.referencesLavit, C., Escoufier, Y., Sabatier, R., y Traissac, P. (1994). The ACT (STATIS method). Computational Statistics and Data Analysis, 18(1):97-119.spa
dc.relation.referencesLópez, E. (2012). Cómo se cocinan los rankings universitarios. Dendra Médica. Revista de Humanidades 2012; 11(1):43-58.spa
dc.relation.referencesMartinez Rizo, F. (2011). Los rankings de universidades: una visión crítica. Revista de la educación superior XL(I)(157). Pág. 77-97.spa
dc.relation.referencesOrduña, E. (2011). Propuesta de un modelo de análisis redinformétrico multinivel para el estudio sistémico de las universidades españolas (2010) [tesis]. Valencia: Universidad Politécnica de Valencia; 2012.spa
dc.relation.referencesPinzón, Luz. (2011). BIPLOT CONSENSO PARA ANÁLISIS DE TABLAS MÚLTIPLES. Universidad de Salamanca. Departamento de Estadística. Trabajo de grado, doctorado.spa
dc.relation.referencesRoberts, D.; Thomson, L. (2007). Reputation management for universities: university league tables and the impact on student recruitment. Leeds, UK: The Knowledge partnership.spa
dc.relation.referencesSalmi, Jamil (2007a). “League tables as policy instruments: uses and misuses”. En: Higher education management and policy, v. 19, n. 2, 24p.spa
dc.relation.referencesSiwinski, Waldemar (2005). "Perpektywy- Ten years of rankings". En: Higher education in Europe, v. 27, n. 4, pp. 399-406spa
dc.relation.referencesZingaretti, M. L., Demey-Zambrano, J. A., Vicente-Villardon, J. L., y Demey, J. R. (2015). kimod: A k-tables approach to integrate multiple Omics-Data. R package version 0.99.5.spa
dc.relation.referencesAMAYA, J, Gestión del riesgo sísmico en Medellín, http://bdigital.unal.edu.co/ 6595/1/79597260.15052012.pdf Es, 2012spa
dc.relation.referencesCÁRDENAS, C., GARZÓN Y., SANTA, L. & CASTILLO, L., Modelo de Poisson para la ocurrencia y magnitud espacio temporal de los sismos en Colombia. http://revistas.udistrital.edu.co/ojs/index.php/UDGeo/article/view/ 3655/5257 UD y la Geomática, 4, 28-43.spa
dc.relation.referencesCOLES, S., An introduction to statistical modeling of extreme values. Springer Series in Statistics, 2001spa
dc.relation.referencesCOMITÉ AIS-300, Amenaza Sísmica. Estudio general de amenaza sísmica de Colombia de Colombia de 2009 Asociación Colombiana de Ingeniería Sísmica, 2010spa
dc.relation.referencesCORNELL, C. A., Bulletin of the Seismological Society of America 58(5), 1583-1606, 1968spa
dc.relation.referencesMUÑOZ, D., Conceptos básicos en riesgo sísmico Conceptos básicos del riesgo sísmico (Issue 1, pp. 199-216) Física de la Tierra, Ed. Universidad Complutense de Madrid, 1989.spa
dc.relation.referencesLUNDBERG, S. , An introduction to explainable AI with Shapley values, https://shap.readthedocs.io, 2018spa
dc.relation.referencesMENG Y, YANG N, QIAN Z, ZHANG G, What makes an online review more helpful: an interpretation framework using XGBoost and SHAP values. Journal of Theoretical and Applied Electronic Commerce Research. 2021 Jun;16(3):466-90spa
dc.relation.referencesMOLNAR, C., Interpretable machine learning. lulu.com, 2020spa
dc.relation.referencesZHANG, X.D. , Machine learning. A Matrix Algebra Approach to Artificial Intelligence, Springer, 2020spa
dc.relation.referencesANDERSEN, P. K. AND GILL, R. D., Cox’s regression model for counting processes: a large sample study, The Annals of Statistics, Vol. 10(4), 1100-1120, 1982spa
dc.relation.referencesBENDER, R. AND AUGUSTIN, T. AND BLETTNER, M., Generating survival times to simulate Cox proportional hazards models, Statistics in medicine, Vol. 24(11), 1713-1723, 2005.spa
dc.relation.referencesGARCÍA, J. J., Análisis de supervivencia aplicado al estudio de la mortalidad en injertos de inchi (Caryodendron orinocense Karsten), Vol. 12(4), 759-769, 2012spa
dc.relation.referencesCOX, D. R., Regression Models and Life-Tables, Journal of the Royal Statistical Society. Series B, Vol. 34(2), 187-220, 1972spa
dc.relation.referencesR DEVELOPMENT CORE TEAM, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria, URL: http://www.Rproject. org/, 2021spa
dc.relation.referencesLAWLESS, J., Statistical Models and Methods for Lifetime data, 2nd ed., John Wiley & Sons, Inc., 2003spa
dc.relation.referencesZHAN, L. AND CHEN, G., EWMA charts for monitoring the mean of censored Weibull lifetimes. Journal of Quality Technology, 36, 321-328, 2004spa
dc.relation.referencesDICKINSON, R. M., OLTEANU-ROBERTS, D. A., RYAN, A. G., WOODALL, W. H. AND VINIING, G. G., CUSUM charts for monitoring the characteristic life of censored Weibull lifetimes. Journal of Quality Technology, 46(4), 340-358, 2014spa
dc.relation.referencesAlmetwally, E. M., Muhammed, H. Z., and El-Sherpieny, E.-S. A. (2020). Bivariate weibull distribution: properties and different methods of estimation. Annals of Data Science, 7(1):163– 193.spa
dc.relation.referencesCook, D. O., Kieschnick, R., and McCullough, B. D. (2008). Regression analysis of proportions in finance with self selection. Journal of empirical finance, 15(5):860–867.spa
dc.relation.referencesCorzo, O. and Bracho, N. (2008). Application of weibull distribution model to describe the vacuum pulse osmotic dehydration of sardine sheets. LWT-Food Science and Technology, 41(6):1108–1115spa
dc.relation.referencesDürr, J., Monardes, E., and Cue, R. (1999). Genetic analysis of herd life in quebec holsteins using weibull models. Journal of Dairy Science, 82(11):2503–2513.spa
dc.relation.referencesFok, S., Mitchell, B., Smart, J., and Marsden, B. (2001). A numerical study on the application of the weibull theory to brittle materials. Engineering Fracture Mechanics, 68(10):1171–1179.spa
dc.relation.referencesGupta, A. K. and Nadarajah, S. (2004). Handbook of beta distribution and its applications. CRC press.spa
dc.relation.referencesKumaraswamy, P. (1980). A generalized probability density function for double-bounded random processes. Journal of hydrology, 46(1-2):79–88spa
dc.relation.referencesLiu, C., Aengenheister, S., Herzog, S., Deng, Y., Kaletsch, A., Schmitz, K., and Broeckmann, C. (2021). Application of weibull theory to laser surface textured al2o3. Journal of the European Ceramic Society, 41(2):1415–1426.spa
dc.relation.referencesMartinez-Florez, G., Bolfarine, H., and Gomez, H. W. (2015). Doubly censored power-normal regression models with inflation. Test, 24(2):265–286.spa
dc.relation.referencesMazucheli, J., Menezes, A., and Dey, S. (2018a). The unit-birnbaum-saunders distribution with applications. Chilean Journal of Statistics, 9(1):47–57.spa
dc.relation.referencesMazucheli, J., Menezes, A., and Ghitany, M. (2018b). The unit-weibull distribution and associated inference. J. Appl. Probab. Stat, 13:1–22.spa
dc.relation.referencesNelsen, R. B. (2007). An introduction to copulas. Springer Science & Business Media.spa
dc.relation.referencesSklar, A. (1973). Random variables, joint distribution functions, and copulas. Kybernetika, 9(6):449–460.spa
dc.relation.referencesXu, M., Herrmann, J. W., and Droguett, E. L. (2021). Modeling dependent series systems with q-weibull distribution and clayton copula. Applied Mathematical Modelling, 94:117–138.spa
dc.relation.referencesYeh, H.-C. (2009). Multivariate semi-weibull distributions. Journal of multivariate analysis, 100(8):1634–1644.spa
dc.relation.referencesZhang, C. W. (2021). Weibull parameter estimation and reliability analysis with zero-failure data from high-quality products. Reliability Engineering & System Safety, 207:107321.spa
dc.relation.referencesAdler, N. & Golany, B. (2002). Including principal component weights to improve discrimination in data envelopment analysis. Journal of the Operational Research Society, 53(9), 985–991.spa
dc.relation.referencesBogetoft, P. & Otto, L. (2020). Benchmarking with DEA and SFA. R package version 0.29spa
dc.relation.referencesCharles, V., Aparicio, J., & Zhu, J. (2019). The curse of dimensionality of decision-making units: A simple approach to increase the discriminatory power of data envelopment analysis. European Journal of Operational Research, 279(3), 929–940.spa
dc.relation.referencesCharnes, A., Cooper, W. W., & Rhodes, E. (1978). Measuring the efficiency of decision making units. European journal of operational research, 2(6), 429–444.spa
dc.relation.referencesCook, W. D., Tone, K., & Zhu, J. (2014). Data envelopment analysis: Prior to choosing a model. Omega, 44, 1–4.spa
dc.relation.referencesCooper, W. W., Seiford, L. M., & Tone, K. (2007). Data envelopment analysis: a comprehensive text with models, applications, references and DEA-solver software, volume 2. Springer.spa
dc.relation.referencesDyson, R. G., Allen, R., Camanho, A. S., Podinovski, V. V., Sarrico, C. S., & Shale, E. A. (2001). Pitfalls and protocols in dea. European Journal of operational research, 132(2), 245–259.spa
dc.relation.referencesFontalvo Herrera, T. J. (2017). Eficiencia de las entidades prestadoras de salud (eps) en colombia por medio de análisis envolvente de datos. Ingeniare. Revista chilena de ingeniería, 25(4), 681–692.spa
dc.relation.referencesJenkins, L. & Anderson, M. (2003). A multivariate statistical approach to reducing the number of variables in data envelopment analysis. European Journal of Operational Research, 147(1), 51–61spa
dc.relation.referencesR Core Team (2021). R: A Language and Environment for Statistical Computing. Vienna, Austria: R Foundation for Statistical Computingspa
dc.relation.referencesARNOLD, B. C., GÓMEZ, H. W. Y SALINAS, H. S. On multiple constraint skewed models, Statistics, 43(3), 279-293. 2009.spa
dc.relation.referencesBOLFARINE, H. MARTÍNEZ-FLÓREZ, G Y SALINAS, H. S. Bimodal symmetricasymmetric power-normal families, Communications in Statistics-Theory and Methods, 47(2), 259-276. 2013.spa
dc.relation.referencesBOX, G. E. Y COX, D. R. An analysis of transformations, Journal of the Royal Statistical Society: Series B (Methodological), 26(2), 211-243. 1964spa
dc.relation.referencesCORONADO RAMÍREZ, S. Y GATICA ARREOLA, L. Problemas de asimetría para el análisis y la predictibilidad del tipo de cambio mexicano, EconoQuantum, 10(1), 77-89. 2013.spa
dc.relation.referencesCORONADO RAMÍREZ, S. Y GATICA ARREOLA, L. Problemas de asimetría para el análisis y la predictibilidad del tipo de cambio mexicano, EconoQuantum, 10(1), 77-89. 2013.spa
dc.relation.referencesELAL-OLIVERO, DAVID. Alpha-skew-normal distribution, Proyecciones (Antofagasta), 29(3), 224–240. 2010spa
dc.relation.referencesELAL-OLIVERO, D. GÓMEZ, H. W Y QUINTANA, F. A. Bayesian modeling using a class of bimodal skew-elliptical distributions, Journal of Statistical Planning and Inference, 139(4), 1484–1492. 2009spa
dc.relation.referencesGÓMEZ, H.W., ELAL-OLIVERO, D.,SALINAS, H.S Y BOLFARINE, H. Bimodal extension based on the skew-normal distribution with application to pollen data, Environmetrics, 22(1), 50–62. 2011.spa
dc.relation.referencesGURKA, M. J., EDWARDS, L. J., MULLER, K. E. Y KUPPER, L. L. Extending the Box– Cox transformation to the linear mixed model,Journal of agricultural, biological, and environmental statistics, 169(2), 273-288. 2006spa
dc.relation.referencesKIM, H. J. On a class of two-piece skew-normal distributions, Statistics, 39(6), 537-553. 2005spa
dc.relation.referencesMARTÍNEZ-FLÓREZ, G., PACHECO-LÓPEZ, M. Y TOVAR-FALÓN, R. Likelihoo-Based Inference for the Asymmetric Bimodal Power-Normal Model, Revista Colombiana de Estadística. (sometido) 2021spa
dc.relation.referencesPIEPHO, H.-P Y MCCULLOCH, C. E. Transformations in mixed models: Application to risk analysis for a multienvironment trial,Journal of agricultural, biological, and environmental statistics, 9(1), 123-137. 2004spa
dc.relation.referencesMosquera, J., Control estadístico de variables cuantitativas mediante inspección por atributos apoyada en el diseño de galgas con dimensiones óptimas., Doctorado, Universidad Politécnica de Valencia, Valencia, España, 2019spa
dc.relation.referencesMosquera, J., F. Aparisi, and E. K. Epprecht, A global scheme for controlling the mean and standard deviation of a process based on the optimal design of gauges, Quality and Reliability Engineering International, 34(5), 718–730, doi:10.1002/qre.2282, 2018a.spa
dc.relation.referencesMosquera, J., F. Aparisi, and E. K. Epprecht, A global scheme for controlling the mean and standard deviation of a process based on the optimal design of gauges, Quality and Reliability Engineering International, 34(5), 718–730, 2018b.spa
dc.relation.referencesSteiner, S. H., P. Lee Geyer, and G. O.Wesolowsky, Shewhart control charts to detect mean and standard deviation shifts based on grouped data, Quality and reliability engineering international, 12(5), 345–353, 1996.spa
dc.relation.referencesStevens, W. L., Control by gauging, Journal of the Royal Statistical Society: Series B (Methodological), 10(1), 54–98, doi:10.1111/j.2517-6161.1948.tb00003.x, 1948.spa
dc.relation.referencesSistema de Informaci´on Geogr´afico para el Mejoramiento de la Gesti´on Ap´ıcola. (2007). Proyecto de Innovaci´on en la Regi´on del Maule. Serie Experiencias de Innovaci´on para el Emprendimiento Agrariospa
dc.relation.referencesFAO. (2019). Producci´on de Cera de abeja en Mundo. Organizaci´on de las Naciones Unidas para la Alimentaci´on y la Africultura. Obtenido de http://www.fao.org/faostat/ es/#data/QL/visualizespa
dc.relation.referencesGarc´ıa, M., R´ıos, L., & ´Alvarez, J. (2016). La polinizaci´on en los sistemas de producci´on agr´ıcola: revisi´on sistem´atica de la literatura. IDESIA. Obtenido de https://scielo. conicyt.cl/pdf/idesia/v34n3/art08.pdfspa
dc.relation.referencesPueyo, A. (1991). El sistema de informaci´on geografica: Un instrumento para la planificaci ´on y gestion urbana. Geographicalia. Obtenido de file:///C:/Users/JENIFER% 20TOVIO/Downloads/Dialnet-ElSistemaDeInformacionGeografica-59785%20(1) .pdfspa
dc.relation.referencesVec´ın, J. R. (2019). Sistema de informaci´on geogr´afica para la gestion de las explotaciones ap´ıcolas en la provincia de Le´on.spa
dc.relation.referencesCabilio, P. & Masaro, J. (1996), ‘A simple test of symmetry about an unknown median’, The Canadian Journal of Statistics 24(3), 349–361.spa
dc.relation.referencesCorzo, J. A., Vergara, M. E. & Babativa, G. (2017), ‘Una prueba de rachas para la alternativa estocásticamente mayor que en muestras de la distribución lognormal’, Comunicaciones en Estadística 10(2), 297–314.spa
dc.relation.referencesCorzo, J. & Babativa, G. (2013), ‘A modified runs test for symmetry’, Journal of Statistical Computation and Simulation 83(5), 984–991.spa
dc.relation.referencesCorzo_Salamanca, J. A., Vergara_Morales, M. E. & Babativa-Márquez, J. G. (2019), ‘A runs test for the hypothesis of symmetry with one sided alternative’, Universitas Scientiarum 24(2), 295–305.spa
dc.relation.referencesMiao, W., Gel, Y. & Gastwirth, J. (2006), ‘A new test of symmetry about an unknown median’, Random Walk, Sequential Analysis and Related Topics - A Festschrift in Honor of Yuan-Shih Chow. Eds.: Agnes Hsiung, Cun-Hui Zhang, and Zhiliang Ying, World Scientific Publishe pp. 1–19.spa
dc.relation.referencesMira, A. (1999), ‘Distribution-free test for symmetry based on Bonferroni’s measure’, Journal of Applied Statistics 26(8), 959–972spa
dc.relation.referencesNativio, R., Lan, Y., Donahue, G., Sidoli, S., Berson, A., Srinivasan, A. R., Shcherbakova, O., Amlie-Wolf, A., Nie, J., Cui, X. et al. (2020), ‘An integrated multi-omics approach identifies epigenetic alterations associated with alzheimer disease’, Nature genetics 52(10), 1024– 1035.spa
dc.relation.referencesNiño, J. (n.d.), Análisis diferencial de genes utilizando el método SAM. Taller Estadística Genómica.spa
dc.relation.referencesBreiman, L., Friedman, J. H., Olshen, R. A., and Stone, C. J. (1984). Classification and Regression Trees. Chapman and Hall/CRC, Boca Raton, first editionspa
dc.relation.referencesDavis, C. S. (2002). Statistical Methods for the Analysis of Repeated Measurements. Springer, New York, first editionspa
dc.relation.referencesDe’ath, G. (2002). Multivariate regression trees: a new technique for modeling speciesenvironment relationships. Ecology, 83:1105–1117.spa
dc.relation.referencesHajjem, A., Bellavance, F., and Larocque, D. (2008). Mixed-effects regression trees for clustered data. Les Cahiers du GERAD, G-2008-57.spa
dc.relation.referencesHajjem, A., Bellavance, F., and Larocque, D. (2011). Mixed effects regression trees for clustered data. Statistics and Probability Letters, 81:451–459spa
dc.relation.referencesHastie, T., Tibshirani, R., and Friedman, J. (2001). The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer, New York, first edition.spa
dc.relation.referencesHsiao, W. C. and Shih, Y. S. (2007). Splitting variable selection for multivariate regression trees. Statistics and Probability Letters, 77:265–271.spa
dc.relation.referencesLaird, N. M. and Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38:963–974.spa
dc.relation.referencesLarsen, D. R. and Speckman, P. L. (2004). Multivariate regression trees for analysis of abundance data. Biometrics, 60:543–549spa
dc.relation.referencesLee, S. K. (2006). On classification and regression trees for multiple responses and its application. Journal of Classification, 23:123–141spa
dc.relation.referencesLee, S. K., Kang, H. C., T., H. S., and Kim, K. H. (2005). Using generalized estimating equations lo learn decision trees with multivariate responses. Data Mining and Knowledge Discovery, 11:273–293spa
dc.relation.referencesLoh, W. Y. (2002). Regression trees with unbiased variable selection and interaction detection. Statistica Sinica, 12:361–386.spa
dc.relation.referencesPande, A., Li, L., Rajeswaran, J., Ehrlinger, J., Kogalur, U. B., Blackstone, E. H., and Ishwaran, H. (2017). Boosted multivariate trees for longitudinal data. Machine Learning, 106:277–305.spa
dc.relation.referencesPinheiro, J., Bates, D., S., D., Sarkar, D., and Team, R. C. (2021). nlme: Linear and Nonlinear Mixed Effects Models. R Package. R Foundation for Statistical Computing, Vienna, Austria.spa
dc.relation.referencesPosada, J. J. (2012). Efecto de la cantidad de carga en el consumo de combustible en camiones. Tesis de doctorado en ingeniería, Facultad de Minas, Universidad Nacional de Colombia, Sede Medellínspa
dc.relation.referencesR, D. C. T. (2021). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria.spa
dc.relation.referencesSegal, M. R. (1992). Tree-structured models for longitudinal data. Journal of the American Statistical Association, 87:407–418spa
dc.relation.referencesSela, R., Simonoff, J., and Jing, W. (2021). REEMtree: Regression Trees with Random Effects for Longitudinal (Panel). R Package. R Foundation for Statistical Computing, Vienna, Austria.spa
dc.relation.referencesSela, R. J. and Simonoff, J. S. (2009). Re-em trees: a new data mining approach for longitudinal data. NYU Stern Working Paper, SOR-2009-03.spa
dc.relation.referencesSela, R. J. and Simonoff, J. S. (2012). Re-em trees: a data mining approach for longitudinal and clustered data. Machine Learning, 86:169–207.spa
dc.relation.referencesTherneau, T. M. and Atkinson, B. (2019). rpart: Recursive Partitioning and Regression Trees. R Package. R Foundation for Statistical Computing, Vienna, Austria.spa
dc.relation.referencesVerbeke, G. and Molenberghs, G. (2000). Linear Mixed Models for Longitudinal Data. Springer, New York, first edition.spa
dc.relation.referencesJohn AD Aston and Claudia Kirch. Estimation of the distribution of change-points with appliction to fmri data. 2011.spa
dc.relation.referencesIstván Berkes, Robertas Gabrys, Lajos Horváth, and Piotr Kokoszka. Detecting changes in the mean of functional observations. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 71(5):927–946, 2009spa
dc.relation.referencesJosé Ramón Berrendero, Ana Justel, and Marcela Svarc. Principal components for multivariate functional data. Computational Statistics & Data Analysis, 55(9):2619–2634, 2011.spa
dc.relation.referencesDheeru Dua and Casey Graff. UCI machine learning repository, 2017.spa
dc.relation.referencesLA Gardner. On detecting changes in the mean of normal variates. The Annals of Mathematical Statistics, 40(1):116–126, 1969spa
dc.relation.referencesDouglas M Hawkins, Peihua Qiu, and Chang Wook Kang. The changepoint model for statistical process control. Journal of quality technology, 35(4):355–366, 2003.spa
dc.relation.referencesNikolai Helwig, Eliseo Pignanelli, and Andreas Schütze. Condition monitoring of a complex hydraulic system using multivariate statistics. In 2015 IEEE International Instrumentation and Measurement Technology Conference (I2MTC) Proceedings, pages 210–215. IEEE, 2015.spa
dc.relation.referencesJ Kiefer. K-sample analogues of the kolmogorov-smirnov and cramér-v. mises tests. The Annals of Mathematical Statistics, pages 420–447, 1959spa
dc.relation.referencesD.A. Latorre. Code change point for mfda thesis. https://github.com/dalatorrem/ code_tesis_PCMFD.git, 2019spa
dc.relation.referencesDarío Latorre and Rubén Guevara. Detección de puntos de cambio para datos funcionales multivariados. 2021.spa
dc.relation.referencesTze-San Lee. Change-point problems: bibliography and review. Journal of Statistical Theory and Practice, 4(4):643–662, 2010spa
dc.relation.referencesES Page. A test for a change in a parameter occurring at an unknown point. Biometrika, 42(3/4):523–527, 1955.spa
dc.relation.referencesEwan S Page. Continuous inspection schemes. Biometrika, 41(1/2):100–115, 1954.spa
dc.relation.referencesPaul J Plummer and Jie Chen. A bayesian approach for locating change points in a compound poisson process with application to detecting dna copy number variations. Journal of Applied Statistics, 41(2):423–438, 2014spa
dc.relation.referencesJames O Ramsay. Functional data analysis. Encyclopedia of Statistical Sciences, 4, 2004spa
dc.relation.referencesAshish K Sen and Muni S Srivastava. On multivariate tests for detecting change in mean. Sankhy¯a: The Indian Journal of Statistics, Series A, pages 173–186, 1973spa
dc.relation.referencesKD Zamba and Douglas M Hawkins. A multivariate change-point model for change in mean vector and/or covariance structure. Journal of Quality Technology, 41(3):285–303, 2009.spa
dc.relation.referencesFransisco Zamora-Martinez, Pablo Romeu, Pablo Botella-Rocamora, and Juan Pardo. Online learning of indoor temperature forecasting models towards energy efficiency. Energy and Buildings, 83:162–172, 2014spa
dc.relation.referencesANSELIN, L., Spatial econometrics. A companion to theoretical econometrics, ed. Baltagi, Oxford: Basil Blackwell; pp. 310-330, 2001spa
dc.relation.referencesCHASCO, C., Modelos de heterogeneidad espacial. Universidad Autónoma de Madrid., 2004spa
dc.relation.referencesDANE, Estadísticas vitales - eevv. Cifras definitivas año 2018. Bogotá, Colombia., 2019spa
dc.relation.referencesESPIN, J. GONZÁLEZ, M., Acerca de la covid-19 como un importante problema para la salud pública y la humanidad. In I Congreso Virtual de Ciencias Básicas Biomédicas de Granma., 2020.spa
dc.relation.referencesFÁTIMA DE PINA, M., FERREIRA, S., CORREIA, A., CASTRO, A., Epidemiología espacial: nuevos enfoques para viejas preguntas., 2010.spa
dc.relation.referencesLAWSON, A., WILLIAMS, F., An Introductory Guide to Disease Mapping., 2001.spa
dc.relation.referencesRUIZ, M., Mapeo de enfermedades con enfoques bayesianos y evaluación del riesgo relativo para la salud pública en Colombia. Universidad Distrital Francisco José de Caldas. Bogotá, Colombia, 2020.spa
dc.relation.referencesTOWNSEND, A., Mapping Disease Transmission Risk. Enriching Models Using Biogeography and Ecology. Johns Hopkins University press Baltimore., 2014spa
dc.relation.references[Ferraty and Vieu, 2006] Ferraty, F. and Vieu, P. (2006). Nonparametric functional data analysis: theory and practice. Springer Science & Business Media.spa
dc.relation.references[Frozza, 2010] Frozza, M. (2010). Introdução à análise descritiva de dados funcionais.spa
dc.relation.references[Horváth and Kokoszka, 2012] Horváth, L. and Kokoszka, P. (2012). Inference for functional data with applications, volume 200. Springer Science & Business Media.spa
dc.relation.references[Ortiz Másmela, 2020] Ortiz Másmela, A. M. (2020). Modelo de datos funcionales para la caracterización de la propagación de una epidemiaspa
dc.relation.referencesBOSQ, D., ILinear Processes in Function Spaces Theory and Applications. Springer, 2020.spa
dc.relation.referencesHORVÁTH, L., KOKOSZKA, P. AND RICE, G. , “TESTING STATIONARITY OF FUNCTIONAL TIME SERIES", Journal of Econometrics, Vol. 179(1), pp. 66-82, 2014.spa
dc.relation.referencesHYNDMAN, R. J. AND SHAHID ULLAH, M., “ROBUST FORECASTING OF MORTALITY AND FERTILITY RATES: A FUNCTIONAL DATA APPROACH", Computational Statistics and Data Analysis, Vol. 51(10), pp. 4942–4956, 2007.spa
dc.relation.referencesKOKOSZKA, P. AND REIMHERR, M., Introduction to functional data analysis. CRC Press, 2017spa
dc.relation.referencesMALEKI, M. R., AMIRI, A. AND CASTAGLIOLA, P., “AN OVERVIEW ON RECENT PROFILE MONITORING PAPERS (2008–2018) BASED ON CONCEPTUAL CLASSIFICATION SCHEME", Computers and Industrial Engineering, Vol. 126, pp. 705–728, 2018.spa
dc.relation.referencesMONTGOMERY, D., Introduction to statistical quality control, Third Edition., Jhon Wiley and Sons, 2013spa
dc.relation.referencesNOOROSSANA, R., AND VAGHEFI, S., “EFFECT OF AUTOCORRELATION ON PERFORMANCE OF THE MCUSUM CONTROL CHART", Statistical Methods for Quality Improvement, Vol. 22, pp. 473-480, 2006.spa
dc.relation.referencesRAMSAY, J. AND SILVERMAN, B. W., Functional Data Analysis, Springer Series in Statistics, 2005spa
dc.relation.referencesRAYAN, T.P., Statistical Methods for Quality Improvement, Third Edition., John Wiley and Sons, 2011spa
dc.relation.referencesSTEINER, S., JENSEN, W. A., GRIMSHAW, S. D. AND ESPEN, B., “PNONLINEAR PROFILE MONITORING FOR OVEN-TEMPERATURE DATA", Journal of Quality Technology, Vol. 48(1), pp. 84-97, 2016spa
dc.relation.referencesSHEU, S. H., OUYOUNG, C. W. AND HSU, T. S., “PHASE II STATISTICAL PROCESS CONTROL FOR FUNCTIONAL DATA", Journal of Statistical Computation and Simulation, Vol. 83(11), pp. 2144–2159, 2013spa
dc.relation.referencesWoodall, W. H., “CURRENT RESEARCH ON PROFILE MONITORING", Producao, Vol. 17(3), pp. 420-425, 2007spa
dc.relation.referencesZHANG, N. , “A STATISTICAL CONTROL CHART FOR STATIONARY PROCESS DATA", Technometrics , Vol. 40(1), pp. 24–39, 1998spa
dc.relation.references“PHASE I ANALYSIS OF MULTIVARIATE PROFILES BASED ON REGRESSION ADJUSTMENT", Computers and Industrial Engineering, Vol. 85, pp. 132– 144, 2015.spa
dc.relation.referencesIsraels, A. Z. (1984). Redundancy analysis for qualitative variables. Psychometrika, 49, 331-346.spa
dc.relation.referencesIsraels, A. Z. (1987). Eigenvalue techniques for qualitative data. DSWO Press, Leiden.spa
dc.relation.referencesLavit, C. (1985). Application de la méthode statis. Statistique et Analyse des Données, Vol 10, n.1.spa
dc.relation.referencesLegendre, P., Legendre, L. (1998). Numerical Ecology. 2nd ed. Elsevierspa
dc.relation.referencesStewart, D., Love,W. (1968). A general canonical correlation index. Psychological Bulletin, 70, 160-163spa
dc.relation.referencesten Berge, J. M. F. (1985). On the relationship between Fortier’s simultaneous linear prediction and Van den Wollenberg’s redundancy analysis. Psychometrika, 50, 121 - 122.spa
dc.relation.referencester Braak, C. (1994). Canonical community ordination. Part I: Basic theory and linear methods. Ecoscience, vol 1, n.2, 127-140spa
dc.relation.referencesWollenberg A. L. (1977). Redundancy analysis. An alternative for canonical correlation analysis. Psychometrika, Vol. 42, no. 2spa
dc.relation.referencesAgostinelli, C., Leung, A., Yohai, V. J., and Zamar, R. H. (2015), “Robust Estimation of Multivariate Location and Scatter in the Presence of Cellwise and Casewise Contamination,” TEST, 24, 441 – 461spa
dc.relation.referencesBoudt, K., Rousseeuw, P. J., Vanduffel, S., and Verdonck, T. (2020), “The Minimum Regularized Covariance Determinant Estimator,” Statistics and Computing, 30, 113 – 128.spa
dc.relation.referencesCabana, E., Lillo, R. E., and Laniado, H. (2019), “Multivariate Outlier Detection Based on a Robust Mahalanobis Distance with Shrinkage Estimators,” Statistical Papers.spa
dc.relation.referencesDavis, C. M. and Adams, B. M. (2005), “Robust Monitoring of Contaminated Data,” Journal of Quality Technology, 37, 163 – 174spa
dc.relation.referencesDonoho, D. (1982), “Breakdown Properties of Multivariate Location Estimators,” Technical report, Harvard University, Bostonspa
dc.relation.referencesFalk, M. (1997), “On Mad and Comedians,” Annals of the Institute of Statistical Mathematics, 49, 615 – 644.spa
dc.relation.referencesFilzmoser, P. (2005), “Identification of Multivariate Outliers: A Performance Study,” Austrian Journal of Statistics, 34, 127 – 138.spa
dc.relation.referencesGaleano, P., Peña, D., and Tsay, R. (2006), “Outlier Detection in Multivariate Time Series by Projection Pursuit,” Journal of the American Statistical Association, 101, 654 – 669spa
dc.relation.referencesHubert, M. and Van der Veeken, S. (2008), “Outlier Detection for Skewed Data,” Journal of Chemometrics, 22, 235 – 246spa
dc.relation.referencesKunjunni, S. O. and Sajesh, T. A. (2020), “Sn Covariance,” Communications in Statistics - Theory and Methods, 49, 6133 – 6138spa
dc.relation.referencesLeung, A., Zhang, H., and Zamar, R. H. (2016), “Robust Regression Estimation and Inference in the Presence of Cellwise and Casewise Contamination,” Computational Statistics & Data Analysis, 99, 1 – 11spa
dc.relation.referencesMaronna, R. A. and Zamar, R. H. (2002), “Robust Estimates of Location and Dispersion for High-Dimensional Datasets,” Technometrics, 44, 307 – 317.spa
dc.relation.referencesNavarro-Esteban, P. and Cuesta-Albertos, J. A. (2021), “High-Dimensional Outlier Detection Using Random Projections,” TEST.spa
dc.relation.referencesOlive, D. J. (2004), “A Resistant Estimator of Multivariate Location and Dispersion,” Computational Statistics & Data Analysis, 46, 93 – 102.spa
dc.relation.referencesPeña, D. and Prieto, F. J. (2001), “Multivariate Outlier Detection and Robust Covariance Matrix Estimation,” Technometrics, 43, 286 – 300.spa
dc.relation.references— (2007), “Combining Random and Specific Directions for Outlier Detection and Robust Estimation in High-Dimensional Multivariate Data,” Journal of Computational & Graphical Statistics, 16, 228 – 254spa
dc.relation.referencesPinzón, M. A., Ortiz, S., Holguín, H., Betancur, J. F., Cardona Arango, D., Laniado, H., Arias Arias, C., Muñoz, B., Quiceno, J., Jaramillo, D., and Ramirez, Z. (2021), “Dexamethasone vs Methylprednisolone High Dose for Covid-19 Pneumonia,” PLOS ONE, 16, 1 – 13spa
dc.relation.referencesRo, K., Zou, C., Wang, Z., and Yin, G. (2015), “Outlier Detection for High-Dimensional Data,” Biometrika, 102, 589 – 599spa
dc.relation.referencesRocke, D. M. (1989), “Robust Control Charts,” Technometrics, 31, 173 – 184.spa
dc.relation.referencesRocke, D. M. and Woodruff, D. L. (1996), “Identification of Outliers in Multivariate Data,” Journal of the American Statistical Association, 91, 1047 – 1061.spa
dc.relation.referencesRousseeuw, P. J. and Croux, C. (1993), “Alternatives to the Median Absolute Deviation,” Journal of the American Statistical Association, 88, 1273 – 1283spa
dc.relation.referencesRousseeuw, P. J. and Van Driessen, K. (1999), “A Fast Algorithm for the Minimum Covariance Determinant Estimator,” Technometrics, 41, 212 – 223.spa
dc.relation.referencesStahel, W. A. (1981), Robuste Schatzungen: Infinitesimale Optimalitat und Schatzungen von Kovarianzmatrizen, Ph.D. thesis, ETH, Zurich, Switzerland.spa
dc.relation.referencesTarr, G., Müller, S., and Weber, N. (2012), “A Robust Scale Estimator Based on Pairwise Means,” Journal of Nonparametric Statistics, 24, 187 – 199.spa
dc.relation.referencesAlma, Ö. G. (2011), “Comparison of robust regression methods in linear regression,” Int. J. Contemp. Math. Sciences, 6, 409–421spa
dc.relation.referencesBoudt, K., Rousseeuw, P. J., Vanduffel, S., and Verdonck, T. (2020), “The Minimum Regularized Covariance Determinant Estimator,” Statistics and Computing, 30, 113 – 128.spa
dc.relation.referencesCabana, E., Lillo, R. E., and Laniado, H. (2019), “Multivariate Outlier Detection Based on a Robust Mahalanobis Distance with Shrinkage Estimators,” Statistical Papers.spa
dc.relation.referencesDonoho, D. (1982), “Breakdown Properties of Multivariate Location Estimators,” Technical report, Harvard University, Bostonspa
dc.relation.referencesFalk, M. (1997), “On Mad and Comedians,” Annals of the Institute of Statistical Mathematics, 49, 615 – 644spa
dc.relation.referencesFilzmoser, P., Maronna, R., and Werner, M. (2008), “Outlier Identification in High Dimensions,” Computational Statistics & Data Analysis, 52, 1694 – 1711.spa
dc.relation.referencesHubert, M. and Van der Veeken, S. (2008), “Outlier Detection for Skewed Data,” Journal of Chemometrics, 22, 235 – 246spa
dc.relation.referencesJobe, J. M. and Pokojovy, M. (2015), “A Cluster-Based Outlier Detection Scheme for Multivariate Data,” Journal of the American Statistical Association, 110, 1543 – 1551spa
dc.relation.referencesKunjunni, S. O. and Sajesh, T. A. (2020), “Sn Covariance,” Communications in Statistics - Theory and Methods, 49, 6133 – 6138.spa
dc.relation.referencesLiu, R. (1990), “On a Notion of Data Depth Based on Random Simplices,” The Annals of Statistics, 18, 405 – 414.spa
dc.relation.referencesLiu, R., Parelius, J., and Singh, K. (1999), “Multivariate Analysis by Data Depth: Descriptive Statistics, Graphics and Inference,” The Annals of Statistics, 27, 783 – 858spa
dc.relation.referencesMaronna, R. A. and Zamar, R. H. (2002), “Robust Estimates of Location and Dispersion for High-Dimensional Datasets,” Technometrics, 44, 307 – 317.spa
dc.relation.referencesNadaraya, E. A. (1964), “On estimating regression,” Theory of Probability & Its Applications, 9, 141–142.spa
dc.relation.referencesNavarro-Esteban, P. and Cuesta-Albertos, J. A. (2021), “High-Dimensional Outlier Detection Using Random Projections,” TEST.spa
dc.relation.referencesOlive, D. J. (2004), “A Resistant Estimator of Multivariate Location and Dispersion,” Computational Statistics and Data Analysis, 46, 93 – 102.spa
dc.relation.referencesPeña, D. and Prieto, F. J. (2001), “Multivariate Outlier Detection and Robust Covariance Matrix Estimation,” Technometrics, 43, 286 – 300spa
dc.relation.references— (2007), “Combining Random and Specific Directions for Outlier Detection and Robust Estimation in High-Dimensional Multivariate Data,” Journal of Computational and Graphical Statistics, 16, 228 – 254.spa
dc.relation.referencesRo, K., Zou, C., Wang, Z., and Yin, G. (2015), “Outlier Detection for High-Dimensional Data,” Biometrika, 102, 589 – 599spa
dc.relation.referencesRousseeuw, P. J. and Van Driessen, K. (1999), “A Fast Algorithm for the Minimum Covariance Determinant Estimator,” Technometrics, 41, 212 – 223spa
dc.relation.referencesStahel, W. A. (1981), Robuste Schatzungen: Infinitesimale Optimalitat und Schatzungen von Kovarianzmatrizen, Ph.D. thesis, ETH, Zurich, Switzerlandspa
dc.relation.referencesWasserman, L. (2006), All of nonparametric statistics, Springer Science & Business Mediaspa
dc.relation.referencesWatson, G. S. (1964), “Smooth Regression Analysis,” Sankhy¯a: The Indian Journal of Statistics, Series A (1961-2002), 26, 359–372spa
dc.relation.referencesYatchew, A. (1998), “Nonparametric regression techniques in economics,” Journal of Economic Literature, 36, 669–721.spa
dc.relation.referencesZuo, Y. and Serfling, R. (2000), “General Notions of Statistical Depth Function,” The Annals of Statistics, 28, 461 – 482spa
dc.relation.referencesC. T. Chen. Signal and Systems. Oxford University Press, 2004.spa
dc.relation.referencesB. V. Gnedenko. Theory of Probability. Chelsea Publising Company, 1989.spa
dc.relation.referencesA. M. Mood, F. A. Graybill, and D. C. Boes. Introduction to Theory of Statistics. McGraw Hill, 3 edition, 1974spa
dc.relation.referencesA. Papoulis. Signal and Systems. McGraw Hill, 1984.spa
dc.relation.referencesA. Papoulis. Probability, Random Variables, and Stochastic Processes. McGraw Hill, 3 edition, 1991spa
dc.relation.referencesAcevedo, K., Quejada, R., Yañez, M. (2011) Estudio transversal de los determinantes del trabajo infantil en Cartagena, año 2007. Revista Latinoamericana de Ciencias Sociales, Niñez y Juventud 2 (9), 589-606spa
dc.relation.referencesAparicio, S. (2013). Análisis intra-grupo sobre el trabajo infantil en Colombia: Un ejercicio cuanti y cualitativo. Instituto Colombiano de Bienestar Familiar, Bogotá, 46.spa
dc.relation.referencesAguirre, E. (2008). La percepción sobre el trabajo infantil de niñas, niños y padres de familia en sectores populares de la ciudad Bogotá, D.C. 6ª Reunión del Grupo de Trabajo Familia e Infancia de CLACSO, Familias latinoamericanas, pasado y presente: Continuidades, transiciones y rupturas.spa
dc.relation.referencesBernal, R., Cárdenas, M. (2007). Child labor in Colombia. NBER working paper, Universidad de Los Andes y Fedesarrollospa
dc.relation.referencesBriceño-Ayala, L., Pinzón, A. (2004). Efectos del trabajo infantil en la salud del menor trabajador. Revista de Salud Pública 6 (3), 270-288spa
dc.relation.referencesChild-Soldiers-International. (2001). Child Soldiers Global Report 2001 - Colombia. Child Soldiers Internationalspa
dc.relation.referencesICBF. (2013). Una doble mirada al trabajo infantil en Colombia. Observatorio del Bienestar de la Niñez, Instituto Colombiano de Bienestar Familiar.spa
dc.relation.referencesManacorda, M. (2006). Child Labor and the Labor Supply of Other Household Members. The American Economic Review 96 (5), 1788-1801.spa
dc.relation.referencesOIT. (2004). Child labour. A textbook for university students. International Programme on the Elimination of Child Labour, International Labour Organization, Geneve, 307.spa
dc.relation.referencesOIT. (2017). Estimaciones mundiales sobre el trabajo infantil. International Labour Organizationspa
dc.relation.referencesPalacio, J., Amar, J., Madariaga, C., Llinás, H., Contreras, K. (2007). La calidad de vida en salud en los menores trabajadores de Toluviejo (Sucre). Investigación y Desarrollo 15 (2), 366-393.spa
dc.relation.referencesPedraza, A., Ribero, R. (2005). Los determinantes del trabajo infanto-juvenil en Colombia. Coyuntura Social 33, 81-101.spa
dc.relation.referencesPinzón, A., Briceño, L., Gómez, A., Latorre, C. (2003). Trabajo infantil en las calles de Bogotá. Rev. Cienc. Salud 1 (2), 151-163spa
dc.relation.referencesSantos, R. (2018). Blessing and curse. The gold boom and local development in Colombia. World Development 106, 337–355.spa
dc.relation.referencesDALENIUS & HODGES, Minimum variance stratification, Journal of the American Statistical Association 54, 88–101. 1959spa
dc.relation.referencesSÄRNDAL, S., BENGT, C. & WRETMAN, J., Model Assisted Survey Sampling, Springer- Verlag GmbH, 2003spa
dc.relation.referencesSCHULZ, M. E., Hábitos de estudio, https://www.redalyc.org/pdf/4981/ 498154006024.pdf, 2008spa
dc.relation.referencesSIEGEL., Nonparametric statistics for the behavioral sciences, https://www.semanticscholar.org/paper/ Nonparametric-statistics-for-the-behavioral-%2F-Siegel/ 943927a8d9e6c732ee3a8df99907244648e121ea, 1956.spa
dc.relation.referencesSOLANO, R. B., Programa educativo de técnicas y hábitos de estudio para lograr aprendizajes sustentables en estudiantes de nuevo ingreso al nivel superior, Iberoamericana de Educación 76(2), 73–94. 2018spa
dc.relation.referencesSISTEMA NACIONAL DE INFORMACIÓN DE LA EDUCACIÓN SUPERIOR-SNIES, Documento Metodológico, 2020spa
dc.relation.referencesPAGÈS, J., & HUSSON, F., Multiple factor analysis: Presentation of the method using sensory data. Mathematical and statistical methods in food science and technology (2014): 87-102spa
dc.relation.referencesHastie, T., Tibshirani, R., Friedman, J. (2008, 30 septiembre). The elements of statistical learning - Data mining, inference, and prediction (Preface to the Second Edition). Springer Series in Statisticsspa
dc.relation.referencesHernández, F., Mazo, M. (2020, 30 octubre). Modelos de regresion. github.https:// fhernanb.github.io/libro_regresion/index.htmlspa
dc.relation.referencesVallalta Rueda, J. F. (2021). CRISP-DM: una metodología para minería de datos en salud. health data miner.https://healthdataminer.com/data-mining/crisp-dm-una-metodologia-para-spa
dc.relation.referencesVallalta Rueda, J. F. (2021). CRISP-DM: una metodología para minería de datos en salud. health data miner.https://healthdataminer.com/data-mining/crisp-dm-una-metodologia-para-Malohlava, M., Candel, A. (2021, septiembre). Gradient Boosting Machine with H2O (A. Bartz, Ed.).https://www.h2o.ai/resources/spa
dc.relation.referencesM. Kuhn y K. Johnson, Feature engineering and selection: A practical approach for predictive models. CRC Press, 2019.spa
dc.relation.referencesA. Hern´andez-Blanco, B. Herrera-Flores, D. Tom´as y B. Navarro-Colorado, “A Systematic Review of Deep Learning Approaches to Educational Data Mining,” Complexity, vol. 2019, p´ag. 22, 2019, ISSN: 10990526. DOI: 10.1155/2019/1306039spa
dc.relation.referencesR. D. Reason, “Student variables that predict retention: Recent research and new developments,” NASPA journal, vol. 46, n.o 3, p´ags. 482-501, 2009spa
dc.relation.referencesJ. P. Bean, “Dropouts and turnover: The synthesis and test of a causal model of student attrition,” Research in Higher Education, vol. 12, n.o 2, p´ags. 155-187, 1980, ISSN: 1573- 188X. DOI: 10.1007/BF00976194.spa
dc.relation.referencesW. G. Spady, “Dropouts from higher education: An interdisciplinary review and synthesis,” Interchange, vol. 1, n.o 1, p´ags. 64-85, 1970, ISSN: 1573-1790. DOI: 10 . 1007 / BF02214313.spa
dc.relation.referencesV. Tinto y J. Cullen, “Dropout in Higher Education: A Review and Theoretical Synthesis of Recent Research.,” 1973spa
dc.relation.referencesJ. Silva, A. Castro Sarmiento, N. Mar´ıa Santodomingo, N. M´arquez Blanco, W. Cadavid Basto, H. Hern´andez P, J. Navarro Beltr´an, J. de la Hoz Hern´andez y L. Romero, “Data mining to identify risk factors associated with university students dropout,” Communications in Computer and Information Science, vol. 1071, p´ags. 44-52, 2019. DOI: 10.1007/978-981-32-9563-6_5.spa
dc.relation.referencesS. A. Ahmed y S. I. Khan, “A machine learning approach to Predict the Engineering Students at risk of dropout and factors behind: Bangladesh Perspective,” en 2019 10th International Conference on Computing, Communication and Networking Technologies, ICCCNT 2019, 2019. DOI: 10.1109/ICCCNT45670.2019.8944511.spa
dc.relation.referencesB. R. Cuji Chacha, W. L. Gavilanes L´opez, V. X. Vicente Guerrero y W. G. Villacis Villacis, “Student Dropout Model Based on Logistic Regression,” Communications in Computer and Information Science, vol. 1194 CCIS, p´ags. 321-333, 2020. DOI: 10 . 1007/978-3-030-42520-3_26.spa
dc.relation.referencesP. Meedech, N. Iam-On y T. Boongoen, “Prediction of Student Dropout Using Personal Profile and Data Mining Approach,” en Intelligent and Evolutionary Systems, K. Lavangnananda, S. Phon-Amnuaisuk,W. Engchuan y J. H. Chan, eds., Cham: Springer International Publishing, 2016, p´ags. 143-155, ISBN: 978-3-319-27000-5. DOI: 10.1007/978- 3-319-27000-5_12.spa
dc.relation.referencesD. Vila, S. Cisneros, P. Granda, C. Ortega, M. Posso-Y´epez e I. Garc´ıa-Santill´an, “Detection of desertion patterns in university students using data mining techniques: A case study,” Communications in Computer and Information Science, vol. 895, p´ags. 420-429, 2019, ISSN: 18650929. DOI: 10.1007/978-3-030-05532-5_31.spa
dc.relation.referencesN. Fenton y J. Bieman, Software metrics: a rigorous and practical approach, 3.a ed. CRC press, 2014, p´ag. 618.spa
dc.relation.referencesB. King y E. Minium, Statistical Reasoning in Psychology and Education. Wiley, 2003, ISBN: 9780471211877spa
dc.relation.referencesM. Tomczak y E. Tomczak, “The need to report effect size estimates revisited. An overview of some recommended measures of effect size,” Trends in sport sciences, vol. 1, n.o 21, p´ags. 19-25, 2014spa
dc.relation.referencesL. M. Rea y R. A. Parker, Designing and conducting survey research: A comprehensive guide. John Wiley & Sons, 2014.spa
dc.relation.referencesMinisterio de Educaci´on Nacional de Colombia MEN, Sistema Nacional de Indicadores Educativos para los Niveles de Preescolar, B´asica y Media en Colombia, 2014.spa
dc.relation.referencesA. Elbir, E. G¨und¨uz y B. Diri, “Estimating the School Dropout Trend by Using Data Mining Methods [Veri Madenciliˇgi Y¨ontemleri Kullanarak Okul Birakma Eˇgiliminin Tahmin Edilmesi],” en Proceedings - 2018 Innovations in Intelligent Systems and Applications Conference, ASYU 2018, 2018. DOI: 10.1109/ASYU.2018.8554022spa
dc.relation.referencesA. Serra, P. Perchinunno y M. Bilancia, “Predicting student dropouts in higher education using supervised classification algorithms,” Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol. 10962 LNCS, p´ags. 18-33, 2018. DOI: 10.1007/978-3-319-95168-3_2.spa
dc.relation.referencesA. Sangodiah, P. Beleya, M. Muniandy, L. E. Heng y C. Ramendran Spr, “Minimizing student attrition in higher learning institutions in Malaysia using support vector machine,” Journal of Theoretical and Applied Information Technology, vol. 71, n.o 3, p´ags. 377-385, 2015.spa
dc.relation.referencesD. Sansone, “Beyond EarlyWarning Indicators: High School Dropout and Machine Learning,” Oxford Bulletin of Economics and Statistics, vol. 81, n.o 2, p´ags. 456-485, 2019. DOI: 10.1111/obes.12277.spa
dc.relation.referencesMA Aliou and T Baldé. Fitting SIR model to COVID-19 pandemic data and comparative forecasting with machine learning. BMJ, 2020spa
dc.relation.referencesSeo Yoon Chae, KyoungEun Lee, Hyun Min Lee, Nam Jung, Quang Anh Le, Biseko Juma Mafwele, Tae Ho Lee, Doo Hwan Kim, and Jae Woo Lee. Estimation of infection rate and predictions of disease spreading based on initial individuals infected with COVID-19. Frontiers in Physics, page 311, 2020.spa
dc.relation.referencesIan Cooper, Argha Mondal, and Chris G Antonopoulos. A SIR model assumption for the spread of COVID-19 in different communities. Chaos, Solitons & Fractals, 139:110057, 2020spa
dc.relation.referencesGiovani L Vasconcelos, Luan P Cordeiro, Gerson C Duarte-Filho, and Arthur A Brum. Modeling the epidemic growth of preprints on COVID-19 and SARS-CoV-2. Frontiers in Physics, 9:125, 2021spa
dc.relation.referencesKe Wu, Didier Darcet, Qian Wang, and Didier Sornette. Generalized logistic growth modeling of the COVID-19 outbreak: comparing the dynamics in the 29 provinces in China and in the rest of the world. Nonlinear dynamics, 101(3):1561–1581, 2020spa
dc.relation.referencesHyun Mo Yang, Luis Pedro Lombardi Junior, and Ariana Campos Yang. Are the SIR and SEIR models suitable to estimate the basic reproduction number for the COVID-19 epidemic? medRxiv, 2020.spa
dc.relation.referencesBENTLEY, J.L., Multidimensional binary search trees used for associative searching. Communications of the ACM, 18(9): 509-517, 1975.spa
dc.relation.referencesBLANCO, L., ARUNACHALAM, V., DHARMARAJA, S., Introduction to probability and sthocastic processes with applications. Wiley Online Library, 2012spa
dc.relation.referencesCHARIKAR, M., SIMINELAKIS, P., Hashing-based-estimators for kernel density in high dimensions. In 2017 IEEE 58th Annual Symposium of Foundations of Commputer Science (FOCS), pages 1032-1043. IEEE, 2017.spa
dc.relation.referencesCHATZIS, S., KORKINOF, D. & DEMIRIS, Y., A quantum-statistical approach toward robot learning by demonstration. IEEE Transactions on Robotics, 28(6): 1371-1381, 2012spa
dc.relation.referencesDAO, T., DE SA, C. & RÉ, C., Gaussian quadrature for kernel features. Advances in neural information processing systems, 30:6109, 2017spa
dc.relation.referencesMUÑOZ, M., BLANCO, L., Introducción a la teoría avanzada de la probabilidad. Vol.2 Universidad Nacional de Colombia, 2002spa
dc.relation.referencesGONZÁLEZ, F., GALLEGO, A., TOLEDO, S. & VARGAS, V., Learning with density matrices and random features, 2021.spa
dc.relation.referencesWORACHARTCHEEWAN, APILAK, SCHADUANGRAT, NALINI, PRACHAYASITTIKUL, VIRAPONG, NANTASENAMAT, C., Data mining for the identification of metabolic syndrome status., 11(3), Excli, 369–373. 2010.spa
dc.relation.referencesGÓMEZ, L. A. , Las enfermedades cardiovasculares: un problema de salud pública y un reto global. Biomédica, 31(4), 2011spa
dc.relation.referencesGIRALDO-GIRALDO, N. A., ZEA-PERDOMO, A. M., TOBÓN-ARISTIZÁBAL, T., ESTRADA-RESTREPO, A., Síndrome metabólico en un grupo de adultos mayores no institucionalizados según criterios de organismos internacionales. Perspectivas en Nutrición Humana, 18(1), 25-35, 2016spa
dc.relation.referencesCHESSEL, D., DUFOUR, A. B. THIOULOUSE, J., The ade4 Package - I: Onetable Methods. R News 4(1), 5–10 2004spa
dc.relation.referencesR DEVELOPMENT CORE TEAM. R: A language and environment for statistical computing. Vienna: Foundation for Statistical Computing. Vienna, Austria, ISBN 3-900051-07-0, 2020.spa
dc.relation.referencesCOLLAZOS, C., OTERO, H., ISAZA, J., MORA, C., Enseñanza de la electrostática por medio de la construcción de prototipos de bajo costo y el aprendizaje basado en proyectos., Formación Universitaria, 115-122, 2016spa
dc.relation.referencesDE VINCEZI, A., TUDESCO, F., La educación como proceso de mejoramiento de la calidad de vida de los individuos y de la comunidad. Rev Iber Educ, 1-12, 2009spa
dc.relation.referencesEDEL, R., El rendimiento académico: concepto, investigación y desarrollo. Rev Iber Calidad, Eficacia y Cambio en Educación, 4-6, 2003.spa
dc.relation.referencesGONZÁLEZ, S. ¿Qué impacto tienen las actividades extraescolares sobre los aprendizajes de los niños y los jóvenes?. Fundació Jaume Bofill, 1-21, 2015spa
dc.relation.referencesRODRÍGUEZ, E., CORTÉS, M. Evaluación de la estrategia pedagógica .Aprendizaje basado en proyectos": Percepción de los estudiantes. Rev de Avaliação da Educação Superior, 143-158, 2010spa
dc.relation.referencesBanco Mundial (2009). La calidad de la educación en Colombia: Un análisis y algunas opciones para un programa de política. Unidad de Gestión del Sector de Desarrollo Humano Oficina Regional de América Latina y el Caribe.spa
dc.relation.referencesChessel, D., & Dufour, A. (2004). ADE4: Analisis of Evironmental Data: Exploratory.spa
dc.relation.referencesFilmus, D. (1994). El papel de la educación frente a los desafíos de las transformaciones científico-tecnológicas. Para qué sirve la escuela.spa
dc.relation.referencesFondo de las Naciones Unidas para la Infancia. (2016). Estado Mundial de la Infancia 2016: Una oportunidad para cada niño. UNICEFspa
dc.relation.referencesHanushek, E. (1986). The economics of schooling: production and efficiency in public schools. Journal de Economic Literature, 24(3), 1141-1177.spa
dc.relation.referencesHeinesen, E. & Graversen, B. (2005). The Effect of School Resources on Educational Attainment: Evidence from Denmark. Bulletin of Economic Research, 57(2), 109-43.spa
dc.relation.referencesJaimes-Amorocho, H., & Lugo, E. (2017). Los Acuerdos de Paz de la Habana: una oportunidad para disminuir la pobreza y la exclusión rural en Sucre, Colombia. Revista Colombiana de Ciencia Animal-RECIA, 207-215.spa
dc.relation.referencesMulford, B. (2006). Liderazgo para mejorar la calidad de la educación secundaria: algunos desarrollos internacionales. Profesorado. Revista de Currículum y Formación de Profesorado, 10(1), 0.spa
dc.relation.referencesPardo, C., & Del Campo, P. (2007). Combinacion de metodos factoriales y de analisis de conglomerados en R: El paquete FactoClass. Revista Colombiana de Estadistica.spa
dc.relation.referencesPérez, F. (2016). El papel de la educación en el posconflicto. Corporación Viva la Ciudadanía. Edición, 496spa
dc.relation.referencesRamírez, J. C., Parra-Peña, R. I., Corredor Fonseca, A., & González Arévalo, L. (2016). Escalón competitividad de los departamentos de Colombiaspa
dc.relation.referencesTedesco, J. C., & López, N. (2002). Desafíos a la educación secundaria en América Latina. Revista de la CEPALspa
dc.relation.referencesTorres Quevedo, G. (2008). La formación de competencias laborales del bachiller técnico en la especialidad agronomía.spa
dc.relation.referencesAgudelo-G´omez, D., Cer´on-Mu˜noz, M. & Restrepo-Betancur, L. (2008). Modelaci´on de funciones de crecimiento aplicadas a la producci´on animal. Rev Colomb Cienc Pecu; 21:39-58.spa
dc.relation.referencesDom´ınguez-Viveros, J., R. N´u˜nez-Dom´ınguez, R. Ram´ırezValverde, y A. Ru´ız-Flores. (2003). Influencias ambientales e ´ındice de constancia para caracter´ısticas de crecimiento en bovinos Tropicarne. T´ec. Pecu. M´ex. 41:1-18.spa
dc.relation.referencesDom´ınguez-Viveros, J, Rodr´ıguez-Almeida, F. A, N´u˜nez-Dom´ınguez, R, Ram´ırez- Valverde, R, Ortega-Guti´errez, J. ´A, & Ruiz-Flores, A. (2013). Ajuste de modelos no lineales y estimaci´on de par´ametros de crecimiento en bovinos tropicarne. Agrociencia, 47(1), 25-34.spa
dc.relation.referencesDurbin, J., and G. S. Watson. (1951). Testing for serial correlation in least – squares regression. Biometrika 38: 159 – 171.spa
dc.relation.referencesFuente, S. d. (2011). Componentes Principales. Madrid: Universidad autonoma de Madridspa
dc.relation.referencesGarcia, J. (2014). Variables involucradas en la pr´actica individual y colectiva de h´abitos saludables. Salud Publica, 719-732spa
dc.relation.referencesGodino, P.-F. (2015). Perspectiva amplicada del conocimiento didactico-matem´atico del profesor. Paradigma, 87-109spa
dc.relation.referencesGonzalez, M. (2005). La alimentaci´on y salud. Las matem´aticas como herramienta para establecer conexiones. Uni´on, 3-14spa
dc.relation.referencesIb´a˜nez, M. A. (2016). Contraloria municipal de Sincelejo. Obtenido de https:// contraloriasincelejo.gov.co/primer-informe-ambiental/spa
dc.relation.referencesRam´ırez, H. (2002). Acondicionamiento f´ısico y estilos de vida saludable. Colombia M´edica, 3-5.spa
dc.relation.referencesBanister,D. The sustainable mobility paradigm Transport Policy, 15(2), 73-80, 2008.spa
dc.relation.referencesOsorio, A. Nuevas fuentes y retos para el estudio de la movilidad urbana. Cuadernos Geográficos, 56(3), 247-267,2017spa
dc.relation.referencesGutierrez, J. Cómo aplicar big data en la planificación del transporte: el uso de datos de GPS en el análisis de la movilidad urbana. BID. Nota técnica nº idb-tn-1944, 2019.spa
dc.relation.referencesChapman, P. CRISP-DM 1.0 Step-by-step data mining guide. Obtenido de https://www.themodeling- agency.com/crisp-dm.pdf, 2019.spa
dc.relation.referencesBos, M. (2016), educaci´on en America Latina y el Caribe: Diagnostico y Perspectiva. BID-OCDE.spa
dc.relation.referencesCosta M. Domingos A.(2019) promover o ensino da matematicanum contexto de formacaoprofissional com STEM. EducacionMatematica, vol31,num 1spa
dc.relation.referencesCampo E,(2007). Combinacion de m´etodos factoriales de an´alisis de conglomerados en R: el paquete factorclass. Revista colombiana de estad´ıstica vol 30, no2 pp231 a245spa
dc.relation.referencesOECD. (2015). The ABC of GenderEquality in Education. Paris: OECD Publishingspa
dc.relation.referencesUNESCO InstituteforStatistics. (2018). Women in Science (FS/2018/SCI/51). Recuperado de http://uis.unesco.org/sites/default/files/documents/ fs51-women-in-science-2018-en.pdfspa
dc.relation.referencesVERTEL-MORINSON, M., MENDEZ-RAMOS, M.C., TOVIO-GUTIERREZ, Y.A. Educación rural en Sucre-Disertación desde el análisis multivariado. Editorial Universidad de Sucre, ISBN 978-958-59926-3-4, 2018spa
dc.relation.referencesAGUIRRE PEÑA, L., & GARCÍA GUERRERO, M (2019)., El imaginario de la comunicación política en el ciberterritorio de Twitter., Revista de la Universidad de La Salle, 82, 59-68.spa
dc.relation.referencesMINISTERIO DE EDUCACIÓN. (2019)., Más de 120.000 usuarios de ICETEX se beneficiarán con el plan de alivios e incentivos anunciado por el Gobierno Nacional. https://www.mineducacion.gov.co/1759/w3-printer-391628.htmlspa
dc.relation.referencesPRESIDENCIA DE LA REPÚBLICA. (28 DE NOVIEMBRE DE 2019)., Ley del Presupuesto General de la Nación. https://id.presidencia.gov.co/Documents/ 191129-Objecion-gubernamental-inconveniencia.pdfspa
dc.relation.referencesPRESIDENCIA DE LA REPÚBLICA. (26 DE DICIEMBRE DE 2019), Plan Nacional de Desarrollo. Ley 1955 de 2019. https://id.presidencia.gov.co/Documents/ 191230-Decreto-2365-del-26-diciembre-del-2019.pdfspa
dc.relation.referencesSAURA, G., MUÑOZ MORENO, J., LUENGO NAVAS, J., & MARTOS ORTEGA, J. (2017)., Protestando en Twitter: ciudadanía y empoderamiento desde la educación pública., Comunicar, 15(53), 39-48. doi: https://dialnet.unirioja.es/servlet/ articulo?codigo=6121753spa
dc.relation.referencesBivand, R., Yu, D., Nakaya, T., Garcia-Lopez, M.-A., Bivand, M. R. (2017). Package "spgwr". R packagespa
dc.relation.referencesFotheringham, A. S., Brunsdon, C., Charlton, M. (2002). GeographicallyWeighted Regression: The Analysis of Spatially Varying Relationships.spa
dc.relation.referencesFotheringham, A. S., Crespo, R., Yao, J. (2015). Geographical and temporal weighted regression (GTWR). Geographical Analysis, 47(4), 431-452spa
dc.relation.referencesHuang, B., Wu, B., Barry, M. (2010). Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices. International Journal of Geographical Information Science, 24(3), 383-401spa
dc.relation.referencesNakaya, T., Charlton, M., Lewis, P. (2014). GWR4 user manual. Windows Application for Geographically Weighted Regression Modellingspa
dc.relation.referencesLI Q, GUAN X, WU P, WANG X, ZHOU L, TONG Y, ET AL. Early Transmission Dynamics inWuhan, China, of Novel Coronavirus–Infected Pneumonia. N Engl J Med. 2020; 382(13): p. 1199-1207spa
dc.relation.referencesORGANIZACIÓN MUNDIAL DE LA SALUD. [Online]. [citado 2021 04 05]. Disponible en: https://www.who.int/emergencies/diseases/novel-coronavirus-2019spa
dc.relation.referencesINSTITUTO NACIONAL DE SALUD. [Online]. [citado 2021 04 05]. Disponible en: https: //www.ins.gov.co/Noticias/Paginas/coronavirus-casos.aspx.spa
dc.relation.referencesWORLD HEALTH ORGANIZATION. Coronavirus (COVID-19) Dashboard. [Online]. [citado 2021 04 05]. Disponible en: https://covid19.who.int/.spa
dc.relation.referencesINSTITUTO NACIONAL DE SALUD. Estudio Nacional de Seroprevalencia. [Online].; 2020 [citado 2021 04 05]. Disponible en: https://www.ins.gov.co/ estudio-nacional-de-seroprevalencia/reporte.html#curso.spa
dc.relation.referencesDEPARTAMENTO ADMINISTRATIVO NACIONAL DE ESTADÍSTICAS. DANE. [Online].; 2020 [citado 2021 02 09]. Disponible en: https://www.dane. gov.co/index.php/estadisticas-por-tema/demografia-y-poblacion/ proyecciones-de-poblacionspa
dc.relation.referencesMAHARAJ EA, D’URSO P, CAIADO J. Time Series Clustering and Classification. 1st ed.: CRC Press Taylor and Francis Group; 2019spa
dc.relation.referencesPEÑA D, TSAY R. Statistical Learning for Big Dependent Data New Jersey: Jhon Wiley and Sons, Inc.; 2021.spa
dc.relation.referencesMINISTERIO DE SALUD. Brasil. [Online].; 2021 [citado 2021 05 18]. Disponible en: https://covid.saude.gov.br/.spa
dc.relation.referencesFARIA N, MELLAN T, WHITTAKER C, CLARO I, DA S. CANDIDO D, MISHRA S, ET AL. Genomics and epidemiology of a novel SARS-CoV-2 lineage in Manaus, Brazil. medRxiv Prepr Serv Heal Sci. 2021.spa
dc.relation.referencesMURRAY, J. D. , Mathematical Biology, Vol. 1 y 2, 2nd ed., Springer, 2002.spa
dc.relation.referencesOKUBO, A. Y LEVIN, S. A., Diffusion and Ecological Problems, Modern Perspectives. Interdisciplinary and Applied Mathematics, Springer, 2001.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.rights.licenseAtribución-CompartirIgual 4.0 Internacionalspa
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/spa
dc.subject.ddc000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresspa
dc.subject.lembRegression analysis - mathematical modelseng
dc.subject.lembANALISIS DE REGRESION-MODELOS MATEMATICOSspa
dc.subject.lembCORRELACION (ESTADISTICA)spa
dc.subject.lembCorrelation (statistics)eng
dc.subject.lembANALISIS MULTIVARIANTEspa
dc.subject.lembMultivariate analysiseng
dc.subject.lembANALISIS DE SERIES DE TIEMPOspa
dc.subject.lembTime-series analysiseng
dc.subject.proposalEstadística y Modelos Matemáticosspa
dc.subject.proposalStatistics and Mathematical Modelseng
dc.subject.proposalCiencia de Datos y Análisis de Informaciónspa
dc.subject.proposalEpidemiología y Salud Públicaspa
dc.subject.proposalEconomía y Finanzasspa
dc.subject.proposalEducación y Sociedadspa
dc.subject.proposalAgricultura y Medio Ambientespa
dc.subject.proposalGeografía y Geoinformaciónspa
dc.subject.proposalData Science and Information Analysiseng
dc.subject.proposalEpidemiology and Public Healtheng
dc.subject.proposalEconomy and Financeeng
dc.subject.proposalEducation and Societyeng
dc.subject.proposalAgriculture and Environmenteng
dc.subject.proposalGeography and Geoinformationeng
dc.subject.wikidataBayesian statisticseng
dc.subject.wikidataestadística bayesianaspa
dc.subject.wikidatadata analysiseng
dc.subject.wikidataanálisis de datosspa
dc.subject.wikidatadata miningeng
dc.subject.wikidataminería de datosspa
dc.subject.wikidataSTEM educationeng
dc.subject.wikidataprecision agricultureeng
dc.subject.wikidataagricultura de precisiónspa
dc.subject.wikidatageographic information systemeng
dc.subject.wikidatasistema de información geográficaspa
dc.subject.wikidatatime series analysiseng
dc.subject.wikidataanálisis de series temporalesspa
dc.subject.wikidataquality controleng
dc.subject.wikidatacontrol de calidadspa
dc.subject.wikidataMultiple correspondence analysisspa
dc.subject.wikidataAnálisis de correspondencias múltiplesspa
dc.title30° Simposio Internacional de estadística 2021 : big data y analítica de datosspa
dc.typeLibrospa
dc.type.coarhttp://purl.org/coar/resource_type/c_2f33spa
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.type.driverinfo:eu-repo/semantics/bookspa
dc.type.redcolhttp://purl.org/redcol/resource_type/LIBspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dcterms.audience.professionaldevelopmentEstudiantesspa
dcterms.audience.professionaldevelopmentMaestrosspa
dcterms.audience.professionaldevelopmentPúblico generalspa
oaire.accessrightshttp://purl.org/coar/access_right/c_abf2spa

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
Memorias XXX SIE 2021 Evento Virtual.pdf
Tamaño:
56.37 MB
Formato:
Adobe Portable Document Format
Descripción:
Memorias Simposio Internacional de Estadística
Descargar

Bloque de licencias

Mostrando 1 - 2 de 2
Miniatura
Nombre:
license.txt
Tamaño:
5.74 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Miniatura
Nombre:
Licencia para publicación de obras en el Repositorio Institucional UNAL_SIE 2021.pdf
Tamaño:
701.56 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar

Colecciones

Memorias del Simposio Internacional de Estadística