Este trabajo evidencia la relación entre las actuaciones hipócritas o irresponsables en que incurren las empresas y la sanción de los consumidores en el momento de evidenciar dichas actuaciones, desde la perspectiva de madres, padres y jóvenes entrevistados en Medellín. Para ello se desarrolló una investigación complementaria, con métodos cualitativos y cuantitativos, los cuales permitieron la construcción de un formulario guía con dos dimensiones (intención y acción) de cinco variables (apoyo, recomendación, renuncia, confianza y retribución), que fue validado por expertos y aplicado a 622 sujetos informantes. Entre los resultados se destaca que las personas tienen la intención de sancionar a las empresas que actúan de manera irresponsable; sin embargo, en el momento de sancionar generalmente no lo hacen. Se concluye que existe relación directa entre la actuación hipócrita de las empresas y la sanción de los consumidores.
Multi-state are useful tools to model the dynamics of recurring processes over time or some changing phenomenon over time. This paper presents a methodology to estimate time-dependent intensity functions in the presence of interval censoring and right-hand censoring when considering a three-state model like the disease-death one. The likelihood function is deduced mathematically, which incorporates information that has been collected longitudinally, as well as the different modes of censoring. This likelihood should be optimized numerically with the help of a Gauss quadrature since in that expression there is an integral which is related to censored units. A piecewise function-based method is explored through a simulation study to obtain an estimate of the intensities.
ResumenEl origen de este trabajo se fundamenta en la necesidad de modelar estadísticamente datos de conteo georeferenciados en polígonos irregulares tales como: número de homicidios por barrio, número de habitantes por localidad, enfermos por municipio, entre otros; con el objetivo de encontrar algún tipo de dependencia espacial a partir de la localización geográfica.El estudio pretendió comparar dos tipos de modelos lineales generalizados mixtos (MLGM), uno cuya estimación de los parámetros del modelo parte de la aplicación de Cadenas de Markov de Monte Carlo (MCMC) y el otro por medio de máxima verosimilitud penalizada; además, se hicieron otras comparaciones con el modelo tradicional auto regresivo simultáneo (SAR) y el modelo auto regresivo condicional (CAR); modelos que parten del supuesto de normalidad, invertibilidad de la matriz de varianzas y covarianzas, y construcción de una matriz de vecindad, supuestos que no necesariamente deben cumplirse con MLGM.Se encontró, que los MLGM dan indicio de ser una alternativa en el modelamiento de datos de conteo y se comprobó con una aplicación a partir de la georeferenciación por municipio y modelación de los 200 apellidos más frecuentes de Antioquia, en donde igualmente se concluyó que los MLGM muestran el menor error cuadrático medio (ECM).Palabras clave: apellidos, datos georeferenciados, error cuadrático medio, familia exponencial, modelos lineales generalizados mixtos, normalidad. AbstractThe origin of this work is based on the need to model statistically georeferenced count data in irregular polygons such as: homicides by area, population density per city, municipality sick people, amongst others, with the aim of finding some kind of spatial dependence from geographical location.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2025 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.