Abstract: Changes in respiratory rate have been found to be one of the early signs of health deterioration in patients. In environments where diagnostic tools and medical attention are scarce, the monitoring of the respiratory signal becomes crucial to timely detect life-threatening conditions. This signal can be measured using wearable technology; however, the use of such technology is often hampered by the low quality of the recordings. Therefore, to apply these data in diagnosis, it is important to determine which parts of the signal are of sufficient quality. This study aims to evaluate the performance of a signal quality assessment framework, where two machine learning algorithms (support vector machine-SVM, and convolutional neural network-CNN) were used. The models were pretrained using data of patients suffering from chronic obstructive pulmonary disease. The generalization capability of the models was evaluated by testing them on data from a different patient population, presenting normal and pathological breathing. The new patients underwent bariatric surgery and performed a controlled breathing protocol, displaying six different breathing patterns. Data augmentation (DA) and transfer learning (TL) were used to increase the size of the training set and to optimize the models for the new dataset. The effect of the different breathing patterns on the performance of the classifiers was also studied. The SVM did not improve when using DA, however, when using TL, the performance improved significantly (p<0.05) compared to DA. The opposite effect was observed for CNN, where the biggest improvement was obtained using DA. The models presented a low performance for shallow, slow and fast breathing patterns. These results suggest that it is possible to classify respiratory signals obtained with wearable technologies using pretrained machine learning models. Resumen: Se ha encontrado que cambios en la frecuencia respiratoria son uno de los primeros signos de deterioro de la salud en pacientes. En entornos donde las herramientas de diagnóstico y la atención médica son escasas, el monitoreo de la señal respiratoria se vuelve crucial para detectar de manera oportuna condiciones que amenazan la vida. Esta señal se puede medir mediante tecnología portátil; sin embargo, el uso de dicha tecnología a menudo se ve obstaculizado por la baja calidad de las señales. Por lo tanto, para aplicar estos datos para diagnóstico, es importante determinar qué partes de la señal tienen una calidad suficientemente buena. Este estudio tiene como objetivo evaluar el rendimiento de un marco de evaluación de calidad de señal, donde se utilizaron dos algoritmos de aprendizaje automático (máquina de soporte vectorial-SVM y red neuronal convolucional-CNN). Los modelos fueron preentrenados utilizando datos de pacientes que padecen enfermedad pulmonar obstructiva crónica. La capacidad de generalización de los modelos se evaluó probándolos en datos de una población de pacientes diferente, que presentaban respiración normal y patológica. Los nuevos pacientes se sometieron a cirugía bariátrica y realizaron un protocolo de respiración controlada, mostrando seis patrones de respiración diferentes. Se utilizó aumento de datos (AD) y transferencia de aprendizaje (TL) para aumentar el tamaño del conjunto de entrenamiento y optimizar los modelos para el nuevo conjunto de datos. Se estudió también el efecto de los diferentes patrones de respiración en el rendimiento de los clasificadores. La SVM no mejoró al usar AD, sin embargo, al usar TL, el rendimiento mejoró significativamente (p<0.05) en comparación con AD. Se observó el efecto contrario en CNN, donde la mayor mejora se obtuvo con AD. Los modelos presentaron un bajo rendimiento para patrones de respiración superficiales, lentos y rápidos. Estos resultados sugieren que es posible clasificar las señales respiratorias obtenidas con tecnologías portátiles mediante modelos preentrenados de aprendizaje automático.

Luego de albergar una de las sociedades prehispánicas más prósperas de lo que actualmente es Colombia, el bajo San Jorge se convirtió en una de las subregiones colombianas con mayor incidencia de la pobreza. Como factor explicativo de este hecho se propone la alta concentración de la propiedad sobre la tierra. Esto ha llevado a un uso inadecuado del suelo, caracterizado por el predominio de actividades ganaderas a pesar de que la zona tiene un alto potencial agrícola. De esta manera, se configuró una sociedad que abandonó el legado Zenú, basado en un modelo de producción agrícola y el control hidráulico.

La presente investigación se planteó como una forma de entender la microeconomía de la ganadería costeña. En el documento se trata de responder las siguientes preguntas: cuál es la incidencia de la actividad ganadera sobre la economía de la Región Caribe?, qué alternativas tiene el uso del suelo en las Llanuras del Caribe? Durante el 2002, el hato de ganado bovino de Colombia fue de 25.000.000 cabezas, 32% de las cuales se concentraban en los departamentos del Caribe colombiano. Por su parte, la participación de la Región en la producción de leche es del 38% dentro del total nacional. En cuanto al comercio del ganado en pié, la Feria de Medellín ha venido perdiendo representatividad dentro del mercado ganadero nacional. La situación de inseguridad ha llevado a que los ganaderos impulsen esquemas de negociación que les permitan mantenerse de incógnitos, como es el caso de las subastas, convertidas en un dinámico mercado regional.

En el presente documento se analiza el impacto que las reformas introducidas por la Ley 142 de 1994 para modificar el sistema de provisión de acueducto y alcantarillado tuvieron sobre la mortalidad de menores de 5 años. Dichas reformas permitieron, por un lado, la entrada de firmas privadas al mercado de provisión de servicios públicos y, por otra parte, cambiar la persona jurídica de las empresas públicas ya establecidas para poder regirse bajo el derecho comercial privado. La estimación del impacto de la Ley 142 se realizó mediante un modelo de regresión por cuantiles con variables de tratamiento llamado Quantile Treatment Effects. El modelo se estimó en versión paramétrica y también en versión no paramétrica para una muestra de 492 municipios. De acuerdo con los resultados obtenidos en las dos versiones estimadas, en términos generales, las reformas no tuvieron impacto positivo sobre la mortalidad de menores de 5 años. En efecto, para los cuantiles más altos de la distribución de mortalidad, se observa que los municipios que no reformaron la provisión de los servicios de acueducto y alcantarillado, experimentaron un mayor descenso en la tasa de mortalidad que aquellos que sí reformaron.

No existen estudios previos orientados al análisis de las interacciones entre las economías regionales en Colombia. Una exploración inicial de la interacción entre regiones sugiere un país con una interdependencia espacial limitada. Estos hallazgos fueron evaluados a través del desarrollo de un modelo de insumo-producto multiregional. Los efectos directos e indirectos de los eslabonamientos de producción son capturados a través de la evaluación de las matrices inversas de Leontief. Los resultados sugieren que los sectores claves se han trasladado de los primarios y secundarios a los terciarios, un movimiento frecuentemente observado en el proceso de desarrollo económico. Sin embargo, se puede argumentar que las economías regionales no tienen las mismas estructuras de eslabonamientos. Las diferencias son el resultado de las discrepancias en los sectores dominantes en cada economía. Las integraciones entre regiones revelan un país con sectores auto-suficientes en la mayoría de las regiones, lo que apoya los resultados encontrados en los estudios previos en el sentido de una baja dependencia inter-regional. Debido a que los sectores con los más fuertes eslabonamientos se encuentran concentrados en las regiones prósperas, existe una alta probabilidad que las desigualdades regionales existentes permanezcan en el mediano plazo.

Abstract: Changes in respiratory rate have been found to be one of the early signs of health deterioration in patients. In environments where diagnostic tools and medical attention are scarce, the monitoring of the respiratory signal becomes crucial to timely detect life-threatening conditions. This signal can be measured using wearable technology; however, the use of such technology is often hampered by the low quality of the recordings. Therefore, to apply these data in diagnosis, it is important to determine which parts of the signal are of sufficient quality. This study aims to evaluate the performance of a signal quality assessment framework, where two machine learning algorithms (support vector machine-SVM, and convolutional neural network-CNN) were used. The models were pretrained using data of patients suffering from chronic obstructive pulmonary disease. The generalization capability of the models was evaluated by testing them on data from a different patient population, presenting normal and pathological breathing. The new patients underwent bariatric surgery and performed a controlled breathing protocol, displaying six different breathing patterns. Data augmentation (DA) and transfer learning (TL) were used to increase the size of the training set and to optimize the models for the new dataset. The effect of the different breathing patterns on the performance of the classifiers was also studied. The SVM did not improve when using DA, however, when using TL, the performance improved significantly (p<0.05) compared to DA. The opposite effect was observed for CNN, where the biggest improvement was obtained using DA. The models presented a low performance for shallow, slow and fast breathing patterns. These results suggest that it is possible to classify respiratory signals obtained with wearable technologies using pretrained machine learning models. Resumen: Se ha encontrado que cambios en la frecuencia respiratoria son uno de los primeros signos de deterioro de la salud en pacientes. En entornos donde las herramientas de diagnóstico y la atención médica son escasas, el monitoreo de la señal respiratoria se vuelve crucial para detectar de manera oportuna condiciones que amenazan la vida. Esta señal se puede medir mediante tecnología portátil; sin embargo, el uso de dicha tecnología a menudo se ve obstaculizado por la baja calidad de las señales. Por lo tanto, para aplicar estos datos para diagnóstico, es importante determinar qué partes de la señal tienen una calidad suficientemente buena. Este estudio tiene como objetivo evaluar el rendimiento de un marco de evaluación de calidad de señal, donde se utilizaron dos algoritmos de aprendizaje automático (máquina de soporte vectorial-SVM y red neuronal convolucional-CNN). Los modelos fueron preentrenados utilizando datos de pacientes que padecen enfermedad pulmonar obstructiva crónica. La capacidad de generalización de los modelos se evaluó probándolos en datos de una población de pacientes diferente, que presentaban respiración normal y patológica. Los nuevos pacientes se sometieron a cirugía bariátrica y realizaron un protocolo de respiración controlada, mostrando seis patrones de respiración diferentes. Se utilizó aumento de datos (AD) y transferencia de aprendizaje (TL) para aumentar el tamaño del conjunto de entrenamiento y optimizar los modelos para el nuevo conjunto de datos. Se estudió también el efecto de los diferentes patrones de respiración en el rendimiento de los clasificadores. La SVM no mejoró al usar AD, sin embargo, al usar TL, el rendimiento mejoró significativamente (p<0.05) en comparación con AD. Se observó el efecto contrario en CNN, donde la mayor mejora se obtuvo con AD. Los modelos presentaron un bajo rendimiento para patrones de respiración superficiales, lentos y rápidos. Estos resultados sugieren que es posible clasificar las señales respiratorias obtenidas con tecnologías portátiles mediante modelos preentrenados de aprendizaje automático.

Actualmente no se cuenta con una medición de las disparidades regionales en el costo de vida para Colombia. En este trabajo se calcula un índice de costo de vida comparativo. Se trata de un deflactor regional que puede ser utilizado para comparar otras variables asociadas a la demanda, tales como el ingreso laboral. Para expresar las diferencias regionales en el costo de vida se propone la construcción de un indicador que compara el gasto mínimo de cada ciudad con el escenario alternativo, es decir, que este mismo plan sea evaluado en la situación de precios de las demás ciudades. Como resultado de este trabajo se evidencia la existencia de importantes diferencias regionales en el costo de vida de los hogares colombianos; estas son, en promedio, del 26% entre la ciudad de mayor y menor costo de vida comparativo.

Abstract: Changes in respiratory rate have been found to be one of the early signs of health deterioration in patients. In environments where diagnostic tools and medical attention are scarce, the monitoring of the respiratory signal becomes crucial to timely detect life-threatening conditions. This signal can be measured using wearable technology; however, the use of such technology is often hampered by the low quality of the recordings. Therefore, to apply these data in diagnosis, it is important to determine which parts of the signal are of sufficient quality. This study aims to evaluate the performance of a signal quality assessment framework, where two machine learning algorithms (support vector machine-SVM, and convolutional neural network-CNN) were used. The models were pretrained using data of patients suffering from chronic obstructive pulmonary disease. The generalization capability of the models was evaluated by testing them on data from a different patient population, presenting normal and pathological breathing. The new patients underwent bariatric surgery and performed a controlled breathing protocol, displaying six different breathing patterns. Data augmentation (DA) and transfer learning (TL) were used to increase the size of the training set and to optimize the models for the new dataset. The effect of the different breathing patterns on the performance of the classifiers was also studied. The SVM did not improve when using DA, however, when using TL, the performance improved significantly (p<0.05) compared to DA. The opposite effect was observed for CNN, where the biggest improvement was obtained using DA. The models presented a low performance for shallow, slow and fast breathing patterns. These results suggest that it is possible to classify respiratory signals obtained with wearable technologies using pretrained machine learning models. Resumen: Se ha encontrado que cambios en la frecuencia respiratoria son uno de los primeros signos de deterioro de la salud en pacientes. En entornos donde las herramientas de diagnóstico y la atención médica son escasas, el monitoreo de la señal respiratoria se vuelve crucial para detectar de manera oportuna condiciones que amenazan la vida. Esta señal se puede medir mediante tecnología portátil; sin embargo, el uso de dicha tecnología a menudo se ve obstaculizado por la baja calidad de las señales. Por lo tanto, para aplicar estos datos para diagnóstico, es importante determinar qué partes de la señal tienen una calidad suficientemente buena. Este estudio tiene como objetivo evaluar el rendimiento de un marco de evaluación de calidad de señal, donde se utilizaron dos algoritmos de aprendizaje automático (máquina de soporte vectorial-SVM y red neuronal convolucional-CNN). Los modelos fueron preentrenados utilizando datos de pacientes que padecen enfermedad pulmonar obstructiva crónica. La capacidad de generalización de los modelos se evaluó probándolos en datos de una población de pacientes diferente, que presentaban respiración normal y patológica. Los nuevos pacientes se sometieron a cirugía bariátrica y realizaron un protocolo de respiración controlada, mostrando seis patrones de respiración diferentes. Se utilizó aumento de datos (AD) y transferencia de aprendizaje (TL) para aumentar el tamaño del conjunto de entrenamiento y optimizar los modelos para el nuevo conjunto de datos. Se estudió también el efecto de los diferentes patrones de respiración en el rendimiento de los clasificadores. La SVM no mejoró al usar AD, sin embargo, al usar TL, el rendimiento mejoró significativamente (p<0.05) en comparación con AD. Se observó el efecto contrario en CNN, donde la mayor mejora se obtuvo con AD. Los modelos presentaron un bajo rendimiento para patrones de respiración superficiales, lentos y rápidos. Estos resultados sugieren que es posible clasificar las señales respiratorias obtenidas con tecnologías portátiles mediante modelos preentrenados de aprendizaje automático.

Colombia se ha caracterizado por tener un desarrollo económico regional equilibrado y por la existencia de varias ciudades importantes, en contraposición al patrón latinoamericano de la dominación de la red urbana por parte de una sola ciudad. Sin embargo, a partir de las últimas tres décadas, esta situación ha cambiado, y se ha incrementado la importancia de Bogotá en la economía nacional. En este trabajo se estudia la evolución de las disparidades económicas entre las principales ciudades colombianas y los determinantes de su crecimiento. Puesto que para Colombia no hay cálculos disponibles del PIB urbano, utilizamos como proxy de esta variable los depósitos bancarios per cápita reales. La muestra seleccionada para el análisis incluye 20 de las principales ciudades de Colombia, las cuales representan el 42% de la población nacional y contribuyen con más del 50% del PIB total. Los resultados muestran que durante el período 1973-1998 no hubo convergencia beta (ß) ni convergencia sigma (d). Las estimaciones econométricas señalan que los principales determinantes del crecimiento en el PIB per cápita de las ciudades colombianas son: el nivel de capital humano, la infraestructura urbana y de telecomunicaciones, las variables institucionales, el PIB per cápita inicial, y el tamaño del mercado local. Las variables geográficas no son significativas en nuestro análisis. Estos resultados coinciden con los trabajos recientes de Edward L. Glaeser sobre el crecimiento urbano, en los cuales se resalta la importancia de las externalidades del conocimiento, y también con los de Paul Krugman, que enfatizan el rol de las economías de escala.

El presente documento tiene por objetivo estudiar las desigualdades en la distribución de la formación académica de los docentes en Colombia. Para esto, se descomponen las desigualdades en la dotación de profesores según el grado de profesionalización de éstos a través de los índices de Theil. Además, se llevan a cabo estimaciones de los determinantes de esa profesionalización teniendo en cuenta características del colegio y de los municipios donde funcionan las instituciones. Se evalúan dos hipótesis: por un lado, si un mayor gasto público en personal educativo por parte de los entes territoriales ha contribuido a mejorar el nivel de formación de los docentes de las instituciones oficiales. Por otro lado, se evalúan los efectos del Nuevo Estatuto de Profesionalización Docente de 2002 sobre el nivel educativo promedio de los profesores.