Este trabalho apresenta um modelo com firmas heterogêneas e aprendizagem. As predições desse modelo mostram que, sob certas condições, as políticas de desenvolvimento podem gerar aumento de produtividade no curto prazo, masmisallocation e perda de produtividade agregada no longo prazo. Isso ocorre caso um componente de produtividade de longo prazo seja imperfeitamente observável no curto prazo devido a choques temporários, e o capital seja especifico e irreversível em alguns setores. Os resultados mostram que o ideal seria aprender sobre componentes de longo prazo da produtividade antes de investir. No entanto, acelerar investimentos nos setores de maior produtividade gera ganhos de produtividade no curto prazo, uma vez que maior produtividade no curto prazo está correlacionada com maior produtividade no longo prazo. Como será discutido, este fato poderia motivar governos à incentivar setores de alta produtividade observada, ainda que estes incentivos fossem socialmente subótimos. / This project aims to present a model that shows that, in a single economic environment, government stimulus to sectors, which features high productivity, can generate short-term productivity gains aggregates, but misallocation and long-term aggregate productivity loss. This may occur if a long-term productivity component is imperfectly observable in the short term due to temporary shocks, and capital is specific and irreversible in some sectors. The ideal be learn about long-term components of the productivity before investing. However accelerate investments in the sectors of higher productivity generates productivity gains in the short term, since higher productivity in the short term this correlated with higher productivity in the long run. As discussed, this fact would motivate governments to encourage high productivity observed sectors, although these incentives were socially suboptimal.

Este trabalho apresenta um modelo com firmas heterogêneas e aprendizagem. As predições desse modelo mostram que, sob certas condições, as políticas de desenvolvimento podem gerar aumento de produtividade no curto prazo, masmisallocation e perda de produtividade agregada no longo prazo. Isso ocorre caso um componente de produtividade de longo prazo seja imperfeitamente observável no curto prazo devido a choques temporários, e o capital seja especifico e irreversível em alguns setores. Os resultados mostram que o ideal seria aprender sobre componentes de longo prazo da produtividade antes de investir. No entanto, acelerar investimentos nos setores de maior produtividade gera ganhos de produtividade no curto prazo, uma vez que maior produtividade no curto prazo está correlacionada com maior produtividade no longo prazo. Como será discutido, este fato poderia motivar governos à incentivar setores de alta produtividade observada, ainda que estes incentivos fossem socialmente subótimos. / This project aims to present a model that shows that, in a single economic environment, government stimulus to sectors, which features high productivity, can generate short-term productivity gains aggregates, but misallocation and long-term aggregate productivity loss. This may occur if a long-term productivity component is imperfectly observable in the short term due to temporary shocks, and capital is specific and irreversible in some sectors. The ideal be learn about long-term components of the productivity before investing. However accelerate investments in the sectors of higher productivity generates productivity gains in the short term, since higher productivity in the short term this correlated with higher productivity in the long run. As discussed, this fact would motivate governments to encourage high productivity observed sectors, although these incentives were socially suboptimal.

Memoria para optar al título de Ingeniero Civil Eléctrico / La enfermedad de Parkinson es un trastorno neurodegenerativo y objeto de interés en la comunidad científica, dado que existe una mayor incidencia luego de los 60 años en promedio y además la población mundial posee una alta esperanza de vida, implicando que existirá una mayor cantidad de casos en el futuro. Los tratamientos actuales para este trastorno se componen de un generador de pulsos yelectrodos, en donde se estimula de manera constante una zona del cuerpo (puede ser un área cerebral o parte de la médula) independiente del estado actual del paciente, lo cual conlleva en algunos efectos secundarios no deseados. El presente trabajo de memoria se enfoca en esta problemática, ya que busca un lazode control para estos tratamientos y corresponde a una de las primeras aproximaciones con aprendizaje de máquinas. En particular, se estudia un clasificador de movimiento con incertidumbre a partir de la actividad neural de un modelo animal de rata de 6-OHDA. De esta manera, se realiza la extracción de movimiento a partir de un video y de señales cerebrales de un modelo animal de Parkinson a través de algoritmos de ventanas deslizantes, generando imágenes de potencia en ciertas bandas de frecuencia con una etiqueta respectiva de movimiento a partir del video. Estas imágenes sirven para entrenar a un clasificador de Deep Learning Bayesiano, el cual puede extraer incertidumbre en la clasificación. Así, al utilizar Deep Learning Bayesiano con la forma de evaluación de MC Dropout se llega a obtener un recall de 80 % para la etiqueta de movimiento y la base de datos consistente en una ventana deslizante de medio segundo. Además, esta arquitectura es superior (para esta base de datos) en comparación a la de Deep Learning y evaluación estándar de dropout. Por otro lado, para estos resultados se tiene que con una mejor clasificación se obtiene una menor incertidumbre, lo cual es una de las ventajas al usar Deep Learning Bayesiano pues permite obtener una medida de confianza en la clasificación al realizar evaluaciones estocásticas. Finalmente, cabe destacar que este trabajo puede usarse como base para obtener una estrategia de control para un circuito cerrado específico para cada paciente, el cual posee incertidumbre en predicciones implicando en la confianza que posee el sistema para cambiar un estado específico. Para generar una nueva estrategia más robusta con incertidumbre, se debería repetir este experimento agregando nuevos biomarcadores o indicadores fisiológicos, además de explorar otros algoritmos para extracción de movimiento para el etiquetado de la base de datos. / FONDECYT