03013nam 2200481 450 99641826300331620220701182153.03-030-51434-X10.1007/978-3-030-51434-1(CKB)4100000011476538(MiAaPQ)EBC6357820(DE-He213)978-3-030-51434-1(PPN)25022125X(EXLCZ)99410000001147653820210225d2020 uy 0engurnn#008mamaatxtrdacontentcrdamediacrrdacarrierRetirement income recipes in R from ruin probabilities to intelligent drawdowns /Moshe Arye Milevsky1st ed. 2020.Cham, Switzerland :Springer,[2020]©20201 online resource (XXIX, 302 p. 16 illus., 5 illus. in color.)Use R3-030-51433-1 1 Setting Expectations and Deviations -- 2 Loading and Getting to Know R -- 3 Coding the (Simple) Financial Life-cycle Model -- 4 Data in R: The Family Balance Sheet -- 5 Portfolio Longevity: Deterministic & Stochastic -- 6 Modeling the Risk of Sequence-of-Returns -- 7 Modeling Human Longevity and Life Tables -- 8 Life & Death in Continuous Time: Gompertz 101 -- 9 The Lifetime Ruin Probability (LRP) -- 10 Life Annuities: From Immediate to Deferred -- 11 Intelligent Drawdown Rates -- 12 Pensionization: From Benefits to Utility -- 13 Biological (and other) Ages -- 14 Exotic Annuities for Longevity Risk -- 15 Very Last Thoughts -- Glossary of User Defined R-Functions. .This book provides computational tools that readers can use to flourish in the retirement income industry. Each chapter describes recipe-like algorithms and explains how to implement them via simple scripts in the freely available R coding language. Students can use those skills to generate quantitative answers to the most common questions in retirement income planning, as well as to develop a deeper understanding of the finance and economics underlying the field itself. The book will be an excellent asset for experienced students who are interested in advanced wealth management, and specifically within courses that focus on holistic modeling of the retirement income process. The material will also be useful to current and future wealth management professionals within the financial services industry. Readers should have a solid understanding of financial principles, as well as a rudimentary background in economics and accounting.Use R!Finance, PersonalR (Computer program language)Finance, Personal.R (Computer program language).332.024Milevsky Moshe Arye1967-875495MiAaPQMiAaPQMiAaPQBOOK996418263003316Retirement income recipes in R2233481UNISA05253nam 2200373 450 991064724580332120230418161751.0(CKB)5680000000299969(NjHacI)995680000000299969(EXLCZ)99568000000029996920230418d2022 uy 0spaur|||||||||||txtrdacontentcrdamediacrrdacarrierCompetencias digitales y autorregulación para el aprendizaje en estudiantes universitarios /Celso Muñoz [and five others]Peru :Instituto Universitario de Innovación Ciencia y Tecnología Inudi Perú,[2022]©20221 online resource (112 pages)612-50-6950-8 Includes bibliographical references.SINOPSIS.9 -- ABSTRACT.10 -- INTRODUCCIÓN.11 -- CAPITULO I.18 -- MARCO TEÓRICO18 -- 1.1 Antecedentes.18 -- 1.2 Bases teóricas30 -- 1.2.1. Modelo de Aceptación de Tecnología (TAM)30 -- 1.2.2. Las Tecnologías de Información y Comunicación.31 -- 1.2.3. Las competencias TIC.33 -- 1.2.4. El contexto de la educación superior universitaria.39 -- 1.2.5. Los sistemas de gestión de aprendizaje (LMS)43 -- 1.2.6. El modelo cíclico de autorregulación de Zimmerman48 -- 1.2.7. La Teoría de la Motivación Autodeterminada.51 -- 1.2.8. La autorregulación en entornos de aprendizaje en línea54 -- 1.3 Hipótesis de investigación.59 -- 1.4 Variables de estudio.59 -- CAPÍTULO II60 -- MARCO METODOLÓGICO.60 -- 2.1 Tipo y nivel de investigación.60 -- 2.2 Métodos61 -- 2.3 Diseño.61 -- 2.4 Población y muestra62 -- 2.5 Técnica e instrumentos64 -- 2.6 Procesamiento de datos.67 -- CAPÍTULO III.68 -- RESULTADOS, DISCUSIONES Y CONCLUSIONES.68 -- 3.1 Análisis descriptivo.68 -- 3.1.1. Competencias TIC68 -- 3.1.2. Autorregulación para el aprendizaje enlínea 71 -- 3.2 Análisis de los resultados según área de estudio74 -- 3.2.1. ÁreaII-Arquitectura e Ingenierías.81 -- 3.2.2.ÁreaIII-Ciencias Administrativas Contables y Económicas.88 -- 3.2.3. Área IV-Ciencias Sociales.95 -- 3.2.4. Área V-Ciencias Agrariasy Sedes.101 -- 3.3. Pruebade Hipótesis108 -- 3.3.1. Nivel de correlación entre Competencias TIC y Autorregulación parael aprendizaje en línea en la muestra total108 -- 3.3.2. Nivel de correlación entre Competencias TIC y Autorregulación parael aprendizaje en línea en los estudiantes del área I-Ciencias de laSalud.110 -- 3.3.3. Nivel de correlación entre Competencias TIC y Autorregulación parael aprendizaje en línea en los estudiantes del área II-Arquitectura eIngenierías111 -- 3.3.4. Nivel de correlación entre Competencias TIC y Autorregulación parael aprendizaje en línea en los estudiantes del área III-Ciencias Administrativas Contables y Económicas.113 -- 3.3.5. Nivel de correlación entre Competencias TIC y Autorregulación parael aprendizaje en línea en lose studiantes del área IV-Ciencias Sociales.114 -- 3.3.6. Nivel de correlación entre Competencias TIC y Autorregulación parael aprendizaje en línea en los estudiantes del área V-Ciencias Agrariasy Sedes.116 -- 3.4 Discusión.117 -- 3.5 Conclusiones129 -- 3.6 Recomendaciones132 -- REFERENCIAS133.Este libro comprende una investigación que buscó exponer los puntos centrales sobre la relación existente entre las competencias en digitales y la autorregulación en entornos de aprendizaje en línea. Para ello se adoptó una metodología de enfoque cuantitativo. El estudio fue descriptivo y correlacional a fin de validar la hipótesis central de estudio. Participaron un total de 411 estudiantes de la Unidad de Estudios Generales de la Universidad Nacional del Centro del Perú de la ciudad de Huancayo (Perú) que, en forma no aleatoria, respondieron a dos cuestionarios de preguntas. Se halló que la mayoría de estudiantes de la muestra total investigada presentan logro de las competencias digitales de nivel básico. También se estableció que la mayor proporción de estudiantes de la muestra total reflejan nivel alto de autorregulación en entornos de aprendizaje en línea. Se halló así una correlación directa y significativa de nivel alto (r = 0,60) entre las variables de estudio, en estudiantes del área formativa de arquitectura e ingeniería (r = 0,65), en estudiantes del área de ciencias administrativas, contables y económicas (r = 0,74), en los estudiantes del área formativa de ciencias sociales se halló correlación directa, significativa de nivel alto (r = 0,60). Solo se halló correlación directa, significativa de nivel moderado en los estudiantes del área formativa de ciencias agrarias y sedes (r= 0,47) y en los estudiantes del área formativa de ciencias de la salud (r = 0,56).Computer literacyComputer literacy.004Muñoz Celso1348388NjHacINjHaclBOOK9910647245803321Competencias digitales y autorregulación para el aprendizaje en estudiantes universitarios3085862UNINA