El Sistema de Detracciones y su impacto Tributario y Financiero en las Empresas del sector reparación e instalación de maquinaria y equipo, en el distrito de Miraflores, año 2018
Bibliographic record
Abstract
I DedicatoriaEste proyecto está dedicado a cada una de las personas que estuvieron apoyándonos a lo largo de toda la carrera, en especial a nuestros padres y profesores ya que sin ellos no hubiésemos adquirido la fortaleza y los conocimientos necesarios.El los nos enseñaron que jamás debemos bajar los brazos y siempre debemos exigirnos al máximo.Sin duda ha sido una de las mejores experiencias el poder compartir con los integrantes de nuestra casa de estudio y quienes estuvieron involucrados en el camino e n nuestro aprendizaje. II AgradecimientoSon muchas las personas quienes han contribuido al cumplimiento de este objetivo, el cual tiene un gran significado para nuestra vida profesional.A lo largo de la carrera y en la realización de este proyecto, en la mayoría de ocasiones se han asociado a p ersonas que nos corrigen, que nos obligan a realizar actividades extracurriculares, a optimizar nuestro tiempo y muchas veces a corregir nuestros errores académicos, por ello muchas veces hemos mostrado falta de tolerancia, enojo y actitudes negativas, per o en realidad estas personas han contribuido de forma crucial, por ello queremos agradecer en primer lugar a nuestra casa académica La Universidad de Ciencias Aplicadas, así mismo a nuestros maestro s, por sus enseñanzas y exigencias, a nuestra asesora de t esis la Profesora Fanny Barrantes, quién con mucho esmero nos ha guiado , apoyado y acompañado en el desarrollo de nuestra tesis.Gracias por hacer parte de este proyecto. III RESUMENLa presente investigación se realiza con el objetivo de determinar el impacto tributario y financiero del sistema de detracciones en las empresas del sector reparación e instalación de maquinaria y equipo, en Miraflores, año 2018.En el primer capítulo se menciona definiciones importantes para entender el funcionamiento de las detracciones.También, se identifican fuentes necesarias para argumentar nuestra hipótesis y comprobar que las detracciones impactan en el aspecto tributario y financiero de las empresas.Para finalizar, se menciona la importancia del sector en la economía peruana.Es necesario especificar que este sector, reparación e instalación de maquinaria y equipo, es una actividad secundaria.La cual se encuentra dentro del sector principal denominado Industrias manufactureras.En el segundo capítulo se plantea los problemas, hipótesis y objetivos principales, y secundarios.En el tercer capítulo se menciona las metodologías utilizadas.Estas son las cualitativas y cuantitativas.Representadas por entrevistas en profundidad y encuestas, respectivamente.Como población de la metodología cualitativa, se entrevistó a dos especialistas en temas tributarios y contables.En la metodología cuantitativa se realizó encuestas a una cantidad determinada de empresas situadas en Miraflores.En el capítulo 4 se realiza la aplicación de los instrumentos cualitativos y cuantitativos.Así como, el caso práctico que demuestra cómo impacta las detracciones en los estados financieros de la empresa.Para finalizar, se analizan los resultados obtenidos.Estos se complementan con las conclusiones, las cuales, validan la hipótesis general y especificas del presente estudio.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".