Análisis de los algoritmos de agrupamiento borroso para detectar asimetría de información
Fecha
2008Autor
Cano Plata, Eduardo Antonio
Cano Plata, Carlos Alberto
Resumen
Este documento muestra una técnica ideal para la toma de decisiones empleando la lógica borrosa con el método de agrupamiento de sus siglas en inglés “Fuzzy clustering method” (FCM). El mismo se empleó para discriminar variables relevantes en la prestación de servicios de salud, teniendo como referencia información derivada de una encuesta aplicada directamente a los usuarios del servicio, con el propósito de encontrar asimetría de información. Los modelos borrosos permiten la discriminación de parámetros sumamente complejos para su clasificación, tales como los que podrían determinar la asimetría de información. Utilizando puntos medios borrosos se generan los grupos que permiten evaluar la correlación paciente médico. El conocimiento previo de las evaluaciones estadísticas permite caracterizar un modelo borroso. La información recolectada se integró en el algoritmo, quien la agrupa, utilizando un prototipo de patrón (el sistema de entrenamiento). Los grupos se construyen empleando una función de decisión. La característica para la toma de decisiones en el evento de pensar una visita al médico, se encuentra a través de un análisis del componente principal utilizando el procedimiento FCM. El algoritmo de agrupamiento mostró ser una manera confiable de identificar la asimetría existente en la relación paciente médico.
Resumen en idioma extranjero
This document characterizes a decision-making method combining Fuzzy logic with the clusters method known as the "Fuzzy clustering method” (FCM). This method is used to discriminate between relevant variables in health services, where the reference information is derived from a survey directly applied to users in order to detect asymmetric information. Fuzzy models have performed well in Classification theory, especially in the identification of asymmetry of information because they can be used to discriminate extremely complex parameters. Using average fuzzy points (the crips), groups are generated to evaluate the patient-doctor correlation. Previous knowledge of the statistical evaluations can be characterized using a fuzzy model.
The clusters are constructed using a decision function, where the decision to be captured is thinking a visit to the doctor. A principal component analysis is performed using the procedure FCM. The clustering algorithm showed that it is a reliable way of identifying the existing asymmetry in the patient-doctor relation.
Palabras clave
Método de agrupamiento borroso; Servicio de salud; Asimetría de informaciónColecciones
Estadísticas Google Analytics
Comentarios
Respuesta Comentario Repositorio Expeditio
Gracias por tomarse el tiempo para darnos su opinión.