Análisis de los algoritmos de agrupamiento borroso para detectar asimetría de información
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 refere...
- Autores:
- Tipo de recurso:
- Article of journal
- Fecha de publicación:
- 2008
- Institución:
- Universidad de Bogotá Jorge Tadeo Lozano
- Repositorio:
- Expeditio: repositorio UTadeo
- Idioma:
- spa
- OAI Identifier:
- oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/12280
- Acceso en línea:
- https://www.researchgate.net/profile/Carlos_Cano14/publication/315661341_ANALISIS_DE_LOS_ALGORITMOS_DE_AGRUPAMIENTO_BORROSO_PARA_DETECTAR_ASIMETRIA_DE_INFORMACION/links/58d91950a6fdcc10972d6622/ANALISIS-DE-LOS-ALGORITMOS-DE-AGRUPAMIENTO-BORROSO-PARA-DETECTAR-ASIMETRIA-DE-INFORMACION.pdf
http://hdl.handle.net/20.500.12010/12280
http://expeditiorepositorio.utadeo.edu.co
- Palabra clave:
- Método de agrupamiento borroso
Servicio de salud
Asimetría de información
Asymmetric information
Service of health
Fuzzy clustering Method
- Rights
- License
- Abierto (Texto Completo)
| Summary: | 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. |
|---|