Nuevos enfoques metodológicos para el tratamiento de datos imprecisos: Integración de lógica difusa y R-Shiny
Contenido principal del artículo
Resumen
El manejo de datos imprecisos representa un reto en diversas disciplinas debido a las limitaciones de medición y la subjetividad inherente. Este artículo presenta una metodología que integra lógica difusa y aplicaciones R Shiny para mejorar el análisis multivariado de datos imprecisos. La lógica difusa proporciona un marco flexible para tratar la incertidumbre, permitiendo grados de pertenencia en lugar de categorizaciones binarias, lo cual es particularmente útil en situaciones ambiguas. Se ejemplifica con un estudio de caso que analiza el crecimiento de micelio en tres cepas de hongos mediante imágenes de laboratorio. El proceso incluye la codificación y estandarización de los datos, la borrosificación mediante funciones de pertenencia y el análisis multivariado para identificar patrones significativos. Las aplicaciones R Shiny ofrecen una plataforma interactiva que facilita la visualización y análisis dinámico de los datos, permitiendo que usuarios sin experiencia técnica avanzada accedan a las técnicas de lógica difusa. Esta combinación permite una representación más precisa de la imprecisión, crucial para la toma de decisiones informadas. Además, el artículo revisa estudios previos en áreas como la gestión del tráfico, el transporte de carga y el análisis de series temporales, demostrando la efectividad de la lógica difusa. La integración con R Shiny optimiza el análisis de datos imprecisos y promueve la adopción de estas técnicas avanzadas en diversos campos de investigación y práctica.
##plugins.themes.bootstrap3.displayStats.downloads##
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Queda autorizada la reproducción total o parcial de los contenidos de la revista con finalidades educativas, investigativas o académicas siempre y cuando sea citada la fuente. Para poder efectuar reproducciones con otros propósitos, es necesario contar con la autorización expresa del Sello Editorial Universidad de Medellín.
Cómo citar
Referencias
R. Krishnapuram, Fuzzy Data Analysis — Methods and Industrial Applications. Elsevier, 2024. doi: 10.1016/0165-0114(94)90280-1.
C. Kahraman, B. Oztaysi, I. Otay, y S. C. Onar, “Extensions of ordinary fuzzy sets: a comparative literature review,” en Intelligent and Fuzzy Techniques: Smart and Innovative Solutions: Proceedings of the INFUS 2020 Conference, Springer, 2020, pp. 1655–1665. doi:
1007/978-3-030-51156-2_193.
S. M. Baas, Feasible Algorithms for Approximate Reasoning Using Fuzzy Logic. Elsevier, 2024. doi: 10.1016/0165-0114(80)90022-6.
E. E. Zurek, D. J. Romero, H. D. Blanco, y C. A. Gutiérrez, “Fuzzy inference system for the identification of over-the-counter (OTC) drugs,” Rev. Ing. Univ. Medellín, vol. 12, no. 22, pp. 109–116, 2014. doi: 10.22395/rium.v12n22a9.
M. I. Césari, “Soluciones metodológicas para el análisis de datos imprecisos: Lógica difusa y R-Shiny,” Actas Jorn. Eventos Académicos UTN, 2024. [En línea]. Disponible en: https://rtyc.utn.edu.ar/index.php/ajea/article/download/1738/1565/8194.
C. Swathi, J. J. Ebienazer, M. Swathi, y S. Suruthipriya, “Fuzzy Logic,” Int. J. Innov. Res. Inf. Secur., vol. 9, no. 3, pp. 147–152, 2023. doi: 10.26562/ijiris.2023.v0903.19.
M. D. Arango Serna, C. A. Serna Urán y A. C. Gómez Builes, “Inferencia difusa aplicada a la ingeniería concurrente para el diseño de productos de manufactura en condiciones de incertidumbre,” Rev. Ing. Univ. Medellín, vol. 11, no. 21, pp. 127–138, 2012. [En línea]. Disponible en: https://www.scielo.org.co/scielo.php?pid=S1692-33242012000200011&script=sci_arttext.
M. Arroyo y J. Antolínez, “Aplicación de lógica difusa para la valoración actitudinal en estudiantes universitarios,” Rev. Electr. Investig. Educ., vol. 17, no. 1, pp. 120–136, 2015. [En línea]. Disponible en: https://www.redalyc.org/pdf/4677/467746222001.pdf.
S. Ameen, R. Balachandran, y T. Theodoridis, “Deriving Hematological Disease Classes Using Fuzzy Logic and Expert Knowledge,” arXiv preprint, 2024. [En línea]. Disponible en: https://arxiv.org/abs/2406.13015.
N. Martínez Rojas y H. H. Andrade Sosa, “Integración de la lógica difusa a la dinámica de sistemas para la selección de terrenos de cultivos agrícolas,” Rev. Investig. Des. Innov., vol. 7, no. 1, pp. 45–56, 2016. [En línea]. Disponible en: https://dialnet.unirioja.es/descarga/
articulo/5676771.pdf.
R. Core Team, R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, 2023. [En línea]. Disponible en: https://www.R-project.org/.
D. Dubois, “On statistical inference for fuzzy data with applications to descriptive statistics,” Fuzzy Sets Syst., 2024. doi: 10.1016/0165-0114(92)90213-N.
M. Kuhn, “caret: Classification and Regression Training,” 2021. [En línea]. Disponible en: https://cran.r-project.org/web/packages/caret/index.html.
W. D. Fisher, “On grouping for maximum homogeneity,” J. Am. Stat. Assoc., vol. 53, no. 284, pp. 789–798, 1958. doi: 10.1080/01621459.1958.10501479.
R. Bivand et al., “classInt: Choose Univariate Class Intervals (Version 0.4-11) [Paquete de R],” CRAN, 2025. [En línea]. Disponible en: https://cran.r-project.org/web/packages/classInt/classInt.pdf.
L. A. Zadeh, “Calibration with imprecise signals and concentrations based on fuzzy theory,” Chemom. Intell. Lab. Syst., 2024. doi: 10.1016/0169-7439(86)80027-2.
K. Al-Ghamdi, “Fuzzy data-driven scenario-based robust data envelopment analysis for prediction and optimization,” Expert Syst. Appl., vol. 116, p. 419, 2022. doi: 10.1016/j.eswa.2021.116419.
M. A. Gil, “A note on interval estimation with fuzzy data,” Fuzzy Sets Syst., 2024. doi: 10.1016/0165-0114(88)90201-1.
D. Zhang, y S. Chen, “FuzzyR: Fuzzy logic toolkit in R (Version 2.2-3) [Manual de software],” CRAN, 2023. Disponible en: https://cran.r-project.org/web/packages/FuzzyR/FuzzyR.pdf.
C. K. Macnamara, “A fuzzy mathematical model for tumor growth pattern using generalized Hukuhara derivative,” Appl. Soft Comput., vol. 122, 2022. doi: 10.1016/j.asoc.2022.108467.
E. H. Houssein, A. K. Mahmoud, A. E. Hassanien, y M. K. Emam, “Soft computing techniques for biomedical data analysis,” Artif. Intell. Rev., vol. 56, no. 2, pp. 2599–2649, 2023. doi: 10.1007/s10462-023-10585-2.
S. Patel, “Fuzzy machine learning logic utilization on hormonal imbalance dataset,” Comput. Biol. Med., vol. 151, 2024. doi: 10.1016/j.compbiomed.2024.108429.
N. Talpur, S. K. Das, S. Kumar, y J. Singh, “Deep Neuro-Fuzzy System application trends and challenges,” Artif. Intell. Rev., vol. 56, pp. 865–913, 2023. doi: 10.1007/s10462-022-10188-3. [24] K. Al-Ghamdi, “Fuzzy data-driven scenario-based robust data envelopment analysis for prediction and optimization of an electrical discharge machine’s parameters,” Expert Syst. Appl., vol. 116, 2022. doi: 10.1016/j.eswa.2021.116419.
IEEE, “A Data-Driven Fuzzy Logic Method for Psychophysiological Assessment,” IEEE Trans. Med. Robot. Bionics, 2025. doi: 10.1109/TMRB.2024.3377453.
M. D. Arango Serna, C. A. Serna Urán y A. C. Gómez Builes, “Inferencia difusa aplicada a la ingeniería concurrente para el diseño de productos de manufactura en condiciones de incertidumbre,” Rev. Ing. Univ. Medellín, vol. 11, no. 21, pp. 127–138, 2012. [En línea]. Disponible en: https://www.scielo.org.co/scielo.php?pid=S1692-33242012000200011&script=sci_arttext.
A. Jabiyeva y M. Khudaverdiyeva, “Application of Fuzzy Logic in Computer Systems of Medical Diagnosis,” Socio World Social Research & Behavioral Sciences, vol. 12, no. 02, pp. 17–25, dic. 2023, doi: 10.36962/SWD12022023-17. Disponible en: https://papers.ssrn.
com/sol3/papers.cfm?abstract_id=4667205