Técnicas de Clústering para datos longitudinales. Una aplicación al proyecto Aragón Worker's Health Study (AWHS)

Castel Feced, Sara
Alcalá Nalvaiz, José Tomás (dir.) ; Maldonado Guaje, Lina (dir.)

Universidad de Zaragoza, CIEN, 2020
Departamento de Métodos Estadísticos, Área de Estadística e Investigación Operativa

Graduado en Matemáticas

Resumen: Las técnicas de clústering se enmarcan dentro del aprendizaje no supervisado y tratan de agrupar elementos en grupos homogéneos en función de las similitudes entre ellos, entre estas técnicas el algoritmo de las k-medias es el más utilizado. En estudios longitudinales en los que las mismas variables están medidas varias veces resulta interesante la agrupación de los individuos teniendo en cuenta la trayectoria de varias variables simultáneamente. Para ello se ha desarrollado recientemente el algoritmo kml3d, el cual está basado en el algoritmo de las k-medias.
Además, la aplicación de estas técnicas a estudios sanitarios, como el AWHS, puede ayudar a identificar perfiles de pacientes ayudando así al desarrollo de estrategias de prevención y aportando información útil para elaborar nuevas hipótesis de trabajo.

Tipo de Trabajo Académico: Trabajo Fin de Grado