Sistema de administración del conocimiento para la predicción de la prevalencia de enfermedades en la Dirección Regional de Salud Junín

• Autor: Gamarra Moreno, Arturo Huber
• Formato: tesis de maestría
• Fecha de Publicación: 2014
• Institución: Universidad Nacional del Centro del Perú
• Repositorio: UNCP - Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uncp.edu.pe:20.500.12894/2992
• Enlace del recurso: http://hdl.handle.net/20.500.12894/2992
• Nivel de acceso: acceso abierto
• Materia: Administración del conocimiento; Minería de datos; Precisión de predicción; Prevalencia

La presente tesis surge de la necesidad de contar con un sistema de administración del conocimiento que contenga un modelo eficiente de predicción del comportamiento de enfermedades y eventos de salud de mayor prevalencia en la Dirección Regional de Salud de Junín; para lo cual se formuló la pregunta de investigación ¿Cuál es el sistema de administración del conocimiento que permite obtener con mayor precisión la predicción de la prevalencia de enfermedades en la Dirección Regional de Salud de Junín?. El objetivo propuesto es determinar el sistema de administración del conocimiento que permite obtener con mayor precisión la predicción de la prevalencia de enfermedades en la Dirección Regional de Salud de Junín, para lo cual se planteó la hipótesis: El sistema de administración del conocimiento basado en la técnica de redes neuronales artificiales permite obtener con mayor precisión la predicción de la prevalencia de enfermedades en dicha organización. Para ello; se ha utilizado la metodología aplicada que toma en cuenta las fases del Proceso de la Minería de Datos, que son: Recopilación de datos, selección de datos, preparación de datos, minería de datos e interpretación y evaluación, así mismo, el diseño utilizado corresponde al experimental porque se utilizó para la contrastación de la hipótesis de investigación el análisis de varianza de un factor. El resultado obtenido muestra que la precisión de la predicción con la técnica de redes neuronales artificiales es del 65,23% mientras que con la técnica de árboles de decisión es de 50,53% y con la técnica de redes bayesianas es 51,88%.