New methodological approaches for the treatment of imprecise data: integration of fuzzy logic and R-Shiny

Vista sencilla de ítem
dc.audienceComunidad Universidad de Medellínspa
dc.contributor.authorCesari, Matilde Inés
dc.contributor.authorPérez, Santiago Cristóbal
dc.coverage.spatialLat: 06 15 00 N degrees minutes Lat: 6.2500 decimal degreesLong: 075 36 00 W degrees minutes Long: -75.6000 decimal degrees
dc.date.accessioned2025-09-17T14:06:41Z
dc.date.available2025-09-17T14:06:41Z
dc.date.issued2025-06-25
dc.descriptionThis study proposes a methodology based on fuzzy logic for the analysis of biotechnological data with uncertainty, applied to the characterization and classification of filamentous fungi strains. The methodology aims to optimize the representation of variability in experimental data and enable better interpretation compared to traditional statistical approaches. A case study is presented focusing on the mycelial growth of different fungal strains, considering parameters such as expansion rate, structural density, and morphometric dimensions. Fisher’s optimal partition was used to model this information, defining classification ranges and subsequently estimating the fuzzy sets. Once the fuzzy variables were established, the data were transformed into fuzzy numbers and represented in contingency tables for structured analysis. To assess the relationship between the strains and their growth categories, Fisher’s exact test was employed, allowing the determination of statistical significance of the associations among the fuzzy variables obtained. This strategy improves the characterization of mycelial growth by capturing gradual transitions and reducing information loss associated with rigid segmentation. As an innovative contribution, an R-Shiny web application was developed to facilitate interactive data analysis without requiring advanced programming skills. The results show that fuzzy modeling enhances the interpretation and classification of fungal strains and provides a replicable methodological framework in biotechnology and other fields with data uncertainty.eng
dc.descriptionEste estudio propone una metodología basada en lógica difusa para el análisis de datos biotecnológicos con incertidumbre, aplicada a la caracterización y clasificación de cepas de hongos filamentosos. La metodología busca optimizar la representación de la variabilidad en datos experimentales, y permitir una mejor interpretación en comparación con enfoques estadísticos tradicionales. Se presenta un caso de estudio que se centra en el crecimiento micelial de distintas cepas de hongos, considerando parámetros como velocidad de expansión, densidad estructural y dimensiones morfométricas. Para modelar esta información se utilizó la partición óptima de Fisher para definir los rangos de clasificación y posteriormente estimar los conjuntos difusos. Una vez establecidas las variables difusas, los datos fueron transformados en números borrosos, representados en tablas de contingencia para su análisis estructurado. Para evaluar la relación entre las cepas y sus categorías de crecimiento se empleó la prueba exacta de Fisher, que permite determinar la significancia estadística de las asociaciones entre las variables difusas obtenidas. Esta estrategia mejora la caracterización del crecimiento micelial al capturar transiciones graduales y reducir la pérdida de información asociada a segmentaciones rígidas. Como aporte innovador, se desarrolló una aplicación web en R-Shiny que facilita el análisis interactivo de datos, sin requerir conocimientos avanzados en programación. Los resultados muestran que la modelización difusa mejora la interpretación y clasificación de cepas de hongos, y proporciona un marco metodológico replicable en biotecnología y otras áreas con incertidumbre en los datos.spa
dc.format.extentp. 1-16spa
dc.format.mediumElectrónicospa
dc.format.mimetypePDF
dc.identifier.doihttps://doi.org/10.22395/rium.v24n47a2
dc.identifier.eissn2248-4094
dc.identifier.instnameinstname:Universidad de Medellínspa
dc.identifier.issn1692-3324
dc.identifier.reponamereponame:Repositorio Institucional Universidad de Medellínspa
dc.identifier.repourlrepourl:https://repository.udem.edu.co/
dc.identifier.urihttp://hdl.handle.net/11407/9172
dc.language.isospa
dc.publisherUniversidad de Medellínspa
dc.publisher.facultyFacultad de Ingenieríasspa
dc.publisher.placeMedellínspa
dc.relation.citationendpage16
dc.relation.citationissue47
dc.relation.citationstartpage1
dc.relation.citationvolume24
dc.relation.haspartRevista Ingenierías Universidad de Medellín; Vol. 24 Núm. 47 julio-diciembre 2025spa
dc.relation.ispartofseriesRevista Ingenierías Universidad de Medellín; Vol. 24 No. 47 (2025)spa
dc.relation.referencesR. Krishnapuram, Fuzzy Data Analysis — Methods and Industrial Applications. Elsevier, 2024. doi: 10.1016/0165-0114(94)90280-1.
dc.relation.referencesC. 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: 10.1007/978-3-030-51156-2_193.
dc.relation.referencesS. M. Baas, Feasible Algorithms for Approximate Reasoning Using Fuzzy Logic. Elsevier, 2024. doi: 10.1016/0165-0114(80)90022-6.
dc.relation.referencesE. 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.
dc.relation.referencesM. 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.
dc.relation.referencesC. 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.
dc.relation.referencesM. 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 incer- tidumbre,” 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.
dc.relation.referencesM. 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.
dc.relation.referencesS. 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.
dc.relation.referencesN. 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.
dc.relation.referencesR. 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/.
dc.relation.referencesD. Dubois, “On statistical inference for fuzzy data with applications to descriptive statistics,” Fuzzy Sets Syst., 2024. doi: 10.1016/0165-0114(92)90213-N.
dc.relation.referencesM. Kuhn, “caret: Classification and Regression Training,” 2021. [En línea]. Disponible en: https://cran.r-project.org/web/packages/caret/index.html.
dc.relation.referencesW. 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.
dc.relation.referencesR. 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.
dc.relation.referencesL. 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.
dc.relation.referencesK. 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.
dc.relation.referencesM. A. Gil, “A note on interval estimation with fuzzy data,” Fuzzy Sets Syst., 2024. doi: 10.1016/0165-0114(88)90201-1.
dc.relation.referencesD. 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.
dc.relation.referencesC. 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.
dc.relation.referencesE. 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.
dc.relation.referencesS. Patel, “Fuzzy machine learning logic utilization on hormonal imbalance dataset,” Comput. Biol. Med., vol. 151, 2024. doi: 10.1016/j.compbiomed.2024.108429.
dc.relation.referencesN. 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.
dc.relation.referencesK. 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.
dc.relation.referencesIEEE, “A Data-Driven Fuzzy Logic Method for Psychophysiological Assessment,” IEEE Trans. Med. Robot. Bionics, 2025. doi: 10.1109/TMRB.2024.3377453.
dc.relation.referencesM. 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 incer- tidumbre,” 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.
dc.relation.referencesA. 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
dc.relation.urihttps://revistas.udem.edu.co/index.php/ingenierias/article/view/5025
dc.rights.creativecommonsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0*
dc.sourceRevista Ingenierías Universidad de Medellín; Vol. 24 No. 47 (2025): (julio-diciembre ); 1-16
dc.subjectFuzzy logiceng
dc.subjectFilamentous fungieng
dc.subjectMycelial growtheng
dc.subjectBiotechno- logyeng
dc.subjectData analysiseng
dc.subjectMathematical modelingeng
dc.subjectArtificial intelligenceeng
dc.subjectData classificationeng
dc.subjectFuzzy systemseng
dc.subjectScientific softwareeng
dc.subjectLógica difusaspa
dc.subjectHongos filamentososspa
dc.subjectCrecimiento micelialspa
dc.subjectBiotecnologíaspa
dc.subjectAnálisis de datosspa
dc.subjectModelización matemáticaspa
dc.subjectInteligencia artificialspa
dc.subjectClasificación de datosspa
dc.subjectSistemas difusosspa
dc.subjectSoftware científicospa
dc.titleNew methodological approaches for the treatment of imprecise data: integration of fuzzy logic and R-Shinyeng
dc.titleNuevos enfoques metodológicos para el tratamiento de datos imprecisos: integración de lógica difusa y R-Shinyspa
dc.typeArticle
dc.type.coarhttp://purl.org/coar/resource_type/c_6501
dc.type.driverinfo:eu-repo/semantics/article
dc.type.localArtículo científicospa
dc.type.versioninfo:eu-repo/semantics/publishedVersion

Archivos

Bloque original

Mostrando 1 - 1 de 1
Miniatura
Nombre:
Revista_Ingenierias_UdeM_463.pdf
Tamaño:
668.13 KB
Formato:
Adobe Portable Document Format
Descargar

Colecciones

Revista Ingenierías Universidad de Medellín Vol. 24, núm. 47 (2025)