| dc.creator | Díaz-Contreras,Carlos A | |
| dc.creator | Aguilera-Rojas,Alejandra | |
| dc.creator | Guillén-Barrientos,Nathaly | |
| dc.date | 2014-10-01 | |
| dc.date.accessioned | 2019-04-24T21:28:41Z | |
| dc.date.available | 2019-04-24T21:28:41Z | |
| dc.identifier | https://scielo.conicyt.cl/scielo.php?script=sci_arttext&pid=S0718-33052014000400010 | |
| dc.identifier.uri | http://revistaschilenas.uchile.cl/handle/2250/59040 | |
| dc.description | La incorporación de nuevo personal o la reasignación del ya existente a tareas específicas constituyen una decisión importante, porque el acierto en ella determinará la propia supervivencia de la empresa. En este contexto se vuelve relevante contar con un modelo de selección de personal que considere la información ambigua y los grados de incertidumbre que están asociados al momento de evaluar las valoraciones cualitativas de los postulantes y que pueda entregar resultados certeros y precisos, garantizando de esta manera el buen desempeño del cargo y reduciendo así el riesgo que conlleva la incorporación de nuevas personas. En este trabajo se elaboró un modelo de selección de personal, en condiciones de incertidumbre, aplicando Lógica Difusa, utilizando como datos de entrada las descripciones de cargos de una empresa del retail, con variables difusas triangulares y con solapamiento. Este fue comparado con un modelo clásico de regresión múltiple. Los resultados mostraron que, en este caso, el uso del modelo de regresión múltiple es más eficiente que el modelo de lógica difusa optado. | |
| dc.format | text/html | |
| dc.language | es | |
| dc.publisher | Universidad de Tarapacá. | |
| dc.relation | 10.4067/S0718-33052014000400010 | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.source | Ingeniare. Revista chilena de ingeniería v.22 n.4 2014 | |
| dc.subject | Lógica difusa | |
| dc.subject | selección de personal | |
| dc.subject | recurso humano | |
| dc.subject | regresión múltiple | |
| dc.subject | desempeño del trabajador | |
| dc.title | Lógica difusa vs. modelo de regresión múltiple para la selección de personal | |
