Submitted by Renata Lopes (renatasil82@gmail.com) on 2018-09-03T15:49:55Z No. of bitstreams: 1 robertomalheirosmoreirafilho.pdf: 1784153 bytes, checksum: 65d1abd13eb713e62923e5d3c4d69acf (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2018-09-03T15:53:44Z (GMT) No. of bitstreams: 1 robertomalheirosmoreirafilho.pdf: 1784153 bytes, checksum: 65d1abd13eb713e62923e5d3c4d69acf (MD5) / Made available in DSpace on 2018-09-03T15:53:44Z (GMT). No. of bitstreams: 1 robertomalheirosmoreirafilho.pdf: 1784153 bytes, checksum: 65d1abd13eb713e62923e5d3c4d69acf (MD5) Previous issue date: 2012-07-30 / PROQUALI (UFJF) / A criação de regras de apoio à decisão com base em sistemas de informação é o objeto central da Teoria dos Conjuntos Aproximativos - TCA (Rough Sets Theory). Um trabalho apresentado por Pawlak em 1982 deu início a diversos estudos com o objetivo de criar regras de decisão baseadas em sistemas de informações com múltiplos atributos condicionantes e um ou mais atributos de decisão. Ao longo do tempo, os atributos com relação de dominância, onde há uma escala de valores, vêm recebendo destaque. Para lidar com este tipo de dados foi desenvolvido a DRSA (Dominance-based Rough Sets Approach). O excessivo rigor exigido para a criação de regras pela proposta básica do DRSA fez com que novas propostas surgissem. Além das regras determinísticas, com 100% de certeza, surgiram regras probabilísticas, com algum percentual controlado de incerteza. Existem algumas vertentes de estudo de aplicações de DRSA e a abordagem aqui proposta explora a possibilidade de aumento na qualidade da aproximação e, consequentemente, na qualidade das regras geradas, considerando a possibilidade de união de algumas classes do atributo de decisão com princípio de dominância. Com isto, são preservados os princípios do uso de DRSA. De acordo com a necessidade do pesquisador, a redução de classes pode ser utilizada em conjunto com as outras alternativas de DRSA apresentadas até o momento. Duas novas propostas de união de classes do atributo do critério de decisão são apresentadas, comentadas e criticadas nesta tese, uma baseada em função densidade de probabilidades e outra baseada em transformações probabilísticas. / Creating rules for the support of the decision process is the main subject of Rough Sets Theory. The study first published by Pawlak in 1982 was a catalyst of several studies focusing on creating rules for the support of the decision making process based on multiple attributes conditioning one or more decision attributes. As the studies evolved, attributes with the feature of dominance – attributes measured in some scale – have caught attention. This gave rise to DRSA (Dominance-based Rough Sets Approach). The excessively strict guidelines of DRSA original studies led to the creation of new guidelines that consider not only deterministic rules – 100% certainty – but also probabilistic rules, which account for a certain degree of uncertainty. There are other developments of DRSA and the approach here taken evaluates alternatives for enhancing the quality of the approximation evaluation, therefore enhancing the quality of the rules, by clustering classes of values of decision attributes without compromising the guiding principles of DRSA. According to the need of researcher, the reduction of classes can be used in conjunction with other alternatives of development of DRSA. Two different proposals for the clustering of attributes are presented and evaluated in this study, one based on density functions and the other based on probabilistic transformations.