Submitted by Allison Andrade (allisonandrade.13@hotmail.com) on 2016-03-21T13:42:43Z No. of bitstreams: 1 Dissertação - Diego da Silva Souza.pdf: 8179335 bytes, checksum: 421ac9daf5b471d88ab0b05199b85f3a (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-04-14T18:06:47Z (GMT) No. of bitstreams: 1 Dissertação - Diego da Silva Souza.pdf: 8179335 bytes, checksum: 421ac9daf5b471d88ab0b05199b85f3a (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2016-04-14T18:09:57Z (GMT) No. of bitstreams: 1 Dissertação - Diego da Silva Souza.pdf: 8179335 bytes, checksum: 421ac9daf5b471d88ab0b05199b85f3a (MD5) / Made available in DSpace on 2016-04-14T18:09:57Z (GMT). No. of bitstreams: 1 Dissertação - Diego da Silva Souza.pdf: 8179335 bytes, checksum: 421ac9daf5b471d88ab0b05199b85f3a (MD5) Previous issue date: 2012-12-19 / CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / Pattern Recognition and Classification problems are importantes in a variety of science fields, such as biology, psychology, medice, computer vision and etc. However, the problem is not so easy to solve when the true probability distribution of data is unknown. In this work, we combine the Kernel density estimation method with a Bayesian approach and propose a new method for classification problems using Discriminant Analisys via Approximate Predictive Distribution. Simulation studies and application in data sets widely used in literature, were conducted as an assessment of the proposed methods. The results showed that the performace of the proposed methods are competitive, and in some cases significantly better, with classical methods of literature, Linear Discriminant Analisys (LDA), Quadratic Discriminant Analisys (QDA) and Naive Bayes Discriminant Analisys with Normal distribution (NNBDA). / Reconhecimento e classificação de padrões são problemas importantes em uma variedade de áreas científicas, como biologia, psicologia, medicina, visão computacional e etc. Porém este problema não é de fácil solução quando a distribuição de probabilidade dos dados é totalmente desconhecida. Neste trabalho, combinamos o método de estimação de densidades por Função Núcleo com um enfoque Bayesiano e propomos uma nova abordagem para problemas de classificação usando uma Análise Discriminante via Distribuições Preditivas Aproximadas. Estudos de simulação e aplicação em conjuntos de dados reais bastante utilizados na literatura, foram conduzidos como forma de avaliação dos métodos propostos. Os resultados mostraram que a performace dos métodos propostos são competitivos, e em alguns casos significantemente melhor, com os métodos clássicos da literatura, Análise Discriminante Linear (ADL), Análise Discriminante Quadrática (ADQ) e Análise Discriminante Naive Bayes com distribuição Normal (NNBDA).