No presente trabalho apresentamos o algoritmo de simulacão perfeita CFTP, proposto em Propp & Wilson (1996). Seguindo o trabalho de Philippe & Robert (2003) implementamos o CFTP gerando amostras da distribuicão normal bivariada truncada no quadrante positivo. O algoritmo proposto e comparado com o amostrador de Gibbs e o método de rejeição. Finalmente, apresentamos sugestões para a implementação do CFTP para gerar amostras da distribuição normal truncada em dimensões maiores que dois e a geração de amostras em conjuntos diferente do quadrante positivo. / This project will display the CFTP perfect simulation algorithm presented at Propp & Wilson (1996). According to Philippe & Robert (2003) will be implemented the CFTP providing samples of the bivariate normal distribution truncated at the positive quadrant. The proposed algorithm is compared to the samples generated by Gibbs Sampler and by the rejection sampling ( or acceptance rejection method or \"accept-reject algorithm\"). Finally, suggestions to the implementation of CFTP in order to produce truncated normal distribution samples at bigger dimensions than two and the provide a diferent set of samples from the positive quadrant.

No presente trabalho apresentamos o algoritmo de simulacão perfeita CFTP, proposto em Propp & Wilson (1996). Seguindo o trabalho de Philippe & Robert (2003) implementamos o CFTP gerando amostras da distribuicão normal bivariada truncada no quadrante positivo. O algoritmo proposto e comparado com o amostrador de Gibbs e o método de rejeição. Finalmente, apresentamos sugestões para a implementação do CFTP para gerar amostras da distribuição normal truncada em dimensões maiores que dois e a geração de amostras em conjuntos diferente do quadrante positivo. / This project will display the CFTP perfect simulation algorithm presented at Propp & Wilson (1996). According to Philippe & Robert (2003) will be implemented the CFTP providing samples of the bivariate normal distribution truncated at the positive quadrant. The proposed algorithm is compared to the samples generated by Gibbs Sampler and by the rejection sampling ( or acceptance rejection method or \"accept-reject algorithm\"). Finally, suggestions to the implementation of CFTP in order to produce truncated normal distribution samples at bigger dimensions than two and the provide a diferent set of samples from the positive quadrant.

Submitted by Luciana Sebin (lusebin@ufscar.br) on 2016-09-28T18:40:06Z No. of bitstreams: 1 TeseALAS.pdf: 2684933 bytes, checksum: ca38338bf603ef9390016e59a5ba7e2b (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-10T18:36:47Z (GMT) No. of bitstreams: 1 TeseALAS.pdf: 2684933 bytes, checksum: ca38338bf603ef9390016e59a5ba7e2b (MD5) / Approved for entry into archive by Marina Freitas (marinapf@ufscar.br) on 2016-10-10T18:36:58Z (GMT) No. of bitstreams: 1 TeseALAS.pdf: 2684933 bytes, checksum: ca38338bf603ef9390016e59a5ba7e2b (MD5) / Made available in DSpace on 2016-10-10T18:37:07Z (GMT). No. of bitstreams: 1 TeseALAS.pdf: 2684933 bytes, checksum: ca38338bf603ef9390016e59a5ba7e2b (MD5) Previous issue date: 2016-03-16 / Não recebi financiamento / In this Thesis we expose the proposition of a new class of probability distributions, the so called alpha skew normal multivariate, an extension of the univariate Normal Alpha distribution, introduced by Elal-Olivero (2010). It can accommodates up to two modes and generalizes the distribution proposed by Elal-Olivero in its marginal components. In addition, we apply this new distribution in the construction of two new data mining methods for classi cation. The procedures developed here increment the predictive ability of the classi cation in the presence of asymmetric and / or bimodal data. The results indicate that the new proposal is signi cantly more appropriate than the usual modeling by classical normal distribution, and is also suitable for datasets without the presence of asymmetry. In this thesis it is shown, using real and synthetic data, the procedures of construction, estimation and validation for the new probability distribution and for probabilistic networks for binary classi cations, particularly for the k-dependence probabilistic networks. / Esta Tese expõe a proposição de uma nova classe de distribuições de probabilidade, denominada alfa normal assimetrica multivariada, uma extensão da distribuição alfa normal assimetrica univariada, introduzida por Elal-Olivero (2010). A distribuição proposta e muito flexível, capaz de assumir até duas modas e generaliza a distribuição proposta por Elal-Olivero em suas componentes marginais. Além disso, aplicamos esta nova distribuição na construção de dois novos métodos de data mining para classificação. Os procedimentos aqui desenvolvidos incrementam a capacidade preditiva da classificação na presença de dados assimétricos e/ou bimodais. Os resultados indicam que a nova proposição e significativamente mais apropriada que a modelagem usual por meio da distribuição normal clássica, além de ser igualmente adequada para conjuntos de dados sem a presença de assimetria. Nesta Tese são apresentados, utilizando dados reais e artificiais, os procedimentos de construção, estimação e validação tanto da nova distribuição de probabilidade quanto para as redes para classificações binárias, particularmente para redes probabilísticas de k-dependência.