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.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/7760 |
| Date | 16 March 2016 |
| Creators | Souza, Anderson Luiz Ara |
| Contributors | Louzada Neto, Francisco |
| Publisher | Universidade Federal de São Carlos, Câmpus São Carlos, Programa de Pós-graduação em Estatística, UFSCar |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds