Um modelo probabilístico de classificação baseado em identificação de fronteiras de grupos.

• Autor(a) principal: Henry Rossi de Almeida
• Data de Publicação: 2006
• Tipo de documento: Tese
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações do ITA
• Texto Completo: http://www.bd.bibl.ita.br/tde_busca/arquivo.php?codArquivo=253
• topic: Classificações; Análise discriminante (Estatística); Análise envoltória de dados; Métodos estatísticos; Modelos matemáticos; Pesquisa operacional; Matemática aplicada; Matemática

Nesta tese foi considerado o problema de classificação de objetos (indivíduos, empresas, produtos) em dois ou mais grupos. A abordagem tradicional se fundamenta principalmente em modelos como Logit ou Análise Discriminante. Resulta deste modo, como função de classificação, uma medida estatística - um ponto de corte (escore) ou uma medida de distância padronizada ao centro do agrupamento ou uma hipersuperfície de separação - definida com a utilização simultânea de toda a amostra. No modelo proposto foi considerado que as variáveis de classificação são limitadas, inferior ou superiormente. Esta hipótese determina uma fronteira, limite da região domínio de cada grupo em observação. Objetivou-se, como proposta final, efetuar o desenvolvimento de uma técnica para identificar estas fronteiras, associado a uma medida de natureza probabilística para cada unidade observada, especificando quanto a mesma está inserida em seu respectivo grupo, relativamente à fronteira deste. Em seguida foram propostos os procedimentos para classificar nova unidade objeto, no grupo onde a medida de inserção fosse maior e, também, procedimentos para viabilizar o refinamento constante da forma das envoltórias, a partir da análise de novas unidades. Para avaliação, foram utilizados dois exemplos ilustrativos, possibilitando o teste do modelo contra as técnicas de Análise Discriminante, Regressão Logística e mesmo Programação Linear Inteira, testada pelo autor de um dos exemplos. Os resultados se mostraram favoráveis, apontando para a viabilidade do uso do modelo.