Na presente dissertação apresentamos uma nova abordagem para aplicações em Análise
Discriminante (AD) para problemas cujas observações no conjunto de treinamento
são oriundas de séries temporais, empregando o Classificador de Bayes e modelando as
distribuições nas classes com o emprego de Modelos Lineares Dinâmicos. Foram realizados
os desenvolvimentos teóricos necessários para a obtenção de uma forma analítica
para as probabilidades a posteriori das classes. Para avaliar a abordagem proposta foram
desenvolvidos estudos de simulação, tanto para avaliar as estratégias da escolha do procedimento
da estimação da variância, como também, determinar as taxas de erro (TE) de
classificação para compará-las com outras abordagens usuais para classificadores em AD.
Foram simuladas observações de séries temporais com diferentes estruturas de separação
das classes e com diferentes tamanhos para o conjunto de treinamento. A abordagem
proposta também foi aplicada em dados de problemas reais, com diferentes graus de dificuldades
com relação ao número de classes, tamanho das séries e o número de observações
no conjunto de treinamento, sendo então comparadas suas TE com as de outros
classificadores. Embora sejam necessários estudos mais completos, os resultados obtidos
sugerem que a abordagem paramétrica desenvolvida se constitui em uma alternativa promissora
para esta categoria de problemas em AD, com observações de séries temporais,
em particular, em um contexto bastante desafiador na prática quando temos séries com
tamanhos grandes com relação ao número de observações nas classes.
|
