KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?"

Transcrição

1 KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS

2 TAREFAS PRIMÁRIAS Classificação Regressão Clusterização

3 OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule encontrar os padrões de interpretação humana a partir da descrição dos dados (por ex.: A produção de um determinado cereal na última colheita pode ser apontado a partir de um conjunto de dados armazenados). Predição Wizwhy e Predict utiliza-se algumas variáveis ou campos na base de dados para predizer o desconhecido ou valores futuros de outras variáveis de interesse (por ex.: A previsão da produção do mesmo cereal na próxima colheita a partir do conjunto de dados usado na descrição).

4 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias A) Detecção de desvio identifica mudanças nos padrões anteriormente detectados (relacionado análise estatística). Técnicas clássicas teste de significância (médias, e desvios de padrões,usa-se método estatístico para mineração de dados).

5 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias B) Clustering parecido com segmentação de bases de dados, MAS PARTE DE CONJUNTOS DE CASOS que não possuem resposta previamente conhecidas (usa métodos de REDES NEURAIS).

6 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias Cluster existe um número finito de categorias ou agrupamentos (cluster) para descrever os dados. As categorias podem ser mutualmente exclusivas e exaustivas ou consistir numa representação como categorias hierárquicas ou sobrepostas.

7 Problemas baseados em descoberta de conhecimento pode-se destacar: Cluster Exemplo: subpopulações homogêneas para consumidores do mercado. Débitos X X Cl 3 X X X X X Cl 1 Cl 2 - X os membros das classes não são mais conhecidos - Cluster se sobrepõem Salários O relacionamento do Cluster é a tarefa de estimativa da probabilidade multi-variada de todas variáveis/campos dos BD.

8 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias C) Regras de associação são associações na forma de regras de decisão. Normalmente não existe informação armazenada na BD sobre as características que definem estas regras (é um problema de descoberta de conhecimento normalmente usa-se Árvore de decisão).

9 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias D) Classificação função de aprendizado que mapea um dado em uma das diversas classes pré-definidas (descobrir o relacionamento entre os registros previsores (qualitativos) e o atributo objetivo (meta) usando registros cuja classe é conhecida. (Café, leite e pão. SE comprar café e pão ENTÃO compra manteiga). Exemplo no caso de empréstimo veja abaixo: Débitos (empréstimo) X X * X Decisão linear Salários

10 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias E) Regressão é a função de aprendizado que mapea os dados com predição variável de valores reais - Exemplos de aplicação de regressão: estimar a probabilidade de um paciente sobreviver dado o resultado de um conjunto de exames. predizer a demanda do consumo de um novo produto em função de despesas feitas. no nosso exemplo de empréstimos.

11 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias Débitos X X X X Salários O débito total é visto como uma função linear da renda, a predição é pobre pois existe uma correlação fraca entre duas variáveis.

12 Problemas baseados em descoberta de conhecimento pode-se destacar: Tarefas primárias Tarefas de DM Algoritmos Associados Associações Classificação Clusterização Estatística, Teoria dos Conjuntos Árvores de Decisão, RN Redes Neurais Estatística Análise de cestas de mercado Mercado alvo, Taxas de risco Segmentação de mercado Modelagem de dependência Regressão Linear e não linear RN Colocação de Clientes, modelos de estimativa de preço controle de processo

13 Algoritmo (método de busca): Árvore de Decisão / Regras de Produção - Algoritmo ID3 (Iterative Dichotomizer 3) Você em DM : tem a TAREFA e tem os Algoritmos. Os ALGORITMOS DM por sua vez tem seus componentes primários que são: MODELOS DE REPRESENTAÇÃO MODELOS DE AVALIAÇÃO MODELOS DE BUSCA UM PONTO IMPORTANTE É QUE O ANALISTA DE DADOS COMPREENDA A REPRESENTAÇÃO que está utilizando, pois esta pode ser inerente a um modelo particular (para que não ocorra a sobreposição dos dados de Treinamento por exemplo).

14 MODELOS DE REPRESENTAÇÃO Linguagem L para descrever padrões possíveis de serem descobertas. Na representação da ÁRVORE DE DECISÃO usa-se uma divisão de nós univariados (campos simples).

15 MODELOS DE AVALIAÇÃO Este modelo estima quão bem um determinado padrão (o modelo e seus parâmetros) pode encontrar o critério procurado pelo processo KDD. Pode-se utilizar critérios lógicos ou estatísticos. O princípio da máxima probabilidade escolhe os parâmetros para os modelos que produzem os melhores ajustes para o treinamento dos dados.

16 MODELOS DE BUSCA É determinado por dois componentes: parâmetros de busca e modelos de busca. Os algoritmos devem buscar parâmetros de busca que otimizem o critério do modelo de avaliação dada. Os métodos iterativos são usados de forma geral (por exemplo: método do gradiente descendente retropropagação dos erros em Redes Neurais).

17 TÉCNICAS DE DM O BD é um estoque de informações. A informação recuperada não é obrigatoriamente uma cópia exata das informações armazenada no BD, mas sim a informação que pode ser INFERIDA a partir desses dados.

18 DUAS TÉCNICAS DE INFERÊNCIA SE DESTACAM: DEDUÇÃO E INDUÇÃO Dedução infere a partir de uma seqüência lógica da informação na Base de Dados. Por exemplo nos DBMS relacionais, o operador JOIN aplicado em duas Tabelas relacionais, onde a 1ª administra as relações entre solicitantes de empréstimos e agências bancárias e a 2 administra as relações entre agências e gerentes, INFERE a relação entre solicitantes de empréstimos e gerentes.

19 DUAS TÉCNICAS DE INFERENCIA SE DESTACAM: DEDUÇÃO E INDUÇÃO Indução é a técnica para inferir informação que é GENERALIZADA a partir da informação na base de dados. Por exemplo: a partir das tabelas citadas, pode ser inferido que, cada solicitante de empréstimo tem um gerente responsável. Lembrar que isto não está no BD

20 DUAS TÉCNICAS DE INFERENCIA SE DESTACAM: DEDUÇÃO E INDUÇÃO A diferença mais importante entre DEDUÇÃO e INDUÇÃO é que no primeiro caso, os resultados formados por declaração do mundo real são provavelmente corretas, desde que o BD esteja correto. Enquanto a INDUÇÃO resulta em declarações que são suportadas pelo BD mas não são necessariamente verdades no mundo real. (Veja o exemplo do aquario!).

21 MÉTODOS DE BUSCA EM DM Estatísticos, métodos Lineares Regressão Linear e análise linear de discriminante (superfície de regressão ou classificação é um plano); Métodos não paramétricos (livres do modelo) RNV+P; Métodos da projeção de busca; Métodos das Redes Polinomiais GMDH (Group Method of Data Handling); ALGORITMOS GENÉTICOS = algoritmo de busca alternativa (heurística).

22 MÉTODO DAS ÁRVORES DE DECISÃO E REGRAS Forma de representação simples e fácil de ser compreendida pelos usuários mas pode reduzir a forma funcional do modelo (poder de aproximação do modelo). Por exemplo quando se adotou a divisão do limite sobre o salário t e se aplicou sobre esta variável o conjunto de dados de empréstimos, limitou-se severamente o tipo de classificação através das fronteiras induzidas. As árvores e as regras não são usadas em geral para descrição dos BD pois em geral é um número muito grande de regras.

23 ID3 Foi desenvolvido por Ross Quinlan,1983, e apresenta resultados práticos. Início para classificar movimentos do Xadrez, mas despertou interesse de vários pesquisadores e hoje existe uma centenas de correlatos.

24 ID3 Objetivo: Formar uma árvore de decisão que classifique uma lista de exemplos, ou seja, a partir de um conjuntos de exemplos o algoritmo INDUZ regras do tipo SE...ENTÃO onde cada regra corresponde a um caminho da árvore de decisão.

25 ID3 O conjunto de exemplos é a REPRESENTAÇÃO DO PROBLEMA e tem a forma de uma matriz, onde cada coluna é uma característica, ou atributo do problema e cada linha descreve um exemplo através dos valores dos atributos e sua conclusão, ou classificação.

26 ID3 A qualidade das regras produzidas pelo algoritmo ID3 depende diretamente da qualidade do conjunto de exemplos. A grande VANTAGEM deste algoritmo é a capacidade de gerar uma árvore de decisão a partir de poucos exemplos. Se se tem um conjunto de centenas ou milhares de exemplos o processo ficará difícil e demorado, o ID3, então, utiliza subconjuntos, chamadas janelas.

27 FUNCIONAMENTO BÁSICO DE ALGORITMO 1 Seleciona-se um conjunto janela (subconjunto se for o caso) do conjunto de todos os exemplos. 2 Aplica-se o algoritmo de classificação dos atributos no conjunto janela, para gera a árvore de decisão na forma de regras. 3 Verifica-se a validade das regras, procurando exceções no conjunto de todos os exemplos (discutidas com o especialista). 4 Se existirem exceções, insere algumas delas no conjunto janela e volta-se ao passo 2. OBS.: para escolha do conjunto janela, deve-se levar em conta a proporção da ocorrência de cada classe no conjuntos de exemplos.

28 CLASSIFICAÇÃO DOS ATRIBUTOS A) Encontrar o atributo mais DISCRIMINATÓRIO, ou seja, o que representa menor incerteza com relação às classes, e dividir a janela em sub-janelas referentes a cada valor deste atributo.uma pessoa quer saber se uma empresa vai dar lucro ou não! (A tabela a seguir reflete o conhecimento do assunto.)

29 CLASSIFICAÇÃO DOS ATRIBUTOS L U C R O ID A D E C O M P E T IÇ Ã O T IP O N V e lh o N S o ftw a re N M é d io S S o ftw a re S M é d io N H a rd w a re N V e lh o N H a rd w a re S N o v o N H a rd w a re S N o v o N S o ftw a re S M é d io N S o ftw a re S N o v o S S o ftw a re N M é d io S H a rd w a re N V e lh o S S o ftw a re

30 CLASSIFICAÇÃO DOS ATRIBUTOS Uma pessoa quer saber de uma empresa vai dar lucro ou não! DIALOGO COM ESPECIALISTA E. A empresa é de Hardware ou Software? Pessoa Software E. Seus produtos são novos, velhos ou médio? Pessoa Médios E. Os produtos tem alguma competição significativa? Pessoa Não E. De acordo com os meus conhecimentos esta empresa tende a ter lucro.

31 CLASSIFICAÇÃO DOS ATRIBUTOS Janela classe idade = médio LUCRO IDADE COMPETIÇÃO TIPO Não Médio Sim Software Sim Médio Não Hardware Sim Médio Não Software Não Médio Sim Hardware

32 CLASSIFICAÇÃO DOS ATRIBUTOS B) Esse processo se repete a cada sub-janela, até que todas contenham somente elementos de mesma classe;

33 CLASSIFICAÇÃO DOS ATRIBUTOS C) Verifica-se no conjunto de todos os exemplos aqueles que não são classificados pela árvore fornecida. Então uma seleção destes é feita de forma a incluí-los no conjunto de janelas. A partir da nova janela, o algoritmo formará uma nova árvore de decisão e o processo de classificação se repetirá até que todos os exemplos sejam classificados. A árvore de decisão resultante representa o conjunto de regras que constitui o conhecimento correspondente à lista de exemplos.

34 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação A entropia de um atributo A é a média ponderada das entropias dos valores de A. Por exemplo a entropia de IDADE é a média ponderada das entropias de média, velho e novo.

35 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação Matematicamente N n.º valores do atributo A H(C!A) = P(Vi) e H (C!vi) P(Vi) é a probabilidade do valor vi aparecer no conjunto janela. H(C!vi) é a entropia do valor vi de A dada pela expressão M n.º de classes. H(C!vi) = N i= 1 M j= 1 P(Cj!Vi) * - log 2 P(Cj!Vi)

36 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação P(Cj!Vi) é a probabilidade de se ter um exemplo com valor Vi concluindo Cj. Existem muitas deficiências no algoritmo ID3 as regras produzidas não são probabilísticas; a freqüência de um exemplo não é relevante.

37 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação Para melhorar deve-se calcular o grau de certeza das regras. Para calcular os FC usa-se um algoritmo D-5 baseado na teoria das evidências de Dempster-Shafer. (FC de uma regra é calculado a partir da evidência com que cada condição da regra contribui para a conclusão da regra) A árvore pode mostrar algumas inconsistências, atributos com valores iguais e conclusões diferentes (o especialista resolve).

38 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação Por exemplo a entropia do atributo IDADE H(Classe=sim! IDADE=médio) = -1/2 log 2 1/2 = 0,5 H(Classe=não! IDADE=médio) = -1/2 log 2 1/2 = 0,5 H(Classe! IDADE=médio) = 0,5 + 0,5 =1 (soma dos dois) H Classe! IDADE=novo = - 3/3 log 2 3/3-0 = 0 H Classe! IDADE=velho = - 3/3 log 2 3/3-0 = 0 H(Classe! IDADE) = 4/10 x 1 + 3/10 x 0 + 3/10 x 0 = 0,4 Dos outros H(Classe! Competição) = 0,8752 H(Classe! Tipo) = 1

39 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação Então IDADE será a raiz da árvore de decisão. IDADE Como a entropia Novo e Velha é Zero então já estão classificados NOVO MÉDIO VELHO Resta Janela para IDADE = Médio

40 MÉTODO UTILIZADO PARA ENCONTRAR O ATRIBUTO MAIS DISCRIMINATORIO - cálculo de entropia, onde o atributo de menor entropia é o que contem maior quantidade de informação H(Classe! Competição) = 0 Então competição é o 2º H(Classe! Tipo) = 1 IDADE NOVO MÉDIO VELHO COMPETIÇÃO LUCRO = NÃO LUCRO = SIM

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br

MINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para

Leia mais

ADM041 / EPR806 Sistemas de Informação

ADM041 / EPR806 Sistemas de Informação ADM041 / EPR806 Sistemas de Informação UNIFEI Universidade Federal de Itajubá Prof. Dr. Alexandre Ferreira de Pinho 1 Sistemas de Apoio à Decisão (SAD) Tipos de SAD Orientados por modelos: Criação de diferentes

Leia mais

Algoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados

Algoritmos Genéticos em Mineração de Dados. Descoberta de Conhecimento. Descoberta do Conhecimento em Bancos de Dados Algoritmos Genéticos em Mineração de Dados Descoberta de Conhecimento Descoberta do Conhecimento em Bancos de Dados Processo interativo e iterativo para identificar padrões válidos, novos, potencialmente

Leia mais

I.3 Indução de Árvores de Decisão

I.3 Indução de Árvores de Decisão I.3 Indução de Árvores de Decisão Nesta seção serão apresentados alguns conceitos básicos da técnica de indução de árvores de decisão a partir de um exemplo sobre o efeito dos raios solares sobre algumas

Leia mais

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento

Data Mining. Origem do Data Mining 24/05/2012. Data Mining. Prof Luiz Antonio do Nascimento Data Mining Prof Luiz Antonio do Nascimento Data Mining Ferramenta utilizada para análise de dados para gerar, automaticamente, uma hipótese sobre padrões e anomalias identificadas para poder prever um

Leia mais

Disciplina: Unidade III: Prof.: E-mail: Período:

Disciplina: Unidade III: Prof.: E-mail: Período: Encontro 08 Disciplina: Sistemas de Banco de Dados Unidade III: Modelagem Lógico de Dados Prof.: Mario Filho E-mail: pro@mariofilho.com.br Período: 5º. SIG - ADM Relembrando... Necessidade de Dados Projeto

Leia mais

Exemplo de Aplicação do DataMinig

Exemplo de Aplicação do DataMinig Exemplo de Aplicação do DataMinig Felipe E. Barletta Mendes 19 de fevereiro de 2008 INTRODUÇÃO AO DATA MINING A mineração de dados (Data Mining) está inserida em um processo maior denominado Descoberta

Leia mais

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

CAP. 2 CONSIDERAÇÕES SOBRE OS CRITÉRIOS DE DECISÃO

CAP. 2 CONSIDERAÇÕES SOBRE OS CRITÉRIOS DE DECISÃO CAP. 2 CONSIDERAÇÕES SOBRE OS CRITÉRIOS DE DECISÃO 1. OS CRITÉRIOS DE DECISÃO Dentre os métodos para avaliar investimentos, que variam desde o bom senso até os mais sofisticados modelos matemáticos, três

Leia mais

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES

CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES CAPÍTULO 3 - TIPOS DE DADOS E IDENTIFICADORES 3.1 - IDENTIFICADORES Os objetos que usamos no nosso algoritmo são uma representação simbólica de um valor de dado. Assim, quando executamos a seguinte instrução:

Leia mais

PERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL)

PERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL) PERGUNTAS MAIS FREQÜENTES SOBRE VALOR PRESENTE LÍQUIDO (VPL) Melhor método para avaliar investimentos 16 perguntas importantes 16 respostas que todos os executivos devem saber Francisco Cavalcante(f_c_a@uol.com.br)

Leia mais

Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados

Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:

Leia mais

CONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES

CONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

GERAÇÃO DE VIAGENS. 1.Introdução

GERAÇÃO DE VIAGENS. 1.Introdução GERAÇÃO DE VIAGENS 1.Introdução Etapa de geração de viagens do processo de planejamento dos transportes está relacionada com a previsão dos tipos de viagens de pessoas ou veículos. Geralmente em zonas

Leia mais

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse

Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse. Fases para um Projeto de Data Warehouse Definição escopo do projeto (departamental, empresarial) Grau de redundância dos dados(ods, data staging) Tipo de usuário alvo (executivos, unidades) Definição do ambiente (relatórios e consultas préestruturadas

Leia mais

Matemática Financeira II

Matemática Financeira II Módulo 3 Unidade 28 Matemática Financeira II Para início de conversa... Notícias como essas são encontradas em jornais com bastante frequência atualmente. Essas situações de aumentos e outras como financiamentos

Leia mais

Elicitação de requisitos e análise

Elicitação de requisitos e análise Elicitação de requisitos e análise Esta atividade divide-se em dois esforços maiores: Elicitação dos requisitos em si Técnicas de elicitação Análise do que foi elicitado Processo de análise 1 Que é um

Leia mais

dissertação. 2 Credibilidade total, em linhas gerais, seria a capacidade de representar o comportamento

dissertação. 2 Credibilidade total, em linhas gerais, seria a capacidade de representar o comportamento 13 1 Introdução Esta dissertação é o estudo de um problema estatístico de classificação que diz respeito à precificação de seguros de automóveis. Devido às particularidades deste ramo, a formação dos contratos,

Leia mais

Engenharia de Software III

Engenharia de Software III Engenharia de Software III Casos de uso http://dl.dropbox.com/u/3025380/es3/aula6.pdf (flavio.ceci@unisul.br) 09/09/2010 O que são casos de uso? Um caso de uso procura documentar as ações necessárias,

Leia mais

MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD)

MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) AULA 07 MATERIAL DIDÁTICO: APLICAÇÕES EMPRESARIAIS SISTEMA DE APOIO À DECISÃO (SAD) JAMES A. O BRIEN MÓDULO 01 Páginas 286 à 294 1 AULA 07 SISTEMAS DE APOIO ÀS DECISÕES 2 Sistemas de Apoio à Decisão (SAD)

Leia mais

Pindyck & Rubinfeld, Capítulo 15, Mercado de Capitais::REVISÃO

Pindyck & Rubinfeld, Capítulo 15, Mercado de Capitais::REVISÃO Pindyck & Rubinfeld, Capítulo 15, Mercado de Capitais::REVISÃO 1. Uma empresa utiliza tecidos e mão-de-obra na produção de camisas em uma fábrica que foi adquirida por $10 milhões. Quais de seus insumos

Leia mais

CAPÍTULO 2 MATEMÁTICA FINANCEIRA

CAPÍTULO 2 MATEMÁTICA FINANCEIRA CAPÍTULO 2 MATEMÁTICA FINANCEIRA A Matemática Financeira se preocupa com o valor do dinheiro no tempo. E pode-se iniciar o estudo sobre o tema com a seguinte frase: NÃO SE SOMA OU SUBTRAI QUANTIAS EM DINHEIRO

Leia mais

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados

O Processo de KDD. Data Mining SUMÁRIO - AULA1. O processo de KDD. Interpretação e Avaliação. Seleção e Pré-processamento. Consolidação de dados SUMÁRIO - AULA1 O Processo de KDD O processo de KDD Interpretação e Avaliação Consolidação de dados Seleção e Pré-processamento Warehouse Data Mining Dados Preparados p(x)=0.02 Padrões & Modelos Conhecimento

Leia mais

Aula 4 Estatística Conceitos básicos

Aula 4 Estatística Conceitos básicos Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a

Leia mais

Módulo 4: Gerenciamento de Dados

Módulo 4: Gerenciamento de Dados Módulo 4: Gerenciamento de Dados 1 1. CONCEITOS Os dados são um recurso organizacional decisivo que precisa ser administrado como outros importantes ativos das empresas. A maioria das organizações não

Leia mais

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE

MÓDULO 6 INTRODUÇÃO À PROBABILIDADE MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para

Leia mais

Aprendizagem de Máquina. Ivan Medeiros Monteiro

Aprendizagem de Máquina. Ivan Medeiros Monteiro Aprendizagem de Máquina Ivan Medeiros Monteiro Definindo aprendizagem Dizemos que um sistema aprende se o mesmo é capaz de melhorar o seu desempenho a partir de suas experiências anteriores. O aprendizado

Leia mais

Gerenciamento de Projetos Técnicas e Ferramentas iniciais

Gerenciamento de Projetos Técnicas e Ferramentas iniciais Gerenciamento de Projetos Técnicas e Ferramentas iniciais Metodologia Aula Teórica Exemplos e Exercícios práticos Questões de concursos anteriores Metodologia e Bibliografia Fontes PMBOK, 2004. Project

Leia mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

Leia mais

Olá pessoal! Sem mais delongas, vamos às questões.

Olá pessoal! Sem mais delongas, vamos às questões. Olá pessoal! Resolverei neste ponto a prova para AFRE/SC 2010 realizada pela FEPESE no último final de semana. Nosso curso teve um resultado muito positivo visto que das 15 questões, vimos 14 praticamente

Leia mais

Planejamento Estratégico de TI. Prof.: Fernando Ascani

Planejamento Estratégico de TI. Prof.: Fernando Ascani Planejamento Estratégico de TI Prof.: Fernando Ascani Data Warehouse - Conceitos Hoje em dia uma organização precisa utilizar toda informação disponível para criar e manter vantagem competitiva. Sai na

Leia mais

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS

UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário

Leia mais

PROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software

PROCESSO DE DESENVOLVIMENTO DE SOFTWARE. Modelos de Processo de Desenvolvimento de Software PROCESSO DE DESENVOLVIMENTO DE SOFTWARE Introdução Modelos de Processo de Desenvolvimento de Software Os modelos de processos de desenvolvimento de software surgiram pela necessidade de dar resposta às

Leia mais

Dadas a base e a altura de um triangulo, determinar sua área.

Dadas a base e a altura de um triangulo, determinar sua área. Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Aprendizagem de Máquina

Aprendizagem de Máquina Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem

Leia mais

Este capítulo é divido em duas seções, a primeira seção descreve a base de

Este capítulo é divido em duas seções, a primeira seção descreve a base de 30 3. Metodologia Este capítulo é divido em duas seções, a primeira seção descreve a base de dados utilizada, identificando a origem das fontes de informação, apresentando de forma detalhada as informações

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo

Leia mais

2 Atualidade de uma base de dados

2 Atualidade de uma base de dados 2 Atualidade de uma base de dados Manter a atualidade de uma base de dados é um problema que pode ser abordado de diferentes maneiras. Cho e Garcia-Molina [CHO] definem esse problema da seguinte forma:

Leia mais

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos

Leia mais

INF 1771 Inteligência Artificial

INF 1771 Inteligência Artificial Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local

Leia mais

QFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO

QFD: Quality Function Deployment QFD: CASA DA QUALIDADE - PASSO A PASSO QFD: CASA DA QUALIDADE - PASSO A PASSO 1 - INTRODUÇÃO Segundo Akao (1990), QFD é a conversão dos requisitos do consumidor em características de qualidade do produto e o desenvolvimento da qualidade de

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

2 Diagrama de Caso de Uso

2 Diagrama de Caso de Uso Unified Modeling Language (UML) Universidade Federal do Maranhão UFMA Pós Graduação de Engenharia de Eletricidade Grupo de Computação Assunto: Diagrama de Caso de Uso (Use Case) Autoria:Aristófanes Corrêa

Leia mais

AUTO ATENDIMENTO MÓDULO HOTEL

AUTO ATENDIMENTO MÓDULO HOTEL AUTO ATENDIMENTO MÓDULO HOTEL Sumário Pág. Apresentação 3 Pagina inicial 4 Altere sua senha 4 Gerencie seus usuários 5 Usuário novo/perfil 6 Resumo do Ambiente 8 Reservas aguardando confirmação 9 Como

Leia mais

Avaliando o que foi Aprendido

Avaliando o que foi Aprendido Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função

Leia mais

Métodos Matemáticos para Gestão da Informação

Métodos Matemáticos para Gestão da Informação Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação

Leia mais

Projeto de Sistemas I

Projeto de Sistemas I Instituto Federal de Educação, Ciência e Tecnologia de São Paulo Projeto de Sistemas I Professora: Kelly de Paula Cunha E-mail:kellypcsoares@ifsp.edu.br Requisitos: base para todo projeto, definindo o

Leia mais

Clustering: K-means and Aglomerative

Clustering: K-means and Aglomerative Universidade Federal de Pernambuco UFPE Centro de Informática Cin Pós-graduação em Ciência da Computação U F P E Clustering: K-means and Aglomerative Equipe: Hugo, Jeandro, Rhudney e Tiago Professores:

Leia mais

Especificação do 3º Trabalho

Especificação do 3º Trabalho Especificação do 3º Trabalho I. Introdução O objetivo deste trabalho é abordar a prática da programação orientada a objetos usando a linguagem Java envolvendo os conceitos de classe, objeto, associação,

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit

Leia mais

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade

Estatística e Probabilidade. Aula 4 Cap 03. Probabilidade Estatística e Probabilidade Aula 4 Cap 03 Probabilidade Estatística e Probabilidade Método Estatístico Estatística Descritiva Estatística Inferencial Nesta aula... aprenderemos como usar informações para

Leia mais

O que é, e para que serve o Cronograma:

O que é, e para que serve o Cronograma: O que é, e para que serve o Cronograma: O cronograma é um instrumento de planejamento e controle semelhante a um diagrama em que são definidas e detalhadas minuciosamente as atividades a serem executadas

Leia mais

Aspectos Sociais de Informática. Simulação Industrial - SIND

Aspectos Sociais de Informática. Simulação Industrial - SIND Aspectos Sociais de Informática Simulação Industrial - SIND Jogos de Empresas Utilizada com sucesso para o treinamento e desenvolvimento gerencial Capacita estudantes e profissionais de competência intelectual

Leia mais

Cláudio Tadeu Cristino 1. Julho, 2014

Cláudio Tadeu Cristino 1. Julho, 2014 Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino

Leia mais

QUADRADO MÁGICO - ORDEM 4

QUADRADO MÁGICO - ORDEM 4 CONCEITO Partindo da definição original, os QUADRADOS MÁGICOS devem satisfazer três condições: a) tabela ou matriz quadrada (número de igual ao número de ); b) domínio: com elementos assumindo valores

Leia mais

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados

Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Sistema Gerenciador de Banco de Dados Banco de Dados Aula 1 Introdução a Banco de Dados Introdução Um Sistema Gerenciador de Banco de Dados (SGBD) é constituído por um conjunto de dados associados a um conjunto de programas para acesso a esses

Leia mais

Gerenciamento de Projetos Exercícios gerais com questões de concursos anteriores

Gerenciamento de Projetos Exercícios gerais com questões de concursos anteriores Gerenciamento de Projetos Exercícios gerais com questões de concursos anteriores Programa 1. Conceitos básicos do PMBOK. 2. Gerenciamento do ciclo de vida do sistema: determinação dos requisitos, projeto

Leia mais

MLP (Multi Layer Perceptron)

MLP (Multi Layer Perceptron) MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -

Leia mais

Projeto de Redes Neurais e MATLAB

Projeto de Redes Neurais e MATLAB Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação

Leia mais

3. REDES DE CAMADA ÚNICA

3. REDES DE CAMADA ÚNICA 3. REDES DE CAMADA ÚNICA Perceptron Forma mais simples de RN Utilizado para classificação de padrões (linearmente separáveis) Consiste em um único neurônio, com pesos sinápticos ajustáveis e bias 3.1 Funções

Leia mais

Começo por apresentar uma breve definição para projecto e para gestão de projectos respectivamente.

Começo por apresentar uma breve definição para projecto e para gestão de projectos respectivamente. The role of Project management in achieving Project success Ao longo da desta reflexão vou abordar os seguintes tema: Definir projectos, gestão de projectos e distingui-los. Os objectivos da gestão de

Leia mais

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística

Aula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa

Leia mais

1) O QUE NÃO É BANCO DE DADOS?

1) O QUE NÃO É BANCO DE DADOS? FMU - Graduação em Ciência da Computação - BANCO DE DADOS I - Prof. Fernando Alberto Covalski - pág 1 1) O QUE NÃO É BANCO DE DADOS? SISTEMAS ISOLADOS SISTEMA DE PRODUÇÃO SISTEMA DE VENDAS SISTEMA DE COMPRAS

Leia mais

Análise de Ponto de Função

Análise de Ponto de Função Complemento para o Curso Análise de Ponto de Função FUNÇÕES DO TIPO DADO O termo Arquivo não significa um arquivo do sistema operacional, como é comum na área de processamento de dados. Se refere a um

Leia mais

QUALITATIVA VARIÁVEL QUANTITATIVA

QUALITATIVA VARIÁVEL QUANTITATIVA NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença

Leia mais

CAP. I ERROS EM CÁLCULO NUMÉRICO

CAP. I ERROS EM CÁLCULO NUMÉRICO CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção

Leia mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

Projeto Supervisionado

Projeto Supervisionado Projeto Supervisionado Caio Almasan de Moura ra: 095620 Indice 1. Introdução 2. Principal Projeto: Modelo de Score 2.1. Objetivo... pg 3 2.2. Agentes Envolvidos... pg 3 2.3. Contextualização... pg 3 2.4.

Leia mais

4 RECURSOS AUTOMATIZADOS DO EXCEL

4 RECURSOS AUTOMATIZADOS DO EXCEL 4 RECURSOS AUTOMATIZADOS DO EXCEL 4.1 Auto Preenchimento O Excel possui um recurso de grande ajuda para quem necessita digitar uma seqüência de células cujo conteúdo é seqüencial. Esse recurso, chamado

Leia mais

Construção de Modelos de Previsão de Risco de Crédito Utilizando Técnicas de Estatística Multivariada

Construção de Modelos de Previsão de Risco de Crédito Utilizando Técnicas de Estatística Multivariada MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE PELOTAS PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO Construção de Modelos de Previsão de Risco de Crédito Utilizando Técnicas de Estatística Multivariada Equipe

Leia mais

EMENTAS DAS DISCIPLINAS

EMENTAS DAS DISCIPLINAS EMENTAS DAS DISCIPLINAS CURSO CST ANÁLISE E DESENVOLVIMENTO DE SISTEMAS INTRODUÇÃO À COMPUTAÇÃO 68 A disciplina estuda a área da informática como um todo e os conceitos fundamentais, abrangendo desde a

Leia mais

UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO

UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO! Fazendo regressão linear! Relacionando variáveis e criando uma equação para explicá-las! Como checar se as variáveis estão relacionadas!

Leia mais

Módulo 4. Construindo uma solução OLAP

Módulo 4. Construindo uma solução OLAP Módulo 4. Construindo uma solução OLAP Objetivos Diferenciar as diversas formas de armazenamento Compreender o que é e como definir a porcentagem de agregação Conhecer a possibilidade da utilização de

Leia mais

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE

TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação

Leia mais

4 Avaliação Econômica

4 Avaliação Econômica 4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir

Leia mais

Metodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi

Metodologias de Desenvolvimento de Sistemas. Analise de Sistemas I UNIPAC Rodrigo Videschi Metodologias de Desenvolvimento de Sistemas Analise de Sistemas I UNIPAC Rodrigo Videschi Histórico Uso de Metodologias Histórico Uso de Metodologias Era da Pré-Metodologia 1960-1970 Era da Metodologia

Leia mais

Revisão de Banco de Dados

Revisão de Banco de Dados Revisão de Banco de Dados Fabiano Baldo 1 Sistema de Processamento de Arquivos Antes da concepção dos BDs o registro das informações eram feitos através de arquivos. Desvantagens: Redundância e Inconsistência

Leia mais

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões

Classificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos

Leia mais

Somatórias e produtórias

Somatórias e produtórias Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +

Leia mais

Segurança e Higiene no Trabalho

Segurança e Higiene no Trabalho Guia Técnico Segurança e Higiene no Trabalho Volume III Análise de Riscos um Guia Técnico de Copyright, todos os direitos reservados. Este Guia Técnico não pode ser reproduzido ou distribuído sem a expressa

Leia mais

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS

DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS DWARF DATAMINER: UMA FERRAMENTA GENÉRICA PARA MINERAÇÃO DE DADOS Tácio Dias Palhão Mendes Bacharelando em Sistemas de Informação Bolsista de Iniciação Científica da FAPEMIG taciomendes@yahoo.com.br Prof.

Leia mais

CURSO ON-LINE PROFESSOR GUILHERME NEVES

CURSO ON-LINE PROFESSOR GUILHERME NEVES Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os

Leia mais

Algoritmos e Estrutura de Dados III. Árvores

Algoritmos e Estrutura de Dados III. Árvores Algoritmos e Estrutura de Dados III Árvores Uma das mais importantes classes de estruturas de dados em computação são as árvores. Aproveitando-se de sua organização hierárquica, muitas aplicações são realizadas

Leia mais

PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 *

PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR. Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * PESQUISA OPERACIONAL: UMA ABORDAGEM À PROGRAMAÇÃO LINEAR 1 Graduando Rodolfo Cavalcante Pinheiro 1,3 Cleber Giugioli Carrasco 2,3 * 2 Pesquisador - Orientador 3 Curso de Matemática, Unidade Universitária

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação

UNIVERSIDADE FEDERAL DO PARANÁ UFPR Bacharelado em Ciência da Computação SOFT DISCIPLINA: Engenharia de software AULA NÚMERO: 08 DATA: / / PROFESSOR: Andrey APRESENTAÇÃO O objetivo desta aula é apresentar e discutir conceitos relacionados a modelos e especificações. Nesta aula

Leia mais

Ciclo de Desenvolvimento de Sistemas de BD

Ciclo de Desenvolvimento de Sistemas de BD Gerenciamento de Dados e Informação Fernando Fonseca Ana Carolina Valeria Times Bernadette Loscio Robson Nascimento Ciclo de Desenvolvimento de Sistemas de BD Investigação dos Dados Modelagem dos Dados

Leia mais

Matemática Financeira Módulo 2

Matemática Financeira Módulo 2 Fundamentos da Matemática O objetivo deste módulo consiste em apresentar breve revisão das regras e conceitos principais de matemática. Embora planilhas e calculadoras financeiras tenham facilitado grandemente

Leia mais

Prof. Daniela Barreiro Claro

Prof. Daniela Barreiro Claro Prof. Daniela Barreiro Claro SQL, SQL3 e OQL são linguagens declarativas O SGBD deve processar e otimizar estas consultas antes delas serem efetivamente executadas Uma consulta possui muitas estratégias

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade

MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade MAT 461 Tópicos de Matemática II Aula 3: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 19 de Agosto, 2013 Probabilidade: uma Introdução / Aula 3 1 Probabilidade Discreta: Exemplos

Leia mais

Gerência de Redes NOC

Gerência de Redes NOC Gerência de Redes NOC Cássio D. B. Pinheiro pinheiro.cassio@ig.com.br cassio.orgfree.com Objetivos Apresentar os conceitos fundamentais, assim como os elementos relacionados a um dos principais componentes

Leia mais

Apostila de Fundamentos de Programação I. Prof.: André Luiz Montevecchi

Apostila de Fundamentos de Programação I. Prof.: André Luiz Montevecchi Apostila de Fundamentos de Programação I Prof: André Luiz Montevecchi Introdução O mundo atual é dependente da tecnologia O uso intenso de diversos aparatos tecnológicos é parte integrante do nosso dia-a-dia

Leia mais

Banco de Dados. Arquitetura e Terminologia. Prof. Walteno Martins Parreira Jr www.waltenomartins.com.br waltenomartins@yahoo.

Banco de Dados. Arquitetura e Terminologia. Prof. Walteno Martins Parreira Jr www.waltenomartins.com.br waltenomartins@yahoo. Banco de Dados Arquitetura e Terminologia Prof. Walteno Martins Parreira Jr www.waltenomartins.com.br waltenomartins@yahoo.com 2015 Modelo de Dados e Esquemas O modelo de Banco de Dados é como um detalhamento

Leia mais

Planilha Eletrônica - Excel

Planilha Eletrônica - Excel 29/04/2016 99 O Excel é um programa de planilha eletrônica desenvolvido pela Microsoft para Windows, que pode ser utilizado para calcular, armazenar e trabalhar com lista de dados e fazer relatórios e

Leia mais

Engenharia de Software II

Engenharia de Software II Engenharia de Software II Aula 10 http://www.ic.uff.br/~bianca/engsoft2/ Aula 10-24/05/2006 1 Ementa Processos de desenvolvimento de software Estratégias e técnicas de teste de software (Caps. 13 e 14

Leia mais

Teoria de Filas. Prof. Gustavo Leitão. Campus Natal Central. Planejamento de Capacidade de Sistemas

Teoria de Filas. Prof. Gustavo Leitão. Campus Natal Central. Planejamento de Capacidade de Sistemas Teoria de Filas Prof. Gustavo Leitão Campus Natal Central. Planejamento de Capacidade de Sistemas 5/27/2010 Objetivo da Aula 5/27/2010 5/27/2010 OBJETIVO Apresentar os conceitos de teoria de filas e suas

Leia mais

Roteiro. Modelo de Dados Relacional. Processo de Projeto de Banco de Dados. BCC321 - Banco de Dados I. Ementa. Posicionamento.

Roteiro. Modelo de Dados Relacional. Processo de Projeto de Banco de Dados. BCC321 - Banco de Dados I. Ementa. Posicionamento. Roteiro Modelo de Dados Relacional Posicionamento Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz Introdução

Leia mais