Universidade Federal de Uberlândia - Mestrado em Ciência da Computação. Profa. Sandra A. de Amo
|
|
- Cármen Aranha Carlos
- 6 Há anos
- Visualizações:
Transcrição
1 Universidade Federal de Uberlândia - Mestrado em Ciência da Computação Lista de Exercícios n Data Mining : REGRAS DE ASSOCIAÇÃO 1 0 Semestre de 2003 Profa. Sandra A. de Amo Nesta lista, alguns exercícios foram retirados do livro : (*) J. Han, M.Kamber : Data Mining, Concepts and Techniques. Os exercícios estão organizados por ordem de dificuldade. Aplicação direta de algoritmos vistos em aula 1. Fazer o exercício 6.3 da página 272 do Livro (*), substituindo o algoritmo FP-growth pelo algoritmo AprioriTID. (Você vai ter que comparar a eficiência de Apriori e AprioriTID sobre o banco de dados do exercício). 2. Seja β = 0.5 o nível mínimo de confiança. Suponha que o algoritmo Apriori tenha produzido os seguintes itemsets frequentes com os respectivos suportes : L 1 = {{1} (suporte = 0.4), {3} (suporte = 0.3), {4} (suporte = 0.6), {5}(suporte = 0.5)}, L 2 = {{1, 3} (suporte = 0.2), {1,5} (suporte = 0.2), {3,5} (suporte = 0.2), {4,5} (suporte = 0.4) L 3 = {{1, 3, 5} (suporte = 0.1) }. L 4 =. Dê todas as regras de associação interessantes (com confiança maior ou igual a β). Para isso, utilize o algoritmo dado em aula (o banco de dados não deve ser varrido!). 3. Considere a seguinte restrição de item : B = ( K A) (C E) (B C) Aplicando o algoritmo Direct sobre o input do exercício 1, minere todas as regras de associação interessantes (X Y ) tais que o itemset X Y satisfaz a restrição de itens B.
2 Exercícios que envolvem raciocínio e análise, razoavelmente fáceis 4. Explique por que o algoritmo Apriori (que gera todos os itemsets frequentes) sempre pára, isto é, por que sempre existirá um k tal que L k =. 5. Exercício 6.1 (c), página 271 do Livro (*). 6. Seja I um (k + 1)-itemset que satisfaz uma restrição de itens B = D 1 D 2... D n (onde cada D i é da forma L 1 L 2... L m e cada L i é um literal) e suponha que a seguinte condição não seja verificada : (*) Para todo D i que é satisfeita por I, D i tem exatamente k + 1 literais positivos. Mostre que necessariamente deve existir um subitemset de I, de tamanho k que também satisfaz B. Sugestão : Considere a afirmação (*) (que não deve ser verificada). O que você pode concluir? Que existe o que? A partir da resposta a esta última questão você poderá construir o subitemset de I pedido. 7. Para cada um dos enunciados abaixo, diga se é verdadeiro ou falso e justifique sua responsta : (a) Se B é uma restrição de item e I é um k+1-itemset satisfazendo B e a condição (*) é verificada, então não existe nenhum k-subitemset de I satisfazendo B. (b) Se B é uma restrição de item e I é um k+1-itemset satisfazendo B e a condição (*) é verificada, então existe um k-subitemset de I satisfazendo B. (c) Se B é uma restrição de item e I é um k+1-itemset satisfazendo B e a condição (*) não é verificada, então não existe nenhum k-subitemset de I satisfazendo B. (d) Se B é uma restrição de item e I é um k+1-itemset satisfazendo B e a condição (*) é verificada, então para todo k-subitemset J de I, é verdade que J satisfaz B. (e) Se B é uma restrição de item e I é um k+1-itemset satisfazendo B e a condição (*) não é verificada, então para todo k-subitemset J de I, é verdade que J satisfaz B. (f) Se B é uma restrição de item e I é um k +1-itemset satisfazendo B e não existe nenhum k-subitemset de I satisfazendo B então a condição (*) é verificada. (g) Se B é uma restrição de item e I é um k + 1-itemset satisfazendo B e existe um k-subitemset de I satisfazendo B então a condição (*) é verificada. (h) Se B é uma restrição de item e I é um k + 1-itemset satisfazendo B e não existe nenhum k-subitemset de I satisfazendo B então a condição (*) não é verificada.
3 (i) Se B é uma restrição de item e I é um k + 1-itemset satisfazendo B e existe um k-subitemset de I satisfazendo B então a condição (*) não é verificada. (j) Se B é uma restrição de item e I é um k + 1-itemset satisfazendo B e tal que todo k-subitemset de I satisfaz B então a condição (*) não é verificada. (k) Se B é uma restrição de item e I é um k + 1-itemset satisfazendo B e tal que todo k-subitemset de I satisfaz B então a condição (*) é verificada. 8. Uma restrição sobre o itemset I é uma condição que I deve satisfazer. Dizemos que uma restrição c é antimonotônica se I satisfaz c e J I então J satisfaz c. Ou reciprocamente, se existe J I que não satisfaz c então I não satisfaz c. Dizemos que uma restrição c é monotônica se I satisfaz c e I J então J satisfaz c. Ou reciprocamente, se existe J tal que I J e J não satisfaz c então I não satisfaz c. A figura 1 ilustra os termos monotonia e antimonotonia. a c f b d e a c f e b d I J J I Se I satisfaz R e I J então J satisfaz R R é monotônica Se I satisfaz R J I então J satisfaz R R é antimonotônica Figure 1: Monotonia e Antimonotonia Dizemos que uma restrição c é sucinta se o fato de um itemset I satisfazer ou não c independe de testes na base de dados de transações. Por exemplo : suponha que você esteja interessado em minerar itemsets (não necessariamente frequentes) constituídos de artigos caros, isto é, tais que o preço mínimo dos itens neste itemset é maior do que R$ 500,00. Para isto, você não precisa testar o itemset na base de transações. Basta gerar todos os itemsets onde os artigos têm preços superiores a R$ 500,00. Dizemos que uma restrição c é convertível se caso os itens num itemset forem arranjados numa certa ordem, então c pode tornar-se monotônica ou antimonotônica. Por exemplo, suponha que c é a condição : a média dos preços dos itens contido no itemset é menor ou igual a 100. É claro que c não é nem monotônica, nem antimonotônica (Por que? Justifique.) Mas vamos supor que a geração dos itemsets se faz em ordem crescente de preço. Desta forma,
4 a condição c será antimonotônica, pois se um itemset I de tamanho k 1 é tal que a média dos preços de seus itens é superior a 100 (I viola a restrição c), então um itemset J gerado a partir de I acrescentando-se um item com preço superior aos preços de I vai também violar a restrição. Na tabela abaixo, são dadas diferentes restrições sobre itemsets I (I satisfaz a restrição se a expressão da primeira coluna é verificada por I). Complete a tabela, classifique cada uma em antimonotônica, monotônica, sucinta ou convertível em antimonotônica ou monotônica. Justifique suas respostas (isto é, prove por que em cada caso a restrição satisfaz ou não cada uma das quatro propriedades.) Restrição Antimonotônica Monotônica Sucinta Pão I Pão I ou Leite I I {Pão,Leite,Açúcar} {Pão,Leite,Açúcar} I min(i) α min(i) α max(i) α max(i) α suporte(i) α suporte(i) α Observação : Estamos supondo que os itens de I são números. Assim, min(i) é o menor item de I, max(i) o maior item, etc. Exercícios que envolvem raciocínio e análise, não muito fáceis 9. Suponha que c é uma restrição. Considere o seguinte problema de mineração de itemsets : input : uma restrição c output : todos os itemsets satisfazendo c. Desenvolva algoritmos gerais para resolver o problema acima nos seguintes casos : c é antimonotônica c é monotônica. c é sucinta. c é conversível. Observação : Se c fosse a restrição :
5 I tem suporte superior ou igual a α, com relação a um banco de dados D. então o algoritmo utilizado seria Apriori. Repare que se c for uma restrição antimonotônica qualquer, um algoritmo geral nas mesmas linhas de Apriori seria utilizado (iterativo, com 3 fases : geração, poda, validação). 10. Exercício 6.17 da página 275 do Livro (*). 11. Utilizando o exercício 5 e a propriedade de antimonotonia dos itemsets com relação ao suporte, melhore o algoritmo que gera as regras de associação interessantes (aquelas que têm confiança e suporte superiores aos respectivos níveis mínimos) depois que os itemsets frequentes foram criados pelo algoritmo Apriori (você utilizou este algoritmo no exercício 2). Exercícios de raciocínio e análise, razoavelmente difíceis 12. Exercício 6.5 da página 272 do Livro (*). 13. Exercício 6.6 da página 273 do Livro (*). Exercícios fáceis mas que envolvem leitura e entendimento de texto. 14. Leia e entenda muito bem a seção 6.5 do Livro (*) (páginas ) sobre Análise Correlacional. Este tema é muito importante : muitas vezes o fato de uma regra de associação ser interessante (ter suporte e confiança acima dos níveis mínimos dados) não significa que ela realmente seja de utilidade para o usuário, caso os items envolvidos forem negativamente correlacionados, isto é, a compra dos itens no antecedente da regra na verdade influencia negativamente a probabilidade da compra dos itens no consequente da regra. Para entender como isto pode acontecer, você deve ler com atenção esta seção do livro. 15. Fazer exercício 6.12 do Livro (*), página Fazer exercício 6.13 do Livro (*), página Taxonomias : Leia a seção 6.3 do Livro (*) (páginas 244 a 250). 18. Fazer exercício 6.9 do Livro (*), página Fazer exercício 6.10 do Livro (*), página Leia até a seção 3.2 do artigo Mining Generalized Association Rules. Este artigo está disponível na página do curso, na bibliografia.
Universidade Federal de Uberlândia. Programa de Mestrado em Ciência da Computação. Solução da Primeira Prova de Data Mining - 25/10/2006
Universidade Federal de Uberlândia Programa de Mestrado em Ciência da Computação Solução da Primeira Prova de Data Mining - 25/10/2006 Questão 1 (Valor = 2,5 pontos) Considere o seguinte banco de dados
Leia maisCURSO DE DATA MINING. Sandra A. de Amo
CURSO DE DATA MINING Sandra A. de Amo deamo@ufu.br Universidade Federal de Uberlândia Faculdade de Computação Agosto 2003 2 Conteúdo 1 Introdução - Slides 7 2 Mineração de Regras de Associação 28 2.1 Formalização
Leia maisSarajane M. Peres e Clodoaldo A. M. Lima. 19 de novembro de 2015
Sarajane M. Peres e Clodoaldo A. M. Lima 19 de novembro de 2015 Material baseado em: HAN, J. & KAMBER, M. Data Mining: Concepts and Techniques. 2nd. 2006 Sarajane M. Peres e Clodoaldo A. M. Lima Regras
Leia maisRegras de Associação. José Augusto Baranauskas Departamento de Física e Matemática FFCLRP-USP
Regras de Associação A compra de um produto quando um outro produto é comprado representa uma Regra de Associação Regras de Associação são frequentemente utilizadas para apoiar campanhas de marketing e
Leia maisKDD, Mineração de Dados e Algoritmo Apriori
Universidade Federal de São Carlos - UFSCar Departamento de Computação - DC Programa de Pós-Graduação em Ciência da Computação - PPGCC KDD, Mineração de Dados e Algoritmo Apriori Aluno: Rodrigo Moura J.
Leia maisCurso de Data Mining
Curso de Data Mining Sandra de Amo Aula 2 - Mineração de Regras de Associação - O algoritmo APRIORI Suponha que você seja gerente de um supermercado e esteja interessado em conhecer os hábitos de compra
Leia maisMineração de padrões frequentes
Mineração de padrões frequentes Fabrício J. Barth fabricio.barth@gmail.com Setembro de 2016 Objetivos Os objetivos desta aula são: Apresentar e discutir métodos para identificar associações úteis em grandes
Leia maisAula 13: Regras de Associação. Rafael Izbicki
Mineração de Dados Aula 13: Regras de Associação Rafael Izbicki 1 / 6 O Problema Imagine que temos um banco de dados em que cada linha representa a ida de uma pessoa a um supermercado, e cada coluna representa
Leia maisAutor(es) HARLEI MIGUEL DE ARRUDA LEITE. Orientador(es) MARINA TERESA PIRES VIEIRA. Apoio Financeiro PIBIC/CNPQ. 1. Introdução
19 Congresso de Iniciação Científica IMPLEMENTAÇÃO DE GUIAS E ALGORITMOS PARA REGRAS DE ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) HARLEI MIGUEL DE ARRUDA LEITE Orientador(es)
Leia maisSistema de mineração de dados para descoberta de padrões em dados médicos
Sistema de mineração de dados para descoberta de padrões em dados médicos Matheus Felipe MIRANDA¹; Marcos Roberto RIBEIRO² ¹ Estudante do curso de Tecnologia em Análise e Desenvolvimento de Sistemas e
Leia maisUNIVERSIDADE ESTADUAL VALE DO ACARA
UNIVERSIDADE ESTADUAL VALE DO ACARAÚ Coordenação de Matemática - a Avaliação (comentada) - Álgebra Matricial - 5/5/24 Professor: Márcio Nascimento. Classifique cada afirmação como verdadeira ou falsa.
Leia maisMétodos iterativos para sistemas lineares.
Métodos iterativos para sistemas lineares. Alan Costa de Souza 7 de Setembro de 2017 Alan Costa de Souza Métodos iterativos para sistemas lineares. 7 de Setembro de 2017 1 / 46 Introdução. A ideia central
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Análise de associação Principais tópicos Análise de associação Itens frequentes Conjunto de itens frequentes de associação Avaliação de regras de associação Docente:
Leia maisInteligência Artificial
UFRGS 2 Inteligência Artificial Técnicas de Mineração de Dados Árvores de Decisão Regras de Associação Árvores de Decisão As árvores de decisão (AD) são ferramentas poderosas para classificação cuja maior
Leia maispartir da navegação de usuários em sites Web
Criação de regras de associação a partir da navegação de usuários em sites Web Fabrício J. Barth Faculdades BandTec e VAGAS Tecnologia Junho de 2013 Processo de mineração de padrões na Web Pré processamento
Leia maisInteligência Artificial
Inteligência Artificial Descoberta de Conhecimento em Bases de Dados Mineração de Dados Descobertas de regras de associação Descoberta de Conhecimento em Bases de Dados DCBD (Descoberta de Conhecimento
Leia mais1 a LISTA DE EXERCÍCIOS Sistemas de Equações Lineares e Matrizes Álgebra Linear - 1 o Semestre /2018 Engenharia Aeroespacial
1 a LISTA DE EXERCÍCIOS Sistemas de Equações Lineares e Matrizes Álgebra Linear - 1 o Semestre - 217/218 Engenharia Aeroespacial Problema 1 Calcule A 2 2B + I, ( ( 2 1 onde A =, B =, e I é a matriz identidade
Leia maisLógica para Computação Segundo Semestre, Aula 10: SAT. Prof. Ricardo Dutra da Silva. ( p (q ( q r))) ( p r) ( p q) ( p q r) p r.
Lógica para Computação Segundo Semestre, 2014 Aula 10: SAT DAINF-UTFPR Prof. Ricardo Dutra da Silva Definição 10.1. SAT é o problema de decidir se existe uma valoração que satisfaça uma fórmula proposicional.
Leia maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia maisRESUMO ABSTRACT. Vamos supor que uma caixa-preta, representada por uma relação de entrada e saída. f :!! 7!
REALIZAÇÃO CANÔNICA DA SEQÜÊNCIA DE FIBONACCI Paulo Franca Bandel (IC) 1 & Marcos Antonio Botelho Labmat Laboratório de Matemática Experimental Departamento de Matemática Instituto Tecnológico de Aeronáutica
Leia maisLista 1 - Cálculo Numérico - Zeros de funções
Lista 1 - Cálculo Numérico - Zeros de funções 1.) De acordo com o teorema de Bolzano, se uma função contínua f(x) assume valores de sinais opostos nos pontos extremos do intervalo [a, b], isto é se f(a)
Leia maisPARTE I EQUAÇÕES DE UMA VARIÁVEL REAL
PARTE I EQUAÇÕES DE UMA VARIÁVEL REAL. Introdução Considere f uma função, não constante, de uma variável real ou complexa, a equação f(x) = 0 será denominada equação de uma incógnita. EXEMPLO e x + senx
Leia maisCurso de Data Mining. Sandra de Amo. Aula 18 - Mineração de padrões em caminhos percorridos por usuários da Internet
Curso de Data Mining Sandra de Amo Aula 18 - Mineração de padrões em caminhos percorridos por usuários da Internet Nesta aula vamos tratar do problema de mineração de caminhos percorridos por usuários
Leia maisLógica Texto 11. Texto 11. Tautologias. 1 Comportamento de um enunciado 2. 2 Classificação dos enunciados Exercícios...
Lógica para Ciência da Computação I Lógica Matemática Texto 11 Tautologias Sumário 1 Comportamento de um enunciado 2 1.1 Observações................................ 4 2 Classificação dos enunciados 4 2.1
Leia maisUm Minotauro Perdido & Percolação
Departamento de Ciência da Computação IME-USP Segundo Semestre de 2014 MAC 115 Introdução à Computação IF Noturno (Versão quase final) Um Minotauro Perdido & Percolação Exercício-Programa 4 (EP4) Data
Leia maisExpressões e enunciados
Lógica para Ciência da Computação I Lógica Matemática Texto 2 Expressões e enunciados Sumário 1 Expressões e enunciados 2 1.1 Observações................................ 2 1.2 Exercício resolvido............................
Leia maisATIVIDADES EM SALA DE AULA Cálculo I -A- Humberto José Bortolossi
ATIVIDADES EM SALA DE AULA Cálculo I -A- Humberto José Bortolossi http://www.professores.uff.br/hjbortol/ 08 Continuidade e O Teorema do Valor Intermediário [0] (2008.) (a) Dê um exemplo de uma função
Leia maisMétodo de Newton truncado
Método de Newton truncado Marina Andretta ICMC-USP 8 de outubro de 2018 Baseado no livro Numerical Optimization, de J. Nocedal e S. J. Wright. Marina Andretta (ICMC-USP) sme5720 - Otimização não-linear
Leia maisMineração de Dados. Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri
Mineração de Dados Arthur Emanuel de O. Carosia Cristina Dutra de Aguiar Ciferri 1 Motivação Aumento da capacidade de processamento e de armazenamento de dados; Baixo custo; Grande quantidade de dados
Leia maisExistem infinitos números de Carmichael, mas não provaremos isso neste curso.
6 Pseudoprimos 6.1 O Pequeno Teorema de Fermat nos diz que, se n é primo, então temos b n b (mod n) para todo b Z. Portanto, a contrapositiva diz que se temos b n b (mod n) ( ) para algum b Z, então n
Leia maisAlfabeto da Lógica Proposicional
Ciência da Computação Alfabeto da Lógica Sintaxe e Semântica da Lógica Parte I Prof. Sergio Ribeiro Definição 1.1 (alfabeto) - O alfabeto da é constituído por: símbolos de pontuação: (, ;, ) símbolos de
Leia maisAula 19: Lifting e matrizes ideais
Aula 19: Lifting e matrizes ideais Otimização Linear e Inteira Túlio A. M. Toffolo http://www.toffolo.com.br BCC464/PCC174 2018/2 Departamento de Computação UFOP Previously... Branch-and-bound Formulações
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO Instituto de Ciências Matemáticas e de Computação ISSN 0103-2569 Descrição de um Algoritmo para Generalização de Regras de Associação Marcos Aurélio Domingues Solange Oliveira
Leia maisAula 7: Dedução Natural 2
Lógica para Computação Segundo Semestre, 2014 DAINF-UTFPR Aula 7: Dedução Natural 2 Prof. Ricardo Dutra da Silva -introdução Dada uma premissa A, nós podemos concluir A B para qualquer fórmula B. A justificativa
Leia maisCapítulo 9: Linguagens sensíveis ao contexto e autômatos linearmente limitados.
Capítulo 9: Linguagens sensíveis ao contexto e autômatos linearmente limitados. José Lucas Rangel 9.1 - Introdução. Como já vimos anteriormente, a classe das linguagens sensíveis ao contexto (lsc) é uma
Leia maisCADERNO DE EXERCÍCIOS 3C
CADERNO DE EXERCÍCIOS 3C Ensino Médio Matemática Questão Conteúdo Habilidade da Matriz da EJA/FB 1 Princípio Multiplicativo H9 2 Equações exponenciais H18 1 1. (ENEM 2012) O diretor de uma escola convidou
Leia maisMATRIZES - PARTE Mais exemplos Multiplicação de duas matrizes AULA 26
AULA 26 MATRIZES - PARTE 2 26. Mais exemplos Nesta aula, veremos mais dois algoritmos envolvendo matrizes. O primeiro deles calcula a matriz resultante da multiplicação de duas matrizes e utiliza três
Leia maisMinerando regras de associação
Minerando regras de associação Proposto por Rakesh Agrawal em 1993. É o modelo de mineração de dados mais estudado pela comunidade de banco de dados. Utiliza dados categóricos. Não há bons algoritmos para
Leia maisCurso de Data Mining
Curso de Data Mining Sandra de Amo Curvas Roc Uma curva ROC (Receiver Operating Characteristic) é um enfoque gráfico que permite visualizar os trade-offs entre as taxas de positivos verdadeiros e positivos
Leia maisINTRODUÇÃO LINGUAGEM C
INTRODUÇÃO LINGUAGEM C Aula 1 TECNOLOGIA EM JOGOS DIGITAIS LINGUAGEM E TÉCNICAS DE PROGRAMAÇÃO Marcelo Henrique dos Santos Marcelo Henrique dos Santos Mestrado em Educação (em andamento) MBA em Negócios
Leia maisRelatório de Atividades
Relatório de Atividades BCC390 - Monografia I MINERAÇÃO DE DADOS PARA PADRÕES DE SEQUENCIA Cecília Henriques Devêza OURO PRETO, 27 DE NOVEMBRO DE 2010 Introdução O que são Padrões de Sequência O projeto
Leia maisApresentação do curso
Folha 1 Matemática Básica Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Apresentação do curso Parte 1 Parte 1 Matemática Básica 1 Parte 1 Matemática Básica
Leia mais1 0 para todo x, multiplicando-se os dois membros por. 2x 1 0 x 1 2. b a x. ba 2. e b 2 c
CAPÍTULO 1 Exercícios 1..n) Como x 0 para todo x, o sinal de x(x ) é o mesmo que o de x; logo, x(x ) 0 para x 0; x(x ) 0 para x 0; x(x ) 0 para x 0.. n) Como x 1 1 0 para todo x, multiplicando-se os dois
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisMINERAÇÃO DE DADOS EM ARQUIVOS DE LOG GERADOS POR SERVIDORES DE PÁGINAS WEB
MINERAÇÃO DE DADOS EM ARQUIVOS DE LOG GERADOS POR SERVIDORES DE PÁGINAS WEB Acadêmico: Leonardo José Correia Orientador: Prof. Ricardo Alencar Azambuja Blumenau, Julho/2004 1 Roteiro Introdução Objetivo
Leia mais18º Congresso de Iniciação Científica TRATAMENTO DE REGRAS DA ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA
18º Congresso de Iniciação Científica TRATAMENTO DE REGRAS DA ASSOCIAÇÃO MULTIRELACIONAL NA FERRAMENTA DE MINERAÇÃO DE DADOS KIRA Autor(es) JONAS RAFAEL ONOFRE Orientador(es) MARINA TERESA PIRES VIEIRA
Leia maisOtimização Aplicada à Engenharia de Processos
Otimização Aplicada à Engenharia de Processos Aula 4: Programação Linear Felipe Campelo http://www.cpdee.ufmg.br/~fcampelo Programa de Pós-Graduação em Engenharia Elétrica Belo Horizonte Março de 2013
Leia mais1 Congruências e aritmética modular
1 Congruências e aritmética modular Vamos considerar alguns exemplos de problemas sobre números inteiros como motivação para o que se segue. 1. O que podemos dizer sobre a imagem da função f : Z Z, f(x)
Leia maisApresentação do curso
Matemática Básica Humberto José Bortolossi Departamento de Matemática Aplicada Universidade Federal Fluminense Apresentação do curso Parte 1 Parte 1 Matemática Básica 1 Parte 1 Matemática Básica 2 Conteúdo
Leia mais5. EQUAÇÕES E INEQUAÇÕES EXPONENCIAIS E LOGARÍTMICAS
57 5. EQUAÇÕES E INEQUAÇÕES EXPONENCIAIS E LOGARÍTMICAS 5.. EQUAÇÕES EXPONENCIAIS Equações que envolvem termos em que a incógnita aparece no epoente são chamadas de equações eponenciais. Por eemplo, =
Leia maisUNIVERSIDADE DE SÃO PAULO
UNIVERSIDADE DE SÃO PAULO Instituto de Ciências Matemáticas e de Computação ISSN 0103-2569 AprioriGen: Uma extensão do algoritmo Apriori para obtenção de Regras de Associação Generalizadas André Roberto
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 14 Regras de Associação Max Pereira Regras de Associação Motivação O que é geralmente comprado junto com o produto x? Que pares de produtos são comprados juntos?
Leia maisMineração de itemsets e regras de associação
Mineração de itemsets e regras de associação Marcelo K. Albertini 3 de Novembro de 2015 2/46 Conteúdo Regras de associação A-priori FP-Tree 3/46 Análise de cestas de compras Uma cadeia de supermercados
Leia mais18 18 = Da igualdade acima, temos: k = k+ 4 Não apresenta solução. ou. Assim: k! = 7! = Resposta: D
01 18 18 = k k+ 4 Da igualdade acima, temos: k = k+ 4 Não apresenta solução. ou k + k + 4 = 18 k = 7 Assim: k! = 7! = 5040 Resposta: D 1 0 14 14 = k k 4 Da igualdade acima, temos: k = k 4 não apresenta
Leia maisDemonstrações Matemáticas Parte 2
Demonstrações Matemáticas Parte 2 Nessa aula, veremos aquele que, talvez, é o mais importante método de demonstração: a prova por redução ao absurdo. Também veremos um método bastante simples para desprovar
Leia maisÉ neste ponto que entra o conceito de lógica de programação.
AULA 01 OBJETIVO: Desenvolvimento e solução de Algoritmos. LÓGICA DE PROGRAMAÇÃO A lógica é a ciência do pensamento correto. Esta declaração não implica, contudo, em afirmar que ela seja a ciência da verdade.
Leia maisMinerando Padrões Sequenciais para Bases de Dados de Lojas Virtuais
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Departamento de Computação Minerando Padrões Sequenciais para Bases de Dados de Lojas Virtuais Cecília Henriques Devêza ceciliadeveza@gmail.com
Leia maisExercícios sobre Polinômios
uff Universidade Federal Fluminense Campus do Valonguinho Instituto de Matemática e Estatística Departamento de Matemática Aplicada - GMA Eercícios sobre Polinômios Prof Saponga Rua Mário Santos Braga
Leia maisPoliedros na forma padrão
Poliedros na forma padrão Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211 - Otimização
Leia maisPontos extremos, vértices e soluções básicas viáveis
Pontos extremos, vértices e soluções básicas viáveis Marina Andretta ICMC-USP 19 de outubro de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta
Leia maisBases Matemáticas. Como o Conhecimento Matemático é Construído. Aula 2 Métodos de Demonstração. Rodrigo Hausen. Definições Axiomas.
1 Bases Matemáticas Aula 2 Métodos de Demonstração Rodrigo Hausen v. 2012-9-21 1/15 Como o Conhecimento Matemático é Construído 2 Definições Axiomas Demonstrações Teoremas Demonstração: prova de que um
Leia mais1 Classificadores Bayseanos Simples
Aula 12 - Classificadores Bayseanos Curso de Data Mining Sandra de Amo Classificadores Bayseanos são classificadores estatísticos que classificam um objeto numa determinada classe baseando-se na probabilidade
Leia maisSociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional
Sociedade Brasileira de Matemática Mestrado Profissional em Matemática em Rede Nacional MA12 Matemática Discreta Avaliação - GABARITO AV 3 - MA 12 13 de julho de 2013 1. (2,0) Seja (a n ) uma progressão
Leia maisFração como Probabilidade - União e Interseção de Eventos. Sexto Ano do Ensino Fundamental
Material Teórico - Módulo de FRAÇÃO COMO PORCENTAGEM E COMO PROBABILIDADE Fração como Probabilidade - União e Interseção de Eventos Sexto Ano do Ensino Fundamental Prof. Francisco Bruno Holanda Prof. Antonio
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 15 Agentes que Raciocinam Logicamente
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 15 Agentes que Raciocinam Logicamente 1 Bem-vindos ao Mundo do Wumpus Wumpus Agente caçador de tesouros 2 Codificação do Mundo do Wumpus 4 3 fedor
Leia maisCréditos. SCC0173 Mineração de Dados Biológicos. Aula de Hoje. Análise de Associação. Mineração de Regras de Associação
SCC0173 Mineração de Dados Biológicos Mineração de Regras de Associação Prof. Ricardo J. G. B. Campello Créditos Parte deste material consiste de adaptações e extensões dos originais: gentilmente cedidos
Leia maisInvestigação Operacional 21076
text Investigação Operacional 21076 Período de Realização Decorre de 10 a 17 de Abril de 2019 Data de Limite de Entrega 17 de Abril de 2019, até às 23h55 de Portugal Continental Tema Programação Linear.
Leia maisUniversidade da Beira Interior Departamento de Matemática. Ficha de exercícios nº3: Dualidade. Interpretação Económica.
Ano lectivo: 2008/2009; Universidade da Beira Interior Departamento de Matemática INVESTIGAÇÃO OPERACIONAL Ficha de exercícios nº3: Dualidade. Interpretação Económica. Cursos: Economia 1. Formule o problema
Leia mais3 AULA. Séries de Números Reais LIVRO. META Representar funções como somas de séries infinitas. OBJETIVOS Calcular somas de infinitos números reais.
LIVRO Séries de Números Reais META Representar funções como somas de séries infinitas. OBJETIVOS Calcular somas de infinitos números reais. PRÉ-REQUISITOS Seqüências (Aula 02). Séries de Números Reais.
Leia maisIII Números reais - módulo e raízes Módulo ou valor absoluto Definição e exemplos... 17
UFF/GMA - Matemática Básica I - Parte III Notas de aula - Marlene - 010-16 Sumário III Números reais - módulo e raízes 17 3.1 Módulo valor absoluto...................................... 17 3.1.1 Definição
Leia maisLógica dos Conectivos: demonstrações indiretas
Lógica dos Conectivos: demonstrações indiretas Renata de Freitas e Petrucio Viana IME, UFF 5 de novembro de 2014 Sumário Acrescentando premissas. Estratégias indiretas. Principais exemplos. Um problema
Leia maisTestes de Hipótese para uma única Amostra - parte I
Testes de Hipótese para uma única Amostra - parte I 26 de Junho de 2014 Objetivos Ao final deste capítulo você deve ser capaz de: Estruturar problemas de engenharia como testes de hipótese. Entender os
Leia maisAlgoritmos de aproximação - Método primal-dual
Algoritmos de aproximação - Método primal-dual Marina Andretta ICMC-USP 28 de outubro de 2015 Baseado no livro Uma introdução sucinta a Algoritmos de Aproximação, de M. H. Carvalho, M. R. Cerioli, R. Dahab,
Leia maisAnálise Matemática I 1 o Exame (Grupos I, II, III, IV, V e VI) 2 o Teste (Grupos IV, V e VI)
Análise Matemática I o Exame (Grupos I, II, III, IV, V e VI) 2 o Teste (Grupos IV, V e VI) Campus da Alameda 5 de Janeiro de 2003 LEC, LET, LEN, LEM, LEMat, LEGM Apresente todos os cálculos e justificações
Leia maisAnálise da Regressão múltipla: Inferência. Aula 4 6 de maio de 2013
Análise da Regressão múltipla: Inferência Revisão da graduação Aula 4 6 de maio de 2013 Hipóteses do modelo linear clássico (MLC) Sabemos que, dadas as hipóteses de Gauss- Markov, MQO é BLUE. Para realizarmos
Leia maisLógica Proposicional Métodos de Validação de Fórmulas. José Gustavo de Souza Paiva. Introdução
Lógica Proposicional Métodos de Validação de Fórmulas José Gustavo de Souza Paiva Introdução Análise dos mecanismos que produzem e verificam os argumentos válidos apresentados na linguagem da lógica Três
Leia maisPOSTO DE GASOLINA PARA BARCOS
POSTO DE GASOLINA PARA BARCOS Um afastado posto de gasolina para barcos revende combustível para barqueiros e pescadores. O posto possui um acordo com seu fornecedor que entrega no início de cada semana
Leia maisSME Cálculo Numérico. Lista de Exercícios: Gabarito
Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado
Leia maisRaciocínio Lógico. Quantificadores Lógicos: Todo, Nenhum e Existente. Professor Edgar Abreu.
Raciocínio Lógico Quantificadores Lógicos: Todo, Nenhum e Existente Professor Edgar Abreu www.acasadoconcurseiro.com.br Raciocínio Lógico QUANTIFICADORES LÓGICOS Chama-se argumento a afirmação de que
Leia maisNeste capítulo estamos interessados em resolver numericamente a equação
CAPÍTULO1 EQUAÇÕES NÃO-LINEARES 1.1 Introdução Neste capítulo estamos interessados em resolver numericamente a equação f(x) = 0, onde f é uma função arbitrária. Quando escrevemos resolver numericamente,
Leia maisLegenda. Questões. Lista de Exercícios - Autovalores e autovetores. Cálculos Teoria Geometria
Lista de Exercícios - Autovalores e autovetores Legenda Cálculos Teoria Geometria Questões. Considere o quadrado determinado pelos pontos A(0, 0), B(, 0), C(, ) e D(0, ).Em cada item aplique o referido
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 8 04/2014 Zeros reais de funções Parte 2 Voltando ao exemplo da aula anterior, vemos que o ponto médio da primeira iteração
Leia maisMICROECONOMIA 1. Departamento de Economia, Universidade de Brasília Notas de Aula 10 Graduação Prof. José Guilherme de Lara Resende.
MICROECONOMIA 1 Departamento de Economia, Universidade de Brasília 10 Graduação Prof. José Guilherme de Lara Resende 1 Preferência Revelada As preferências das pessoas não são observáveis. O que podemos
Leia maisAgenda. Complexidade Não Determinista A classe NP. A classe Co-NP Reduções de tempo polinomial. Definida por. Exemplos em:
A Classe NP Agenda Complexidade Não Determinista A classe NP Definida por aceitação em tempo polinomial por NTM s instâncias positivas com provas de tamanho polinomial aceitação por verificadores em tempo
Leia maisNome: Nr Turma GRUPO II (80 PONTOS) . 1 2
Faculdade de Ciências Económicas e Empresariais UCP MATEMÁTICA I MINI-TESTE 1 - versão A Duração: 90 minutos Durante a prova não serão prestados quaisquer tipo de esclarecimentos. Qualquer dúvida ou questão
Leia maisResolução da Prova MPU Técnico Disciplina: Raciocínio Lógico Professor: Valdenilson Garcia
Resolução da Prova MPU 01 - Técnico Disciplina: Raciocínio Lógico Professor: Valdenilson Garcia e-mail: profvaldenilson@hotmail.com 01 Copyright. Curso Agora eu Passo - Todos os direitos reservados ao
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisUniversidade Federal de Pelotas. Instituto de Física e Matemática Pró-reitoria de Ensino. Módulo de Limites. Aula 01. Projeto GAMA
Universidade Federal de Pelotas Instituto de Física e Matemática Pró-reitoria de Ensino Atividades de Reforço em Cálculo Módulo de Limites Aula 0 208/ Projeto GAMA Grupo de Apoio em Matemática Ideia Intuitiva
Leia maisICET CURSO: Ciência da Computação e Sistemas de Informação (Engenharia de Software) Campus: Data: / / Nome:
ICET CURSO: Ciência da Computação e Sistemas de Informação (Engenharia de Software) Estudos Disciplinares Campus: Data: / / Nome: RA: Turma: Questão 1: Assinale a função correta de engenharia de requisitos:
Leia maisComplexidade computacional
Complexidade computacional Marina Andretta ICMC-USP 15 de setembro de 2015 Baseado no livro Uma introdução sucinta a Algoritmos de Aproximação, de M. H. Carvalho, M. R. Cerioli, R. Dahab, P. Feofiloff,
Leia maisInferência para duas populações
Inferência para duas populações Capítulo 13, Estatística Básica (Bussab&Morettin, 8a Edição) 7a AULA 27/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 7a aula (27/04/2015) MAE229 1 / 27 1.
Leia maisMineração de Dados (Regras de associação)
Aplicações Mineração de Dados (Regras de associação) Perfis de clientes ( Market basket analysis ) Merchandizing Detecção de fraudes em seguros de saúde Organização de produtos em vitrines de lojas M.
Leia mais(d) Cada vetor de R 2 pode ser escrito de forma única como combinação linear dos vetores
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno Costa, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez, Monique Carmona, Nilson Bernardes e Nilson Roberty
Leia maisAulas 6 / 05 de setembro
Gabriel Coutinho DCC5 - Pesquisa Operacional - 7. Simplex Ei-lo. Aulas 6 / 5 de setembro Método Simplex Input: Uma PL e uma base viável de colunas B. Output: Uma solução ótima, ou um certificado de que
Leia maisResolução de problemas com apenas restrições lineares de igualdade
Resolução de problemas com apenas restrições lineares de igualdade Marina Andretta ICMC-USP 14 de outubro de 2014 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de outubro de 2014 1 / 22
Leia maisPara provar uma implicação se p, então q, é suficiente fazer o seguinte:
Prova de Implicações Uma implicação é verdadeira quando a verdade do seu antecedente acarreta a verdade do seu consequente. Ex.: Considere a implicação: Se chove, então a rua está molhada. Observe que
Leia maisFicha de Trabalho 02 Sistemas. Matriz Inversa. (Aulas 4 a 6).
F I C H A D E R A B A L H O 0 Ficha de rabalho 0 Sistemas. Matriz Inversa. (Aulas 4 a 6). Sistemas de equações lineares. Equação linear. Sistema de equações lineares. Equação matricial. Soluções do sistema.
Leia maisTERCEIRO TESTE DE ÁLGEBRA LINEAR Teste de Dezembro de 2013 Instituto Superior Técnico - LEE, LEGI, LEIC-TP, LETI
TERCEIRO TESTE DE ÁLGEBRA LINEAR Teste 3.3 21 de Dezembro de 2013 Instituto Superior Técnico - LEE, LEGI, LEIC-TP, LETI Nome: Número: Curso: Problema a b c d e lalala Classificação 1 2 3 4 5 9 10 11 12
Leia maisCapítulo 2: Procedimentos e algoritmos
Capítulo 2: Procedimentos e algoritmos Para estudar o processo de computação de um ponto de vista teórico, com a finalidade de caracterizar o que é ou não é computável, é necessário introduzir um modelo
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia mais