MCTA017 -- Programação Matemática -- 2020.S


Atualizado em 14/01

Conceitos

Aulas e Avaliações

  • Professor: Aritanan Gruber ( página no Tidia para entrega de listas em pdf )
  • Atendimento: segundas das 19h às 21h via Google Classroom (código: ktsdeaw) / Meet.
  • Aulas assíncronas: vídeos (máximo de 30min cada) no canal Aritanan Gruber do YouTube.
  • Listas: $L_1$ ( 23/11; solução ), $L_2$ ( 14/12; solução ), $L_3$ opcional ( 23/12; solução ).
  • Notas de aula:
    • A01-21/09 e A02-24/09vídeos: parte 1, parte 2, parte 3.
      Introdução à Otimização. Modelos de Programação Linear.
      leitura: BT[A] 1.1 – 1.4; GM[C] 1.1, 1.2, 2.1 – 2.5, 1.4

    • A03-28/09 e A04-01/10vídeos: parte 1, parte 2, parte 3, parte 4.
      Introdução à Otimização Linear e Dualidade. Viabilidade vs. Otimização.
      leitura: BT[A] 1.6, 1.8, 4.1, 4.2; GM[C] 1.3, 3.1, 4.1, 6.1, 6.2

    • A05-05/10 e A06-08/10vídeos: parte 1, parte 2, parte 3.
      Elementos Básicos de Álgebra Linear.
      leitura: BT[A] 1.5; GM[C] Apêndice; A[N] 1.B, 1.C, 2.A – 2.C, 3.A

    • A07-12/10 e A08-15/10vídeos: parte 1, parte 2, parte 3.
      Conjuntos Afins. Teorema Fundamental da Álgebra Linear. Conjuntos Convexos I.
      leitura: BT[A] 2.1; GM[C] Apêndice, 4.3; A[N] 3.B, 3.C, 6.A, 6.B, 6.C

    • A09-19/10 e A10-22/10vídeos: parte 1, parte 2, parte 3.
      Conjuntos Convexos II. Sistemas de Inequações. Fourier-Motzkin. Lemas de Farkas.
      leitura: BT[A] 2.7, 2.8, 4.6, 4.7; GM[C] 4.1, 4.2, 4.3

    • A11-26/10 e A12-29/10vídeos: parte 1, parte 2, parte 3.
      Teorema Forte de Dualidade e Folgas Complementares. Aplicações. Estrutura de Poliedros I.
      leitura: BT[A] 4.2 – 4.4, 4.9; GM[C] 6.1, 6.2, 6.4, 6.7

    • [A13-02/11 e A14-05/11] – vídeos: parte 1, parte 2, parte 3.
      Estrutura de Poliedros II. Algoritmo Simplex Primal.
      leitura: BT[A] 2.2–2.6, 3.1 – 3.5, 3.7; GM[C] 4.4, 5.1 – 5.10

    • [A15-09/11 e A16-12/11] – vídeos: parte 1, parte 2, parte 3.
      Aplicações. Algoritmo Simplex Dual. Método Primal-Dual.
      leitura: BT[A] 4.5, ???

    • [A17-16/11 e A18-19/11] – vídeos: parte 1, parte 2, parte 3.
      Linguagens para Modelagem. Análise de Sensibilidade. PL em Larga Escala.
      leitura: BT[A] 5.1 – 5.4, 6.1, 6.2, 12.1

    • [A19-23/11 e A20-23/11] – vídeos: parte 1, parte 2, parte 3.
      Introdução à Otimização Linear Inteira.
      leitura: BT[A] 10.1 – 10.3, 11.1, 11.2; GM[C] 3.1 – 3.4

    • A21-30/11 e A22-03/12 – equivalente à reposição de feriados

    • A23-07/12 e A24-10/12 – equivalente a provas

    • A25-14/12 e A26-17/12 – equivalente a revisão e recuperação

Critérios

Avaliação Cálculo
Nota nominal ($N$)     $N = \max\{(L_1+L_2)/2,(L_1+L_2+L_3)/3\}$

Conceito nominal ($C_N$): reflete o seu desempenho frente ao material apresentado e às avaliações realizadas; obtido pelo encaixe de $N$ em um dos intervalos: $$-\infty < \mathbf{F} < 5.0 \leq \mathbf{D} \leq 6.0 < \mathbf{C} \leq 7.0 < \mathbf{B} \leq 8.5 < \mathbf{A} < \infty.$$

Normalização

Sejam $\mu$ e $\sigma$ a média e o desvio padrão das notas $N$ atribuídas a todos os alunos. Cada aluno obterá uma nota normalizada: $$M = (N-\mu)/\sigma.$$

Conceito normalizado ($C_M$): reflete o seu desempenho perante os seus colegas; obtido pelo encaixe de $M$ em um dos intervalos: $$-\infty < \mathbf{F} < -\frac{1}{4}\sigma \leq \mathbf{D} < 0 \leq \mathbf{C} < \frac{1}{4}\sigma \leq \mathbf{B} < \frac{1}{2}\sigma \leq \mathbf{A} < \infty.$$

Considerando-se a ordenação $\mathbf{A} > \mathbf{B} > \mathbf{C} > \mathbf{D} > \mathbf{F}$, seu conceito efetivo (final / pré-recuperação) será maior ou igual ao seu conceito nominal: $$C_F = \max\{C_N,C_M\}.$$

Recuperação

Caso seu conceito $C_F$ seja $\mathbf{D}$ ou $\mathbf{F}$, você tem direito a uma prova presencial de recuperação $P_R$. Esta será única e contemplará toda a matéria do quadrimestre. Uma nova nota nominal $\overline{N}=(N+P_R)/2$ será utilizada para gerar um novo conceito (nominal) final pós-recuperação $\overline{C}_N$. Não haverá normalização na recuperação. Seu conceito final pós-recuperação pode ser menor que o pré-recuperação: uma vez feita, a recuperação é parte integrante da sua avaliação.


Bibliografia

A referência principal é Bertsimas-Tsitsiklis [A], com incursões em e exemplos de Gärtner-Matousek [C]. Ambos são muito didáticos.

Para material mais avançado em teoria e algoritmos, consulte Nemhauser-Wolsey [D] e, principalmente, Schrijver [E]. Para modelagem, recomendamos Chen-Batson-Dand [B], Fourer-Gay-Kerninghan [I] e Williams [J]. Conceitos de álgebra linear são cobertos em nível introdutório em Axler [K] e Strang [N] e, em forma mais avançada, em Hoffman-Kunze [O]. A referência clássica para análise convexa é Rockafellar [M]; Bertsekas-Nedic-Ozdaglar [L] é uma boa alternativa – ambos contém muito mais material do que vamos precisar. Para otimização além de linear, consulte Bertsekas [F], Boyd-Vendenberghe [G] e Ruszczynski [H].

Otimização Linear e Linear Inteira

Otimização Convexa e Não-Linear

Modelagem e Ferramentas

Álgebra Linear e Análise Convexa

Estudando para esta disciplina

Este curso tem nível introdutório e contempla uma coleção de problemas elementares e fundamentais na área. Apesar disso, é normal fazer confusões e sentir-se perdido no início. O motivo é, em geral, a falta de familiaridade com formalismo matemático e raciocínio algorítmico -– algo que o curso pretende reverter.

  • Refaça os exemplos fornecidos em sala de aula e re-prove os principais resultados.
  • Preste atenção ao processo de solução e não foque somente no resultado final.
  • Assista às aulas (vídeos) e resolva os exercícios propostos durante as mesmas e os contidos nas listas (não somente os para entrega).
  • Estude a bibliografia indicada (monte grupos de estudo online) e faça um bom uso dos horários de atendimento.
  • Tenha sempre em mente que aprendizado é uma tarefa ativa; não fique somente assistindo.
  • Se ainda estiver se sentindo perdido, repita os passos acima. Mais cedo ou mais tarde, eles convergirão à compreensão.

Integridade acadêmica e transgressões

O Artigo 25 do Código de Ética da UFABC estabelece, à página 23: “Quanto aos trabalhos acadêmicos, é eticamente inaceitável que os discentes:

  • I - fraudem avaliações;
  • II - fabriquem ou falsifiquem dados;
  • III - plageiem ou não creditem devidamente autoria;
  • IV - aceitem autoria de material acadêmico sem participação na produção;
  • V - vendam ou cedam autoria de material acadêmico próprio a pessoas que não participaram da produção.”

Trabalhos (listas, provas, programas) suspeitos de cópia ou de outra representação fraudulenta acarretarão aos envolvidos conceitos $\mathbf{F}$ (falha) no curso. A atividade será reportada à Comissão Disciplinar Discente da universidade para que sejam tomadas todas as providências disciplinares cabíveis.

Avatar
Aritanan Gruber
Assistant Professor

“See, if y’all haven’t the same feeling for this, I really don’t give a damn. If you ain’t feeling it, then dammit this ain’t for you!"
(desconheço a autoria; agradeço a indicação)