O número de dados gerados a cada dia aumenta potencialmente, consequentemente, a dificuldade em se obter conhecimento pela análise dos mesmos segue a mesma proporção. Compreender esses dados, ou seja, conhecer a informação e o conhecimento implícito nesses dados assume, cada vez mais, um papel relevante no apoio à tomada de decisão. Para análise dos dados e das informações e extração de conhecimento foram desenvolvidas técnicas de mineração de dados. Em geral, o conhecimento descoberto por intermédio de processos de mineração de dados, em um paradigma simbólico, é expresso na forma de padrões interpretáveis. A descoberta de regras de associação é uma técnica de mineração de dados, que procura identificar padrões de dados em datasets, permitindo, após a sua interpretação, usar o conhecimento específico acerca do problema em estudo. Para auxílio nos processos de mineração de regras de associação, em especial na geração automática de hipóteses, pode-se utilizar redes (grafos), que possibilitam uma melhor visualização das informações coletadas. Existem várias medidas de regras de associação que podem ajudar na seleção de padrões interessantes para a geração de hipóteses. A utilização de redes no auxílio da mineração de regras de associação, bem como a poda das regras para extração do conhecimento são usadas as Redes de Regras de Associação (ARN - do inglês Association Rules Networks). Com o intuito de analisar o impacto de medidas objetivas assimétricas na construção de ARNs, foram realizados experimentos, os quais são descritos neste relatório técnico, bem como são apresentadas descrições das medidas e a relevância de cada uma delas no processo de seleção das regras e geração de hipóteses.