Filipe Reduto Gaspar https://resumosdesecundario.blogspot.

com

Matemática Aplicada às Ciências Sociais (M.A.C.S.)

3– Modelos matemáticos
3.2 – Modelos de grafos
3.2.1 – Linguagem e notações da teoria dos grafos
3.2.1.1 – Grafo, vértices, arestas, subgrafo, grafo ponderado e
orientado
Um grafo G é um par
(V,A) em que V
representa o conjunto
(não vazio) dos vértices
e A o conjunto das
arestas. Uma aresta liga
um vértice com outro
vértice ou o vértice com
ele próprio – uma aresta
que o faz é chamada
lacete ou laço. Um grafo
sem arestas chama-se grafo nulo.
Um vértice isolado é um vértice que não tem ligação com nenhum outro vértice.
Se dois vértices estão ligados por mais do que uma aresta, então as arestas que os ligam
são chamadas arestas paralelas.
Um grafo G é chamado subgrafo do
grafo H se todo o vértice de G é vertice
de H e se toda a aresta de G é aresta
de H.
Um grafo é ponderado quando as suas arestas possuem um peso (caso esse grafo seja
a representação de um mapa, por exemplo, o peso pode ser a distância, tempo, preço
entre um vértice e outro).
Se as arestas de um grafo têm uma direção associada (indicada por uma seta na
representação gráfica) esse grafo é orientado ou é um digrafo.

3.2.1.2 – Adjacência, ordem, dimensão e grau dos vértices

Vértices adjacentes são dois vértices com uma aresta a uni-los. Arestas adjacentes são
duas arestas com um vértice em comum.
Ao nº de vértices dum grafo chama-se ordem, e ao nº de arestas chama-se dimensão.
O grau ou valência de um vértice é igual ao nº de arestas que começam (ou terminam)
nesse vértice. O lacete conta duas vezes.
A soma de todos os graus dos vértices é igual a 2 × nº de arestas.
1
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

Num grafo sem pontos isolados, o nº de vértices de grau ímpar é par.

Um grafo regular é um grafo em que todos os vértices têm o mesmo grau.

3.2.1.3 – Grafo conexo, ponte e grafo completo

Um grafo é conexo quando qualquer vértice está ligado por uma aresta ou por uma
sequência de arestas a qualquer um dos outros vértices do grafo.
A uma aresta cuja remoção transforma um grafo conexo em desconexo chama-se ponte.

Chama-se grafo completo e simples a um grafo em que quaisquer dois dos seus vértices
são adjacentes, isto é, há pelo
menos uma aresta para cada
par dos seus vértices. Esses
grafos são designados por Kn,
em que n representa a ordem
do grafo.

3.2.1.4 – Caminho e circuito

Sejam x e y dois vértices de um grafo G. Um caminho de
x para y é uma sequência alternada de vértices e arestas
adjacentes de G. Esta sequência começa em x e termina
em y. Um grafo que tenha no máximo 2n vértices pode
ser percorrido completamente por n caminhos distintos
e separados. No exemplo ao lado, o caminho representa-
se por A – B – C – F.
Um circuito ou ciclo é um caminho que começa e acaba
no mesmo vértice. Chama-se comprimento de um
circuito ao nº de arestas por que é constituído. No
exemplo ao lado, o circuito representa-se por A – B – C –
D – E – F.

3.2.2 – Grafos eulerianos

3.2.2.1 – Circuito e caminho de Euler
Um circuito de Euler é um circuito que passa uma única vez em cada aresta do grafo.
Um grafo diz-se euleriano se admite um circuito de Euler. O teorema de Euler diz que
um grafo é euleriano se for conexo e se todos os seus vértices forem de grau par.
Um caminho euleriano é um caminho que passa uma única vez em cada aresta. O

2
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

teorema do caminho de Euler diz que um grafo admite um caminho euleriano se for
conexo e se tiver apenas dois vértices com grau ímpar. Tal caminho terá início num dos
vértices de grau ímpar e terminará no outro vértice de grau ímpar.

3.2.2.2 – Eulerizar um grafo

Ao processo que consiste em transformar um grafo que não é de Euler num grafo de
Euler, duplicando arestas, chama-se eulerizar um grafo.

3.2.3 – Grafos hamiltonianos

3.2.3.1 – Circuito de Hamilton
Chama-se circuito de Hamilton ou hamiltoniano a um caminho que começa e acaba no
mesmo vértice, passando por todos uma única vez. Um grafo que admite um circuito de
Hamilton é um grafo hamiltoniano. Num grafo com pontes não existem circuitos de
Hamilton, mas num grafo completo existem sempre. O teorema de Dirac (que nem
sempre funciona) diz que um grafo pode ser hamiltoniano se o grau de todos os vértices
for maior ou igual à metade da ordem do grafo.
Um caminho de Hamilton ou hamiltoniano é um caminho que passa uma única vez por
todos os vértices. Um grafo hamiltoniano admite sempre caminhos de Hamilton.

3.2.3.2 – Circuitos de Hamilton em diferentes tipos de grafos

Grafos bipartidos
Um grafo bipartido é um grafo com dois conjuntos de
vértices iguais, em que cada vértice de um conjunto está
ligado a todos os outros vértices do outro. Se o nº de vértices
de uma linha for igual ao nº de vértices da outra linha, o grafo
é hamiltoniano.

Grafos-grelha
Considere-se m o nº de linhas e n o nº de colunas num
grafo-grelha:

• Se m e n forem pares, o grafo é hamiltoniano;

• Se m ou n forem ímpares, o grafo é hamiltoniano;
• Se m e n forem ímpares, o grafo não é
hamiltoniano.

3
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

Grafos completos
• Nº de circuitos em Kn = (n-1)! ;
n (n−1)
• Nº de arestas em Kn = ;
2
(n−1)!
• Nº de circuitos diferentes em Kn = .
2

Grafos planares
Um grafo planar é um grafo que pode ser
desenhado no plano de forma que as arestas não
se cruzem. Alguns destes grafos podem ser
hamiltonianos.

3.2.3.3 – Algoritmos de circuitos hamiltonianos

Algoritmo da cidade mais próxima
1 – Seleciona-se a cidade (vértice) de partida.
2 – Segue-se de cidade em cidade, indo para a mais próxima não visitada, tendo em
conta que se houver dois vértices com a mesma proximidade, escolhe-se um
aleatoriamente, e que só se pode fechar o circuito quando todos os vértices tiverem sido
visitados.

Algoritmo do peso das arestas

1 – Ordenam-se as arestas pelos seus pesos;
2 – Escolhem-se sucessivamente as arestas de menor peso, tendo em conta que um
vértice nunca poderá aparecer três vezes e que nunca se fecha um circuito havendo
vértices por visitar.

3 – Ordena-se a solução conforme o vértice de partida escolhido.

3.2.4 – Árvores
3.2.4.1 – Propriedades e árvore abrangente
Árvores são uma classe de grafos que não têm circuitos (não podem ter arestas paralelas
nem lacetes) e que são conexos. Numa árvore, só há um caminho entre dois vértices, e
cada aresta é uma ponte. Uma árvore com n
vértices tem n-1 arestas.
Uma árvore abrangente é um subgrafo
conexo que contém todos os vértices do seu
grafo.

4
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

3.2.4.2 – Algoritmo de Kruskal

Escolher sucessivamente as arestas com menor peso, até se formar uma árvore
abrangente.

3.2.4.3 – Algoritmo de Prim

1 – Encontrar a aresta com menor peso (se houver mais do que uma, escolhe-se ao
acaso). Colocar em T (conjunto dos vértices pertencentes à árvore) os dois vértices
adjacentes a essa aresta;

2 – Escolher a aresta de menor peso que ligue um vértice de T a um vértice de S

(conjunto dos vértices que ainda não pertencem à árvore) e repetir até não haver mais
vértices em S.

3.2.4.4 – Caminho crítico

O método do caminho crítico pode conduzir a um dígrafo que permite determinar o
tempo mínimo de execução de um projeto quando se conhecem as diversas etapas e as
respetivas dependências. 7 6
Exemplo: 3 4
Tarefa Tempo (min.) Pré-requisitos 8
1 8 Nenhum 1 2 14
2 11 Nenhum 5 6
3 7 1 11
4 6 5 Tempo mínimo – 11+2+14 = 27 min.
2 9
5 2 1e2
6 14 5 7
7 9 2
Para se determinar o tempo mínimo, deve-se começar por escolher a tarefa que demora
mais tempo a ser feita. Escolhe-se depois a tarefa seguinte, que depende dela, e que
demora mais tempo a ser feita, e assim sucessivamente. Porém, deve-se tomar atenção
às outras tarefas fora dessa linha de dependência, que podem demorar mais tempo a
serem feitas do que várias juntas.

3.3 – Modelos populacionais

3.3.1 – Modelo linear
3.3.1.1 – Progressão aritmética
Uma sequência ou progressão é aritmética quando an+1 – an = r, ou seja, quando a
diferença entre quaisquer dois termos consecutivos é constante. Ao número r chama-
se razão.
O termo geral de uma progressão aritmética (an) é igual a an = a1 + (n – 1) × r ou a
an = a0 + n × r.

5
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

A soma dos n primeiros termos de uma progressão aritmética (an) é dada pela fórmula
a 1 + an
Sn = ×n.
2

3.3.1.2 – Modelo de regressão linear

y = ax + b, em que a e b são números reais.

3.3.2 – Modelo exponencial

3.3.2.1 – Progressão geométrica
an+ 1
Uma sequência ou progressão é geométrica quando = r ou quando an – 1 = an × r .
an
O termo geral de uma progressão geométrica é igual a a n = a1 × rn – 1 .
A soma dos n primeiros termos de uma progressão geométrica é dada pela fórmula
1− rn
Sn = a1 × .
1−r

3.3.2.2 – Modelo de regressão exponencial

y = a × bx, em que a e b são números reais.

3.3.2.3 – Modelo de Malthus

P(t) = Pert, em que P é a população para t=0 (ou seja, população inicial), r é a razão do
crescimento/decrescimento e t o tempo de crescimento ou de decrescimento da
população.

3.3.3 – Modelo logarítmico

3.3.3.1 – Propriedades da função logarítmica
• 10x = a  x = log a;
• ex = a  x = ln a;
• r × log a  log (ar);
• log 10r = r.

3.3.3.2 – Modelo de regressão logarítmica

y = a + b ln x, em que a e b são números reais.

3.3.4 – Modelo logístico

3.3.4.1 – Modelo de regressão logístico
𝐜
y= , em que a, b e c são números reais.
𝟏+𝐚𝐞−𝐛𝐱

6
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

4 – Modelos de probabilidade
4.1 – Noções básicas
4.1.1 – Experiências e espaço de resultados
4.1.1.1 – Experiências
• Determinista – produz sempre o mesmo resultado;
• Aleatória – não se conhece o resultado antes de se realizar a experiência:
• Simples – produz-se uma ação;
• Composta – produzem-se duas ou mais ações.

4.1.1.2 – Espaço de resultados

O espaço de resultados ou espaço amostral é representado por S, E ou Ω, e é
constituído pelos resultados possíveis de uma experiência.

4.1.2 – Acontecimentos
4.1.2.1 – Tipos de acontecimentos
• Elementar – um único resultado;
• Composto – dois ou mais resultados;
• Certo – o resultado consta de todos os elementos: A = Ω;
• Impossível – o resultado não tem qualquer elemento: A = Ø ou A = { }.
Para a contagem de casos possíveis numa experiência, podem-se utilizar diagramas de
árvore ou tabelas de dupla entrada.
V (V,V)
V F
V
V (V,V) (V,F)
F (V,F)
(F,V)
F (F,V) (F,F)
V
F

F (F,F)
4.1.2.2 – Operações com acontecimentos
Acontecimento união/ reunião
Acontecimento constituído por todos os resultados de A e B. Representa-se por A ∪ B.
S A∪B ou S A∪B Diagrama
de Venn
A B A B

7
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

Acontecimento interseção
Acontecimento constituído pelos resultados que pertencem simultaneamente a A e a
B. Representa-se por A ∩ B.
Quando há uma interseção entre dois acontecimentos, e se quer saber a probabilidade
de A ou B ocorrerem sem que ambos possam ocorrer simultaneamente, deve-se
descobrir o valor de A ∩ B, e, de seguida, subtrai-lo com A + A ∩ B e B + A ∩ B. Para se
descobrir o valor de A ∩ B, somam-se os valores de todos os acontecimentos (ainda
com A∩B incluído) e, de seguida, subtraem-se com o total.
S

A A∩B B

Acontecimentos disjuntos ou mutuamente exclusivos

Acontecimentos que não têm elementos em comum.
S
A∩B={}
A B

Acontecimento complementar ou contrário

Acontecimento constituído por todos os resultados de S que não pertencem a A.
Representa-se por Ā ou Ac.
De acordo com as leis de De Morgan, ̅̅̅̅̅̅̅
A ∩ B = A ∪ B e ̅̅̅̅̅̅̅
A ∪ B = A ∩ B.
S

A Ā

4.1.2.3 – Acontecimentos independentes

Dois acontecimentos são independentes quando a realização de um deles não
interfere na probabilidade da realização do outro: P(A ∩ B) = P(A) × P(B).

8
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

4.2 – Cálculo de probabilidades

4.2.1 – Lei de Laplace
nº de resultados favoráveis a A
P(A) =
nº de resultados que constituem S

4.2.2 – Probabilidade condicional, probabilidade total e regra de

Bayes
4.2.2.1 – Probabilidade condicional
P(A ∩ B) P(A) × P (B|A)
Probabilidade de A tendo em conta que B = P(A|B) = =
P(B) P(B)

4.2.2.2 – Teorema da probabilidade total

Seja S constituído por B1, B2, …, Bk, e A um acontecimento.
P(A) = P(B1) × P(A|B1) + P(B2) × P(A|B2)+ … + P(Bk) × P(A|Bk)

B1 B2 B3

4.2.2.3 – Regra de Bayes

P(A ∩ Bi) P(Bi) × P (A|Bi)
P(Bi|A) = = P(B1) × P(A|B1) + P(B2) × P(A|B2)+ … + P(Bk) × P(A|Bk)
P(A)

4.3 – Distribuição de probabilidades

4.3.1 – Variável aleatória e distribuição de probabilidades de
uma variável aleatória discreta
Uma variável aleatória é uma variável cujo valor é um resultado numérico associado
ao resultado de uma experiência aleatória, e é representada por X, Y ou Z.
Uma variável aleatória é discreta se toma um nº finito de valores ou um nº infinito
numerável.
Uma variável aleatória é contínua se toma todos os valores de um intervalo ou reunião
de intervalos.
Chama-se distribuição de probabilidades ou função massa de probabilidades de uma

9
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

variável aleatória discreta X à aplicação que

a cada valor xi da variável X faz corresponder
a respetiva probabilidade pi. Tal representa-
se por:

4.3.1.1 – Valor médio e desvio-padrão populacional de uma

distribuição de probabilidades
O valor médio (µ) de uma distribuição de probabilidades é obtido pela multiplicação
de cada valor xi pela respetiva probabilidade e à soma dos resultados obtidos, ou seja:
n

µ = ∑ xi pi
i=1

Num jogo: quando µ > 0 – o jogo é favorável ao jogador; quando µ = 0 – o jogo é

equitativo; µ < 0 – o jogo é favorável à casa.
O desvio-padrão populacional (σ) de uma distribuição de probabilidades é igual à raiz
quadrada da variância populacional (σ2) de uma distribuição de probabilidades, ou
seja, σ = √σ2.
A variância populacional é igual à multiplicação de cada resultado (x i - µ)2 pela
probabilidade pi = P(X=xi), e à soma dos resultados obtidos, ou seja:
n

σ2 = ∑(xi − µ)2 pi
i=1

4.3.2 – Distribuição binomial

4.3.2.1 – Modelo de distribuição binomial
No modelo de distribuição binomial:

• Há n provas idênticas;
• Em cada prova da experiência aleatória, são apenas possíveis dois resultados – o
sucesso A ou o insucesso Ā;
• O resultado de cada prova é independente dos resultados obtidos anteriormente;
• A probabilidade do sucesso A (p) não varia de uma prova para outra;
• Todas as experiências têm reposição.
A variável aleatória X é discreta e pode assumir os valores 0, 1, 2, …, n, e representa o
nº de sucessos nas n provas. Esta chama-se variável aleatória com distribuição
binomial de parâmetros n e p, e representa-se por B (n,p).

10
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

Para se determinar a probabilidade de uma variável aleatória X discreta com

distribuição binomial assumir valores como 1, 2, …, n, utiliza-se a seguinte fórmula:
n!
P(X = k) = × pk (1 − p)n−k, k = 0, 1, 2, … , n
k! (n − k)!
Na qual X é a variável aleatória, k o valor
pretendido, n o nº de provas e p a probabilidade Casio: Stat – Dist – Binm – Bpd
de sucesso. – Var: Num= n; P = p; x = k

Valor médio e desvio-padrão populacional da distribuição binomial

• µ = n × p;
• σ2 = n × p × (1-p);
• σ = √σ2.

4.3.3 – Distribuição normal

Para as variáveis aleatórias contínuas, utiliza-se o modelo normal. A função densidade,
curva normal ou curva de Gauss, que se representa por uma curva com forma de sino,
é, para a população, o equivalente ao histograma para a amostra.

4.3.3.1 – Características da curva normal

• É simétrica em relação ao valor médio µ da variável;
• Uma variável aleatória X com distribuição
normal de valor médio µ e desvio-padrão σ
representa-se por N (µ,σ);
• Quanto maior for o desvio-padrão σ, mais
achatada é a curva;
• A área compreendida entre a curva e o
eixo dos xx é igual a 1;
• A área abaixo da curva distribui-se em intervalos da seguinte forma:

11
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

• Probabilidades de
diferentes intervalos
representam-se por
P(A≤X≤B), e podem ser
calculados a partir dos
valores da curva ao lado,
ou através da
calculadora.

Casio: Stat – Dist –

Norm – Ncd

4.3.3.2 – Distribuição normal estandardizada

Distribuição normal standard/ estandardizada/ tipificada é aquela em que N (0,1), na
qual µ = 0 e σ = 1.
Para se estandardizar uma variável X da distribuição N (µ,σ), tem que se transformar a
X− µ
variável em Z de distribuição N (0,1). Para tal, utiliza-se a seguinte fórmula: Z = .
σ

5 – Introdução à inferência estatística

5.1 – Noções básicas
5.1.1 – Conceitos
A inferência estatística é um processo de raciocínio indutivo, em que se procuram tirar
conclusões sobre uma população a partir de uma amostra.
A população ou universo estatístico é o conjunto de elementos com pelo menos uma
característica comum que se pretende analisar.
Faz-se um censo quando se quer realizar um estudo estatístico que incida sobre todos
os elementos da população.
Parâmetro é um nº que descreve a população (por exemplo, µ ou σ).
A amostra é o subconjunto finito da população.
Faz-se uma sondagem quando se quer realizar um estudo estatístico em que se utilize
apenas uma amostra da população.
O estimador estima parâmetros a partir de dados amostrais. Estimativa é o valor
numérico assumido pelo estimador, quando são substituídos os dados amostrais .
Estatística é um nº que descreve a amostra.
À distribuição de todos os valores obtidos pelo estimador, para todas as amostras
possíveis, da mesma dimensão, que se podem extrair da população, dá-se o nome de
distribuição de amostragem do estimador (ou da estatística).

12
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

5.1.2 – Métodos de amostragem

Um processo de amostragem diz-se enviesado quando tende sistematicamente a
selecionar elementos de alguns segmentos da população, e a não selecionar
sistematicamente elementos de outros segmentos da população. De modo a que o
processo de amostragem não seja enviesado, utilizam-se os seguintes métodos de
amostragem.

5.1.2.1 – Amostragem aleatória simples

Escolhem-se os elementos da população aleatoriamente.

5.1.2.2 – Amostragem sistemática

Dada uma população de dimensão N, ordenada por algum critério, se se pretende uma
amostra de dimensão n, escolhe-se aleatoriamente um elemento de entre os k
N
primeiros, onde k é a parte inteira do quociente n . Continua-se a seleção, escolhendo-
se todos os elementos da lista distanciados de k unidades.

5.1.2.3 – Amostragem estratificada ou proporcional

Neste tipo de amostragem, a população é dividida em classes homogéneas, chamadas
estratos. A amostra escolhe-se aleatoriamente em nº proporcional ao nº de elementos
de cada estrato. Por exemplo, seja N = 125 e n = 30, e hajam três estratos com 80, 15 e
30 elementos, respetivamente. Tem-se: 125 --- 30
80/ 15/ 30 --- x x = 19,2/ 3,6/ 7,2
Assim, seriam selecionados aleatoriamente 19, 4 e 7 elementos de cada estrato.

5.1.2.4 – Amostragem por grupos (clusters)

A população é dividida em clusters, onde cada um é representativo da população.
Seleciona-se aleatoriamente um conjunto de clusters, e a amostra é constituída por
todos os elementos dos clusters selecionados.

5.1.2.5 – Amostragem multietapas

Considera-se a população dividida em vários grupos, e selecionam-se aleatoriamente
alguns deles. Por sua vez, esses grupos estão divididos em outros grupos, dos quais se
selecionam alguns aleatoriamente, e assim sucessivamente.

13
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

5.2 – Intervalos de confiança e estimativas

5.2.1 – Teorema do limite central e intervalo de confiança
5.2.1.1 – Teorema do limite central
Dada uma população de valor médio µ e desvio-padrão σ, não necessariamente normal,
a distribuição das médias das amostras de dimensão n:

• Tem média igual a µ da população;

Casio: Stat – Dist – Norm –
• O seu desvio-padrão é √n
σ
;
Ncd: σ = 1; µ = 0.
• Quando n ≥ 30, é aproximadamente normal.
−y − µ ̅−µ
X y−µ
Para se calcular a probabilidade da média, utiliza-se a fórmula < < .
𝜎 𝜎 𝜎

5.2.1.2 – Intervalo de confiança

• Intervalo de confiança para o valor médio µ de uma variável normal X, admitindo
que se conhece o desvio-padrão da variável, e em que z é o valor relacionado com
o nível de confiança (*):
σ σ
] x̅ − z , x̅ + z [
√n √n

• Intervalo de confiança para o valor médio µ de uma variável X, admitindo que se

desconhece o desvio-padrão da variável e que a amostra tem dimensão superior a
30:
s s
] x̅ − z , x̅ + z [
√n √n

• Intervalo de confiança para uma proporção p, admitindo que a amostra tem

dimensão superior a 30, e em que p̂ é a proporção amostral:

p̂ (1− p̂ ) p̂ (1− p̂ )
] p̂ − z √ , p̂ + z √ [
n n

• (*) Valores de z para os níveis de confiança mais usuais:

Nível de confiança 90% 95% 99%
z 1,645 1,960 2,576

5.2.2 – Estimar uma proporção

5.2.2.1 – Distribuição da amostragem da proporção p^
Admitamos que se recolhe uma amostra de dimensão n de uma população muito
grande X, em que cada elemento da população tem ou não determinada propriedade.
Seja p a proporção de elementos da população com essa propriedade e a dimensão da
14
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com

amostra suficientemente grande (n ≥ 30). Então, a distribuição da amostragem da

nº de elementos da amostra com a propriedade
proporção p̂ ( p̂ = nº de elementos da amostra
) pode ser aproximada por uma
p (1 − p)
distribuição normal com valor médio p e desvio-padrão √ .
n

5.2.2.2 – Margem de erro e dimensão da amostra

p̂ (1− p̂ )
A margem de erro é igual a E = z × √
σ
ou z × √n, na qual:
n

• z = 1,645 para um intervalo de confiança de 90%;

• z = 1,960 para um intervalo de confiança de 95%;
• z = 2,576 para um intervalo de confiança de 99%.
De modo a se diminuir o erro E, pode-se aumentar n (a dimensão da amostra) ou
diminuir a confiança (95% para 90%, por exemplo), diminuindo assim o valor de k.
De modo a se calcular a dimensão da amostra, podem-se utilizar duas fórmulas:
z 2 z×σ 2
n = (E) × p̂ (1 − p̂ ) ou n = ( E
)

O resultado é arredondado às unidades e de acordo com o intervalo pedido.

15