Métodos de apoio à decisão em partilhas equilibradas

Filipe Reduto Gaspar https://resumosdesecundario.blogspot.
com
Matemática Aplicada às Ciências Sociais (M.A.C.S.)

1 – Métodos de apoio à decisão 3
1.1 – Teoria matemática das eleições 3
1.1.1 – Sistemas de votação 3
1.2 – Teoria da partilha equilibrada 6
1.2.1 – Partilhas no caso discreto 6
1.2.2 – Partilhas no caso contínuo 8
2 – Estatística 9
2.1 – Dados, tabelas e gráficos 9
2.1.1 – Construção de tabelas de frequência 9
2.1.2 – Representações gráficas 10
2.2 – Cálculo de estatísticas 12
2.2.1 – Medidas de localização 12
2.2.2 – Medidas de dispersão 14
2.3 – Dados bivariados 15
2.3.1 – Análise gráfica de dados bivariados 15
3 – Modelos matemáticos 16
3.1 – Modelos financeiros 16
3.1.1 – Problemas matemáticos da área financeira 16
3.1.2 – Atividade bancária 18
3.2 – Modelos de grafos 19
3.2.1 – Grafos eulerianos 19
3.2.2 – Grafos hamiltonianos 19
3.2.3 – Árvores 20
3.3 – Modelos populacionais 21
3.3.1 – Modelo linear 21
3.3.2 – Modelo exponencial 21
3.3.3 – Modelo logarítmico 22
3.3.4 – Modelo logístico 22
4 – Modelos de probabilidade 22
4.1 – Noções básicas 22
4.1.1 – Experiências e espaço de resultados 22
4.2 – Cálculo de probabilidades 23
1
Filipe Reduto Gaspar https://resumosdesecundario.blogspot.com
4.2.1 – Lei de Laplace 23

4.2.2 – Probabilidade condicional, probabilidade total e 23
regra de Bayes
4.3 – Distribuição de probabilidades 24
4.3.1 – Variável aleatória e distribuição de probabilidades 24
de uma variável aleatória discreta
4.3.2 – Distribuição binomial 25
4.3.3 – Distribuição normal 26
5 – Introdução à inferência estatística 27
5.1 – Intervalos de confiança e estimativas 27
5.1.1 – Teorema do limite central e intervalo de confiança 27
5.1.2 – Estimar uma proporção 28
2
1 – Métodos de apoio à decisão

1.1 – Teoria matemática das eleições
1.1.1 – Sistemas de votação
1.1.1.1 – Sistemas maioritários
Nos sistemas maioritários, o candidato mais votado ganha tudo, e os outros não ganham
nada.
• De uma volta: ganha o candidato mais votado (independentemente de ter maioria

absoluta – mais de metade dos votos – ou relativa – maior parte dos votos);
• De duas voltas: ganha o candidato que obtiver maioria absoluta na 1ª volta, caso
contrário serão admitidos à 2ª volta os dois candidatos mais votados, e ganhará o
que obtiver mais votos;
• De duas ou mais voltas: são admitidos na 2ª votação todos aqueles que atinjam
uma determinada percentagem de votos, repetindo-se o processo até se obter o
vencedor com maioria absoluta.
1.1.1.2 – Sistemas de representação proporcional
Método de Hondt Método de Saint-Laguë

1 – Dividir os votos por 1, 2, 3, ...; 1 – Dividir os votos por nºs ímpares;
2 – Ordenam-se os quocientes por ordem decrescente, até que o seu nº seja igual ao de
representantes a eleger;
3 – Os mandatos pertencem às listas com maiores quocientes;

4 – Em caso de empate no último mandato, ele pertence à lista com menos votos.
nº total de eleitores
1 – Calcular o divisor padrão = ;
nº de lugares a distribuir
nº de votos na lista
2 – Calcular a quota padrão = ;
divisor padrão
3 – Atribuir a cada lista um nº de lugares iguais às:
3
• Quotas mínimas
4 – Se a soma das quotas mínimas for igual ao nº de lugares a eleger, a eleição está feita,
caso contrário:
Método de Hamilton Método de Jefferson

Atribuem-se os lugares sobrantes, um a Procura-se, por tentativa e erro (t. e e.),
um, às listas com quota com maior um divisor padrão modificado – assim,
decimal. quando se procede ao arredondamento
das quotas modificadas , a soma de
• Quotas máximas todas elas é igual ao número de lugares
a atribuir.
Método de Adams
4 – Se a soma das quotas máximas for igual ao nº de lugares a eleger, a eleição está
feita, caso contrário, procura-se, por t. e e., um divisor padrão modificado.
• Quotas arredondadas
Método de Webster
4 – Se a soma das quotas arredondadas for igual ao nº de lugares a eleger, a eleição está
feita, caso contrário, procura-se, por t. e e., um divisor padrão modificado.
Método de Huntington-Hill
3 – Se a quota é um nº inteiro, atribui-se ao interveniente essa quota; se não for, calcula-
se a sua média geométrica - MG = √p×q, sendo p a quota superior, e q a quota inferior;
4 – Se a média geométrica for menor que a quota padrão, então arredonda-se a quota
para quota máxima; se for maior que a quota padrão, arredonda-se a quota para quota
mínima;
5 – Se a soma das quotas não for igual ao nº de lugares a eleger, por t. e e., procura-se
por um divisor padrão modificado.
1.1.1.3 – Sistemas por ordem de preferência ou preferenciais

Método da pluralidade
Vence o candidato com maior nº de lugares.
Método de eliminação run-off

Simples: São eliminados todos os candidatos à exceção dos dois que reúnem maior nº
de primeiras preferências.
4
Sequencial:
1 – Contam-se os primeiros lugares de cada candidato e elimina-se aquele que tiver
menos;
2 – Com o esquema reorganizado, sem o candidato eliminado, repete-se o processo, até
se obter o vencedor.
1 – P = nº de pessoas que possam ser eleitas;

2 – Cada eleitor vota nos candidatos pela sua ordem de preferência, da 1ª à p-ésima
preferência;
Método de Borda
3 – São atribuídos pontos a cada um, conforme a ordem de preferência, ou seja, p
pontos para o 1º, p-1 para o 2º, …, e 1 ponto para o último;
4 – Os candidatos são ordenados pela soma dos pontos obtidos, e ganha quem obtiver
mais pontos.
Método de Condorcet
3 – Os candidatos são comparados dois a dois, e o vencedor é aquele que venceu mais
confrontos diretos.
1.1.1.4 – Sistema de aprovação

• É uma forma encontrada para uma eleição mais justa;
• Todos os votantes podem votar em tantos candidatos quantos quiserem;
• Cada candidato recebe um voto, e o candidato com mais votos ganha.
5
1.2 – Teoria da partilha equilibrada

1.2.1 – Partilhas no caso discreto
Os objetos a partilhar são indivisíveis: casas, automóveis, etc.
1.2.1.1 – Método do ajuste na partilha

1 – Cada um dos intervenientes tem100 pontos para distribuir secretamente pelos itens
a serem partilhados;
2 – Cada item é atribuído (temporariamente) ao interveniente que mais o valorizou (em

caso de empate, é atribuído ao que tiver menos pontos);
3 – Se os dois intervenientes tiverem o mesmo nº de pontos, a partilha está feita; caso

não tenham, o que tiver mais pontos transfere itens (ou parte deles) para o outro, até
igualar o nº de pontos. Para isto, calculam-se os quocientes referentes a cada um dos
itens atribuídos ao interveniente que ficou com mais pontos
nº de pontos atribuídos ao item pelo vencedor inicial
(nº de pontos atribuídos ao item pelo perdedor inicial) e colocam-se por ordem decrescente;
4 – Faz-se a transferência do item a que corresponde o menor quociente e contabilizam-

se novamente os pontos;
5 – Se a transferência total de um item der vantagem à parte que o recebe, terá de se

efetuar a transferência apenas de uma percentagem do item, de forma a igualar o nº de
pontos. Para tal considera-se p a proporção do item que fica para um dos intervenientes,
e 1-p a proporção do mesmo item que fica para o outro interveniente. Somam-se os
pontos atribuídos pelo primeiro interveniente aos seus itens ao produto de p comos
pontos que o mesmo atribui ao item a ser transferido, e faz-se o mesmo com os pontos
atribuídos pelo segundo interveniente aos seus itens e com o produto de 1-p com os
pontos que o mesmo atribui ao item a ser transferido.
1.2.1.2 – Método das licitações secretas

1 – Cada um dos intervenientes atribui, secretamente, um valor em dinheiro a cada um
dos itens a dividir. A parte que cada um dos intervenientes considera ser justa receber
– valor justo – será igual ao quociente entre o valor total que atribuiu aos itens e o nº
de intervenientes;
2 – Cada item é atribuído ao interveniente que mais o valorizou. Se o valor total dos
itens recebidos por um interveniente ultrapassa o que considerou como valor justo a
receber, terá de pagar aos outros a diferença. Se, pelo contrário, o valor dos itens for
inferior ao valor justo, serão os outros intervenientes a pagar-lhe a diferença;
3 – O dinheiro excedente – montante disponível – é dividido igualmente por todos os

intervenientes.
6
Exemplo:
Bens\Intervenientes A B C
X 140000 165000 180500
Y 58500 57000 52500
1 Z 41500 48000 47500
Total (T) 240000 270000 280500
T
Valor justo (J = 3 ) 80000 90000 93500
Bens atribuídos Y Z X
2 Valor dos bens (B) 58500 48000 180500
J-B 21500 (recebe) 42000 (recebe) -87000 (paga)
Montante
87000 – 21500 – 42000 = 23500
disponível (M)
3 Dinheiro atribuído
M 7833,3 7833,3 7833,3
(D = 3 )
Mont. final (J-B+D) 29333,33 (recebe) 49833,33 (recebe) -79166,67 (paga)
1.2.1.3 – Método dos marcadores

1 – Alinham-se os objetos a dividir, e cada interveniente divide, secretamente, a fila de
objetos num nº de segmentos igual ao nº de interessados;
2 – Da esquerda para a direita procuram-se os 1ºs marcadores de cada interveniente. O

dono do 1º marcador a aparecer fica com os objetos à esquerda (o seu 1º segmento) e
retiram-se todos os seus restantes marcadores;
3 – Observa-se de novo a fila de objetos, procurando agora os 2ºs marcadores de cada

interveniente. O dono do primeiro 2º marcador a aparecer fica com todos os objetos
que se encontram entre o seu 1º marcador e o seu 2º marcador (o seu 1º segmento).
Retiram-se todos os seus marcadores, assim como os primeiros marcadores dos
restantes intervenientes;
4 – Repete-se o processo até que todos tenham a parte que consideram justa. Se no
final restar apenas um marcador de um dos intervenientes, este fica com todos os
objetos que se encontram à direita do seu marcador;
5 – As sobras podem dividir-se por sorteio ou, se ainda forem mais do que os
intervenientes, aplica-se de novo o método.
7
1.2.2 – Partilhas no caso contínuo

1.2.2.1 – Método do divisor-selecionador
1 – O divisor, que é escolhido aleatoriamente, efetua a divisão do objeto em duas partes
que considera serem iguais;
2 – O selecionador escolhe uma das partes e o divisor fica com a que sobra.
1.2.2.2 – Método do divisor único
1 – Sorteia-se quem irá dividir o bem. Quem for escolhido divide-o no nº de partes
correspondente ao nº de pessoas;
2 – Os selecionadores selecionam a parte que querem para si:

• Se votarem em partes diferentes, cada um fica com a que quer, e o divisor fica com
a restante;
• Se dois ou mais votarem na mesma parte, mas um deles também tiver votado numa
ainda disponível, esse mesmo selecionador fica com a outra opção, libertando a
outra parte para o outro;
• Se dois ou mais votarem na mesma parte, o divisor escolhe uma das partes
restantes, e as que sobram são unidas e divididas por um dos selecionadores, e
escolhida pelo outro.
1.2.2.3 – Método do selecionador único

1 – O bem é dividido em tantas partes quanto o nº de divisores;
2 – Cada divisor divide a sua parte em tantas partes quanto o nº de intervenientes;
3 – O selecionador escolhe uma parte de cada divisor, e o restante fica para eles.
1.2.2.4 – Método do último a diminuir
1 – Todos os intervenientes (simultaneamente divisores e selecionadores) são
ordenados aleatoriamente;
2 – O primeiro interveniente divide uma parte do bem que considere n1 do valor total,
sendo n o nº de intervenientes;
3 – O interveniente seguinte pode dizer que a parte dividida é mesmo n1 ou menor, e

passa a vez ao interveniente seguinte, ou pode dizer que a parte dividida é mais do que
1
, retira-lhe uma parte, e passa a vez ao interveniente seguinte;
n
8
4 – Os intervenientes seguintes fazem o mesmo, e, depois da 1ª volta, o último a ter

diminuído a parte fica com ela e sai do jogo. Caso, nessa volta, ninguém tenha reduzido
essa parte, o interveniente que a dividiu inicialmente sai com ela;
5 – O processo repete-se até sobrarem dois jogadores: aí, um divide ao meio, e o outro
escolhe uma das partes (método do divisor-selecionador).
1.2.2.5 – Método livre de inveja

1 – Aleatoriamente, é escolhido um divisor e a ordem dos intervenientes;
2 – O divisor divide o todo em n+1 partes que considere iguais (sendo n o nº de
intervenientes);
3 – Os intervenientes retificam as partes que consideram estar em excesso. No processo

de escolha, caso a parte que um interveniente tiver retificado não tiver sido ainda
escolhida, o mesmo interveniente tem de escolhê-la obrigatoriamente;
4 – No fim do processo de escolha, devem sobrar duas partes – o divisor escolhe uma
delas para si.
2 – Estatística
2.1 – Dados, tabelas e gráficos
2.1.1 – Construção de tabelas de frequência
2.1.1.1 – Frequência absoluta
A frequência absoluta (fi) é o nº de vezes que o valor da variável se repete ou é
observado. A frequência absoluta acumulada (Fi) é igual à soma das frequências
absolutas.
2.1.1.2 – Frequência relativa

A frequência relativa (fri) é igual ao quociente entre a frequência absoluta e o nº total
de observações. A frequência relativa acumulada (Fri) é igual à soma das frequências
relativas.
2.1.1.3 – Regra de Sturges

Para organizar uma amostra de dados contínuos, de dimensão n, pode considerar-se
para o nº de classes o valor k, onde k é o menor nº inteiro, tal que 2 k ≥ n.
9
2.1.2 – Representações gráficas Ano de escolaridade dos

participantes
2.1.2.1 – Gráficos circulares 12º Ano
9%
11º Ano
A amplitude do ângulo de cada setor é igual 10%
fi 9º Ano
a x 360° ou a fri x 360°. 10º Ano
n 58%
23%
2.1.2.2 – Pictogramas
São gráficos onde se utilizam figuras o símbolos alusivos à variável em estudo.
2.1.2.3 – Gráficos de barras

São gráficos formados por um conjunto de barras cuja altura é proporcional às
frequências de cada um dos valores da variável. Num dos eixos, marcam-se as
frequências, e no outro, os valores da variável.
As variáveis devem ser qualitativas ou quantitativas discretas.
Cor do cabelo dos participantes Nº de irmãos dos participantes
45 35 32
39
40
Nº de pariticipantes (fi)
30
Nº de participantes (fi)
35
25
30
25 20
15
20 15
15 12 10
10
10 6
3 5 3
5
0 0
Castanho Loiro Ruivo Outro 0 1 2 3
Cor do cabelo (xi) Nº de irmãos (xi)
10
2.1.2.4 – Gráficos de linhas

São usados para representar informação que varia ao longo do tempo.
Evolução das vendas (em milhões de euros)

80
Milhões de € em vendas (fi)
70
60
50
40
30
20
10
0
2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Anos (xi)
2.1.3.6 – Histogramas
São gráficos formados por um conjunto de retângulos adjacentes, tendo por base o
intervalo da classe e uma área proporcional às respetivas frequências (absolutas e
relativas) de cada classe. Estes gráficos utilizam-se sempre que os dados estão
agrupados em classes na forma de intervalos (variáveis contínuas).
Para se calcularem o nº de classes de uma variável utiliza-se a Regra de Sturges, e para
se calcular o intervalo das classes, faz-se a amplitude do conjunto dos dados.
Notas dos alunos no exame

14
12
10
Nº de alunos (fi)
0
2 4 6 8 10 12 14 16 18 20
Notas dos alunos (xi)
11
2.1.3.7 – Polígonos de frequências

O polígono de frequências resulta da união sucessiva dos pontos médios dos lados
superiores dos diferentes retângulos de um histograma através de segmentos de reta.
Para que o polígono fique concluído, deverá ainda unir-se o extremo esquerdo do
polígono com o ponto médio da classe anterior à primeira cuja frequência é nula,
procedendo-se analogamente para o extremo direito do polígono.
Notas dos alunos no exame

14
12
10
Nº de alunos (fi)
0
2 4 6 8 10 12 14 16 18 20
Notas dos alunos (xi)
2.2 – Cálculo de estatísticas

2.2.1 – Medidas de localização
n
2.2.1.1 – Média
∑ xi
• Para dados simples ou não classificados: x =_ i=1 _ Stat – Calc – 1 Var
• Para dados agrupados ou classificados: n
n (dados simples) / 2 Var
∑ fi × xi (dados agrupados) - x
x =__
i=1 _
2.2.1.2 – Moda n
A moda (Mo) é o valor da variável ao qual corresponde uma maior frequência. A amostra
é:
• Bimodal se houver dois valores com a maior frequência;

• Plurimodal se existirem vários valores com a frequência mais alta;
• Amodal se os valores da variável têm todos a mesma frequência.
Quando os dados estão agrupados em classes, sob a forma de intervalos, a classe modal
é a classe à qual corresponde a maior frequência.
12
2.2.1.3 – Quartis e mediana

• O 1º quartil (Q1) é o valor que divide a amostra (ordenada por ordem crescente) em
duas partes, de tal modo que 25% das observações sejam inferiores ou iguais a esse
valor. Quando n é:
n+ 2
• Par – Q1 = xk, k = 4
; Stat – Calc – 1 Var/ 2 Var – Q1
n+ 1
• Ímpar – Q1 = xk, k = 4
.
• O 2º quartil (Q2) ou mediana (Md ou 𝐱̃) é o
valor que divide a amostra (ordenada) em duas partes, de tal modo que 50% das
observações sejam inferiores ou iguais a esse valor. O 2º quartil corresponde assim
à mediana;
xk +xk +1 n
• Par – Q2 = x̃ = 2
, k = 2; Stat – Calc – 1 Var/ 2 Var - Med
n+1
• Ímpar – Q2 = x̃ = xk, k = 2
.
• O 3º quartil (Q3) é o valor que divide a amostra (ordenada por ordem crescente) em
duas partes, de tal modo que 75% das observações sejam inferiores ou iguais a esse
valor.
3n+ 2
• Par – Q3 = xk, k = 4
; Stat – Calc – 1 Var/ 2 Var – Q3
n+ 1
• Ímpar – Q3 = xk, k = 3 x 4
.
Diagrama de extremos e quartis

1 – Desenha-se uma linha vertical ou horizontal onde se marcam alguns dos valores da
variável, nomeadamente os extremos e quartis;
2 – Constrói-se um retângulo correspondente ao intervalo entre o 1º e o 3º quartil;

3 – Constrói-se um segmento de reta entre o extremo inferior e o 1º quartil e outro
segmento de reta entre o 3º quartil e o extremo superior.
A partir do diagrama de
extremos e quartis, podem-
se tirar conclusões quanto à
dispersão e concentração
dos conjuntos de dados:
• Dados simétricos – os dados estão distribuídos de forma simétrica;

• Enviesamento para a esquerda – os dados estão mais dispersos à esquerda de Q2 e
mais concentrados à direita de Q2;
• Enviesamento para a direita – os dados estão mais dispersos à direita de Q2 e mais
concentrados à esquerda de Q2.
13
2.2.2 – Medidas de dispersão

2.2.2.1 – Amplitude
Representa-se por R (range) de um conjunto de dados à diferença entre o valor máximo
e o valor mínimo desse conjunto.
2.2.2.2 – Amplitude interquartil

A amplitude interquartil (Aq) é a diferença entre o 3º quartil (Q3) e o 1º quartil (Q1), isto
é, Q3 – Q1.
2.2.2.3 – Desvio médio

• Para dados simples:
• Para dados agrupados:
Na qual k representa o nº de valores diferentes que surgem na amostra.

Se os dados estão agrupados em classes, xi e fi são, respetivamente, o ponto médio e a
frequência absoluta da classe i; k é o número de classes.
2.2.2.4 – Desvio padrão

O desvio padrão representa-se por s quando os
dados da variável representam uma amostra, Stat – Calc – 1 Var/ 2 Var – xσn (σ)/
ou por σ quando os dados da variável xσn-1(s)
representam a população, e é igual à raiz
quadrada da variância (s2 ou σ2), ou seja, σ =
√σ2. Quando os dados da variável representam:
• Uma amostra, a variância é igual a

• A população, a variância é igual a
14
2.3 – Dados bivariados

2.3.1 – Análise gráfica de dados bivariados
Dados bidimensionais ou bivariados são dados obtidos de pares de variáveis.
Diagrama de dispersão ou gráfico de correlação é um gráfico em que a cada ponto
correspondem duas coordenadas, que são os valores das duas variáveis em estudo (x i e
yi). Este gráfico permite analisar de que forma se relacionam duas variáveis.
2.3.1.1 – Correlação linear

Diz-se que existe correlação entre duas variáveis quando a variação de uma delas
implica uma alteração na outra.
A correlação diz-se linear se a nuvem de pontos se ajustar em torno de uma linha reta,
que é a reta de regressão.
A correlação linear pode ser:
• Linear positiva – quando a variável x aumenta, a variável y também

aumenta; diz-se que há uma associação positiva entre as variáveis
se aos maiores valores de uma correspondem, de uma maneira
geral, os maiores valores da outra;
• Nula – não há associação entre as variáveis quando a nuvem de
pontos se encontra bastante dispersa;
• Linear negativa – quando a variável x aumenta, a variável y
diminui; diz-se que há uma associação negativa entre as variáveis
se aos maiores valores de uma correspondem, de um modo geral,
os menores valores de outra, e vice-versa.
2.3.1.2 – Coeficiente de correlação

O coeficiente de correlação linear, ou
coeficiente de Pearson, mede o grau de
associação linear entre duas variáveis.
Representa-se por r e varia entre -1 e 1.
• Se r=1, a correlação diz-se total (ou perfeita) positiva;

• Se r=0, a correlação diz-se nula, isto é, não há
correlação linear; Stat – Grph – Gph1 – X
• Se r=–1, a correlação diz-se total (ou perfeita)
negativa.
15
3 – Modelos matemáticos
3.1 – Modelos financeiros
3.1.1 – Problemas matemáticos da área financeira
3.1.1.1 – Impostos
Imposto é uma prestação de carácter obrigatório, das famílias para o Estado. Existem
dois tipos de impostos:
• Diretos – aqueles que incidem diretamente sobre o valor tributável, ou seja, o

rendimentos das famílias: exemplo do IRS e do IRC;
• Indiretos – aqueles que incidem indiretamente sobre o valor do rendimento das
famílias: exemplo do IVA, IMI, IMT, Imposto de Selo, Imposto sobre Veículos
Motorizados, Imposto sobre os Combustíveis, Imposto sobre o Tabaco e Imposto
sobre Heranças.
IVA
O IVA (Imposto sobre o Valor Acrescentado) é um imposto indireto e sobre a despesa.
Este imposto incide sobre bens de consumo, e a sua taxa varia no Continente e nas
Regiões Autónomas. Para se calcular o custo do IVA num bem, deve-se utilizar uma regra
de três simples ou uma multiplicação:
• Preço do bem com IVA ------- 100% + taxa de IVA

Valor monetário do IVA (x) ------- Taxa de IVA;
• Preço do bem sem IVA × Taxa de IVA (2 c. d.).
IMI
O IMI (Imposto Municipal sobre Imóveis) é um imposto indireto que incide sobre o
valor patrimonial tributário dos prédios rústicos, urbanos ou mistos, situados em
Portugal. O valor patrimonial tributário dos prédios urbanos (Vt) é obtido pela
expressão seguinte – Vt = Vc × A × Ca × Cl × Cq × Cv, na qual:
• Vc – valor base dos prédios edificados;

• A – área bruta de construção e área excedente à área de implantação;
• Ca – coeficiente de afetação;
• Cl – coeficiente de localização;
• Cq – coeficiente de qualidade e conforto;
• Cv – coeficiente de vetustez.
O Vt apurado é arredondado para a dezena de euros imediatamente superior (ex. –
246522,60 arredonda-se para 246530). Depois de se conhecer o Vt, o IMI calcula-se
multiplicando-o pela taxa em vigor na área onde se localiza o prédio urbano (ex. –
246530 (Vt) × 0,006 (0,6% de taxa) = 1479,18 €).
16
IMT
O IMT (Imposto Municipal sobre a Transmissão Onerosa de Imóveis) é um imposto
indireto e sobre o capital. Para calcular o valor a pagar de IMT, aplica-se a taxa
correspondente ao valor do imóvel (o valor a utilizar será o mais elevado dos dois
valores existentes – o valor de aquisição e o valor patrimonial), e, de seguida, subtrai-
se o valor da parcela a abater, ou seja: IMT = Valor do imóvel × Taxa - Parcela a abater.
IRS
O IRS (Imposto sobre o Rendimento de Pessoas Singulares) é um imposto direto e
sobre o rendimento. O cálculo do IRS muda de acordo com a situação, mas pode-se
resumir pelo seguinte:
• Quando o sujeito passivo faz deduções à coleta, é necessário calcular o
rendimento coletável antes de se calcular o IRS propriamente dito:
Rendimento bruto – deduções específicas = Rendimento líquido global;
Rend. líq. global – abatimentos = Rendimento coletável.
Quando o sujeito passivo não faz deduções à coleta, não é necessário calcular o
rendimento coletável, pois este vai ser igual ao rendimento bruto (caso o
contribuinte seja solteiro);
• Caso o sujeito passivo seja solteiro, o IRS vai ser calculado pela seguinte fórmula:
Rendimento coletável × taxa – parcela a abater.
Caso sejam dois sujeitos passivos casados, o IRS é calculado de forma diferente:
[(Rendimento coletável : 2) × taxa – parcela a abater] x 2
3.1.1.2 – Inflação e custo de vida

Enquanto que a inflação representa o crescimento contínuo e generalizado dos preços
dos bens, a deflação corresponde a uma descida continuada e generalizada deles.
Uma das consequências da inflação é a descida do poder de compra dos consumidores
devido ao aumento do custo de vida. A variação do custo de vida calcula-se pelo Índice
de Preços no Consumidor (IPC). Este índice toma em consideração um «cabaz de bens
de consumo corrente» fixo e mede o seu custo.
IPC (ano B) − IPC (ano A)
A taxa de inflação calcula-se da seguinte forma:
IPC (ano A)
× 100
17
3.1.2 – Atividade bancária

3.1.2.1 – Depósitos e juros
Juro é uma quantia em dinheiro que deve ser paga por um devedor (o que pede
emprestado), pela utilização de dinheiro de um credor (aquele que empresta).
Juro simples
O juro produzido em cada período de tempo pelo capital é depositado na conta à ordem,
C×n×i
sendo o seu valor dado por J = , onde C é o capital depositado, n o período de
36500
tempo (em dias) para pagar o juro e i a taxa de juro (em %).
Juro composto
O juro produzido em cada período de tempo é adicionado ao capital, produzindo no
i n
período seguinte ainda mais juro. O seu valor é dado por Jn = C0 [(1 + ) − 1],
100
onde Jn é o juro acumulado ao fim de n anos, C0 o capital inicial, n o período de tempo
(em anos) para pagar o juro e i a taxa de juro (em %).
O capital acumulado ao fim de n anos, num regime de juro composto, é dado por
i n
Cn = C0 (1 + ) .
100
3.1.2.2 – Empréstimos
Quando um banco empresta dinheiro (prestação) a alguém, esse devedor é obrigado a
devolvê-lo numa ou em várias contraprestações, acrescido de um juro que corresponde
à compensação que o banco recebe por emprestar o capital. Para se calcularem as
prestações mensais que o devedor terá de pagar ao banco, calcula-se:
E E i
Prestação mensal = Amortização ( ) + Juros mensais ( × ), onde E é o valor do
n 12 100
empréstimo, n o período de tempo estipulado para pagamento (em meses) e i a taxa de
juro (em %).
3.1.2.3 – Fundos de investimento

Cada investidor participa no fundo de investimento com uma pequena parte do
investimento total, que se denomina unidade de participação (UP), a qual ao longo do
tempo vai assumindo diversas valorizações, conforme a evolução global do fundo. A
cotação da UP de um fundo referente a um determinado dia resulta da seguinte
fórmula:
Valor total da carteira no dia útil anterior
Cotação da UP = .
Nº de UP em circulação
O valor da subscrição de um fundo é igual ao nº de UP × cotação da UP.

O valor do resgate (levantamento do montante aplicado) em qualquer fundo é igual ao
nº de UP × cotação da UP – nº de UP × cotação da UP × comissão. A comissão de
subscrição é igual ao valor da subscrição × taxa de comissão.
18
3.2 – Modelos de grafos

3.2.1 – Grafos eulerianos
3.2.1.1 – 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
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.
3.2.1.2 – 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.
3.2.2 – Grafos hamiltonianos

3.2.2.1 – 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.
3.2.2.2 – Circuitos de Hamilton em diferentes tipos de grafos

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
19
3.2.2.3 – 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.
3.2.3 – Árvores
3.2.3.1 – 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.
3.2.3.2 – Algoritmo de Kruskal

Escolher sucessivamente as arestas com menor peso, até se formar uma árvore
abrangente.
3.2.3.3 – 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.
20
3.2.3.4 – 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
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.
3.3.1.2 – Modelo de regressão linear
y = ax + b, em que a e b são números reais. Stat – Grph – Gph1 – X
3.3.2 – Modelo exponencial

3.3.2.1 – Progressão geométrica
an+ 1
Uma sequência ou progressão é geométrica quando an
= r ou quando an – 1 = an × r .
O termo geral de uma progressão geométrica é igual a a n = a1 × rn – 1 .
3.3.2.2 – Modelo de regressão exponencial

y = a × bx, em que a e b são números reais.
Stat – Grph – Gph1 – Exp
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.
21
3.3.3 – Modelo logarítmico

3.3.3.1 – Propriedades da função logarítmica
• 10x = a  x = log a;
Encontrar o ponto de interseção de duas
• ex = a  x = ln a;
funções: Graph – Shift V.Win (adaptar os
• r × log a  log (ar); parâmetros) – Draw – Shift G.Slv – Isct
• log 10r = r.
3.3.3.2 – Modelo de regressão logarítmica

y = a + b ln x, em que a e b são números reais.
Stat – Grph – Gph1 – Log
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 Stat – Grph – Gph1 – Lgst
4 – Modelos de probabilidade
4.1 – Noções básicas
4.1.1 – Experiências e espaço de resultados
4.1.1.1 – Operações com acontecimentos
Acontecimento interseção
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
4.1.1.2 – 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).
22
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 (dado pelo formulário)
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)
23
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
variável aleatória discreta X à aplicação que a cada valor x i da variável X faz
corresponder a respetiva probabilidade p i. 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
24
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).
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:
Stat – Dist – Binm – Bpd – Var:
n! Num= n; P = p; x = k
P(X = k) = × pk (1 − p)n−k, k
k! (n − k)!
= 0, 1, 2, … , n
Na qual X é a variável aleatória, k o valor pretendido, n o nº de provas e p a
probabilidade de sucesso.
Valor médio e desvio-padrão populacional da distribuição binomial

• µ = n × p;
• σ2 = n × p × (1-p);
• σ = √σ2.
25
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:
• 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.
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
26
5 – Introdução à inferência estatística

5.1 – Intervalos de confiança e estimativas
5.1.1 – Teorema do limite central e intervalo de confiança
5.1.1.1 – 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;

Stat – Dist – Norm – Ncd:
• O seu desvio-padrão é √n
σ
;
σ = 1; µ = 0.
• Quando n ≥ 30, é aproximadamente normal.
5.1.1.2 – Intervalo de confiança (dado pelo formulário)
• 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
27
5.1.2 – Estimar uma proporção

5.1.2.1 – 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
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
5.1.2.2 – 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.
28

Métodos de apoio à decisão em partilhas equilibradas

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Métodos de apoio à decisão em partilhas equilibradas

Enviado por

Direitos autorais:

Formatos disponíveis

Filipe Reduto Gaspar https://resumosdesecundario.blogspot.

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

4.2.1 – Lei de Laplace 23

1 – Métodos de apoio à decisão

• De uma volta: ganha o candidato mais votado (independentemente de ter maioria

1.1.1.2 – Sistemas de representação proporcional

Método de Hondt Método de Saint-Laguë

3 – Os mandatos pertencem às listas com maiores quocientes;

3 – Atribuir a cada lista um nº de lugares iguais às:

Método de Hamilton Método de Jefferson

1.1.1.3 – Sistemas por ordem de preferência ou preferenciais

Método de eliminação run-off

1 – P = nº de pessoas que possam ser eleitas;

1.1.1.4 – Sistema de aprovação

1.2 – Teoria da partilha equilibrada

1.2.1.1 – Método do ajuste na partilha

2 – Cada item é atribuído (temporariamente) ao interveniente que mais o valorizou (em

3 – Se os dois intervenientes tiverem o mesmo nº de pontos, a partilha está feita; caso

4 – Faz-se a transferência do item a que corresponde o menor quociente e contabilizam-

5 – Se a transferência total de um item der vantagem à parte que o recebe, terá de se

1.2.1.2 – Método das licitações secretas

3 – O dinheiro excedente – montante disponível – é dividido igualmente por todos os

1.2.1.3 – Método dos marcadores

2 – Da esquerda para a direita procuram-se os 1ºs marcadores de cada interveniente. O

3 – Observa-se de novo a fila de objetos, procurando agora os 2ºs marcadores de cada

1.2.2 – Partilhas no caso contínuo

2 – Os selecionadores selecionam a parte que querem para si:

1.2.2.3 – Método do selecionador único

3 – O interveniente seguinte pode dizer que a parte dividida é mesmo n1 ou menor, e

4 – Os intervenientes seguintes fazem o mesmo, e, depois da 1ª volta, o último a ter

1.2.2.5 – Método livre de inveja

3 – Os intervenientes retificam as partes que consideram estar em excesso. No processo

2.1.1.2 – Frequência relativa

2.1.1.3 – Regra de Sturges

2.1.2 – Representações gráficas Ano de escolaridade dos

2.1.2.3 – Gráficos de barras

Cor do cabelo (xi) Nº de irmãos (xi)

2.1.2.4 – Gráficos de linhas

Evolução das vendas (em milhões de euros)

Notas dos alunos no exame

2.1.3.7 – Polígonos de frequências

Notas dos alunos no exame

2.2 – Cálculo de estatísticas

• Bimodal se houver dois valores com a maior frequência;

2.2.1.3 – Quartis e mediana

Diagrama de extremos e quartis

2 – Constrói-se um retângulo correspondente ao intervalo entre o 1º e o 3º quartil;

• Dados simétricos – os dados estão distribuídos de forma simétrica;

2.2.2 – Medidas de dispersão

2.2.2.2 – Amplitude interquartil

2.2.2.3 – Desvio médio

Na qual k representa o nº de valores diferentes que surgem na amostra.

2.2.2.4 – Desvio padrão

• Uma amostra, a variância é igual a

2.3 – Dados bivariados

2.3.1.1 – Correlação linear

• Linear positiva – quando a variável x aumenta, a variável y também

2.3.1.2 – Coeficiente de correlação

• Se r=1, a correlação diz-se total (ou perfeita) positiva;

• Diretos – aqueles que incidem diretamente sobre o valor tributável, ou seja, o

• Preço do bem com IVA ------- 100% + taxa de IVA

• Vc – valor base dos prédios edificados;