Вы находитесь на странице: 1из 89

Apontamentos de aula do

Componente curricular de curso Estatstica



Aplicada Cincias Contbeis






Prof. Dr. Lus Carlos Ferreira de Almeida













2 Semestre de 2009

Estatstica Aplicada Contabilidade -2
Contedo

1 Correlao e Regresso
1.1 Conceituao

1.2 Correlao Linear

1.3 Regresso Linear

1.4 Coeficiente de Determinao ou poder explicativo do
Modelo (R
2
)

1.5 Intervalos de confiana para estimativas de Y

1.6 Regresses que se tornam lineares por transformaes

1.7 Sries Temporais


2 Amostragem
2.1 Inferncia Estatstica

2.2 Amostragem

2.3 Plano Amostral


3 Estimao de Parmetros
3.1 Conceitos Gerais

3.2 Tipos de Estimaes de Parmetros

3.3 Intervalos de confiana para mdias

3.4. Estimativa do tipo Bootstrapping

3.5. Intervalos de confiana para propores

3.6 Intervalos de Confiana para populaes finitas

3.7 Estimativa do Intervalo para Totais

3.8 Estimativa do Intervalo para Diferenas

3.9 Estimativas de Intervalos na Amostragem Aleatria
Estratificada (AAE)

3.10. Amostragem Aleatria por Conglomerados

3.11 Intervalos de confiana para Propores na AAE e AAC


4 Clculo do tamanho da
amostra
4.1 Introduo

4.2 Clculo de n para mdias populaes finitas

4.3 Tamanho da amostra para propores populaes finitas

4.4 Clculo de N para populaes Finitas (mdias e propores)

4.5 Amostragem por atributos


5 Amostragem por unidade
monetria
5.1 Conceitos Gerais

5.2. Metodologia da Amostragem por Unidade Monetria


6 Teste de Hipteses
6.1 Conceituao

6.2 Principais conceitos

6.3. Testes de Significncia


7 Testes No paramtricos.
7.1 Aspectos Gerais

7.2 Testes de Ajustamento / Aderncia utilizando
2



Estatstica Aplicada Contabilidade -1
1 Correlao e Regresso

1.1 Conceituao

O objetivo deste captulo envolve problemas com duas ou mais variveis numricas, como
meio de visualizar as relaes existentes entre elas. Existem diversas tcnicas estatsticas que
permitem tais anlises, podendo ser destacadas as Correlao e Regresso.

A Anlise de Regresso, dado um conjuntos de variveis independentes e uma dependente,
utilizada principalmente com o objetivo de previso, por sua vez a Anlise de Correlao
utilizada para medir a fora de associao entre variveis numricas.

1.2 Correlao Linear

Freqentemente procura-se verificar se existe relao entre duas ou mais variveis. O peso
pode estar relacionado com a idade das pessoas; o consumo das famlias pode estar relacionado
com sua renda; as vendas de uma empresa e os gastos promocionais podem relacionar-se, bem
como a demanda de um determinado produto com seu preo. A verificao da existncia e do
grau de relao entre variveis objeto do estudo da correlao.

O estudo da correlao tem por objetivo medir e avaliar o grau de relao existente entre
duas variveis aleatrias Assim, por exemplo, podemos medir se a relao entre o nmero de
filhos de uma famlia forte, fraca ou nula.

A correlao linear procura medir a relao entre as variveis X e Y atravs da disposio
dos pontos (X, Y) em torno de uma reta


Observaes
Variveis
1 2 3 4 5 6 7 8
X Vendas 201 225 305 380 560 600 685 735
Y Lucro 17 20 21 23 25 24 27 27


1.2.1 Grfico (Diagrama de Disperso)

As variveis acima podem ser representadas num grfico denominado Diagrama de
Disperso que tem como finalidade ajudar na deciso da existncia ou no de Correlao das
variveis estudadas.



Estatstica Aplicada Contabilidade -2
1.2.2 Medidas de Correlao

O grau de relacionamento entre duas variveis sintetizado por um coeficiente
denominando r de Pearson. Esse coeficiente tem duas propriedades. A primeira, relacionada ao
seu sinal (positivo ou negativo) e a outra sua magnitude. Os grficos abaixo mostram, de uma
forma geral, essas propriedades:

1.2.2.1 Correlao Linear Perfeita Positiva

A correlao linear perfeita positiva corresponde situao em que, uma vez plotados os
valores de XY num diagrama de disperso existe uma reta que passa por todos os pontos
Nenhum ponto fica de fora.
Nesta situao, o valor de r exatamente igual a 1


1.2.2.2 Correlao Linear Perfeita Negativa

Mesma situao anterior, s que a reta se encontra em sentido contrrio, neste caso o
valor de r exatamente igual a -1.



Estatstica Aplicada Contabilidade -3
1.2.2.3 Correlao Linear Positiva

A correlao ser considerada positiva se os valores crescentes de X estiverem associados
a valores crescentes de Y, ou valores decrescentes de X associados a valores decrescentes da
varivel Y. Nesta situao, pode-se afirmar que existe um relacionamento positivo, moderado,
com o valor de r sendo superior a 0,70.

1.2.2.4 Correlao Linear Negativa

A correlao ser negativa quando valores crescentes da varivel X estiverem associados a
valores decrescentes de Y, ou valores decrescentes de X estiverem associados a valores crescentes
de Y. A situao aqui, anloga anterior, no entanto o valor de r negativo, existindo ainda um
relacionamento moderado negativo.

1.2.2.5 Correlao Nula

Quando no houver relao entre as variveis X e ou seja, quando as variaes de X e Y
ocorrerem independentemente no existe correlao entre ela, nesta situao o valor de r igual a
Zero..



Estatstica Aplicada Contabilidade -4
1.2.3 Consideraes sobre o valor de r de Pearson

Quanto maior a qualidade do ajuste da reta proposta aos pontos do diagrama de disperso
(plotagem dos pontos de X e Y), isto , quanto menos distante estiver uma reta traada sobre esses
pontos, mais prximo de 1 ou 1 estar o valor de r. No havendo relao linear alguma entre X e
Y , teremos r = 0.

De uma forma geral podemos dizer que:


a) O valor de r sempre vai variar entre 1 e 1: 1 b r b +1;

b) Valores de r positivos indicam uma associao direta entre duas variveis;

c) Valores de r negativos indicam uma associao inversa entre as variveis;

d) Valores de r prximos de 0 indicam a falta de associao entre as variveis.

Por sua vez quanto magnitude, temos:

r > 0,90 = correlao muito forte
0,80 < r < 0,90 = correlao forte
0,70 < r < 0,80 = correlao regular
r < 0,70 = baixa correlao


1.2.4 Clculo do Coeficiente de Correlao Linear

Uma vez que dispomos dos valores das variveis X e Y possvel calcular o valor e r de
Pearson, mediante a seguinte expresso:

YY xx
XY
S S
S
r

= , onde


=
n
y x
xy S
XY
.

( )


=
n
x
x S
XX
2
2

( )


=
n
y
y S
YY
2
2


Sendo n = nmeros de pares de x e y


No entanto devemos deixar claro que valores baixos de r = 0 , nessa situao, indicam que
no existe correlao linear, sendo que outro tipo de correlao possa existir.

No caso de no se dispor de uma calculadora para o clculo direto do coeficiente de
correlao conveniente a construo de uma tabela, onde, a partir dos valores X e Y, so
determinadas todas as somas necessrias


Estatstica Aplicada Contabilidade -5
Exemplo 1: Calcular o coeficiente de correlao linear entre as variveis X e Y usando os dados
da tabela abaixo

Obs. X Y
1 26 90
2 45 344
3 54 416
4 49 348
5 41 262
6 49 360
7 44 332
8 19 34


Soluo: Inicialmente devemos construir o Diagrama de Disperso para verificar visualmente se
existe algum tipo de associao entre as variveis.



Podemos observar que existe uma associao, entre as variveis X e Y


Clculos:
YY xx
XY
S S
S
r

= , onde


=
n
y x
xy S
XY
.

( )


=
n
x
x S
XX
2
2

( )


=
n
y
y S
YY
2
2


Necessrio ento, uma tabela auxiliar:

Obs x y x
2
y
2
xy
1 26 90 676 8100 2340
2 45 244 2025 59536 10980
3 54 390 2916 152100 21060
4 49 348 2401 121104 17052
5 41 262 1681 68644 10742
6 49 320 2401 102400 15680
7 44 332 1936 110224 14608
8 19 28 361 784 532
327 2014 14397 622892 92994

Estatstica Aplicada Contabilidade -6

Substituindo os somatrios das colunas na equao temos que:


=
n
y x
xy S
XY
.
= 75 , 10671
8
2014 * 327
92994 =

( )


=
n
x
x S
XX
2
2
= 875 , 1030
8
) 327 (
14397
2
=

( )


=
n
y
y S
YY
2
2
= 50 , 115867
8
) 2014 (
622892
2
=

Ento
YY xx
XY
S S
S
r

= = 9765 , 0
50 , 115867 * 75 , 1030
75 , 10671
=

O resultado mostra que a correlao linear entre as variveis X e Y positiva (quando X
cresce linearmente, Y tambm cresce linearmente).

1.2.4.1 Clculo do r de Pearson com a calculadora financeira

No entanto, atravs da Calculadora HP-12 C, possvel realizar esse clculo diretamente,
atravs dos seguintes passos:

Seqncia de Comandos Visor Observaes
<f> <
SST

> 0 Limpa todos os registradores estatsticos


90 <ENTER> 26 <+> 1 Indicao que o 1
o
par de dados foi inserido
244 <ENTER> 45 <+> 2 Indicao que o 2
o
par de dados foi inserido
390 <ENTER> 54 <+> 3 Indicao que o 3
o
par de dados foi inserido
348 <ENTER> 49 <+> 4 Indicao que o 4
o
par de dados foi inserido
262 <ENTER> 41 <+> 5 Indicao que o 5
o
par de dados foi inserido
320 <ENTER> 49 <+> 6 Indicao que o 6
o
par de dados foi inserido
332 <ENTER> 44 <+> 7 Indicao que o 7
o
par de dados foi inserido
28 <ENTER> 19 <+> 8 Indicao que o 8
o
par de dados foi inserido
Clx 0 limpa o visor
<G> < >
r y,
2
-171,3932 Valor auxiliar, no momento, sem uso
<x y> 0,9765 Valor de r

Assim temos que o coeficiente de correlao r de Pearson igual 0,9765.

1.2.5 Teste de Hiptese para r de Pearson

Uma pergunta que pode surgir :

a partir de qual momento podemos considerar o valor de r significativamente pequeno?

Para resolver esse problema o Coeficiente de Correlao entre variveis pode ser testado
de sua existncia ou no, com base na seguinte expresso:

Estatstica Aplicada Contabilidade -7

2
1
2

=
n
r
r
t
calc

aonde: t calculado = valor de t calculado
r = valor calculado de r
n = nmero de dados

o resultado tcalc da frmula deve ser confrontado com valores tabelados de t, e se:

| tcalc | < ttabelado, podemos concluir pela inexistncia de correlao entre as variveis.

Para obtermos os valores de t tabelado, utilizamos a Tabela de t de Student da seguinte
maneira:

linha = n 2 graus de liberdade , isto , para o exerccio temos linha 8 2 = 6

coluna =
2

, assim para 95% de probabilidade da existncia ou no de regresso temos


um erro = 5% que, divido por 2, nos indica a coluna de 2,5% , como exemplificado
abaixo:


Tabela de t de Student -
GL 10% 5% 2,5% 1% 0,5%
1 3,078 6,314 12,706 31,821 63,657
2 1,885 2,920 4,303 6,965 9,925
3 1,634 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
... ... ... ... ... ...
6 1,440 1,943 2,447 3,143 3,707
... ... ... ... ... ...
29 1,311 1,699 2,045 2,462 2,756
infinito 1,282 1,645 1,960 2,326 2,576

Do cruzamento da coluna com a linha temos o valor de 2,447 que representa t tabelado, que
servir de base para comparao com t calculado


Resolvendo, temos:
2
1
2

=
n
r
r
t
calc
=
0985 , 11
2 8
9765 , 0 1
9765 , 0
2
=




Uma vez que | t calculado | > t tabelado, ou | 11,0985 | > 2,447 , podemos dizer que para 95% de
probabilidade o valor de r = 0,9765 estatisticamente diferente de 0, ou seja, existe correlao
entre os pares de dados desse exerccio.


Estatstica Aplicada Contabilidade -8
1.2.6. Correlao Espria

Quando duas variveis X e Y forem independentes, isto , quando no existe ralaes
entre elas, o coeficiente de correlao ser nulo. Entretanto, algumas vezes isto no ocorre
podendo, assim mesmo, o coeficiente apresentar um valor prximo de 1. Neste caso a correlao
Espria, isto , os valores de correlao so altos mas no existe relao entre essas variveis.


1.3 Regresso Linear

A anlise de regresso tem por objetivo descrever atravs de um modelo matemtico, a
relao existente entre duas variveis, a partir de n observaes dessas variveis.

Dado um conjunto de valores observados de X e Y, construir um modelo de regresso
linear de Y sobre X consiste em obter, a partir desses valores, uma reta que melhor represente a
relao verdadeira entre essas variveis. A

Determinao dos parmetros dessa reta denominada ajustamento. O processo de
ajustamento deve partir da escolha da funo atravs da qual os valores de X explicaro os valores
de Y.

Para isso recorre-se a um grfico conhecido como diagrama de disperso. Esse grfico
construdo anotando, em um sistema de coordenadas retangulares, os pontos correspondentes aos
pares de observaes de X de Y.

A funo escolhida ser aquela que for sugerida pelo conjunto dos pontos
dispostos no diagrama.

No presente mdulo o ajuste se dar por uma funo linear (reta) do A reta
ajustada representada por Y= a + bX, onde a e b so os parmetros do modelo.

O parmetro a o ponto onde a reta ajustada corta o eixo da varivel Y, e o parmetro

b a tangente do ngulo que a reta forma com uma paralela ao eixo da varivel X.

A reta ajustada denominada, tambm, reta de mnimos quadrados, pois os valores de a e b so
obtidos de tal forma que mnima a soma dos quadrados das diferenas entre os valores observados
de Y e os obtidos a partir da reta ajustada para os mesmos valores de X

( )

=
2

Y Y mnimo, ou

= + 0 ) (
2
Y bx a

o que, aps as devidas transformaes matemticas fica assim definido:

n
X
b
n
Y
a

= e
XX
XY
S
S
b =


Estatstica Aplicada Contabilidade -9
1.3.1 Clculo dos coeficientes a e b

Seja o Exemplo 2:

Os dados abaixo se referem ao consumo de cimento e ao nmero de obras licenciadas em
determinada regio do pas.

Cidade Consumo de
Cimento
(kg *100)
Nmero de
Obras
(em unidades)

A 115 55
B 75 25
C 128 42
D 121 43
E 95 35
F 45 24
G 131 37
H 40 12
I 53 13
J 105 40

a) Ajustar os dados atravs de um
modelo linear

Y= a + bX

b) admitindo-se um total de 100
obras qual o consumo previsto de
cimento?

Recomenda-se sempre construir o Diagrama de Disperso dos dados:



Soluo: No caso de no dispormos de calculadores que possam realizar diretamente os clculos
dos parmetros a e b, devemos recorrer procedimentos como se seguem:

1) identificao da varivel independente que ser X;

2) identificao da varivel dependente que ser Y.

Assim, como o consumo de cimento depende do nmero de obras, esta varivel Y, por sua vez
o nmero de obras ser X.


Estatstica Aplicada Contabilidade -10
Dessa forma podemos construir a tabela auxiliar:

Y X X
2
Y
2
XY
115 55 3025 13225 6325
75 25 625
5625
1875
128 42 1764
16384
5376
121 43 1849
14641
5203
95 35 1225
9025
3325
45 24 576
2025
1080
131 37 1369
17161
4847
40 12 144
1600
480
53 13 169
2809
689
105 40 1600
11025
4200

908 326 12346 93520 33400

1) Determinao dos parmetros b e a

XX
XY
S
S
b = =


=
n
y x
xy S
XY
.
= 20 , 3799
10
908 * 326
33400 =

( )


=
n
x
x S
XX
2
2
= 40 , 1718
10
) 326 (
12346
2
=


XX
XY
S
S
b = = 2109 , 2
40 , 1718
20 , 3799
=

n
X
b
n
Y
a

= = 7249 , 18
10
326
2109 , 2
10
908
=


2) Equao obtida: Y = a + bX -=> Y = 18,7249 + 2,2109X ,

3) Para fazer a previso de Y para X = 100 temos

Y

= 18,7249 + 2,2109*100 = 239,8142



De acordo com o modelo obtido, para um total de 100 unidades em construo o consumo de
cimento estimado ser de 239,8142


Estatstica Aplicada Contabilidade -11
1.3.1.1 Clculo dos coeficientes a e b com calculadoras financeiras

Alternativamente, dispondo de uma calculadora HP 12-C, a soluo fica da seguinte forma:
Seqncia de Comando Visor Observaes
<F> <
SST

> 0 Limpa todos os registradores estatsticos


115 <ENTER> 55 <+> 1 Indicao que o 1
o
par de dados foi inserido
75 <ENTER> 25 <+> 2 Indicao que o 2
o
par de dados foi inserido
128 <ENTER> 42 <+> 3 Indicao que o 3
o
par de dados foi inserido
121 <ENTER> 43 <+> 4 Indicao que o 4
o
par de dados foi inserido
95 <ENTER> 35 <+> 5 Indicao que o 5
o
par de dados foi inserido
45 <ENTER> 24 <+> 6 Indicao que o 6
o
par de dados foi inserido
131 <ENTER> 37 <+> 7 Indicao que o 7
o
par de dados foi inserido
40 <ENTER> 12 <+> 8 Indicao que o 8
o
par de dados foi inserido
53 <ENTER> 13 <+> 9 Indicao que o 9
o
par de dados foi inserido
105 <ENTER>40 <+> 10 Indicao que o 10
o
par de dados foi inserido
<CLx> 0 necessrio limpar o visor
<G> < >
r y,
2

18,7249 Valor do coeficiente a
<1> <G> < >
r y,
2

20,9358 Valor acessrio (sem uso imediato)
<XY> 0,8709 Coeficiente de correlao (r)
< R > <XY> < >
2,2109 Valor do Coeficiente b
100 <G> < >
r y,
2
239,8142 Estimativa de Y para X = 100

Ateno: certifique-se que o primeiro termo do par corresponda sempre ao valor de Y, e o segundo ao
valor de X

1.4 Coeficiente de Determinao ou poder explicativo do Modelo (R
2
)

Freqentemente denominado Coeficiente de Determinao, o poder explicativo da
regresso tem por objetivo avaliar a qualidade do ajuste. Seu valor fornece a proporo da
variao total da varivel Y explicada pela varivel X atravs da funo ajustada. O valor de R
2

obtido elevando-se o valor de r (coeficiente de correlao) ao quadrado.

Quando R
2
= 0, a variao aplicada de Y zero, ou seja, a reta ajustada paralela ao eixo
da varivel X

Se R
2
= 1, a reta ajustada explicar toda a variao de Y. Assim sendo, quanto mais
prximo da unidade estiver o valor de R
2
, melhor a qualidade do ajuste da funo aos pontos do
diagrama de disperso e quanto mais prximo de zero pior ser a qualidade do ajuste.

Se o poder explicativo for, por exemplo, 98%, isto significa que 98% das variaes de Y
so aplicadas por X atravs da funo escolhida para relacionar as duas variveis e 2% so
atribudas a causas aleatrias.


Estatstica Aplicada Contabilidade -12
Os quadros a seguir mostram os resultados grficos para cada situao de R
2









Exemplo 3: Para os dados de exemplo anterior calcular o valor de R
2

Conforme visto anteriormente (correlao), o valor de r expresso por
YY xx
XY
S S
S


=
n
y x
xy S
XY
.
= 20 , 3799
10
908 * 326
33400 =

( )


=
n
x
x S
XX
2
2
= 40 , 1718
10
) 326 (
12346
2
=

( )


=
n
y
y S
YY
2
2
= 60 , 11073
10
) 908 (
93520
2
=


Estatstica Aplicada Contabilidade -13
Ento r =
YY xx
XY
S S
S

= 8709 , 0
60 , 11073 * 40 , 1718
20 , 3799
= .

Assim teremos: r = 0,8709, por sua vez r
2
= 0,8709
2
= 0,7585 ou 75,85%

Isso significa que 78,5% das variaes observadas podem ser atribudas ao modelo e o
restante a causas aleatrias.

Pela HP 12-C, basta elevar ao quadrado o valor de r obtido por ocasio dos clculos dos
coeficientes a e b.

1.5 Intervalos de confiana para estimativas de Y

Ateno Esse tpico fica muito facilitado se desenvolvido com uso da HP12-C

Ainda que seja possvel fazer uma previso para os valores de Y, deve-se ter claro que esta
uma estimativa pontual, na realidade o verdadeiro valor de Y pode variar tanto para mais quanto
para menos.

Assim, possvel calcular um intervalo de confiana para as estimativas de Y dado um
valor de X, sendo esse intervalo de confiana expresso da seguinte forma:

( )
XX
i
YX n
S
X X
n
S t Y
2
2
^
1
1 * *

+ +

. sendo

tn-2 = valor tabelado de t para n-2 graus de liberdades e determinado grau de significncia,
isto , linha n 2 e coluna de alfa/2.

SYX =
( )
2

n
Y Y
=
2
2



n
XY b Y a Y
,

Xi = valor de X para o qual se quer calcular o intervalo de confiana;

SXX =
( )

n
X
X
2
2
;

X = mdia dos valores observados de X

1.5.1 Clculo de Intervalo de Confiana

Exemplo 4: Considerando os dados do Exemplo dado anteriormente, qual o intervalo de
confiana para a estimativa de Y Para X = 100?

No exemplo a Equao obtida foi : Y = a + bX => Y = 18,7249 + 2,2109X

Para fazer a previso de Y para X = 100 substitumos o valor de X na equao:

Y

= 18,7249 + 2,2109*100 = 239,8142




Estatstica Aplicada Contabilidade -14
Uma vez que a HP 12-C calcula a estimativa de Y para qualquer valor que estiver no visor
podemos, alternativamente fazer:
100 <G> < >
r y,
2
, que resultar em 239,8142

No esquecer que na HP-12C, uma vez os dados armazenados, possvel calcular para, qualquer valor de
X, a respectiva previso de Y, sem que seja necessrio operar a equao obtida.


1.5.1.1 Etapas de Clculo do Intervalo de confiana:


Considerando que a frmula
( )
XX
i
YX n
S
X X
n
S t
2
2
1
1 * *

+ +

, temos:

t n 2 = 2,306 (valor de t tabelado, linha 8 e coluna do 2,5%, conforme exemplo abaixo:

Tabela de t de Student -
GL 10% 5% 2,5% 1% 0,5%
1 3,078 6,314 12,706 31,821 63,657
2 1,885 2,920 4,303 6,965 9,925
3 1,634 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
... ... ... ... ... ...
8 1,397 1,860 2,306 2,896 3.355
... ... ... ... ... ...
29 1,311 1,699 2,045 2,462 2,756
infinito 1,282 1,645 1,960 2,326 2,576


=
( )
2

=

n
Y Y
S
YX
=
2
2



n
XY b Y a Y
=

2

Y = ou RCL 5 = 93520

Y = ou RCL 4 = 908

XY = ou RCL 6 = 33400

a = 18,7249

b = 2,2109

n = 10


Estatstica Aplicada Contabilidade -15
Substituindo temos:


2
2


=

n
XY b Y a Y
S
YX
= 2816 , 18
2 10
33400 * 2109 , 2 908 * 7249 , 18 93520
=


,

Xi = valor de X para o qual se quer calcular o intervalo de confiana, para esse exerccio o
valor de Xi = 100

SXX =
( )

n
X
X
2
2
, para resolvermos esse termo existem dois caminhos:

1) Fazer uso de uma tabela auxiliar, conforme calculada no Exemplo 1, com os respectivos
somatrios, e operar os clculos

SXX =
( )

n
X
X
2
2
40 , 1718
10
326
12346
2
= ,

2) Ou diretamente pela HP12C partir da informao que os principais somatrios esto
armazenados em sua memria da seguinte forma:

R1 n ;

R2 x; e

R3 x
2
,

Assim, pode-se operar essa conta diretamente:

<RCL> 3 <RCL> 2 2 <y
x
> <RCL> 1 < > 1718,40

X = mdia dos valores observados de X X = 6 , 32
10
326
=

Essa informao pode ser obtida diretamente da seguinte forma:
<G> < >
x
0
, que resultar em 32,60.

Substituindo os valores obtidos na frmula temos que o intervalo de confiana :

239,8142
40 , 1718
) 6 , 32 100 (
10
1
1 * 2816 , 18 * 306 , 2
2

+ +
239,8142 81,5704

Dessa forma o intervalo de confiana para Y estimado ser de 81,57 isto , o valor de Y poder
variar de mais ou menos 81,57 podendo ser no mximo 321,38 e no mnimo de 158,24 para 95% de
confiana ou P(158,24
^
Y 321,38) = 0,95.


Estatstica Aplicada Contabilidade -16
1.6 Regresses que se tornam lineares por transformaes

Em muitos casos a forma funcional entre as variveis X e Y no linear na qual a
varivel Y uma funo no linear de X, nesse caso existem vrias funes que, a princpio no so
lineares, podem, mediante transformaes se tornarem lineares, cujos parmetros podem ser
estimados pelas frmulas de regresso linear.


1.6.1 Principais curvas passveis de linearizao

Sero apresentadas a seguir as principais curvas que so passveis de linearizao,
devendo ser lembrado que da existncia de outras formas que no sero objetos de nossa anlise.


1.6.1.1 Funo Potncia ou Geomtrica

Tal forma funcional tem muitas aplicaes, sobretudo na estimao de funes de
produo e demanda. No caso de funes de produo, torna-se possvel testar a existncia de ou no
de retornos constantes, crescentes ou decrescentes de escala do uso de algum insumo. De modo geral,
o uso de tal funo adequado toda vez que uma varivel cresce com o aumento de outra, porm
com taxas decrescentes ou crescentes;




Forma Especificativa da funo: Y = a * X
b


Transformao da funo: Ln Y = Ln a + b * Ln X
Y = a + b* X

Nessa situao existe a necessidade de transformar as variveis X e Y em Ln X e Ln Y,
uma vez realizada essa transformao procede-se como se a funo fosse linear.


Estatstica Aplicada Contabilidade -17
Exemplo 5. Os dados abaixo relacionam gastos com propaganda e vendas.

Ms Vendas (Y)
Gastos com
Prop. (X)
X = Ln X Y = Ln Y
J 20 2 0,693147 2,995732
F 28 4 1,386294 3,332205
M 35 6 1,791759 3,555348
A 48 8 2,079442 3,871201
M 54 10 2,302585 3,988984
J 58 12 2,484907 4.060443
J 60 14 2,639057 4,094345
A 61 16 2,772589 4,110874
S 60 18 2,890372 4,094345
O 62 20 2,995732 4,127134

Obter a funo do tipo Y = a * X b

calcular R
2
e para um gasto em propaganda de 25, qual seria o valor esperado das vendas

Resoluo: Neste caso trabalharemos com os novos dados em Ln de X e Y

Dados do problema:
X = 22,035884 XY = 86,791902 X2 = 53,393936
Y = 38,230610 Y2 = 147,563724

I) Determinao dos parmetros a e b da funo:

( )( )
( )

=
n
X
X
n
Y X
XY
b
2
2

5268 , 0
10
035884 , 22
393936 , 53
10
035884 , 22 * 230610 , 38
791902 , 86
2
=



n
X
b
n
Y
a

= = 662211 , 2
10
035884 , 22
5268 , 0
10
230610 , 38
=

Dessa forma a equao ficaria da seguinte forma:

Ln Y = 2,662211 + 0,5268 * Ln X , aplicando o inverso do logaritmo (ex) temos:

Y = 14,3279 * X
0,5268


II) clculo de r =
( ) ( )
(
(

(
(


n
Y
Y
n
X
X
n
Y X
XY
2
2
2
2
*
) )( (


Estatstica Aplicada Contabilidade -18
r =
977003 , 0
10
230610 , 38
563724 , 147 *
10
035884 , 22
393936 , 53
10
035884 , 22 * 230610 , 38
791902 , 86
2 2
=
|
|

\
|

|
|

\
|

= R
2
= 0,9545

III) Previso de vendas para investimentos em propaganda = 25

Podemos resolver essa previso de duas formas, a primeira utilizando-se da expresso

Ln Y = 2,662211 + 0,5268 * Ln X, e a segunda por Y = 14,3279 * X
0,5268


Primeiro caso:

Ln Y = 2,662211 + 0,5268 * Ln X Ln Y = 2,662211 + 0,5268 * Ln (25)
Ln Y = 2,662211 + 0,5268 *3,218876
Ln Y = 4,357915, invertendo o logaritmo temos
Y = 78,09

Segundo caso:

Y = 14,3279 * X
0,5268
Y = 14,3279 * 25
0,5268
Y = 78,09

1.6.1.2 Funo Exponencial

a) Funo Exponencial Semilogartmica I

A funo exponencial frequentemente usada para descrever processos de crescimento
contnuo ou aproximadamente contnuo de uma varivel no tempo.

Particularmente, tem-se que Y = a * b
t
, onde t = tempo. Pode-se igualmente aplicar tal
funo quando uma varivel cresce (ou decresce) com os acrscimos de outra, porm a taxas
crescentes (decrescentes).

Nesse caso, e til tambm para captar o efeito da renda disponvel sobre a poupana,
sob o argumento de que esta tem crescimento mais do que proporcional em relao renda. A
restrio que a varivel dependente assuma somente valores positivos.




Estatstica Aplicada Contabilidade -19
Forma especificativa da funo Y = a * b
X


Transformao : Ln Y = Ln a + X Ln b
Y = a + X b

Este tipo de funo exige apenas a transformao dos valores de Y em Logaritmo.

b) Forma Semilogartmica II

Tal forma funcional (Y como expoente) muito usada em Economia. Um exemplo
seria a mensurao do efeito Engel sobre o consumo. Tal efeito implica que as taxas de variao das
despesas individuais de consumo de um dado bem so positivas, mas declinam com os acrscimos de
renda.

claro que tal forma especificativa pode ser usada em outras situaes, desde que os
acrscimos ou decrscimos da varivel dependente como resposta das alteraes na varivel
explicativa no sejam proporcionais com o crescimento desta.



Forma especificativa da funo e
Y
= a * X
b


Transformao : Y = Ln a + b Ln X
Y = a + X b

Nesse caso, a transformao em logaritmo deve ser feita tanto para os valores de X,
quanto para os valores Y.


1.6.1.3 Forma Hiperblica ou Recproca

Tal forma funcional tem configurao semelhante a das funes logartmica e
semilogartmica. A diferena que as variveis nos dois tipos da funo hiperblica podem assumir
tanto valores positivos quanto negativos, o que no ocorre naquelas formas especificativas. Portanto,
pode-se utilizar a funo hiperblica, quando a relao entre as variveis no for linear e estas
assumirem valores diferentes de zero.


Estatstica Aplicada Contabilidade -20
a) Funo Hiprbole I (Recproca I)



Forma especificativa da funo Y = a b X
1

Transformao : Y = a b
X
1


Nesse caso devemos transformar os valores de X no seu inverso (transformao recproca).

b) Funo Hiprbole III (Recproca II)


Forma especificativa da funo Y =
bX a +
1


Transformao : Y
-1
= a + bX

Nesse caso devemos transformar os valores de Y no seu inverso (1/Y)

1.6.2 Resumo das Principais transformaes

De uma forma geral so essas as principais formas passveis de linearizao:
Tipo de Funo Forma Original Forma Linearizada por
transformao
Restries das variveis
na forma transformada
1. Linear Y = a + bx nenhuma Nenhuma
2. Geomtrica Y = a * X
b
Ln Y = Ln a + bLnX Y > 0 e X > 0
3. Exponencial I Y = a * b
X
Ln Y = Ln a + XLnb Y > 0
4. Exponencial II eY = a * X
b
Y = Ln a + bLnX X > 0
5. Hiperblica II Y = a + bX
-1
usa-se 1/X em vez de X
X 0
6. Hiperblica III Y= 1/(a+bX) 1/Y = a +bX
Y 0


Estatstica Aplicada Contabilidade -21
1.6.3 Critrios de escolha da forma funcional adequada

Como critrio inicial para escolha da funo adequada, deve-se plotar os valores de X e
Y num diagrama de disperso, que fornecer uma indicao prvia do modelo funcional a ser
adotado.

No entanto, na maioria dos casos, uma simples anlise grfica no permite resolver
perfeitamente o problema da especificao (escolha do modelo adequado), em vista de ser difcil
inferir uma funo para a nuvem de pontos formada pelos pares de observao de Y e X no
sistema cartesiano-ortogonal. Assim, outros critrios adicionais de medida podem ser adotados.

Um deles o da comparao dos coeficientes de determinao (R
2
), ou poder descritivo,
das regresses geradas por formas especificativas diferentes. A melhor forma especificativa dever ser
aquela que apresentar um maior coeficiente de determinao, assim, se R
2
LINEAR > R
2

GEOMTRICA, ento a forma especificativa LINEAR ser prefervel GEOMTRICA.

Deve-se lembrar que os critrios aqui sugeridos, bem como outros que poderiam s-lo,
tendo em vista a discusso do problema da especificao, devero ser encarados com a devida cautela,
e isto porque nem sempre a funo que melhor se ajusta aos dados observados (melhor os descreve)
a que melhor explica o fenmeno em observao.

De uma forma geral temos poucas informaes sobre a forma funcional mais adequada
a ser usada na especificao de uma forma funcional. Ademais, no existe nenhuma regra prtica para
a soluo do problema. Na verdade, cada pesquisador decide pela escolha da forma especificativa dos
modelos que formula. Nesse sentido, a especificao de um modelo mais uma arte do que uma
tcnica. Apesar disso, existem alguns critrios gerais que norteiam a escolha da forma funcional, a
saber:

Simplicidade: entre uma forma funcional simples e uma complexa, tende-se a escolher a
primeira, se ambas explicam o fenmeno de modo igualmente bem. A virtude da
simplicidade talvez a razo pela qual muito pesquisador escolhe a forma linear.

Indicao da teoria como o objetivo de um modelo dar contedo emprico s
formulaes tericas, o uso de vrias formas funcionais e a escolha da que apresenta
resultados mais satisfatrios, mas sem uma justificativa terica, poder resultar numa
mensurao desprovida de significado terico, isto , seria uma relao espria, um mero
exerccio estatstico, e no uma anlise propriamente estatstica

Poder preditivo na verdade, um modelo no deve apenas sumariar um fenmeno efetivo,
mas tambm ser til para previses. Isso significa que a forma funcional deve, pelo menos,
ajustar-se bem aos dados

Finalmente, deve ser ressaltado a existncia de critrios mais elaborados que podem ser
usadas como ferramentas adicionais para a escolha de um modelo adequado, devendo ser destacado a
anlise dos resduos, que consiste nos valores resultantes da diferena entre Y observado e Y
esperado pela aplicao do modelo obtido, assunto esse que foge ao escopo do contedo dessa
disciplina.



Estatstica Aplicada Contabilidade -22
1.7 Sries Temporais

Chamamos de sries temporais ou cronolgicas quando os registros sobre o fenmeno
observado (ou a varivel observada) so realizados em instantes distintos e sucessivos de tempo.

O tempo pode ser observado, para citar alguns exemplos, de cinco em cinco minutos, de
meia em meia hora, de hora em hora, semanalmente, mensalmente, bimestralmente,
trimestralmente, semestralmente, anualmente, de cinco em cinco anos, etc.

Matematicamente, podemos exprimir uma srie temporal como o conjunto dos valores Y1,
Y2, Y3,...Yi para a varivel de interesse Y registrados nos tempos t1, t2, t3, ... ti. Ento, a varivel Y
pode ser expressa em funo do tempo t como:

Y = f(t)

1.7.1 Objetivo da anlise das sries cronolgicas

O estudo das sries temporais tem por objetivo descrever e analisar o comportamento
passado do fenmeno visando a compreenso do comportamento da srie e a conseqente
previso de movimentos futuros. Ou seja, a anlise das sries temporais permite:

Investigar o mecanismo gerador da srie (conhecer o modelo matemtico que explique o
fenmeno ao longo do tempo);

Fazer previses futuras da srie (de curto, de mdio e de longo prazos);

Descrever apenas o comportamento da srie (utilizao do histograma e de outros grficos,
verificao da existncia de tendncias, ciclos e variaes sazonais; etc.)

Procurar periodicidade relevantes nos dados (estudos das variaes cclicas e sazonais).

Nesse estudo a maior parte dos fenmenos observados registrada ao longo do tempo
(produo, consumo, comercializao, investimento, nmero de empregados, renda, etc.). Para
analis-los so elaborados modelos matemticos utilizando o tempo como a varivel
independente. Alguns acreditam que atravs desses modelos torna-se possvel determinar os
perodos de expanso ou perodos de recesso de uma economia.

O que no podemos negar a utilidade da anlise das sries temporais para as anlises
econmicas de curto prazo e da anlise do desempenho econmico no mdio e longo prazos.

1.7.2 Componentes das Sries Cronolgicas

Antes de iniciarmos a anlise propriamente dita de uma srie temporal, extremamente
til visualizarmos o fenmeno num grfico de linhas (ou grfico de curvas). A seguir, para ilustrar,
foi apresentado o nmero de passageiros no Aeroporto WWWWW registrado mensalmente de
1985 a 1999. No grfico foi apenas marcado por J o ms de janeiro. Podemos observar que as
informaes ora sobem ora descem, mas existe uma tendncia ao longo do tempo de crescimento
para o nmero de passageiros.
Na anlise das sries cronolgicas vamos aprender a determinar essa tendncia e a estudar
as flutuaes do fenmeno. Vamos estudar as componentes de uma srie temporal.


Estatstica Aplicada Contabilidade -23



Uma srie temporal composta de quatro componentes. So elas:

A tendncia secular;

As variaes sazonais ou estacionais;

As variaes cclicas; e

As variaes aleatrias, irregulares ou errticas.

1.7.2.1 Tendncia secular (T)

A tendncia secular ou apenas tendncia a direo geral da srie. Ou seja, o movimento
persistente ao longo do tempo em alguma direo. o movimento de longo prazo da srie

1.7.2.2 Variaes sazonais ou estacionais (S)

Essas variaes s podem ser observadas na srie quando os dados so registrados em
perodo de tempo inferior a um ano (por exemplo, semana, quinzena, ms, trimestre, semestre). A
variao sazonal um movimento de curto prazo.

No grfico anterior podemos observar que existe claramente a componente sazonal. Nos
meses de dezembro, janeiro e fevereiro observamos que o nmero de passageiros encontra-se
num patamar bem inferior aos observados para os meses de junho, julho e agosto. Observamos,
portanto, que o nmero de passageiro pequeno nos meses de inverno nos EEUU e aumenta
bastante durante o vero, no aeroporto observado.


Estatstica Aplicada Contabilidade -24
1.7.2.3 Variaes cclicas (C)

A ocorrncia dessa componente da srie observada em torno da tendncia ao longo do
tempo em intervalos iguais ou maiores que um ano. Quando a srie suficientemente longa
podemos observar ciclos econmicos.

1.7.2.4 Variaes aleatrias, irregulares ou errticas (E)


Essa ltima componente refere-se s perturbaes geradas por fatores eventuais ou que
no podem ser previstos como, por exemplo, guerras, inundaes, geadas, greves ou outros
fatores que no se repetem regularmente.

1.7.3 Decomposio das componentes de uma srie temporal

Para realizarmos a anlise de uma srie temporal precisamos fazer a decomposio das
componentes ou movimentos anteriormente explicitados e investigar o comportamento de cada
uma separadamente. Matematicamente, podemos escrever que as observaes do fenmeno so
funo da tendncia, das variaes cclicas, das variaes sazonais e das variaes aleatrias.

1.7.3.1 As hipteses aditivas e multiplicativas

Tipos de modelos para a anlise das sries temporais:

i) Modelo aditivo os movimentos sazonais cclicos e aleatrios so independentes da
componente tendncia e seus efeitos absolutos operam de forma aditiva:

E+S+C+T=Y

ii) Modelo multiplicativo os movimentos atuam proporcionalmente ao nvel geral da srie (a
tendncia):

ECTE=Y

iii) Modelos mistos

(ES)+(TE)= Y ou (ESC)+E= Y ou qualquer outra combinao

No podemos determinar a priori qual o melhor modelo a ser utilizado, vai depender do grau de
sucesso alcanado com a aplicao da hiptese aditiva, multiplicativa ou mista.

1.7.4 Determinao e eliminao dos componentes cronolgicos

1.7.4.1 Determinao da tendncia

Para determinarmos essa componente da srie podemos faz-lo de duas maneiras:

i) Atravs do mtodo das mdias mveis;

ii) Atravs do ajustamento de uma funo matemtica: um modelo linear, quadrtico, exponencial,
logstico, etc.


Estatstica Aplicada Contabilidade -25
i) Determinao da tendncia pelo Mtodo das Mdias Mveis

Objetivo: Suavizar as variaes das sries por um processo de sucessivas mdias
(aritmtica, geomtrica, etc.)

Neste caso, a tendncia no forada a adaptar-se a qualquer funo matemtica, porm
este mtodo no permite fazer previses.

ii) Determinao da tendncia pelo Mtodo dos Mnimos Quadrados

Objetivo: Ajustar uma funo matemtica srie temporal para determinao da direo
geral.

No mdulo anterior vimos como ajustar uma funo matemtica pelo mtodo dos
mnimos quadrados quando so dados n pares de observaes para duas variveis. O ajustamento
ser utilizado nesta etapa da anlise das sries temporais, com uma nica diferena: agora a varivel
independente, chamada anteriormente de X, ser a varivel tempo, que a denotaremos por t. Isto
:

Y = f(t) , onde t = tempo

A vantagem da determinao da tendncia por um modelo matemtico, em relao ao
mtodo das mdias mveis, que podemos fazer estimativas futuras para a srie dada.

1.7.5 Previses utilizando a componente sazonal

Vimos anteriormente que podemos fazer previses utilizando apenas a tendncia linear
Entretanto, quando as observaes forem registradas em perodo de tempo inferior a um ano,
existem muitos fenmenos econmicos que podemos observar a componente sazonal.

Portanto, elaborar estimativas sem levar em considerao essa componente pode levar a
resultados no satisfatrios. Pelo exemplo a seguir podemos verificar umas das principais
aplicaes de sries temporais, para previses, na qual est considera-se tambm os fatores
sazonais.

Exemplo 6: Seja a venda de determinado artigo de inverno. As vendas realizadas em cada um dos
trimestres dos ltimos quatro anos constam do quadro abaixo:

Trimestre
Ano
I II III IV
2003 1 2 5 2
2004 1 3 6 2
2005 1 3 6 4
2006 2 2 8 4

Considerando uma tendncia linear, faa uma previso para as vendas para o ano de 2007.


Resoluo: Vamos definir os passos que devemos seguir quando pretendemos determinar a
tendncia de uma srie temporal:

1 Passo: Elaborar o grfico para definir visualmente quais as funes matemticas que poderiam
ser ajustadas, nesse caso o ajuste utilizado ser linear

Estatstica Aplicada Contabilidade -26


Valores de Y em funo do tempo
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16




2 Passo: Determinar os parmetros da funo escolhida:

Utilizando um modelo linear podemos calcular os parmetros da reta que ajusta os dados,
nesse caso a funo ser:

Y = 1,80 + 0,17 t

Os parmetros da funo foram calculados conforme visto no Mdulo de Regresso Linear.

3
o
Passo: Obtida a reta, podemos estimar o valor central dos valores de Y estimado em qualquer
poca. Nesse passo dividimos os valores de Y observados pelo de Y estimados

t YOBS YESP YOBS/YESP
1 1 1,97 0,51
2 2 2,14 0,93
3 5 2,31 2,16
4 2 2,48 0,81
5 1 2,65 0,38
6 3 2,82 1,06
7 6 2,99 2,00
8 2 3,16 0,63
9 1 3,34 0,30
10 3 3,51 0,86
11 6 3,68 1,63
12 4 3,85 1,04
13 2 4,02 0,50
14 2 4,19 0,48
15 8 4,36 1,84
16 4 4,53 0,88




Estatstica Aplicada Contabilidade -27
4
o
Passo: Tabula-se os resultados YOBS/YESP, obtendo-se o seguinte quadro:

Trimestre
Ano
I II III IV
2003 0,51 0,93 2,16 0,81
2004 0,38 1,06 2,00 0,63
2005 0,30 0,86 1,63 1,04
2006 0,50 0,48 1,84 0,88


5
o
Passo: a mdia dos valores YOBS/YESP, para cada trimestre, ser a estimativa do fator sazonal,
respectivamente para os semestres I, II, III e IV.

FI = (0,51 + 0,38 + 0,30 + 0,50)/4 = 0,43

FII = (0,93 + 1,06 + 0,86 + 0,48)/4 = 0,83

FIII = (2,16 + 2,00 + 1,63 + 1,84)/4 = 1,91

FIV = (0,81 + 0,63 + 1,04 + 0,88)/4 = 0,84

6
o
Passo: Com base na equao de regresso obtida e utilizando-se os fatores sazonais obtidas no
5
o
passo, podemos estimar as vendas futuras, da seguinte maneira:

Y = (a + b*t)*F

1
o
trimestre de 2007 t = 17 Y = (1,80 + 0,17 * 17)*0,43 = 2,02

2
o
trimestre de 2007 t = 18 Y = (1,80 + 0,17 * 18)*0,83 = 4,03

3
o
trimestre de 2007 t = 19 Y = (1,80 + 0,17 * 19)*1,91 = 9,61

4
o
trimestre de 2007 t = 20 Y = (1,80 + 0,17 * 20)*0,84 = 4,37


Estatstica Aplicada Contabilidade -28
2 Amostragem

Em auditoria, as tcnicas de amostragem visam coletar e avaliar evidncias numricas
das entidades administrativas no intuito de determinar e relatar o grau de adequao das
informaes obtidas a critrios previamente definidos. Isso se deve natureza antieconmica das
auditorias que pretendam investigar todo o universo visado.

As tcnicas em questo, por se basearem em princpios estatsticos demonstrveis,
apresentam as seguintes vantagens:

a) o tamanho da amostra e o erro amostral podem ser estimados prvia e objetivamente;
b) as amostragens conduzidas por auditores diferentes podem ser combinadas;
c) os censos, alm de serem demorados, podem conter mais erros no-amostrais do que as
amostras;
d) os resultados amostrais so objetivos e, por extenso, defensveis;
e) os resultados da auditoria podem ser avaliados com segurana e extrapolados para toda a
populao.

2.1 Inferncia Estatstica

A crescente demanda por dados numricos observados ao longo da histria est
estreitamente relacionada com o desenvolvimento da estatstica descritiva.

Modernamente, porm, graas ao desenvolvimento da inferncia estatstica, partindo
de extenses da teoria da probabilidade, que a estatstica passou a ser amplamente empregada por
todo tipo de pesquisa.

A relevncia dos mtodos de inferncia estatstica deve-se ao fato de que as tcnicas de
amostragem tornaram-se indispensveis, pois o crescimento populacional tornou excessivamente
onerosa, demorada e complexa a coleta de dados sobre toda a populao. Decises relacionadas
com as caractersticas da populao devem se basear em informaes extradas de amostras, com a
teoria da probabilidade fornecendo o elo entre ambas mediante a definio da probabilidade de
que os resultados amostrais espelhem os parmetros populacionais.

Convm frisar que, para que a anlise estatstica seja til ao processo de tomada de deciso,
os dados coletados devem ser apropriados, ou seja, livres de vieses, ambigidades ou outros tipos
de erro, pois essas deficincias dificilmente podero ser compensadas, mesmo pelos mais
modernos mtodos estatsticos.

2.2 Amostragem

O processo de se retirar uma amostra da populao denomina-se amostragem, que
basicamente podem ser de dois tipos: amostragens aleatrias e no aleatrias.

2.2.1 Amostragens no aleatrias

Nesse caso a amostra obtida intencionalmente no se aplicando ela as regras da
estatstica clssica.


Estatstica Aplicada Contabilidade -29
Os resultados no podem ser generalizados e so vlidos apenas para a prpria amostra

2.2.2 Amostragens Aleatrias

Existem quatro tipos bsicos de amostragens aleatrias, quais sejam:

2.2.2.1 Amostragem Aleatria Simples ou Ocasional

o processo mais elementar e freqentemente utilizado. Todos os elementos da
populao tm igual probabilidade de serem escolhidos. Para uma populao finita o processo
deve ser sem reposio. Todos os elementos da populao devem ser numerados. Para realizar o
sorteio dos elementos da populao devemos usar uma Tabela de Nmeros Aleatrios, ou algum
processo computacional para isto, como por exemplo, a funo =() aleatrio do Excel.

Embora a amostragem aleatria simples no seja, necessariamente, a estratgia amostral
mais eficiente e econmica, ela funciona como base para as estratgias mais sofisticadas. As
suas principais caractersticas constam da figura a seguir:




O elemento-chave de qualquer estratgia amostral a obteno e manuteno de um
cadastro atualizado (i.e., sistema de referncia ou, na lngua inglesa, frame) de todos os itens ou
indivduos que compem a populao da qual ser extrada a amostra (i.e., populao-alvo).

Caso alguns grupos de itens ou indivduos no sejam adequadamente contemplados pelo
cadastro, a populao-alvo e a verdadeira populao diferiro. Dessa forma, as estimativas geradas
pelas amostras aleatrias sero vlidas para a populao-alvo, mas viesadas para a verdadeira
populao.

2.2.2.2 Amostragem Sistemtica

Trata-se de uma variao da Amostragem Aleatria Ocasional, conveniente quando a
populao est naturalmente ordenada, como fichas em um fichrio, lista telefnica, etc.

Ex.: N = 5000 n = 50, ento 10 = =
n
N
r , (P.A. de razo)

Sorteia-se usando a Tabela de Nmeros Aleatrios um nmero entre 1 e 10, (x=3), o
nmero sorteado refere-se ao 1
o
elemento da amostra, logo os elementos da amostra sero:


Estatstica Aplicada Contabilidade -30
O 3 , 13 , 23 , 33 e assim sucessivamente, como mostrado abaixo.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
30 31


2.2.2.3 Amostragem Estratificada

um processo de amostragem usado quando nos depararmos com populaes
heterogneas, na qual se pode distinguir sub-populaes mais ou menos homogneas,
denominados estratos.

Aps a determinao dos estratos, seleciona-se uma amostra aleatria de cada uma sub-
populao (estrato).

As diversas subamostras retiradas das subpopulaes devem ser proporcionais aos
respectivos nmeros de elementos dos estratos, e guardarem a proporcionalidade em relao a
variabilidade de cada estrato, obtendo-se uma estratificao tima.

Tipos de variveis que podem ser usadas em estratificao: idade, classes sociais, sexo,
profisso, salrio, procedncia, etc.

Exemplo 1: Vamos obter uma amostra proporcional estratificada de 10% para a pesquisa da
estatura de 90 alunos de uma escola onde 54 so meninos e 36 so meninas.

Temos aqui dois estratos, sexo masculino e sexo feminino.

a) O primeiro passo determinar o tamanho da amostra em cada estrato:

b) Numeramos os alunos de 01 a 90, sendo que de 01 a 54 correspondem meninos e de 55 a 90
meninas.

c) obtemos uma amostra aleatria ou sistemtica de cada sexo e reunimos as informaes numa s
amostra, denominada amostra estratificada.

A figura a seguir exemplifica o processo da amostragem estratificada



A amostragem estratificada apresenta a vantagem da possibilidade de se obter estimativas
mais precisas quando comparadas da amostragem aleatria


Estatstica Aplicada Contabilidade -31
2.2.2.4 Amostragem por Conglomerados (ou Agrupamentos)

Algumas populaes no permitem, ou tornam-se extremamente difcil que se
identifiquem seus elementos, mas podemos identificar subgrupos da populao. Em tais casos,
uma amostra aleatria simples desses subgrupos (conglomerados) podem ser escolhida, e uma
contagem completa deve ser feita no conglomerado sorteado. Como exemplo, poderamos dizer,
numa pesquisa sobre a cidade de Sorocaba, que cada regio da cidade pode representar um
conglomerado.

Normalmente um plano de amostragem pode incorporar vrios desses tipos. Por exemplo,
os itens da populao podem ser os funcionrios das diversas empresas existentes em Sorocaba,
por exemplo, do ramo de metalurgia. Como existem vrias empresas na cidade, cada uma delas
representa um conglomerado. De forma aleatria sorteia-se ento os empresas (conglomerados) e
dentro de cada empresa procede-se a pesquisa com todos os seus funcionrios.

O desenho abaixo apresenta o esquema de como se d a amostragem por conglomerados



Quando os conglomerados so compostos por uma grande quantidade de elementos, entretanto, pode-se
estimar as estatsticas referentes a cada conglomerados por meio da amostragem aleatria simples. Essa tcnica
denominada de amostragem aleatria por conglomerados em dois estgios, que tambm no ser examinada em
funo do nvel de sofisticao matemtica

2.3 Plano Amostral

O ponto de partida de toda amostra o plano amostral, o qual documenta os passos e os
procedimentos envolvidos na utilizao de tcnicas de amostragem, devendo envolver as etapas
definidas a seguir:

a. estipular os objetivos do uso de tcnicas de amostragem, explicando-se o porqu da no-
utilizao de um censo;
b. definir os elementos da populao, ou seja, os indivduos ou objetos acerca dos quais
sero feitas estimativas;
c. definir o tamanho da populao, recorrendo-se, se necessrio, a estimativas;
d. examinar o cadastro da populao ou, caso no esteja disponvel, a descrio dos itens
relevantes para a seleo;
e. descrever a tcnica de amostragem a ser utilizada e justificar a escolha;
f. descrever os procedimentos seguidos na execuo do trabalho;

Estatstica Aplicada Contabilidade -32
g. estabelecer o nvel de confiana;
h. determinar o tamanho da amostra e a preciso desejada, o que freqentemente requer uma
amostra preliminar;
i. escolher as tcnicas de coleta, armazenamento e anlise dos dados.

O maior ou menor sucesso dos estudos amostrais, independentemente do seu tipo,
costuma guardar relao direta com a melhor ou pior observncia dessas etapas.


Estatstica Aplicada Contabilidade -33

3 Estimao de Parmetros

3.1 Conceitos Gerais

Estimao de Parmetros um processo de induo, isto , com base nos valores
observados na amostra podemos inferir ou seja estimar os valores de parmetros
populacionais desconhecidos. Essencialmente, qualquer caracterstica de uma populao pode
ser estimada a partir de uma amostra aleatria, entre os mais comuns temos a mdia e o desvio
padro de uma populao e a proporo populacional.

O clculo de probabilidade nos fornece vrios modelos de distribuies, (binomial,
Poisson, normal, etc.), sendo que uma famlia muito importante, para nossos estudos a da
Distribuio Normal. Essa, no entanto, s perfeitamente caracterizada quando conhecemos, de
forma direta ou indireta, seus dois parmetros bsicos:

mdia da populao :
desvio padro da populao:

Quando no possvel saber, de forma direta, a mdia e/ou o desvio padro de uma
populao, possvel obtermos estimativas para esses valores, num processo que denominado
de estimao de parmetros, Esses parmetros, obtidos atravs de uma amostra aleatria dessa
populao, e so denominados mdia amostral (x) e desvio padro amostral (s).

Por vezes pode surgir o problema de, ao escolhermos esses estimadores, a partir da
amostra, estarmos incorrendo em erros de estimao.

Devido a esse fato, surge a idia de se construir um intervalo em torno dessa estimativa,
de modo que esse intervalo tenha uma probabilidade conhecida de conter o verdadeiro valor
desses parmetros, ao qual denominaremos de Intervalo de confiana.



Admitindo-se um valor de igual a 1 (ou 100%), vamos considerar ou nvel ou grau de
confiana do respectivo intervalo, como sendo 1 - , de que um intervalo de confiana contenha
o valor do parmetro.


Estatstica Aplicada Contabilidade -34


Vemos que (normalmente 5 ou 1%) ser a probabilidade de erro na estimao do
nosso intervalo, isto , para igual a 5%, significa a probabilidade de errarmos ao afirmar que o
valor do parmetro est contido no intervalo de confiana determinado, e 95% a probabilidade
do intervalo conter o parmetro estimado.

Uma vez que essa probabilidade de erro, simtrica curva normal, devemos dividir
por dois, ou seja, no caso da probabilidade de erro ser 5% (), isso significa que temos 2,5%
(/2), para cada lado da curva.

A figura a seguir apresenta a curva de distribuio normal na situao em que est
dividido em duas partes com /2 para cada lado da curva.



3.2 Tipos de Estimaes de Parmetros

3.2.1 Estimao Pontual

usada quando a partir da amostra procura -se obter um nico valor de certo
parmetro populacional, ou seja, obter estimativas a partir dos valores amostrais.

Principais estatsticas de estimao pontual

- Mdia Amostral ( x )
- Proporo Amostral (s)
- Varincia Amostral (s
2
)

3.2.2 Estimao Intervalar

Uma outra maneira de se calcular um estimativa de um parmetro desconhecido,

Estatstica Aplicada Contabilidade -35
construir um intervalo de confiana para esse parmetro com uma probabilidade de
1 (nvel de confiana) de que o intervalo contenha o verdadeiro parmetro. Dessa maneira,
ser o nvel de significncia, isto , o erro que se estar cometendo ao afirmar que o parmetro
est entre o limite inferior e o superior calculado, como pode ser visto na figura abaixo:



Podemos dizer que 95% das vezes, o intervalo acima contm a verdadeira mdia populacional. Isto no o
mesmo que afirmar que 95% a probabilidade do parmetro cair dentro do intervalo, o que constituir um erro, pois
um parmetro (nmero) e ele est ou no no intervalo.


3.3 Intervalos de confiana para mdias

Na impossibilidade de se conhecer a mdia verdadeira de uma populao, recorremos a
mtodos que a partir da amostra possvel estimar um intervalo de confiana que dada uma
probabilidade, conter a mdia verdadeira. No entanto, preliminarmente devemos verificar os
seguintes pontos:

a) o desvio padro populacional conhecido?
b) o desvio padro foi obtido a partir da amostra?
c) a populao finita ou no?

do conhecimento dessas informaes que podemos fazer a opo pelo teste adequado,
isto , se o teste z ou t (valores tabelados em funo dos graus de liberdade e da probabilidade
de erro = , normalmente 5% ou 1%), ou se ser necessrio fazer uma correo dos resultados.

Assim podemos ter as seguintes situaes

3.3.1 Intervalo de confiana para a mdia da populao, quando conhecido

Partindo do pressuposto que conhecemos o desvio padro da populao, mas no a sua
mdia, possvel a partir de uma amostra, determinar um intervalo de confiana para a mdia da
populao tendo como base os dados da amostra.

Suponhamos que o valor de conhecido, e que desejamos a partir de uma amostra
obter alm de um indicador da mdia populacional um indicador da preciso dessa estimativa,
atravs do clculo das probabilidades, e sabendo que a varivel reduzida Z, possvel, uma vez
estabelecido a probabilidade de erro , determinar quais os limites superiores e inferiores da
mdia populacional desconhecida, da seguinte forma:

Intervalo de Confiana
n
x

z

Estatstica Aplicada Contabilidade -36

x = mdia da amostra

=
n

erro padro, definido como o valor do desvio padro, dividido pela raiz
de n

=
2

z valor tabelado de z, para a probabilidade, que estamos procurando.



Exemplo 7: Suponha-se uma fbrica de folhas de papel, cuja produo normalmente
distribuda, com comprimento esperado de 28 cm e desvio-padro conhecido de 0,05 cm. Caso
seja selecionada uma amostra de 100 folhas e a mdia obtida tenha sido de 27,995 cm, qual a
estimativa do intervalo da mdia para um nvel de confiana de 95%?

z para 95%, temo = 5%, em testes bilaterais igual a 1,96

O valor de z tabelado, pode ser obtido na Tabela de t de Student na linha do infinito, utilizando-
se a coluna do 2,5%, uma vez que o erro alfa de 5% foi dividido em duas partes com 2,5% para
cada lado, conforme pode ser observado abaixo:


Tabela de t de Student -
GL 10% 5% 2,5% 1% 0,5%
v 0,10 0,05 0,025 0,01 0,005
1 3,078 6,314 12,706 31,821 63,657
2 1,885 2,920 4,303 6,965 9,925
--- --- -- -- --- ---
26 1,315 1,706 2,056 2,479 2,779
27 1,314 1,703 2,052 2,473 2,771
28 1,313 1,701 2,048 2,467 2,763
29 1,311 1,699 2,045 2,462 2,756
infinito 1,282 1,645 1,960 2,326 2,576

erro padro = 5 , 2
100
995 , 27
=

IC = 27,995 1,96* =
100
995 , 27
27,995 0,0098

Assim o intervalo de confiana que contm a mdia populacional ser ou
P (27,9852 < < 27,0048) = 95%, ou seja de cada 100% dos casos que poderiam ser
determinados com base num grande nmero de amostras aleatrias, poderamos estar errados em
5% dos casos



Estatstica Aplicada Contabilidade -37


Concluindo, como o comprimento esperado est contido no intervalo estimado, a
hiptese de que a fbrica est operando corretamente aceita. Esse procedimento corresponde a
um Teste de Hiptese, no qual a Hiptese Nula (H0) equivale aceitao do valor esperado,
enquanto que a Hiptese Alternativa (H1) equivale rejeio. Se, neste exemplo, o
cumprimento esperado estivesse aqum ou alm do intervalo estimado, aceitar-se-ia a hiptese
alternativa, com risco de 5% de que se estivesse rejeitando um processo de fabricao correto.

3.3.2 Intervalo de confiana para a mdia da populao quando desconhecido
(pequenas amostras)

Quando no dispomos do valor do desvio padro populacional, ou se o nmero de dados
for inferior a 30, no se justifica a utilizao do desvio padro amostral, como estimativa do
desvio padro populacional.

Dessa forma devemos utilizar o desvio padro amostral (s), que dado por:

s =
( )
1 n
n
x
x
2
2



Assim quanto menor a amostra, mais necessria se torna a introduo de uma correo
que consiste em utilizar a varivel - t - de Student ao invs de z, sendo que neste caso o valor de
t vai variar, em funo da probabilidade desejada (/2) e do nmero de elementos da amostra
menos um (n-1), que da mesma forma que z, so valores tabelados.

Dessa a nova expresso ficaria dessa forma: IC =
n
s
x
1

n
t

Exemplo 8: Considerando que uma amostra de quatro elementos extrada de uma populao
normal forneceu mdia de 8,2 e desvio padro (s) de 0,40, construir um intervalo de confiana de
99% para a mdia dessa populao.

t n-1; /2 = 5,841

O valor de t de Student obtido na tabela de t, de forma semelhante ao valor de z, isto ,
se o intervalo de 99%, temos um erro de 1%, que ser dividido em duas partes 0,5% para cada
lado j a linha a ser utilizada ser de n-1 dados, no caso em questo temos n = 4, assim o valor
ser o da linha 3, coluna do 0,5%.

Estatstica Aplicada Contabilidade -38

Tabela de t de Student -
GL 10% 5% 2,5% 1% 0,5%
v 0,10 0,05 0,025 0,01 0,005
1 3,078 6,314 12,706 31,821 63,657
2 1,885 2,920 4,303 6,965 9,925
3 1,634 2,353 3,182 4,541 5,841
4 1,533 2,132 2,776 3,747 4,604
--- --- --- --- --- ---
29 1,311 1,699 2,045 2,462 2,756
infinito 1,282 1,645 1,960 2,326 2,576

=
n
s
erro padro,
4
40 , 0
= 0,20

Intervalo de confiana = 5,841 * 0,20 = 1,168 ou 8,20 1,168



3.4. Estimativa do tipo Bootstrapping

Embora as estimativas de intervalos de confiana sejam amplamente utilizadas para fazer
inferncias acerca dos parmetros populacionais, as hipteses subjacentes a essas estimativas nem
sempre correspondem realidade. Os intervalos calculados acima, p. ex., baseiam-se na hiptese
de que as amostras so extradas de populaes normalmente distribudas. Ainda que os
intervalos de confiana no sejam muito sensveis a pequenos relaxamentos dessa hiptese, a
presena de um substancial nvel de no-normalidade na populao, especialmente quando o
tamanho da amostra pequeno, pode gerar intervalos imprecisos para a mdia.

Um modo de contornar o problema citado acima a estimao do tipo bootstrapping.
Esse mtodo envolve a seleo sem reposio de uma amostra inicial de tamanho n, a qual
recombinada com reposio de 100 a 1.000 vezes, dependendo da capacidade de processamento
do computador empregado, para que seja obtida uma distribuio das mdias amostrais sem que
se recorra a hipteses acerca da distribuio populacional.

Primeiro, forma-se com as mdias calculadas uma seqncia ordenada de observaes.
Em seguida, a seqncia segmentada conforme o nvel de confiana desejado. Caso seja de 95%,
p. ex., deve-se identificar as observaes que separam os primeiros e os ltimos 2,5% das
observaes dos 95% restantes, concentrados em torno da mediana das mdias amostrais. Por
fim, os valores associados s observaes identificadas definem a estimativa do intervalo de
confiana.


Estatstica Aplicada Contabilidade -39
3.4.1 Princpios do mtodo

seleo de uma amostra de tamanho n sem reposio

gerar uma amostra de tamanho j > n com reposio, aproveitando-se as n primeiras
observaes distintas;

seleo, a partir da amostra inicial, de 100 a 1.000 amostras de tamanho n com reposio;

calcular a mdia amostral de cada amostra;

ordenar as mdias amostrais;

identificar os percentis desejados, os valores constantes dos percentis delimitam o
intervalo de confiana desejado. I.


3.5. Intervalos de confiana para propores

Diferentemente das questes de mdia, estamos trabalhando com propores
populacionais, ou em outras palavras, se determinada frao da populao possui ou no
determinado atributo, se ela homem ou mulher, se est abaixo de tal grau ou acima, etc.

No caso de amostras suficientemente grandes, que satisfaam as condies de
aproximao pela distribuio binomial pela normal, podemos estimar o intervalo de confiana,
para uma proporo, a partir da seguinte expresso:


n
p p
z p
) ' 1 ( '
'
2


, onde p freqncia relativa observada dado por p=
n
x
, onde

x = nmero de dados que apresentam a caracterstica que se pretende estudar, e

n = nmero de dados pesquisados

Exemplo 9: Suponha-se uma editora que deseje conhecer a proporo de revistas distribudas
com defeito (p.ex., pginas duplicadas ou suprimidas). Caso seja selecionada uma amostra de 200
revistas, 35 das quais defeituosas, qual a estimativa do intervalo da proporo para um nvel de
confiana de 90%?

temos que p = 1750 , 0
200
35
= =
n
x
e z/2 = 1,645 assim


n
p p
z p
) ' 1 ( '
'
2


=> 0,1750 1,645
200
) 1750 , 0 1 ( 1750 , 0
,=> 0,1750 0,0442


Estatstica Aplicada Contabilidade -40
Dessa forma, para = 10%, amostra selecionada indica que de 13,08% a 21,92% das
revistas so distribudas com defeito, com 90% de nvel de confiana de que o intervalo [0,1308;
0,2192] seja um dos intervalos que efetivamente contm o parmetro desejado. Note-se que
quanto menor o nvel de confiana, menor o intervalo estimado. Dessa forma, a confiana e a
preciso das estimativas variam inversamente..



Para uma dada combinao de n e a, os intervalos de confiana estimados para
propores, necessariamente envolvendo variveis categricas, costumam ser maiores, ou menos
precisos, do que os intervalos estimados para variveis contnuas. Enquanto que no primeiro tipo
de estimativa as observaes so agrupadas em uma quantidade finita de categorias, no segundo,
as observaes so mais variadas, agregando mais informao estimativa.

3.6 Intervalos de Confiana para populaes finitas

O Teorema do Limite Central e os erros-padro da mdia e da proporo baseiam-se na
premissa de que as amostras so selecionadas com reposio, porm, em geral, as pesquisas no
apenas so conduzidas sem reposio, como envolvem uma porcentagem significativa da
populao. Assim, quando n/N superior a 0,05, deve-se usar um Fator de Correo para
Populaes Finitas (CPF) no clculo dos erros padro da mdia e da proporo. Esse fator
definido pela equao indicada a seguir:

1

N
n N
, onde

N = tamanho da populao
n = tamanho da amostra

Esse fator de correo, tanto deve ser utilizado quando tratar-se de intervalos de confiana para
mdia como para propores. Assim teramos o intervalo da seguinte forma:

Para mdias (z) Para mdias (t) Para propores
n
x

z *
1

N
n N

n
s
x
1

n
t *
1

N
n N

n
p p
z p
) ' 1 ( '
'
2


*
1

N
n N



Estatstica Aplicada Contabilidade -41
Exemplo 10. Considerando que uma amostra de quatro elementos extrada de uma populao
normal, com 50 elementos forneceu mdia de 8,2 e desvio padro (s) de 0,40, construir um
intervalo de confiana de 99% para a mdia dessa populao.

IC =
n
s
x
1

n
t
1

N
n N
, assim
1 50
4 50
4
40 , 0
841 , 5 2 , 8

,

IC = 8,20 1,132



3.7 Estimativa do Intervalo para Totais

O total (T) obtido multiplicando-se a mdia amostral pelo tamanho da populao, ou
seja:

T = N. X .

O respectivo intervalo de confiana, por sua vez, :

|
|

\
|

\
|


1
. . .
1
N
n N
n
S
t N X N
n


N = tamanho da populao;
X = Mdia da amostra
=
1 n
t Valor tabelado de t para n 1 graus de liberdade, para um determinado valor de alfa
Caso a amostra seja suficientemente grande pode utilizar o valor de z
S = Desvio padro da amostra
n = tamanho da amostra

Importante: s utilizar
1

N
n N
se n/N 05 , 0

Estatstica Aplicada Contabilidade -42
Exemplo 11: Aplicao da Estimativa do Intervalo para Totais

Suponha-se um arquivo contendo 5.000 ordens bancrias, normalmente distribudas, mas cujos
montante e desvio-padro no so conhecidos. Uma amostra de 100 ordens gerou os seguintes
resultados: X = R$ 1.076,39 e S = R$ 273,62. Qual o montante estimado das ordens e
respectivo intervalo, para um nvel de confiana de 95%?

Dado que n/N > 0,05, tem-se que a populao pode ser considerada infinita, no existindo,
portanto, necessidade de utilizar o fator de correo para populaes finitas

Estimativa pontual = T = N. X = 5.000 x 1.076,39 = $ 5.381.950,00

Intervalo de confiana, dado que temos mais de 30 dados, podemos procurar o valor de tabelado
de t na linha do infinito da tabela e coluna do 2,5% = 1,984 , o intervalo de confiana ser:

|

\
|


n
S
t N X N
n
. . .
1
= 5.381.950,00 5.000 x 1,960 |

\
|
100
62 , 273
=

5.381.950,00 268.147,60

Portanto, a estimativa pontual para o montante de R$ 5.381.950,00, enquanto que o
intervalo estimado para o nvel de confiana desejado, [R$ 5.113.802,40; R$ 5.650.097,60].

3.8 Estimativa do Intervalo para Diferenas

A estimao da diferena empregada quando se cr que os registros referentes a um
conjunto de itens contm erros, cujo montante deseja-se conhecer. Essa tcnica, comum em
trabalhos de auditoria, envolve os seguintes procedimentos:

a) seleo de uma amostra de tamanho apropriado;

b) clculo da diferena amostral mdia ( D) entre o valor observado do item e o valor constante
do registro, ou seja:

,
1
n
D
D
n
i
i
=
= com Di = (Xi, observado Xi, registrado)

c) clculo do desvio-padro (SD) amostral das diferenas:

1
1
2
2

=
n
D n D
S
n
i
i
D


d) estimativa do intervalo de confiana da diferena total, ou seja:

|
|

\
|

\
|


1
. . .
1
N
n N
n
S
t N D N
D
n


Estatstica Aplicada Contabilidade -43
Exemplo 12: Suponha um cadastro contendo 5.000 ordens bancrias, normalmente distribudas,
mas cujo desvio-padro no conhecido. Uma amostra de 100 ordens identificou 14 ordens cujos
valores diferiam dos valores constantes do cadastro. Qual o montante estimado das diferenas e
o respectivo intervalo para um nvel de confiana de 95%?

A amostragem revelou as seguintes diferenas (Di):

R$ 75,41 R$ 38,97 R$108,54 R$ 37,18 R$ 62,75 R$ 118,32
R$ 88,84 R$ 127,74 R$ 55,42 R$ 39,03 R$ 29,41 R$ 47,99
R$ 28,73 e R$84,05.

Dado que n/N > 0,05, tem-se que a populao pode ser considerada infinita, no existindo,
portanto, necessidade de utilizar o fator de correo para populaes finitas

,
1
n
D
D
n
i
i
=
= =
100
) 05 , 84 73 , 28 99 , 47 ... 54 , 108 97 , 38 41 , 75 (
100
1

=
+ + + + + +
i
= 6,9034

A diferena mdia, por documento, na amostra de $ 6,9034

A diferena mdia total tem um valor estimado de N. D = 5.000 x 6,9034 = 34.517,00

O valor de SD ser dado por:

1
1
2
2

=
n
D n D
S
n
i
i
D
= 2294 , 27
1 100
9034 , 6 100 3720 , 168 . 78
2
=

x
.

O valor de t da tabela pode ser encontrado na linha do infinito, coluna do 2,5%, sendo igual a
1,960

Assim temos que o intervalo de confiana para as diferenas ser:

|

\
|


n
S
t N D N
D
n
. . .
1
= 34.517,00 5.000 x 1,960 |

\
|
100
2294 , 27
=

34.517,00 26.684,81

Portanto, a estimativa pontual para o montante das diferenas de R$ 34.517,00,
enquanto que o intervalo estimado, para o nvel de confiana desejado, [R$ 7.832,19; R$
61.201,81].



Estatstica Aplicada Contabilidade -44
3.9 Estimativas de Intervalos na Amostragem Aleatria Estratificada (AAE)

Caso os membros da equipe de auditoria acreditem que haja uma estreita relao entre o
objeto do trabalho e uma dada caracterstica da populao ou julguem que um subgrupo especfico
da populao particularmente interessante para os propsitos da investigao, convm recorrer
amostragem estratificada, na qual a populao dividida em k-estratos mutuamente excludentes e
exaustivos, selecionando-se uma amostra aleatria simples de cada estrato.

Note-se que se os k-estratos da populao contm N1, N2, ..., Nk elementos, ento:

N1 + N2 + ... + Nk = N

Da mesma forma, se as k-amostras tm tamanhos n1, n2, ..., nk, o tamanho total da amostra
(n) :

n1 + n2 + ... + nk = n

3.9.1. Estimao de Mdias na AAE

As mdias populacionais dos k-estratos so denotadas por meio dos smbolos :1, :2, ..., :k,
enquanto que os smbolos 1 X , 2 X ,..., k X correspondem s k-mdias amostrais. Considerando-
se o j-simo estrato, tem-se que j X , obtido a partir de uma amostra aleatria simples, um
estimador no-viesado de :j.

A varincia do estimador da mdia amostral do estrato em questo (
2
j x
S ), por sua vez,
definida pela seguinte equao:

j
j j
j
j
xj
N
n N
n
S
S

= .
2
2
, com
2
j
S =estimativa da varincia populacional do j-simo estrato

Uma vez apuradas as k-mdias amostrais, a estimao da mdia populacional geral ( AE X )
imediata:

N
X N
X
k
j
j
j
AE

=
=
1
, com AE = amostragem estratificada.

Estatstica Aplicada Contabilidade -45
Considerando-se que as amostras selecionadas em cada estrato so mutuamente
independentes, tem-se que a estimativa no-viesada do desvio padro do estimador da mdia
populacional geral (
AE x
S ) :

2
1
2 2
N
S N
S
k
j
j x
j
AE x

=
=

Para n superior ou igual a 120, o intervalo de confiana da mdia populacional geral
verdadeira (:), para Z dado pelo a desejado, : por:

AE x
AE S Z X .

No caso de amostras pequenas deve-se substituir o valor tabelado de Z pelo valor de t
para n 1 graus de liberdade, ficando a funo o intervalo de confiana definido da seguinte
forma:

AE x
AE S t X .

Exemplo 13. O Ministrio do Trabalho e Emprego oferece cursos de requalificao profissional
em 155 locais na regio sul: 60 no Rio Grande do Sul, 50 no Paran e 45 em Santa Catarina. O
ministrio cogita acrescentar mais um curso ao rol j disponvel. No intuito de estimar de quanto
seria a demanda mensal mdia por local pelo novo curso, procedeu-se ao acrscimo cogitado em
12 locais no Rio Grande do Sul, 10 no Paran e 9 em Santa Catarina, selecionados aleatoriamente.

Ao longo de um ms, apurou-se, com base nas quantidades de pessoas que se inscreveram no
novo curso, os seguintes resultados amostrais (i.e., mdia e desvio-padro):

a) RS X = 21,2 e SRS = 12,80;
b) PR X = 13,3 e SPR = 11,40;
c) SC X = 26,1 e SSC= 9,20

Para que a demanda mensal mdia por local seja obtida, note-se, primeiramente, que:

a) NRS = 60 e nRS = 12;
b) NPR = 50 e nPR = 10;
c) NSC = 45 e nSC = 9;
d) N = 155 e n = 31.

A estimativa da mdia populacional :


N
X N
X
k
j
j
j
AE

=
=
1
,
155
) 10 , 26 45 ( ) 30 , 13 50 ( ) 20 , 21 60 ( + +
com 20,07 ; com j = RS, PR e SC.


Estatstica Aplicada Contabilidade -46
As varincias dos estimadores da mdia de cada estrato, por sua vez, so:

a) 9227 , 10
60
) 12 60 (
.
12
80 , 12
.
2 2
2
=

=
RS
RS RS
RS
RS
RS x
n
n N
n
S
S

b) 3968 , 10
50
) 10 50 (
.
10
40 , 11
.
2 2
2
=

=
PR
PR PR
PR
PR
PR x
n
n N
n
S
S

c) 5236 , 7
45
) 9 45 (
.
9
20 , 9
.
2 2
2
=

=
SC
SC SC
SC
SC
SC x
n
n N
n
S
S

Com essas varincias, j se poderia definir os intervalos de confiana das mdias dos estratos. No
entanto, o intervalo desejado refere-se mdia geral. Para isso, preciso calcular
AE x
S , ou seja:

2
1
2 2
N
S N
S
k
j
j x
j
AE x

=
= =
2
2 2 2
155
5236 , 7 45 3968 , 10 50 9227 , 10 60 + +
= 1,8310

Para de 5% n = 31 (n < 120), assim, nesse caso temos que usas os valores tabelado de t de
student, no caso t30; 0,05 = 2,042. Assim, o intervalo de confiana da mdia geral :

AE x
AE S t X . = 8310 , 1 042 , 2 07 , 20 , ou 20,07 3,74

Dessa forma, pode-se afirmar, com um nvel de confiana de 95%, que a demanda mensal media
por local pelo novo curso est compreendida no intervalo [16,33; 23,81].

3.10. Amostragem Aleatria por Conglomerados

Confrontadas, por exemplo, com a ausncia de um cadastro completo ou confivel, ou
com os altos custos associados realizao de entrevistas de contato direto, as equipes de auditoria
podem optar pela amostragem por conglomerados. Trata-se de um procedimento recomendvel
quando a populao pode ser subdividida em conglomerados menores, que sejam geograficamente
compactos (p. ex., bairros ou quarteires de uma cidade).

Nessa modalidade de amostragem, seleciona-se, primeiramente, uma amostra aleatria
simples de conglomerados. Em seguida, todos os seus membros so entrevistados.

Em outras palavras, a amostragem por conglomerados equivale a uma amostra aleatria
simples seguida de um censo.

3.10.1 Estimao de Mdias na AAC

Suponha e que a populao se divida em M conglomerados, que uma amostra aleatria
simples de m conglomerados tenha sido selecionada e que seus integrantes (N1, N2, ..., Nm)
tenham sido entrevistados. Com base nas mdias amostrais dos conglomerados escolhidos ( 1 X ,
2 X ,..., m X ) , tem-se que a estimativa pontual da mdia AC X , as varincias dos estimadores e o
intervalo de confiana correspondente, para n superior ou igual a 120, so assim definidos:


Estatstica Aplicada Contabilidade -47
a)

=
=
=
m
j
l
m
j
j
j
AC
N
X N
X
1
1
, com AC = amostragem por conglomerados
.
b)
2
2
1
.
.
AC
m
j
j
AC x
S
m
N
M
m M
S
|
|

\
|

=

=
, onde
1
) .(
1
2 2
2

=
m
X X N
S
m
j
AC j
j
AC


Com o intervalo de confiana sendo assim definido:
AC x
AC S Z X .

Observe-se que, no presente contexto, as inferncias podem ser feitas com uma
quantidade relativamente pequena de informaes previamente disponveis acerca da populao.
Basta que a populao possa ser claramente dividida em conglomerados. Sequer o total de
elementos da populao precisa ser conhecido, devendo-se apenas determinar a quantidade de
elementos de cada conglomerado selecionado, o que uma conseqncia necessria do censo
requerido pelas verses mais simples da amostragem por
conglomerados.


Exemplo 14. Uma amostra aleatria simples com 5 quarteires selecionada de uma rea
residencial com um total de 125 quarteires. Cada uma das residncias dos quarteires
selecionados foi visitada no intuito de se apurar a renda familiar. A Tabela abaixo discrimina a
renda anual mdia ( ) j X , nos quarteires que compuseram a amostra.

Quarteiro
selecionado (j)
j X (em R$)
Quantidade de
domiclios (Nj)
1 14.527,00 41
2 18.412,00 39
3 38.409,00 21
4 14.699,00 32
5 37.647,00 25

Pede-se para que seja calculada a renda anual mdia de toda a rea.

Primeiramente, tem-se que: M = 125 e m = 5.

A quantidade total de domiclios:

=
20
1 j
j
N = (41 + 39 + 21 +32 + 25) = 158
A estimativa pontual da mdia :

=
=
=
m
j
l
m
j
j
j
AC
N
X N
X
1
1
= 21 , 353 . 22
158
807 . 531 . 3
158
) 25 647 . 37 ( ... ) 39 412 . 18 ( ) 41 527 . 14 (
= =
+ + +



Estatstica Aplicada Contabilidade -48
Para o clculo da estimativa do desvio padro
2
2
1
.
.
AC
m
j
j
AC x
S
m
N
M
m M
S
|
|

\
|

=

=
,
necessrio, preliminarmente:

80 , 992 . 4
5
) 158 (
2
2
5
1
= =
|
|

\
|

=
m
N
j
j
, e

Para os clculos de
1
) .(
1
2 2
2

=
m
X X N
S
m
j
AC j
j
AC
,devemos utilizar a tabela auxiliar:
Nj
j X
AC X
2 2
) .( AC j
j
X X N
41 14.527,00 22.353,21 41
2
x (14.527 22.353,21)
2
= 102.960.515.342,65
39 18.412,00 22.353,21 39
2
x (18.412 22.353,21)
2
= 23.625.900.257,70
21 38.409,00 22.353,21 21
2
x (38.409 22.353,21)
2
= 113.684.681.103,13
32 14.699,00 22.353,21 32
2
x (14.699 22.353,21)
2
= 59.993.017.061,48
25 37.647,00 22.353,21 25
2
x (37.647 22.353,21)
2
= 146.187.507.852,56


2 2
) .( AC j
j
X X N

446.451.621.617,52

Assim, =

=
1 5
52 , 617 . 621 . 451 . 446
2
AC
S 111.612.905.404,38

Dessa maneira
2
2
1
.
.
AC
m
j
j
AC x
S
m
N
M
m M
S
|
|

\
|

=

=
= 38 , 404 . 905 . 612 . 111 .
5
158
125
5 125
2

= 4.632,56

Portanto, o intervalo de confiana dado por
AC x
AC S Z X . ,ser igual a:

22.353,21 1,96 x 4.632,56 ou 22.353,21 9.079,81 ou [ 13.273,40 ; 31.433,02], para 95% de
probabilidade.


Esse tipo de clculo, dado a magnitude dos valores envolvidos, exige uma grande preciso nas operaes,
nas quais pequenos arredondamentos podem levar a grandes diferenas no final. Por isso,
recomendvel o uso das memrias da calculadora HP12-C.



Estatstica Aplicada Contabilidade -49
3.11 Intervalos de confiana para Propores na AAE e AAC

possvel construir intervalos de confiana para propores amostrais, tanto para as
Amostragens aleatrias estratificada quanto na aleatria por conglomerados. No entanto, ainda
que as mesmas no envolvam clculos complexos, esse assunto no ser tratado no mbito desse
curso, sendo apresentado apenas as respectivas frmulas para tanto.

3.11.1 Propores para AAE

A estimativa de intervalos para propores populacionais pode ser assim definida:

a)
N
p N
p
k
j
j j
AE

=
=
1

, com
j
p = proporo amostral de sucessos do j-simo estrato;

b)
2
1
2

N
S N
S
k
j
j p j
AE p

=
= , com
j
j j
j
j j
j p
N
n N
n
p p
S

= .
1
) 1 (
2

,

c) Intervalo de confiana dado por
AE p AE
S Z p

.


3.11.2 Propores para AAC

A estimativa de intervalos para propores populacionais pode ser assim definida:
a)

=
=
=
m
j
l
m
j
j j
AC
N
p N
p
1
1

, com AC = amostragem por conglomerados


.
b)
2
2
1

.
.
AC
m
j
j
AC p
S
m
N
M
m M
S
|
|

\
|

=

=
, onde
1
) .(
1
2 2
2

=
m
p p N
S
m
j
AC j j
AC


Com o intervalo de confiana sendo assim definido:
AC p AC
S Z p

.

Estatstica Aplicada Contabilidade -50
4 Clculo do tamanho da amostra

4.1 Introduo

claro que o resultado da expresso z *

n
representa uma variao absoluta de quanto
varia para mais ou menos a mdia populacional (vamos denominar e0 essa variao).

Dessa forma ao se obter um intervalo de confiana normalmente no temos um controle
de quanto este vai variar em torno da mdia amostral. Por uma questo de mtodo desejvel que
esta variao (erro) no seja muito grande, nesse caso podemos fixar um limite mximo de
variao em torno dessa mdia e comparar com o intervalo de confiana obtido atravs dos
clculos, podendo-se ao final fazer uma opo se devemos aceitar ou no esse intervalo de
confiana.

Normalmente, o procedimento adotado para verificar se uma amostra apresenta um
nmero suficiente de dados, de montar uma amostra piloto, e dela fazer uma estimativa do
desvio padro, caso a expresso fornea um nmero de dados n menor que o da amostra piloto,
esta j suficiente, caso contrrio, faz-se nova amostragem utilizando-se esse novo n como base
de dados e repete-se o clculo partir das novas estimativas.

4.2 Clculo de n para mdias populaes finitas

Uma vez definida qual a variao mxima que podemos admitir em torno da mdia
amostral, utilizando-se do valor de desvio padro da amostra e fixando a probabilidade que
desejamos podemos, com facilidade, saber se o nmero de elementos da amostra suficiente para
o nosso problema ou no.

Exemplo 15. Vamos supor que se deseja de tal forma que a variao do intervalo de confiana
no seja superior a 2 anos, para mais ou para menos. No caso de uma amostra com 40 elementos
que forneceu mdia 29, e desvio padro igual a 8, para = 5%, calculando o intervalo de
confiana temos:

48 , 2 29
40
8
96 , 1 29 =

O intervalo de confiana de 2,48 superior ao que foi pr-determinado, assim teremos
que aumentar o nmero de elementos da amostra, atravs da frmula abaixo:

2
0
|
|

\
|
=
e
z n
x



onde: e0 o limite mximo de variao que desejamos ter, assim, refazendo os
clculos com os dados do prprio exerccio teremos


62 46 , 61
2
8
96 , 1
2
= |

\
|
= n
a amostra mnima necessria para cumprir o pr-estabelecido de
62 elementos



Estatstica Aplicada Contabilidade -51
Exemplo 16. Qual o tamanho de amostra suficiente para estimarmos uma populao infinita cujo
desvio padro de uma amostra piloto de 200 elementos forneceu um desvio padro de igual 4 ,
para 95% de confiana e preciso de 0,5. Essa amostragem suficiente?

n =
z * s
e
0
2
|
\

| = > n =
1,96 * 4
0,5
2
|
\

| = 245,8 => 246



Logo, necessitamos de uma amostra de 246 elementos, assim a amostragem realizada no foi
suficiente, devendo ser aumenta em pelo menos 46 elementos.

4.3 Tamanho da amostra para propores populaes finitas

No caso de intervalo de confiana para mdia, uma vez definido o valor de e0, e conhecida
uma estimativa inicial do desvio padro foi possvel calcular o tamanho mnimo para uma amostra
que satisfaa o valor mximo de e0.

Da mesma maneira, para propores populacionais, possvel calcular o tamanho mnimo
de uma amostra que satisfaa uma condio de e0 previamente estabelecido, podendo existir, nesse
caso duas situaes, a primeira, na qual conhecemos ou temos informaes da proporo da
caracterstica que estamos analisando; e no segundo caso, no qual no temos nenhuma indicao
respeito dessa informao.

4.3.1. Tamanho da amostra mnima necessria (conhecido a proporo prvia)

Da mesma forma que no intervalo de confiana para mdia, desejvel que variao do
intervalo de confiana para a proporo no seja muito grande, devendo-se nesse caso ser fixado a
variao mxima desejvel.


|
|

\
|

=
2
0
2
) ' 1 '*(
e
p p
z n


onde:

p = proporo inicial (obtida atravs de uma amostra piloto)
z = valor tabelado dado uma probabilidade alfa
e0 = erro mximo admitido.


Exemplo 17. Uma amostra de 200 baterias acusou 20 com defeitos numa remessa. Usando um
intervalo de confiana de 95% ( =5%) determinar qual o nmero mnimo de baterias que devem
ser amostradas caso se deseje a o erro mximo e0 seja uma variao mxima de 2%.

Assim:
p = proporo inicial (obtida atravs de uma amostra piloto) = 20/200 => 0,10
z = valor tabelado dado uma probabilidade alfa = 1,96
e0 = erro mximo admitido = 0,02



Estatstica Aplicada Contabilidade -52
|
|

\
|

=
2
0
2
) ' 1 '*(
e
p p
z n
, substituindo
|
|

\
|
=
2
2
02 , 0
) 10 , 0 1 ( * 10 , 0
96 , 1 n = 864,36 865 peas

4.3.2. Tamanho da amostra mnima necessria (quando desconhecida a proporo prvia)

desejvel que se conhea pelo menos uma indicao inicial de p , o que nem sempre
possvel. Nesse caso necessrio definir uma amostra que contemple todas as propores
possveis, condio essa que satisfeita, ao admitirmos que a caracterstica que estamos estudando
esteja dividida exatamente meio a meio, ou seja, metade da amostra apresenta certa caracterstica e
outra metade no, ficando dessa forma a expresso:

|
|

\
|

=
2
0
2
) 5 , 0 1 ( * 5 , 0
e
z n



Exemplo 18: Um fabricante de flashes deseja estimar a probabilidade de um flashes funcionar.
Determine o nmero de observaes que devem ser feitas para estimar um intervalo de confiana
com uma variao mxima de 0,04 sobre a proporo com defeitos, para um intervalo de
confiana de 95%.

R. Uma vez que no sabemos a proporo inicial com defeitos, deve-se assumir que metade tem
problemas e metade no

|
|

\
|

=
2
0
2
) 5 , 0 1 ( * 5 , 0
e
z n
=>
|
|

\
|

=
2
2
04 , 0
) 5 , 0 1 ( * 5 , 0
96 , 1 n
=> n = 600,25 601

claro que sempre prefervel trabalhar com uma estimativa de p , pois isso implica necessariamente num n
menor do que aquele obtido quando se trabalha com p= 0,50.


4.4 Clculo de N para populaes Finitas (mdias e propores)

Por vezes ocorre que desejamos calcular o tamanho de uma amostra numa situao em
que a populao a ser estudada finita.

Nessa situao o procedimento a ser adotado, tanto para o caso de n para mdias como
para propores, de calcular o tamanho de amostra supondo que se trata de populao infinita
denominando o tamanho da amostra como n0; uma vez que nesse caso conhecemos o tamanho
da populao N verificamos se n0/N superior a 0,05, caso seja, devemos recalcular n atravs
da seguinte expresso:

n =
N
n
n
1
1
0
0

+


Exemplo 19. Uma amostra piloto forneceu os seguintes dados: mdia igual a 35; desvio padro
igual a 8. Supondo que essa amostra pertence a uma polpao de 500 elementos qual seria o
tamanho da amostra mnima necessria para que e0 no fosse superior a 2. (alfa = 5%)


Estatstica Aplicada Contabilidade -53
Dados = 500

n =
z * s
e
0
2
|
\

|
= > n =
= |

\
|
2
2
8 * 1,96
61,46 => 62


05 . 0 124 . 0
500
62
> = =
N
n


ento n =
N
n
n
1
1
0
0

+
= > n =
56 25 , 55
500
1 62
1
62
= =

+



Exemplo 20. Calcular o tamanho de uma amostra para avaliar a verdadeira proporo
populacional de forma que o erro mximo seja de 2%, para um conjunto de dados cuja populao
no ultrapassa 10000 elementos. (alfa = 1%)

R. Uma vez que no sabemos a proporo inicial com defeitos, deve-se assumir que metade tem
problemas e metade no

|
|

\
|
=
2
0
2
) 5 , 0 1 ( * 5 , 0
e
z n
=>
|
|

\
|

=
2
2
02 , 0
) 5 , 0 1 * 5 , 0
576 . 2 n
=> n = 4147.36 4148

05 . 0 4148 . 0
10000
4148
> = =
N
n



ento n =
N
n
n
1
1
0
0

+
= > n =
2933 07 . 2932
10000
1 4148
1
4148
= =

+


4.5 Amostragem por atributos

A amostragem por atributos tem como objetivo determinar, com base em dados amostrais,
qual o nvel mximo de erro existente em determinada populao, considerando para tanto se
determinado documento ou procedimento est de acordo ou no com determinada norma.

A realizao de tipo de amostragem que tem como fundamento a distribuio
hipergeomtrica aproximada por uma distribuio de Poisson, parte dos seguintes princpios:

a) a taxa de erros tolerveis na populao ser no mximo 20%;
b) a proporo de erros esperados na populao de no mximo de 7% a 8,5%
c) populao com no mnimo 5.000 dados

A proporo mxima de erros tolerveis na populao deve ser preliminarmente definida
pelas equipes de auditorias sujeitas principalmente realidade com qual se trabalha. Esta taxa
tambm pode ser estimada com base no julgamento do auditor ou em dados prvios oriundos de
outros levantamentos.


Estatstica Aplicada Contabilidade -54
A tabela a seguir apresenta os principais intervalos para as taxas de erros mximos
tolerveis.

Taxa de erro
tolervel
Nvel avaliado planejado
do Risco de Controle
Garantia desejada para amostra
do Teste de Controle
2-5% Baixo nvel Alto ou substancial
6-10% Nvel Moderado Baixo ou moderado
11-20% Ligeiramente abaixo do mximo Baixo
no testar Mximo Nenhuma

Para a realizao desse processo de amostragem necessrio que se tenha um valor prvio
do taxa de erros existentes na populao que est sendo examinada. Em situaes em que no se
conhea esse valor um procedimento recomendvel selecionar uma amostra piloto de 50 ou 60
para estimar esse valor.

Uma vez determinado a taxa de erros esperados na populao, o nvel de erro mximo
aceitvel para aprovao e o nvel de significncia adotado mediante o uso de tabelas possvel
estimar o nmero de itens a serem amostrados.

Exemplo 21: Um auditor pretende realizar um teste de controle para avaliar as rotinas de
elaborao de contratos de uma empresa. O teste para determinar se os contratos foram
assinados depois da devidas verificaes cadastrais (crdito, documentos, referncias, etc.).

Dados para o teste: 95% de confiana
Proporo mxima admissvel de erro 5%
Expectativa de erros na populao 0,75%

Soluo: A determinao do tamanho da amostra extremamente fcil, no caso, basta usar a
tabela, na seguinte forma:


O resultado indica que 93 documentos devem ser amostrados e que se admite, no mximo, 1
documento errado na amostra.

Vamos supor que na amostra foram identificados 3 documentos errados, no caso a concluso
que na populao, para 95% de probabilidade, supera o limite de 5%. de documentos errados.

Estatstica Aplicada Contabilidade -55
Tamanho de amostras para testes de controle - 5%
Taxa tolervel %
%
2 3 4 5 6 7 8 9 10 15 20
0,00 149(0) 99(0) 74(0) 59(0) 49(0) 42(0) 36(0) 32(0) 29(0) 19(0) 14(0)
0,25 236(1) 157(1) 117(1) 93(1) 78(1) 66(1) 58(1) 51(1) 46(1) 30(1) 22(1)
0,50 * 157(1) 117(1) 93(1) 78(1) 66(1) 58(1) 51(1) 46(1) 30(1) 22(1)
0,75 * 208(2) 117(1) 93(1) 78(1) 66(1) 58(1) 51(1) 46(1) 30(1) 22(1)
1,00 * * 156(2) 93(1) 78(1) 66(1) 58(1) 51(1) 46(1) 30(1) 22(1)
1,25 * * 156(2) 124(2) 78(1) 66(1) 58(1) 51(1) 46(1) 30(1) 22(1)
1,50 * * 192(3) 124(2) 103(2) 66(1) 58(1) 51(1) 46(1) 30(1) 22(1)
1,75 * * 227(4) 153(3) 103(2) 88(2) 77(2) 51(1) 46(1) 30(1) 22(1)
2,00 * * * 181(4) 127(3) 88(2) 77(2) 68(2) 46(1) 30(1) 22(1)
2,25 * * * 208(5) 127(3) 88(2) 77(2) 68(2) 61(2) 30(1) 22(1)
2,50 * * * * 150(4) 109(3) 77(2) 68(2) 61(2) 30(1) 22(1)
2,75 * * * * 173(5) 109(3) 95(3) 68(2) 61(2) 30(1) 22(1)
3,00 * * * * 195(6) 129(4) 95(3) 84(3) 61(2) 30(1) 22(1)
3,25 * * * * * 148(5) 112(4) 84(3) 61(2) 30(1) 22(1)
3,50 * * * * * 167(6) 112(4) 84(3) 76(3) 40(2) 22(1)
3,75 * * * * * 185(7) 129(5) 100(4) 76(3) 40(2) 22(1)
4,00 * * * * * * 146(6) 100(4) 89(4) 40(2) 22(1)
5,00 * * * * * * * 158(8) 116(6) 40(2) 30(2)
6,00 * * * * * * * * 179(11) 50(3) 30(2)
E
x
p
e
c
t
a
t
i
v
a

d
a

t
a
x
a

d
e

e
r
r
o
s

e
x
i
s
t
e
n
t
e
s

n
a

p
o
p
u
l
a

o

7,00 * * * * * * * * * 68(5) 37(3)
(nmero esperado de desvios entre parntesis)


Estatstica Aplicada Contabilidade -56
Tamanho de amostras para testes de controle - 10%
Taxa tolervel %
%
2 3 4 5 6 7 8 9 10 15 20
0,00 114(0) 76(0) 57(0) 45(0) 38(0) 32(0) 28(0) 25(0) 22(0) 15(0) 11(0)
0,25 194(1) 129(1) 96(1) 77(1) 64(1) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
0,50 194(1) 129(1) 96(1) 77(1) 64(1) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
0,75 265(2) 129(1) 96(1) 77(1) 64(1) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
1,00 * 176(2) 96(1) 77(1) 64(1) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
1,25 * 221(3) 132(2) 77(1) 64(1) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
1,50 * * 132(2) 105(2) 64(1) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
1,75 * * 166(3) 105(2) 88(2) 55(1) 48(1) 42(1) 38(1) 25(1) 18(1)
2,00 * * 198(4) 132(3) 88(2) 75(2) 48(1) 42(1) 38(1) 25(1) 18(1)
2,25 * * * 132(3) 88(2) 75(2) 65(2) 42(1) 38(1) 25(1) 18(1)
2,50 * * * 158(4) 110(3) 75(2) 65(2) 58(2) 38(1) 25(1) 18(1)
2,75 * * * 209(6) 132(4) 94(3) 65(2) 58(2) 52(2) 25(1) 18(1)
3,00 * * * * 153(5) 94(3) 65(2) 58(2) 52(2) 25(1) 18(1)
3,25 * * * * 194(7) 113(4) 82(3) 58(2) 52(2) 25(1) 18(1)
3,50 * * * * * 113(4) 82(3) 73(3) 52(2) 25(1) 18(1)
3,75 * * * * * 131(5) 98(4) 73(3) 52(2) 25(1) 18(1)
4,00 * * * * * 149(6) 98(4) 73(3) 65(3) 25(1) 18(1)
4,50 * * * * * 218(10) 130(6) 87(4) 65(3) 34(2) 18(1)
5,00 * * * * * * 160(8) 115(6) 78(4) 34(2) 18(1)
5,50 * * * * * * * 142(8) 103(6) 34(2) 18(1)
6,00 * * * * * * * 182(11) 116(7) 45(3) 25(2)
7,00 * * * * * * * * 199(14) 52(4) 25(2)
7,50 * * * * * * * * * 52(4) 25(2)
8,00 * * * * * * * * * 60(5) 25(2)
E
x
p
e
c
t
a
t
i
v
a

d
a

t
a
x
a

d
e

e
r
r
o
s

e
x
i
s
t
e
n
t
e
s

n
a

p
o
p
u
l
a

o

8,50 * * * * * * * * * 68(6) 32(3)



Estatstica Aplicada Contabilidade -57
5 Amostragem por unidade monetria


5.1 Conceitos Gerais

Nos mdulos anteriores foram tratadas as modalidades clssicas de amostragem de
variveis (i.e., estimao de mdias, totais e diferenas) e por atributo (i.e., estimao de
propores). Nas amostragens por atributo, porm, as tcnicas examinadas no so aplicveis aos
casos nos quais as probabilidades de seleo variam como ocorre quando as amostras so
selecionadas sem reposio de populaes finitas.

Nessas situaes, a distribuio de probabilidades mais apropriada , em vez da binomial, a
hipergeomtrica que, sob certas circunstncias pode ser aproximada por uma distribuio de
Poisson. Essa distribuio empregada, p. ex., em controles de qualidade ou de aderncia a
critrios preestabelecidos, nos quais os desvios em relao ao critrio definido so tratados
igualmente, ainda que os valores envolvidos difiram entre si.

No controle de qualidade ou de aderncia, o tamanho da amostra, para populaes com
mais de quinhentos elementos, definido pela equao:

p
C
n
i
=
1 ,


onde:
1 , i
C = ndice de confiabilidade;
i = quantidade prevista de erros na amostra;
= nvel de erro ou risco de aceitao incorreta
p = proporo mxima de erros admitidos na populao.


Geralmente, o ndice de confiabilidade (
1 , i
C ) obtido a partir de quadros como o da
Tabela a seguir:

ndices de Confiabilidade para Vrias Quantidades Previstas de Erros e Nveis de Confiana

Quantidade prevista de erros na amostra (i)

0 1 2 3 4 5 6 7 8 9 10
1 4,61 6,64 8,41 10,05 11,61 13,11 14,57 16,00 17,40 18,78 20,14
5 3,00 4,75 6,30 7,76 9,16 10,52 11,85 13,15 14,44 15,71 16,91
10 2,31 3,89 5,33 6,68 7,99 9,27 10,53 11,77 12,99 14,21 54,41
15 1,90 3,38 4,72 6,02 7,27 8,50 9,71 10,90 12,08
20 1,61 3,00 4,28 5,52 6,73 7,91 9,08 10,24 11,38
25 1,39 2,70 3,93 5,11 6,28 7,43 8,56 9,69 10,81
30 1,21 2,44 3,62 4,77 5,90 7,01 8,12 9,21 10,31
37 1,00 2,14 3,25 4,34 5,43 6,49 7,56 8,63 7,67
N

v
e
l

d
e

c
o
n
f
i
a
n

a

(
1

)

%

50 0,70 1,68 2,68 3,68 4,68 5,68 6,67 7,67 8,67




Estatstica Aplicada Contabilidade -58
Exemplo 22: Em uma auditoria, pretende-se realizar um teste de conformidade. A proporo
mxima de erros admitidos para que a populao examinada seja aprovada pelo teste 2%, com
nvel de confiana de 95% ( = 5%). Qual o tamanho da amostra?

Com p = 0,02 e a = 0,95, e prevendo-se que:

a) a amostra no conter erros (C0;0,95 = 3,0), tem-se: 150
02 , 0
00 , 3
= = =
p
C
n
b) a amostra conter um nico erro (C1;0,95 = 4,75), tem-se: 235
02 , 0
75 , 4
= = =
p
C
n

5.2. Metodologia da Amostragem por Unidade Monetria

A Amostragem por Unidade Monetria (AUM) tambm uma amostragem por
atributo baseada na distribuio hipergeomtrica. Essa tcnica permite estimar o montante
monetrio de uma dada populao. Trata-se de uma tcnica geralmente utilizada em auditorias
financeiras, que tm por objetivo verificar se os registros contbeis so fidedignos.

Diferentemente da amostragem por variveis, a AUM no exige o prvio conhecimento
da quantidade de elementos da populao e da varincia dos valores que a compem. Essa
tcnica baseia-se nas seguintes informaes: a proporo mxima de erros admitidos na
populao (p), previamente definida pela equipe de auditoria, o ndice de confiabilidade
(
1 , i
C ), obtido a partir de testes de conformidade, e o montante constante dos registros
contbeis (M), o qual define a populao da qual a amostra extrada. Como os elementos da
populao correspondem s unidades monetrias que integram o montante, convm notar que a
probabilidade de incluso na amostra de um dado registro diminui quando o seu valor
subestimado, sendo nula no caso de omisso.

Dessa forma, h na AUM um vis em favor dos registros superestimados ou repetidos.
Outra caracterstica da AUM que merece meno a premissa de que no h diferenas
superiores a 100% entre os valores registrados e observados.

O tamanho da amostra na AUM definido pela seguinte equao:

p
C
n

=
1 ; 0
, com
M
M
p
R
= =
M
O A E M
A P A A



Onde:
1 ; 0
C Fator de Preciso Bsica (ndice de confiabilidade supondo-se que a amostra
no contm erros);
MR Materialidade Restrita ou Preciso Bsica (diferena mxima entre os
montantes registrado e estimado supondo-se que a amostra no contm erros);
M montante registrado;
MA Materialidade Ampla (diferena mxima entre os montantes registrado e
estimado que no implica a impugnao do conjunto de lanamentos contbeis);

A
E

Erro Amostral Previsto [estimativa da diferena que ser observada na amostra


entre os montantes registrado e estimado caso os membros da equipe de auditoria
antecipem a ocorrncia de erros (i > 0)];

P
A

Estimativa da Ampliao do Intervalo de Preciso (margem de erro


suplementar arbitrada quando se prev a ocorrncia de erros na amostra);
OA outros ajustes arbitrados pelos membros da equipe de auditoria.

Estatstica Aplicada Contabilidade -59
Dessa forma, os membros da equipe de auditoria devem definir, inicialmente, a
Materialidade Ampla (MA). Em seguida, deve-se arbitrar os ajustes julgados necessrios, os quais
devem ser subtrados da MA, definindo a Materialidade Restrita (MR). Convm notar que MR e p
so diretamente proporcionais.

Dessa forma, quanto menor for a primeira, menor ser a ltima, o que aumenta n.
Conseqentemente, os ajustes feitos ainda na fase de planejamento devem permitir a obteno de
resultados amostrais robustos ainda que haja pequenos desvios em relao s premissas utilizadas
originalmente.

5.2.1 Tamanho da amostra deve ser calculado na AUM.

Em uma auditoria, o conjunto de lanamentos contbeis examinados, totalizando
R$ 2.000.000,00, considerado fidedigno se a diferena entre os montantes estimado e registrado
no for superior a R$ 100.000,00. Para um nvel de confiana de 95%, qual o tamanho da
amostra?

Desconsiderando-se a necessidade de ajustes, tem-se:

MR = 100.000,00

M = 2.000.000,00

M
M
p
R
= =
00 , 000 . 000 . 2
00 , 000 . 100
= 0,05

com i = 0 e 1 = 95%, tem-se
1 , i
C = 3 e
p
C
n

=
1 ; 0
= 60
05 , 0
3
=

5.2.3 Seleo dos Elementos Amostrais na AUM

Definido o tamanho da amostra (n), procede-se seleo dos seus elementos. Primeiro, calcula-se
o intervalo amostral (IA):

n
M
I
A
=

Em seguida, escolhe-se aleatoriamente uma unidade monetria compreendida em cada um
dos sucessivos intervalos amostrais. Por fim, so selecionados para anlise os registros contbeis
correspondentes s unidades monetrias escolhidas, como mostrado no Exemplo acima

No exemplo tratado anteriormente, qual o intervalo amostral? Dado um conjunto
hipottico de lanamentos contbeis, como devem ser selecionados os elementos amostrais?

Supondo-se que o sistema de controle interno confivel e que, por conseguinte, pode-se prever
que a amostra no conter erros, tem-se n = 60. Dessa forma: I

n
M
I
A
= = 33 , 333 . 33
60
00 , 000 . 000 . 2
=


Estatstica Aplicada Contabilidade -60
Tendo como base o Valor do Intervalo amostral deve-se proceder a seleo dos itens que
comporo a amostra a cada intervalo de R$ 33.333,33, tendo como base o rol de todos os
documentos.

Para o ponto de partida, o primeiro item deve ser sorteado. Supondo que o valor sorteado
seja R$ 16.000,00 este ser o primeiro elemento amostral e baseando-se no rol de lanamentos
indicados abaixo, a amostra obtida da seguinte forma:

Item
Valor
Registrado
Valor
Acumulado
Unidade
Monetria
Selecionada
Clculos
1 10.000,00 10.000,00 -
2 18.500,00 28.500,00 16.000,00 16.000,00 + 33.333,33 = 49.333,33
3 20.000,00 48.500,00 - -
4 6.000,00 54.500,00 49.333,33 49.333,33 + 33.333,33 = 82.666,66
5 6.500,00 61.000,00 -
6 46.000,00 107.000,00 82.666,66 82.666,66 + 33.333,33 = 115.999,99
7 9.600,00 116.600,00 115.999,99 115.999,99 + 33.333,33 = 149.333,32
8 16.400,00 133.000,00 -
9 126.750,00, 259.750,00 182.666,64
149.333,32 + 33.333,33 =182.666,64
182.666,64 + 33.333,33 = 215.999,97
215.999,97 + 33.333,33 = 249.333,30
249.333,33 + 33.333,33 = 282.666,63
10 27.250,00 287.000,00 282.664,00 282.666,63 + 33.333,33 = 315.999,96
11 5.700,00 292.700,00
12 15.155,45 307.855,45
13 1.000,00 308.855,45
14 18.101,00 325.957,45 315.999,99 315.999.96 + 33.333,33 = 349.333,29
... ... ... ... ...

Convm notar que os registros com valores iguais ou superiores ao intervalo amostral so
necessariamente selecionados para a amostra. O 9 item do rol mostrado acima, p. ex., consta
quatro vezes da amostra por ser 3,8 vezes superior ao intervalo. Nesses casos, a equipe de
auditoria tem duas alternativas:

a) diminuir o nvel de confiana (a) em decorrncia da reduo do tamanho efetivo da amostra (no
presente exemplo, supondo-se que os demais itens so inferiores a R$ 33.333,33, o tamanho
efetivo da amostra 57);

b) examinar separadamente os itens com valores elevados, considerando-os uma nica vez na
amostra e ajustando-se o intervalo amostral para os demais elementos.

A segunda alternativa a mais adequada por no implicar reduo no nvel de confiana.
Uma vez selecionada e examinada a amostra, deve-se estimar a diferena entre os montantes
registrado e estimado.


Estatstica Aplicada Contabilidade -61
5.2.4 Etapas de clculo do AUM

1) identificar os itens cujos valores observados diferem dos valores registrados;
2) calcular a diferena entre os valores observado e registrado;
3)agrupar as diferenas conforme sejam superiores a zero (registros superestimados) ou inferiores
a zero (registros subestimados);
4) separar as diferenas associadas a itens com valores superiores ao intervalo amostral;
5) extrapolar as diferenas associadas a itens com valores inferiores ao intervalo amostral para
todo o intervalo;
6) colocar em ordem decrescente as diferenas associadas a itens com valores inferiores ao
intervalo amostral e obter a Ampliao do Intervalo de Preciso (AP) quando a quantidade
de erros superar as expectativas da equipe de auditoria, de tal modo que as diferenas
observadas sejam ajustadas sem que o tamanho da amostra tenha de ser recalculado;
7) calcular o saldo lquido dos erros ajustados;
8) somar as diferenas associadas a itens com valores superiores ao saldo lquido dos erros
ajustados;
9) comparar as superestimaes e as subestimaes totais com a materialidade preestabelecida,
verificando se os demonstrativos examinados podem ou no ser considerados fidedignos;
10) estudar que recomendaes devero ser feitas caso a Materialidade Ampla (MA)
preestabelecida no seja respeitada (p. ex.: determinar a correo dos erros observados; reavaliar
o nvel de confiana e o tamanho da amostra empregados; determinar aumentos nas provises;
apenas atestar a nofidedignidade dos demonstrativos examinados).

A Ampliao do Intervalo de Preciso (AP) obtida multiplicando-se o Fator de
Ampliao do Intervalo de Preciso (
j
AP
F ) pela extrapolao dos erros amostrais para o
intervalo amostral (IA):

A
R
O R j
AP
item
P
I
V
V V
F A . .
(


=

Onde:
VR = Valor Registrado
VO = Valor Observado
1
) 1 ( , ) 1 );( 1 (
=
+ j j
j
AP
C C F
j = posio relativa dos erros amostrais dispostos em ordem decrescente de grandeza;
C1;1-a = C0; 1 0 .
Os Fatores de Ampliao do Intervalo de Preciso (
j
AP
F ) constam da tabela a seguir:

Estatstica Aplicada Contabilidade -62
Tabela: Fatores de Ampliao do Intervalo de Preciso
j
AP
F
Nvel de Confiana (1 )
Erros
Observados
(j)
50% 60% 70% 80% 85% 90% 95% 99%
1 0,00 0,11 0,24 0,38 0,48 0,59 0,75 1,03
2 0,00 0,08 0,18 0,28 0,35 0,43 0,55 0,77
3 0,00 0,07 0,15 0,24 0,29 0,36 0,46 0,64
4 0,00 0,06 0,13 0,21 0,25 0,31 0,40 0,56
5 0,00 0,06 0,12 0,19 0,23 0,28 0,36 0,50
6 0,00 0,05 0,11 0,17 0,21 0,26 0,33 0,46
7 0,00 0,04 0,10 0,16 0,19 0,24 0,31 0,43
8 0,00 0,04 0,09 0,15 0,18 0,22 0,29 0,41
9 0,00 0,04 0,09 0,14 0,17 0,21 0,27
10 0,00 0,04 0,08 0,13 0,16 0,20 0,26

5.2.5 Aplicao da Amostragem por Unidade Monetria

Verificar se um conjunto hipottico de registros contbeis fidedigno. As caractersticas
gerais da pesquisa amostral so:

montante registrado (M): R$ 2.000.000,00;
materialidade ampla (MA): R$ 100.000,00;
materialidade restrita (MR): R$ 95.000,00;

Soluo:

a) Clculo de p MR = 95.000,00

M = 2.000.000,00


M
M
p
R
= =
00 , 000 . 000 . 2
00 , 000 . 95
= 0,0475

Nesse caso a proporo mxima de erros admitida na populao (p): 0,0475 ou 4,75%

b) Clculo do tamanho da amostra

Uma vez que a quantidade prevista de erros na amostra (i) =0 zero

E o nvel de confiana 1 = 95%,;

tem-se
1 , i
C = 3 e
p
C
n

=
1 ; 0
= 64 1579 , 63
0475 , 0
3
= itens

c) Clculo do Intervalo Amostral M = 2.000.000,00
n = 65


n
M
I
A
= = 00 , 250 . 31
64
00 , 000 . 000 . 2
=

Estatstica Aplicada Contabilidade -63
No decorrer da investigao, constatou-se entre os valores observados e registrados as
diferenas indicadas na Tabela abaixo:
Item Valor
Registrado
Valor
Observado
Diferena Observao
13 43.125,00 42.625,00 500,00
Item superestimado examinado separadamente
por ser superior ao intervalo amostral
29 2.500,00 2.600,00 (100,00)
Item subestimado examinado no contexto da
amostra por ser inferior ao intervalo amostral.
35 2.000,00 1.800,00 200,00
Item superestimado examinado no contexto da
amostra por ser inferior ao intervalo amostral.
57 4.000,00 4.200,00 (200,00)
Item subestimado examinado no contexto da
amostra por ser inferior ao intervalo amostral.

d) Agrupar os itens superestimados e subestimados,

itens com erros para maior: 13 e 35;
itens com erros para menor: 29 e 57.

e) Extrapolar para o intervalo amostral as diferenas referentes aos itens cujos valores so
inferiores ao intervalo

A
R
O R
i
I
V
V V
E .
(


=

- extrapolao do erro referente ao item 35 125 . 3 250 . 31 .
000 . 2
800 . 1 000 . 2
35
=
(


= E
- extrapolao do erro referente ao item 29 250 . 1 250 . 31 .
500 . 2
600 . 2 500 . 2
29
=
(


= E
- extrapolao do erro referente ao item 57 50 , 562 . 1 250 . 31 .
000 . 4
200 . 4 000 . 4
57
=
(


= E :

f) impacto lquido dos erros extrapolados (
i
E = Erros amostrais)

i
E = E29 + E35 + E57 = 3.125 + (-1.250) + (-1.562,50) = 312,50

g) Fatores de ampliao do intervalo de preciso

Como h mais de um erro para menor referente a itens com valores inferiores ao intervalo
amostral, esses erros devem ser dispostos em ordem decrescente, cabendo a primeira posio ao
item 57 e a segunda ao item 29. Essa ordenao deve-se necessidade de se multiplicar os erros
por diferentes Fatores de Ampliao do Intervalo de Preciso
j
AP
F . Para um nvel de confiana de
95% e uma previso inicial de que a amostra no conteria erros, o que faz i igual a 0 para j igual a 1,
tem-se:

1
AP
F = C1;0,95 C0;0,95 1= 4,75 3,00 1 = 0,75;
2
AP
F = C2;0,95 C1;0,95 1= 6,30 4,75 1 = 0,55.

Os fatores de ampliao j esto tabelados, o que facilita bastante esses clculos

Estatstica Aplicada Contabilidade -64
h) Ampliao do Intervalo de Preciso (AP)

A ampliao do Intervalo de Preciso AP obtida multiplicando-se
j
AP
F pelas
extrapolaes dos erros referentes a itens com valores inferiores ao intervalo amostral, que devem
ser tratados separadamente e somando-se os valores referentes a cada tipo de erro:

- Ampliao para os itens Superestimados

o
AP P
F E A
. 1
35
35
. = 3.125 x 0,75 = 2.343,75 (AP para os itens superestimados)

35
P
ados Superestim
P
A A

= = 2.343,75

- Ampliao para os itens Subestimados;

o
AP P
F E A
. 1
57
57
. = 1.562,50 x 0,75 = 1.171,87
o
AP P
F E A
. 2
29
29
. = 1.250,00 x 0,55 = 687,50
57 29
P P
os Subestimad
P
A A A + =

= 1.171,87 + (687,50) = 1.859,37 (AP para os itens subestimados)



i) Construo dos Intervalos

Para a construo dos intervalos de preciso necessrio acumular os erros amostrais,
erros de itens superiores ao intervalo amostral, materialidade restrita e a ampliao do intervalo de
preciso para erros superestimados e subestimados. Assim temos:

a) erros para maior, dado por:

+ + +
ados Superestim
P R
ados Superestim
maiorIA
i
A M E E

(E29 + E35 + E57) + E13 + MR +
35
P
A = 312,50 + 500 + 95.000 + 2343,75 = 98.156,25

b) erros para menor:

+ +
os Subestimad
P R
os Subestimad
menorIA i
A M E E =

(E29 + E35 + E57) + 0 MR + (
57 29
P P
A A + ) = 312,50 + 0 95.000 + ( 1.859,37) = 96.546,87

j) Concluses

Como a materialidade ampla (MA = 100.000,00) superior aos dois valores calculados
acima, conclui-se que os lanamentos contbeis examinados so, com 95% de certeza, fidedignos,
no apresentando uma diferena superior a 5%.

Convm notar que o uso de uma materialidade restrita de R$ 95.000,00, ao aumentar o
tamanho da amostra de 60 para 64 elementos, permitiu a obteno de estimativas robustas embora
tenham sido observados 4 erros na amostra.

Estatstica Aplicada Contabilidade -65
6 Teste de Hipteses

6.1 Conceituao

Nos estudos que tratam da construo de Intervalos de Confiana vimos como, a partir da
mdia amostral, possvel estabelecer intervalos de confiana, quais sejam para mdia, propores
e desvio padro (varincia).

Teste de Hipteses, neste caso, trata-se de uma tcnica para se fazer inferncia estatstica,
ou seja, a partir destes testes - realizados com dados amostrais - pode-se inferir sobre a populao.

No caso da inferncia atravs de Intervalo de confiana, busca -se "cercar" o
parmetro populacional desconhecido. Assim, vamos agora supor que exista uma hiptese a ser
testada, a qual ser considerada vlida at prova em contrrio, acerca de um dado parmetro da
populao (mdia, desvio padro, etc.). Essa hiptese ser testada com base em resultados
amostrais, sendo aceita ou rejeitada.

6.2 Principais conceitos

6.2.1 Hiptese Estatstica

Trata-se de uma suposio quanto ao valor de um parmetro populacional, ou quanto
natureza da distribuio de uma varivel populacional.

So exemplos de hipteses estatsticas:

a) A altura mdia da populao brasileira 1,65 m, isto : H: = 1,65 m;
b) O desvio padro populacional dos salrios vale $ 500, isto , H: = 500
2
;
c) A proporo de paulistas fumantes 25%, ou seja, H: p = 0.25
d) A distribuio dos pesos dos alunos da nossa faculdade normal.

6.2.2 Teste de Hiptese

uma regra de deciso para aceitar ou rejeitar uma hiptese estatstica com base nos
elementos amostrais

6.2.3 Tipos de Hipteses

Vamos designar por H0 (hiptese nula) a hiptese existente a ser testada, e por Ha a
hiptese alternativa. O teste ir levar a aceitao ou rejeio da hiptese H0, o que corresponde,
respectivamente, negao ou afirmao de Ha. A Hiptese Nula expressa uma igualdade,
enquanto a Hiptese Alternativa dada por uma desigualdade ( , < ou >)
Supondo que estejamos testando o valor de uma mdia amostral
A x
com determinado
parmetro populacional o qual designaremos como 0, teremos:

em H0, sempre a Hiptese de igualdade entre a mdia amostral e a mdia populacional, ou
seja a populao de 0 capaz de gerar uma amostra com mdia A x , assim a hiptese
ficaria expressada da seguinte maneira:
H0: A x = 0

Alternativamente teramos para Ha , trs desigualdades distintas:

Estatstica Aplicada Contabilidade -66

H0: A x 0 , que implica num teste do tipo Bilateral ou Bicaudal


Observe que o erro dividido em duas partes


H0: A x > 0 , Teste Unilateral Direita



Observe que o erro no dividido.

H0: A x < 0 , Teste Unilateral Esquerda



Observe que o erro , como no caso anterior tambm no dividido.


6.2.4 Tipos de Erros

A NBCT 11.11 afirma que o auditor est sujeito a riscos quanto as concluses de
suas anlise nos testes de observncia e testes substantivos, sendo:


Estatstica Aplicada Contabilidade -67
6.2.4.1 Testes de Observncia:

a) Risco de subavaliao da confiabilidade: o risco de que, embora o resultado da aplicao de
procedimentos de auditoria sobre a amostra no seja satisfatrio, o restante da populao possua
menor nvel de erro do que aquele detectado na amostra.

b) Risco de superavaliao da confiabilidade: o risco de que, embora o resultado da aplicao de
procedimentos de auditoria sobre a amostra seja satisfatrio, o restante da populao possua maior
nvel de erro do que aquele detectado na amostra.

6.2.4.2 Testes Substantivos:

a) Risco de rejeio incorreta: o risco de que, embora o resultado da aplicao de procedimentos
de auditoria sobre a amostra leve concluso de que o saldo de uma conta ou classe de transaes
registradas est, relevantemente, distorcido, mas, efetivamente, no est;

b) Risco de aceitao incorreta: o risco de que, embora o resultado da aplicao de
procedimentos de auditoria sobre a amostra leve concluso de que o saldo de uma conta ou
classe de transaes registradas no est, relevantemente, distorcido, mas, efetivamente, est.

Em outras palavras, pode-se afirmar que existem dois tipos de erro ao testar uma
hiptese estatstica:

Rejeitar uma hiptese quando ela , de fato verdadeira, ou

Aceitar uma hiptese quando ela , de fato, falsa.

Estatisticamente esses erros so denominados, respectivamente:

Erro tipo I: rejeitar H0, sendo H0 verdadeira;

Erro tipo II: aceitar H0, sendo H0 falsa

As probabilidades desses dois tipos de erros sero designadas, respectivamente por e .
A probabilidade do erro tipo I denominada nvel de significncia do teste, que normalmente
pode ser 5% ou 1%.

Por sua vez a probabilidade do erro tipo II, depende do valor real suposto para a mdia
da populao, sendo grande para pequenos afastamentos em relao ao valor testado, e
diminuindo medida que o valor real do parmetro se afasta do valor testado, dependendo
tambm do nmero de elementos da amostra, quanto maior o nmero de dados, menor pode ser a
probabilidade de estar cometendo o erro tipo II.

Esquematicamente temos:
Realidade
Deciso
Ho Verdadeira Ho falsa
Aceitar Ho
Deciso Correta
(1-)
Erro Tipo II
()
Rejeitar Ho
Erro Tipo I
()
Deciso correta
(1-)

Normalmente, num teste de hipteses, a aceitao de Ho, corresponde, em geral,
insuficincia de evidncia experimental, no nvel de significncia desejado, para se chegar sua

Estatstica Aplicada Contabilidade -68
rejeio. Essa aceitao, como o prprio termo sugere, no deve ser entendida como uma
afirmao de Ho.

6.3. Testes de Significncia

Os testes de Significncia consideram somente erros do tipo ,pois so os mais usados
em pesquisas educacionais, scio-econmicas e biolgicas.

O procedimento para realizao dos testes de significncia resumido nos seguintes
passos:

1) Enunciar as hipteses H
0
e Ha;

2) fixar o limite do erro , e identificar a varivel do teste;
3) com o auxlio das tabelas estatsticas, considerando e a varivel do teste, determinar
as RR (regio de rejeio) e RA (regio de aceitao) para H
o
;
4) com os elementos amostrais, calcular o valor da varivel do teste;
5) concluir pela aceitao ou rejeio do H
0
pela comparao do valor calculado no 4
o
passo
com RA e RR.


6.3.1 Testes para uma amostra

6.3.1.1 Teste para uma mdia

Esse tipo de teste consiste em comparar resultados de uma mdia amostral 1 x , com um
valor preestabelecido
0
, sendo que eles podem ser de duas formas:

a) a primeira quando conhecemos o desvio padro populacional (), neste caso utilizamos os
valores tabelados de z;

b) e o segundo, quando no conhecemos o desvio padro da populao, e iremos estim-lo a
partir dos dados amostrais, no qual neste caso deve-se utilizar a distribuio de t de Student, com
n-1 graus de liberdade.

a) Teste de uma mdia com conhecido ou n> 30 dados

observe que para esse tipo de teste as duas alternativas so possveis, isto , caso o desvio padro
populacional seja conhecido o tamanho da amostra no importa; j se a amostra tiver mais que 30 dados,
pressupe-se que o desvio padro amostra s possa ser assumido como o da populao.


Exemplo 23: O desvio padro de uma populao conhecido e igual a 22. Se uma amostra de 100
elementos, retirada dessa populao, forneceu 1 x , = 115,8, podemos afirmar que a mdia dessa
amostra inferior a 120, ao nvel de 5% de significncia?


Estatstica Aplicada Contabilidade -69
Resoluo:

a) enunciar as hipteses: H0: 1 x = 120
Ha: 1 x < 120

b) definio da regio crtica: uma vez que o teste a ser realizado pergunta se o valor inferior a
uma mdia dada, isso significa que o teste unilateral esquerda, assim o 5% de significncia est
de um lado s da curva de distribuio normal, sendo assim o valor crtico para ztab ser de 1,645,
assim:

rejeita-se H0 se: zcalc < ztab

c) clculos:
n
x
z
calc

0 1

= , onde

1 x = mdia da amostra
0
= mdia que serve de base para comparao
n = tamanho da amostra
= desvio padro populacional

Assim temos zcalc =
91 , 1
100
22
120 8 , 115
=



d) Concluses: 1,91 (zcalc) < 1,645 (ztab)



Como zcalc < ztab, rejeita-se a hiptese H0, e se aceita Ha, podemos afirmar que a mdia amostral
inferior a 120, ao nvel de 5% de significncia.


b) Testes de uma mdia com desconhecido ou n < 30 dados

muito freqente, na prtica, o caso que desejamos testar hipteses referentes mdia de
uma populao cujo desvio padro no conhecido. Se dispusermos apenas de uma amostra de n
elementos extrados dessa populao, podemos a partir dela estimar o desvio padro () da
populao.

Nesse caso, ao se substituir por s, devemos utilizar a distribuio de t de Student com n-
1 graus de liberdades.

Estatstica Aplicada Contabilidade -70

Exemplo 24: Determinada mquina, est regulada para produzir placas com espessura mdia de 5
mm. Iniciada a produo foi colhida uma amostra de 10 elementos, que forneceu as seguintes
medidas:

5,1 4,8 5,0 4,7 4,8 5,0 4,5 4,9 4,8 5,2

A nvel de 1%, pode-se aceitar a hiptese que a regulagem da mquina foi satisfatria?

Resoluo:

a) enunciar as hipteses, considerando que a regulagem da mquina pode fornecer medidas acima
ou abaixo da mdia (5 mm) temos:
H0: 1 x = 5
Ha: 1 x 5

b) definio da regio crtica: uma vez que o teste a ser realizado pergunta se o valor diferente a
uma mdia dada, isso significa que o teste bilateral, assim o 1% de significncia est dividido
1/2% para cada lado da curva de distribuio normal, sendo assim o valor crtico para ttab, para 10
1 elemento ser de t = 3,250 assim:

rejeita-se H0 se: tcalc > ttab ou tcalc < ttab

c) clculos: primeiramente s = 0,204


n
s
x
t
calc
0 1

=
, onde
1 x = mdia da amostra
0
= mdia que serve de base para comparao
n = tamanho da amostra
s = desvio padro obtido a partir da prpria amostra

Assim temos: tcalc =
86 , 1
10
204 , 0
5 88 , 4
=



d) Concluses: 1,86 (tcalc) > 3,25 (ttab)




Estatstica Aplicada Contabilidade -71
Como tcalc > ttab, se aceita a hiptese Ho, e rejeita-se Ha, no h razes para afirmar que a
mdia das 10 peas difere de 5 mm, ao nvel de 1% de significncia, pode-se considerar que a
regulagem da mquina, dentro dos parmetros fornecidos, satisfatria.

de uma forma geral, para testes bi-laterais podemos aceitar Ho desde que | tcalc | < |ttab|


6.3.1.2 Teste de uma proporo populacional

Podemos tambm testar hipteses sobre uma proporo observada (p), comparando-a
com uma proporo populacional (p0), cuja expresso a seguinte:

z =
n
p p
p p
) 1 (
- '
0 0
0

onde,
p = proporo amostral dada por
n
x
, sendo x o nmero de elementos que possuem determinada
caracterstica e n o nmero total de elementos na amostra;

p0 = proporo que est sendo testada;

n = tamanho da amostra.


Para testes envolvendo propores deve-se utilizar a distribuio de Z.


Exemplo 25. As condies econmicas de uma regio, so tais que a proporo de pessoas que
esto inadimplentes de 0,60 (ou 60%). Em uma amostra retirada de uma regio B, verificou-se
que em 1000 pessoas havia 530 com problemas de inadimplncia. Testar a hiptese que existe
diferena entre as propores, ao nvel de 5% de significncia.

a) enunciar as hipteses, H0: p = 0,6
Ha: p 0,6

b) definio da regio crtica: como o teste bilateral, o valor de z para /2 , 1,96 , sendo assim:

rejeita-se H0 se: zcalc > ztab ou zcalc < ztab => |zcal |> 1,96

c) clculos: primeiramente calculamos p

p = =
n
x
=
1000
530
0,53

z =
n
p p
p p
) 1 (
- '
0 0
0

=
52 , 4
1000
) 60 , 0 1 ( 60 , 0
60 , 0 53 , 0
=




Concluses: 4,52 (zcalc) < 1,96 (ztab)

Estatstica Aplicada Contabilidade -72




Como zcalc <ztab rejeita-se a hiptese Ho, e se aceita Ha, h razes para afirmar que a proporo
de pessoas que apresentam so inadimplentes na amostra da Regio B, difere para a mdia da
proporo da regio em que a proporo de 0,60 para o nvel de significncia dado. Pode-se
concluir que a inadimplncia sensivelmente maior na regio B.


Estatstica Aplicada Contabilidade -73
7 Testes No paramtricos.

7.1 Aspectos Gerais

At o momento nos preocupamos com testes que so classificados como Paramtricos,
isto porque so construdos com base em parmetros estatsticos mdia, desvio padro e/ou
propores e tem como hiptese subjacente que as amostras provenham de populaes
normalmente distribudas, ou que a amostra seja aproximada a essa distribuio.

Ainda que os testes No Paramtricos no sejam to eficientes quanto aos paramtricos,
estes podem ser aplicados a uma ampla diversidade de situaes, porque no dependem das
exigncias rgidas para a aplicao de um teste paramtrico, notadamente questo supracitada da
normalidade das populaes.

Mesmo considerando que, para cada teste paramtrico existe um correspondente no
paramtrico, nos deteremos apenas aos Testes de Ajustamento /Aderncia utilizando a
distribuio de
2
(Qui-quadrado).

Quanto aos procedimentos para sua aplicao os testes no paramtricos seguem as mesmas regras utilizadas
no Mdulo correspondente a Testes de Hipteses, quais sejam: definio das hipteses nula e alternativa; regio
crtica, clculos e com base neste resultado aceitao ou rejeio de Ho.


7.2 Testes de Ajustamento / Aderncia utilizando
2


Quando usamos uma estatstica para comprovar a concordncia entre valores esperados e
observados para certo fenmeno, estaremos realizando um teste de adequao do ajustamento.
Contudo, se usarmos esse teste para colocar prova hipteses referentes forma da distribuio
da populao, como a Normal, Binomial, Poisson, etc., estaremos efetuando um "Teste de
Aderncia". Nesses testes, admitimos que a distribuio da varivel em estudo seja descrita por
determinado modelo terico de probabilidade e verificamos o grau de aderncia dos dados
amostrais ao modelo.


7.2.1 Teste de Ajustamento pelo Qui-quadrado (
2
)

Uma forma de testar a aderncia foi desenvolvida por Karl Pearson e baseia-se na
estatstica
( )

=
k
i i
i i
cal
Fe
Fe Fo
1
2

que tem distribuio


2
com (k - r - 1) graus de liberdade,
sendo:

k, o nmero de parcelas somadas e
r, o nmero de parmetros do modelo estimados independentemente a partir da amostra.

O clculo das freqncias esperadas feito atravs da expresso

FEi = n x pi, onde

pi a probabilidade, segundo o modelo, de se obter um valor da varivel na classe
considerada;
n, o tamanho da amostra.

Estatstica Aplicada Contabilidade -74

Suponha-se uma amostra de tamanho n. Sejam E1, E2, ..., Ek, um conjunto de eventos
possveis da amostra.


Eventos Freq. Observada
E1 Fo1
E2 Fo2
... ...
Ek Fok
Total n

Este teste indicado para verificar se as freqncias observadas dos k eventos (k classes
em que a varivel dividida) concordam ou no com as freqncias tericas esperadas.

As freqncias esperadas (Fei) so obtidas multiplicando-se o nmero total de elementos
pela proporo terica da classe i (n x pi).

Para encontrar o
2
calculado
, necessita-se do nvel de Significncia () e dos graus de
liberdade (), os quais podem ser obtidos da seguinte forma:

1) = k - 1, quando as freqncias esperadas puderem ser calculadas sem que faam estimativas
dos parmetros populacionais a partir das distribuies amostrais.

2) = k - 1 - r, quando para a determinao das freqncias esperadas, r parmetros tiverem suas
estimativas calculadas a partir das distribuies amostrais.

Pearson mostrou que, se o modelo testado for verdadeiro e se todas as Fei 5%, estas
devero ser fundidas s classes adjacentes.

Exemplo 26: Deseja-se testar se o nmero de acidentes numa rodovia se distribui igualmente
pelos dias da semana. Para tanto foram levantados os seguintes dados ( =5%).

Dia da Semana Dom Seg Ter Qua Qui Sex Sab
Nmero de Acidentes 33 26 21 22 17 20 36


a) enunciar as hipteses, H0: as freqncias so iguais todos os dias
Ha: as freqncias so diferentes

b) definio da regio crtica: esse tipo de teste sempre unilateral direita, rejeitando-se H0 se

2 2

>
calc
.

O nmero de graus de liberdade ser: 7 1 0 = 6

Pela tabela temos na linha 6 e coluna de 5% o seguinte valor de
2
: = 12,592


Estatstica Aplicada Contabilidade -75
c) clculos: =
( )

=
k
i i
i i
cal
Fe
Fe Fo
1
2



Dia da Semana
No de
Acidentes
Pi Fe = n.pi (Fo Fe)
2
/Fe
Dom 33 1/7 25 2,56
Seg 26 1/7 25 0,04
Ter 21 1/7 25 0,64
Qua 22 1/7 25 0,36
Qui 17 1/7 25 2,56
Sex 20 1/7 25 1,00
Sab 36 1/7 25 4,84
k = 7, e n = 175 175 12,00

d) Concluses: Como
2
calc
= 12,00 <
2

= 12,592 ,no rejeitamos Ho, podendo-se afirmar


que o nmero de acidentes ocorre de forma uniforme ao longo dos dias da semana.




7.2.2 Teste de Aderncia de Qui-quadrado (
2
) a distribuio de Newcomb-Benford

Quando usamos a estatstica de
2
, definida no item anterior, para testarmos a natureza da
distribuio da amostra, estaremos utilizando um Teste de Aderncia, cujos procedimentos so os
mesmos aos do teste de Ajustamento. Esse teste pode ser utilizado para verificarmos se as
distribuies amostrais se ajustam a uma determinada distribuio de probabilidade, como por
exemplo, binomial, Poisson, Normal, etc.

Uma distribuio importante de interesse para a Cincias Contbeis distribuio de
Benford tambm conhecida como Primeira Lei dos Dgitos, Primeiro Fenmeno do Dgito
ou Fenmeno Principal do Dgito, que se constitui numa ferramenta poderosa e relativamente
simples para apontar a suspeita de fraudes, fraudadores, sonegao de impostos, contabilistas
medocres e erros de digitao.

A maioria das pessoas supem que em uma amostra de nmeros aleatrios de alguma
fonte de dados, o primeiro dgito no-zero poderia ser todo nmero de 1 a 9 e todos os nove
seriam considerados igualmente provveis.

Em 1881, um astrnomo americano, Sr. Simon Newcomb, observou primeiramente o
fenmeno das primeiras pginas dos livros logartmicos, que comeavam com o nmero 1 e se

Estatstica Aplicada Contabilidade -76
encontravam mais sujas e gastas que as demais. No mesmo ano em um breve artigo no jornal
americano de matemtica, Newcomb afirmou que a ocorrncia de dgitos segue um distribuio
particular da probabilidade.

Mas o Dr. Frank Benford, fsico, em 1938, aps uma investigao detalhada chegou
mesma frmula do Sr. Newcomb, indo mais alm aplicando a frmula em uma variedade de
nmeros para detectar o fenmeno da ocorrncia dos dgitos.

Podemos dizer que o Sr. Newcomb foi o primeiro a verificar esta anomalia, entretanto foi
o Dr. Benford quem decidiu se aprofundar e aplicar sua descoberta em dados reais.

Benford achava improvvel que os fsicos e coordenadores tivessem uma preferncia
especial para os logaritmos que comeavam com o nmero 1. Portanto, a partir desta observao
Benford, deu incio sua pesquisa utilizando-se de 20229 jogos de nmeros de diversas fontes,
como por exemplo a populao, dados de custos, liga americana, taxa de morte, entre outros,
observando que todos esses jogos seguiram um teste padro, e em todos os casos o nmero 1
girou acima como o primeiro dgito aproximadamente 30% mais freqentemente que qualquer
outro.

Tendo em vista uma sria aleatria de nmeros selecionados, verificaremos que se os
nmeros investigados no forem relacionados de algum modo social ou natural, a distribuio do
primeiro dgito no uniforme, a Lei de Benford, no apresenta o resultado esperado nos dados.

Benford, realizando estudos matemticos (que esto alm do alcance deste componente
curricular) deduziu que a probabilidade da freqncia de determinado digito d dado:

|

\
|
+ =
d
P
d
1
1 log
10


O que resulta na seguinte distribuio;

Dgito (d) Pd
1 0,30103
2 0,17609
3 0,12494
4 0,09691
5 0,07918
6 0,06695
7 0,05799
8 0,05115
9 0,04576

Desde os anos quarenta, mais de 150 documentos acadmicos na lei de Benford foram
publicados por matemticos, estatsticos e recentemente por contadores. na busca de indcios de
fraudes, sonegaes ou manipulaes de dados, constituindo-se em poderosa ferramenta de
anlise.


Estatstica Aplicada Contabilidade -77
7.2.2.1 Exemplo da aplicao Lei de Newcomb-Benford na contabilidade

Exemplo 27. Os dados abaixo correspondem s notas de empenhos dos 20 municpios do estado
da Paraba por Regio, com a respectiva contagem em seus primeiros dgitos significativos. Com
base na Lei de Newcomb-Benford verificar quanto aos indcios de fraudes desses lanamentos, ao
nvel de 95% de confiana.

Primeiro digito
Freqncia
Observada (Fo)
1 16.554
2 9.602
3 6.747
4 5.046
5 4.767
6 3.912
7 3.271
8 2.840
9 2.887
Total 55.626


Resoluo:

a) enunciar as hipteses, H0: os dados se ajustam a Lei de Newcomb-Benford
Ha: os dados no se ajustam a lei (indcios de irregularidade)

b) definio da regio crtica: esse tipo de teste sempre unilateral direita, rejeitando-se H0 se

2 2

>
calc
.

O nmero de graus de liberdade ser: = k - 1 r. Neste caso temos k = 9, pois esse
o nmero de classes em que os dados foram divididos. Para esse tipo de teste r = 0

Assim = k 1 r. = Graus de liberdade = 9 1 0 = 8.

Pela tabela temos na linha 8 e coluna de 5% o seguinte valor de
2
: = 15,507, dessa forma
rejeitamos Ho se
2 2

>
calc
= 15,507.




Estatstica Aplicada Contabilidade -78

c) clculos: =
( )

=
k
i i
i i
cal
Fe
Fe Fo
1
2




Primeiro digito
Freqncia
Observada (Fo)
p
d
FEi = n x pi, (Fo Fe)
2
/Fe
1 16.554 0,30103 16.745,09 2,18
2 9.602 0,17609 9.795,18 3,81
3 6.747 0,12494 6.949,91 5,92
4 5.046 0,09691 5.390,72 22,04
5 4.767 0,07918 4.404,47 29,84
6 3.912 0,06695 3.724,16 9,47
7 3.271 0,05799 3.225,75 0,63
8 2.840 0,05115 2.845,27 0,01
9 2.887 0,04576 2.545,45 45,83
Total 55.626 1 55.626,00 119,75


d) Concluses: Como
2
calc
= 119,75 >
2

= 15,507, rejeitamos Ho, podendo-se aceitar a


hiptese da existncia de indcios de inconsistncia nos dados. Observa-se, pelos valores
calculados de Qui-quadrado que existem problemas nos dgitos: (4), (5), e (9).





Estatstica Aplicada Contabilidade -79
Bibliografia

Bsica

LAPPONI, Juan Carlos. Estatstica usando Excel 5 e 7. So Paulo : Lapponi, 1997. 420 p. + 1
disquete

SILVA, Ermer Medeiros et al. Estatstica para os cursos de economia, administrao e
cincias contbeis. So Paulo : Atlas, 1997. v.2

Bibliografia complementar

ANDERSON, David R.; SWEENEY, Dennis J.; WILLIAMS, Thomas A. Estatstica aplicada
administrao e economia. So Paulo: Pioneira Thomson Learning, 2002. 642 p. ISBN
8522102473

COSTA NETO, Pedro Luiz de Oliveira. Estatstica. 2. ed., rev. atual. So Paulo: Edgard Blucher,
2002. 266 p. ISBN 8521203004

FONSECA, Jairo Simon da; MARTINS, Gilberto de Andrade; TOLEDO, Geraldo Luciano.
Estatistica aplicada . So Paulo: Atlas, 1976.

HOFFMANN, Rodolfo. Estatstica para economistas. 3. ed., rev. ampl. So Paulo: Pioneira
Thomson Learning, 1998. 430 p. ISBN 8522101175

BRASIL. Tribunal de Contas da Unio. Tcnicas de amostragem para auditorias. Braslia:
2002 TCU, Secretaria Adjunta de Fiscalizao, 2002. 149 p.


Estatstica Aplicada Contabilidade -80
Anexo:
CONTABILIDADE: AMOSTRAGEM NBC T 11.11 RESOLUO CFC N 1.012, DE
21/01/2005

Aprova a NBC T 11.11 - Amostragem.

O CONSELHO FEDERAL DE CONTABILIDADE, no exerccio de suas atribuies legais e
regimentais,

CONSIDERANDO que as Normas Brasileiras de Contabilidade e suas Interpretaes Tcnicas
constituem corpo de doutrina contbil, que estabelece regras de procedimentos tcnicos a serem
observados quando da realizao de trabalhos;

CONSIDERANDO a constante evoluo e a crescente importncia da auditoria, que exige atualizao e
aprimoramento das normas endereadas a sua regncia, de modo a manter permanente justaposio e
ajustamento entre o trabalho a ser realizado e o modo ou o processo dessa realizao;

CONSIDERANDO que a forma adotada de fazer uso de trabalhos de instituies com as quais o
Conselho Federal de Contabilidade mantm relaes regulares e oficiais est de acordo com as
diretrizes constantes dessas relaes;

CONSIDERANDO que o Grupo de Estudo para Auditoria institudo pelo Conselho Federal de
Contabilidade, em conjunto com o IBRACON - Instituto dos Auditores Independentes do Brasil,
atendendo ao que est disposto no Art. 3 da Resoluo CFC n 751, de 29 de dezembro de 1993, que
recebeu nova redao pela Resoluo CFC n 980, de 24 de outubro de 2003, elaborou a NBC T 11.11 -
Amostragem;

CONSIDERANDO que por se tratar de atribuio que, para adequado desempenho, deve ser
empreendida pelo Conselho Federal de Contabilidade em regime de franca, real e aberta cooperao
com o Banco Central do Brasil (Bacen), a Comisso de Valores Mobilirios (CVM), o IBRACON -
Instituto dos Auditores Independentes do Brasil, o Instituto Nacional de Seguro Social (INSS), o
Ministrio da Educao, a Secretaria Federal de Controle, a Secretaria da Receita Federal, a Secretaria
do Tesouro Nacional e a Superintendncia de Seguros Privados, resolve:

Art. 1 Aprovar a Norma Brasileira de Contabilidade assim discriminada: NBC T 11.11 - Amostragem.

Art. 2 Esta resoluo entra em vigor a partir de 1 de janeiro de 2005 e dever ser aplicada aos exames
e s revises das Demonstraes Contbeis, cujos exerccios sociais se encerrem a partir de 31 de
dezembro de 2004, e a quaisquer Demonstraes Contbeis elaboradas para outros fins, a partir daquela
data; todavia, sua aplicao imediata encorajada.

Art. 3 Para as Demonstraes Contbeis que se encerrarem at 31 de dezembro de 2004, devem ser
aplicadas as regras sobre Amostragem, definidas no item 11.2.9 da NBC T 11 - Normas de Auditoria
Independente das Demonstraes Contbeis.

Art. 4 Esta Resoluo produzir seus efeitos a partir de 1 de janeiro de 2005, data em que ficar
revogado o item 11.2.9 da NBC T 11- Normas de Auditoria Independente das Demonstraes Contbeis.

JOS MARTONIO ALVES COELHO
Presidente do Conselho


Estatstica Aplicada Contabilidade -81
ANEXO

Ata CFC n 867/05

NORMAS BRASILEIRAS DE CONTABILIDADE

NBC T 11 NORMAS DE AUDITORIA INDEPENDENTE DAS DEMONSTRAES CONTBEIS

NBC T 11.11 - AMOSTRAGEM

11.11.1. CONSIDERAES GERAIS

11.11.1.1. Esta norma tem por objetivo estabelecer a obrigatoriedade, os procedimentos e os critrios
para planejar e selecionar amostra de itens a serem examinados pelo auditor.

11.11.1.2. Ao determinar a extenso de um teste de auditoria ou mtodo de seleo de itens a testar, o
auditor pode empregar tcnicas de amostragem.

11.11.1.3. Amostragem a utilizao de um processo para obteno de dados aplicveis a um
conjunto, denominado universo ou populao, por meio do exame de uma parte deste conjunto
denominada amostra.

11.11.1.4. Amostragem estatstica aquela em que a amostra selecionada cientificamente com a
finalidade de que os resultados obtidos possam ser estendidos ao conjunto de acordo com a teoria
da probabilidade ou as regras estatsticas. O emprego de amostragem estatstica recomendvel
quando os itens da populao apresentam caractersticas homogneas.

11.11.1.5. Amostragem no-estatstica (por julgamento) aquela em que a amostra determinada pelo
auditor utilizando sua experincia, critrio e conhecimento da entidade.

11.11.1.6. Ao usar mtodos de amostragem estatstica ou no estatstica, o auditor deve planejar e
selecionar a amostra de auditoria, aplicar a essa amostra procedimentos de auditoria e avaliar os
resultados da amostra, de forma a proporcionar evidncia de auditoria suficiente e apropriada.

11.11.1.7. Amostragem de auditoria a aplicao de procedimentos de auditoria sobre uma parte da
totalidade dos itens que compem o saldo de uma conta, ou classe de transaes, para permitir que o
auditor obtenha e avalie a evidncia de auditoria sobre algumas caractersticas dos itens selecionados,
para formar, ou ajudar a formar, uma concluso sobre a populao.

11.11.1.8. importante reconhecer que certos procedimentos de auditoria aplicados na base de
testes no esto dentro da definio de amostragem. Os testes aplicados na totalidade da
populao no se qualificam como amostragem de auditoria. Da mesma forma, a aplicao de
procedimentos de auditoria a todos os itens dentro de uma populao que tenham uma
caracterstica particular (por exemplo, todos os itens acima de um certo valor) no se qualifica
como amostragem de auditoria com respeito parcela da populao examinada, nem com
respeito populao como um todo. Isto porque os itens no foram selecionados, dando chance
igual de seleo a todos os itens da populao. Esses itens podem indicar uma tendncia ou uma
caracterstica da parcela restante da populao, mas no constituem, necessariamente, uma base
adequada para a concluso sobre a parcela restante da populao.



Estatstica Aplicada Contabilidade -82
11.11.2. PLANEJAMENTO DA AMOSTRA

11.11.2.1. ASPECTOS GERAIS

11.11.2.1.1. A amostra selecionada pelo auditor deve ter relao direta com o volume de transaes
realizadas pela entidade na rea ou na transao objeto de exame, como tambm com os efeitos nas
posies patrimonial e financeira da entidade e o resultado por ela obtido no perodo.

11.11.2.1.2. Ao planejar e determinar a amostra de auditoria, o auditor deve levar em considerao os
seguintes aspectos:

a) os objetivos especficos da auditoria;
b) a populao da qual o auditor deseja extrair a amostra;
c) a estratificao da populao;
d) o tamanho da amostra;
e) o risco da amostragem;
f) o erro tolervel; e
g) o erro esperado.

11.11.2.2. Objetivos da Auditoria

11.11.2.2.1. No planejamento da amostra de auditoria, o auditor deve considerar os objetivos
especficos a serem atingidos e os procedimentos de auditoria que tm maior probabilidade de atingir
esses objetivos.

11.11.2.2.2. Quando a amostragem de auditoria for apropriada, a considerao da natureza da evidncia
de auditoria pretendida e das possveis condies de erro ou outras caractersticas relativas a essa
evidncia de auditoria vo ajudar o auditor a definir o que constitui um erro e que populao usar para a
amostragem.

11.11.2.2.3. No caso de executar testes de observncia sobre os procedimentos de compra em uma
entidade, o auditor est interessado em aspectos como, por exemplo, se houve aprovao apropriada e
verificao aritmtica de uma fatura. Por outro lado, ao executar procedimentos de comprovao sobre
faturas processadas durante o perodo, o auditor est interessado em aspectos relacionados com os
valores monetrios dessas faturas e se esses valores foram, apropriadamente, refletidos nas
Demonstraes Contbeis.

11.11.2.3. Populao

11.11.2.3.1. A populao a totalidade dos dados do qual o auditor deseja tirar a amostra para chegar a
uma concluso.

11.11.2.3.2. O auditor precisa determinar se a populao da qual a amostra vai ser extrada apropriada
para o objetivo de auditoria especfico. Se o objetivo do auditor for testar a existncia de superavaliao
de contas a receber, a populao pode ser definida como a listagem de contas a receber. Por outro lado,
se o objetivo for testar a existncia de subavaliao de contas a pagar, a populao no deve ser a
listagem de contas a pagar, mas, sim, pagamentos subseqentes, faturas no-pagas, extratos de
fornecedores, relatrios de recebimentos de mercadorias ou outras populaes que forneceriam
evidncia de auditoria de que as contas a pagar estariam subavaliadas.

11.11.2.3.3. Cada item que compe a populao conhecido como unidade de amostragem. A
populao pode ser dividida em unidades de amostragem de diversos modos.

11.11.2.3.4. O auditor define a unidade de amostragem para obter uma amostra eficiente e eficaz para
atingir os objetivos de auditoria em particular. No caso, se o objetivo do auditor for testar a validade das
contas a receber, a unidade de amostragem pode ser definida como saldos de clientes ou faturas de
clientes individuais.

Estatstica Aplicada Contabilidade -83
11.11.2.4. Estratificao

11.11.2.4.1. Para auxiliar no planejamento eficiente e eficaz da amostra, pode ser apropriado usar
estratificao, que o processo de dividir uma populao em subpopulaes, cada qual contendo um
grupo de unidades de amostragem com caractersticas homogneas ou similares.

11.11.2.4.2. Os estratos precisam ser, explicitamente, definidos, de forma que cada unidade de
amostragem somente possa pertencer a um estrato.

11.11.2.4.3. Este processo reduz a possibilidade de variao dos itens de cada estrato. Portanto, a
estratificao permite que o auditor dirija esforos de auditoria para os itens que contenham maior
potencial de erro, por exemplo, os itens de maior valor que compem o saldo de contas a receber, para
detectar distores relevantes por avaliao a maior. Alm disso, a estratificao pode resultar em
amostra com tamanho menor.

11.11.2.4.4. Se o objetivo da auditoria for testar a validade de contas a receber, e dependendo da
distribuio dos valores a receber por saldo de devedores, a populao pode ser estratificada, por
exemplo, em quatro subconjuntos como segue:

a) saldos superiores a R$ 2.000,00;
b) saldos entre R$ 1.000,00 e R$ 2.000,00;
c) saldos entre R$ 100,00 e R$ 1.000,00; e
d) saldos inferiores a R$ 100,00.

11.11.2.4.5. Assim, por exemplo, dependendo da distribuio dos valores a receber, mediante a
validao da totalidade dos saldos do subconjunto (a) 50% de (b); 20% de (c); e 5% de (d), pode-se,
hipoteticamente, encontrar que 80% dos valores de contas a receber so susceptveis de validao,
examinando 20% da populao.

11.11.2.5. Tamanho da Amostra

11.11.2.5.1. Ao determinar o tamanho da amostra, o auditor deve considerar o risco de amostragem,
bem como os erros tolerveis e os esperados.

11.11.2.5.2. Adicionalmente, fatores como a avaliao de risco de controle, a reduo no risco de
deteco devido a outros testes executados relacionados com as mesmas asseres, nmero de itens da
populao e valor envolvido, afetam o tamanho da amostra e devem ser levados em considerao pelo
auditor.

11.11.2.5.3. Para que a concluso a que chegou o auditor, utilizando uma amostra, seja corretamente
planejada para aplicao populao necessrio que a amostra seja:

a) representativa da populao;
b) que todos os itens da populao tenham oportunidade idntica de serem selecionados.

11.11.2.6. Risco de Amostragem

11.11.2.6.1. O risco de amostragem surge da possibilidade de que a concluso do auditor, com base em
uma amostra, possa ser diferente da concluso que seria alcanada se toda a populao estivesse sujeita
ao mesmo procedimento de auditoria.


Estatstica Aplicada Contabilidade -84
11.11.2.6.2. O auditor est sujeito ao risco de amostragem nos testes de observncia e testes
substantivos, sendo:

1) Testes de Observncia:

a) Risco de subavaliao da confiabilidade: o risco de que, embora o resultado da aplicao de
procedimentos de auditoria sobre a amostra no seja satisfatrio, o restante da populao possua menor
nvel de erro do que aquele detectado na amostra.

b) Risco de superavaliao da confiabilidade: o risco de que, embora o resultado da aplicao de
procedimentos de auditoria sobre a amostra seja satisfatrio, o restante da populao possua maior nvel
de erro do que aquele detectado na amostra.

2) Testes Substantivos:

a) Risco de rejeio incorreta: o risco de que, embora o resultado da aplicao de procedimentos de
auditoria sobre a amostra leve concluso de que o saldo de uma conta ou classe de transaes
registradas est, relevantemente, distorcido, mas, efetivamente, no est;
b) Risco de aceitao incorreta: o risco de que, embora o resultado da aplicao de procedimentos de
auditoria sobre a amostra leve concluso de que o saldo de uma conta ou classe de transaes
registradas no est, relevantemente, distorcido, mas, efetivamente, est.

11.11.2.6.3. O risco de subavaliao da confiabilidade e o risco de rejeio incorreta afetam a eficincia
da auditoria, visto que, normalmente, conduziriam o auditor a realizar trabalhos adicionais, o que
estabeleceria que as concluses iniciais eram incorretas. O risco de superavaliao da confiabilidade e o
risco de aceitao incorreta afetam a eficcia da auditoria e tm mais probabilidade de conduzir a uma
concluso errnea sobre determinados controles, saldos de contas ou classe de transaes do que o risco
de subavaliao da confiabilidade ou o risco de rejeio incorreta.

11.11.2.6.4. O tamanho da amostra afetado pelo nvel do risco de amostragem que o auditor est
disposto a aceitar dos resultados da amostra. Quanto mais baixo o risco que o auditor estiver disposto a
aceitar, maior deve ser o tamanho da amostra.

11.11.2.7. Erro Tolervel

11.11.2.7.1. Erro tolervel o erro mximo na populao que o auditor est disposto a aceitar e, ainda
assim, concluir que o resultado da amostra atingiu o objetivo da auditoria. O erro tolervel
considerado durante o estgio de planejamento e, para os testes substantivos, est relacionado com o
julgamento do auditor sobre relevncia. Quanto menor o erro tolervel, maior deve ser o tamanho da
amostra.

11.11.2.7.2. Nos testes de observncia, o erro tolervel a taxa mxima de desvio de um procedimento
de controle estabelecido que o auditor est disposto a aceitar, baseado na avaliao preliminar de risco
de controle. Nos testes substantivos, o erro tolervel o erro monetrio mximo no saldo de uma conta
ou uma classe de transaes que o auditor est disposto a aceitar, de forma que, quando os resultados de
todos os procedimentos de auditoria forem considerados, o auditor possa concluir, com segurana
razovel, que as Demonstraes Contbeis no contm distores relevantes.

11.11.2.8. Erro Esperado

11.11.2.8.1. Se o auditor espera que a populao contenha erro, necessrio examinar uma amostra
maior do que quando no se espera erro, para concluir que o erro real da populao no excede o erro
tolervel planejado.

11.11.2.8.2. Tamanhos menores de amostra justificam-se quando se espera que a populao esteja isenta
de erros. Ao determinar o erro esperado em uma populao, o auditor deve considerar aspectos como,

Estatstica Aplicada Contabilidade -85
por exemplo, os nveis de erros identificados em auditorias anteriores, mudana nos procedimentos da
entidade e evidncia obtida na aplicao de outros procedimentos de auditoria.

11.11.3. SELEO DA AMOSTRA

11.11.3.1. Aspectos gerais

11.11.3.1.1. O auditor deve selecionar itens de amostra de tal forma que se possa esperar que a mesma
seja representativa da populao. Este procedimento exige que todos os itens da populao tenham a
mesma oportunidade de serem selecionados.

11.11.3.1.2. Com a finalidade de evidenciar os seus trabalhos, a seleo de amostra deve ser
documentada pelo auditor e considerar:

a) o grau de confiana depositada sobre o sistema de controles internos das contas, classes de transaes
ou itens especficos;
b) a base de seleo;
c) a fonte de seleo; e
d) o nmero de itens selecionados.

11.11.3.1.3. Na seleo de amostra, devem ser consideradas:

a) a seleo aleatria ou randmica;
b) a seleo sistemtica, observando um intervalo constante entre as transaes realizadas; e
c) a seleo casual, a critrio do auditor, baseada em sua experincia profissional.

11.11.3.2. Seleo Aleatria

11.11.3.2.1. Seleo aleatria ou randmica a que assegura que todos os itens da populao ou do
estrato fixado tenham idntica possibilidade de serem escolhidos.

11.11.3.2.2. Na seleo aleatria ou randmica, utiliza-se, por exemplo, tabelas de nmeros aleatrios
que determinaro quais os nmeros dos itens a serem selecionados dentro do total da populao ou
dentro de uma seqncia de itens da populao predeterminada pelo auditor.

11.11.3.3. Seleo Sistemtica

11.11.3.3.1. Seleo sistemtica ou por intervalo aquela em que a seleo de itens procedida de
maneira que haja sempre um intervalo constante entre cada item selecionado, seja a seleo feita
diretamente da populao a ser testada, ou por estratos dentro da populao.

11.11.3.3.2. Ao considerar a seleo sistemtica, o auditor deve observar as seguintes normas para
assegurar uma amostra, realmente, representativa da populao:

a) que o primeiro item seja escolhido ao acaso;
b) que os itens da populao no estejam ordenados de modo a prejudicar a casualidade de sua escolha.

11.11.3.3.3. Se usar seleo sistemtica, o auditor deve determinar se a populao no est estruturada
de tal modo que o intervalo de amostragem corresponda a um padro, em particular, da populao. Por
exemplo, se em cada populao de vendas realizadas por filiais, as vendas de uma filial, em particular,
ocorrerem somente como cada 100 item e o intervalo de amostragem selecionado for 50, o resultado
seria que o auditor teria selecionado a totalidade ou nenhuma das vendas da filial em questo.

11.11.3.4. Seleo Casual


Estatstica Aplicada Contabilidade -86
11.11.3.4.1. Seleo casual pode ser uma alternativa aceitvel para a seleo, desde que o auditor tente
extrair uma amostra representativa da populao, sem inteno de incluir ou excluir unidades
especficas.

11.11.3.4.2.Quando utilizar esse mtodo, o auditor deve evitar a seleo de uma amostra que seja
influenciada, por exemplo, com a escolha de itens fceis de localizar, uma vez que esses itens podem
no ser representativos.

11.11.4. AVALIAO DOS RESULTADOS DA AMOSTRA

11.11.4.1. Aspectos gerais

11.11.4.1.1. Tendo executado, em cada item da amostra, os procedimentos de auditoria apropriados, o
auditor deve:
a) analisar qualquer erro detectado na amostra;

b) extrapolar os erros encontrados na amostra para a populao; e
c) reavaliar o risco de amostragem.

11.11.4.2. Anlise de Erros da Amostra

11.11.4.2.1. Ao analisar os erros detectados na amostra, o auditor deve, inicialmente, determinar se o
item em questo , de fato, um erro, considerados os objetivos especficos planejados. Exemplificando:
em um teste substantivo relacionado com o registro de contas a receber, um lanamento feito na conta
do cliente errado no afeta o total das contas a receber, razo pela qual talvez seja imprprio considerar
tal fato como um erro ao avaliar os resultados da amostra deste procedimento, em particular, ainda que
esse fato possa ter efeito sobre as outras reas da auditoria, como, por exemplo, avaliao de crditos de
liquidao duvidosa.

11.11.4.2.2. Quando no for possvel obter a evidncia de auditoria esperada sobre um item de amostra
especfico, o auditor deve obter evidncia de auditoria suficiente e apropriada por meio da execuo de
procedimentos alternativos. Exemplificando: se uma confirmao positiva de contas a receber tiver sido
solicitada e nenhuma resposta tiver sido recebida, talvez o auditor possa obter evidncia de auditoria
suficiente e apropriada de que as contas a receber so vlidas, revisando os pagamentos subseqentes
efetuados pelos clientes.

11.11.4.2.3. Se o auditor no puder executar procedimentos alternativos satisfatrios ou se os
procedimentos executados no permitirem que o auditor obtenha evidncia de auditoria suficiente e
apropriada, o item deve ser tratado como um erro.

11.11.4.2.4. O auditor tambm deve considerar os aspectos qualitativos dos erros. Esses aspectos
incluem a natureza e a causa do erro e o possvel efeito do erro sobre outras fases da auditoria.

11.11.4.2.5. Ao analisar os erros descobertos, possvel que o auditor observe que muitos tm
caractersticas comuns, por exemplo, tipo de transao, localizao, linha de produtos ou perodo de
tempo. Nessas circunstncias, o auditor pode decidir identificar todos os itens da populao que tenham
caractersticas comuns, produzindo, deste modo, uma subpopulao, e decidir ampliar os procedimentos
de auditoria nessa rea. Ento, o auditor deve executar anlise separada com base nos itens examinados
para cada subpopulao.

11.11.4.3. Extrapolao de Erros

11.11.4.3.1. O auditor deve extrapolar os resultados dos erros da amostra para a populao da qual foi
selecionada.


Estatstica Aplicada Contabilidade -87
11.11.4.3.2. Existem diversos mtodos aceitveis para extrapolar os resultados de erros. Entretanto, em
todos os casos, o mtodo de extrapolao precisa ser consistente com o mtodo usado para selecionar a
amostra.

11.11.4.3.3. Quando extrapolar resultados de erros, o auditor deve considerar os aspectos qualitativos
dos erros encontrados.

11.11.4.3.4. Quando a populao tiver sido dividida em subpopulaes, a extrapolao de erros feita
separadamente para cada subpopulao e os resultados combinados.

11.11.4.4. Reavaliao do Risco de Amostragem

11.11.4.4.1. O auditor deve considerar se os erros projetados pela extrapolao para a populao podem
exceder o erro tolervel, levando-se em conta os resultados de outros procedimentos de auditoria.

11.11.4.4.2. O erro projetado para a populao deve ser considerado em conjunto com os demais erros
identificados durante a auditoria.

11.11.4.4.3. Quando o erro projetado exceder o erro tolervel, o auditor deve reconsiderar sua avaliao
anterior do risco de amostragem e, se esse risco for inaceitvel, considerar a possibilidade de ampliar o
procedimento de auditoria ou executar procedimentos de auditoria alternativos.

11.11.5. SANES

11.11.5.1. A inobservncia desta norma constitui infrao disciplinar sujeita s penalidades previstas
nas alneas "c", "d" e "e" do art. 27 do Decreto-Lei n 9.295, de 27 de maio de 1946, e, quando aplicvel,
ao Cdigo de tica do Profissional Contabilista.

FONTE: Dirio Oficial da Unio - 25/01/2005.