UNIVERSIDADE LÚRIO
UNILURIO BUSINESS SCHOOL
Contabilidade, Fiscalidade e Auditoria, 2º ano pós-laboral Discente: Guida Pedro
Fernando
Contabilidade de Custos
Discente: Guida Pedro Fernando
1R:
Dados:
Preço em 1990: 400 cts
Preço em 1995: 600 cts
Preço Relativo?
Variação Absoluta?
F/Resolução
Preço Relativo:
Preço Atual
PR= × 100
precobase
400
PR= ×100=¿150
600
O preço relativo em 1995, tomando 1990 como ano base, é 150%.
Variação Absoluta:
VA =Preço Atual− preco Base
VA =600−400=200 ct s
Variação Absoluta: 200 cts
2R: Vou falar sobre duas propriedades das estimativas pontuais: Consistência e Eficiência.
Consistência é dita consistente se, à medida que o tamanho da amostra aumenta, a estimativa
converge para o valor verdadeiro do parâmetro que está sendo estimado. Em termos mais
simples, quanto maior a amostra, mais próxima a estimativa estará do valor real.
Exemplo: Suponha que estamos estimando a média de uma população com média verdadeira μ.
Uma estimativa consistente seria tal que, conforme colectamos mais dados (aumentando o
tamanho da amostra n ), a média amostral X se aproxima de μ.
Eficiência é considerada eficiente se, dentre todas as estimativas imparciais, ela tiver a menor
variância. Em outras palavras, uma estimativa eficiente usa melhor a informação disponível nos
dados, resultando em uma estimativa mais precisa.
SEMELHANÇAS
Objectivo Comum:
Ambas as propriedades visam obter a estimativa mais precisa possível do parâmetro
populacional verdadeiro.
Relação com o Tamanho da Amostra:
A consistência e a eficiência podem ser influenciadas pelo tamanho da amostra. Estimativas
consistentes se beneficiam de tamanhos de amostra maiores, enquanto estimativas eficientes
minimizam a variância dentro do contexto da amostra disponível.
DIFERENÇAS
Natureza:
A consistência está relacionada ao comportamento da estimativa à medida que o tamanho da
amostra aumenta indefinidamente. Já a eficiência está relacionada à variância da estimativa,
independente do tamanho da amostra.
Critério de Avaliação:
Consistência é uma propriedade assintótica (considera comportamento em amostras grandes),
enquanto eficiência é uma propriedade finita (considera variância com base na amostra actual).
3R:
Dados:
X =14
Z=95 % ≈ 1.96
σ =6
n=36
F/Resolução
σ
IC= X ± Z
√n
σ 6 6
Erro Padrão= = = =1
√ n √36 6
Os limites inferior e superior do intervalo de confiança:
Limite Inferior=X −Z × Erro Padrão=14−1.96 ×1=14−1.96=12.04
Limite Superior=X + Z × Erro Padrão=14+1.96 ×1=14+1.96=15.96
o intervalo de confiança de 95 % para a média é :12.04 ≤ μ ≤15.96
4R:
Os testes de hipóteses são uma parte fundamental da estatística inferencial, permitindo-nos
tomar decisões ou fazer inferências sobre populações com base em dados amostrais. Aqui estão
os procedimentos básicos para realizar um teste de hipóteses:
1. Formular as Hipóteses
Hipótese Nula (H0): É a hipótese que assume que não há efeito ou diferença. É a hipótese que
queremos testar.
Hipótese Alternativa (H1 ou Ha): É a hipótese que assume que há um efeito ou diferença. É
aceita se as evidências contra a H0 forem fortes.
2. Seleccionar o Nível de Significância
O nível de significância (a) é a probabilidade de rejeitar a hipótese nula quando ela é verdadeira.
Um valor comum usado é 0.05, ou 5%.
3. Escolher o Teste Estatístico
A escolha do teste estatístico depende da natureza dos dados e da hipótese a ser testada.
Exemplos incluem o teste t para médias, o teste qui-quadrado para independência, e o teste z
para proporções.
4. Calcular a Estatística do Teste
Com base nos dados amostrais, calcula-se a estatística do teste (por exemplo, t, z, x 2). Esta
estatística mede o quanto a amostra está distante da hipótese nula.
5. Determinar a Região Crítica ou Valor-p
Região Crítica: Define os valores da estatística do teste que levarão à rejeição da hipótese nula.
Depende do nível de significância α.
Valor-p: É a probabilidade de obtermos uma estatística de teste tão extrema quanto a
observada, assumindo que a hipótese nula é verdadeira.
6. Tomar a Decisão
Rejeitar H0: Se a estatística do teste cair na região crítica ou se o valor-p for menor que α,
rejeitamos a hipótese nula.
Não Rejeitar H0: Se a estatística do teste não cair na região crítica ou se o valor-p for maior
que α, não rejeitamos a hipótese nula.
5R:
Dados:
H0: (μ=150).
H1: (μ≠150).
α =0.05
Calcular
Média amostral = 172 cm
Média populacional = 150 cm
Desvio padrão populacional (σ )=√ 100=10 cm
Tamanho da amostra (n): Não especificado directamente, mas pode-se supor que é
suficientemente grande para usar o teste z.
F/Resolução
X−μ
z=
σ
√n
Tamanho da amostra n não é fornecido, precisamos conhecer este valor para calcular o erro
padrão. Vou assumir um tamanho de amostra n suficientemente grande.
Calcular o Valor Crítico e Tomar a Decisão:
Para um nível de significância de 0.05 em um teste bicaudal, o valor crítico Zα/2b é
aproximadamente 1.96.
Então se n fosse 36 (um número razoável para uma amostra grande)
172−150 22 22× 6
z= = = =13.2
10 10 10
√36 6
Se o valor z calculado (13.2) é muito maior que 1.96, podemos rejeitar H0.
A média amostral de 172 cm é significativamente diferente da média populacional de 150 cm
ao nível de significância de 0.05. Isso indica que é altamente improvável que essa amostra
tenha sido retirada dessa população.
6R:
a ¿ P(0≤ Z ≤ 1.41)
Precisamos calcular P(Z ≤ 1.41) e subtrair P(Z ≤ 0):
P(Z ≤ 1.41)=0.9207
P(Z ≤ 0)=0.5
P(0 ≤ Z ≤ 1.41)=P (Z ≤1.41)−P( Z ≤0)=0.9207−0.5=0.4207
b) P(−0.73≤ Z ≤ 0)
P(Z ≤ 0)e P(Z ≤−0.73):
P(Z ≤ 0)=0.5
P(Z ≤−0.73)=0.2327
P(−0.73≤ Z ≤ 0)=P(Z ≤ 0)−P(Z ≤−0.73)=0.5−0.2327=0.2673
c ¿ P (−2 ≤ Z ≤ 2)
P(Z ≤ 2)=0.9772
P(Z ≤−2)=0.0228
P(−2 ≤ Z ≤2)=P(Z ≤2)−P(Z ≤−2)=0.9772−0.0228=0.9544
Resultados
a ¿ P(0≤ Z ≤ 1.41)=0.4207
b ¿ P(−0.73≤ Z ≤ 0)=0.2673
c ¿ P (−2 ≤ Z ≤ 2)=0.9544