You are on page 1of 33

Métodos Quantitativos aplicáveis à Gestão

Contabilometria
Apontamentos

Prof. Antonio Gustavo da Mota

Gerenciar é tomar decisões  É resolver problemas de decisão  Exemplos:

Métodos Quantitativos para a Tomada de Decisão

– O Banco Central anunciou que vai diminuir a taxa de juros. O meu

concorrente vai investir para aumentar a produção. Devo fazer o mesmo? – Se eu ganho $2.000 em cada carro de 4 portas que produzo e $1.200 em cada carro de 2 portas, quantos carros devo produzir se tenho 80 maçanetas (que são iguais para todas as portas)? – Administração da Fábrica presta serviço para Engenharia e esta presta serviço para aquela. Como alocar os custos recíprocos desses departamentos?

Métodos quantitativos utilizam modelos matemáticos para a solução de problemas de decisão.
Antonio Gustavo da Mota 2

Modelos para a solução de problemas
  

Modelo:

Versão simplificada de algum problema ou situação da vida real.

Exemplos: um desenho, uma equação como
o balanço contábil, um método, programa, etc.

L = R - D,

Um problema real é mais facilmente resolvido quando
expresso por um modelo

Sistema real existente
Sistema reduzido: Variáveis principais

Modelo

Antonio Gustavo da Mota

3

Gantt e dos Gilbreths Impulsionada pela pesquisa operacional durante a II Guerra  Pesquisa operacional: Aplicação de modelos matemáticos e estatísticos na solução de problemas de decisão Aplicações: militares.Análise da Decisão   Originou-se da Administração Científica de Taylor. decisões gerenciais    Tem desenvolvido procedimentos cada vez mais complexos. logística. incluindo decisões de alta gestão e elementos de incerteza Utiliza recursos interdisciplinares. sobretudo os da Estatística descritiva. da probabilidade e da inferência Antonio Gustavo da Mota 4 . otimização de processos.

derivadas da experiência e sensibilidade dos gestores Antonio Gustavo da Mota 5 .Fases do Processo de Decisão Identificar o problema Formular e Aplicar o Modelo de solução Analisar o modelo Testar os resultados Implementar a solução Reajustes/feedback  Nas decisões gerenciais são associados métodos quantitativos e análises qualitativas.

receitas e resultados Problemas de alocação de custos e transferências entre departamentais Formulação de orçamentos com atribuição de probabilidades de ocorrência de cenários Decisões de otimização de resultados ou minimização de custos (Iudícibus – Teoria da Contabilidade.Métodos quantitativos na Contabilidade Aplicações   Tratamento de grande massa de dados na pesquisa indutiva Formulação de modelos preditivos do comportamento de custos. 1997. 326) Antonio Gustavo da Mota 6    .p.

visto como gestor organizacional. Administração da Produção e Contabilidade (Iudícibus. XV CBC. p. dispõe de um poderoso instrumento de auxílio quando faz a união entre duas ferramentas básicas da gestão moderna: métodos quantitativos e tecnologia da informação” (Silva.) “O Contador.Métodos quantitativos na Contabilidade Por quê?  Tendência crescente de uso de métodos quantitativos   Incremento dos recursos de computação Despreparo da maioria dos contadores no Brasil  Oportunidade para Contadores conquistarem profissionalmente espaços vazios entre as áreas de Finanças. 279) Antonio Gustavo da Mota 7  . id.

Confirma-se a previsão de Horngren feita em 1971 “A Contabilidade em 1999”     O foco principal da Contabilidade será o processo de decisão Vários modelos terão buscado quantificar a incerteza e o comportamento humano A Contabilidade e Teoria da Decisão estarão integradas Tais serão apenas os primeiros passos nessa nova fronteira Antonio Gustavo da Mota 8 .

p. Teoria Contábil OBSERVAÇÕES EMPÍRICAS (fatos contábeis) Formulada em termos matemáticos PROCEDIMENTOS ESTATÍSTICOS Formulada em termos matemáticos PROCEDIMENTOS APROPRIADOS Antonio Gustavo da Mota DE INFERÊNCIA 9 .45) Adaptado de Marion & Silva. relacionados através de métodos apropriados de inferência” (RBC. RCB 59.1982.Contabilometria  Definição de Contabilometria (adaptada de Econometria) dada por Iudícibus:  “Análise quantitativa de ´fenômenos contábeis’ reais. baseada na aplicação concomitante da teoria e da observação.

O meu concorrente vai investir para aumentar a produção.)  Por exemplo: O Banco Central anunciou que vai diminuir a taxa de juros. Como alocar os custos recíprocos desses departamentos?  Modelo de otimização de Programação linear (+/.2 sem. Devo fazer o mesmo?  Modelo de alocação recíproca de custos departamentais (+/.)  Por exemplo: Administração da Fábrica presta serviço para Engenharia e esta presta serviço para aquela.8 sem. quantos carros devo produzir se tenho 80 maçanetas (que são iguais para todas as portas)? Antonio Gustavo da Mota 10 .200 em cada carro de 2 portas.4 sem.Modelos quantitativos abordados neste Curso  Modelos de Correlação e Regressão (+/.)  Por exemplo: Se eu ganho $2.000 em cada carro de 4 portas que produzo e $1.

Antonio Gustavo da Mota .Correlação e Regressão Contabilometria Prof.

valores futuros de uma variável quando se conhecem valores de outra variável Antonio Gustavo da Mota 12 . ou predizer.Correlação e Regressão  Análise de Correlação e Regressão  Compreendem a análise de dados amostrais para saber se e como duas o mais variáveis estão relacionadas uma com a outra numa população  Análise de Correlação: – Dá um número que resume o grau de relacionamento entre duas variáveis  Análise de Regressão: – Tem como resultado uma equação matemática que descreve o relacionamento entre duas ou mais variáveis – A equação pode ser usada para estimar.

Y) = X.Y =  i=1 (Xi . n  Var(X) = X = • n (Xi .X) x (Yi – Y) i=1 n-1 Exemplo 2 n-1 Antonio Gustavo da Mota 13 .Covariância e Coeficiente de Correlação  Exemplo 1: As rentabilidades das ações A e B  Covariância: • É a soma dos produtos dos desvios das duas séries dividida pelo número de observações N no caso de população e (n – 1) no caso de amostra.X) Cov(X.

• Para facilitar a interpretação e eliminar a unidade de medida da covariância. a unidade de medida da covariância não tem nenhum significado prático.Covariância e Coeficiente de Correlação  Coeficiente de Correlação: • Assim como ocorre com a variância. foi definido o coeficiente de correlação r Antonio Gustavo da Mota 14 .

Covariância e Coeficiente de Correlação  Coeficiente de Correlação: Cov(X.Y) = rXY x x x Y • Características do rxy: • • • Seus valores são limitados entre –1 e +1: -1  rXY  +1 É um valor único para população ou amostra Pode-se dizer que o coeficiente de correlação padroniza a covariância Antonio Gustavo da Mota 15 .Y) rXY = x x Y  Covariância: Cov(X.

Os pares de valores formam uma nuvem sugerindo alguma tendência de declividade positiva Ver Interpretação gráfica Antonio Gustavo da Mota 16 .  r próximo a +0: Fraca correlação positiva. A maioria dos pares de valores das observações estão próximos de uma reta com declividade positiva. A maioria dos pares de valores das observações estão afastados de uma reta. pode-se ver a perfeita relação linear entre as observações  r próximo a +1: Forte correlação positiva. Neste caso. Todos os pares de valores das observações estão contidos numa mesma reta com declividade positiva.Interpretação do Coeficiente de Correlação  r = +1: Perfeita correlação positiva.

Todas as observações estão afastadas da reta.0: Fraca correlação negativa. Todos os pares de valores das observações estão contidos numa mesma reta com declividade Antonio Gustavo da Mota negativa. A maioria dos pares de valores das observações estão afastados de uma reta. A maioria dos pares de valores das observações estão próximos de uma reta com declividade negativa  r = -1: Perfeita correlação negativa.  r próximo a . Pode-se ver a perfeita relação linear entre eles. formando uma nuvem sem nenhuma tendência de declividade. 17 . Os pares de valores formam uma nuvem sugerindo alguma tendência de declividade negativa  r próximo a -1: Forte correlação negativa.Interpretação do Coeficiente de Correlação  r = 0: Não existe nenhuma correlação.

 Um 3º fator possível é o aumento da renda  Antonio Gustavo da Mota 18 .Coeficiente de Correlação e Causalidade Valores de correlação alta (+1 ou –1) não implicam necessariamente em causalidade  Ou seja: pode existir correlação sem existir uma relação causa-efeito  Explicação possível: Há possibilidade de existir um fator oculto não observado (chamado 3º fator)  Ex.: alta correlação entre vendas diárias de um jornal e a produção diária de ovos.

y diminuirá em direção a –1. o rx.y é igual a +1. os pares de observações se encontram localizados numa reta com declividade positiva.  Na medida em que alguns pontos não pertençam mais á reta. passando por 0.y não significa que a maioria dos pontos pertençam a uma reta Antonio Gustavo da Mota 19 .Causas que podem modificar o valor do coeficiente de correlação  Quando o rx.  Cuidado: em alguns casos um alto rx.

Causas que podem modificar o valor do coeficiente de correlação  Casos com rx. formando uma tendência Antonio Gustavo da Mota 20 . Os pares de valores formam 2 nuvens de pares de dados.10x2 representada no intervalo de x de 1 a 10 tem rx.: a função matemática y= 0. mas juntos podem apresentar alto r. mas ocorre um dado suspeito (outlier) que cria uma forte correlação 3.y próximo de +1: 1. Ex. Os dados estão contidos numa curva crescente.y = 0. Os dados estão dispostos como uma “nuvem” ( baixo r).9746 2.

• Se for removido o outlier os dados podem apresentar um r próximo de 1 • Portanto: o conhecimento do valor do coeficiente de correlação não dispensa a construção de um gráfico de dispersão das observções. menos 1 pertencem a uma reta com declividade positiva. todos os pares de valores. Antonio Gustavo da Mota 21 .y próximo de 0: • O rx. porém.Causas que podem modificar o valor do coeficiente de correlação • Caso com rx.y de uma série é próximo de zero.

B) Cov(C.A) Cov(A.A) Antonio Gustavo da Mota .C) A B Var(B) Cov(C.C) Cov(C.B) = Cov (B.A) Cov(C.B) Cov(A.B) Cov(B.A) Cov(C.B) Var(C) 22 C • Cov (A. A B C A B C Cov(A.Tabelas de Covariância  Quando existem mais de 2 séries.A) A B C Var(A) Cov(B.C) Cov(B.A) Cov(B.A) = Var (A) • Cov (A. é possível aplicar os conceitos considerando as séries duas a duas. numa tabela ou matriz.

A 1 rC.B 1 Antonio Gustavo da Mota 23 .Tabelas de Coeficientes de Correlação Cov(A.A) rAA = A x A =  2A 2 A =1 A A 1 B C B C rA.B rC.

Ferramenta COVARIÂNCIA (ver Ex 7. Covariância  Agrupado por: Colunas CORREL (série1.Covariância  Agrupado por: Colunas Antonio Gustavo da Mota 24   .2)  Menu: Ferramentas . Analisar Dados. Analisar Dados.série2): dá o valor do coeficiente de correlação entre duas séries de dados.série2): dá a covariância da população de duas séries de dados. Ferramenta CORRELAÇÃO (ver Ex 7.2)  Menu: Ferramentas .Usando o Excel   COVAR(série1.

7.7.5.157-159) Fazer os problemas 4 a 7 (Lapponi p.8 (Lapponi.7.Usando o Excel   Fazer os exemplos 7.7. 160) Antonio Gustavo da Mota 25 .6 . p.

Análise de Regressão É uma técnica de modelagem usada para analisar a relação existente em uma variável dependente Y e uma ou mais variáveis independentes X1. …. Xk Antonio Gustavo da Mota 26 . X2.

Análise de Regressão  Objetivo: Encontrar equação matemática que permita:  Descrever e compreender a relação entre duas variáveis  Projetar ou estimar uma nova observação  Exemplo 1:  Analisar a relação entre o investimento em propaganda e o valor das Vendas  Objetivo: Ajustar uma reta a partir dos dados amostrais Antonio Gustavo da Mota 27 .

Modelos de Regressão  Relação funcional perfeita entre as variáveis: ocorre quando para cada x há apenas um y  Relacionamento estatístico entre as variáveis: quando para cada x estão associados uma faixa ou distribuição de possíveis valores de y  Nos modelos de regressão a relação é estatística Y = f (X1. …. Xk) + e Antonio Gustavo da Mota 28 . X2.

Y Diagrama da Distribuição dos valores de Y para vários níveis de X Curva de Regressão Distribuições de probabilidade de Y a diferentes níveis de X X Antonio Gustavo da Mota 29 .

Tipos de Regressão  Regressão linear – Regressão linear simples – Regressão linear múltipla  Regressão não-linear Antonio Gustavo da Mota 30 .

Regressão Linear Simples A Reta de Regressão • Função: ý = a + bx + e • b = declividade da reta: define o aumento ou diminuição da variável y por unidade de variação de x • a = intercepto y • Nesse modelo se verifica que: – para um valor xi podem existir um ou mais valores de yi amostrados – para esse mesmo valor xi haverá um valor projetado ý – para cada valor xi existirá um dado desvio di dos valores de ý – sempre haverá observações que não são pontos da reta. Antonio Gustavo da Mota 31 .

A variância dos desvios é constante e igual à variância da população. todos os desvios têm a mesma variância 5. pois a variância é mínima. O valor esperado dos desvios ou erros é nulo. Para cada valor de x existe um grupo de valores de y. As médias das distribuições normais de y pertencem à reta de regressão.Premissas do Modelo de Regressão Linear 1. Todos os grupos de y têm distribuição normal com o mesmo desvio padrão 2. isto é. Os desvios são variáveis aleatórias independentes e têm distribuição normal Antonio Gustavo da Mota 32 . 3. 4.

ýi ý = a + bx xi Antonio Gustavo da Mota 33 .Desvio do valor projetado yi ýi di = yi .