A modernização da administração tributária tem incorporado, ...
I. A utilização de técnicas de amostragem em auditorias fiscais permite estimar valores sonegados no universo fiscalizado, desde que a seleção amostral seja não-probabilística;
II. Modelos de regressão aplicados à fiscalização tributária podem ser utilizados para estimar a probabilidade de inadimplência ou irregularidade fiscal, contribuindo para a priorização das ações de controle;
III. A identificação de outliers em bases de dados fiscais deve basear-se exclusivamente em medidas de tendência central, sendo inadequado o uso de medidas de dispersão, por aumentarem a subjetividade da análise.
É(São) verdadeira(s) a(s) afirmativa(s)
Comentários
Veja os comentários dos nossos alunos
https://www.youtube.com/watch?v=20luqOmJ66E
A alternativa correta é a C (II, apenas).
Vamos analisar tecnicamente cada uma das afirmativas para entender por que apenas a segunda é verdadeira dentro do rigor estatístico aplicado à fiscalização:
- I. INCORRETA: Para que os resultados de uma amostra possam ser extrapolados para o universo (população) com rigor científico e validade legal em uma auditoria, a seleção deve ser probabilística. Técnicas não-probabilísticas (como a amostragem por conveniência ou julgamento) não permitem o cálculo do erro amostral nem garantem a representatividade necessária para estimar valores sonegados com precisão estatística.
- II. VERDADEIRA: Modelos de regressão (como a Regressão Logística, que você viu em questões anteriores) são ferramentas poderosas para prever a probabilidade de um evento binário (inadimplente ou não). Ao atribuir um "score de risco" a cada contribuinte, a administração tributária consegue priorizar alvos, otimizando o uso de recursos humanos e financeiros na fiscalização.
- III. INCORRETA: Na verdade, é o oposto. A identificação de outliers (valores atípicos) depende intrinsecamente de medidas de dispersão (como o desvio padrão ou a amplitude interquartílica). Um valor só é considerado um outlier se ele estiver muito afastado da massa de dados, e "afastamento" é uma medida de dispersão. Usar exclusivamente medidas de tendência central (como média ou mediana) não permite identificar a variabilidade ou a distância dos pontos extremos.
Clique para visualizar este comentário
Visualize os comentários desta questão clicando no botão abaixo