De Acordo Com Martins E Zilberknop

Amostragem de Martins e Zilberknop na prática

A amostragem estatística por unidade monetária proposta por Martins e Zilberknop é amplamente utilizada em auditoria brasileira. Não é complicada de entender, mas exige atenção aos detalhes. Muita gente pega a fórmula, insere os números e espera resultado mágico. O problema é que o método tem premissas que, se ignoradas, geram amostras irrelevantes ou conclusões erradas. O trabalho deles parte de uma simples lógica: em vez de sortear itens, você sorteia valores monetários dentro do saldo total da população. Cada real do saldo tem a mesma chance de ser selecionado. Itens maiores, logicamente, têm mais representação. O resultado é uma amostra que concentra os maiores saldos, que são justamente os que mais impacto têm no risco de distorção relevante. O cálculo básico envolve quatro variáveis: o tamanho da população, o nível de risco aceitável, o erro esperado e o materialidade planejada. A partir daí, determina-se o tamanho da amostra e o intervalo de seleção. A fórmula do intervalo é materialidade dividida por um fator de confiabilidade, que varia conforme o nível de risco que você está disposto a aceitar. Fatores comuns: risco baixo pede cerca de 2,31; risco moderado, 1,90; risco alto, 1,61. Esses números vêm de distribuições de Poisson e são tabelados na literatura de auditoria.

Na minha experiência, a primeira armadilha é confundir materialidade operacional com materialidade para fins da amostragem. A materialidade usada no cálculo do intervalo deve ser a materialidade relativa ao grupo de saldos testados, não a do balanço como um todo. Se você aplicar a materialidade global em uma conta que representa 15% do ativo, a amostra vai superdimensionar e você vai perder tempo examinando itens que não fazem diferença real. Já vi auditor júnior gastar três dias testando uma conta de despesa porque ninguém ajustou esse parâmetro antes de rodar a amostragem.

Como calcular na prática

Vamos a um exemplo concreto. Suponha uma população de contas a receber com saldo total de R$ 2.000.000,00. O auditor define materialidade para aquela população em R$ 80.000,00, erro esperado de R$ 20.000,00 e nível de risco moderado, com fator 1,90. O intervalo de seleção é R$ 80.000 dividido por 1,90, o que dá aproximadamente R$ 42.105 por item de seleção. Com um sorteio inicial aleatório entre zero e o intervalo, digamos que o número sorteado foi R$ 15.000. A partir daí, você soma sucessivamente o intervalo aos itens selecionados: R$ 15.000, R$ 57.105, R$ 99.210, e assim por diante, até atravessar toda a população. Cada valor acumulado que cair dentro do saldo de uma conta específica significa que aquela conta foi selecionada. Contas cujo saldo individual ultrapasse o intervalo são automaticamente selecionadas, pois cobrem mais de um ponto de seleção por si só. O que muitos não percebem é que esse método assume homogoneidade relativa. Se a população tem uma concentração extrema de saldos pequenos e alguns saldos gigantescos, o resultado pode ser enviesado. No meu caso,Working com uma carteira de fornecedores com 4.200 contas, onde 80% tinham saldos abaixo de R$ 500 e duas contas concentravam 35% do total, a amostragem por unidade monetária simplesmente ignorou a grande maioria das contas pequenas. Selecionei apenas as duas grandes e mais três intermediárias. O risco real estava nas pequenas — erros recorrentes de baixa magnitude que somados ultrapassavam a materialidade. O método não capturou isso.

A solução que uso nesse cenário é combinar a amostragem por unidade monetária com uma verificação direcionada dos saldos pequenos, usando teste analítico ou revisão de lançamentos recorrentes. Não adianta confiar exclusivamente no modelo estatístico quando a distribuição da população é assimétrica. O Martins e Zilberknop funciona bem quando os saldos são razoavelmente uniformes, o que acontece frequentemente em contas como estoques padronizados e folha de pagamento, mas falha miseravelmente em carteiras diversificadas de terceiros.

Pontos que passam despercebidos

O primeiro erro frequente é não ajustar o tamanho da amostra quando há erros encontrados no início do teste. O método prevê que, se você encontrar uma distorção acima do esperado, precisa recalibrar. Ignorar isso é tratar a amostragem como algo estático, quando ela é dinâmica. Na prática, depois de examinar as primeiras 15 a 20 Seleções, faça uma análise preliminar. Se o erro projetado estiver perto da tolerância, amplie a amostra antes de continuar. Isso evita a sensação desagradável de finalizar o teste e descobrir que a conclusão não tem sustentação estatística. O segundo ponto é a questão do stratificação. A estratificação não é obrigatória no método, mas é quase sempre recomendável. Separar os saldos significativos antes de aplicar a amostragem por unidade monetária melhora a eficiência. Você testa os grandes com certeza (ou quase), e aplica o método estatístico apenas nos remanescentes. Essa combinação reduz o tempo de campo em cerca de 40% sem comprometer a confiança. Usei essa abordagem em uma auditoria de uma seguradora com carteira de prêmios a receber e o ganho foi imediato.

Limitações reais do método

O principal problema é que a amostragem por unidade monetária não detecta subregistros de forma confiável. Ela é projetada para superestimativas, não para omissões. Se a administração está escondendo passivos ou subvaluando receitas, o método vai falhar porque os itens menores e omitidos praticamente não têm chance de serem selecionados. Para esses cenários, testes substantivos detalhados ou amostragem clássica são mais adequados. Outra limitação é a dependência de uma população bem definida e com integridade. Se o cadastro de clientes estiver incompleto ou com duplicidades, o saldo total usado no cálculo estará errado e toda a amostra será comprometida. Antes de executar o procedimento, faça uma validação da população. Cruze com extratos, conferências bancárias e conciliações. Esse passo costuma levar 30 minutos e evita refazer o trabalho todo. O software padrão do mercado para execução é o AuditSample, mas também é possível construir a amostra no Excel com tabelas acumulativas e funções de sorteio. A diferença é que o software trata automaticamente a seleção de itens superiores ao intervalo e gera o relatório de projeção de erros. No Excel, você faz isso manualmente, o que aumenta o risco de erro humano. Para populações menores que mil itens, o Excel basta. Acima disso, o tempo gasto na construção manual não compensa.

Quando usar e quando evitar

A amostragem de Martins e Zilberknop é indicada para testes de detalhe de saldos substantivos quando o objetivo é detectar superestimativas e a população tem distribuição relativamente uniforme. É útil para contas como caixa, bancos, clientes, estoques e provisões trabalhistas, desde que os saldos individuais não sejam extremamente heterogêneos. Não é indicada para verificar a existência completa de passivos, testar a integralidade de transações recorrentes de baixo valor ou em populações com muitas movimentações fracionadas e frequentes. Nesses últimos casos, alternativa mais eficiente é o teste de controle combinado com análise de tendências. Se o controleoperacional for confiável, o trabalho substantivo pode ser significativamente reduzido, e a amostragem estatística deixa de ser o centro do procedimiento. Isso economiza horas de seleção e teste e foca o esforço onde realmente importa.

Conclusão prática

O método é sólido quando aplicado dentro dos seus limites. O segredo não está na fórmula em si, mas em entender o que ela consegue e não consegue fazer. Definir corretamente a população, ajustar a materialidade ao grupo testado, validar o cadastro antes de começar e ficar atento a erros encontrados durante o exame são passos que transformam um procedimento mecânico em uma ferramenta útil. Ignorar qualquer um deles e a amostra vira formalismo, não trabalho de auditoria.