Professional Documents
Culture Documents
SET - Samenvatting
SET - Samenvatting
De getrouwheid van deze cijfers wordt pas aangetast als de fout boven een bepaalde grens gaat.
- Deze grens Materialiteit of jaarrekeningtolerantie.
- Een fout boven deze grens Materiële fout of een fout van materieel belang.
1
§1.3 Risico’s
Accountants-
controlerisico
Inherent Interne-
Ontdekkingsrisico
controlerisico controlerisico
Inherent risico (IR) De kans dat er in een jaarrekening onjuistheden of omissies van materieel
belang voorkomen, afgezien van de invloed van interne controle.
- Kan worden berekend aan de hand van vragenlijst.
- Toch vaak IR van 100% aangehouden.
Interne-controlerisisco (ICR) De kans dat onjuistheden of omissies van materieel belang niet tijdig
worden voorkomen of ontdekt en hersteld door het stelsel van maatregelen van administratieve
organisatie en interne controle.
- Laag ICR bij:
Goede controletechnische functiescheidingen.
Dwingende verbanden in goederen- en geldbeweging.
Goed functionerend budgetsysteem.
Permanente interne analyse van cijfers.
- ICR kan worden ingeschat door Proceduretest en lijncontroles.
Cijferanalyserisico (CAR) De kans dat onjuistheden of omissies van materieel belang niet door
cijferanalyse worden ontdekt.
- Cijferanalyse Cijferbeoordeling, totaal- en verbandscontroles en controle met budgetten
en normen.
2
- Laag CAR bij:
Goede verbandscontroles.
Harde normen.
Goede mogelijkheden om afwijkingen van de norm te analyseren.
Mogelijkheden tot afstemming met andere externe of al gecontroleerde gegevens.
Steekproefrisico (SR) De kans dat de conclusie van de accountant op basis van de steekproef
verschilt van de conclusie die zou zijn bereikt, indien de gehele populatie zou zijn gecontroleerd.
- Enigste risico dat betrouwbaar kan worden gemeten.
Voordelen ARM:
- Als denkmodel heeft dit een duidelijke structuur waardoor de kwaliteitsbeheersing zal
verbeteren.
Nadelen ARM:
- Moeilijke inschatting van de risico’s, met name het inherente risico dat dynamisch van aard
kan zijn, dat wil zeggen afhankelijk van tijd en omstandigheden.
- Niet valideerbaar, dat wil zeggen niet achteraf controleerbaar.
3
Hoofdstuk 2 De steekproef voor de accountantscontrole
§2.2.5 De steekproefmethode
Twee soorten steekproeven:
- Postensteekproeven en waarde-eenhedensteekproeven.
§2.3 Selectiemethoden
A-selecte steekproef (statistisch) Random selecteren Eisen:
- De verzameling steekproeven kan worden gedefinieerd.
- De kans op het verkrijgen van iedere mogelijke steekpoef is bekend.
- Procedure geeft aan alles een selectiekans die groter is dan 0.
- Selectie door willekeurigheidsmechanisme waarbij iedere steekproef precies zijn kans krijgt.
4
Systematische selectie Selectie met vast interval (posten en waarde-eenheden).
- Interval is zo groot dat er precies genoeg dingen geselecteerd worden.
- Voordelen:
Eenvoudig en snel uit te voeren.
Alle posten die groter zijn dan het berekende interval worden geselecteerd.
Deze posten zijn individueel significant Selectiekans van 100%.
- Nadelen:
Een patroon in de populatie kan samenvallen met het vaste interval.
Lastig uit te breiden.
Cell sampling Hetzelfde interval als systematische selectie. Populatie wordt onderverdeeld in
aantal intervallen met vaste breedte (cellen) en in elke cel wordt aselect een waarde-eenheid
gekozen (alleen waarde-eenheden niet bij posten).
- Voordelen:
Efficiënte evaluatiemethode.
Meer verschillende selecties mogelijk.
- Nadelen:
Niet alle posten ter grootte van één interval hebben een 100% selectiekans.
Eén post kan in 2 aangrenzende cellen liggen, waardoor één foute post tot twee fouten
in de steekproef kan leiden.
Zeefmethode Iedere post wordt op een ‘zeef’ gelegd met variabele zeefopening, posten groter
dan de zeefopening blijven liggen en worden geselecteerd.
𝑀 𝑀𝑎𝑠𝑠𝑎
- Maximale zeefopening: 𝑁 = 𝑆𝑡𝑒𝑒𝑘𝑝𝑟𝑜𝑒𝑓𝑔𝑟𝑜𝑜𝑡𝑡𝑒
- Voordeel Aselectheid van de trekking.
- Nadeel Steekproefomvang is variabel.
§2.6 Kansverdelingen
Discrete kansverdelingen Een beperkt aantal mogelijkheden (waar of niet waar).
- Populatie N met fractie π successen.
- Steekproef n met k successen.
Continue kansverdelingen Oneindig veel mogelijkheden.
- Populatie N met gemiddelde µ en standaarddeviatie σ.
- Steekproef n met gemiddelde 𝑥̅ en standaarddeviatie s.
Complementregel:
- 𝑃(𝒌 > 𝑘) = 1 − 𝑃(𝒌 ≤ 𝑘) of 𝑃(𝒌 > 𝑘) = 1 − 𝑃(𝒌 ≤ 𝑘 − 1)
- VB: 𝑃(𝒌 > 3) = 1 − 𝑃(𝒌 ≤ 3) 𝑜𝑓 𝑃(𝒌 > 5) = 1 − 𝑃(𝒌 ≤ 4)
𝑎!
Combinatie Het aantal manieren om b uit a te trekken: (𝑎𝑏) = 𝑏!(𝑎−𝑏)!
(in RM a-nCr-b)
5
Discrete kansverdelingen
Hypergeometrische verdeling Steekproef zonder teruglegging Kansfunctie die rekening kan
houden met de afhankelijkheid tussen diverse trekkingen.
(𝐾 𝑁−𝐾
𝑘 )( 𝑛−𝑘 )
𝑃(𝒌 = 𝑘) =
(𝑁
𝑛)
In grafische rekenmachine: Menu Statistics DIST F6 HYPRGEO Hpd
X = k = aantal successen in steekproef.
n = n = steekproef grootte.
M = K = aantal successen in populatie.
N = N = grootte populatie.
Continue kansverdelingen
Student t-verdeling Symmetrische kansdichtheidsfunctie waarvan de verwachtingswaarde gelijk
is aan nul en de spreiding afhankelijk is van het aantal waarnemingen in de sp Bij een lage n.
- Voor steekproef met 10 uitkeringen T-verdeling met n-1 = 9 vrijheidsgraden.
- Vrijheidsgraden = df (degrees of freedom).
𝑥̅ − 𝜇
- Omrekening naar t-waarde: 𝑡 = 𝑠⁄ 𝑛
√
2 ∑(𝑥𝑖 −𝑥̅ )2
- 𝑠 =
𝑛−1
- Als standaarddeviatie van steekproef bekend is.
6
Normale verdeling Bij toenemende steekproefgrootte zelfde uitkomsten als student t-verdeling
Bij hoge n.
- Geen vrijheidsgraden.
1 𝑥− 𝜇 2
1
- Functie: 𝑓(𝑥) = 𝜎 √2𝜋
𝑒 −2( 𝜎
)
(σ en µ gegeven)
- π = echt pi, dus 3,14
1 2
1
- Standaard normale verdeling: ∅(𝑥) = × 𝑒 −2(𝑥)
√2𝜋
𝑥−𝜇 𝑥̅ −𝜇
- 𝑧= 𝜎
= 𝜎
⁄ 𝑛
√
- Als de standaarddeviatie van het totaal bekend is.
Chi-kwadraat (x2)-verdeling Als de steekproef getrokken is uit een normaal verdeelde populatie,
dan heeft deze grootheid een Chi-kwadraatverdeling.
§2.7 Benaderingen
𝑁−𝑛
De factor √ 𝑁−1 wordt eindigheidscorrectie genoemd.
7
Hoofdstuk 3 Schatten van gemiddelde
§3.1 Inleiding
Centrale Limietstelling Des te groter de steekproef, des te meer de verdeling van het
steekproefgemiddelde op een normale verdeling gaat lijken.
- In boek grenswaarde 100 Alle steekproeven boven 100 automatisch normaal verdeeld.
§3.2 Schatten van een gemiddelde bij steekproeven uit normaal verdeelde populaties
Puntschatting Geeft een indicatie waar het werkelijke populatiegemiddelde kan liggen.
- ‘beste schatting’ De meest voor de hand liggende waarde van het werkelijke.
𝑥̅ = Steekproefgemiddelde.
S = Steekproefstandaardafwijking.
n = Steekproefgrootte.
σ = Populatiestandaardafwijking.
N = Populatiegrootte.
µ = Populatiegemiddelde.
t = Waarde t-verdeling (Overschrijdingskans = α/2 en df = n – 1)
z = Waarde z-verdeling.
8
§3.3 Andere schattingsintervallen voor het gemiddelde
Bij een grote steekproef van n > 100:
X = Steekproefgemiddelde.
S = Steekproefstandaardafwijking.
n = Steekproefgrootte.
σ = Populatiestandaardafwijking.
t = Waarde t-verdeling (Overschrijdingskans = α/2 en df = n – 1)
z = Waarde z-verdeling
Als de steekproef meer dan 10% van de populatie omvat Toevoeging eindigheidscorrectie.
𝒔 𝑠 𝑁−𝑛 𝑛
- × √ 𝑁−1 Als 𝑁 ≥ 0,1
√𝒏 √𝑛
9
§3.4 Bepaling van de steekproefgrootte
𝑠
Nauwkeurigheidseis: 𝑡 × ≤𝐸
√𝑛
𝑡 2 ×𝑠2
Hieruit volgt Minimale steekproefgrootte: 𝑛 ≥ 𝐸2
(Bij grote populatie)
§4.2 Benaderingen
p = percentage fouten in steekproef = k/n.
π = percentage fouten in populatie = K/N.
10
Als wel binomiaal verdeeld (n/N < 0,1), maar:
- F-waarde niet in tabel (α ontbreekt).
- En n ≥ 20.
- En p < 0,1.
H0 Verwerpen.
H1 Aantonen.
µ0 Populatiegemiddelde die we gaan toetsen.
§5.3 Risico’s
α-risico Kans dat je H0 onterecht verwerpt.
- Betrouwbaarheid 1 – α.
Β-risico Kans dat je H0 onterecht niet verwerpt.
- Betrouwbaarheid 1 – β.
11
Opschrijvingsmethode:
1. Hypothesen: H0: µ ≥ = ≤ µ0
H1: µ < ≠ > µ0
µ is het gemiddelde van …
2. Toetsingsgrootheid: 𝑥̅ = …
3. Kritieke grens: GL = … en/of GR = …
Kritiek gebied: X ≤ GL en/of X ≥ GR
4. Conclusie: - Toetsingsgrootheid ligt wel/niet in het kritieke gebied.
- H0 wel/niet verwerpen.
- Er is wel/niet aangetoond dat µ significant afwijkt.
- Het α/β – risico is relevant.
12
Steekproef > H0 verworpen H0 niet verworpen
˅ Werkelijk
H0 – waar Foute beslissing Juiste beslissing
Fout vd 1e soort Betrouwbaarheid
α 1-α
H1 – waar Juiste beslissing Foute beslissing
Onderscheidingsvermogen Fout vd 2e soort
1-β β
Linkse toetsing:
𝑔𝐿 − 𝜇1 𝑔𝐿 − 𝜇1
𝛽 = 𝑃(𝑥̅ > 𝑔𝐿 |𝜇 = 𝜇1 ) = 𝑃 (𝑧 > ) = 1 − 𝑃(𝑧 ≤ )
𝜎/√𝑛 𝜎/√𝑛
Rechtse toetsing :
𝑔𝑅 − 𝜇1
𝛽 = 𝑃(𝑥̅ < 𝑔𝑅 |𝜇 = 𝜇1 ) = 𝑃 (𝑧 < )
𝜎/√𝑛
Als voorgeschreven wordt wat 𝛼 moet zijn en wat bij gegeven 𝜇1 de 𝛽 moet zijn, kan de
tweestaptoets van Stein toegepast worden:
(𝑡𝛼 +𝑡𝛽 )2
1. Bereken de benodigde steekproefomvang: ntot = (𝜇 2 𝑠12 .
1 −𝜇0 )
Neem 𝑑𝑓 en 𝑠 uit de vorige steekproef (omvang daarvan moet minstens 15 zijn). De
benodigde steekproefomvang moet minstens 30 zijn.
𝑥̅ −𝜇
2. Toetsen met toetsingsgrootheid 𝑡 = |𝜇𝑡𝑜𝑡−𝜇 0| (𝑡𝛼 + 𝑡𝛽 ) en kritieke grens 𝑡𝛼 , allemaal met 𝑑𝑓
1 0
uit de vorige steekproef.
Bij 2-zijdige toetsing: 𝑡𝛼 in voorgaande formules vervangen door 𝑡𝛼/2 .
𝜋 < 𝑝0 𝜋 ≠ 𝑝0 𝜋 > 𝑝0
𝐻0 : 𝜋 ≥ 𝑝0 𝐻0 : 𝜋 = 𝑝0 𝐻0 : 𝜋 ≤ 𝑝0
𝐻1 : 𝜋 < 𝑝0 𝐻1 : 𝜋 ≠ 𝑝0 𝐻1 : 𝜋 > 𝑝0
𝑘𝑘𝑟−𝐿 = 𝑘 𝑘𝑘𝑟−𝐿 en 𝑘𝑘𝑟−𝑅 𝑘𝑘𝑟−𝑅
𝑃(𝑘 ≤ 𝑘) ≤ 𝛼 Gebruik 𝛼/2 𝑃(𝑘 ≥ 𝑘) ≤ 𝛼, dus:
𝑃(𝑘 ≤ 𝑘 − 1) ≥ (1 − 𝛼)
𝑘 ≤ 𝑘𝑘𝑟−𝐿 𝑘 ≤ 𝑘𝑘𝑟−𝐿 en 𝑘 ≥ 𝑘𝑘𝑟−𝑅 𝑘 ≥ 𝑘𝑘𝑟−𝑅
13
Gebruik van de binomiale verdeling of de cumulatieve binomiale verdeling (tabel 13.1).
De toetsingsgrootheid = k.
𝑣1 = 2𝑘 + 2 𝑣1 = 2𝑛 − 2𝑘 + 2
𝑣2 = 2𝑛 − 2𝑘 𝑣2 = 2𝑘
Interval: [0; 𝑝𝑏𝑜𝑣𝑒𝑛 ] [𝑝𝑜𝑛𝑑𝑒𝑟 ; 𝑝𝑏𝑜𝑣𝑒𝑛 ] [𝑝𝑜𝑛𝑑𝑒𝑟 ; 1]
4. Conclusie: De grenswaarde 𝑝0 ligt wel/niet in het schattingsinterval.
H0 wordt niet/wel verworpen.
Er is niet/wel aangetoond dat 𝜋 significant afwijkt.
Het β/α-risico is relevant.
14
Poisson benadering Als je de binomiale verdeling mag gebruiken (n/𝑁 < 0,1),
• maar de F-waarde staat niet in de tabel (𝛼 ontbreekt)
• en 𝑛 ≥ 20
• en 𝑝 < 0,10
Gebruiken we de poisson benadering:
𝑎 𝑎
𝑝𝑏𝑜𝑣𝑒𝑛 = 𝑛2 en 𝑝𝑜𝑛𝑑𝑒𝑟 = 𝑛1
§7.3 Analyse
Uitbreiden steekproef:
2𝑛
∆𝑛 = 𝜔 (1 + √1 − )−𝑛
3𝜔
3 𝑎2 (=𝑀𝐹)
- 𝜔 = 4𝑝
𝑏𝑒𝑙𝑎𝑛𝑔𝑟𝑖𝑗𝑘
§7.4 PPS-schatter
PPS-schatter
- Alleen bij waarde-eenhedensteekproeven.
- Minstens 30 fouten in de steekproef.
Stappenplan:
𝑒
1. Bereken voor elke post in de steekproef de tainting: 𝑡𝑖 = 𝑏𝑖 .
𝑖
Waarbij: ti: Tainting van artikel i.
ei: Fout van artikel i.
bi: Boekwaarde van artikel i.
∑𝑡
2. Bereken de gemiddelde tainting: 𝑡̅ = 𝑛 𝑖.
15
∑(𝑡𝑖2 ) ∑(𝑡𝑖 )2
3. Bereken de standaardafwijking: 𝑠𝑡 = √ − .
𝑛−1 𝑛(𝑛−1)
̂𝑃𝑃𝑆 ± 𝑡𝛼 × 𝑠𝑃𝑃𝑆
4. Bereken het schattingsinterval: 𝑊
2
𝐵
Waarbij: ̂𝑃𝑃𝑆 = 𝐵(1 − 𝑡̅) en 𝑠𝑃𝑃𝑆 = 𝑠𝑡
𝑊 .
√𝑛
Hoofdstuk 11 De aanpassingstoets
§11.1 Chi-kwadraat-aanpassingstoets
Opschrijvingsmethode:
1. Hypothesen: 𝐻0: 𝑝1/π1=…, 𝑝2/π2=…,…
𝐻1: minstens één van de 𝑝’s verschilt
(𝑂𝑖 −𝐸𝑖 )2
2. Toetsingsgrootheid: 𝜒 2 = ∑𝑘𝑖=1 𝐸𝑖
3. Kritieke grens: 𝑔[𝑑𝑓]=𝑔[𝑘−1] (Tabel 13.7)
Kritieke gebied: 𝜒 2 ≥ 𝑔𝛼 [𝑑𝑓]
4. Conclusie: De toetsingsgrootheid ligt niet/wel in het kritieke gebied.
H0 wordt niet/wel verworpen.
Er is niet/wel aangetoond dat één van de 𝑝’s verschilt van H0.
Het β/α-risico is relevant.
16
§11.3 Toepassingen van de aanpassingstoets
De Chi-kwadraat-aanpassingstoets op de (discrete) uniforme verdeling:
- 𝑃𝑖 kan ook berekend worden voor het tweede cijfer, het derde cijfer, etc. van een getal.
- Uit Benford’s law volgt dat voor het derde cijfer van een getal (in mindere mate voor het
tweede cijfer) de kansen gelijkmatig verdeeld zijn.
- Als elk (geheel) cijfer even vaak voorkomt (discrete) uniforme verdeling.
Opschrijvingsmethode:
1. Hypothesen: 𝐻0 : 𝑝1 = 𝑝2 = 𝑝3 = ⋯ = 𝑝9 = 0,10
𝐻1 : minstens één van de 𝑝’s verschilt
(𝑂𝑖 −𝐸𝑖 )2
2. Toetsingsgrootheid: 𝜒 2 = ∑𝑘𝑖=1 𝐸𝑖
3. Kritieke grens: 𝑔𝛼 [𝑑𝑓] = 𝑔𝛼 [𝑘 − 1] (Tabel 13.7)
Kritieke gebied: 𝜒 2 ≥ 𝑔𝛼 [𝑑𝑓]
4. Conclusie: De toetsingsgrootheid ligt niet/wel in het kritieke gebied.
H0 wordt niet/wel verworpen.
Er is niet/wel aangetoond dat één van de 𝑝’s verschilt van 𝐻0 .
Het β/α-risico is relevant.
17