DOU 22/07/2024 - Diário Oficial da União - Brasil

                            Documento assinado digitalmente conforme MP nº 2.200-2 de 24/08/2001,
que institui a Infraestrutura de Chaves Públicas Brasileira - ICP-Brasil.
Este documento pode ser verificado no endereço eletrônico
http://www.in.gov.br/autenticidade.html, pelo código 05302024072200035
35
Nº 139, segunda-feira, 22 de julho de 2024
ISSN 1677-7069
Seção 3
Ativos não Financeiros Mantidos para Venda; 2.5 Avaliação de Investimentos; 2.6 Ativo
Imobilizado; 2.7 Ativo Intangível; 2.8 Provisões, Passivos e Ativos Contingentes; 2.9
Patrimônio Líquido. 3. Alterações promovidas pela Resolução CMN nº 4.966/2021. 4.
Índices de Basileia: 4.1 conceitos básicos; 4.2 Patrimônio de Referência; 4.3 Patrimônio de
Referência Exigido (PRE); 4.4 Limites operacionais (Imobilização, Exposição ao Setor
Público, Exposição Cambial, Exposição por Cliente). II - CONTABILIDADE SOCIETÁRIA: 1. Lei
nº 6.404/1976, com as alterações das Leis nº 11.638/2007 e nº 11.941/2009, e legislação
complementar: 1.1 Exercício Social e Demonstrações Financeiras (Capítulo XV); 1.2 Lucro,
Reservas e Dividendos (Capítulo XVI), com as alterações posteriores. 2. Estrutura e
funcionamento do Comitê de Pronunciamentos Contábeis - CPC. 3. Pronunciamentos,
orientações e interpretações emitidas pelo Comitê de Pronunciamentos Contábeis (CPC):
3.1 CPC 00 (R2) - Estrutura Conceitual para Relatório Financeiro; 3.2 CPC 01 (R1) -
Redução ao Valor Recuperável de Ativos; 3.3 CPC 03 (R2) - Demonstração dos Fluxos de
Caixa; 3.4 CPC 04 (R1) - Ativo Intangível; 3.5 CPC 05 (R1) - Divulgação sobre Partes
Relacionadas; 3.6 CPC 06 (R2) - Arrendamentos; 3.7 CPC 07 (R1) - Subvenção e
Assistência Governamentais; 3.8 CPC 15 (R1) - Combinação de Negócios; 3.9 CPC 16 (R1)
- Estoques; 3.10 CPC 18 (R2) - Investimento em Coligada, em Controlada e em
Empreendimento Controlado em Conjunto; 3.11 CPC 19 (R2) - Negócios em Conjunto;
3.12 CPC 20 (R1) - Custos de Empréstimos; 3.13 CPC 21 (R1) - Demonstração
Intermediária; 3.14 CPC 22 - Informações por Segmento; 3.15 CPC 23 - Políticas
Contábeis, Mudança de Estimativa e Retificação de Erro; 3.16 CPC 24 - Evento
Subsequente; 3.17 CPC 25 - Provisões, Passivos Contingentes e Ativos Contingentes; 3.18
CPC 26 (R1) - Apresentação das Demonstrações Contábeis; 3.19 CPC 27 - Ativo
Imobilizado; 3.20 CPC 28 - Propriedade para Investimento; 3.21 CPC 29 - Ativo Biológico
e Produto Agrícola; 3.22 CPC 31 - Ativo Não Circulante Mantido para Venda e Operação
Descontinuada; 3.23 CPC 32 - Tributos sobre o Lucro; 3.24 CPC 36 (R3) - Demonstrações
Consolidadas; 3.25 CPC 39 - Instrumentos Financeiros: Apresentação; 3.26 CPC 40 (R1) -
Instrumentos Financeiros: Evidenciação; 3.27 CPC 41 - Resultado por Ação; 3.28 CPC 44
- Demonstrações Combinadas; 3.29 CPC 45 - Divulgação de Participações em outras
Entidades; 3.30 CPC 46 - Mensuração do Valor Justo; 3.31 CPC 47 - Receita de Contrato
com Cliente 3.32 CPC 48 - Instrumentos Financeiros. III - CONTABILIDADE GERENCIAL E DE
CUSTOS E ORÇAMENTO EMPRESARIAL: 1. Contabilidade Gerencial e de Custos: 1.1
Conceitos e aplicações; 1.2 Classificações de custos: custos diretos e indiretos, fixos e
variáveis, semifixos e semivariáveis; 1.3 Análise de Custo-Volume-Lucro; 1.4 Conceito de
Ponto de Equilíbrio; 1.5 Custeio por absorção; 1.6 Custeio variável; 1.7 Custo-padrão e
apuração das variações; 1.8 Custeio por ordem de produção; 1.9 Custeio por processo;
1.10 Margem de contribuição e uso da informação de custos para análise e tomada de
decisões; 1.11 Contabilidade por responsabilidade e alocação de custos; 1.12 Centros de
lucro e preços de transferência; 1.13 Custo de oportunidade. 2. Orçamento Empresarial:
2.1 Orçamento como instrumento de controle; 2.2 Integração do orçamento com a
contabilidade; 2.3 Previsões de receitas e custos. 3 Planejamento estratégico: 3.1
conceitos, objetivos, comprometimento corporativo, o papel do orçamento. IV -
CONTABILIDADE VOLTADA PARA O SETOR PÚBLICO: 1. NBC TSP Estrutura Conceitual -
estrutura conceitual para elaboração e divulgação de informação contábil de propósito
geral pelas entidades do setor público. 2. Relatório Contábil de Propósito Geral das
Entidades do Setor Público (RCPG). 3. Composição do Patrimônio Público. 4. Estrutura e
apresentação das Demonstrações Contábeis do Setor Público: 4.1 Definições, finalidade,
componentes, estrutura e conteúdo das demonstrações: de acordo com a Lei nº
4.320/1964; de acordo com a NBC T SP 11; e de acordo com o MCASP. 5 Plano de
Contas aplicado ao Setor Público: 5.1 Conceito de contas patrimoniais e de resultado; 5.2
Função e estrutura das contas; 5.3 Escrituração: débito, crédito, saldo, sistema de
partidas dobradas. 6 Tópicos selecionados da Lei Complementar nº 101/2000: 6.1
Conceitos de dívida pública e restos a pagar, escrituração e consolidação das contas; 6.2
Transações no setor público; 6.3 Despesa pública. Conceito, etapas, estágios e categorias
econômicas; 6.4 Receita pública. Conceito, etapas, estágios e categorias econômicas. 6.5
Créditos Adicionais; 6.6 Execução orçamentária e financeira; 6.7 Fonte ou Destinação de
Recursos; 6.8 Suprimento de Fundos; 6.9 Despesas com Pessoal: definições, limites,
controle e acompanhamento da Despesa Total com Pessoal; 6.10 Despesas de Exercícios
anteriores; 6.11 Restos a pagar, empenho, liquidação e pagamento (Lei nº 4.320/1964 e
MCASP). 7. Manual de Contabilidade Aplicada ao Setor Público (MCASP) - 10ª edição,
editado pela Secretaria do Tesouro Nacional (STN), aprovado pela Portaria Conjunta
STN/SOF nº 23, de 11 de dezembro de 2023 e pela Portaria STN nº 1568, de 11 de
dezembro de 2023: 7.1 Parte Geral; 7.2 Parte I - Procedimentos contábeis orçamentários;
7.3 Parte II - Procedimentos contábeis patrimoniais; 7.4 Parte III - Procedimentos
Contábeis Específicos (item 5. DÍVIDA ATIVA); 7.5 Parte IV - Plano de Contas aplicado ao
setor público - PCASP; 7.6 Parte V - Demonstrações Contábeis Aplicadas ao Setor Público.
V - CONTABILIDADE TRIBUTÁRIA: 1. Tributos: conhecimentos básicos. 2. Imposto de
Renda das Pessoas Jurídicas: 2.1 Incidência; 2.2 Base de cálculo: lucro real, lucro
presumido, lucro arbitrado; 2.3 Formas de pagamento; 2.4 LALUR: forma de escrituração
fiscal. 3. ECF: escrituração digital de ajustes fiscais. 4 Dedutibilidade. 5 Despesas e custos
indedutíveis. 6 Alíquota e adicional do Imposto de Renda. 7 Contribuição Social Sobre o
Lucro: 7.1 Incidência; 7.2 Base de cálculo; 7.3 Formas de pagamento. 8. Incentivos fiscais.
9. Ativos e Passivos Fiscais Diferidos: tratamento contábil dos ajustes temporários e
permanentes. 10. Provisões tributárias (IRPJ - CSLL - PIS/Pasep - COFINS). 11. PIS/Pasep
e COFINS: Incidência. Base de cálculo. 12. IOF: 12.1 Incidência. 12.2 Base de cálculo. VI
- SUSTENTABILIDADE: 1. Estrutura e funcionamento do Comitê Brasileiro de
Pronunciamentos de Sustentabilidade - CBPS. 1.1 Conceito, Abrangência e Objetivos da
Informação de Sustentabilidade e do Relatório de Sustentabilidade. 2. Normas de
Divulgação de Informações de Sustentabilidade: 2.1 Materialidade Financeira e de
Impacto; 
2.2 
Informação 
Material 
Relacionada 
a 
Riscos 
e 
Oportunidades 
de
Sustentabilidade: Definição e abrangência da informação. 3. Requerimentos Gerais para
Divulgação de Informação Financeira Relacionada à Sustentabilidade (IFRS S1): 3.1
Objetivo, escopo e estrutura conceitual; 3.2 Conteúdos principais de divulgação; 3.3
Requerimentos Gerais. 4. Divulgações Relacionadas ao Clima (IFRS S2) - 4.1 Objetivo e
escopo; 4.2 Conteúdos principais de divulgação. 5. Relatório de Informações Financeiras
de Sustentabilidade e a Resolução CVM nº 193, de 23 de outubro de 2023. 6. Relato
Integrado e a Resolução CVM nº 14, de 9 de dezembro de 2020: 6.1 Definição e objetivo
do relato integrado; 6.2 Conceitos fundamentais; 6.3 Princípios. 6.4 Elementos de
conteúdo. VII - AUDITORIA E COMPLIANCE: 1. Normas Profissionais de auditoria (Técnicas
e Éticas) emitidos pelo Conselho Federal de Contabilidade (CFC). 2. Controles internos. 3.
Planejamento e programa de auditoria. 4. Riscos de Auditoria. 5. Testes e procedimentos
de auditoria. 6. Evidência de auditoria. 7. Papéis de trabalho: elaboração, montagem final
e guarda. 8. Revisão analítica. 9. Principais assuntos de auditoria - PAA. 10. Asseguração
razoável. 11. Asseguração limitada. 12. Revisão de Informações Intermediárias. 13.
Formas de opinião nos relatórios de auditoria. 14. Informações obrigatórias anuais e
eventuais perante os órgãos fiscalizadores. 15. Independência e conflito de interesses. 16.
Conceito geral de Compliance aplicável às Instituições Financeiras. VIII - ANÁLISE
ECONÔMICO-FINANCEIRA: 1. Ajustes e padronização de critérios para realização de
análise econômico-financeira. 2. Métodos de análise econômico-financeira: 2.1 Horizontal,
vertical, números, índices ou quocientes econômico-financeiros de desempenho; 2.2
Índices de liquidez e solvência; 2.3 Análise da necessidade de capital de giro; 2.4
Estrutura patrimonial; 2.5 Rentabilidade. 3 Fluxo de caixa (análise): 3.1 fontes de
financiamento dos investimentos: capital próprio ou de terceiros, alavancagem financeira.
4. EBITDA: conceito e aplicação. 5. Conceitos de análise de risco de crédito. IX -
FINANÇAS: 1. Projeção de resultados. 2. Projeção de capital de giro. 3. Projeção de fluxo
de caixa e Fluxo de Caixa Descontado. 4. Taxa de atratividade. 5. Taxa interna de retorno.
6. Valor presente líquido. 7. Payback. 8. Custo Médio Ponderado de Capital (WACC) e
modelo de precificação de ativos - CAPM. 9. Custo de capital e alavancagem. 10.
Estrutura de capital: teorias, assimetria informacional, custos de agência, sinalização. 11.
Estrutura de capital ótima. 12. Relação entre estrutura de capital, problemas de
governança corporativa e custos de agência. 13. Captação de recursos próprios e de
terceiros de longo prazo. 14. Fundamentos de Avaliação de Empresas: fluxos de caixa,
crescimento e retorno sobre capital investido. 15. Metodologias de avaliação: modelos e
múltiplos. 16. Valor Econômico Agregado e Criação de Valor. 17. Economic Value Added
- EVA e Market Value Added - MVA. X - MATEMÁTICA FINANCEIRA E ESTATÍSTICA: 1.
Matemática Financeira: 1.1 Juros Simples e Compostos; 1.2 Taxas de Juros; 1.3 Desconto;
1.4 Equivalência de Capitais; 1.5 Anuidades; 1.6 Sistemas de Amortização; 1.7 Séries de
pagamentos; 2. Estatística: 2.1 Análise dos dados; 2.2 Medidas de posição; 2.3 Medidas
de dispersão; 2.4 Correlação; 2.5 Variáveis aleatórias; 2.6 Distribuição de probabilidade;
2.7 Amostragem.
PROFISSIONAL BÁSICO - CIÊNCIA DE DADOS
I - MATEMÁTICA: 1. Cálculo Básico: funções; limites; derivadas; derivadas
parciais; máximos e mínimos; integrais. 2. Álgebra Linear: vetores e matrizes; operações
com vetores e matrizes; tipos de matrizes; transformações lineares; espaços e subespaços
vetoriais de Rn; sistemas de equações lineares; normas (L1, L2, infinita, p-generalizada,
Minkowksi e Chebyshev), autovalores e autovetores; decomposição matricial (Cholesky e
Singular Value Decomposition (SVD)). 3. Otimização Matemática: programação linear
inteira e mista; problemas de otimização unidimensionais e multidimensionais, com e
sem restrições; otimização convexa; programação dinâmica. II - PROBABILIDADE E
ESTATÍSTICA: 1. Fundamentos de probabilidade: definições básicas de probabilidade;
axiomas; 
probabilidade 
condicional. 
2. 
Variáveis
aleatórias 
e 
distribuições 
de
probabilidades: variáveis aleatórias; funções de probabilidade; principais distribuições
discretas e contínuas (Uniforme, Binomial, Normal, Poisson, Bernoulli e Exponencial). 3.
Estatísticas Descritivas: medidas de tendência central (média, mediana e moda); medidas
de dispersão (variância, desvio padrão e amplitude); medidas de posição (percentis e
quartis). 4. Teoremas fundamentais da probabilidade: independência de eventos; teorema
de Bayes; teorema da probabilidade total; lei dos grandes números; teorema central do
limite. 5. Distribuições amostrais: distribuição amostral da média; distribuição amostral da
proporção; distribuição qui-quadrado; distribuição t de Student; distribuição F. 6.
Inferência estatística: estimação pontual e intervalar; intervalos de confiança; testes de
hipóteses (formulação, tipos de erros, e poder do teste); testes z e t para médias; testes
de proporções; testes qui-quadrado para independência e ajuste de Goodness-of-Fit;
teste A/B. 7. Correlação: correlação e causalidade; correlação de Pearson; correlação de
Spearman; correlação parcial. 8. Inferência Bayesiana: distribuições a priori e a posteriori;
estimativa pontual e intervalar; predição e testes de hipóteses bayesianos; critérios de
seleção de modelos; métodos MCMC. III - FINANÇAS QUANTITATIVAS: 1. Matemática
financeira: Convenções de Cálculo de Juros; Valor Presente Líquido; Taxa Interna de
Retorno; projeção de fluxos de caixa futuros. 2. Mercados de Taxas de Juros:
Instrumentos de Renda Fixa; Taxa Spot; Taxa Foward; Relações Básicas de Não
Arbitragem no Mercado de Juros; Curvas de Juros; Bootstraping de Curvas de Juros;
Duration; Convexidade; técnicas de interpolação de taxas de juros; modelos de Svenson
e de Nelson-Siegel. 3. Medidas de Desempenho e de Riscos: Volatilidade; Value At Risk;
Conditional Value at Risk; Backtesting de Modelos de Risco; Maximum Drawdown; Sharpe
Ratio; Information Ratio. 4. Otimização de carteiras: modelo de média-variância com e
sem restrições; modelos de paridade de riscos; modelos de paridade de riscos hierárquica
(HRP). 5. Simulação de Monte Carlo em Finanças: principais aplicações em precificação e
análise de riscos. 6. Derivativos: conceitos gerais; derivativos de renda variável;
derivativos de renda fixa; modelo de Black-Scholes. IV- DADOS E BASES DE DADOS: 1.
Conceitos fundamentais de dados: o que são dados; processos geradores de dados; tipos
e classes de dados; formatos de arquivos de dados comuns (txt, csv, xlsx, xml, json e
parquet). 2. Introdução a Bases de Dados: o que são bases de dados; tipos de bases de
dados; metadados; tidy data. 3. Introdução ao armazenamento de dados: armazenamento
de arquivos; principais estruturas de armazenamento de dados analíticos (data
warehouse, data mart, data lake data lakehouse, vector stores), suas diferenças
conceituais e casos de uso; armazenamento na nuvem. 4. Sistemas Gerenciadores de
Base de Dados (SGBD): definição de SGBD; principais funções; principais tipos de SGBDs
(SQL e NoSQL) e suas diferenças; transações e índices. 5.Modelo de dados: modelo de
entidade-relacionamento (ER); modelo relacional: tabelas, esquemas, chaves, consultas;
dados estruturados, semiestruturados e não estruturados; modelo chave-valor; modelo
colunar; modelo orientado a documentos; modelo orientado a grafos. 6. Ingestão e
armazenamento de dados; definição de ingestão em lote (batch) e em tempo real
(stream). 7. Big Data: conceito de big data; conceitos gerais sobre técnicas e ferramentas
para lidar com grandes volumes de dados (Spark, Hadoop, HDFS e MapReduce). V -
GESTÃO DE PROJETOS DE CIÊNCIA DE DADOS: 1. Ciclo de vida de projetos de ciência de
dados. 2. Metodologias de gestão de projetos de ciência de dados: CRISP-DM; Microsoft
Team Data Science Process (TDSP); princípios de métodos ágeis (Scrum/Kanban);
fundamentos de design thinking. 3. Principais papéis envolvidos em projetos de ciência
de dados. VI - QUALIDADE E PREPARAÇÃO DE DADOS: 1. Metadados: a sua importância
para avaliação da qualidade de dados; linhagem de dados; 2. Coleta de dados: fontes
comuns de dados (internas e externas); interface de programação de aplicação (API);
técnicas de web scraping. 3. Problemas comuns de qualidade de dados: valores ausentes;
duplicatas; outliers; desbalanceamento; erros de imputação. 4. Preparação de dados:
técnicas de tratamento e limpeza de dados; técnicas detecção de vieses; data profiling.
5. Pré-processamento de dados: técnicas de normalização e padronização; discretização;
metodologias de codificação de variáveis categóricas (encoding). 6. Feature engineering:
processos para enriquecimento de dados, com criação e seleção de features relevantes;
transformações matemáticas e estatísticas comuns em variáveis. 7. Divisão de dados:
técnicas de amostragem; divisão entre treinamento, validação e teste; abordagens para
cross-validation. VII - MODELAGEM: 1. Pipeline de treinamento de modelos e suas etapas.
2. Otimização de hiperparâmetros: grid search; random search; algoritmos de otimização
avançados; automl; autotuning; autofeature engineering. 3. Métricas para avaliação e
seleção de modelos: métricas para regressão (MSE; RMSE; MAE; R²; R² ajustado);
métricas para classificação (accuracy, precision, recall, F1-score e ROC-AUC); análise de
matriz
de
confusão; trade-off
entre
viés
e
variância;
detecção de
overfitting e
underfitting. 4. Técnicas de regularização: lasso; ridge; elastic net; dropout; early
stopping; batch normalization. 5. Dados desbalanceados: técnicas para lidar com dados
desbalanceados; oversampling; undersampling; dados sintéticos; ajuste de pesos. 6.
Validação de Modelos: K-fold cross-validation; leave-one-out cross-validation; bootstrap.
7. Modelagem de IA centrada em dados (data-centric). 8. Interpretabilidade de modelos:
feature importance; valores de Shapley (SHAP) e LIME. 9. Implantação de modelos em
produção: exportação de modelos (pickle, PMML e ONNX); modelos como serviço (APIs;
microsserviços); integração com sistemas existentes; APIs e serviços web; conceitos de
MLOps; implantação local (on premise) e na nuvem. 10. Monitoramento de modelos:
monitoramento de desempenho; data drift; concept drift; detecção de drifts; retreino e
atualização de modelos. VIII - CLASSES DE MODELOS: 1. Redução de dimensionalidade:
Principal Component Analysis (PCA); LDA; ICA; T-SNE; uso de autoencoders. 2. Técnicas de
clusterização: K-Means; agrupamento hierárquico; Gaussian Mixture Models; DBSCAN. 3.
Técnicas de classificação: Regressão logística; K-Nearest Neighbors (KNN); Suport Vector
Machines (SVM); Decision Trees (CART); classificadores Naive-Bayes (Binomial-Beta,
Poisson-Gama, Normal-Normal); Florestas Aleatórias (Random Forest). 4. Introdução à
regressão: regressão linear simples e múltipla; hipóteses clássicas, método dos mínimos
quadrados, diagnóstico e avaliação de modelos de regressão (F-test, coeficiente de
determinação, análise de resíduos e demais), testes de significância, intervalos de
confiança, análise ANOVA, modelos não lineares (log-log, lin-log, log-lin e inverso). 5.
Ensembling de modelos: Bagging; boosting (AdaBoost, Gradient Boosting, XGBoost,
LightGBM e CatBoost); stacking. 6. Sistemas de recomendação: Filtragem colaborativa
(baseadas em usuários ou itens); filtragem baseada em conteúdo; sistemas híbridos;
problemas comuns (cold start, escalabilidade, data sparsity). 7. Modelos de séries
temporais:
definição; 
componentes
(tendência, 
sazonalidade,
ciclos 
e
ruído);
autocorrelação e autocorrelação parcial; conceito e testes de estacionaridade;
cointegração; modelos AR, ARMA e ARIMA; modelos de suavização exponencial; modelos
de decomposição; modelos de regressão com variáveis temporais (ARIMAX). 8. Tópicos
em regressão: modelos de dados em painel; GLM; regressão espacial; regressão
quantílica; regressão de Poisson; modelos VAR; ECM e GARCH. 9. Introdução a modelos
causais: fundamentos de causalidade estatística, experimentos e quase-experimentos,
desenho de descontinuidade de regressão, modelos de variáveis instrumentais, diferenças
em diferenças, modelos de equações estruturais (SEM), métodos de pareamento.10.
Redes neurais: Introdução a Redes Neurais Artificiais (arquitetura, funções de ativação,
treinamento, forward pass, backpropagation, loss functions, algoritmos de otimização,
épocas, batch size e demais); embeddings; redes profundas (deep learning); Redes
Neurais Convolucionais (CNNs) e Recorrentes (RNNs); LSTM; GRU; GAN; modelos
multimodais. 11. Modelos de aprendizado por reforço: Q-Learning; Deep Q-Networks
(DQN); Policy Gradient Methods; multi-armed bandit. 12. Visão Computacional: técnicas
de pré-processamento de imagem; OCR; segmentação e extração de características de

                            

Fechar