Modulo VII Muestreo Estadistico V3

Material de Auditora
Prof: Leonardo Olea C.
Universidad de Santiago de Chile

Magister en Contabilidad y Auditoria
MAGISTER EN CONTABILIDAD Y
AUDITORA DE GESTIN
Mdulo de
Muestreo Estadstico
Profesor. Leonardo Olea C. | CGAP | CICA | CFE | CRMA |

Contador Auditor
Magster en Contabilidad y Auditora de Gestin
07/2015
OBJETIVOS DE MDULO
Aspectos tericos del muestreo estadstico.

Tipos de muestreos.
Conocer la forma
estadstico con ACL.
de
utilizar
el
muestro
Desarrollo de Casos Prcticos.
Material de Auditoria Prof. Leonardo Olea Cariz.

2
loleac@gmail.com Visite http://www.leonardoolea.cl
07/2015
Solo para los Alumnos de la USACH

LA AUDITORA
Una definicin actual de Auditora la

entrega A. Ares y J. Loebbecke en su
libro Auditora un Enfoque Integral y
dice:
Una Auditora es la recopilacin y
evaluacin de datos sobre informacin
cuantificable de una entidad econmica
para determinar e informar sobre el grado
de correspondencia entre la informacin y
los criterios establecidos (1).
(1) Auditora un Enfoque Integral, sexta edicin. Editorial PHH S.A.

3
07/2015
CONCEPTO AMPLIO DE AUDITORA

Control Interno
Auditora
Metodologa
NAGAS
Planificacin
EE FF
Muestra de
Auditora
Ejecucin
Evidencias
O
P
I
N
I
O
N
Evaluacin
PCGA y
Prcticas
Contables
CRTICO
SISTEMTICO
SELECTIVO
PROFESIONAL
OBJETIVA
FUNDAMENTADA
IMPARCIAL
4
07/2015

LAS EVIDENCIAS DE AUDITORIA

Constituyen el soporte del informe del
auditor.
Deben demostrar el trabajo realizado por
el profesional.
Incluye
los
elementos
de
juicio
considerados en el trabajo.
Permiten obtener las conclusiones que se
sealan en el informe (escrito) final.
Cumplimiento de las NAGAS
Las evidencias debe ser:
Suficiente.
Confiable y
Competentes.
5
07/2015
MUESTREO ESTADSTICO
Por qu se requiere de la
Tcnica de Muestreo Estadstico?
Para mejorar la obtencin de
evidencias.
Efectuar un trabajo de auditora
mas eficientes.
Disminuir los riesgos de auditora.
Por el notable aumento de la
informacin en las Entidades.
Seleccionar
una
partida
del
universo para expresar una opinin.

6
07/2015

QU ES LA ESTADSTICA?
Qu es la Estadstica?
La Estadstica estudia los
mtodos
cientficos
para
recoger, organizar, resumir y
analizar datos, as como para
sacar conclusiones vlidas y
tomar decisiones razonables
basadas en tal anlisis.(1)
(1) Muray Spiegel (1991) Estadsticas.

7
07/2015
QU ES EL MUESTREO?
Es el proceso tcnico de seleccionar
un grupo de elementos (denominado
muestra) a partir de un grupo grande
de elementos (denominado poblacin
o universo).
Desde una perspectiva de Auditora:
Es seleccionar una partida de elementos
contables financieros administrativos y
de otro tipo, con el objeto de pronunciarse
u opinar sobre las caractersticas del
universo o poblacin, ms all de los
elementos especficos examinados.

8
07/2015

EFECTOS DEL MUESTREO

El supuesto implcito en este proceso es que la
muestra de elementos permitir a los auditores
efectuar inferencias precisas sobre la poblacin.
De importancia bsica a considerar para el
muestreo en Auditora es el riesgo de muestreo.
El riesgo de muestreo: es el riesgo
conclusin de los auditores con base en
seleccionada pueda ser distinto de la
que se obtendra si se examinaran
elementos de la poblacin.
de que la
la muestra
conclusin
todos los
En la medida que el tamao de la muestra

aumenta se reduce el riesgo del muestreo, a tal
punto que cuando se examina toda la poblacin no
existe riesgo de muestreo.
9
07/2015

Uno como auditor quisiera siempre estar
seguro de nuestras opiniones pero el examen
de grandes cantidades de registros o
elementos es ms costoso.
El elemento clave de este proceso de
muestreo es equilibrar el riesgo de auditora
frente al costo de revisiones ms amplias.
Tambin est presente en una auditora el
riesgo de no muestreo y que corresponde
por ejemplo a:
Fallas en la aplicaciones de procedimientos de
auditora adecuados.
Omisiones importantes en el examen de
documentos.
Errores en las instrucciones impartidas.
10
07/2015

Una forma de reducir el riesgo de no

muestreo es a travs de una
planificacin y supervisin efectiva
del grupo de auditora.
Es decir, la utilizacin de una
metodologa adecuada de Auditora
podra permitir reducir a niveles bajo
para la Empresa de auditora.

11
07/2015
TIPOS DE MUESTREO
El muestreo en estadstica puede ser

de 2 tipos:
Muestreo Estadstico.
Muestreo No Estadstico.

12
07/2015

TIPOS DE MUESTREO
Muestreo Estadstico:
Es cuando se utilizan mtodos matemticos y
probabilsticos para planear, seleccionar y evaluar
una muestra.
Muestreo No Estadstico:
Es cuando no tiene una base matemtica y se utiliza
preferentemente el juicio profesional.
Esto no quiere decir que este tipo de muestreo sea
seleccionado
en
forma
descuidada
o
poco
profesional.
Ambos mtodos deben ser aplicados de forma que

le permitan al auditor obtener conclusiones vlidas
sobre la poblacin.
En todo caso, cualquiera de los 2 mtodos pueden
ofrecer a los auditores materia de evidencia
suficiente y competente.
13
07/2015
CARACTERSTICAS DEL MUESTREO

Es importante destacar que el uso de un
muestreo estadstico no elimina completamente
el juicio profesional del auditor.
Con la aplicacin de esta tcnica es posible
obtener resultados ms certeros y precisos,
considerando
que
incorpora
elementos
matemticos en la seleccin de una muestra.
En el muestreo estadstico se busca que los
auditores puedan especificar por adelantado el
riesgo del muestreo que desean incorporar en
las muestras seleccionadas.
Finalmente lo que se busca es que la muestra
seleccionada controle el riesgo de la muestra a
un nivel deseado o esperado para nuestro
trabajo.
14
07/2015

QUE PERMITE LA UTILIZACIN DE UN

MUESTRO ESTADSTICO
El Muestreo Estadstico est basado en
las leyes de la probabilidad, por ende,
los
auditores
dependen
de
los
resultados de la muestra para poder
controlar la medida del riesgo de
muestreo.
Esta orientado a prestar ayuda a los
auditores en:
Disear muestras de auditora eficientes.
Medir la suficiencia o calidad de la muestra
obtenida.
Evaluar en forma objetiva los resultados de
la muestra.
15
07/2015
COMPARACION DE UN MUESTRO
ESTADSTICO Y NO ESTADISTICO
Se requieren costos/gastos adicionales en su
implementacin:
Costos de capacitacin / material de estudio.
Aplicaciones o software que permitan efectuar
su clculo.
Por estos ltimos motivos las muestras

estadsticas no son utilizadas recurrentemente.
Este caso ocurre principalmente para pruebas
cuyas
poblaciones
son
relativamente
pequeas.
En todo caso, ambos muestreos pueden
otorgar u ofrecer al auditor hallazgos y
evidencias suficientes y competentes (2).
(2) Normas de Auditora (SAS N 39) emitidas por el AICPA, USA.
16
07/2015


MUESTRO ESTADSTICO
Se debe tener presente que una
incorrecta interpretacin del muestreo
estadstico es equiparar este proceso
con el muestreo aleatorio.
El muestreo aleatorio es simplemente
un mtodo para seleccionar los
elementos que sern incluidos en una
muestra.
El muestreo aleatorio puede ser usado
en muestreo estadstico y muestro
No estadstico.
17
07/2015

MUESTRO ESTADSTICO
El principio involucrado en una
seleccin aleatoria no restringida es
que cada elemento de la poblacin
tiene la misma oportunidad de ser
seleccionado en una muestra.
Incluso aunque la seleccin aleatoria
de cmo resultado una muestra no
sesgada,
no
necesariamente
la
muestra cumple la caracterstica de
representativa.
En este caso sigue existiendo el riesgo
de muestreo.
18
07/2015


MUESTRO ESTADSTICO
Por otra parte, una muestra puede no
ser representativa de la poblacin
real, debido a que la poblacin que es
objeto del muestreo difiera de la
poblacin real.
En general los auditores seleccionan
una muestra de auditora a partir de
una representacin fsica de la
poblacin.
Por ej. Se puede seleccionar una
muestra de cxp a partir de un listado
computacional que est registrado en
algn sistema de informacin.
19
07/2015

MUESTRO ESTADSTICO
El concepto de muestra aleatoria exige que la
persona que selecciona la muestra no influya o
sesgue la seleccin.
Esta influencia puede ser llevada a cabo en
forma consciente o inconsciente.
Por lo tanto, para que la muestra sea
verdaderamente aleatoria, es necesario aplicar
un procedimiento de seleccin imparcial.
Las tcnicas utilizadas para dicha seleccin
podran considerar el uso de tablas de nmeros
aleatorios o alguna aplicacin que los genere
automticamente.

20
07/2015
10

EL MUESTREO ESTADSTICO Y LA
AUDITORA
Con la utilizacin de aplicaciones de auditora
(ACL IDEA) u otras herramientas (Excel
Access Lotus) hoy es posible pensar en
revisar el 100% de las operaciones o
transacciones.
Qu hacemos entonces?
Elegimos muestras pequeas o grandes?
Examinamos el 100% de los registros?
Cmo se afecta un trabajo de auditora?

21
07/2015
TIPOS DE PLANES DE MUESTREO

ESTADSTICO
Los procedimientos de muestreo utilizados para
lograr objetivos de auditora especficos se
denomina Planes de Muestreo.
Estos planes son utilizados para
muchas
caractersticas
diferentes
poblacin, pero cada estimacin tiene:
estimar
de
la
Una tasa de ocurrencia.

Una cantidad numrica.
Los trminos de muestreos correspondientes a

las tasas de ocurrencia y a las cantidades
numricas corresponden a:

22
07/2015
11


ESTADSTICO
Tipos de Muestreo:
Muestro por atributos (tasas de ocurrencia).
Muestreo por variables (cantidades numricas).
Especficamente los principales tipos de

planes
de
muestreo
estadstico
utilizados para auditora incluyen:
Muestreo de Atributos: Este tipo se utiliza
frecuentemente para realizar las pruebas de
controles.
Por ej. Un auditor podra utilizar el muestreo por
Atributos para estimar el porcentaje de
desembolsos de efectivo procesados durante el
ao que no fueron aprobados.
23
07/2015

ESTADSTICO
Muestreo de Variables: Este tipo se
utiliza frecuentemente para tratar de
evaluar
la
magnitud
de
las
desviaciones identificadas en el
Muestro por Atributos.
Por ej. Un auditor podra utilizar el
muestreo por Atributos para estimar
el porcentaje de desembolsos de
efectivo procesados durante el ao
que no fueron aprobados.

24
07/2015
12

AUDITORA
Es importante considerar que la
aplicacin de esta tcnica es permitir
revisar una cantidad precisa de
elementos (muestra).
Para no sobre-auditar operaciones.
Para no sub-auditar operaciones.
Es decir trataremos de determinar una

muestra representativa del universo
para que nuestra opinin tenga
correlacin con toda la poblacin que se
examinar.
25
07/2015
TOLERANCIA DEL RIESGO DE

MUESTREO (PRECISIN)
Se sabe que los auditores en su trabajo
deben estimar atributos o variables, al
seleccionar
una
muestra
pueden
obtener conclusiones imprecisas sobre
la poblacin.
Generalmente se presenta algn grado
de error muestral, el que se define
como: la diferencia entre la tasa o
cantidad real en la poblacin y aquella
indicada por la muestra.
26
07/2015
13


MUESTREO (PRECISIN)
Error Muestral
Medida de la variabilidad delas estimaciones de
muestras repetidas en torno al valor de la
poblacin.
Este parmetro, otorga una nocin clara de hasta
dnde y con qu probabilidad una estimacin
basada en una muestra se aleja del valor que se
hubiera obtenido por medio de un censo completo
(todo el universo).
En efecto, siempre es factible identificar errores,
pero la naturaleza de la auditora indicar hasta
qu medida se cometer, ya que los resultados
se someten a error muestral e intervalos de
confianza que vara de una muestra a otra.
27
07/2015

MUESTREO (PRECISIN)
Al utilizar tcnicas de muestreo
estadstico los auditores pueden medir
y controlar el riesgo de error muestral
material.
Para efectuar dicha medicin deben
decidir
cules
sern
los
niveles
apropiados del riesgo y la tolerancia de
riesgo muestral.

28
07/2015
14

NIVEL DE CONFIANZA
Nivel de Confianza
Es la probabilidad de que el intervalo
construido en un entorno estadstico
capte
el
verdadero
valor
del
parmetro.
En este sentido se establece que, a
mayor valor del intervalo, mayor es el
tamao de la muestra, tanto para la
distribucin Normal como de la
distribucin de Poisson.
29
07/2015
ERROR TOLERABLE
(MATERIALIDAD)
Error tolerable (Materialidad)
Se entiende como cantidad mxima de
errores que un auditor est dispuesto
a aceptar sin deteccin en la poblacin
en estudio.
Este valor no lo maneja ACL, al contrario
de lo que entrega el muestreo
realizado en Excel.

30
07/2015
15

PRECISIN
Precisin
Es el grado de exactitud con que se pueden
conocer los parmetros poblacionales.
Representa la cantidad o porcentaje aceptable
de desviacin en el valor obtenido en el
examen, respecto al verdadero promedio de la
poblacin.
La precisin en el muestreo es semejante a la
tolerancia utilizada en los sistemas de calid
Este parmetro es propio de la distribucin
normal MUS..

31
07/2015
EJEMPLOS DE CONFIANZA, ERROR Y

PRECISIN
Riesgo
Nivel de
Confianza
Error
Precisin
Alto
95%
3%
3%
Medio
75%
2%
2%
Bajo
50%
1%
1%
En la CGR se han definido los siguientes niveles para su muestreo

Se presumen los niveles de riesgos indicados para cada uno de los
niveles de confianza, error y precisin que se estime pertinente
utilizar como marco metodolgico.

32
07/2015
16

AUDITORA
En general una muestra representativa
de la poblacin es aquella que se
escoge en forma aleatoria, es decir, al
azar.
Se busca que cada miembro de la
poblacin tenga la misma probabilidad
(posibilidad) de salir incluido en la
muestra.
Es posible recurrir a tablas de nmeros
aleatorios existentes o bien a un sorteo
mediante papeletas.
33
07/2015
EL TAMAO DE LA
MUESTRA DE LA AUDITORA
El tamao de la muestra tiene un efecto

directo sobre la tolerancia del riesgo y
sobre el riesgo del muestreo.
Con una muestra muy pequea no se
puede tener un riesgo de muestreo
bajo, salvo que se permita un margen
muy grande del riesgo de muestreo
(precisin).

34
07/2015
17

EL TAMAO DE LA
A medida que el tamao de la muestra

aumenta, tanto el riesgo de muestreo
como
la
tolerancia
al
riesgo
disminuyen.
En otras palabras, cuanto mas pequea
sea la tolerancia del riesgo de muestreo
o el riesgo de muestreo deseado por el
auditor, ms grande ser la muestra
requerida.
35
07/2015
EL TAMAO DE LA
El tamao de la muestra se ve afectado
tambin por ciertas caractersticas de la
poblacin que est siendo analizada.
A medida que el tamao de la poblacin
aumenta, tambin aumentar el tamao de
la muestra necesario para estimar la
poblacin con un riesgo de muestreo
especfico y el margen del riesgo de
muestreo.
Sin embargo, si la poblacin es ms de 500
elementos, un aumento en su tamao tiene
solamente un efecto menor en el tamao de
la muestra.
36
07/2015
18

EL TAMAO DE LA
El muestreo por atributos (tasa de
ocurrencia), el tamao de la muestra
tambin aumenta en la medida que la
tasa de desviacin de la poblacin
esperada aumenta.
En
el
muestreo
por
variables
(cantidades numricas), la mayor
variabilidad entre los valores de los
elementos en la poblacin aumenta el
tamao de la muestra requerida.
37
07/2015
CONCEPTOS BSICOS DEL

MUESTREO ESTADSTICO
Poblacin: Es el conjunto completo de
informacin numrica sobre una
caracterstica
particular
que
el
investigador
est
interesado
examinar.
Notacin: Poblacin N observaciones
designadas por x1, x2, x3. Xn.

38
07/2015
19


MUESTREO ESTADSTICO
Muestra: es el subconjunto de
valores poblacionales observados.
los
Notacin:
Muestra n
Observaciones designadas x1, x2, x3, xn.

39
07/2015

MUESTREO ESTADSTICO
La
media:
corresponde
al
valor
promedio
del
conjunto
de
observaciones y corresponde a la suma
de los valores dividido por el nmero de
observaciones.
Notacin:
x1 + x2 + x3
N

40
07/2015
20


MUESTREO ESTADSTICO
La Mediana: de conjunto de
observaciones es aquella que
ocupa el lugar central cuando las
variables se ordenan en un
sentido creciente y el nmero de
observaciones es impar.
Notacin: Mediana : x1, x2, x3
3

41
07/2015

MUESTREO ESTADSTICO
La Moda: de un conjunto de
observaciones es el valor que
aparece con mayor frecuencia.
Ejemplo: en una muestra de 50 TV
con defectos.
N defectos: 0 - 1 - 2 - 3
N TV:
12 10 17 6
La Moda corresponde al N 17

42
07/2015
21

LA DISTRIBUCIN NORMAL
Entre la media y una desviacin tpica
tenemos siempre la misma probabilidad:
aproximadamente el 68%.
Entre la media y dos desviaciones tpicas
aprox. 95%
Entre la media y tres desviaciones tpicas
aprox. 99%
Si tomamos intervalos centrados en , y cuyos extremos estn

a distancia 1 ,
tenemos probabilidad 68%
a distancia 1,96 ,
a distancia 2,58

43
07/2015
LAS BASES DE MUESTREO

Es la unidad que se utiliza para
disear una muestra.
El
software
Audit
Command
Language ACL- utiliza 2 bases
para el muestreo:
Por Unidad Monetaria (MUS).
Por Registro.

44
07/2015
22


Base de Unidad Monetaria (MUS:
Utiliza el valor absoluto de un campo de un
registro para determinar las partidas que
debe seleccionar.
Cuando se utiliza una base de unidad
monetaria, la probabilidad de que se
seleccione un registro determinado es
directamente proporcional al tamao del
elemento, salvo si ese elemento est
afectado por el corte de estrato superior.
La unidad monetaria est orientada a $1,
US$ 1, 1 UF, etc..
Se debe utilizar esta base cuando se desee
expresar una confianza relacionada a la
unidad de moneda utilizada en el examen.
45
07/2015

Base de Unidad Monetaria (MUS):
Cada peso ($) tiene las mismas
posibilidades de ser seleccionado.
Se orienta la bsqueda hacia el valor
absoluto del registro.
La poblacin: es el valor absoluto de
todos los pesos ($) del archivo o
elemento examinado.
Ej. Un elemento $1.000.- tiene 1000
veces
mas
posibilidades
de
ser
seleccionado que el elemento $1.Se recomienda utilizar este mtodo
cuando la muestra se oriente hacia el
valor de cada registro.
46
07/2015
23

Consecuente con lo anterior, un

elemento $1.000.- tiene 1.000 veces
ms posibilidades que el elemento
$1.- debido
a que el primero el
mismo nmero de veces ms
posibilidades de ser seleccionado en
la muestra de auditora.
Este mtodo se orienta a realizar un
muestreo
estadstico
hacia
los
elementos con ms pesos ($).
47
07/2015
Este mtodo fue creado para las

auditoras y ser utilizado en pruebas
de control de atributos y en pruebas
de control de variables.
Su uso preferente es en pruebas de
control de variables.

48
07/2015
24


Requerimientos MUS
Este plan tiene 2 requerimientos
principales:
El auditor debe formular claramente el
objetivo de la auditora para poder
lograr las conclusiones adecuadas.
El auditor debe tener especificada la
poblacin de la cual se tomar la
muestra.

49
07/2015

Supuestos del MUS
La tasa de errores en la poblacin
deben ser pequeos (menos del
10%) y la poblacin debe contener
2.000 ms elementos.
La cantidad de errores en cualquier
cuenta de la poblacin no puede ser
ms que el valor total de la cuenta.

50
07/2015
25


Ventajas del MUS
Cumple
los
objetivos
del
muestreo
estadstico para una auditora.
Soluciona el problema de la deteccin de un
nmero muy pequeo de grandes errores,
debido a que los grandes valores tienen ms
posibilidades de estar en la muestra.
Es ms fcil de usar que las tcnicas de
muestreo por variables.
Se puede utilizar para aplicar a una
combinacin de registros de cuentas de un
balance, debido a que las unidades son
homogneas.
Tiende a entregar una muestra ms
pequea que el muestreo de variables.
51
07/2015

Desventajas del MUS
Su uso no es apropiado a una poblacin
poco numerosa.
Cuando el nmero de errores crece, la
muestra sigue la misma tendencia e incluso
puede llegar a ser mas grande que el
tamao de la muestra del muestreo clsico
para variables.
Se puede exagerar el riesgo de muestreo
cuando se encuentran errores y el auditor
podra llegar a rechazar valores del registro
analizado que estn correctos.

52
07/2015
26


Base de Registro:
En este caso se trata a cada registro
(fila) de forma equitativa utilizando
un valor nominal 1.
Como resultado se obtiene una
muestra que orienta por estar basada
en los valores de un registro, de
modo que cada registro tiene la
misma
posibilidad
de
ser
seleccionado en la muestra.
Se recomienda su utilizacin cuando
se desee expresar una confianza
como un porcentaje relativo a una
poblacin determinada.
Por ejemplo: Que el error no supere
el 3%.
53
07/2015

Base de Registro:
Los datos se tratan como flujo de
registros en el que cada registro tiene la
misma posibilidad de salir en la muestra.
La poblacin es el nmero de registros
del archivo a examinar.
Dada la base de muestreo, un elemento
de $ 1.000.- y otro de $1.- tienen la
misma posibilidad de ser seleccionado,
ya que cada registro es un elemento
dentro del listado a examinar.
54
07/2015
27

EL MUESTREO EN AUDITORA
Las pruebas de Auditora estn orientadas a la
obtencin
de
evidencias
suficientes
y
competentes del rea examinada.
Pruebas de Cumplimiento o Funcionamiento.
Pruebas de Validacin o Sustantivas.
Con la utilizacin de ACL:

Las Pruebas Sustantivas o de Validacin estn
orientadas a utilizar el muestreo sobre la base
de unidad monetaria (MUS).
Las Pruebas de Cumplimiento o Funcionamiento
estn orientadas al muestreo por Registro.
55
07/2015
METODOS DE MUESTREO
ACL utiliza 3 tipos de muestreos
para seleccionar la muestra a
utilizar:
Intervalo Fijo.
Intervalo
Celda).
Aleatorio
(o
Mtodo
por
Aleatorio.
56
07/2015
28

METODOS DE MUESTREO
Intervalo Fijo:
Normalmente es el mtodo preferido ya
que produce los resultados mas coherentes.
Se especifica un intervalo fijo = i.
Se especifica un nmero aleatorio = r
r > 0
r <= i
Los datos se tratan como flujo y el
elemento r es el primero que se
selecciona. A partir de ste, se selecciona
cada elemento i.
Por Ej. El intervalo de seleccin es 1.100 y
el inicio aleatorio es 723. Se selecciona el
elemento 723, 1823, 2923, 4.023. Etc.
57
07/2015
METODOS DE MUESTREO
Intervalo Aleatorio (celda):
Se debe especificar un intervalo i.
Se debe especificar una semilla aleatoria
(un nmero que contiene cualquier valor).
Para cada grupo de elementos ACL produce
un nmero aleatorio > 0 y <= tamao de
intervalo producido.
Se selecciona entonces el elemento y se
repite el proceso en el siguiente grupo de
elementos.
Por Ej. Si el intervalo es 1.100 y la semilla
aleatoria 349870322 es posible que el
elemento 429 sea seleccionado del primer
grupo de 1.100 elementos, y el 1.844 como
segundo elemento del grupo. Etc..
58
07/2015
29

METODOS DE MUESTREO
Intervalo Aleatorio (celda):
La
principal
ventaja
es
que
evita
automticamente
los
problemas
relacionados con los modelos de datos.
Una desventaja es que la entrada
seleccionada en el muestreo de intervalo
aleatorio puede no ser tan coherente como
el muestreo de intervalo fijo en los
ejemplos de unidad monetaria.
59
07/2015
METODOS DE MUESTREO
Aleatorio:
Es uno de los mtodos de uso mas comn.
Se debe especificar el tamao de la
poblacin p, el nmero de elementos que
se van a seleccionar n y una semilla
aleatoria (puede ser cualquier nmero).
ACL utiliza la semilla para iniciar un
generador de nmeros aleatorios.
Luego se produce n nmeros entre cero y
p y ordena los nmeros en orden
ascendente.
60
07/2015
30

METODOS DE MUESTREO
Aleatorio:
Si se utiliza este tipo de muestreo se
debe tener presente que cada elemento
tiene las mismas posibilidades de salir,
no existe ninguna garanta que se
distribuyan
en
forma
uniforme
(constante por intervalos).
En este mtodo no existe corte de
estrato superior.
ACL no produce el mismo nmero 2
veces, si llegara a ocurrir, lo descarta y
lo reemplaza por otro nuevo.
61
07/2015
METODOS DE MUESTREO
Corte de Estrato Superior:
Est
referido
nicamente
a
los
muestreos MUS que utilizan uno de los 2
mtodos de intervalos.
Cuando se selecciona muestreo MUS,
ACL estratifica automticamente (antes
del muestreo) en un estrato superior y
un inferior. Se toma como base el valor
absoluto del campo.
Los elementos iguales o superiores al
valor
de
corte
se
seleccionan
automticamente.
62
07/2015
31

METODOS DE MUESTREO
Corte de Estrato Superior:
El efecto es el mismo que si los datos se
separaran en 2 archivos.
Un archivo para cada estrato (superior e
inferior).
Los elementos del estrato superior se
seleccionan inmediatamente.
El proceso de seleccin se aplica slo al
estrato inferior.

63
07/2015
MUESTREO CONDICIONAL
Se utiliza cuando sea necesario aplicar una

condicin para restringir los elementos que se
deben utilizar en un muestreo.
El efecto de esta condicin es reducir el
tamao de la poblacin.
Por Ej. Se desea aplicar un muestreo a un
registro de RR.HH. Y que slo sean empleados
del Depto. produccin, o solo a los
empleados con cargas familiares, etc.

64
07/2015
32

TAMAO DE LA MUESTRA
Se utiliza el comando SIZE para
determinar los tamaos de muestreo
adecuados para los muestreos:
MUS.
Al Registro.
Este comando notifica:

El tamao de la muestra requerida.
El intervalo basado en el tamao de la
muestra de la poblacin dado, si se utiliza
una muestra por intervalos.
La cantidad mxima de errores previstos
para la muestra.
65
07/2015
TAMAO DE LA MUESTRA
En tamaos de poblacin muy pequeos el
comando SIZE puede dar como resultado un
tamao de muestra mayor que la propia
poblacin.
Esto se da por que ACL utiliza para su
formulacin de muestras la distribucin de
Poisson.
Se utiliza esta ltima distribucin por que ella
siempre genera un tamao de muestra
conservador con el cual es mucho ms fcil
trabajar.
66
07/2015
33

TAMAO DE LA MUESTRA
Por Ej. Para un tamao de poblacin tpico de 1.000
registros las distribuciones Poisson y Binominal
generan muestras muy similares.
Pero en la medida que la poblacin disminuye
aumentan las diferencias entre Poisson y Binominal.
La distribucin de Poisson es independiente de la
poblacin, es decir, se genera el mismo tamao sea
cual fuere la poblacin.
Asimismo,
cuando
la
poblacin
se
reduce
considerablemente su tamao, la muestra fija puede
terminar superando la poblacin.
La binominal se aplana en la misma medida en que se
incrementa la poblacin, aunque en poblaciones
pequeas se ajusta la muestra a la baja.
67
07/2015
TAMAO DE LA MUESTRA
Tipo de Muestreo (MUS).
Confianza, se debe especificar la
fiabilidad que le gustara que
generara la muestra.
Por Ej. Escribir 95 en el recuadro
confianza implica asumir un 95%
de confianza en la muestra.
El error en este ejemplo queda
reducido a una vez cada 20 (1/20
lo que equivale al 0,05%).
Poblacin, se debe especificar el
valor
absoluto
del
campo
muestreado.
68
07/2015
34

TAMAO DE LA MUESTRA
Materialidad: se debe especificar el
importe
monetario
considerado
significativo.
Esta es la cantidad mxima de
errores que se est dispuesto a
aceptar de la poblacin.
Total de Errores Previstos: se debe
especificar el importe total de
errores,
expresado
en
pesos,
previstos para la poblacin. Esto
tiende a aumentar el tamao de la
muestra para admitir los errores
previstos.
Calcular: ACL entrega los resultados.
69
07/2015
TAMAO DE LA MUESTRA
Tipo de Muestreo Registro:
Se trata de una muestra sin
desviacin (por registro).
La probabilidad de seleccin de un
elemento no tiene relacin con su
tamao (importe).
Cada registro tiene la misma
posibilidad de salir elegido en la
muestra.
Confianza: se debe especificar la
fiabilidad que le gustara generara
la muestra.
70
07/2015
35

TAMAO DE LA MUESTRA
Tipo de Muestreo Registro:
Por Ej. Escribir 95 equivale a
indicar un 95% de confianza.
Poblacin: cantidad de elementos
o registros de ella.
LSE: Especifica la tasa de error
que desee demostrar que no se
superar la poblacin.
TEP: Especifica la tasa de error
porcentual
prevista
en
la
poblacin. Este es el nmero
mximo de errores que se est
dispuesto
a
aceptar
en
la
poblacin.
71
07/2015
TAMAO DE LA MUESTRA
Ejemplo 1:
Determinar el tamao de la
muestra con un nivel de confianza
del 95%.
Poblacin 40.000 registros.
Lmite mximo de errores 5%
(2,000 errores)
Tasa de errores previstos = 0.
Calcular:
Resultado:
Tamao de la muestra = 60
Intervalo = 666,66
Daos mximo tolerable = 0
72
07/2015
36

TAMAO DE LA MUESTRA
Ejemplo 1: (continuacin)
Resultado final:
Debe
analizar
la
muestra
seleccionada por ACL de 60
registros.
En este caso, la tasa de errores
probables es 0, si existiera algn
error, su hiptesis no estara
basada en la confianza del 95%.
Si eligiera extraer la muestra
anterior utilizando mtodo de
intervalo, es correcto un intervalo
de 666,66
73
07/2015
TAMAO DE LA MUESTRA
Ejemplo 2:
Determinar el tamao de la muestra
con un nivel de confianza del 95%.
Poblacin 40.000 registros.
Lmite mximo de errores 5%
(2.000 errores)
Tasa de errores previstos = 2%
(tasa de errores previstos =800).
Calcular:
Resultado:
Tamao de la muestra = 184
Intervalo = 217,39
Daos mximo tolerable = 4
74
07/2015
37

TAMAO DE LA MUESTRA
Ejemplo 2: (continuacin)
Resultado final:
Se debe considerar una muestra de 184
elementos.
Puesto que hay 4 errores tolerables.
En tanto que en la muestra haya 4
errores o menos, su hiptesis est
respaldada por la confianza del 95%.
Si elige sacar la muestra anterior, bajo
el mtodo de intervalo, es correcto un
intervalo de 217,39.
La muestra es mayor que en Ejemplo 1,
por que permite detectar errores
previstos.
75
07/2015
TAMAO DE LA MUESTRA
Ejemplo 3
y tener un 90% de confianza
El total de errores de una poblacin
de US$ 60 millones no sobre pase
US$ 1 milln.
Suponer que no hay errores en la
poblacin.

76
07/2015
38

TAMAO DE LA MUESTRA
Ejemplo 3. (continuacin)
Resultado final.
Se debe elaborar una muestra de
138 elementos.
Puesto
que
no
hay
errores
previstos, si se detecta algn error,
su hiptesis no estar basada en
una confianza del 90%.
Si opta por elaborar la muestra
anterior utilizando el mtodo de
intervalos, es aconsejable utilizar
un intervalo de 432.900,43.
77
07/2015
TAMAO DE LA MUESTRA
Ejemplo 4
y tener un 90% de confianza.
El total de errores de la poblacin
de US$ 60 millones, no sobrepase
US$ 1 milln.
Suponer que hay US$ 50.000.- de
errores en la poblacin.

78
07/2015
39

TAMAO DE LA MUESTRA
Ejemplo 4. (continuacin)
Resultado final.
Debe elaborar una muestra de 50
registros.
Puesto que hay US$ 50.000 en
errores previstos, se puede tolerar
cierta cantidad de errores en la
muestra resultante.
Mientras que el total de daos no
sobrepase el 12,54% la hiptesis
est respaldad por una confianza
del 90%.
El
intervalo
sugerido
es
de
US$398.701,29
79
07/2015
TAMAO DE LA MUESTRA
Ejemplo 4 (continuacin)
Resultado final.
Las siguiente corrupciones posibles
seran:
Un elemento US$950 registrado
como US$1000.- implica un 5% de
corrupcin (50/1000), por lo que es
aceptable.
Si un elemento US$15.000.- es
registrado como US$ 14.000.implica una corrupcin del 6,66%,
los
resultados
siguen
siendo
aceptables por que el total de
corrupcin asciende slo a 11,66%
80
07/2015
40

TAMAO DE LA MUESTRA
Resultado final.
Dado los 2 errores anteriores (5% y
11,66%), se agrega un tercero.
Un elemento US$100 fue registrado
como US$98.Determina una corrupcin adicional
de 2%.
La
muestra
puede
resultar
insuficiente para demostrar su
hiptesis, ya que el total alcanza a
un 13,66% > a 12,54 de ACL

81
07/2015
EJEMPLO MUESTREO MUS

Ejemplo 5
En el proyecto Workbook
Abrir archivo AR.FIL
Se estima un nivel de confianza de
95%..
El valor (absoluto) de la poblacin a
examinar es de 585.674,41
La materialidad se estableci en
12.000.-. (valor aceptable).

82
07/2015
41

Resultado obtenido:
N = 146
Intervalo 4.000.El campo dao material

83
07/2015

Contador Auditor
42


Ejemplo 6
Proceso de facturacin mes Septiembre de 2013.
Factura desde: 10.000. (01/09/2013)
Factura hasta: 11.000. (30/09/2013)
Total neto $10.000.000.- para todo el mes de Septiembre de 2013.
900 facturas por $9.000.000.- y 100 facturas por $1.000.000.-
n = 50 ; 90% de certeza ; 10% de riesgo ; 5% de error

Prueba a desarrollar: validar VB proceso facturacin
Resultado de la auditora:
A. Error esperado 2,5 casos (5% de n=50)
B. 50 facturas de la muestra => 50 facturas OK
C. Por lo tanto, se cumple la condicin de la muestra y, por ende,
es
factible hacer extensiva la conclusin de la muestra al universo con los
parmetros antes indicados (letras en color rojo).

85
07/2015

Ejemplo 7
Factura desde: 10.000. (01/09/2013)
Factura hasta: 11.000. (30/09/2013)

B. 50 facturas de la muestra => 48 facturas OK y 2 facturas con error
C. Por lo tanto, se cumple la condicin de aceptar la muestra y, por ende,
es factible hacer extensiva la conclusin de la muestra al universo con
los parmetros antes indicados (letras en color rojo).

86
07/2015
43


Ejemplo 8
Factura desde: 10.000. (01/09/2013)
Factura hasta: 11.000. (30/09/2013)

B. 50 facturas de la muestra => 45 facturas OK y 5 facturas con error
C. Por lo tanto, se cumple la condicin de NO ACEPTAR la muestra y, por
ende, no es factible hacer extensiva la conclusin de la muestra al
universo con los parmetros antes indicados (letras en color rojo).

87
07/2015

Contador Auditor
44

Modulo VII Muestreo Estadistico V3

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Modulo VII Muestreo Estadistico V3

Încărcat de

Drepturi de autor:

Formate disponibile

Material de Auditora

Prof: Leonardo Olea C.

Universidad de Santiago de Chile

Profesor. Leonardo Olea C. | CGAP | CICA | CFE | CRMA |

Aspectos tericos del muestreo estadstico.

Desarrollo de Casos Prcticos.

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

Una definicin actual de Auditora la

(1) Auditora un Enfoque Integral, sexta edicin. Editorial PHH S.A.

Material de Auditoria Prof. Leonardo Olea Cariz.

CONCEPTO AMPLIO DE AUDITORA

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

LAS EVIDENCIAS DE AUDITORIA

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

Material de Auditoria Prof. Leonardo Olea Cariz.

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

EFECTOS DEL MUESTREO

En la medida que el tamao de la muestra

EFECTOS DEL MUESTREO

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

EFECTOS DEL MUESTREO

Una forma de reducir el riesgo de no

Material de Auditoria Prof. Leonardo Olea Cariz.

El muestreo en estadstica puede ser

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

Ambos mtodos deben ser aplicados de forma que

CARACTERSTICAS DEL MUESTREO

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

QUE PERMITE LA UTILIZACIN DE UN

Por estos ltimos motivos las muestras

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

QUE PERMITE LA UTILIZACIN DE UN

QUE PERMITE LA UTILIZACIN DE UN

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

QUE PERMITE LA UTILIZACIN DE UN

QUE PERMITE LA UTILIZACIN DE UN

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

Material de Auditoria Prof. Leonardo Olea Cariz.

TIPOS DE PLANES DE MUESTREO

Una tasa de ocurrencia.

Los trminos de muestreos correspondientes a

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH

Universidad de Santiago de Chile

TIPOS DE PLANES DE MUESTREO

Especficamente los principales tipos de

TIPOS DE PLANES DE MUESTREO

Material de Auditoria Prof. Leonardo Olea Cariz.

Solo para los Alumnos de la USACH