Professional Documents
Culture Documents
Introducción
“Muestreo de auditoría” significa la aplicación de procedimientos de auditoría menores al
100% de las partidas dentro del saldo de una cuenta o clase de transacciones para dar
posibilidad al auditor de obtener y evaluar la evidencia de auditoría sobre alguna
característica de las partidas seleccionadas para formar o ayudar a formar una
conclusión con respecto a la población. Es importante reconocer que ciertos
procedimientos de pruebas no caen dentro de la definición de muestreo. Por ejemplo:
• Las pruebas realizadas sobre el 100% de las partidas dentro de una población
no implican muestreo, pues esto sería más bien un análisis de toda la población.
Objetivos de la Auditoría
El auditor debería primero considerar los objetivos específicos de la auditoría que se
requieren lograr y los procedimientos de auditoría que es más probable logren mejor
dichos objetivos. Además, cuando la muestra de auditoría es apropiada, la consideración
de la naturaleza de la evidencia de auditoría buscada y posibles condiciones de error u
otra característica relacionada con dicha evidencia de auditoría, ayudará al auditor a
definir qué constituye un error y qué población utiliza para el muestreo.
Ejemplo…
Cuando realice pruebas de control sobre los procedimientos de compra de una entidad, el auditor estará
interesado en asuntos como si una factura fue verificada en la oficina y debidamente aprobada. Por otra
parte, cuando realice procedimientos sustantivos sobre facturas procesadas durante el período, el auditor
estará interesado en asuntos como si se reflejan en forma apropiada las cantidades de dinero de dichas
facturas en los estados financieros.
El análisis exhaustivo sirve para realizar distribuciones de frecuencia, con las cuales se
pueden determinar medidas de Posición, tales como la Media, Mediana, Moda; o
medidas de Dispersión, tales como la Desviación Media, la Varianza y la Desviación
Estándar.
En caso de analizarse dos o más características, lo importante será estudiar la
interrelación que exista entre ellas, para lo cual se pueden utilizar las técnicas de
Covarianza, Correlación y Regresión.
Toda distribución de probabilidad está formada por un conjunto de valores que puede
tomar una variable (llamada Aleatoria) y unas probabilidades asociadas a los mismos.
Las distribuciones de probabilidades son modelos matemáticos correspondientes a las
distribuciones de frecuencia de las variables.
Ejemplo…
Si el objetivo del auditor fuera poner a prueba la mayor inclusión de cuentas por pagar, la población no
sería el listado de cuentas por pagar sino más bien los pagos posteriores, las facturas no pagadas, las
declaraciones de los proveedores, reportes de recibos no verificados, u otra población que proporcionaría
evidencia de auditoría de la falta de inclusión de cuentas por pagar.
Ejemplo…
Si el objetivo del auditor fuera poner a prueba la validez de las cuentas por cobrar, la unidad de muestreo
podría ser definida como saldos de clientes o facturas individuales de los clientes.
Ejemplo…
De una población de 10.000 facturas, el auditor tomará una muestra al azar, de tal forma que tomará cada
factura que encuentre sin un orden específico.
Ejemplo…
De una población de 10.000 facturas, el auditor tomará una muestra aleatoria, de tal forma que tomará la
segunda factura del archivo y a partir de ahí, extraerá cada cinco facturas a partir de la primera que tomó.
Ejemplo…
De una población de 10.000 facturas, el auditor tomará una muestra aleatoria, para lo cual dividirá la
población por orden de antigüedad. Así, tomará las facturas vencidas cada 30, 60, 90 y 120 días y de
cada grupo tomará la segunda factura y a partir de ahí extraerá cada cinco facturas a partir de la primera
que tomó (también combina el muestro aleatorio sistemático).
Ejemplo…
De una población de 10.000 facturas, el auditor tomará una muestra aleatoria, para lo cual formará 10
grupos de 1.000 facturas cada una; luego, de cada grupo tomará la segunda factura y a partir de ahí
extraerá cada cinco facturas a partir de la primera que tomó (también combina el muestro aleatorio
sistemático).
Población Muestra
∑X ∑X
μ= x=
N n
Población Muestra
∑X − μ ∑X − x
DM = DM =
N n
Población Muestra
∑( X − μ ) ∑( X − x )
2 2
σ2 = S2 =
N n −1
h) Desviación Estándar: Es la raíz cuadrada positiva de la varianza. Se obtiene la raíz
como corrección a la alteración que sufre la desviación media cuando se la eleva al
cuadrado. Estadísticamente, la formulación es la siguiente:
Población Muestra
∑( X − μ ) ∑( X − x )
2 2
σ= σ = 2
S= S = 2
N n −1
P( x ) =n C x π x (1 − π )
n −x
X −μ
Z=
σ
∑x
x=
n
El Error Estándar es una medida de la variabilidad de la distribución de muestreo de la
media muestral. La “gran media”, conocida como x , al ser el promedio de todas las
medias existentes, será igual a la media de la población, μ. Su formulación es:
∑( x − x ) ∑( x − μ )
σ x = σ 2x = =
n n
m) Teorema del Límite Central: El Teorema de Límite Central establece que, para
muestras aleatorias grandes, la forma de la distribución de medias muestrales se acerca
a la distribución del tipo normal. La aproximación es más exacta para muestras grandes
(n>30) que para pequeñas. En otras palabras, en una población cualquiera que no siga
una distribución normal pero tampoco muy asimétrica, a medida que n aumenta, la
distribución de las medias muestrales se aproxima a una distribución normal con las
siguientes características:
Si se conoce σ Si no se conoce σ
σ s
σx = sx =
n n
Si se conoce σ Si no se conoce σ
x−μ x−μ x−μ x−μ
Z= = Z= =
σx σ sx s
n n
N −n n
= 1− = (1 − f )
N −1 N
Así, el factor de corrección altera la formulación del Error Estándar. Ante la presencia de
poblaciones finitas, el Error Estándar se calcula de la siguiente manera:
Si se conoce σ Si no se conoce σ
σ N −n s N −n
σx = ⋅ sx = ⋅
n N −1 n N −1
La Distribución de las Proporciones Muestrales
Una proporción muestral es una parte de la muestra la cual tiene una característica
especial: sus integrantes componen una proporción de ocurrencia o de éxito. Por tanto,
el resto de la muestra representa una proporción de ocurrencia o de fracaso. Por poner
unos ejemplos, las proporciones muestrales aparecen en los siguientes casos:
Una estimación puntual para una proporción se obtiene dividiendo el número de éxitos
en la muestra, para el número total muestreado. Tal proporción se la representa con la
letra p. La proporción de fracaso será igual a la diferencia entre el total muestreado y la
proporción de éxitos. Esta proporción se la representa con el factor (1-p) o simplemente
con la letra q. La proporción muestral se la utiliza para calcular la proporción de la
población, definida por la letra π.
Como se explicó inicialmente, mientras que una distribución normal se utiliza para
valores continuos, una distribución binomial (la que se utiliza para las proporciones) se
utiliza para variables discretas (como por ejemplo, respuestas sí / no). De esta manera,
el Error Estándar aplicable a las proporciones muestrales sería:
pq pq N −n
σp =
n
σp = ⋅ N −1
n
Por consiguiente, el nivel de significancia de la proporción muestral (aplicando la
distribución binomial a la distribución normal) estaría definido por:
p −π
Z=
σp
Siendo que la proporción de la población es un elemento desconocido, el auditor tendrá
que especificar el nivel de significancia que más le resulte apropiado.
Ra
High Medium Low
Activos 1,00% 0,75% 0,50%
C G Pasivos 3,00% 2,00% 1,00%
U L Patrimonio 5,00% 3,50% 2,00%
E O Ingresos 2,00% 1,50% 1,00%
N B Costos 4,00% 3,00% 2,00%
T A Gastos 6,00% 4,50% 3,00%
A L Extraordinari 8,00% 6,00% 4,00%
os
Resultados 10,00% 7,50% 5,00%
ε = x −μ
Siendo que el Error Tolerable es la Materialidad Específica de cada cuenta que compone
una cuenta global, la materialidad o error de cada cuenta estará definida por:
Error Esperado
Si el auditor espera que se presente error en la población, ordinariamente necesita
examinar una muestra más grande que cuando no se espera error, para concluir que el
error real en la población no es mayor que el error tolerable planificado. Se justifican
tamaños más pequeños de muestra cuando se espera que la población este libre de
error. Al determinar el error esperado en una población, el auditor consideraría asuntos
como los niveles de error identificados en auditorías previas, cambios en los
procedimientos de la entidad y evidencia disponible de otros procedimientos.
∑( x −μ )
Todas las muestras posibles que se pueden extraer de una población están
determinadas por la combinación existente entre el tamaño de la población y el tamaño
de la muestra que se deba obtener. Estadísticamente, su formulación es:
N!
Cn =
n! ( N − n ) !
N
Sin embargo, dado el tiempo limitado que normalmente tiene el auditor para realizar su
trabajo, no le es posible obtener todas las muestras posibles y por tanto calcular el error
esperado. Por tal limitante, el auditor debe centrarse en controlar el error tolerable.
En cada una de estas etapas de revisión, el auditor tiene el riesgo que los
procedimientos empleados en tales pruebas, fallen en la detección de errores
importantes. Por tanto, se debería establecer una escala que permita medir los diferentes
riesgos existentes en Auditoría, así como la forma en la cual el riesgo general es
absorbido por cada una de estas etapas. En nuestro enfoque de Auditoría, el riesgo
general de auditoría que estamos dispuesto a aceptar, tiene la siguiente escala:
Ra = Ri x Rc x Rd x Rm
Donde:
Ra: Riesgo de Auditoría
Ri: Riesgo Inherente
Rc: Riesgo de Control
Rd: Riesgo de Detección
Rm: Riesgo de Muestreo
b) Riesgo de Control: Es el riesgo que un error significativo que podría existir en una
afirmación de los estados financieros, no sea prevenido o detectado en forma oportuna
por las políticas o procedimientos del sistema de control interno. Nuestro enfoque de
medición del riesgo de control es:
Rc
High Medium Low
High Very High High (H) Medium (M)
(HH)
Ri
Medium High (H) Medium (M) Low (L)
Low Medium (M) Low (L) Vey Low (LL)
Estas otras incertidumbres pueden ser reducidas a un nivel insignificante a través de una
adecuada planificación y supervisión y con una conducción de la práctica de auditoría de
la firma en conformidad con estándares de control de calidad apropiados. Nuestro
enfoque de medición es:
Ri x Rc
HH H M L LL
H HHH HH H M L
Rd M HH H M L LL
L H M L LL LLL
Por tanto, lo que se debe hacer es una cuantificación del riesgo implícito. La metodología
estadística permite hacer una cuantificación de dichos riesgos, en base a la Teoría de la
Decisión. Esta teoría se formula en términos de una hipótesis H0, denominada Nula (es
la que se espera que resulte acorde a la prueba realizada) frente a otra hipótesis H1,
denominada Alternativa (que es el resultado contrario al esperado). Tras la realización
del proceso de inferencia, se presentan:
Volviendo a nuestra fórmula de Riesgo de Auditoría, dado que tenemos definidos los
demás componentes del riesgo, el Riesgo de Muestreo será definido por despeje:
Por tanto, nuestra escala de valores para el Riesgo de Muestreo será la siguiente:
Ri x Rc x Rd
40% 50% 60% 70% 80% 90% 100%
10% 25,00 20,00 16,67 14,29 12,50 11,11 10,00
% % % % % % %
Ra 5% 12,50 10,00 8,33% 7,14% 6,25% 5,56% 5,00%
% %
1% 2,50% 2,00% 1,67% 1,43% 1,25% 1,11% 1,00%
Y por ende, nuestra escala de valores para niveles de confianza (1-Rm) será:
Ri x Rc x Rd
40% 50% 60% 70% 80% 90% 100%
10% 75,00 80,00 83,33 85,71 87,50 88,89 90,00
% % % % % % %
Ra 5% 87,50 90,00 91,67 92,86 93,75 94,44 95,00
% % % % % % %
1% 97,50 98,00 98,33 98,57 98,75 98,89 99,00
% % % % % % %
Con estos niveles de confianza, podemos buscar los equivalentes en una tabla de
valores Z (ver apéndices) para la distribución normal estándar. Así, los valores Z α (riesgo
de sobreauditoría) y Zβ (riesgo de subauditoría) son los siguientes:
Ri x Rc x Rd
Riesgo α
40% 50% 60% 70% 80% 90% 100%
10% 1,15 1,28 1,38 1,47 1,53 1,59 1,64
Ra 5% 1,53 1,64 1,73 1,80 1,86 1,91 1,96
1% 2,24 2,33 2,39 2,45 2,50 2,54 2,58
Ri x Rc x Rd
Riesgo β 40% 50% 60% 70% 80% 90% 100%
10% 0,67 0,84 0,97 1,07 1,15 1,22 1,28
Ra 5% 1,15 1,28 1,38 1,47 1,53 1,59 1,64
1% 1,96 2,05 2,13 2,19 2,24 2,29 2,33
Desde el punto de vista estadístico, esto no es incorrecto; sin embargo, desde el punto
de vista de la auditoría, el auditor debe controlar ambos riesgos y por tanto, sería un
error que el auditor pretenda especificar un nivel de exactitud de manera exógena, sin
ninguna relación con ambos riesgos.
Así pues, una vez obtenido el error tolerable para cada cuanta a auditar, se procede a
determinar el nivel de exactitud E, el cual relaciona el riesgo alfa y el riesgo beta en una
sola fórmula, pues el auditor deberá controlar ambos riesgos. La fórmula de exactitud es:
zα
E = ε ⋅
( z α + z β )
Por tanto, no sería adecuado fijar la exactitud exógenamente y sin relación al error
tolerable, aunque si bien es cierto no sería incorrecto estadísticamente, sí lo sería si se
quisiera utilizar la exactitud como intervalo de decisión para una prueba de hipótesis.
a) Tipo de Muestreo:
• Con reposición (poblaciones infinitas)
• Sin reposición (poblaciones finitas)
• El auditor procede a tomar una muestra piloto, que en la mayoría de los casos es
el 5% de la población (no es una regla pero se puede optar por ello). Con esta
muestra piloto, el auditor obtiene las proporciones de éxito y de fracaso para
calcular el error estándar; o
• El auditor puede asumir, cuando las proporciones son desconocidas, que las
proporciones de éxito y fracaso son exactamente iguales (es decir, 50% para
cada una), con lo que incluso maximiza el tamaño de la muestra (esta es
considerada la solución más óptima).
n (inf inito )
n ( finito ) =
n (inf inito )
1+
N
a) Tipo de Muestreo:
• Con reposición (poblaciones infinitas)
• Sin reposición (poblaciones finitas)
Si se opta por la muestra piloto, con esta el auditor puede proceder a calcular tanto la
media como la desviación muestral. Con la desviación se procede a calcular el tamaño
de la muestra para finalmente aplicar procedimientos de inferencia estadística, tales
como la estimación de los intervalos de confianza.
Si se conoce σ Si no se conoce σ
x ± zασ x x ± z αs x
Por tanto, la ubicación de la media poblacional será entre los siguientes límites:
Si se conoce σ Si no se conoce σ
x − zασ x < μ < x + zασ x x − z αs x < μ < x + z αs x
Si se conoce σ Si no se conoce σ
p ±z α σ p p ±z α s p
Por ende, la ubicación de la media poblacional será entre los siguientes límites:
Si se conoce σ Si no se conoce σ
p − z ασ p < μ < p + zασ p p − z αs p < μ < p + z αs p
Todas estas formulaciones están diseñadas para estimar el rango donde se debería
ubicar la media poblacional. Sin embargo, si lo que se quiere estimar es el rango de
valores del total poblacional, entonces habrá que multiplicar todos los factores por la
población, con lo cual se concluye que los límites del intervalo están dados por el total
muestral más/menos el nivel de exactitud. Así:
σ
N( x ± z α σ x ) = Nx ± Nz α = Nx ± E
n
Anexos
Anexo 1: Determinación del tamaño de la muestra para pruebas sustantivas
A continuación, se desarrollará un ejemplo de procedimientos de auditorías para tomar
una muestra apropiada para pruebas sustantivas.
Caso de estudio
AMEC S.A. es una empresa tamaño medio, administrada por un directorio compuesto
por miembros de una misma familia. Las actividades que realiza la empresa, son de tipo
industrial, comercial y de servicios. Las operaciones son incrementalmente dependientes
a las tecnologías de información.
La empresa requiere una auditoría financiera para efectos de contar con una Opinión
Legal sobre sus estados financieros. En base a experiencias anteriores con el mismo
cliente, los auditores plantean los siguientes parámetros:
Los auditores planean hacer una valuación de la Cuentas por Cobrar. Ellos desean
probar el valor en libros de las cuentas de clientes, confirmando una muestra de las
mismas, a través de cartas de confirmación de clientes. Los pasos a seguir por los
auditores son:
Ahora bien, siendo que la participación de las Cuentas por Cobrar dentro del total de
Activos es del 17,48%, aplicando este porcentaje a la materialidad global, se determina
que la materialidad específica (o error tolerable) de la cartera asciende a $46,875.
Rc
High Medium Low
High Very High High (H) Medium (M)
(HH)
Ri
Medium High (H) Medium (M) Low (L)
Low Medium (M) Low (L) Vey Low (LL)
Por último, dado que se ha entregado toda la información referente a la cartera a los
auditores externos, se califica el Riesgo de Detección como medio (Medium), por lo cual
el riesgo combinado hasta este punto es calificado como alto (High):
Ri x Rc
HH H M L LL
H HHH HH H M L
Rd M HH H M L LL
L H M L LL LLL
Por tanto, dado que el riesgo general de auditoría es del 5%, el riesgo de muestro será
equivalente al 6,25%, lo que significará trabajar con un nivel de confianza del 93, 75%:
Ri x Rc x Rd
40% 50% 60% 70% 80% 90% 100%
10% 25,00 20,00 16,67 14,29 12,50 11,11 10,00
% % % % % % %
Ra 5% 12,50 10,00 8,33% 7,14% 6,25% 5,56% 5,00%
% %
1% 2,50% 2,00% 1,67% 1,43% 1,25% 1,11% 1,00%
Ri x Rc x Rd
40% 50% 60% 70% 80% 90% 100%
10% 75,00 80,00 83,33 85,71 87,50 88,89 90,00
% % % % % % %
Ra 5% 87,50 90,00 91,67 92,86 93,75% 94,44 95,00
% % % % % %
1% 97,50 98,00 98,33 98,57 98,75 98,89 99,00
% % % % % % %
Para el nivel de confianza del 93,75%, los niveles de riesgo (en escala Z) de
sobreauditoría (alfa) y de subauditoría (beta) serán de 1,86 y 1,53 respectivamente:
Ri x Rc x Rd
Riesgo α
40% 50% 60% 70% 80% 90% 100%
10% 1,15 1,28 1,38 1,47 1,53 1,59 1,64
Ra 5% 1,53 1,64 1,73 1,80 1,86 1,91 1,96
1% 2,24 2,33 2,39 2,45 2,50 2,54 2,58
Ri x Rc x Rd
Riesgo β
40% 50% 60% 70% 80% 90% 100%
10% 0,67 0,84 0,97 1,07 1,15 1,22 1,28
Ra 5% 1,15 1,28 1,38 1,47 1,53 1,59 1,64
1% 1,96 2,05 2,13 2,19 2,24 2,29 2,33
zα 1.86
E = ε⋅ = 46 .875 ⋅ = 25 .704 ,84
( z α + z β ) 1.86 + 1.53
2
N 2 z α2 σ 2 100 .000 ⋅1.86 ⋅$2,07
n= = = 225
E2 $25 .704 ,84
$2.07
x ± z α σ x = $61 ±1.86 ⋅ = $61 ±0.2570484
225
Por tanto, los límites superior e inferior del intervalo de confianza, tanto para valores
medios como para valores totales, serán:
Media:
• Límite inferior: $61 - $0.26 = $60.74
• Límite superior: $61 + 0.26 = $61.26
Total:
• Límite Inferior: $6,100,000 - $25,704.84 = $6,074,295.16
• Límite Superior: $6,100,000 + $25,704.84 = $6,125,704.84
Caso de Estudio
Los auditores se disponen a revisar el sistema de facturación, para lo cual revisarán los
sistemas de control establecidos para los archivos de facturas en Contabilidad. Los
auditores desean tomar una muestra partiendo del hecho de que, anteriormente, para
realizar pruebas sustantivas de la cartera, tomaron una muestra de 225 clientes de entre
los cuales, se revisaron ya los respaldos de las facturas de los mismos.
Rc
High Medium Low
High Very High High (H) Medium (M)
(HH)
Ri
Medium High (H) Medium (M) Low (L)
Low Medium (M) Low (L) Vey Low (LL)
Por último, dado que no se ha entregado toda la información referente a la facturación y
que existen ciertas incongruencias adicionales, se califica el Riesgo de Detección como
alto (High), por lo cual el riesgo combinado hasta este punto es calificado como
extremadamente alto (Extreme High):
Ri x Rc
HH H M L LL
H HHH HH H M L
Rd M HH H M L LL
L H M L LL LLL
Por tanto, dado que el riesgo general de auditoría es del 5%, el riesgo de muestro será
equivalente al 5,00%, lo que significará trabajar con un nivel de confianza del 95,00%:
Ri x Rc x Rd
40% 50% 60% 70% 80% 90% 100%
10% 25,00 20,00 16,67 14,29 12,50 11,11 10,00
% % % % % % %
Ra 5% 12,50 10,00 8,33% 7,14% 6,25% 5,56% 5,00%
% %
1% 2,50% 2,00% 1,67% 1,43% 1,25% 1,11% 1,00%
Ri x Rc x Rd
40% 50% 60% 70% 80% 90% 100%
10% 75,00 80,00 83,33 85,71 87,50 88,89 90,00
% % % % % % %
Ra 5% 87,50 90,00 91,67 92,86 93,75 94,44 95,00%
% % % % % %
1% 97,50 98,00 98,33 98,57 98,75 98,89 99,00
% % % % % % %
Para el nivel de confianza del 95,00%, el nivel de riesgo (en escala Z) de sobreauditoría
(alfa) será de 1,96:
Ri x Rc x Rd
Riesgo α
40% 50% 60% 70% 80% 90% 100%
10% 1,15 1,28 1,38 1,47 1,53 1,59 1,64
Ra 5% 1,53 1,64 1,73 1,80 1,86 1,91 1,96
1% 2,24 2,33 2,39 2,45 2,50 2,54 2,58
d) Determinar las probabilidades de éxito y fracaso: En este caso, puesto que no se
conoce qué porcentaje de la población sí cumple con todos los aspectos de control
mencionados anteriormente y qué porcentaje no cumple, los auditores deciden
maximizar la muestra, asumiendo que las probabilidades de cumplimiento y de
incumplimiento son del 50% para cada uno.
0.5 ⋅0.5
p ± z α σ p = 0.5 ±1.96 ⋅ =0.5 ±0.049
400
Por tanto, siendo que lo que realmente interesa en este caso al auditor es el límite
inferior (0.5 – 0.049 = 0.451) el cumplimiento del 47% de la muestra es superior al
45,10% de límite inferior, por lo cual el nivel de incumplimiento no es significativo en la
evaluación del control.