ESTADSTICA ESPAOLA

nm. 1 Q8, 1985, pgs. 35 a 5fi

Auditoria y M todos Estadsticos :

Metodologa General y An lisis de pruebas
sustantivas mediante estimaci n de variables
pr ROBERTO ESCl^1DER VALLES
Catedrgtico de Estadfstica Econdmica y
Universidad de Valencia.

RESUMEN
En este trabajo pretendemos dar una visin general de la utilidad de los
Mtodos Estadsticos en la Auditora de Estados Financieros. Los aspectos
metodolgicos bsicos las hemos agrupado en cinco apartados y adems
dentro de cada uno de ellos, hacemos referencias operativas al problema
concreto de la estimacin y/o contrastacin de variables (rnedias y totales)
mediante el procedimiento estadstico de muestreo irrestricto de poblaciones finitas.
Palabras clave: Auditora, contabilidad, estadsticos muestrales, fiabilidad,
intervalos de confianza, muestreo, rnuestra aleatoria, prueba de cumplirniento, prueba sustantiva.

1.

INTRODUCCION

Repetidas veces c: auditor tiene que decidir, si las normas establecidas por el control
interno de una empresa se cumplen satisfactoriamente o no, otras, tiene que verificar la
racionalidad de un importe, otras, debe realizar una estimacin, etc. etc.

[-tir ^^[a^^1 [c ^^ t:s[^ ^^+c^[ ^^

En los diferentes casos que pueden presentarse al auditc^r, puede tomar dos vas cie
accin, a sabc^r:
a) Analizar uno a uno todos los dotumentos originales para obtener su conclusin;
accin que an siendo posible realizarla, muchas veces no se Ileva a cabo por imperativos de coste y tiempo.

b) Analizar slo una parte de los documentos originales (subconjunto o ms propiarnente hablando, "muestra"), e inferir (estimar y/o contrastar) a partir de dichos datos
^larciales, propiedades sobre la totalidad (o "poblaciQn") de los mismos.
En el prirnero de los casos apuntados, se utiliza nicamente anlisis descriptivo. El
anlisis a r^alizar se denomina exhaustivo, total o censai y aunque en su aplicacin
metodolgica pueden requerirse tcnicas de Estadstica Descriptiva, no se trata de
anlisis estadstico propiamente dicho, ya que lo que se entiende por tal, es el anlisis
inferencial a partir de muestras aleatorias.
En el segundo caso o anlisis parcial, se pretende elaborar conclusiones sobre la
totalidad o poblacin a partir solamente de una parte o muesira de la misma. Esta
tcnica parcial o no exhaustiva, requiere al menos tres fases diferenciadas pero relacionadas entre s, que son: la seleccin de la muestra, el clculo de los estadsticos o
coeficientes muestrales ms adecuados para las inferencias a realizar, y la elaboracin
de las inferencias o conclusiones referidas a toda la poblacin a partir de los datos
muestrales.

En cuanto a la seleccin de la muestra puede hacerse bien a juicio o criterio personal

del auditor, bien mediante mtodos estadsticos o de muestreo estadstico proporcionados por la Ciencia Estadstica.
Cuando la seleccin de la muestra se deja al criterio del auditor aparecen los mtodos
de muestreo o de obtencin de muestras a,jr^^crn o a crit^^rio; mientras que si la eleccin
de la muestra se realiza mediante procedimientos que sugiere la Ciencia Estadstica
tenemos los mtodos o criterios de rrlttc^srrc^^^ estaclstic^^. Existen tambin procedimientos mixtos con mezcla de componentes de ambos tipos.

Sin menospreciar el mtodo de criterio o de juicio, pues a veces da buenos resultados,

pero falla por lo rnenos en dos cosas:
-- I^+fo hay forma objetiva de calcular las unidades que formarn la muestra o tamao
muestral.
-- No hay forrna objetiva de elaborar inferencias o conclusiones; ni de asignarles un

^^ r>i rc^ka ti^ !^^^:^to^x^^ F^ti^r -^r^tir ic:-c^ti

nivel de canfianza o de fiabilidad: esto es un porcentaje entre 0% y 100%,, que suponga

una valoracin de su posible veracidad.
Sin embargo los Mtodos Estadstieos posibilitan: una formulacin objetiva de clculo
de tamao muestral; mecanismos aleatorios para la identificacin de los elernentos
muestrales; y, una deduccin objetiva y valorada, mediante un coeficiente de confianza--fiabilidad, de las conclusiones que se infieren para tada la poblacin.
He aqu algunos ejemplos y cuestiones a dilucidar:
a) C'uando el auditor ha de examinar una cantidad muy grande N de documentas o
justificantes, y no puede hacer un examen c^.thuic.^^tivv o c^c^^^.^ct ^Cuntos elementos o
documtntos tiene que examinar?, ^,Por qu un 10% y no un 1 Sc%, o un 2oc%r^?

b) Si los documentos estn clasificados, bien por importes monetarios, bien por
cualquier otro mdulo, ^conviene extraer documentos de todos los grupos, o por el
contrario, basta que sean de uno o de varios de los grupos establecidos?. An ms, una
vez aclarada la cuestin anterior en cuanto al grupo o grupos, ^cuntos elernentos
conviene extraer de cada uno de los grupos seleccionados?.
c) ^Qu coeficientes debe estudiar en la muestra, y cmo debe proyectarlos a la
totalidad de la poblacin.?
d) i.Se puede asaciar a las conclusiones algn grado de fiabilidad o de confianza, entendiendo por tal un porcentaje, entre el 0% y el 100%, de forma que cuanto ms se
aproxirnen al l0U% las conclusiones sean rns veraces?.
Para resolver estas cuestiones, as como otras rnuchas, se precisa del conocimiento de
los Mtodos de Muestreo Estadstico, su fundamento, sus posibilidades y sus aplicaciones generales y especficas.

Los mtodos estadsticos, una vez fijados los objetivos, proporcionan una serie de diseos, de los que se obtiene mediante procedimientos lgicos la "rnuc^.ti^tru " a seleccionar, as como los "r^.^^tur^strcu.ti ^y^uE^strules " para realizar "lnJE^rPnC^ius c^.staclsticus " medidas probabilsticamente.

Las muestras obtenidas mediante procedimientos estadsticos se denominan rrrecc^.stru.s^

ulc^ut^^rru.^^ u c^.ti^tucl.^^ticus. A stas son las nieas a las que nos vamos a referir. Como
vamos a ver, su seleccin se basa en la idea de aleatoriedad. Su obtencin real, se
consigue por la identificacin de documentos originales con ni^mc^rus ulc^uturiv.ti^, bien
obtenidos de una tabla de dgitos aleatorios bien generados por un ordenador.

E5TADSTI('A ESPAOI..A

Existen diferentes dise^os o procedimientos de seleccin muestral. Extrada e identificada la muestra, en funcin del diser^o se calculan los estadsticos muestrales sugeridos
por la metodologa estadstica y posteriormente se obtienen las conclusiones o inferencias sobre la poblacin con una fiabilidad determinada.
Por todo lo anteriormente dicho, en la parte que sigue en esta exposicin vamos a
considerar los siguientes apartados:
a) Formulacin de objetivos y delimitacin de la poblacin.
b) Eleccin del dise^o y mtodo aleatorio.
c) Clculo del tamao muestral.
d) Seleccin al azar (o aleatoriamente de los items o unidades poblacionales que
constituyan la muestra).
e) Clculo de los estadsticos muestrales necesarios para llevar a cabo la investigacin, su proyeccin poblacional e inferencias.
fl Conctusiones.

2.

FORMULACION DE OBJETIVOS Y DELIMITACION DE LA POBLACION.

I.

En Auditoria suelen realizarse das tipos de pruebas:

a) La.^' s'i^sturltivas, mediante las cuales se pretende estimar y/o contrastar la racionalidad de importes {montantes y/o desviaciones) rnonetarios de alguna partida o cuenta
de un estado cantable.
b) Las de ci^rnplimic^ntu, que si bien pueden relacionarse con desviaciones numricas
de los estados contables, fundamentalmente tienden a contrastar si los criterios, controles, requisitos, etc., etc., establecidos por la direccin, se cumplen o no; en definitiva 1a
eficacia o no del enntrvl intPrno.
Tanto unas como otras pueden abordarse mediante la ^Vfetodologa Estadstica.
En las pruebas de cumplimiento suele establecerse un porcentaje mximo de error, a
partir del cual se considera que hay mat^rralidad o error de importancia. La prueba
estadstica correspondiente va dirigida a determinar si a partir del porcentaje de error
muestral obtenido, puede inferirse, si el posible error poblacional supera o no al
preestablecido como indicador de una materialidad; por lo tanto desde un punto de
vista estadstico consisten en una contrastacin de atributos, y pueden considerarse bien

Al.'DITORA Y MTODOS EST,aDS"TI('OS

39

como un caso de estimacin y/o contrastacin de proporciones, bien dentro de la

metodologa del rnuestreo de aceptacin--rechazo o de continuacin-suspensin (go and
stop sampling), bien como un caso de muestreo de descubrmiento o exploratorio que es
el procedimiento ms expeditivo para identificar poblaciones incorrectas, y tambin
mediante la utilizacin de mtodos bayesianos.
Las pruebas sustantivas consisten, bien en la estimacin de un valor, bien en la
contrastacin de la racionalidad de un importe. Son propias de variables y pueden
abordarse mediante los mtodos estadsticos de estimacin y contrastacin de variables,
con sus diferentes variantes, tanto en cuanto al diseo muestral elegido (estratificado,
muesireo irrestricto, sistemtico, por conglomerados, por unidades monetarias, etc., etc. )
como a la metodologa utilizada (cisica o bayesiana). Dentro de esta tipologia la
prueba ms comunmente realizada en Auditora es la estimacin y/o contrastacin de
un "total", corno puede ser por ejemplo una cuenta de existencias, de clientes, etc.,
mediante muestreo irrestricto.
II. tJna vez especificada la prueba, bien sustantiva bien de cumplimiento hay que
def nir con todo rigor y precisin la poblacin o conjunto de los elernentos poblacionales. Unas veces sern albaranes, otras facturas, otras lneas de un listado de ordenador,
otras asientos del libro diario, etc., etc. Tambin se deber especif car la naturaleza
cualitativa y/o cuantitativa de esos los elementos poblacionales as como el perodo de
tiempo de referencia.
Dilucidados con todo detalle el tipo de prueba y la poblacin es cuando se puede
pasar a las etapas propiamente de naturaleza estadstica y que en cste trabajo, junto a la
metodologa estadstica de aplicacin a la Auditora en general, hacemos tambin
referencias al caso concreto de estimacin y/o contrastacin de variables rnediante
muestreo irrestricto, con la finalidad de estimar el valor total de una cuenta, o bien,
contrastar la racionalidad de un importe que figure registrado en Contabilidad.

3.

EL PROBLEMA DEL DISEO

Formulados los objetivos, y especificada la poblacin, hay que elegir el diseo 0

mtodo aleatorio a utilizar, cuya eleccin puede depender adems de si la prueba es
sustantiva o de cumplimiento:
-- de la propia estructura de la poblacin.
-- del nivel de confianza y de la precisin deseados, y
del coste de la operacin.

E:STr1[)S T ll^^r7 E:SF' ^^It)t_r^

La metodologa Estadstica ofrece diferentes diser^os, algunos vlidos para los dos
tipos de pruebas, otros salo para uno. Como acabamos de indicar en el epgrafe 2., dos
son los rntodos estadisticos generales utilizados;

a) Los correspondientes a la estimacin y contrastacin estadstica de variables y/o

atributos, y los mtodos de
b) aceptacin-reehazo, suspensin-continuacin, (o go-stop sampling) y su caso particular muestreo de descubrimiento o exploratorio.
Dentro de ellos, puede hacerse un anlisis partiendo nica y exclusivamente de la
informacin muestral, o, anlisis cisico; a bien utilizando aderns una determinada
informacin inicial, o anlisis bayesiano. Tambin pueden ser utilizados, fundamentalmente dentro de la estimacin de variables, los mtodos indirectos corno los de diferencia, razn y regresin.
Aunque los mtodos bayesianos van introduciendose paulatinamente, los mtodos
estadsticos ms utilizados hoy por hoy en Auditora son los clsicos; utilizndose los de
aceptacin-rechazo (y descubrimiento) para contrastar atributos, y los de estimacin y
contrastacin tanto para estimar como para contrastar variables y/o atributos.
La metodologa de estirnacin-contrastacin
aceptacin-rechazo, pero exige ms requisitos.

es

ms completa que la de

Elegida la metodologa general, existen sabre todo para la estimacin de variables,

diferentes dise^os de seleccin muestral y consecuentemente distintas aproximaciones en
cuanto a las inferencias poblacionales. No vamos a hacer una descripcin general de
todos e11os, pues es ms bien propio de un libro sobre Muestreo Estadstico. Basta saber
que para cada uno de ellos la metodologa estadstica proporciona la forma de extraer
la muestra, los estadsticos muestrales a utilizar y sus propiedades, as como las inferencias posibles y su fiabilidad {vase por ejemplo ^ochran, 1977). Nosotros tan solo
vamos a realizar algunas consideraciones muy generales y entresacar algunos aspectos
peculiares en la prctica de la auditora mediante muestreo.
El procedimiento de muestreo ms elemental desde un punto de vista estadstico es el
de muestreo aleatorio simple, en el que, cada muestra posible de tamao n, debe tener
una misma probabilidad de ser extrada, as como cada elemento de la misma probabilidad de ser seleccionada para formar parte de la muestra; segn que un mismo elemento
poblacional pueda o no aparecer repetido en una misma muestra, se denomina restricto
o irrestricto. En el caso de poblaciones infinitas no tiene sentido su diferenciacin, pero
el caso de poblaciones finitas (Vase R. Escuder y S. Murgui, 1983) que es el que se
presenta en Auditora, debe utilizarse el muestreo aleatorio simple sin reposicin o

Al_'UITORA Y MTO[X)S FS^I ADST I('O:ti

irrestricto, por razones obvias. De las condiciones definitorias del procedimiento que
son las que acabamos de enunciar e introduciendo algunos supuestos sirnplificadores
sobre la poblacin a analizar la Ciencia Estadstica proporciana la frmula para la
obtencin del tamao rnuestral, los estadsticos a utilizar, as como las posibles inferencias (estimacin y/o contrastacin).

Otros diseos ms complejos san:

a) Particionar la poblacin U={u^} en partes y muestrear dentro de cada una de ellas
o Muestreo Aleatorio Estratificado.

b) Particionar la poblacin U, en partes, y muestrear con dichas cldses o partes y no

con unidades. Este mtodo se denomina muf^strc^o ulc^atorrc^ por rvn,^,xlr^mc^rc^c^ns, y
admite como caso particular el procedimiento denominado muc^strc^o ulc^utc^ric^ .si.^tc^mtieu, y el de rc^plic^ac^icn. (Vase Deming 1960).

c) Generalizar el proceso descrito en b) en n etapas, en cuyo caso tenemos el

n^t^c^strc^c^ alc^atoric.^ pvliE^tpicv. E1 easo ms estudiado es el hic^tpicc^, tambin eonoeido
con el nombre de muYStre^ pvr ^c^n^^Ic^meradc^s cvn st^hmrcc^str^c^, siendo el muc^streU por
c^vn,^lc^mc^raclc^.^^ (simplc^) un caso particular.

d) Finalmente podemos considerar tambin los llamados procedimientos de unidad

munc^taric^, que utilizan el diseo irrestricto o sistemtico, pero no con probabilidades
de seieccin iguales para cada elemento o unidad muestral, sina proporcionales a sus
importes monetarios estadsticamente, muestreo con probabilidades proporcionales al
tamao, (vase por ejemplo Arens y Loebbecke, 1981).

4.

^
DETERMINACIN DEL TAMANO MUESTRAL

Como hemos indicado anteriormente, la metodologa estadstica permite elaborar

una frmula o expresin objetiva para el clculo de tamao muestral. Esta deper^cie del
tipo de diseo, y de especificaciones concretas dentro del mismo. En general depende
del tamao poblacional N, del error o precisin E deseado y del nivel de confianza o
fiabilidad (1-a) exigido.
En el diseo irrestrictamente aleatorio, que es e1 ms sencillo la expresin del tamao
muestral para la estimaciQn o contrastacin de variables es:

ESTADSTI<'A ESPAIV(3LA

(1)

n=

1
_.

E
`' 1
^ #+ _.._
^rfa

^
^

de donde se obtiene que el tamao muestral crece con N(tamao poblacional) pero a
ritmo decreciente, con una asntota horizontal igual a la unidad dividida por el primer
sumando del denorninador. Como puede observarse depende:
`^ de la distribucin normal reducida,
a) Del valor crtico tao
_ cuantil de orden (1 ---2
que a su vez depende dl nivel de confianza de (1-a), deseado para las conclusiones.
b} Del error o precisin E, y,
A

c) De una estimacin inicial d^ j^ de la cuasi-desviacin tpica poblacional (o tambin

de la desviacin tpica poblacional (a travs del cuadrado de su cociente, que suele
denominarse, razn del error a la cuasi--desviacin tpica, o a la desviacin tpica).
La frmula ( l) se obtiene como vamos a ver al suponer la aproximacin normal para
las medias muestrales.
En efecto partiendo de la igualdad
P [ -l a < ------ < t a ]
^
a
=

= 1-a

{2)

vlida para cualquier distribucin normal N(m, aZ} (*}, como en el muestreo irrestricto,
la v.a. X tiene por parmetros media y varianza

(3)

E(^=m

^ '
N-n a'
D (^ _- -

N-1

(4)

admitiendo que X sigue una distribucin normal, tendremos:

P[ X- t a
=

N-n Q

---- ---- < m< X+ t x

=
N-1 ^

(*) Distribucin normal de media m, y varianza a`'.

N-n R

--]= 1-a
N-1 ^

(5)

At1DI^TORA Y M^TU[X)S FSTAU^STIC'OS

4i

introduciendo el parmetro o coeticiente:

N

_ --- o~
N- 1

(6 )

que puede denominarse euasivarianza poblacional, se obtiene como intervalo I,_^ para
la media poblacional de nivel de confianza, cuando irz ( o^) es conocido:
Q

1 _n

1 ^_a ^`' [ .x - t^
j

.x

+ tx
^

Q
n
i _ _ .._..._..
N
^

y finalmente llamado error o precisin (por defecto y por exceso) a:

E.-!z
^

1 -n =
N ^

($)

elevando al cuadrado y haciendo operaciones se obtiene:

n=

(4)
E
Q

1
++

esta expresin proporciona una forma objetiva de obtencin del tamario muestral, en
funcin del nivel de confianza { 1-a), precisin unitaria E deseada, y tarnao poblacional N.
Obsrvese que con (9), queda dilucidado para un caso concreto, uno de los problemas
que se le plantean al auditor en el caso de utilizar informacin parcial y no exhaustiva.
La interpretacin emprica del nivel de confianza, o' fiabilidad, la hacemos en el
apartado siguiente. Ahora solo hacemos un comentario en cuanto a la expresin:
E
Q
o razn del error unitario a.la cuasidesviacin tpica.

E^sTA[)STI('.^ E^SP.Ayt)l :A

En general la des^fiacin tpica pohlacional ^r (o hien la cuasidesviacin tpica ^r) no se

conoce y hay que estirnarla, pero para estimarla se necesita una muestra y como hemos
visto para obtener el tamao muestral, se precisa la desviacin tpica. En definitiva se
produce un crculo vicioso que se rompe as:

-- Si no se conoce la desviacin tpica poblacin, se estima a partir de una muestra

de tamaa pequeo, alrededor de 36, o un poco ms segn los casos. Esta
estimacin de la desviacin tpica ( o de la cuasidesviacin tpica) la denominaremos "inicial" y salo se utilizar para el elculo de n a partir de la expresin (9),
A

de ah que aparezca r^l, en ( 1). Para su estimacin puede utilizarse tanto s, como s,
o tambin el resultante del mtado del rango o recorrido ( vase para este ltimo
Arkin 1.974). (*}
- Obtenido el tamao muestral definido n, a partir de ( 1 } se procede a calcular los
estadsticos adecuados para realizar las inferencias oportunas a partir de (7) como
veremos ms adelante.

En todo el proceso del diseo muestral, conviene no olvidar que las estimaciones y o
contrastaciones de variables tiles para Auditora en general son ms bien sobre totales
y no sobre medias. Gomo veremos en el apartado sexto de este trabajo, del intervalo (7)
para la media fcilmente se obtiene otro para el total, y que la frmula (1) para el
clculo del tamao rnuestral sigue siendo vlida teniendo en cuenta que E es el error o
precisin respecto de la media y no respecto del total.
Por otra parte el tamao muestral "n" deducido de (1 }, no debe considerarse definitivo, puesto que la precisin E' realmente obtenida, puede no ser igual (y en general no la
es) a la inicialmente establecida E, debiendo tomar una muestra complementaria en
caso de ser necesario mejorar E'.
Finalmente debemos indicar que desde un punto de vista estrictamente estadstico, no
es necesaria frmula alguna para el clculo del tamao muestral puesto que ste puede
ser un nmero cualquiera, fijado arbitrariamente; lo que si que es preciso es o,ue la
muestra se extraiga aleatoriamente, segn los requisitos del diseo utilizado (vase
apartado siguiente), pero de esta forma, la precisin E' realmente obtenida, puede diferir
muchsmo de la inicialrnente propuesta E.

(*) Por s y sdentamos respectivamente a la desviacin tpica y a la cuasidesviacin tpica de la

muestra (vase b.2.).

Al^f)itt)FtA Y' Mf:TC)D()SE^I.A[)STI<^()^

5.

SELECC'IC)N AL A"LAR. IDENTIFIC~ACION DE LOS L^^OC'l^1VlENTOS

MU ESTRALES

I.- Determinado el tamao muestral n, hay que proceder a la seleccin aleatoria o al

azar de los n elementos que constituirn la muestra.
La seleccin emprica al azar u aleatoria, corresponde siempre a un modelo probabilstico, luego desde un punto de vista terico no hay objecin alguna. El problema es el
emprico esto es, el de instrumentar mecanismos que aseguren la "aleatoriedad" de las
extracciones contenida en el diseo terica. Catia diseo posee sus peculiaridades. Esta
dualidad terica-emprica jams hay que perderla de vista.

Clsicamente los mecanismos ms utilizados han sido esquemas de urnas, loteras,

etc., etc., que si bien los cito por motivos intuitivos, hoy en da estn eompletamente
obsoletos ante las Tablas de Dgitos Aleatorios y los programas o softwares informticos, ya que practicamente todos los ordenadores tienen una instruccin para obtener
nmeros aleatorios.
Relacionado con este problema de sc^leccir^n al a^ar, la segunda cuestin que se
plantea es la identiJicac^i^^n de los justificantes, comprohantes, asientos, o cualesquiera
elementos empricos correspondientes a los nmeros aleatorios.
Seguidamente hacemos unas breves referencias en cuanto a la seleccin muestral por
el mtodo irrestricto, y a la identificacin de los documentos constitutivos de la
muestra.
lI.- Debido a que en las Tablas de Dgitos Aleatorios cualquier nrn^.^rca formado por
un nmero concreto de guarismos tiene la misma probabilidad de ser extrada, seleccionar al azar una muestra irresctricta de n elementos, de una poblacin de N, equivale a
elegir n nrneros con el mismo nrnero de dgitos, y de cardinal menor que N de la
Tabla. Es vlido cualquier orden de seleccin, pero una vez determinado el punto de
arranque que puede obtenerse a su vez aleatoriamente, lo ms cmodo es recorrer las
Tablas hacia abajo. Si la muestra es sin reemplazamiento no se puede repetir ninguno
de los nmeros y si es con reemplazamiento s.

Una buena prctica de Auditora es incluir en los papelc^s de trahuj^^ tanto el punto de
arranque de los nmeros aleatorios como el punto final, as coma el criterio o ruta
seguido, y mejor an todos los nmeros aleatorios utilizados, y cmo se han identificado a travs de ellos los documentos, o justificantes que forman la muestra, pues de esta
forma el trabajo del auditor siempre puede ser verificada. En general como las tablas de
nr.^eros aleatorios poseen indicadares de pgina, fila y columna; no es necesario repetir
o explicitar en los papeles^ de trahajo todos los nmeros aleatorios extrados, basta el
punto inicial o de arranque y el final o de terminacin.

46

ESTADISTICA ESPAOLA

I11.- La identificacin de los documentos, justificantes, asientas, etc., etc., que formarn parte de la muestra, exige una prenumeracin de las mismos, o bien aprovechar la
numeracin que dichos documentos posean.
Si el nmero de documentos o justificantes de la poblacin, es un mltiplo exacto de
l0, por ejemplo k, habr que utilizar series de k dgitos aleatorios. Si est entre dos
mltiplas k' ^ k", habr que tomar series de k" digitos aleatorios, pero en la seleccin
habr nmeros que se debern despreciar por no corresponderles documento o justificante original alguno.
Pueden presentarse adems muchos casos singulares. Por ejernplo, si los documentos
estn clasificados por, semanas, meses, y dentro de cada perodo numricamente, pueden tomarse dos vas de accin equivalentes para asegurar la aleatoriedad:
a) Considerar dos series diferentes de nmeros aleatorios, una para los perodos, y
atra para los nmeros o documentos de cada perodo.
b) Utilizar tablas de semanas o meses aleatorios, para los perodos (en caso de ser
semanas o meses) y tablas de dgitos aleatorios para la numeracin.
Si se tratara de asientos en el libro Diario, o listados de ordenador, puede utilizarse
tambin dos series diferentes de nmeros aleatorios, una para identif car las pginas y
otra para los asientos o lneas de cada pgina, etc. etc.
Tambin se usan artificios para hacer la seleccin aleatoria ms rpida, ordenando
previamente los nmeros aleatorios extrados; pero hay que tener cuidado de no perder
la secuencia aleatoria ariginal, pues hay procedimientos estadsticos, como el del rango
medio para estimar la desviacin tpica, que precisa la secuencia aleatoria original.

6. OBTENCION DE LOS ESTADISTICOS O COEFICIENTES MUESTRALES. SU

PROYECCION POBLACIONAL. INFERENCIAS.
I.- Identificada la muestra, la Ciencia Estadstica, para cada diseo nos indica: los
coefieientes muestrales a calcular, cmo proyectarlos a la totalidad de la poblacin, y
cmo asignar un ndice de fiabilidad, a dichas proycciones.
En el caso de variables y dentro de los problemas concretos de Auditora, normalmente se trata, como ya hemos indicado anteriormente, de estimar y/o contrastar un
importe (t^tal) de una cuenta. Por lo tanto Ilamando N al nmero total de elementos
poblaci^nales (nmero de clientes, nmero de partidas de un inventario etc.) se sigue
evidentemente que
Total poblacional - N . m

(10}

47

Alt)ITORA Y MFTO[?OS FSTA[^STIt^Os

y tdcilmente se demuestra que el estadstico muestral a utilizar para estimar y/o

contrastar ese parmetro (vase Cochran 1977) no es el total muestral "n ..^" sino:
N -z^

(1 1)

y dado que .^r es una variable aleatoria asociada al proceso de muestreo con media y
varianza especificadas por (3) y(4), recordando las propiedades estadsticas ms elementales de los momentos de una disiribucin tendrernos que:
E(N.^^)=N.rrr

(l0')

D`' ( N . .Y) - N ' (1-Jj

rt
rt
donde.J^= - (fraccin de muestreo).
N

luego suponiendo vlida la aproximacin normal, el correspondiente intervalo de fiabilidad o de nivel de confianza aproximadamente igual a ( 1-a), para el total poblacional
ser:

I ^-^ = ( N -Y - Ix N
'

jt r^ '
1 - -- - ; N_Y + t^ N
^
N n

n ^
1 - -- ----)
N r^

(12 )

Llamando E' al error por defecto o por exceso de la estimacin tendremos:

E' = 1 x N
^

y por lo tanto la relacin entre E' y E es:

E=E^=t x
N
2

l _n
N

^
n

(13' )

por lo que se justifica que la expresin ( 1) para el clculo del tamao muestral es vlida
tanto para medias como para totales. La nica salvedad es que si el dato es E' en (1)
E'
debe sustituirse E por -N
El intervalo ( 12} posee una probabilidad aproximadamente igual a( l-a) de incluir al
verdadero total poblacional desconocido N. m, y por ello se dice que despus de sacada

48

ESTA[^STIt^y^ E.:SPr^(^l.A

la muestra y evaluado el intervalo (12) hay una confianza en tanto por uno de ( I-x) de
que dicho intervalo contendr al verdadero valor.

Debido a la simetra de la distribucin normal, los intervalos

a

1 -n
N

( ^ - ^;,^`'1
=

, ^

1 _ n ^ )
N n

I^ + t,^,N
^

(15}

poseer^n un nivel de conf anza (1 - a).

2
lI.- En cuanto a los estadsticos muestrales a utilizar, se desprenden de (12), as como
de las propiedades estadsticas de los estimadores de poblaciones finitas (Vase Azorn
(1969), y S. Crespo ( l 9$0) ).
Dado que el estimador insesgado del total poblacional N. m, es N..-^, siendo :x^ la
media muestral:
n

^ x;
'r_-1

(16)

X-

y que en general no se conoce, siendo el estimador insesgado de Q`' la cuasivarianza

muestral
n

^ (X; - -^)
;_ ^
n -1

se utili<^ ^^omo estimacin adecuada de Q, el estadstico

n

S =

^
i= /
----

(X;

n-1

- X

(17)

At^ C)I T^OR^A 1' MTOCX)S ESTADSTi( ()S

_
_
_

_ _.

. _

^y

aunque tambin puede usarse .^^, o bien el resultado de estimar desviaciones tpicas por
el mtodo del ran^o o recorrido medio (Vase Arkin, 1974).

lll.- ^videntemente la proyeccicn poblacional ser:

.1'

( N ^x -- t^N
^

l-^-^----; N^x + t,^N

N
^
n

1- n--)
N rr

(19)

expresin que se obtiene sencillsimannente a partir de (12) y sustituyendo i^`' por su.
estimacin insesgada .^^'. La expresin (19} es un intervalo de posibles valores para el
total poblacional, que tiene asociada una confianza, (1--a), de incluir al verdadero total
poblacional N x m, ya que la correspondiente expresin ex--ante, (Vase 7.4.), teniendo
en cuenta (5), (6), (1Q') y(1 1'), es:

P ^ N X- t ^
^

1- n-=< NXm < N X+ t ^

N^
^

1- n-?- ^= 1-a (19')

1'J^

IV.- La metodologa que hemos expuesto est basada en la teora de intervalos de

conf anza. Sin embargo, la mayora de las veces, el auditor tiene que tomar una decisin
racional sobre un determinado importe monetario con referencia a una materialidad
preestable^ida, o bien sobre un ratio o porcentaje; lo cual desde un punto de vista
estadstico presupone utilizar la teora de los contrastes de hiptesis. Para adaptar esta
problemtica al esquema descrito en los subapartados anteriores, necesitamos hacer
unas consideraciones adicionales.
Para aceptar o rechazar un importe monetario (registrado en los libros de contabil^dad, o supuesto) resp^ecto de una determinada materialidad, y anlogamente cuando se
trate de un ratio, el auditor necesita conocer adems de dicho importe: la cifra (o ratio)
de la materialidad; la probabilidad {o riesgo} "a" de cometer un "error tipo I", o
probabilidad de decidir incorrectamente que hay un error material cuando de hecho no
lo hay (conviene observar que es igual a la unidad menos el nivel de confianza del
intervalo correspondiente); y la probabilidad o riesgo "i3" de cometer un "error tipo II",
o de de^idir incorrectamente que no hay materialidad cuando de hecho la hay. La
forma ms clsica de visualizar esos dos tipos de errores y sus probabilidades son:

SU

ESTAnSTIf'A ES^.AOLA
__
_

RFq

^^^^isi
Llp,^b
D^V

NQ^ MATERIALIDAD

MATERIALIDAD

^10

DECISII^N: CORRECTA

MATERIALIDAD

PRCJBABILIDAD: "t - a"

DECISION: 1NCORRECTA
(ERROR T1P0 11}

DECISION: CORRECTA

MATERIALIDAD

PROBABILIDAD: "B"

PROBABILIDAD: "1 - [3"

DEC1S1iJN: INCORRECTA
(ERR(JR TIPO 1}
PROBABILIDAD: "a"

Especificados estos pormenores, el auditor puede aplicar a los contrastes la metodologa aqu descrita, con la salvedad de que el valor E(precisin) de la formula (9) no lo
puede establecer libremente, puesto que ahora se encuentra funcionalmente relacionado
con la materialidad {importe o ratio), con "a", y con "C3"; pudindose obtener para
cada caso concreto una expresin materntica al menos aproximada (que depender de
la distribucin de probabilidad asociada al proceso de muestreo), para la determinacn
de E.
Por ejemplo si el auditor tratara de contrastar la racionalidad de un importe (valor de
una cuenta de clientes, de existencias etc.) respecto de una materialidad M, fcilmente
se obtiene a travs de la aproximacin normal:
a.-- Que el valor de E a utilizar en (9), f jados "M", "a", y"t3", es:
t^
E = M

=-ta # l^
^

b.-- Obtenida la muestra, calculados los estadsticos muestraies "x" y".^', y el intervalo (19), se deduce con un nivel de confianza (1-a):
b.l.- Que ha habido sobrevaloracin, si el importe registrado (o supuesto) excede
al extremo superior de (19).
b.2.- Que ha habido infravaloracin, si dicho importe es menor que el extremo
inferior de (19), y
b.3.- Si el susodicho importe pertenece a(19), puede admitirse la racionalidad
del mismo.
c.-- F i proceso b.- puede realizarse anlogamente a travs de (1 d), o(15), siendo
entonces e! nivel de confianza (1 -`^.
2
.
En todos estos casos el valor efectivamente obtenido de "13", depender de "s" como
ms adelante explicaremos.

51

AIJUITnRfA Y MTODOS ESTApSTIC'OS

Controlar los valores "a", y"13", es muy importante para el auditor, ya que en las
pruebas donde "a" resulte excesivamente elevado se incurri r en un excesivo riesgo de
error tipo 1, con la posible consecuencia de realizar ms pruebas de auditoria (o las
mismas pero ms rigurosas) que las estrictamente necesarias; rnientras que aceptar la
hiptesis nula del contraste con excesivo riesgo de error tipo Il, esto es concluir que no
hay materialidad con un desproporcionado valor de "!3", puede acarrear consecuencias
muy gra^ ves para la firrna auditada y consecuentemente para el auditor. Por ello "a"
suele recibir en calificativo de riesgo de excesiva (o sobre) auditora ("overauditing
risk"), y anlogamente "13" el de riesgo de no garanta {"unwarranted relidnce risk"),
esto es riesgo de confiar en demasia en la potencia {o posibilidad) de detectar errores
por parte det sistema auditado. (Roberts, D. M. 1978).

7.

CONSlDERACIONES FINALES.

1.- En todo el razonamiento anterior se ha puesto la aproximacin normal. Evidentemente el teorema central del lmite establece las condiciones de normalidad para
distribuciones como la media muestral, especifi^ando a su vez las condiciones para cada
una de las variables componentes. Sin embargo las poblaciones de contabilidad, a veces
aparecen bastante sesgadas en cuanto a su simetra, pinsese por ejemplo en una cuenta
de clientes, en la que posiblemente el nmero de ellos variar de forma inversamente
proporcional a los importes de sus saldos. Algo parecido podramos decir en cuanto a
las partidas de un inventario, etc. etc.

Por ello en los casos en los que ia aproximacin normal sea un poco forzada se cl^^h^^
intentar introducir tcnicas ms sofisticadas como puede ser 1a de estratificacin, 1^^ ^ie
unidades monetarias, etc, etc. O bien dentro del muestreo irrestricto proceder a introducir factores correctares por falta de simetra y/o por apuntamiento excesivo, como
sugiere Arkin ( 1982), o utilizar la aproximacin de Tchebychev, como indicamos
seguidamente.
En general, aunque la no normalidad si que se tiene en cuenta para la evaluacin o
clculo del intervalo ( 19), no se suele introducir en la determinacin del tamao
muestral, que puede seguir calculndose mediante (1) ya- que se considera una expresin
orientativa, que en todo caso ser rectificada a posteriori, despus de la evaluacin del
intervalo (19).
El criterio sugerido por H. Arkin (19$2), consiste en utilizar los valores tano directa.

mente de la tabla de la distribucin normal reducida, sino a partir de las tablas de E.S.

k.ti f" 1f)ftiT 1('^^ F-SP^1^()1...4

5?

Pearson y H.O. Hartley publicadas en I y54, donde los ti^alores t rse corri^en teniendo en
cuenta posibles coefcientes de asimetria positivos y negativo:^ (recurdese que el coefi^^.^

ciente de asimetra ^, esto es el momento central de tercer orden dividido por la

rr

desviacin t^pica elevada a! cubo, de cualquier distribucin normai, es cero) y posibles

coeficientes de kurtosis diferentes a las de la normal (recurdese que el coefciente de
kurtosis de cualquier distribucin normal es 0 3 se^n su expresin sea bien el
momento central de cuarto orden ^u4 dividido por desviacin tpica elevada a la cuarta
potencia, bien la expresin anterior menos tres, ya que ^' = 3 para toda distribucin
a
^
normal).

Finalmente el otro criterio alternativo consiste en utilizar los valores de t_xdeducidos

t

de1 teorema (o mejor dicho), desig,ualdad de Tchebycheff' (vase por ejemplo Arniz
(1978). y N.V. Srnirnov (1978) ), con lo que las conclusiones son vlidas para cualquier
tipo de distribuein.

Una formulacin de dicha desi^ualdad es:

P[X--kQ<m<X+krr]> 1_1
k'
donde X es una v.a. cualquiera con media m y varianza n'.
Comparando (20) con (5) y con ( 19'), se sigue:
1
a = ^ , esto es, k =

^.^

1
-

y para el caso que a nosotros nos atae, de estimacin de Nxm, tendremos:

P[N X-- k. N

1-- N

-?- < N m< N X+^. N I_ n ^

y^
N
rt
^

1>

l
1 - --;
1r

y por 1^ ^ tanto, el intervalo de nivel aproximado (1-a), ser:

(N X-

1 N
a

1_ n
N

^
^
^i
^; N x+ ^ N 1-- ^)
^
n
a
N
^l

('1)

Al;[)I1ORA 1^' M"T^(7[)OS E^ST^1D511( (>S

11.- En cuanto a la determinacin del tamao muestral en los casos de no normalidad, puede obtenerse la correspondiente expresin a partir de la expresin del intervalo
(19) modificado par las correcciones de asimetra y Kurtosis, o bien a partir de la (2 I);
pero en general se sigue utilizando el valor que arroje la expresin (1) o un poco rnayor
para corregir el efecto de la no norrnalidad, puesto que utilizar un tamao muestral u
otro no invalida para nada el proceso estadstico seguido siempre que la muestra se
extraiga segn el diseo ateatorio preestablecido, lo nico que puede ocurrir es que en
la evaluacin defnitiva del intervalo resulte un error muy por encima al preestablecido,
en cuyo caso habra que rectificar el tamao muestral inicial, hasta conseguir un errar
adecuado.
Ill.- Con referencia al clculo de los intervalos de confianza en el caso de no utilizar
la aproximacin normal, hay que tener en cuenta que si se toma la primera va
alternativa los intervalos suelen ser ms anchos, esto es menos precisos y si se toma la
segunda va, la desigualdad de Tchebychef^ solo proporciona cotas inferiores de probabilidad.

tV.- En cuanto a la evaluacin de los resultadas abtenidos al utilizar mtodos

estadsticos en el contexto de Ia auditoria, podemos concluir que su utilizacin es
siempre positiva. Ahora bien tanto en el caso de estimacin como en el de contrastacin, la definitiva precisin obtenida en (19) es:

E"=Nt,^
'

.
1 -n --^
N ^,^ rr

expresin que depende de "^'' y por lo tanto puede ser diferente de la inicialmente
establecida E'.
Si E" < E', significar que la inferencia realizada verifica en demasa las especifi<<<ciones i niciales (esto es, que se obtiene mejor precisin que la prevista para el caso de
estimacin, y menor riesgo "a" en ei caso de contrastacin), lo cual es bueno, pero
tambin significa que con las especificaciones iniciales podran haberse obtenido inferencias adecuadas con menor tamao muestral y por lo tanto con menor coste. En caso
contrario si E" > E', la precisin ser peor que la inicialmente propuesta y consecuentemente se incrementar el riesgo "i3" por encima de lo prevista si se mantienc "a" al
nivel inicial, o bien aumentar "a" si no se quiere rnodificar el nivel de "B" (lo que
requiere recalcular la precisin para el nuevo valor ce "a"). Otra solucin para este
ltimo caso, al objeto de intentar mantener las especificaciones iniciales, es incrementar
el tamao muestral tomando una muestra complementaria con el consecuente coste
adicional y rehacer todo el proceso inferencial de nuevo.

S4

ES7ADISTIt'A ESPAt?LA

La forma de especificar "a" y"E"' en el caso de estimaein, y"a", "[3", y"M" (o el

correspondiente ratio) en el caso de contrastacin, desde un punto de vista completamente especulativo, podra corresponder al libre albedro del auditor; pero situndonos
en el contexto de la auditora, "E"' y"M" (importes o ratios) los especifica el auditor
en funcin de su experiencia y de la naturaleza y c^ase de la prueba, mientras que "a" y
"f3" dependen, del riesg,o total que desee soportar el auditor en su informe, de la
evaluacin del controt interno que inicialmente haga, y de la informacin no estadstica
que el auditor pueda obtener de comparaciones con otras situaciones anlogas (Stringer,
K, W. I 9?5}; an ms, Roberts D. M. (19?8), insiste en que el auditor siempre debera
valorar conjuntamente tanto los riesgos de utilicar muesiras (estadisticas o a jucio)
como los na-muestrales o pasibilidad de que el sistema falle en encontrar defectos an
analizando todos los elementos de las correspondientes poblaciones. Evidentemente
tambin tendr que tenerse en cuenta el posible coste asociado al tamao muestral
resultante.

T.M.F'. Smith (197b) indica que la mejor forma de utilizar la totalidad de la informacin es a travs de la metodologa bayesiana, y as lo hace en un recientsimo trabajo en
colaboracin con R. W. Andrews (1985), continuando la va iniciada por Cox D. R.
{1979).
Alternativamente, existen criterios que pueden ayudar al auditor a establecer los
adecuados valores de "a" y de "B", corno puede verse en Willinham J. J. { 19? 1) para
"a", Elliott R. K. (1972) para "t3", y en general en los S.A.S. (Statemens on Auditing
Standars) de la A.I.C.P.A. (American Institute of Certified Public Accountants).

AIDITORA Y MT^[X)S ES'TADSTI('OS

55

BIBLIC^GRAFIA
ARNAtZ (1978}: Intrvduccin a la Estadstica Tecrica. Ed. Lex Nova.
ANDREWS, R. W, and SMITH, T. M. F. (1985): A hayesian mvde! uJ` the audit prc^ces.s. Working paper. Matchs Department, University of Southampton.
ANDERSON, R. and TEIT^EBANM (1973): Dollar Unit Sar^^tpltng: A Svlution tv the Audit Sampling
Dilema. C.A. tLlagazine, Abril 1973, pgs. 30-38.
ARENS, A. A. and LOEBBECKS, J. K.

(1980): Auditing artd Integrated Aprvach. Prentice Hall.

(1981 }: Applications of Statistickal SamplinA to AuditinR. Prentice Hall.
ARKIN, H.

(1974): Handbovk of`Sarnpling f^^r AuditinR the AccvuntinK. McGraw Hills.

(1982): SamplinX Methvds for the Auditor. McGraw Hills.
AzoRIN, F. (1969): Cursv de Muestreo y Aplicaciones. Aguilar.
BURNS, D. C. and LOEBBECKE, J. K. (1975}: Internal Cantrol ^'valuativn: Hvw lhe Cc^mputer C n
Nelp. Journal of Accountancy. August 1975, pg. 68.

COCHRAN, W. G. (1977): Samplng Techniques. J. Wiley.

Cox D. R. and SNELL E. J. (1979): On Sampling and Estimativn ^f Rare Errors. Biometrika 66,
pgs. 12 5-13 3 .
DES RA^ (1968): Sampling Theory. Mac Graw Hitl.
DEMING, W. E. (1960): Sample DesinR in Busines Research. John Wiley.
Dot^cE, H. F. and RoMtNG, H. G. (1959): Sampling Inspection Table.s. Sirnple and Dvub/e Sampling.

Donc^. H. F. and Ron^^NC. H. G. (1959): Sampling Inspection Tahles. Simple and Dvuble Sampling. John Wiley.
E^t~IOT, R.K. and RoGERS J.R. (1972): Relating statistical sampling to audit vbjectives. The Journal
of Accountancy, July, pgs. 46--55.
EscuaER, R.
(19$2): Muestreo de Poblaciones Finitas. Apndice A-7 del libro de "Probahilidades y mtvdus
E'stadstcos " de Antonio Fernndez de Troconiz. Bilbao, 1982.
(1983): "Esti,nacin de poblaciones contables^j mediante muestreo estruti/icado ". Quaderns de
Treball n. 14. Universidad de Valencia, Facultad de Ciencias Econmicas y Empresariales.
ESCUDER R. y MuRGUt (1983): Cvnsideracivnes en tornv u los mtodos dc? muestrc^u estadsticv.
Quaderns de Treball n. 12, Universidad de Valencia, Facultad de Ciencias Econmicas y Empresariales.
PEARSOI^. k_'. S. and HARTLEY, M. O. {1954}: Biometrika Tables,jvr Staticians. Carnbridge University Press.
RAND CORPORATION (19SS): A Millivn Random DiKits K^ith 100.0^0 Nvrmal Deriutes. Free Press.
ROBERTS, D. M. (1978): Statistica! Auditing. A.I.C. P.A.

E.STA[)ISTI( A E:SPAUL_A

SAtic^^^^:l. C'Rt^.sPt>. J. L. (1980): C'ur.tiv lnten.tir^^c^ dc^ ^lue.^^trc^u E^n Pohluciones F'initus. I.N.E.

SMIRNOV, N, V. y DuN^rv-BARKOWSKI^, 1. V. (1979): C'lCUlu d^ Prvhahilidades ,y^ ESladsliCa ,!l^a1Pm^ica. Paraninfo t9^9 (Traduccin del originat ruso).
SM^TW ( t 976): Statistrca! SumplinA f^r Accvuntants. Haymarked Publishing.
STRINGER, K. W. (1975): A estatisticul tec'hnique for analitr^a! review. Journal of A^eounting Research. (Suplement about studies on statisticat methodology in auditing, pgs. 1-9; and pgs.
10-13: Discusion by C. S. Warren).
\iVILEINGHAM, .1. .l. and CARMICNAEL., D. R. ( t 971): Audit^nR concepts and methods. iCGI'aW Hill.

SU M MARY
AUDITING AND STATISTICAL METHODS: GENERAL
METHODOLOC^ Y AND SUBSTANTIVE TESTING ANALISIS
THROUGH THE ESTIMATION OF VARIABLES
In this study we shall try to give a general idea of the usefulneti^ ot'
Statistical Sampling in the Auditing of Financial Statements. The basic
aspects of inethodology have been put nto five separate groups and within
each of these, operative reference is made to the basic problem of
estimation and testing of statistical hypotheses on variables ( means and
totals) by means of the statistical process of unrestricted sampling of finite
populations.

k'^^^ ^^urcis: Auditing, accaunting, sampling, sustantive test, compliance test,

random sample, fiability, confiance interval, sample statistics,
evaluation.
AMS 1980. Subject classfication: 62 Dos; 2P99.