Escolar Documentos
Profissional Documentos
Cultura Documentos
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.
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.
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.
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.
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
39
3.
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;
es
ms completa que la de
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).
4.
^
DETERMINACIN DEL TAMANO MUESTRAL
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
= 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)
P[ X- t a
=
N-n Q
N-n R
--]= 1-a
N-1 ^
(5)
4i
_ --- 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
^
E.-!z
^
1 -n =
N ^
($)
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
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.
5.
MU ESTRALES
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.
(10}
47
(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')
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 )
E' = 1 x N
^
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.
1 -n
N
( ^ - ^;,^`'1
=
, ^
1 _ n ^ )
N n
I^ + t,^,N
^
(15}
^ x;
'r_-1
(16)
X-
^ (X; - -^)
;_ ^
n -1
S =
^
i= /
----
(X;
n-1
- X
(17)
_ _.
. _
^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).
.1'
( N ^x -- t^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 ^
^
SU
ESTAnSTIf'A ES^.AOLA
__
_
RFq
^^^^isi
Llp,^b
D^V
NQ^ MATERIALIDAD
MATERIALIDAD
^10
DECISII^N: CORRECTA
MATERIALIDAD
DECISION: CORRECTA
MATERIALIDAD
PROBABILIDAD: "B"
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
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.
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^^.^
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.
^.^
1
-
P[N X-- k. N
1-- N
1>
l
1 - --;
1r
(N X-
1 N
a
1_ n
N
^
^
^i
^; N x+ ^ N 1-- ^)
^
n
a
N
^l
('1)
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.
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
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).
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.
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.