CAPÍTULO

El Muestreo Estadístico aplicado en la Auditoría

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.

• Aplicar procedimientos de auditoría a todas las partidas dentro de una población

que tiene una característica particular no califica como muestreo de auditoría con
respecto a la porción de la población examinada, ni con respecto a la población
en su conjunto, ya que las partidas no fueron seleccionadas del total de la
población sobre una base que se esperaba fuera representativa.

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.

Utilidad de los Métodos Estadísticos

El análisis estadístico puede ser de dos clases: a) Exhaustivo o Descriptivo; el cual
consiste en revisar la totalidad de la información y, b) Inferencial o por Muestreo; el cual
consiste en tomar una muestra que represente fidedignamente las características propias
de la población.

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.

En cambio, cuando se utiliza el análisis inferencial, es porque o bien no puede conocerse

la totalidad del universo, o bien su análisis resultaría prohibitivo en términos económicos
y/o de tiempo. Este análisis consta en general de tres etapas: la selección de las
muestras, los cálculos o análisis descriptivos a realizar con las muestras, y el proceso de
inferencia propiamente dicho.

En el análisis inferencial se comienza proponiendo un modelo de distribución de

probabilidades sobre el universo a examinar, y luego se suponen ciertos parámetros
desconocidos (generalmente la Media y la Varianza) sobre los cuales se pretende hacer
inferencias.

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.

Definición de Términos Estadísticos

a) Población: La población es el conjunto total de datos de los que el auditor quiere la
muestra para llegar a una conclusión. El auditor necesitará determinar que la población
de la cual toma la muestra sea apropiada para los objetivos específicos de la auditoría.
Estadísticamente, la Población es representada con las letras P o N.

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.

b) Unidad de Muestreo: Las partidas individuales que componen la población son

conocidas como unidades de muestreo. La población puede ser dividida en unidades de
muestreo en una variedad de formas. El auditor define la unidad de muestreo para
obtener una muestra eficiente y efectiva para lograr los objetivos particulares de la
auditoría.

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.

c) Muestra: Una muestra es una porción o parte representativa de una población de

interés. Estadísticamente, la muestra es representada por las letras p o n. El auditor
debe asegurarse que la muestra sea representativa de la población; es decir que las
características de la muestra representen efectivamente a las características de la
población.
Para ello se requiere que cada integrante de la población tenga una probabilidad
conocida (no igual a cero) de ser incluido en la muestra. Para ello se puede optar por los
siguientes procedimientos de muestreo:

• Muestreo Aleatorio Simple: Es una muestra seleccionada de tal manera que

cada integrante de la población tenga la misma probabilidad de quedar incluido.

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.

• Muestreo Aleatorio Sistemático: Se selecciona al azar un punto de partida y

después se elige para la muestra cada k-ésimo elemento de la población.

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.

• Muestreo Estratificado: Una población se divide en subgrupos, denominados

estratos, y se selecciona una muestra de cada uno. Todos los integrantes de cada
subgrupo tienen características homogéneas.

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).

• Muestreo por Conglomerado: Se divide la población en subgrupos menores,

sin importar que las características de los integrantes sean homogéneas.

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).

d) Datos o Variables: Son las características propias de cada integrante, tanto de la

población como de la muestra. Los datos o variables se clasifican en:
 • Variables Cualitativas: También conocidas como Atributos, son características
no numéricas de los integrantes. Ejemplo: Color de las facturas, tipo de
comprobante, calidad de la impresión, etc.

• Variables Cuantitativas: Son características numéricas de los integrantes.

Estas variables a su vez se clasifican en:

• Variables Discretas: Son aquellas variables numéricas que solo admiten

números enteros y no decimales o fracciones. Ejemplo: Número de mercaderías
vendidas, número de facturas emitidas, número de empleados contratados, etc.

• Variables Continuas: Son aquellas variables numéricas que admiten tanto

números enteros como decimales y/o fracciones. Ejemplo: Valor de la factura,
Valor de la Retención, Valor del sueldo, etc.

e) Media: Es el promedio simple de un conjunto de datos. La media puede obtenerse

tanto de la población como de la muestra. La media de la población se representa con la
letra μ mientras que la media muestral se la identifica con la letra x . Estadísticamente,
para obtener la media, tanto poblacional como muestral, se aplica la siguiente
formulación:

Población Muestra
∑X ∑X
μ= x=
N n

f) Desviación Media: Es el promedio simple de los valores absolutos de las distancias

existentes entre cada dato de una población o muestra y su respectiva media aritmética.
Estadísticamente, su formulación es:

Población Muestra
∑X − μ ∑X − x
DM = DM =
N n

g) Varianza: Es el promedio simple de los valores de las distancias al cuadrado

existentes entre cada dato de una población o muestra y su respectiva media aritmética.
La Varianza de una población se la representa con la letra σ2, mientras que la Varianza
muestral se la representa con la letra S2. Estadísticamente, para obtener la Varianza, se
aplica la siguiente formulación:

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

i) Distribución de Probabilidades: Una distribución de probabilidades permite obtener

toda la gama de valores que resultan en base a un experimento, junto con la probabilidad
de ocurrencia futura asociada a cada resultado.

j) Distribución Probabilística Binomial: Es una distribución probabilística aplicable a

variables cuantitativas discretas. Su principal característica es que en un número
determinado de ensayos (n) existen solo dos resultados posibles en un número de éxitos
deseados (x): Una probabilidad de ocurrencia (π), conocida como probabilidad de éxito o
verdadera, y una probabilidad de no ocurrencia (1-π), conocida como probabilidad de
fracaso o falsa. Su formulación es:

P( x ) =n C x π x (1 − π )
n −x

k) Distribución Probabilística Normal Estándar: Es una distribución probabilística

aplicable a variables cuantitativas continuas. Su nombre indica que todos los elementos
tienden a seguir un mismo patrón de comportamiento normal. La distribución estándar
reúne a toda la familia de distribuciones normales posible. Su principal característica es
que tiene una media igual a 0 y una desviación estándar igual a 1. Su formulación es:

X −μ
Z=
σ

l) Varianza y Error Estándar: El Error Estándar mide la dispersión de las observaciones

individuales, compuestas por la media de cada una de las muestras posibles, en relación
con la “gran media” de todas las medias. Esta “gran media” es el promedio simple de
cada una de las medias pertenecientes a cada muestra posible. Su formulación es:

∑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:

Media Desviación (Error) Estándar

σ2 σ
x =μ σx = =
n n

Por tanto, el Error Estándar de la media muestral, dependiendo si se conoce o no la

desviación estándar de la población, se formula como sigue:

Si se conoce σ Si no se conoce σ
σ s
σx = sx =
n n

La fórmula de conversión de la desviación estándar se altera para explicar el hecho en el

cual se está interesado, no solo en una observación X, sino en la media de varias
observaciones X. Cuando se hace el muestreo, la fórmula de conversión se vuelve:

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

Factor de corrección para poblaciones finitas

Como se ha podido apreciar, todos los ejemplos definidos hasta este punto, han sido
desarrollados bajo el supuesto de que la población en estudio tiene un número infinito de
integrantes. Sin embargo, cuando la población no es infinita y ni siquiera es muy grande,
se debe aplicar un factor de corrección que relaciona el número de integrantes de la
población (N) y el número de integrantes de la muestra (n). Su formulación es:

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:

• El RUC de las facturas sí está / no está bien registrado.

• Las retenciones en la fuente sí están / no están bien aplicadas.
• Las nóminas sí están / no están bien calculadas.

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:

Poblaciones Infinitas Poblaciones Finitas

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.

Estimación de la Materialidad Global

La Materialidad es la medida de la magnitud de un error en la información financiera, que
probablemente causará un cambio de juicio en un usuario o lector de la información
financiera. Si se llegase a determinar un error que sea materialmente importante,
entonces la opinión del auditor cambiará desfavorablemente. En nuestro enfoque de
auditoría, utilizamos los siguientes porcentajes de error máximo o materialidad relativa
(Mrel) antes de considerar a un error como material:

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%

Por tanto, la Materialidad Absoluta (Mabs) será igual a:

Materialidad Absoluta (Mabs) = Cuenta Global (CG) x Materialidad Relativa (Mrel)

Error Tolerable o Materialidad Específica

Error Tolerable es el error máximo de la población que el auditor estaría dispuesto a
aceptar y aún así concluir que el resultado de la muestra ha logrado el objetivo de la
auditoría. El error tolerable es considerado durante la etapa de planificación y, para
procedimientos sustantivos, se relaciona con el juicio del auditor sobre el carácter
significativo. Mientras más pequeño el error tolerable, mayor necesitará el tamaño de la
muestra.

En pruebas de control, el error tolerable es el índice máximo de desviación de un

procedimiento de control establecido que el auditor estaría dispuesto a aceptar basado
en la evaluación preliminar del riesgo de control. En los procedimientos sustantivos, el
error tolerable es el error monetario máximo en un saldo de una cuenta o clase de
transacciones que el auditor estaría dispuesto a aceptar de modo que cuando los
resultados de todos los procedimientos de auditor sean considerados, el auditor pueda
concluir, con certeza razonable que los estados financieros no están representados
erróneamente de manera importante.

Estadísticamente, el Error Tolerable es equivalente al Error de Muestreo y se define

como la diferencia entre la media de la muestra y la media de la población, y se
representa con la letra ε. La media muestral se conoce como Estadístico, mientras que la
muestra poblacional se conoce como Parámetro. La formulación del error tolerable es:

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:

Cuenta Específica (CE)

ε= Cuenta Global (CG)
x Mabs

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.

Estadísticamente, el Error Esperado es la sumatoria de todos los Errores Tolerables

provenientes de todas las muestras posibles que se pueden extraer de una población. Su
Formulación es:

∑( 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.

Medición de los Riesgos de Auditoría

Generalmente, tras una primera revisión de los controles internos mediante cuestionarios
y otros criterios convenientes, el auditor realiza una primera valoración del control y
planifica las pruebas subsiguientes, así como las pruebas sustantivas a realizar y
teniendo en cuenta el riesgo que se está dispuesto a aceptar, finalmente planifica el
alcance y extensión de tales pruebas.

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:

Nivel de riesgo Valor

High (Alto) 10%
Médium (Medio) 5%
Low (Bajo) 1%

Es decir que, si estamos dispuestos a aceptar un nivel de riesgo alto, entonces

estaremos dispuestos a aceptar una confiabilidad máxima del 90% y por tanto, las
muestras que tomaremos serán menos exhaustivas. En cambio, si buscamos minimizar
el riesgo al 1%, entonces aumentamos la confianza al 99% y por ende nuestras muestras
serán más exhaustivas. El riesgo general de Auditoría está compuesto por los siguientes
riesgos:

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

a) Riesgo Inherente: Es el riesgo propio de un tipo de operación determinado,

independiente de la existencia o no de controles internos. Por ejemplo, el riesgo
inherente de los activos corrientes (como Caja o Inventarios), por su propia naturaleza,
es más alto que el riesgo inherente de los activos fijos (como Terrenos y Edificios).
Nuestro enfoque de medición del riesgo inherente es:

High - Medium - Low

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:

High - Medium - Low

Puesto que tanto el riesgo inherente y el riesgo de control existen independientemente

de la auditoría de estados financieros, en nuestro enfoque combinamos ambos riesgos y
obtenemos la siguiente escala de valores:

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)

c) Riesgo de Detección: Es el riesgo que el auditor no detecte un error material en una

afirmación de los estados financieros. El riesgo de detección es una función de la
efectividad de un procedimiento de auditoría y de su aplicación por parte del auditor. Esto
se origina por incertidumbres que existen aún si el auditor llegase a examinar el 100%
del saldo de cuenta o tipo de transacción, debido a factores exógenos, tales como falta
de entrega oportuna u ocultamiento de información relevante.

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:

High - Medium - Low

Combinando el Riesgo de detección con los riesgos definidos anteriormente, obtenemos

una nueva escala de valores:

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

Asignando valores a esta nueva escala, tenemos:

Escala Sigla Nivel de

s Riesgo
Extreme HHH 100%
High
Very High HH 90%
High H 80%
Medium M 70%
Low L 60%
Very Low LL 50%
Extreme Low LLL 40%

d) Riesgo de muestreo: El riesgo de muestreo surge de la posibilidad de que la

conclusión del auditor, basada en una muestra, pueda ser diferente de la conclusión que
se alcanzaría si la población completa se sujetara al mismo procedimiento de auditoría.
El auditor se enfrenta a riesgo de muestreo tanto en las pruebas de control como en los
procedimientos sustantivos como sigue:

1.- Pruebas de control:

• Riesgo de Baja Confiabilidad: El riesgo de que, aunque el resultado de la
muestra no apoya la evaluación del auditor del riesgo de control, la proposición
real de cumplimiento apoyaría dicha evaluación.

• Riesgo de Sobreconfiabilidad: El riesgo de que, aunque el resultado de la

muestra apoya la evaluación del auditor del riesgo de control la proporción real
de cumplimiento no apoyaría dicha evaluación.

2.- Procedimientos sustantivos:

• Riesgo de Rechazo Incorrecto: el riesgo de que, aunque el resultado de la
muestra apoye la conclusión de que el saldo de una cuenta o clase de
transacciones registrado está representado de manera errónea en forma
importante, de hecho no está representado erróneamente de forma importante.
 • Riesgo de Aceptación Incorrecta: El riesgo de que, aunque el resultado de la
muestra apoye la conclusión de que el saldo de una cuenta o clase de
transacciones no está representado erróneamente de forma importante, de
hecho sí está representado erróneamente de forma importante.

El riesgo de baja confiabilidad y el riesgo de rechazo incorrecto afectan la eficiencia de la

auditoría ya que ordinariamente llevarían a que se desempeñe trabajo adicional por parte
del auditor, o la entidad, lo que establecería que las conclusiones iniciales fueron
incorrectas. El riesgo de sobreconfiabilidad y el riesgo de aceptación incorrecta afectaran
la efectividad de la auditoría y es más probable que lleven a una opinión errónea sobre
los estados financieros que el riesgo de baja confiabilidad o el rechazo incorrecto.

El tamaño de la muestra se ve afectado por el nivel de riesgo de muestreo que el auditor

esté dispuesto a aceptar de los resultados de la muestra. Mientras más bajo el riesgo
que el auditor esté dispuesto a aceptar, mayor necesitará ser el tamaño de la muestra.
Sobre las conclusiones obtenidas por muestreo, no se puede tener una seguridad total o
grado de certeza del 100%, puesto que jamás se conocerá con total seguridad, el estado
verdadero del criterio auditado.

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:

Dos probabilidades de acierto:

1. Si la realidad es H0 y a través de una muestra se verifica H0
2. Si la realidad es H1 y a través de una muestra se verifica H1
Dos probabilidades de fracaso:
1. Si la realidad es H0 y a través de una muestra se escoge H1
2. Si la realidad es H1 y a través de una muestra se escoge H0
Las probabilidades de fracaso, pueden ser denotadas como sigue:

1. Si la realidad es H0 y a través de una muestra se escoge H1, se incurre en un

Error de Tipo I, denotado a esta probabilidad de error como Alfa (α). En
auditoría, este es el riesgo de Baja Confiabilidad o Rechazo Incorrecto,
también conocido como Riesgo de Sobreauditoría (auditar más de lo debido).

2. Si la realidad es H1 y a través de una muestra se escoge H0, se incurre en un

Error de Tipo II, denotado a esta probabilidad de error como Beta (β). En
auditoría, este es el riesgo de Sobre Confiabilidad o Aceptación Incorrecta,
también conocido como Riesgo de Subauditoría (auditar menos de lo debido).
Decisión
H0 H1
Realidad
Acierto Error Tipo I
H0 Probabilidad: (1-α) Sobreauditoría
 Probabilidad: α
Error Tipo II
Acierto
H1 Subauditoría
Probabilidad: (1-β)
Probabilidad: β

El riesgo de Sobreauditoría es provocado por la baja confiabilidad que se tenga de una

muestra que en realidad sí es representativa, mientras que el riesgo de Subauditoría es
provocado por la sobre confiabilidad que se tenga de una muestra que en realidad no es
representativa. El riesgo de auditoría que realmente debe preocupar al auditor es el
riesgo tipo II o β, es decir el riesgo de Subauditoría, cuando los procedimientos
empleados fallen en la detección de errores importantes o significativos cuando existan.

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:

Riesgo de Auditoría (Ra)

Riesgo de Muestreo (Rm) =
Ri x Rc x Rd

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

Consideraciones sobre el nivel de exactitud en relación a los niveles de riesgo

Como se indicó, el auditor siempre asume dos tipos de riesgo de muestreo (los riesgos
alfa y beta), o lo que es lo mismo, actúa con dos niveles de confianza, identificados como
(1-α) y (1-β). Sin embargo, en la mayoría de fórmulas estadísticas, el riesgo identificado
como un valor Z, es en realidad el riesgo alfa solamente.

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.

El principal objetivo del auditor es encontrar errores significativos o importantes si

existen. Es por ello que, en la etapa de planificación, se comienza definiendo la
materialidad global para cada tipo de cuenta. Una vez definida, el auditor deberá
proceder a examinar cada área para determinar la materialidad específica o error
tolerable, la cual se conoce estadísticamente como ε.

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.

Determinación del tamaño de la muestra para pruebas de control

Una vez determinada la metodología de distribución binomial para determinar las
probabilidades de éxito y fracaso, se puede determinar una formulación de muestreo
estadístico para calcular el tamaño de la muestra para las pruebas de control. Las
alternativas que se tienen para la formulación son:

a) Tipo de Muestreo:
• Con reposición (poblaciones infinitas)
• Sin reposición (poblaciones finitas)

b) Tipo de Error: • Relativo

• Absoluto
 c) Tipo de Parámetro: • Total de Clase
• Proporción
Considerando la utilización de un coeficiente de confianza (Z), delimitamos el tipo de
error como ‘Absoluto’ y el tipo de parámetro como ‘Proporción’ (este es el
correspondiente para pruebas de control), las fórmulas para muestro ‘con reposición’
(infinitas) y ‘sin reposición’ (finitas), son, respectivamente:

Poblaciones Infinitas Poblaciones Finitas

Z pq2
Z α2 pqN
n= α n=
E2 E 2 ( N − 1) + Z α2 pq

Puesto que primero se define el tamaño de la muestra, es difícil conocer las

probabilidades de éxito y fracaso. En este caso, el auditor tiene dos caminos:

• 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).

Normalmente, la formulación de muestreo estadístico es aplicable a poblaciones finitas;

sin embargo, cuando las poblaciones sobrepasan los 10.000 elementos (no es una regla)
el muestreo sin reposición converge con el muestreo con reposición. Por tanto el auditor
puede optar por utilizar la formulación para poblaciones infinitas. En todo caso, si el
auditor no estuviera satisfecho con los resultados obtenidos con la formulación con
reposición, puede utilizar el siguiente factor de conversión:

n (inf inito )
n ( finito ) =
n (inf inito )
1+
N

Determinación del tamaño de la muestra para pruebas sustantivas

La determinación del tamaño apropiado de la muestra es uno de los aspectos más
importantes para el auditor, por cuanto si la muestra es demasiado grande, el auditor
gastará más tiempo y recursos en la recolección de datos. En cambio, si la muestra es
demasiado pequeña, el auditor podría llegar a conclusiones incorrectas. El tamaño de la
muestra depende de tres factores:

• El nivel de confianza deseado: Siendo que normalmente, en la mayoría de los

casos no se conoce la media poblacional, el auditor tendrá que estimar el nivel
de confianza más apropiado.
 • El máximo error tolerable permisible: Es la máxima diferencia que el auditor
puede tolerar, entre la media muestral y la media poblacional. Siendo que no se
conoce la media poblacional, el auditor tendrá que estimar el error tolerable.

• La variación de la población: Si la población se dispersa ampliamente,

entonces se requerirá de una muestra más grande. En cambio, si la población es
más homogénea, el tamaño requerido de la muestra será menor.

Hacemos las siguientes consideraciones para determinar la formulación correspondiente.

a) Tipo de Muestreo:
• Con reposición (poblaciones infinitas)
• Sin reposición (poblaciones finitas)

b) Tipo de Error: c) Tipo de Parámetro:

• Absoluto • Total
• Relativo • Media

Considerando la utilización de un coeficiente de confianza (Z), delimitamos el tipo de

error como ‘Absoluto’ y el tipo de parámetro como ‘Total’ (este es el correspondiente para
pruebas sustantivas), las fórmulas para muestro ‘con reposición’ (infinitas) y ‘sin
reposición’ (finitas), son, respectivamente:

Poblaciones Infinitas Poblaciones Finitas

N z σ2 2 2
N 2 z α2 σ 2
n= α n=
E 2
E 2 + Nzα2 σ 2

Puesto que no se conoce tanto la desviación poblacional como la muestral, el auditor

podría optar por tomar una muestra piloto, que en la mayoría de los casos es el 5% de la
población. O preferiblemente, el auditor puede, en base a su juicio y criterio, tomar una
muestra piloto menor o incluso estimar la desviación.

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.

Estimación de los Intervalos de Confianza

Como se mencionó inicialmente, en la mayoría de ocasiones, al trabajar con poblaciones
infinitas, no es posible calcular la media poblacional, μ. Sin embargo, sí es posible
estimar un rango de valores en donde probablemente se ubicará μ. La estimación por
intervalo especifica el rango dentro del cual se encuentra el parámetro desconocido.

Tal rango va acompañado de una afirmación sobre el nivel de confianza que se da en su

exactitud. Por tanto, el rango especificado se le llama Intervalo de Confianza. Las
estimaciones por intervalo ofrecen algunas ventajas. Debido al error de muestreo,
probablemente x no sea igual a µ. No hay manera de saber cuán grande es el error de
muestreo. Los intervalos se usan para explicar esta discrepancia desconocida.
Los intervalos tienen un límite superior y un límite inferior de confianza. Estos límites se
hallan calculando primero la media muestral. Luego se suma una cierta cantidad para
obtener el límite superior, y la misma cantidad se resta para obtener el inferior. Por
ejemplo, para construir un intervalo de confianza del 95%, se especifica un intervalo de
1,96 errores estándar por encima y debajo de la media muestral. Este 95% es el nivel de
confianza que se tiene en el que el intervalo contenga el valor desconocido de μ.

Estadísticamente, el intervalo de confianza para pruebas sustantivas se calcula de la

siguiente manera:

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

De forma parecida, el intervalo de confianza para pruebas de control se calcula de la

siguiente manera:

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:

• Riesgo de Auditoría aceptable (Ra): Medium (5%)

• Materialidad:

Cuenta Global Monto Mrel Mabs

Activos 35.750.000 0,75% 268.125
Pasivos 16.000.000 2,00% 320.000
Patrimonio 19.750.000 3,50% 691.250
Ingresos 24.000.000 1,50% 360.000
Costos 14.000.000 3,00% 420.000
Gastos 5.000.000 4,50% 225.000
Extraordinarios 2.250.000 6,00% 135.000
Resultados 2.750.000 7,50% 206.250

• Composición del Total de Activos:

Cuenta Valor Porcentaje Error

Tolerable
Caja 100.000 0,28% 750
Bancos 1.200.000 3,36% 9.000
CxC Clientes 6.250.000 17,48% 46.875
Inventarios 4.000.000 11,19% 30.000
Propiedad, Planta, 14.800.000 41,40% 111.000
Equipo
Muebles y Equipos 8.900.000 24,90% 66.750
oficinas
Intangibles 500.000 1,40% 3.750
Total Activos 35.750.000 100,00% 268.125

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:

Paso 1: Determinar la Población y la Unidad de Muestreo

Los registros del cliente registran 100,000 cuentas con un valor en libros de $6,250,000.
Los auditores consideran que los clientes pueden confirmar el total del saldo en cuenta.
Por tanto, se utiliza el saldo como unidad de muestreo, en vez de las transacciones
individuales que conforman el mismo. Las cuentas registradas son las siguientes:

Detalle de Cuentas por Cobrar Clientes

No. Cuenta Cliente Valor
000,001 Carlos Espinoza 62,5
8
000,002 Pamela Arias 68,4
2
000,003 Rafael Estevez 70,7
3
000,004 Carlos Ordoñez 60,1
2
000,005 Cesar Alarcon 63,6
3
: : :
: : :
099,999 Miriam Montaño 65,2
5
100,000 Javier Lara 66,9
4
Total en Libros 6.250.000,
00
Promedio en Libros 62,
50
Desviación Estándar 2,
07

Paso 2: Determinar el Tamaño de la Muestra

Para calcular el tamaño requerido de la muestra, los auditores deberán determinar los
siguientes aspectos:

a) Determinar el error tolerable: Siendo que nivel de riesgo de auditoría aceptable,

según la tabla de materialidad utilizada en nuestro enfoque, es de nivel Medium (5%), la
materialidad relativa de los activos será del 0,75%, lo cual determina que la materialidad
global de los activos asciende a $268,125.

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.

b) Determinar los niveles planeados de Riesgo de Muestreo: Para determinar el

Riesgo de Muestreo, los auditores primero determinan los riesgos inherentes, de control
y de detección. Por las características propias de la cartera, se califica el Riesgo
Inherente como alto (High) mientras que, por haberse aplicado recomendaciones hechas
en auditorías pasadas, el Riesgo de Control es medio (Medium). Por tanto el riesgo
general es establecido como alto (High):

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

Según la tabla de asignación de valores, el valor ‘High’ es calificado con el 80% de

absorción del riesgo:

Escala Sigla Nivel de

s Riesgo
Extreme HHH 100%
High
Very High HH 90%
High H 80%
Medium M 70%
Low L 60%
Very Low LL 50%
Extreme Low LLL 40%

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

c) Determinar el Nivel de Exactitud: Conociendo ahora el error tolerable y los riesgos

alfa y beta, aplicamos la ecuación de nivel de exactitud (E) para controlar ambos riesgos.
De esta forma, la Exactitud es igual a $25,704,84

 zα   1.86 
E = ε⋅  = 46 .875 ⋅  = 25 .704 ,84
 ( z α + z β )  1.86 + 1.53 

d) Determinar la Desviación Estándar: En este caso, la Desviación Estándar de la

población sí pudo ser conocida porque el sistema informático permitió trasladar la
información del cliente a una hoja de cálculo independiente. Por tanto, la sigma (σ) fue
determinada en $2,07

e) Aplicar la fórmula de muestreo: Dado que la población, aunque es finita, es también

muy grande, se puede aplicar la fórmula de muestreo con reposición (poblaciones
infinitas) para pruebas sustantivas. Por tanto, el tamaño de la muestra a escoger será de
225 cuentas de clientes:

2
N 2 z α2 σ 2 100 .000 ⋅1.86 ⋅$2,07 
n= =  = 225
E2  $25 .704 ,84 

Paso 3: Escoger la Muestra

A continuación, los auditores proceden a escoger las 225 cuentas de la muestra:
 Muestreo de Auditoría para Cuentas por cobrar
No.
No. Valor en Valor Diferenci
Elemento Cliente
Cuenta Libros Auditado a
en Muestra
001 000,005 Cesar Alarcon 65,48 65,48 0,00
002 000,405 Carlos 69,23 68,25 0,98
Velazquez
003 000,805 Manuel Palma 60,18 60,18 0,00
004 001,205 Vicente Bejar 70,12 69,75 0,37
005 001,605 Gloria Macias 60,00 60,00 0,00
: : : : : :
: : : : : :
224 099,595 Gilberto 64,23 63,21 1,02
Rosario
225 099,995 Abelardo 68,34 68,34 0,00
Valdez
Total Muestra 14.175,0 13.725,0 450,00
0 0
Promedio Muestral 63,00 61,00 2,00
La muestra fue tomada de la siguiente forma: se tomó al azar un elemento, el cual fue el
quinto de la población, y luego cada 400 elementos se extrajo una cuenta para conformar
la muestra.

Paso 4: Probar los elementos de la muestra

Una vez determinados los elementos de la muestra, los auditores proceden a enviar las
cartas de confirmación y realizan procedimientos adicionales según la necesidad.

Paso 5: Evaluar los resultados de la muestra

La confirmación de 225 muestras da como resultado una muestra con un valor auditado
medio de $61 por cuenta. Esto difiere con la media poblacional ($62,50) en $1,50, por lo
que hay que evaluar si esa diferencia es o no significativa.

Paso 6: Determinar los Intervalos de Confianza

Por último, para determinar la significancia o no de la diferencia entre la media muestral y
la poblacional, se procede a establecer los intervalos de confianza mediante la siguiente
formulación:

$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

Como se puede apreciar, ni la media poblacional ni el total ($62.50 y $6,250,000

respectivamente) no ingresan en los intervalos de confianza correspondientes, por lo
cual los auditores determinan que sí existe un error significativo en los estados
financieros y por tanto éstos están materialmente errados.
Anexo 2: Determinación del tamaño de la muestra para pruebas de control
A continuación, se desarrollará un ejemplo de procedimientos de auditorías para tomar
una muestra apropiada para pruebas de control.

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.

Paso 1: Determinar la Población y la Unidad de Muestreo

Los registros del cliente registran 22,000 transacciones de venta. Las facturas tienen un
original (que se entregan al cliente) y dos copias, una azul (para cumplimiento con el
SRI) y una verde (para contabilidad). Los auditores revisarán los siguientes aspectos:

• Registro del RUC o CI del cliente

• Nombres, direcciones y teléfonos completos del cliente
• Detalle de los ítems vendidos
• Desglose de los valores unitarios, descuentos e impuestos
• Firmas de responsabilidad

Paso 2: Determinar el Tamaño de la Muestra

Para calcular el tamaño requerido de la muestra, los auditores deberán determinar los
siguientes aspectos:

a) Determinar el error tolerable: Siendo que nivel de riesgo de auditoría aceptable,

según la tabla de materialidad utilizada en nuestro enfoque, es de nivel Medium (5%), los
auditores estiman el error tolerable en una medida cercana al riesgo de auditoría; es
decir 4,9%.

b) Determinar los niveles planeados de Riesgo de Muestreo: Para determinar el

Riesgo de Muestreo, los auditores primero determinan los riesgos inherentes, de control
y de detección. Por las características propias de la facturación, se califica el Riesgo
Inherente como alto (High) mientras que, por haberse concluido que no existe un buen
sistema de control de las facturas, el Riesgo de Control también es alto (High). Por tanto
el riesgo general es establecido como muy alto (Very High):

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

Según la tabla de asignación de valores, el valor ‘High’ es calificado con el 100% de

absorción del riesgo:

Escala Sigla Nivel de

s Riesgo
Extreme HHH 100%
High
Very High HH 90%
High H 80%
Medium M 70%
Low L 60%
Very Low LL 50%
Extreme Low LLL 40%

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.

e) Aplicar la fórmula de muestreo: Dado que la población, aunque es finita, es también

muy grande (superior a 10,000 elementos), se puede aplicar la fórmula de muestreo con
reposición (poblaciones infinitas) para pruebas de control. Por tanto, el tamaño de la
muestra a escoger será de 400 facturas:

Z α2 pq 1.96 2 ⋅ 0.5 ⋅ 0.5

n= = = 400
E2 0.049 2

Paso 3: Escoger la Muestra

Puesto que los auditores escogieron anteriormente 225 cuentas de clientes con sus
respectivos respaldos (entre ellos facturas), solo les queda escoger la diferencia, es decir
175 facturas adicionales. Estas las escogen completamente al azar.

Paso 4: Probar los elementos de la muestra

Una vez determinados los elementos de la muestra, los auditores proceden a revisar las
facturas y a determinar los casos de cumplimiento e incumplimiento de controles.

Paso 5: Evaluar los resultados de la muestra

La revisión de 400 facturas da como resultado una muestra con un factor de
cumplimiento del 47%; es decir que solamente el 47% de la muestra cumple con todos
los procedimientos de control interno listados anteriormente. Solo queda evaluar si el
53% de incumplimientos es realmente significativo o no.

Paso 6: Determinar los Intervalos de Confianza

Por último, para determinar la significancia o no de nivel de cumplimientos encontrados
en la muestra, se procede a establecer los intervalos de confianza:

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.