Universidad de San Carlos de Guatemala

Facultad de Ciencias Económicas

Escuela de Auditoría
Jornada Fin de Semana
Seminario de Integración Profesional

Trabajo No.3

Integrantes Grupo No.14

9721318 Marta Idania Álvarez Sarmiento

200115731 José Elías Kestler Rosales
200912596 Gustavo Adolfo Granados López
200912707 Paulo Humberto Flores González
200921265 Santos David Xocoxic Chavalo
200921522 María Onofre González Castillo
201011085 Raúl Alexander Díaz González
201111104 Victoria Maricela Ramírez García

Guatemala,04 de febrero de 2,018

 INDICE

INTRODUCCION i
1. Objetivos del muestreo 1
2. Ventajas del muestreo 1
3. Conceptos básicos 2
3.1. Muestra 2
3.2. Muestreo probabilístico 2
3.3. Muestreo no probabilístico 2
3.4. Población 3
3.5. Parámetro 3
4. Estadígrafo 3
5. Distribución muestral de la media 4
6. Error estándar de la media 8
7. Estimador sesgado y estimador insesgado 14
8. Tamaño óptimo de muestra 18
9. Estimación de parámetros 21
10. Muestreo aleatorio simple 23
11. Tabla de números aleatorios 24
12. Selección sistemática de una muestra 26
13. Aplicación de muestreo simple 26
14. Muestreo estratificado 35
CONCLUSIONES 47
RECOMENDACIONES 48
REFERENCIAS BIBLIOGRAFICAS 49
 INTRODUCCION

El muestreo es una técnica de gran utilidad en la Auditoria ya que permite

conocer distintos aspectos de una población de la mejor manera posible sin
llegar a realizar una evaluación en toda la población. Lo más importante es
que esta herramienta no tiene una aplicación en específico, sino que puede
utilizarse en distintas áreas.

Tiene como función determinar que porción de una población extensa es

necesario estudiar para poder establecer indiferencias validas, es el cimiento
sobre el que se constituye la validez científica de la investigación.  

Existen dos métodos a través de los cuales se puede obtener una muestra
de una población, estos son el muestreo no probabilístico y probabilístico. El
primero consiste en elegir elementos de una manera prestablecida, sin tomar
en cuenta la teoría de la probabilidad, por lo que no es posible conocer el
grado de confiabilidad que existe en este procedimiento. El muestreo
probabilístico está dedicado a estudiar métodos para selección y observación
de una fracción de la población con el objeto de llevar a cabo inferencias en
ella.

i
 I MUESTREO ESTADÍSTICO

1. Objetivos del muestreo

Los objetivos del muestreo se circunscriben a tres, siendo éstos:

a) Caracterizar una muestra;

b) Estimar parámetros; y
c) Probar hipótesis.

La estimación de parámetros permite obtener estimadores (estadígrafos),

que proporcionan estimaciones confiables sobre características de la
población (parámetros), utilizando un reducido número de elementos de la
población. La prueba de hipótesis permite basándose en datos aceptar o
rechazar una hipótesis de conformidad con el grado de significación definido
previamente.

2. Ventajas del muestreo

Debido a que se investiga una parte de la población proporciona ventajas, en

comparación con una investigación a todos los elementos, entre ellas se
tienen:

a) Menor costo;
b) Mayor rapidez tanto en obtener la información como en su
presentación;
c) Proporciona información más precisa porque el estudio se limita a
una parte de la población;
d) Necesita menos personal por lo tanto éstos pueden ser mejor
supervisados; y

1
 e) Mejor calidad de la información.

3. Conceptos básicos

3.1. Muestra
Es una parte representativa de la población, el tomar una muestra no
representa realizar inferencia o inducción, esto dependerá del método de
selección de los elementos, del tamaño de la muestra, la variabilidad de los
elementos, etcétera. Por esa razón se distinguen las muestras probabilísticas
y las no probabilísticas.

3.2. Muestreo probabilístico

Es cuando todos los elementos que forman la población tienen una
probabilidad conocida de ser seleccionados en la muestra, la selección se
hace al azar, o sea que no interviene el criterio personal. Éste es uno de los
principios para obtener una buena muestra y de ella sacar conclusiones,
porque la selección de los elementos se basa en las probabilidades; por
ejemplo si se cuenta con 125 facturas, la probabilidad conocida que cada
una tenga de ser incluida en la muestra será 1/125*100. Para la selección al
azar de los elementos generalmente se hace uso de tablas de números
aleatorios.

2
 3.3. Muestreo no probabilístico
Cuando no se da igual oportunidad a todos los elementos de la población de
ser incluidos en una muestra; en la selección de los elementos interviene el
criterio personal. También se le denomina muestreo de juicio.

3.4. Población
Conjunto total de los elementos a investigar, puede estar dada por personas,
elementos o cosas.

3.5. Parámetro
Es una medida estadística que identifica alguna característica de una
población, por ejemplo la suma total de la variable, promedio aritmético,
varianza, desviación estándar, etcétera.

4. Estadígrafo

Es una medida estadística que identifica alguna característica de una

muestra. Por ejemplo, promedio aritmético, varianza, desviación estándar,
etcétera.

3
1. Simbología principal

5. Distribución muestral de la media

4
 Si de una población se extraen todas las muestras posibles y se calcula a
cada una su promedio se tendrá una distribución muestral de la media.

POBLACIÓN

Si las muestra son grandes, n > 30, y mientras más aumenta la distribución
de la media tiende a formar una curva normal.
MUESTRA MUESTRA MUESTRA MUESTRA

En el gráfico, se observa que algunas medias muéstrales son menores que

la media poblacional y otras mayores; un ideal es que la media aritmética de
una muestra sea igual al parámetro poblacional, lo que rara vez sucede, sin
embargo, la precisión de una estimación depende del diseño del a muestra,
tomando en cuenta el grado de confianza, la variabilidad de los datos y el
error de muestreo.

Naturalmente que una estimación se verá influida por el método de

recolección de los datos y la persona o personas encargadas de ellos así
como del informante, estos errores son ajenos a la teoría del muestreo los
cuales deben estar controlados.

La estimación de una media poblacional (M) a partir de una media muestral

(X), se fundamenta en el principio matemático que dice: El promedio de las

5
medias de todas las muestras de tamaño “n” que es posible extrae de una
población siempre es igual a la verdadera media de la población.

De acuerdo a este principio cualquier promedio que se obtenga de una

muestra estará comprendido en los límites de la población. En la práctica
solo se obtiene una muestra, el análisis de la distribución maestral de las
medias que aquí se señala, se hace para demostrar la base teórica en que
se sustenta la estimación, y lo que se persigue con el diseño de una muestra
es que los valores estimados sean lo más cercano al parámetro poblacional.

Ejemplo:

Se tiene una población de tamaño N=5, formada por los valores: 1, 2, 3, 4 y

5. Obtener, las muestras posibles de tamaño n=2 que pueden extraerse de
esta población:

Donde:

N= Número de elementos en una población

n= Número de elementos en una muestra

I= Factorial

Aplicando la fórmula:

10 muestra de tamaño 2, las muestras son las siguientes:

6
1,2 2,3 3,4 4,5

1,3 2,4 3,5

1,4 2,5

1,5

Calculando la media aritmética a cada muestra, la distribución muestral de la

media queda de la siguiente forma:

Donde:

X= Media poblacional

X= Valores de variable

N= Número de elementos de una población

7
n= Número de elementos de una muestra.

Graficando la distribución muestral para observar su comportamiento

simétrico:

Lo importante de destacar del gráfico es:

a) Su comportamiento es simétrico, 50% de los casos a cada lado, con

n=2, la M=3; y
b) Dos promedios muéstrales iguales a la media poblacional, otros
menores y otros mayores, existiendo dispersión de las medias
muéstrales alrededor de la media poblacional.

6. Error estándar de la media

8
Esta medida estadística mide el grado de dispersión delas medias
muéstrales de tamaño n, alrededor de la media poblacional; y se representa
por Ox cuado es estimado con los datos de una muestra se representa por
Sx. En otras palabras el error estándar de la media es una desviación
estándar dela distribución muestral de las medias.

Se conoce Q y n /N*100 >5%

Se conoce Q y n/N*100 < 5%

Se desconoce la Q y n/N >5%

Se desconoce la Q y n/N < 5%

9
Tomando los datos del ejemplo, el cálculo del error estándar dela media
puede calcularse sin necesidad de extraer todas las muestras posibles de
una población y que en la practicando se hace, se calcula así:

El error estándar de la media determinado con la fórmula anterior es el

mismo si se contara con todas las media muéstrales posibles como en este
caso (En la práctica no se conocen) como quedará demostrado con los datos
de la distribución muestral.

10
En la práctica no se extraen todas las muestras, solamente se toma una
muestra de tamaño n, entonces con la fórmula 64, conociendo la desviación
estándar no hay necesidad de extraer todas las muestras, se puede obtener
el error estándar de la media y es exactamente el mismo como si se
calculara con todas las muestras:

Sí únicamente se contara con la información siguiente: Q = 1, 41, N = 2; N =

5, bastará aplicar la fórmula para encontrar el error estándar de la
distribución de medias muéstrales:

Conclusión cuando se obtiene una muestra de tamaño n, la estimación por

intervalo estará dada con un error estándar obtenido con esta fórmula
(Fórmula 66)

11
 a. Factor de corrección finita

Supone que la población es finita de tamaño N, se denomina corrección para

poblaciones finitas. Si N es infinito o tan grande con relación a “n” tal que
pueda considerarse infinita, entonces N-n se aproxima a 1 y por lo mismo el
factor también se aproxima a 1, de ahí que la fórmula del error estándar de
las medias se reduzca a:

Y siempre que se trate de muestreo con reemplazo, por ejemplo si N es

infinito:

Ejemplo: Una población N = 1,000,000 de amas de casa se entrevistan n=

1,000, entonces:

1,000,000 – 1,000 = 999,000 =0.999, que se aproxima a 1.

12
1,000,000-1 999,000

Otro ejemplo: En una población de N = 5 elementos, se seleccionan n= 1,

entonces:

5 – 1 = 4 = 1.

5-1 4

Siempre que el muestreo es con reposición hay una población infinita, por
ejemplo si en una caja hay 5 números y cada vez que se saca uno se retorna
a la caja se pueden sacar muestra de cualquier tamaño.

N=2; NN = 52 =25

N=5; NN = 55 =3,125

N=10; NN = 510 =9, 765,625

O sea cuando N sea grande respecto a n, no se usa el factor de corrección

finita.

¿De qué tamaño ha de ser N respecto a n, para ser grande? Para algunos
autores, sí n<0.05 N, para otros; sí n<0.10 N.

La duda puede resolverse cuantificando el factor de corrección finita. En esta

Guía, se utilizará el siguiente criterio:

13
7. Estimador sesgado y estimador insesgado

Se ha escuchado hablar de la desviación estándar insesgada, en la mayoría

de las calculadoras científicas, tienen los símbolos para la desviación
estándar siguientes: Qn y Qn-M este último representa un estimador
insesgado.

Estimador es un estadígrafo que es usado para estimar un parámetro,

estimador insesgado es cuando el valor esperado del estadígrafo usado
como el estimador es igual al valor del parámetro.

La media aritmética de la distribución de medias de todas las muestras

posibles obtenidas de una población se denomina “Valor esperado de la
media” o “Esperanza de la media”. Cuando el valor esperado es igual al
parámetro poblacional se dice que el procedimiento es insesgado, una media
muestral es un estimador insesgado.

14
La media aritmética muestral es una estimación insesgada de M puesto que
E (x) = M. (E(X) = valor esperado de la media)

De la misma manera la distribución en el muestreo de la proporción es igual

a la proporción de la población, una proporción muestral es un estimador
insesgado. Sin embargo, la media de la distribución en el muestreo de la
varianza (sS) no es igual a la varianza de la población Q2, S2 es una
estimación sesgada de Q2 puesto que E (s2)= Q2;

Las fórmulas para calcular la varianza de la muestra y de la población para

datos sin agrupar son las siguientes:

Varianza sesgada:

El numerador de cada fórmula corresponde a las desviaciones al cuadrado,

si estas desviaciones se dividen entre n-1 para una muestra y N-1 para una
población, la varianza modificada en el muestreo es igual a la varianza
modificada de la población y se identifican respectivamente por S2 Y Q2, es
una estimación insesgada de Q2, puesto que: E (s2) = Q2

Varianza Insesgada:

15
Demostración para verificar las varianzas muéstrales sesgada e insesgada:
Se tiene la población: 2, 4, 8 y 10. Extraer muestras tamaño 3 sin reemplazo
y calcular la varianza sesgada e insesgada.

a) Calculo de la varianza poblacional

b) Muestras tamaño 3:

4 C3=4*3*2*1 = 4 muestras de tamaño 3, las muestras son:

3! 1!

2,4,8;2,4,10;2,8,10; y 4,8,10.

DISTRIBUCIÓN EN EL MUESTREO DE LA VARIANZA SESGADA

E INSESGADA Y DISTRIBUCIÓN DE LA MEDIA

16
Se puede observar en el cuadro que la varianza modificada de la muestra
13.33 es igual a la varianza modificada de la población 13.33, por tanto: S2
es un estimador insesgado de Q2.

El cálculo de la media, la varianza sesgada y la varianza insesgada para

cada muestra se procedió de la siguiente manera, ejemplo para la primea
muestra 2, 4, 8.

Los valores de S2 Y Q2 también pueden ser obtenidos así:

17
Por ejemplo para la primera muestra:

Varianza sesgada: S2 = 18.6667/3 =6.22;

Varianza insesgada: S2 = 6.22 3 = 18.6667/2 =9.33

3.1

Y la varianza modificada de la población: Q2 = 10 4/3 = 40/3 =13.33

Cuando el tamaño de la población N es grande o infinito el factor N/N-1 se

aproxima a 1 y Q2 N/N-1 se aproxima a Q2 por tanto, S2 es una estimación
insesgada de Q2 cuando la población es grande.

Además, cuando la población y la muestra son grandes ambos factores:

N y N

n-1 N-1

18
Se aproximan a 1 entonces se establece que S2 es una estimación
insesgada de cuando tanto la población como el tamaño de muestra son
grandes.

8. Tamaño óptimo de muestra

El tamaño de la muestra o sea el número de elementos a seleccionar no

deber ser a criterio del investigador puesto que existen varias fórmulas para
calcular el tamaño óptimo de una muestra. El tamaño depende de 4 factores.

a) Variabilidad de los datos en análisis (Desviación estándar).

b) Nivel de confianza o probabilidad de acertar,
c) Error de muestreo que se requiere, y
d) Tamaño de la población.

Cuando la desviación estándar no se conoce o no es posible determinaría,

entonces se puede obtener de una muestra piloto. Una de las fórmulas es la
siguiente:

Donde:

n= Tamaño óptimo de muestra

Z= Representa al número de desviaciones estándar, de acuerdo a la

probabilidad o nivel de confianza. (Los más usados 95% y 99%)

19
Q2= Varianza de la población

N= Total de elementos en la población y

Ea= Error absoluto de muestreo.

Los niveles de confianza más usados son 95 y 99%, que les corresponden
los valores Z de 1.96 y 2.58 respectivamente. Sin embargo pueden usarse
otros, la manera de obtenerlos es la siguiente: para 95% de probabilidad
entonces 0.95/2= 0.4750, este valor de probabilidad se busca en la tabla de
área bajo la curva normal para encontrar el valor de Z que le corresponde.
(En este caso dada la probabilidad encontrar el valor de Z)

Extracto de la tabla de áreas bajo la curva normal:

Ejemplo

20
Se desea seleccionar una muestra de una población de 30 casos, según una
investigación total realizada en una variable clave, la desviación estándar es
de Q=4, se desea estimar con una probabilidad de acertar del 95% y un error
absoluto de muestreo de Q2.00:

n= (1.96)2 (4)2 30

(1.96)2 (4)2 + 30 (2)2

n= 3.8416 * 16 * 30 n= 1 , 843 , 968 n=1,843,968 n=10

3.84165*16+30(4) 61.4656+120 181.4656

9. Estimación de parámetros

Después de haber seleccionado una muestra, ha necesidad de estimar

parámetros, éstos pueden ser: Promedio o media aritmética, totales y
porcentajes.

En general existen dos métodos para estimar la media de la población con

base a los resultados de una muestra.

a) Estimación puntual, la media muestral es u na estimación de media

poblacional:

21
 b) Estimación por intervalo de confianza dela media.

En el ejemplo de la distribución muestral de la media, se señaló que la media

obtenida con una muestra difiere de la verdadera media poblacional, debido
al error que se comete al aplicar el muestreo; por lo que conviene calcular
entre un intervalo, es decir establece límites dentro de los cuales
probablemente esté el verdadero valor dela población con determinado
coeficiente de confianza (95%, 99%, 90% etc.),

Z representa al número de desviaciones estándar, de acuerdo al nivel de

confianza o probabilidad que se requieran las estimaciones.

c) Estimación de un total

Estimación puntual: x=X*N

Estimación por intervalo: X+Z(Qx)

22
Donde: X = Total, o suma total de la variable.

10. Muestreo aleatorio simple

Es el método más sencillo en donde todos los elementos de la población

tienen la misma probabilidad de ser seleccionados en una muestra. El
muestreo aleatorio simple consiste en seleccionar al azar n unidades de una
población N, sin ninguna restricción que la de cada elemento de la población
tenga igual probabilidad de selección.

La selección se efectúa unidad por unidad numerándolas de 1 a N, mediante

la colocación de los números en una urna, o uso de tablas de números
aleatorios.

23
11. Tabla de números aleatorios

Para el uso de la tabla de números aleatorios se numeran todos los

elementos de la población, el criterio puede ser, si la población es de 2
dígitos, entonces numerar de 01….9, si es de tres 001…..1,000, y así
sucesivamente. En la preparación del marco muestral debe seleccionarse la
variable más representativa de lo que se requiere investigar, por ejemplo si
se selecciona la variable ventas de un grupo de empresas, el marco muestral
se muestra seguidamente.

Supóngase que la población es de 600 establecimientos y se desea extraer

una muestra de tamañon n=5, en muestra simple sin reemplazo (un
establecimiento no debe seleccionarse más de una vez) se determina el

24
punto de partida y la dirección en que se hará la selección en la tabla. Como
el número mayor es 600 se podría convenir en usar las 3 últimas cifras dela
derecha de la columna 7 y fila 1 de arriba hacia abajo. A continuación se
procede a seleccionar los elementos (En este caso empresas)

Los establecimientos que formarían la muestra son los identificados con los
números 179, 440, 468, 194 y 595, estos se marcan o chequean en el marco
muestral de lista. El número 179 que aparece en la fila 3 no se tomó en
cuenta pues ya fue seleccionado (Selección sin reemplazo), y los otros dos
números fila 2 y 6 porque caen fuera del marco muestral (982 y 602)

Un marco muestral para el ejemplo anterior se llama marco de lista y puede

elaborarse en base a directorios, por ejemplo: Directorio de establecimientos
industriales, directorio de comercios y servicios, listado de agricultores,
estudiantes, lista de contribuyentes a determinado impuesto, listado por
monto de facturas, inversión, personal ocupado, ingresos, producción,
ventas, utilidades.

La muestra seleccionada de acuerdo a una variable clave permite investigar

otras variable, por ejemplo si la variable seleccionad de un grupo de

25
empresas es las ventas brutas, entonces se puede investigar el personal
ocupado, las compras, utilidades, etc.

Después de seleccionada una muestra es necesario estimar sus parámetros,

a este proceso se le llama inferencia estadística.

12. Selección sistemática de una muestra

También se llama muestreo sistemático, una vez obtenido el tamaño de la

muestra, se determina un intervalo de selección i= N/n. Se elige al azar un
número i, y se incluye en la muestra cuyo origen corresponde al número
elegido.

Luego se incluye cada i- ésimo elemento a partir del primeo seleccionado

hasta completar la muestra. Para la estimación de la medida puntual y por
intervalo, se procede en igual forma que en el muestreo simple. Con este
procedimiento la muestra queda mejor distribuida en la población.

13. Aplicación de muestreo simple

26
Con este ejemplo de muestreo simple, se determinará el tamaño de muestra,
se seleccionará la muestra utilizando la tabla de números aleatorios, también
se aplicará la selección sistemática y se estimarán parámetrps.

Se cuenta con un conjunto de contribuyentes al impuesto sobre la renta

clasificados por el monto del impuesto pagado en l año 2005, la información
es la siguiente:

MARCO MUESTRAL DE LISTA, ORDENADO POR EL IMPUESTO SOBRE

LA RENTA PAGADO EN MILES DE Q. DE MENOR A MAYOR

27
Con esta información determinar:

a) El tamaño óptimo de muestra, con una probabilidad de confianza en

las estimaciones de 95% y un error de muestreo de Q3,000.00

Aplicando la fórmula 75, se tiene:

28
Para 95% de probabilidad Z= 1.96, la desviación estándar es 4.92, población
N=47.

b) Seleccionar la muestra (Los contribuyentes en este caso) utilizando la

tabla de números aleatorios, con el siguiente criterio: Columna 2, fila
3, primeros dígitos, como punto de inicio; hacia abajo hasta completar
la muestra, si esta no se completa continuar en las columnas
siguientes siempre de arriba hacia abajo hasta completar la muestra.

c) Con base en la muestra estimar puntualmente el promedio del

impuesto pagado por todas las empresas;

29
Con base a la muestra y con 95% de probabilidad de acertar se estima que
los impuestos pagados por los 47 contribuyentes ascienden a Q 28.12 miles.

d) Con base en la muestra y con una probabilidad de 95% estimar por

intervalo el promedio del impuesto pagado por los contribuyentes;

Con base a la muestra y 95% de probabilidad o confianza, se estima que el

verdadero promedio poblacional se encuentra entre Q24.98 Y Q31.26 miles.
(Si se toman todos los elementos M= 27.83 que es la verdadera y X= 28.12).

30
e) Estimación del total poblacional
a. Estimación puntual
El total poblacional es otro de los parámetros que interesa estimar, en
este caso el monto del impuesto pagado por todos los contribuyentes;
el mono es igual a la sumatoria de todos los valores de la variable y
está dado por: X= N* X,
Donde: X=total poblacional estimado, X= promedio muestral,
N=tamaño de la población. Sustituyendo los datos se tiene: 47*28.12=
Q1,321.64 miles.

b. Estimación del total por intervalo de confianza

Con base en la muestra estimar por intervalo el monto pagado por

todos los contribuyentes siempre con el 95% de probabilidad de
acertar.

Total poblacional = Total de la muestra

X + Z (Qx); cuando se conoce Q:

31
 1,321.64 + 1.96 (1.60)

1,321.64-3.14=1,318.50

1,321.64=3.14

1,321.64+3.14=1324.78

Con un 95% de probabilidad de acertar se estima que el monto de los

impuestos pagados por los 47 contribuyentes oscila entre Q1,318.50 y
Q1,323.78.

f) Error de muestreo absoluto

Al realizar la estimación de parámetros con base a una muestra por lo
general no son iguales a los valores que se obtendrían haciendo una
investigación al 100%, la diferencia entre el dato de la muestra y la
investigación total, es el Error de muestreo.

32
 En el caso en análisis se tiene: Ea = + 1.96 (1.60)= + 3.14.
gráficamente.

g) Selección de la muestra utilizando muestreo sistemático

33
Con los mismos datos, seleccionar la muestra aplicando muestreo
sistemático y estimar puntualmente el promedio del impuesto pagado
con 95% de probabilidad.
Primera se encuentra el intervalo de selección, N/n, 47/8=5.87, por lo
que el intervalo de selección puede ser 5 por defecto o 6 por exceso.
Se selecciona un número al azar entre 01 a 47 como punto de
arranque, este resultó el 21, que queda seleccionado, segundo se
cuenta cada 6 hasta completar la muestra.

MARCO MUESTRAL DE LISTA, ORDENADO POR EL IMPUESTO

SOBRE LA RENTA PAGADO EN MILES DE
Q. DE MAYOR A MENOR

34
 Con el 95% de probabilidad se estima que el verdadero promedio
poblacional se encuentra entre Q 24,239.00 y Q30,511.00.

14. Muestreo estratificado

A medida que se avanza en el muestreo, las estimaciones se pueden

mejorar, esto se logra dependiendo del conocimiento que se tenga de la
población, manteniendo siempre el principio probabilístico.

La población se divide en grupos parecidos entre sí llamados estratos

(contribuyentes, estudiantes, ingresos etc.), se listan todos los elementos de
la población de menor a mayor o viceversa, de acuerdo a la variable a
investigar, se determina el tamaño de muestra la cual se distribuye entre

35
cada estrato, se eligen los elementos con lo cual se garantiza que los
elementos en los diferentes estratos de la población queden adecuadamente
representados en la muestra.

Cada estrato permitirá un menor recorrido sea un menor dispersión de la

información, repercutiendo en una mejor precisión de las estimaciones,
además pueden hacerse estimaciones para cada estrato así como para el
total.

a) Estimación puntual:

La media aritmética de la meustra de determina de la siguiente forma:

Donde:

W= Ponderación del número de casos de cada estrato con relación al total

poblacional, esta dado por

36
h=Identificación del estrato, 1,2,3, ó A,B,C,D; ó grande, pequeño, mediano,
etc.

Xh= Media aritmética del estrato h

Nh=Número de elementos del estrato h

N= Número total de elementos en la población

b) Estimación de la media por intervalo de confianza

Donde:

M= Media poblacional

X= Media muestral que está dada por X= W1 X1 Wh Xh

Z=Número de desviaciones estándar de acuerdo a la probabilidad de

confianza.

S= Error estándar de la media utilizando la desviación estándar de la muestra

de cada estrato pr eso se identifica con S.

37
c) Estimación de un total
a. Estimación puntual

b. Estimación por intervalo de confianza

El error estándar se determina con la siguiente fórmula:

Donde:

Sh= Desviación estándar de la muestra en cada estrato, está dada por

la fórmula 29

38
14.1 Distribución de la muestra y estimación de parámetros

Una vez calculado el tamaño de la muestra se distribuye entre cada estrato,

esta distribución también llamada afijación de la muestra, se puede hacer:

a) Afijación uniforme, la muestra se divide entre el número de estratos

por igual;
b) Afijación proporcional, la muestra se distribuye de acuerdo al peso
relativo del número de elementos de cada estrato entre el total
poblacional; y
c) Afijación optima, cuando se forma en cuenta la dispersión de los datos
utilizando la desviación estándar de la muestra. ( Que se verá más
adelante) Tomando los datos de la tabla 6-14, se han conformado 3
estratos, así:

39
 ESTRATO III

a) Afijación uniforme
La muestra se reparte por igual entre los estratos, tomando en cuenta
n= 8, se tiene : 8/3 2.66,

b) Distribución de la muestra con afiliación proporcional

Primero se encuentra la fracción de muestreo que está dada por f m= n/N,

40
 Segundo el resultado encontrado se multiplica por el número de
elementos en cada estrato.

Nh = fm * Nh

Donde:

fm= Fracción de muestreo

n= Tamaño de la muestra

N= Tamaño de la población

Distribución proporcional: nn= fm * Nn; para cada estrato. Sustituyendo

datos fm = 8/45=0.17, para el primer estrato 0.17 *21 =3.57 , para el

segundo estrato 0.18*15 =2.55 y para el tercer estrato 0.18*11 =1.87.

c) Distribución de la muestra con afijación óptima

La muestra se distribuye en cuenta la dispersión de los datos para
cada estrato, de esa cuenta esta distribución es la mejor.

41
NOTESE: que el estrato C tiene más elementos en virtud que su dispersión
es mayor.

Ejemplo de distribución proporcional de la muestra, y estimación de

parámetros.

Para el efecto se ha preparado un ejercicio en donde los estratos fueron

definidos, seleccionada la muestra y determinado su promedio y desviación
estándar de cada estrato. Se cuenta con 2,000 facturas de una empresa, se
tomó una muestra de 500, formando 3 estratos para cada uno se seleccionó
la muestra y se calculó su promedio del monto facturado en miles de
quetzales, así como su desviación estándar.

42
Distribuir proporcionalmente la muestra, estimar con base en ella
puntualmente el promedio facturado para la población, estimar por intervalo
de confianza el promedio y el monto facturado.

a) Distribución de la muestra con afijación proporcional

Primero se encuentra la fracción de muestreo que está dada por f m = n/N,

el resultado encontrado se multiplica por el número de elementos en cada
estrato, esto es: nh= fm*Nh; para cada estrato.

Sustituyendo datos fm= 500/2,000=0.25, para el primer estrato

0.25*800=200, para el segundo estrado 0.25*700=175 y para el tercer
estrato 0.25 *500=125 (columna 6)

43
 b) Estimación puntual del promedio facturado

Se cuenta con los promedios muéstrales para cada uno de los estratos
definidos, se necesita calcular W, para cada estrato.

WA=Nh

Para el estrato A, WA= 800/2,000=0.40, de esta forma para cada estrato

columna 3. Yd la media estará dada así:

X= 0.40*100+0.35*800+0.254*1,200.

X=645.00. Con base en la muestra se estima que el promedio de las

2,000 facturas asciende a Q645.00 miles.

c) La estimación por intervalo de la media, con 75% de probabilidad,

M=X + Z(Sx);X= 645.00, Z=1.15 Sx =?, el error estándar de la media se

determina con la fórmula conocida:

44
Con base a la muestra se estima con una probabilidad del 75% de acertar
que el promedio del valor de las 2,000 facturas oscila entre Q 641.94 Y
Q648.05 miles.

d) Estimulación del monto de las 200 facturas

Está dado por X*N ; entonces 645 *2,000 = Q1,290,000 miles

45
46
 CONCLUSIONES

1. Es importante que el primer procedimiento al realizar una auditoría es

iniciar las investigaciones de manera tal que estas arrojen conclusiones
provenientes de determinados estudios como puede ser el estadístico a
través de una muestra probabilística.

2. La técnica del muestreo permite una reducción considerable de

los costos materiales de la auditoria a realizar, una mayor rapidez en la
obtención de la información y la maximización de resultados en el
trabajo a desempeñar.

47
 RECOMENDACIONES

1. El muestreo Estadístico resulta beneficioso para implementarlo en la

realización de un estudio, debido a que mediante este se pueden
obtener probabilidades bajas o altas a través de determinados
beneficios que estas técnicas ofrecen

2. El muestreo como herramienta de la investigación científica arroja

resultados que se pueden utilizar para concluir un determinado estudio
X de población, al igual las técnicas selectivas que se requieren para
dicho estudio de acuerdo a lo que se va a evaluar.

48
 REFERENCIAS BIBLIOGRAFICAS

Reyes Donis, José Luis. Estadística I Guía de estudio. Editorial

SERVIPRENSA. Cuarta edición, agosto 2014. P. 243

Izcara Palacios, Simón Pedro. Introducción al Muestreo. Editorial Miguel

Ángel Porrúa. Primera edición, abril 2007. P. 105

49