Tcnicas de Muestreo para Auditoras

Gua terico - prctica

Gerencia de Control de la Deuda Pblica Departamento de Control de Operaciones de Crdito Pblico y Sustentabilidad Lic. Martn Rubione i

El propsito de esta gua es contribuir con los equipos de auditora en la eleccin y aplicacin del plan de muestreo ms eficiente para cada caso. Se espera que el documento se complete y perfeccione con la colaboracin de los usuarios. Cualquier comentario al respecto podr ser dirigido a mrubione@agn.gov.ar. Los contenidos de esta gua no debern ser reproducidos para fines comerciales. No obstante, se alienta su reproduccin para otros fines, con el correspondiente reconocimiento. La gua que est leyendo corresponde a la versin 1.0. de mayo de 2011 ii

ndice
Introduccin ........................................................................................................................ 1 Nociones bsicas relativas al muestreo ................................................................................ 3 Poblacin ................................................................................................................................... 3 Muestra ..................................................................................................................................... 3 Censo ......................................................................................................................................... 4 Plan de muestreo ...................................................................................................................... 4 Programa de muestreo ............................................................................................................. 4 Riesgos y beneficios del muestreo ............................................................................................ 4 Muestreo probabilstico y no probabilstico ............................................................................. 4 Precauciones con el muestreo no probabilstico ...................................................................... 5 Consideraciones para el armado de un programa de muestreo ............................................. 5 Objetivos de auditora ............................................................................................................... 5 Variables para analizar .............................................................................................................. 6 Precisin y error de muestreo................................................................................................... 7 Confianza ................................................................................................................................... 8 Error no atribuible al muestreo................................................................................................. 8 Estratificacin y homogeneidad ................................................................................................ 8 Estratificacin y segmentacin ................................................................................................. 9 Distribucin de probabilidades ................................................................................................. 9 Factores que influyen sobre el tamao de la muestra............................................................ 10 Planes de muestreo probabilstico ..................................................................................... 11 Muestreo simple al azar .......................................................................................................... 12 Muestreo sistemtico ............................................................................................................. 12 Muestreo estratificado............................................................................................................ 13 Muestreo agrupado ................................................................................................................ 13 Muestreo por materialidad ..................................................................................................... 13 Muestreo de descubrimiento.................................................................................................. 14 Planes de muestreo no probabilstico ................................................................................. 14 Caso extremo .......................................................................................................................... 15 Caso intenso ............................................................................................................................ 15 Mxima variacin .................................................................................................................... 15 Caso tpico ............................................................................................................................... 15 Caso paradigmtico ................................................................................................................. 15 Bola de nieve ........................................................................................................................... 16 Criterio..................................................................................................................................... 16 iii

Oportunista ............................................................................................................................. 16 Casos de inters ...................................................................................................................... 16 Conveniencia ........................................................................................................................... 16 Reporte del programa de muestreo.................................................................................... 16 Qu documentar en el caso de muestreo probabilstico ........................................................ 17 Qu documentar en el caso de muestreo no probabilstico ................................................... 18 Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico .............................. 19 Anexo B - Errores no atribuibles al muestreo ...................................................................... 20 Anexo C - Metodologas para la estratificacin de poblaciones ........................................... 22 Anexo D - Frmulas ........................................................................................................... 23 Anexo E - Tamao de muestra para muestreo de descubrimiento ....................................... 27 Anexo F Valores de la distribucin Normal ....................................................................... 28 Anexo G Valores de la distribucin t-student ................................................................... 29 Bibliografa ........................................................................................................................ 30

iv

Introduccin

l muestreo es la tcnica conforme a la cual se extraen ciertos elementos de una poblacin o universo para, mediante su anlisis, inferir caractersticas de la poblacin de la cual han sido extrados. Se trata de un mtodo que permite hacer economa de recursos a cambio de ciertos riesgos de naturaleza controlable. Cada vez ms, las auditoras recurren a tcnicas de muestreo para arribar a conclusiones fundadas. Con el crecimiento en el volumen de las actividades, se hace prcticamente imposible, sino absolutamente dispendiosa, la formidable tarea de revisar todos y cada uno de los comprobantes, procedimientos, legajos, opiniones, o aquello que comprenda el objeto de anlisis. Se reconoce habitualmente que las muestras implican cierto grado de error. Supuestamente, si no se deseara asumir riesgos, debera llevarse a cabo un censo. No obstante, Dado que el control en muy pocos casos existen varios motivos puede ser realizado exhaustivamente, las por los cuales los censos Entidades Fiscalizadoras Superiores tendrn tampoco estn libres de que limitarse, en general, al procedimiento error (por ejemplo, por de muestreo. Este, sin embargo, debe falsificacin o realizarse en base a un programa dado y en aburrimiento). El tal nmero que resulte posible formarse un paradjico resultado juicio sobre la calidad y la regularidad de las consiste en que realizar operaciones. censos para fundar opiniones de auditora INTOSAI. Declaracin de Lima, Cap. V, Art. puede acarrear un grado desconocido de error, 13, inc.2 posiblemente mayor que aquel que se podra haber elegido a conciencia. Vale decir, adems, que no siempre es posible realizar un censo por la naturaleza del objeto de anlisis la contaminacin del aire, agua o suelo, o deseable: un anlisis de sangre se realiza a partir de la extraccin de una muestra, afortunadamente. Elegido un tamao de muestra compatible con el riesgo que se acepta asumir, el riesgo estrictamente atribuible al muestreo consiste en que la muestra extrada no sea representativa de la poblacin de origen, y que por ello se arribe a conclusiones erradas sobre la poblacin. Pero, qu pasa si no realizramos una muestra fundada en clculos y eligiramos discrecionalmente una cierta cantidad de unidades para analizar? Pueden pasar dos cosas: i) pueden extraerse y analizarse una cantidad mayor de unidades que las estrictamente suficientes para arribar a una opinin confiable, en cuyo caso se estara incurriendo en un mayor volumen de trabajo que el necesario; o ii) puede extraerse y analizarse una cantidad menor de unidades que aquellas que resulten suficientes para arribar a una 1

opinin confiable, en cuyo caso se estara poniendo en riesgo el sustento mismo de las opiniones. El trabajo intelectual necesario para identificar el universo, describir los procedimientos, planificar las pruebas de cumplimiento, seleccionar una muestra, reportar los resultados, etc. -conjunto de tareas comnmente conocidas como programa de muestreo-, no es en absoluto menor. Tampoco lo es el trabajo de combatir contra el instinto del auditor, que se manifiesta en tendencias inconscientes a elegir determinados documentos o montos, y no otros, o a elegir los menos problemticos. Tampoco es tarea fcil cuestionar los usos y costumbres tan arraigados en esta actividad (analizar el 30% de los comprobantes, analizar un mes cada tres, por ejemplo). En sntesis, llevar a cabo un muestreo bien fundado es trabajoso. Pero el beneficio es el sustento, comparable por cierto al de la buena evidencia. Es oportuno aclarar que el muestreo no desconoce el instinto contrario a lo que comnmente se cree, sino que lo incorpora en su mtodo. En cuanto a los usos y costumbres, no es mucho lo que pueda decirse de ellos para defenderlos, excepto que han resultado tiles para una poca en la que la teora y prctica del muestreo estaba lejos de alcanzar el desarrollo actual. El muestreo probabilstico no es aplicable en todos los casos o circunstancias. Habr situaciones en las que por falta de recursos, por dificultades operativas u otras limitaciones, ser preferible acudir a determinadas pruebas especficas que distan de los procedimientos estadsticos ms rigurosos. No obstante, an en esos casos habrn de tenerse en cuenta ciertos cuidados mnimos y necesarios para sostener fundadamente las opiniones vertidas en un informe. Se trata de tcnicas que se denominan de muestreo no probabilstico, de gran aplicacin prctica y que conviene tener presentes. Considerndose la diversidad de situaciones que los equipos de auditora deben atender, tanto al realizar auditoras financieras como las menos estandarizadas auditoras de gestin, el universo atendible es en consecuencia aquel que corresponde al de las ciencias sociales en toda su envergadura. En este universo amplio, complejo y cambiante, esta gua pretende ser un documento accesible desde su alcance terico, y en un instrumento de consulta prctica que ayude a seleccionar el mejor plan de muestreo para las circunstancias particulares a las que se enfrenta cada equipo de auditora.

Nociones bsicas relativas al muestreo

Poblacin

na poblacin es un conjunto de elementos de inters para un estudio. A cada uno de los elementos que conforman la poblacin, se lo denomina unidad de muestreo. Es necesario definir qu es lo que hace que las diversas unidades de muestreo que componen la poblacin sean homogneas entre s, y cul es el grado de diversidad admisible. La homogeneidad se refiere al grado de similitud que existe entre las unidades de muestreo de una poblacin. En definitiva, todos podemos reconocer a un grano de arroz, pero no siempre resultar tan fcil. Es ms sencillo, por ejemplo, definir departamento que hogar. Cules son los lmites cualitativos o cuantitativos que determinan que un hogar es tal? Aunque se espera que las unidades de muestreo difieran en algn grado entre unas y otras, deben ser de todos modos lo suficientemente parecidas entre ellas como para ser consideradas miembros de una misma poblacin. Puede ser una persona, un archivo, una unidad administrativa, entre otros, pero es necesario definir operacionalmente de qu se trata una unidad de muestreo, en trminos muy claros y concretos. Por ejemplo: todos los municipios o comunidades linderos a Parques Nacionales que cuenten con jefe de gobierno. Al listado de procedimientos necesarios para identificar a las unidades de muestreo, se lo denomina protocolo de muestreo. La cantidad total de unidades de muestreo que hay en una poblacin se reconocen bajo la letra N.

Muestra
Una muestra es un subconjunto de elementos de una poblacin. Para extraer una muestra se seleccionan unidades de muestreo, procurando que su distribucin sea similar a la de la poblacin de origen; en otras palabras, que sea representativa de la poblacin. Por ejemplo, si una poblacin est compuesta en un 30% por unidades que cumplen con la caracterstica A, una tcnica de muestreo bien utilizada redundar en una muestra en la que aproximadamente el 30% de sus elementos poseern la caracterstica A. Que la poblacin sea homognea es, en la mayor parte de los casos, una condicin necesaria para que las inferencias sobre la poblacin sean vlidas. De este modo, se podr arribar a conclusiones sobre la poblacin sin necesidad de analizar la poblacin completa. A la accin de extraer una muestra se la denomina muestreo. La cantidad de unidades muestreadas que conforman una muestra se reconocen bajo la letra n.

Censo
El origen latn de la palabra es census, que significa padrn. Implica verificar el 100% de las unidades de una poblacin. En vez de una opinin basada en la razonabilidad, es posible en estos casos una certificacin. No obstante, la realizacin de censos no garantiza el arribo a conclusiones inapelables. En ellos puede incidir la rutina como factor de error, entre otros. Cabe destacar la importancia de declarar el ndice de respuesta de los censos, ya que bajo un ndice bajo puede esconderse heterogeneidad en la poblacin, u otras causas que podran limitar la validez global de las opiniones. El censo en las auditoras se aplica cuando la poblacin es muy pequea (N 20), por ejemplo, expedientes de obras en curso.

Plan de muestreo
Se denomina plan de muestreo a la combinacin de factores que determinan mnimamente el tamao de la muestra y el procedimiento de muestreo. Un plan de muestreo est asociado a tcnicas especficas, frmulas y tablas. El plan de muestreo ms conocido y sencillo se denomina muestreo simple al azar. Un compendio de planes de muestreo se encuentra en las pginas 11 a 16.

Programa de muestreo
Es el conjunto de decisiones que incluyen no slo el plan de muestreo elegido, sino tambin la definicin de la poblacin, el protocolo de muestreo, los valores de precisin y confianza con los que se trabajar, los mtodos de recoleccin de datos, y la explicitacin de las pruebas de cumplimiento.

Riesgos y beneficios del muestreo

El riesgo de muestrear es arribar a conclusiones erradas sobre la poblacin, mientras que el beneficio es la optimizacin en el uso de recursos, dado el riesgo asumido. Existen algunos motivos en virtud de los cuales no queda ms opcin que extraer una muestra. Entre ellos, cabe mencionar las siguientes: i) la imposibilidad de censar poblaciones infinitas (calidad del aire, calidad del agua), ii) el costo de censar poblaciones finitas muy grandes (intencin de voto / beneficiarios de planes), iii) el contrasentido de censar unidades cuyo testeo implica su destruccin (duracin de lamparitas / resistencia de una cerradura), iv) imposibilidad material o riesgo (Es necesario o posible extraer toda la sangre de un paciente para conocer su estado de salud?), y v) limitaciones de recursos por ejemplo, cuando el costo de viticos es significativo.

Muestreo probabilstico y no probabilstico

El muestreo se puede dividir en probabilstico y no probabilstico, tambin denominados estadstico y no estadstico, o al azar y no al azar, respectivamente. El hecho de extraer una muestra no significa azar o aleatoriedad. En ello es determinante la fase mecnica de seleccin de las unidades de muestreo que conformarn la muestra. La diferencia fundamental entre estos tipos de muestreo radica en que en el muestreo 4

probabilstico se puede medir el riesgo que se asume al muestrear, mientras que en el muestreo no probabilstico ello no es posible. En el estadstico, la fundamentacin es terica y las conclusiones pueden ser cuantitativas y precisas; mientras que en el no estadstico, la fundamentacin es prctica y las conclusiones pueden ser cualitativas y, en el mejor de los casos, razonables, adems de perder ante determinados casos la posibilidad de ser extrapolables. Ante estas diferencias, por qu recurrir al muestreo no probabilstico? En algunas circunstancias sucede que no es posible por falta de tiempo, por escasez de recursos, por limitaciones para acceder a la poblacin u otras dificultades operativas llevar a cabo un muestreo probabilstico. Ser preferible, entonces, acudir a determinadas pruebas especficas, para los que habrn de tenerse en cuenta ciertos cuidados mnimos y necesarios para sostener fundadamente las opiniones vertidas en un informe.

Precauciones con el muestreo no probabilstico

Las conclusiones derivadas de muestreos no probabilsticos deben ser cuidadosas: deber evitarse informar ratios ya que puede conducir a otros a generalizar. En cambio, se podr informar sobre la cantidad de casos que cumplieron o no con el criterio. Una vez informada la cantidad de casos, deber ensayarse una conclusin que permita interpretarlos, es decir, transformar los datos en informacin. Si bien los hallazgos no podrn considerarse representativos, dan cuenta de la existencia de algn problema serio? Permiten conocer la naturaleza del problema? A los efectos de fortalecer los resultados del muestreo no probabilstico, es recomendable hacer uso de informacin de otras fuentes (triangulacin). Algunos planes de muestreo probabilstico pueden consultarse en el captulo respectivo, pgina 11; mientras que planes de muestreo no probabilstico pueden verse en la pgina 14.

Consideraciones para el armado de un programa de muestreo

ara lograr que la muestra sea representativa de la poblacin sobre la que se desea concluir, es necesario considerar ciertas conceptos y llevar adelante algunos procedimientos mnimos. A continuacin, se exponen los aspectos que conviene tener en cuenta.

Objetivos de auditora
Los objetivos de auditora deberan estar claros y explicitarse antes de avanzar sobre el programa de muestreo, ya que estos inciden sobre el plan de muestreo que habr de elegirse. A medida que se va puliendo el programa de muestreo, ser necesario iterar con los objetivos, con el alcance, y con la precisin del muestreo, ya que puede resultar necesario considerar la suficiencia de los recursos con los que se cuenta. Al finalizar el 5

proceso, el alcance de la auditora debe ser consistente con los recursos disponibles y con el A los efectos de la evaluacin de los programa de muestreo procedimientos a aplicar, para la asociado. Los objetivos determinacin de su alcance, el auditor de auditora deben deber tener en cuenta la utilizacin de bases poder expresarse en selectivas, segn su criterio, apoyndose en trminos muy el uso de mtodos de muestreo estadsticos. concretos, por ejemplo (para muestreo Normas de Auditora Externa de la Auditora probabilstico): General de la Nacin. IIIa-2 PLANIFICACIN ESPECIFICA Estimar la proporcin de becas que fueron otorgadas en cumplimiento de las clusulas estipuladas en el Manual Operativo. Estimar la duracin promedio de las puertas antipnico instaladas en instituciones educativas pertenecientes al Programa. Estimar el tiempo promedio transcurrido desde el inicio del Programa hasta que los beneficiarios potenciales se enteraran de su existencia por medios fehacientes, por regin.

Para muestreo no probabilstico: Ilustrar el grado de adaptabilidad de la solucin propuesta por el proyecto a la problemtica de residuos slidos urbanos de los municipios potencialmente beneficiarios. Ilustrar sobre la satisfaccin de los usuarios finales pertenecientes a pueblos originarios respecto del trato recibido durante la instalacin del equipamiento. Ilustrar sobre la suficiencia de informacin tcnica entregada a los responsables de mantenimiento de las instalaciones recibidas.

Es necesario tomar recaudos para que la unidad de muestreo se ajuste a los objetivos de la auditora. Puede suceder que un archivo, una carpeta, o un contrato sea tan slo una parte de la unidad de muestreo que se desea analizar. Supngase que lo que se intenta determinar es si los proyectos fueron gestionados con eficacia, y que cada proyecto est constituido por varios contratos. La divisin que se realiza entre una unidad de muestreo y otra puede ser arbitraria y diferir de la divisin natural que se presenta por comodidad para la gestin.

Variables para analizar

Todo muestreo procura realizar inferencias sobre la poblacin, para lo cual recurre al clculo de lo que se denomina estimadores. Los estimadores son los valores de ciertos atributos de las unidades de muestreo. Pueden corresponder a variables nominales, ordinales o numricas. Las variables nominales son aquellas que permiten clasificar unidades en distintos grupos 6

(por ejemplo, lugar de residencia: Norte, Centro o Sur). Aquellas variables que slo cuentan con dos opciones se denominan binomiales (por ejemplo, egresado universitario: S o No). Las variables ordinales permiten clasificar las unidades de muestreo en un orden determinado. Permiten conocer su posicin relativa respecto del resto de las unidades de muestreo, pero no medir magnitudes que las diferencien (por ejemplo, para relevar la satisfaccin de los usuarios respecto de algun aspecto determinado de un Programa, respuestas posibles podran ser: muy satisfecho, satisfecho, neutral, insatisfecho, muy insatisfecho. Se conocer que una persona satisfecha est ms satisfecha que una que se clasifica neutral, pero no sabemos cunto ms). Las variables numricas se utilizan para situar a unidades de muestreo dentro de una funcin Definir objetivos continua. El valor asociado a una unidad de muestreo permite Definir poblacin medir las diferencias respecto de otras unidades, entre las que se incluyen montos monetarios: Definir variables a analizar promedio de aos de experiencia, proporcin de facturas con Definir riesgo montos superiores a x, demora media.

Precisin y error de muestreo

En la medida en que una muestra es representativa, habr similitud entre el valor del estimador (de la muestra) y el valor del parmetro (de la poblacin). Es el grado de similitud entre un estimador y un parmetro, siendo el parmetro el valor asociado a un determinado atributo de la poblacin, y el estimador el valor asociado al mismo atributo, pero de una muestra. Supngase una poblacin de comprobantes de atencin, a partir de los cuales se podra calcular la demora promedio para brindar cierta atencin, valor que desconocemos y que alcanza a 47 minutos (el parmetro). De extraerse una muestra, podr calcularse la demora promedio de las unidades muestreadas, que conformar el estimador, cuyo valor muy probablemente oscilar en torno al valor del parmetro, sin necesariamente coincidir. El tamao de la muestra incide sobre la precisin de los estimadores. Si se desea mayor precisin en los estimadores, ms grande deber ser la muestra. El concepto inverso al de precisin es el error de muestreo. Se denomina error de muestreo a cualquier diferencia que exista entre el estimador y el parmetro, debido al azar. El tamao de la muestra incide sobre el error de muestreo de modo inverso que como suceda con la precisin. Si se desea menor error de muestreo, ms grande deber ser la muestra. El riesgo de una muestra pequea es que no sea representativa de la poblacin por el hecho de extraer unidades de muestreo particularmente extremas en valor. Por ejemplo, supngase que para estimar la altura promedio de la poblacin mencionada precedentemente se extrae una muestra pequea, pero en virtud del azar, algunas extracciones corresponden a jugadores de bsquet, sin que se hayan extrado (tambin por azar) personas con valores de atributo en el otro extremo del continuo y que permitan compensar a los basquetbolistas. El error de muestreo se mide como margen de error admisible. Ejemplo: se 7

espera que el valor del parmetro est comprendido en +/- 5% del valor del estimador que se ha calculado o, en otras palabras, que la demora promedio para recibir atencin est comprendida entre 46,55 min y 51,45 min (cuando la demora promedio de la muestra dio por resultado 49). El error de muestreo se suele representar bajo la letra E.

Confianza
El nivel de confianza es una medida de la probabilidad de que el valor del estimador no difiera del valor del parmetro ms all del margen de error. La confianza reside sobre qu tan representativa es una muestra de la poblacin. En trminos coloquiales, podra decirse que es una manera de estipular qu tan parecidas son las muestras que podran extraerse, una y otra vez, de la misma poblacin. Si se desea mayor grado de confianza sobre los estimadores, ms grande deber ser la muestra. De este modo, cunto ms grande la muestra, menor probabilidad de diferir significativamente entre ellas. En el extremo, si la muestra fuera tan grande como la poblacin (censo), entonces no habra diferencias entre muestras extradas una y otra vez, por lo que el nivel de confianza en el muestreo sera mximo. Normalmente se trabaja con niveles de confianza comprendidos entre el 95% y el 90%. Un nivel de confianza del 95% significa, por ejemplo, que se tiene un 95% de confianza en que el valor del estimador est dentro del intervalo de confianza definido. Siguiendo con el ejemplo anterior, podra decirse que con un 95% de confianza, la demora promedio para la atencin est comprendida entre 46,55 min y 51,45 min (cuando la demora promedio de la muestra dio por resultado 49). Al igual que con la precisin, el nivel de confianza aumenta con el tamao de la muestra. El nivel de confianza se suele representar mediante la letra C.

Error no atribuible al muestreo

Hay otras fuentes de error, adems del error de muestreo, que pueden derivar en estimadores imprecisos. Cualquier diferencia que exista entre el estimador y el parmetro, y que no se deba al azar ni al tamao de muestra, si no a falencias en el programa de muestreo, o a su aplicacin en campo, se denomina error no atribuible al muestreo. A diferencia del error de muestreo, este tipo de error no es mensurable y hasta puede pasar desapercibido, conduciendo irremediablemente a conclusiones incorrectas. El origen del error no atribuible al muestreo puede clasificarse como: i) problemas de diseo del programa, ii) equvocos, iii) falta de respuesta. Entre sus casos, cabe mencionar los siguientes: preguntas ambiguas, anidadas o correlativas, respuestas por reputacin, por conveniencia o falta de respuesta, procedimientos ambiguos, ponderacin incorrecta, cobertura inapropiada y falsificacin o equvocos. Una descripcin de cada caso puede consultarse en el Anexo B - Errores no atribuibles al muestreo, pgina 20, til para utilizar como check list a la hora de verificar el diseo, y como paso previo a la puesta en prctica.

Estratificacin y homogeneidad
Es el proceso por medio del cual se divide una poblacin en diversas sub poblaciones (o estratos) para que cumplan con el principio de 8

homogeneidad (ver Poblacin, pgina 3), y reducir as el riesgo de que las muestras no sean representativas. Identificar poblaciones homogneas puede llevar a un gran nmero de estratos que habr que muestrear por separado. En consecuencia, puede incrementarse de manera significativa la cantidad de muestras y del trabajo a realizar, por lo que habra que iterar, de ser necesario, con los objetivos y alcance. Esta es precisamente la instancia en la que volcar el conocimiento instintivo del auditor. Su conocimiento debe destinarse, ms que a la eleccin no probabilstica de determinadas unidades de muestreo, a la estratificacin precisa de una poblacin. Para estratificar, puede resultar til recurrir a estrategias para conducir muestreos no probabilsticos, an si el plan es llevar a cabo un muestreo probabilstico (ver Planes de muestreo no probabilstico, pgina 14). Puede suceder que no resulte sencillo estratificar debido a que el atributo est oculto a la observacin directa. Por ejemplo, puede que se deseen analizar unidades de alto riesgo solamente. Normalmente, las unidades de muestreo no estn etiquetadas como de alto o bajo riesgo. El riesgo es una construccin que se deber definir sobre la base de otras caractersticas operativas o atributos que s sean visibles.

Estratificacin y segmentacin
As como la estratificacin se realiza para homogeneizar una poblacin heterognea, la segmentacin se realiza para enriquecer o facilitar el reporte de resultados, sobre la base de una poblacin o sub poblacin homognea. No ha de confundirse una con otra. Es posible estratificar una poblacin entre hombres y mujeres, para luego segmentar por algn otro atributo que no incida sobre la homogeneidad, pero que enriquezca los resultados del anlisis, por ejemplo, si los alumnos de diferentes regiones geogrficas, aun formando parte de la misma poblacin, presentan distintos promedios.

Distribucin de probabilidades
Adems del conocimiento ex ante que el auditor tenga sobre determinada poblacin, que facilita la estratificacin, una tcnica habitualmente utilizada consiste en graficar la frecuencia de una poblacin frente a la variable bajo anlisis (histograma). En el eje vertical se presentan las frecuencias es decir, la cantidad de veces que se repite, y en el horizontal los valores de la variable bajo anlisis. Este mtodo permite observar a simple vista la presencia de sub poblaciones o estratos. De extraerse una variable aleatoriamente, la probabilidad de que se encuentre comprendido en los valores del histograma seguir la distribucin de frecuencias relativas graficada. Al respecto, es til tener presente los conceptos de media (promedio de valores), moda (valor con mayor frecuencia) y mediana (valor que divide un continuo en dos mitades iguales), as como tambin el de dispersin, que es una medida del grado en que los valores se alejan de la media. Dependiendo de la poblacin que se analice, su media y su dispersin pueden variar radicalmente, por ejemplo: duracin de lmparas incandescentes, monto de viticos, duracin de un trmite, monto de prstamos. Distribuciones tpicas son las siguientes: 9

1)

La distribucin normal es unimodal lo que indica que se observa una sola moda o cima en el histograma, simtrica, y tiene forma de campana. En una distribucin normal perfecta, la moda, coincide con la media y la mediana. Una distribucin normal indica que la poblacin es homognea respecto de la variable que se analiza. No es necesario estratificar poblaciones con esta distribucin. La distribucin bimodal cuenta con dos modas. El histograma muestra dos cimas. Si la distribucin muestra ms de dos cimas, se la denomina multimodal. Las distribuciones bimodal o multimodal son heterogneas. Si la variable representa una importante caracterstica de la poblacin, entonces debera estratificarse para obtener sub poblaciones de distribucin normal. La distribucin asimtrica presenta concentracin de unidades de muestreo con valores extremos. Esto genera un pico pronunciado inclinado hacia uno u otro lado del histograma. Las unidades asociadas a valores extremos se consideran por fuera de la frecuencia principal de la distribucin. La distribucin asimtrica tambin es heterognea. Si la variable representa una importante caracterstica de la poblacin, entonces debera estratificarse para crear dos o ms poblaciones de distribucin normal.

2)

3)

Para mtodos de estratificacin, vase Anexo C - Metodologas para la estratificacin de poblaciones, pgina 22.

Factores que influyen sobre el tamao de la muestra

Las limitaciones presupuestarias o temporales hacen que en ciertas oportunidades resulte necesario revisar el alcance del trabajo, o iterar con los niveles de confianza y error de muestreo hasta adecuar el tamao de la muestra a las posibilidades reales. En el extremo, ser necesario abandonar 10

las pretensiones de llevar a cabo un muestreo probabilstico, y volcar los esfuerzos a la eleccin del mejor mtodo de muestreo no probabilstico. Pero adems del error de muestreo -pgina 7- y de la confianza -pgina 8-, en rigor, las nicas dos variables endgenas, existen otros factores que influyen sobre el tamao de la muestra: 1) La dispersin. Cuanta mayor variabilidad en los valores de un atributo, menos preciso ser el estimador, por lo que se requiere de tamaos de muestra ms grande frente a un mismo error de muestreo asumido. La proporcin de un atributo. Incide en virtud de su frecuencia relativa y de tal forma que cuanto ms cercana al 50%, ms grande deber ser el tamao de la muestra. Si bien la proporcin puede ser estimada a grandes rasgos a los efectos de introducir el dato en la frmula, en caso de imposibilidad para hacer este clculo preliminar, debe recurrirse, justamente, a calcular el tamao de muestra bajo un criterio conservador, es decir, asumiendo que la proporcin es del 50%, de modo de obtener el mximo tamao de muestra posible. Este concepto es equivalente al de error esperado, que se encuentra en algunas frmulas para la estimacin del tamao de muestra. El tamao de la poblacin. A medida que la poblacin aumenta de tamao, en especial cuando N>1000, su tamao incide cada vez menos sobre el tamao de la muestra, obtenindose grandes economas. A grandes trazos, el anlisis de una parte cada vez menor de una poblacin cada vez ms grande, es suficiente para concluir sobre la poblacin.

2)

3)

Planes de muestreo probabilstico1

s importante armonizar el programa de muestreo con el tipo de anlisis requerido para que las muestras sean representativas. El programa de muestreo comprende, como ya fuera dicho, el plan de muestreo, la determinacin del error de muestreo, los procedimientos a utilizar y los planes para analizar e interpretar los resultados. La eleccin de un plan depende bsicamente de las caractersticas poblacionales y de los objetivos perseguidos por el auditor. La combinacin cuidadosa de planes es una posibilidad a la que puede acudirse. A continuacin se presenta un detalle de los planes de muestreo probabilstico ms usuales, como el muestreo simple al azar, el muestreo sistemtico, el muestreo estratificado, el muestreo por conglomerados, el muestreo por materialidad y el muestreo de descubrimiento.

Este captulo debe leerse en conjunto con el Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico, pgina 19, que asiste en la toma de decisiones para la identificacin del plan ptimo. Ese mismo anexo conduce a las frmulas y tablas a ser utilizadas para hacer operativo el plan elegido.

11

Muestreo simple al azar

Es el mtodo ms sencillo para muestrear y para reportar resultados. Consiste en extraer una cierta cantidad de unidades de muestreo de una poblacin, cuando la probabilidad de extraccin de cada unidad es igual a la de cualquier otra unidad. Si la poblacin fuera pequea, puede utilizarse la reposicin para tener la posibilidad de extraer una unidad ms de una vez. Limitaciones Requiere de una lista precisa de las unidades de muestreo, que puedan identificarse y numerarse. Se puede, tal vez, numerar cada expediente de un procedimiento de compras, pero no se puede enumerar ni identificar exhaustivamente a los pacientes ambulatorios que van a atenderse a un hospital pblico en determinado momento. Cada unidad de muestreo debe tener la misma probabilidad de ser elegido que cualquier otra unidad. Puede no resultar un mtodo econmico si una muestra a lo largo del territorio implica gran cantidad de visitas. Por ejemplo, supngase que n=430, para analizar determinados atributos en una poblacin conformada por municipios. Es poco econmico frente a determinadas circunstancias, como cuando llevar a cabo el procedimiento de auditora implica la destruccin de la unidad muestreada. En estos casos, el muestreo simple al azar ofrece tamaos de muestra mayores que otros mtodos ms especficos.

Muestreo sistemtico
Es un mtodo sumamente intuitivo para relevar padrones, y cmodo para casos en los que la informacin no est digitalizada. La aplicacin del mtodo consiste bsicamente en calcular n como en el muestreo simple al azar, calcular el intervalo de muestreo t=N/n, y elegir al azar la primera unidad de muestreo a dentro del primer intervalo de muestreo i. Luego se extrae cada ensima unidad t.i+a. Limitaciones Es equivalente a un muestreo agrupado del que se extrae un solo grupo, por lo que pierde robustez en cuanto a la representatividad esperada. Para intentar neutralizar este efecto, su puede elegir ms de un grupo (en trminos prcticos, habr de elegirse una unidad a situada entre 1 y t, y al menos una unidad b a, tambin situada entre 1 y t y seguir el procedimiento de extraccin a partir de a y de b). No obstante, esto atenta contra la eficiencia del plan ya que implica un derroche de recursos frente al muestreo simple al azar. No permite identificar periodicidad oculta. Por ejemplo, frente a mayores ventas los primeros sbados del mes, o asignaciones de planes sociales antes de fin de mes. No permite identificar sistematicidad oculta. Por ejemplo, considrese un diente defectuoso en un engranaje, y que ese diente incida sobre cierto lote de productos.

12

Muestreo estratificado
Es un muestreo en el que bajo el requisito de tener que arribar a resultados globales, la poblacin es previamente estratificada en grupos homogneos, asegurando simultneamente y justamente de esa manera- que todos los estratos estn representados, como por ejemplo por niveles educativos, gnero o edad. Los estratos pueden tener idntica proporcin de muestra, o se le puede dar mayor peso relativo a estratos significativos desde el punto de vista del anlisis. A modo de ejemplo, supngase que se desea relevar el xito de un plan gubernamental cuyo objetivo es disminuir la tenencia domstica de armas de fuego. Se divide el pas en reas urbanas, suburbanas y rurales a los efectos de asegurar una muestra representativa de las diversas realidades. Limitaciones Clculos complejos para estimar la precisin.

Muestreo agrupado
Tambin denominado por conglomerados, o por regiones, es un muestreo en el que las unidades usualmente se encuentran distribuidas geogrficamente o repartidas en conglomerados. Escuelas, hogares o localidades son ejemplos caractersticos. Se espera que los conglomerados sean homogneos entre s, aunque haya heterogeneidad dentro de cada conglomerado. La presencia de heterogeneidad dentro de los conglomerados deber ser considerada como en cualquier otro caso. En este mtodo de muestreo, la seleccin al azar se realiza en dos etapas: la primera de ellas consiste en elegir cierta cantidad de conglomerados, para luego elegir al azar cierta cantidad de unidades de muestreo dentro de los conglomerados. Resulta cmodo y eficiente para el muestreo que implica la realizacin de visitas o inspecciones in situ. Limitaciones Es menos preciso que el estatificado debido a la posible presencia de heterogeneidad dentro de cada conglomerado, lo que resulta en un tamao de muestra mayor para compensar el mayor error de muestreo, frente a idnticas circunstancias, en otro plan de muestreo.

Muestreo por materialidad

Tambin denominado MUM (muestreo de unidades monetarias), MUS (monetary unit sampling), PPS (probability proportional to size sampling), DUS (dlar unit sampling), consiste en seleccionar unidades de muestreo de acuerdo a su tamao relativo, por lo que unidades ms grandes tienen mayor probabilidad de ser elegidas que unidades ms pequeas. En el muestreo por materialidad, la poblacin est conformada por todos y cada uno de los pesos que contienen los comprobantes a auditar. De ese modo, si se contara con tres comprobantes, uno por 100, otro por 200 y otro por 300, la poblacin estara constituida por todos y cada uno de los 600 pesos que totaliza la suma, y no por 3 comprobantes. Debido a la imposibilidad de auditar un peso, se audita la unidad lgica que lo contiene (la factura, el

13

instrumento de deuda, etc.). Es un muestreo hbrido entre el estratificado y el sistemtico. Limitaciones Vlido para variables numricas con distribuciones asimtricas. Es complejo aumentar el tamao de muestra. Unidades de muestreo con valor igual a cero no quedan seleccionadas por ser inmateriales (a tamao = 0, probabilidad de extraccin = 0).

Muestreo de descubrimiento
Se trata de un muestreo que combina la seleccin de unidades de muestreo con una regla de decisin. De acuerdo a la cantidad de errores encontrados, la regla de decisin conducir a aceptar o rechazar la poblacin, o bien a ampliar la muestra. El mtodo es apropiado para utilizar cuando el error esperado es bajo (ver Factores que influyen sobre el tamao de la muestra, pgina 10). En ese caso resulta aplicable al muestreo de poblaciones costosas de destruir o costosas de muestrear, ya que reduce sensiblemente el costo de la auditora. Ejemplos de aplicaciones son: vacunas, material militar, procedimientos, crush tests. Limitaciones Requiere que la unidad a analizar tenga un grado muy bajo de error, por lo que requiere que se conozca, al menos aproximadamente, el error esperado.

Planes de muestreo no probabilstico

l muestreo no probabilstico tiene, como se expuso anteriormente, algunas La lgica y el poder del muestreo no limitaciones que probabilstico se basa en la seleccin de casos impiden generalizar enriquecedores para estudiar en (Precauciones con el profundidad. El anlisis de casos conduce a muestreo no una mayor comprensin, ms que a la probabilstico, pgina posibilidad de realizar generalizaciones 5). No obstante, resulta empricas. til su aplicacin, a la que se recurre con QUINN PATTON, Michael. frecuencia debido a Qualitative research and evaluation methods. limitaciones de diversa ndole para poder practicar un muestreo probabilstico. A continuacin se presentan diversas estrategias, aunque vale decir que la estrategia ideal suele ser la combinacin de una o ms estrategias puntuales. La eleccin correcta es determinante para obtener datos enriquecedores, de los cules se puedan extraer conclusiones que aporten a la comprensin del objeto de anlisis de manera insesgada.

14

Caso extremo
Consiste en elegir una manifestacin extrema e inusual del fenmeno de inters. Por ejemplo, algn caso de xito sobresaliente, fracaso notable, eventos exticos, crisis, entre otros. Su estudio permite en el mejor de los casos, y en contraste con casos intensos, identificar cules han sido las variables ms significativas para derivar en el resultado observado.

Caso intenso
Es la inversa del caso extremo. Se elige una cierta cantidad de casos homogneos entre s, descartando todas las otras posibilidades. Es til si el caso homogneo es significativo y se puede descartar al resto sin riesgos. Ej.: buenos estudiantes, malos estudiantes. El estudio del caso homogneo permite identificar hallazgos recurrentes.

Mxima variacin
Consiste en elegir una diversidad de casos heterogneos que permitan identificar patrones (como una manera de cortar a travs del ruido de la variacin). Por ejemplo, mediante el anlisis de casos de xito y de fracaso en ayudas para el inicio de micro emprendimientos, podra encontrarse que la atencin ha sido homognea, y que la demora promedio no permite observar diferencias significativas entre unos y otros, pero que la inscripcin a un curso introductorio ha incidido sobre el resultado.

Caso tpico
Una muestra estadstica puede no ser necesaria si se desea meramente ilustrar sobre la frustracin experimentada por la clase media frente a casos impunes de corrupcin, o acerca de la existencia o no de conciencia por parte de la poblacin sobre el poder contaminante de los metales pesados en el agua. Requiere familiaridad con el asunto a analizar, o bien recurrir a personas que puedan informar o guiar respecto de las caractersticas poblacionales. No obstante, no se sugiere este mtodo cuando se entienda que pueda haber diversidad de opiniones por parte de los usuarios del informe.

Caso paradigmtico
Ocasionalmente se encuentra un caso que permite analizar las fortalezas y debilidades de los controles. Suele ser uno en el que se vulneran, tal que permite concluir que si este caso ha vulnerado los controles, el resto de los casos los podra vulnerar. Por ejemplo, si una orden de pagos fue emitida sin una autorizacin, de no mediar cambios en el procedimiento o en los controles, esa posibilidad seguir existiendo. Las tragedias son considerados casos paradigmticos que, al hacerse visibles, impulsan inmediatamente la aplicacin de medidas correctivas (uso de bengalas en lugares cerrados, suficiencia de botes salvavidas, porcentaje de alcohol en sangre, etc).

15

Bola de nieve
Es la estrategia a la que se acude cuando se desean analizar ciertas unidades que resulta en extremo difcil identificar o encontrar, ya que por lo general, se encuentran ligadas a actividades ilcitas. Si se consigue encontrar un caso, es posible que ste lo conduzca a un segundo caso, y as sucesivamente. Es una estrategia til para estudios especiales y en auditoras forenses preliminares con el objeto de descubrir irregularidades, fraude, o esquemas de corrupcin.

Criterio
Consiste en elegir todos los casos que responden a un atributo de inters. Las conclusiones de esta estrategia no son extrapolables. Cuando se elige auditar todos los documentos asociados a valores extremos se est aplicando esta estrategia. Ej.: nios abusados, expedientes prolijos, valores ms altos, etc. Esta estrategia est asociada con la estratificacin y el instinto del auditor, por lo que en caso de tender a elegir esta estrategia, se sugiere antes releer Estratificacin y homogeneidad, pgina 8.

Oportunista
Ocasionalmente, asuntos no previstos pueden surgir durante las tareas de campo, por lo que se realiza una muestra ad-hoc para explorar el asunto con mayor detenimiento. La escasez de recursos o de tiempo suficiente para llevar adelante una planificacin precisa, aumentan la probabilidad de tener que recurrir a esta estrategia de muestreo, debiendo evaluarse la necesidad de modificar el alcance o los recursos de la auditora en curso para conducir, eventualmente, un muestreo probabilstico. No es infrecuente que la estrategia oportunista consista en el estudio de un caso paradigmtico que se hace visible una vez iniciadas las tareas de campo.

Casos de inters
Son casos que atraen la atencin pblica, por lo que habr que evaluar cuidadosamente la conveniencia de extraerlos o incluirlos de la poblacin de inters de acuerdo a los objetivos perseguidos por la auditora.

Conveniencia
Se trata de hacer aquello que ahorra tiempo, dinero o esfuerzo. De racionalidad limitada y nula credibilidad, hay que evitar este tipo de muestreo lo mximo posible. Suele ser utilizado por el periodismo para ilustrar con sesgo.

Reporte del programa de muestreo

on posterioridad al programa de muestreo es necesario documentarlo. La nocin que debe guiar este proceso es que un tercero debera poder replicar el procedimiento sin otra asistencia 16

que el documento escrito. Si ello se cumple, entonces tambin podr evaluar el procedimiento realizado, con el fin de opinar sobre su robustez. A continuacin se encuentra una sntesis del contenido mnimo que habr de explicitarse y resguardarse convenientemente. En la seccin del informe que se refiere al alcance del trabajo de auditora se deber explicar claramente las tcnicas que se hayan empleado para obtener y analizar la evidencia necesaria En la seccin del informe que se refiere al para cumplir los alcance del trabajo de auditora se deber objetivos de la explicar claramente las tcnicas que se hayan auditora. Con ese empleado para obtener y analizar la propsito, se indicarn evidencia necesaria para cumplir los todas las hiptesis que objetivos de la auditora. ()en caso de que se hayan establecido se hayan empleado mtodos de muestreo, se durante la ejecucin explicar la forma en que se dise la de la auditora; se muestra y las razones por las cuales se describirn las seleccion. tcnicas comparativas que se hayan aplicado; Normas de Auditora Externa de la Auditora se expondrn los General de la Nacin, IVg - 1 INFORMES criterios e indicadores que se hayan utilizado para evaluar el desempeo y, en caso de que se hayan empleado mtodos de muestreo, se explicar la forma en que se dise la muestra y las razones por las cuales se seleccion.

Qu documentar en el caso de muestreo probabilstico

Admitida la existencia de errores cualquiera sea la muestra, como principio general es necesario ofrecer en el reporte todos los elementos de juicio necesarios como para que se conozca el grado de error estadstico con el que se ha trabajado, y como para que se pueda evaluar la presencia potencial de errores no atribuibles al muestreo. Entre la informacin que debe contener el reporte, cabe destacar la siguiente: El plan de muestreo probabilstico utilizado y las razones por las cuales se ha elegido. Protocolo de muestreo. El error de muestreo: usualmente reportado a partir del tamao de poblacin, el tamao de la muestra, el error de muestreo propiamente dicho y el nivel de confianza con el que se ha trabajado. Proporcionalidad en el peso de los estratos (si corresponde). La magnitud del error no atribuible al muestreo no se puede conocer con precisin, pero es importante hacer alguna declaracin de procedimientos que permita al usuario evaluar este aspecto. Para ello ser necesario incluir informacin bsica respecto del mtodo utilizado para recabar informacin. Si se ha recurrido a una encuesta declarar quin la hizo, en qu fecha, su propsito general, adems de ofrecer una idea sobre las preguntas se han hecho a las unidades muestreadas. Las encuestas debern formar parte de los papeles de trabajo. 17

Mientras que buena parte de los errores no atribuibles al muestreo pueden neutralizarse mediante una buena metodologa, es difcil prever y controlar el nivel de respuestas. En consecuencia, es importante declarar este nivel y evaluar el impacto potencial que pueda llegar a tener en los resultados del estudio.

Qu documentar en el caso de muestreo no probabilstico

La regla general no difiere de la expuesta en el ttulo anterior. Entre la informacin que debe contener el reporte, cabe destacar la siguiente: El plan de muestreo no probabilstico utilizado (o sus combinaciones). Protocolo de muestreo: en lenguaje plano, describir cmo fue seleccionada la muestra. La cantidad de casos analizados. Incluir alguna informacin bsica respecto del mtodo utilizado para recabar informacin. Si se ha recurrido a una encuesta, declarar ttulo de la encuesta, quin la hizo, en qu fecha, y propsito general: qu clase de preguntas se han hecho a las unidades muestreadas. Mientras que buena parte de los errores no atribuibles al muestreo pueden neutralizarse mediante una buena metodologa, es difcil prever y controlar el nivel de respuestas. En consecuencia, es importante declarar este nivel y evaluar el impacto potencial que pueda llegar a tener en los resultados del estudio.

18

Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico

Ta ma o mues tra Intervalo confi anz

Muestreo de descubrimiento Es bajo el error esperado?

Anexo E

N/A

Volver al inicio

Son las unidades de muestreo muy costosas?

de valores
Muestreo por conglomerados

seguir muestreo simple al de proporciones azar

utilcese aplicativo MxM.xlt

2.7

2.8

Muestreo de unidades monetarias

Es abordable un muestreo probabilstico, dados los recursos ?

Las unidades de muestreo estn distribudas geogrficamente?

La unidad de muestreo se expresa en moneda?

Muestreo estratificado sin reposicin

seguir muestreo simple al azar sin reposicin. Se puede estratificar con 1.7 (valores) o 1.8 (proporciones).

La poblacin es infinita o grande?

Muestreo estratificado con reposicin

seguir muestreo simple al azar con reposicin. Se puede estratificar con 1.7 (valores) o 1.8 (proporciones).

Es necesario estratificar para arribar a conclusiones globales? Muestreo no probabilstico

conocido
de valores, con...

1.1

2.1

Muestreo simple al azar (sin reposicin) de proporciones La poblacin es infinita o grande?

desconocido

1.3 1.2

2.3

2.2
2.4

conocido
de valores, con...

1.4

Las unidades de muestreo son identificables mediante digitalizacin?

Muestreo simple al azar (con reposicin)

desconocido
de proporciones

1.4

2.5

1.4

2.6

Muestreo sistemtico

seguir "muestreo simple al azar (sin repos.).

19

Anexo B - Errores no atribuibles al muestreo2

Preguntas ambiguas Preguntas poco claras per se, o no asociables fcilmente con las respuestas posibles. Uno de los posible orgenes de este problema radica en las diferencias entre el nivel educativo y socio econmico del encuestado respecto de la persona que ha diseado las encuestas, o diferencias en el nivel de conocimiento tcnico. Un ejemplo de pregunta ambigua es: Le parece a usted posible o le parece imposible que la educacin media no llegue a ser de calidad? Preguntas anidadas Hacer dos preguntas en una. Por ejemplo.: Considera que los mandos medios son proactivos y estn bien preparados? Para estos casos deber separarse la pregunta en dos u aunque menos preferible ofrecer respuestas combinadas. Preguntas correlativas Una pregunta cuya respuesta est relativamente condicionada por la anterior. Ej.: Cuenta esta localidad con un basural a cielo abierto? Est de acuerdo con la implantacin de un relleno sanitario? Respuestas por reputacin Idealmente las preguntas deben estar despersonalizadas. No es lo mismo preguntar a una persona si alguna vez acos sexualmente a otra en su trabajo, a preguntarle si considera que el acoso sexual en su trabajo es un problema existente. Respuestas por conveniencia Preguntas que originan respuestas que potencialmente redunden en perjuicio o beneficio para el encuestado. Ej.: Considera positivo que existan planes de desempleo por tiempo indeterminado? Falta de respuesta Se trata de una amenaza a la validez de las conclusiones. Toda vez que se lleve a cabo una encuesta, las personas que no estn disponibles o aquellas que se niegan a contestar pueden pertenecer a un estrato distinto, cuya no inclusin podra conducir a conclusiones errneas. Habr que analizar para cada caso, y ahondar de ser necesario, el motivo por el que se obtiene un bajo ndice de respuesta. Procedimientos ambiguos Es importante contar con criterios pre-definidos para evaluar las unidades muestreadas. Es buena idea hacer un breve relevamiento previo para conocer en detalle qu informacin est disponible, y qu es ms relevante para la auditora en curso. Luego, una lista de criterios y procedimientos debe ser elaborada para estandarizar el anlisis de cada unidad. Si los criterios son muy generales o ambiguos, entonces cada analista puede aplicar distintos procedimientos. Tambin debe estandarizarse el modo de abordar a una unidad muestreada en caso de llevarse a cabo una encuesta. Ponderacin incorrecta

Este anexo es referenciado en Error no atribuible al muestreo, pgina 8.

20

La ponderacin es especialmente importante para cierto tipo de plan de muestreo. Los pesos relativos utilizados deben reflejar adecuadamente los pesos de cada estrato, o la significatividad de cada uno de ellos. Cobertura inapropiada La cobertura se refiere a qu tan bien la lista de unidades de muestreo incluye a todos los miembros de la poblacin y excluye a todos los que no deberan considerarse miembros de la poblacin, lo que se logra mediante un protocolo de muestreo. Por ejemplo, utilizar una gua telefnica para encuestar a amas de casa excluye a todas aquellas que no tienen su nmero publicado y a aquellas que no tienen telfono fijo. Cuando se realizan pruebas sustantivas, la imposibilidad de acceder o analizar archivos merece redefinir la poblacin. Falsificacin o equvocos Para encuestas grandes con muchos encuestadores, puede haber incentivos para falsificar las encuestas durante dos horas en vez de llevarlas a cabo concienzudamente durante 8 horas diarias. El equvoco tambin est asociado al aburrimiento y al cansancio que genera un procedimiento muy extenso. La fuente de error puede ser tanto el encuestador como el encuestado.

21

Anexo C - Metodologas para la estratificacin de poblaciones3

Las variables cualitativas o atributos permiten dividir fcilmente una poblacin de acuerdo a los valores discretos de las variables, pero Histograma cuando se trata de variables numricas, no es 70 tan sencillo estratificar una poblacin. Si la 60 distribucin es bimodal (ver Distribucin de 50 probabilidades, pgina 9), se puede 40 30 estratificar hacia uno y otro lado del valle. Si 20 la distribucin es asimtrica (ver dem), es 10 necesario separar a las unidades extremas. 0 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Para estos casos se puede emplear el Valor Mtodo de Tukey o el Mtodo de la raz cuadrada acumulada:
Frecuencia

Mtodo de Tukey para poblaciones asimtricas: Para corte de altos valores 3er cuartil + 1.5 * (3er cuartil 1er cuartil), o bien, Para corte de bajos valores 1er cuartil - 1.5 * (3er cuartil 1er cuartil).

Mtodo de la raz cuadrada acumulada para poblaciones asimtricas: Parte de hacer un histograma. Luego se crea una nueva variable igual al cuadrado de la cantidad de registros en cada categora. Luego se realiza la sumatoria de valores de esa variable y se la divide por la cantidad de estratos definidos, nmero que ser el tamao del intervalo por el que se dividir la poblacin. Comenzando por los valores ms bajos, debern agruparse las unidades cuya suma acumulada de la raz cuadrada equipare al tamao del intervalo. Si el tamao del intervalo es muy grande, habr que redefinir la cantidad de categoras del histograma.

Resolucin por mtodo de Tukey En este ejemplo, el valor del primer cuartil (valor que separa el primer 25% de los datos) es 23. El valor del tercer cuartil (valor que separa el ltimo 25% de los datos) es 32. Por lo tanto, cortar los valores bajos (extraerlos de la frecuencia) implica resolver la siguiente frmula: 23 1,5 x (32 23) = 9,5 Por lo tanto, y a los efectos de homogeneizar la poblacin, es correcto quedarse con dos sub poblaciones, una con valores de 0 a 9 y otra con valores de 10 a 39.

Este anexo es referenciado en Estratificacin y homogeneidad, pgina 8.

22

Anexo D - Frmulas4
Clculo del tamao de muestra para muestreo simple al azar

Donde Z: valor de la funcin normal para un determinado nivel de confianza C (ver Anexo F Valores de la distribucin Normal, pgina 28). : desvo estndar poblacional. e: error de muestreo en valores absolutos. Por ejemplo, si se asume que el valor del parmetro no se puede alejar del valor del estimador en +/- 5, entonces e = 5. ( )

Donde Z: valor de la funcin normal para un determinado nivel de confianza C (ver Anexo F Valores de la distribucin Normal, pgina 28). p: proporcin de la poblacin con la caracterstica buscada. Estimarla si fuera necesario, o utilizar 0,5 si fuera imposible estimarla. E: error de muestreo en valores porcentuales. Por ejemplo, si se asume que el valor del parmetro no se puede alejar del valor del estimador en +/- 5%, entonces E = 5%.

Donde t: valor de la funcin t-student para un determinado nivel de confianza C y N-1 grados de libertad (ver Anexo G Valores de la distribucin t-student, pgina 29). S: desvo estndar muestral. e: error de muestreo en valores absolutos. Por ejemplo, si se asume que el valor del parmetro no se puede alejar del valor del estimador en +/- 5, entonces e = 5.

Donde n: es el tamao no ajustado segn las frmulas anteriores. N: tamao de la poblacin.

4

Viene de Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico, pgina 19.

23

Determinacin del tamao de muestra para muestreo de descubrimiento, con 0 errores esperados ( ) ( ( ) )

Donde E: valor porcentual del error de muestreo admisible. P: valor porcentual del error tolerable admisible.
Distribucin ptima de n entre los distintos estratos: Si un 20% de la poblacin pertenece al estrato A, y un 80% de la poblacin pertenece al estrato B, para un tamao de muestra n=100, se puede aplicar alguno de los siguientes 3 mtodos: El primero consiste en dividir n de acuerdo a la proporcin de cada estrato, por lo que nA=20 y nB=80. El segundo consiste en darle mayor proporcin a algunos estratos y menos a otros, porque interesa disminuir el error de muestro en aquel que resulte ms significativo para el anlisis. De este modo podr suceder que nA=15 y nB=85. El tercero consiste en distribuir n de manera ptima entre los distintos estratos, de modo de analizar relativamente ms unidades de muestreo de aquel cuyos valores estn ms dispersos. Para ello deber aplicarse la frmula 1,7 (media) o 1.8 (proporciones): ( )

Donde nj: es el tamao de muestra del estrato j. Nj: tamao del estrato j. j: desvo estndar del estrato j en valores absolutos. n: tamao de muestra de acuerdo a frmula correspondiente de muestreo simple al azar.
( (

) )

Donde nj: es el tamao de muestra del estrato j. Nj: tamao del estrato j. pj: proporcin del estrato j con la caracterstica buscada.

24

n:

tamao de muestra de acuerdo a frmula correspondiente de muestreo simple al azar.

Intervalos de confianza ( ) [ ( ) ( )]

Donde

media muestral. El resto de las variables se explicitan en la frmula de tamao de muestra. ( ) ( ) +

) *

Donde ps: proporcin muestral.

El resto de las variables se explicitan en la frmula de tamao de muestra.

) [

( )

)]

Donde

media muestral. El resto de las variables se explicitan en la frmula de tamao de muestra.

) *

( ) (

( ) (

)+

Donde

media muestral. El resto de las variables se explicitan en la frmula de tamao de muestra.

) *

) (

( ) (

)+

Donde

media muestral. El resto de las variables se explicitan en la frmula de tamao de muestra.

25

) *

)+

Donde ps: proporcin muestral.

El resto de las variables se explicitan en la frmula de tamao de muestra. ( ) [
]

Donde
media muestral. desvo estndar de la media muestral. : media poblacional. El resto de las variables se explicitan en la frmula de tamao de muestra.
:

) [

Donde

desvo estndar de la proporcin muestral. p: proporcin poblacional. El resto de las variables se explicitan en la frmula de tamao de muestra.

26

Anexo E - Tamao de muestra para muestreo de descubrimiento5

Error tolerable P Error de muestreo E 5% Nmero de errores 0 1 2 3 0 1 2 3 0 1 2 3 0 1 2 3 1% 298 473 627 773 229 388 531 666 189 336 471 600 160 298 427 550 2% 148 235 313 385 114 193 264 332 94 167 235 299 80 149 213 274 3% 98 156 208 256 76 128 176 221 62 111 156 199 53 99 141 183 4% 73 117 155 191 56 96 131 165 46 83 117 149 39 74 106 137 5% 58 93 124 153 45 76 105 132 37 66 93 119 31 59 84 109 6% 48 77 103 127 37 63 87 109 31 55 77 99 26 49 70 91 7% 41 66 88 108 32 54 74 94 26 47 66 84 22 42 60 78 8% 36 57 77 95 28 47 65 82 23 41 58 74 19 36 52 68 9% 32 51 68 84 24 42 57 72 20 36 51 65 17 32 46 60 10% 28 46 61 75 22 37 52 65 18 33 46 59 15 29 42 54

10%

15%

20%

Viene de Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico, pgina 19. Para cero nmero de errores, se puede calcular el tamao de muestra mediante la frmula 1.5.

27

Anexo F Valores de la distribucin Normal6

Confianza7 80% 85% 90% 95% 99% Valor de Z 1,28 1,44 1,65 1,96 2,58

6 7

Viene de Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico, pgina 19. Corresponde al rea entre 0 y z, multiplicada por dos. De ese modo, el valor de a dos colas ser igual a (1-confianza)/2.

28

Anexo G Valores de la distribucin t-student8

Valor de t para N-1 = 50 100 1,299 1,487 1,676 2,009 2,678 1,290 1,475 1,660 1,984 2,626

Confianza9 80% 85% 90% 95% 99%

10 1,372 1,592 1,812 2,228 3,169

25 1,316 1,512 1,708 2,059 2,787

500 1,283 1,465 1,648 1,965 2,576

1,282 1,463 1,645 1,960 2,576

8 9

Viene de Anexo A - Ayuda para la eleccin de planes de muestreo probabilstico, pgina 19. Corresponde al rea entre 0 y z, multiplicada por dos. De ese modo, el valor de a dos colas ser igual a (1-confianza)/2. Ntese la similitud de los valores de la funcin t-student y la funcin normal cuando N tiende a infinito.

29

Bibliografa
CRAUS, Joseph. 1996. Tablas para estadstica (Buenos Aires: Editorial Estadstica Sudamericana Editesa) FOWLER NEWTON, Enrique. 1972. El muestreo estadstico aplicado a la auditora (Buenos Aires: Macchi). MALENOSKI BENEZET, Jorge A. 1974. Auditora y muestreo estadstico, en Administracin de empresas Vol. 5-A (Buenos Aires). NATIONAL AUDIT OFFICE. A practical guide to sampling (London: NAO, Statistical & Technical Team) PILON, Paul. 2006. OAG Sampling guide for performance audits (Minister or Public Works and Government Services Canada). QUINN PATTON, Michael. 1990. Qualitative research and evaluation methods (Londres. Sage Publications Ltd). TRIBUNAL DE CONTAS DA UNIO. 2002. Tcnicas de amostragem para auditorias (Braslia: TCU, Secretaria-Adjunta de Fiscalizao). UNITED STATES GENERAL AUDIT OFFICE. 1992. Using Statistical Samplig - Revised May 1992. (GAO, Program Evaluation and Methodology Division). WAMPLER, Bruce y Michelle McEacharn. 2005. Monetary-unit sampling using Microsoft Excel, en The CPA journal (www.nysscpa.org/printversions/cpaj/2005/505/p36.htm). WHITTINGTON, O. Ray y Kurt Pany. 1998. Principles of auditing (The McGraw-Hill Companies, Inc.). Traduccin al castellano de Gladys Arango Medina, Captulo 9. Muestreo en auditora, en Auditora. Un enfoque integral. 12 edicin (Bogot: McGraw Hill Interamericana S.A., 2000).

30