ESTADSTICA ESPAOLA

Vol. 44, Nm. 149, 2002, pgs. 5 a 27

Muestreo en Auditora Contable: Un

modelo paramtrico para la obtencin
de Cotas Combinadas (CAV)
por
JUAN ANTONIO ZAPARDIEL LPEZ
Departamento de Estadstica, Estructura Econmica y O.E.I. Universidad de Alcal de Henares

JOS MIGUEL CASAS SNCHEZ

Departamento de Estadstica, Estructura Econmica y O.E.I. Universidad de Alcal de Henares

JOS JAVIER NEZ VELZQUEZ(1)

Departamento de Estadstica, Estructura Econmica y O.E.I. Universidad de Alcal de Henares

RESUMEN
En este artculo, presentamos un modelo paramtrico que permite
la obtencin de cotas combinadas (CAV) para el error monetario total
de sobrevaloracin en una poblacin contable. Bajo la hiptesis de
que los errores han sido generados a partir de una distribucin mixta
de tipo no estndar, e identificando la distribucin de los errores no
nulos mediante una distribucin beta, se utiliza el mtodo bootstrap de
replicacin muestral en su vertiente paramtrica para aproximar la
distribucin del estimador. Finalmente, se realiza un estudio de simulacin sobre una poblacin real de documentos contables, contaminada mediante diversas proporciones de error y distribuido segn distintos modelos tericos. Esto nos permite efectuar un anlisis de la

(1) Los autores agradecen las sugerencias recibidas de dos evaluadores annimos, que
han contribuido a mejorar la versin final del artculo.

ESTADSTICA ESPAOLA

distribucin de la cota CAV- obtenida, as como una comparacin de

su comportamiento frente a siete cotas CAV propuestas en la literatura.

Palabras Clave: Auditora Contable, Bootstrap paramtrico, Cotas

combinadas de Atributos y Variables (CAV), Muestreo de Unidades Monetarias (MUS), Mixturas de distribuciones de tipo no estndar
Clasificacin AMS: 62D05, 62F40

1. INTRODUCCIN
Una de las principales aplicaciones del muestreo estadstico en Auditora consiste en verificar la calidad en la valoracin monetaria de una poblacin de documentos contables. El auditor pretende obtener una cota superior de confianza para
el error monetario total en la poblacin, utilizando el sistema de seleccin muestral
denominado Muestreo de Unidades Monetarias (MUS)(2).
Los procedimientos de Muestreo Combinado de Atributos y Variables (CAV), directamente relacionados con la seleccin tipo MUS, se han convertido en los
ltimos aos en herramientas de uso frecuente en la Auditora profesional. Entre
estos mtodos, goza de especial preferencia la Cota de los Errores Ordenados,
derivada de los comentarios de Stringer (1963) y posteriormente desarrollada en el
trabajo de Felix, Leslie y Neter (1982). Estos procedimientos no paramtricos
permiten la obtencin de cotas superiores para el error monetario total que muestran un comportamiento sensiblemente mejor que el de los estimadores clsicos
utilizados en poblaciones contables reales. El principal problema de estas cotas y
de otras de su misma clase, es su discordancia entre el nivel de confianza planeado
y el real, situacin ya observada en el comportamiento de los estimadores clsicos
con informacin auxiliar(3).
Mediante simulaciones se ha comprobado que esta deficiencia se acrecienta
cuando los porcentajes de error en las poblaciones son bajos y los errores son
unidireccionales (sobrevaloracin o infravaloracin). Este problema implica cotas
excesivamente conservadoras que suelen producir ambigedades e inseguridad en
el juicio del auditor. En las cotas CAV ms utilizadas en la prctica auditora, como

(2) Anderson y Teitlebaum (1973); Goodfellow, Loebbecke y Neter (1974 a y b); Leslie,
Teitlebaum y Anderson, (1980).
(3)

Frost y Tamura (1986).

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

la citada anteriormente, los niveles reales de confianza suelen sobrepasar a los

niveles nominales de confianza, circunstancia que puede llevar al auditor a considerar que el error monetario total supera a un error material lmite aceptable, establecido previamente a la investigacin, lo que supone la necesidad de acciones auditoras ms profundas, con el consiguiente incremento en trminos de costes.
El modelo presentado a continuacin pretende crear cotas superiores de confianza utilizando seleccin muestral MUS y un procedimiento CAV de tipo paramtrico, en el que se pueden efectuar conjeturas, a partir de la muestra, sobre la
distribucin de los porcentajes de error en la poblacin. El desconocimiento de la
distribucin del estimador para la media de los errores obtenido mediante este
modelo, obliga a buscar mtodos alternativos para el clculo de una cota superior
de confianza para el error. En el presente trabajo se utiliza la metodologa bootstrap-paramtrica de replicacin de muestras, segn la cual se explota la informacin suministrada por la muestra mediante la obtencin de un nmero determinado
de remuestras(4) bootstrap de una poblacin paralela a la analizada, simulada a
partir de la informacin de la muestra original.

2. EL MODELO PARAMTRICO
Consideremos una poblacin de N documentos contables de la que se extrae
una muestra de tamao n utilizando el mtodo de seleccin del Muestreo de Unidades Monetarias(5). La nomenclatura para las variables es la siguiente:
Xi : Valor monetario en libros del documento i.
Yi : Valor auditado del documento i.
Ei = Xi - Yi : Error monetario en el documento i.
N

Tx =

X : Nmero total de unidades monetarias en la poblacin.

i

i=1

Sea Di la variable que define a la proporcin de error monetario, o en otras palabras, al error en trminos de cntimos de la moneda elegida, en el documento i :

(4) A veces, se utiliza tambin el trmino submuestras, aunque obviamente no en el

sentido del submuestreo clsico.
(5) La seleccin muestral se lleva a cabo sobre unidades monetarias, lo que equivale a
un muestreo de unidades fsicas con probabilidades proporcionales a los valores monetarios
en libros de cada documento contable. Se utiliza MUS para la seleccin muestral inicial.
Posteriormente el tratamiento estadstico se efectuar sobre los valores monetarios de los
documentos contables correspondientes a las unidades monetarias incluidas en esta muestra.

ESTADSTICA ESPAOLA

Di =

Xi Yi Ei
=
Xi
Xi

i = 1,

, N

y se aceptan las siguientes hiptesis:

I. Los errores monetarios presentes en la poblacin son errores de sobrevaloracin, es decir: Xi Yi , o bien, Ei 0 , y el mximo error de sobrevaloracin para un
documento contable coincide con el valor monetario en libros de ese documento.
Esto implica que 0 Di 1 .
II. La variable Di es generada por una distribucin mixta(6), o combinacin de
dos distribuciones.
En efecto, mediante muestreo de unidades monetarias (MUS) se selecciona una
muestra de n unidades de la poblacin contable. Sea K el nmero de unidades
monetarias errneas de esa muestra, pertenecientes a sendos documentos contables. En las poblaciones de tipo contable, el nmero total de unidades monetarias,
Tx , es muy elevado con respecto a n . Ante esta situacin, puede considerarse que
K es una variable aleatoria que sigue una distribucin binomial B(n,p). El valor de p
en estas poblaciones es, por lo general, pequeo, debido en gran parte a los mecanismos de control interno puestos en prctica por los departamentos contables.
Lo anterior significa que existir un gran nmero de documentos para los que
los valores de las variables Xi e Yi sern iguales, es decir, Ei = 0 y Di = 0 .
Se define la variable

(Di 0; i = 1,

,N) :

Zi

para los valores de

0
Di =
Zi

Di

distintos de cero

1 p
p

en la forma que se expone a continuacin.

III. La variable Z i sigue una distribucin continua de tipo paramtrico. Los valores de Z i se consideran generados a partir de una distribucin del tipo beta. Esta
(6) Kaplan (1973 a, b) expuso por vez primera que los deficientes resultados mostrados
por los estimadores con informacin auxiliar aplicados a poblaciones contables, eran causados por el hecho de no contemplar la naturaleza mixta de estas poblaciones. Aitchison (1955)
sent las bases para el anlisis de mixturas de una distribucin continua y otra discreta con
masa probabilstica en el punto cero (distribuciones mixtas de tipo no estndar). Ver tambin
Panel on Nonstandard Mixtures of Distributions (1989).

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

hiptesis constituye una sensible diferencia respecto al mtodo introducido por

Tamura y Frost (1986), que modeliza la distribucin de los valores de Z i como
generados por una distribucin:
f (z) = LzL 1 0 < z 1

0<L

Las distribuciones beta forman una familia de funciones indexadas por dos parmetros, a y b , y estn definidas en el intervalo (0,1) (7).
La eleccin de esta funcin se basa tanto en su versatilidad de formas, lo que
constituye un factor decisivo a la hora de aproximar otros tipos de funciones a las
que pueden ajustarse los valores, z, como en su adaptacin al campo de variacin
de la variable Z.
La estructura bsica del modelo propuesto queda definida de la siguiente manera:
0
1. d =
z

1 p
p

2. f (z a, b) = cza1(1 z)b1 ; 0 < z 1

As pues, la media poblacional para los valores de la variable, ser :
= E(D) = pE(Z ) = p =

pa
a+b

Este modelo probabilstico de tres parmetros, ( p, a, b ), para una poblacin

contable con errores de sobrevaloracin, puede denominarse S(p, a, b) .

3. PROCEDIMIENTO DE ESTIMACIN DE LA COTA CAV-

El auditor, en primer lugar, tomar una muestra de n unidades monetarias, que
equivaldr al clculo de n valores de Di de la poblacin S(p, a, b) , y tratar de
construir una cota superior, u , para la media poblacional = E(Di ) , basada en su

(7) En las aplicaciones prcticas, para evitar comportamientos anmalos en entornos de

valores muy prximos a 0, se puede optar por utilizar una variable beta que excluya ese
punto, y que guarda la siguiente relacin con la beta original ( : a, b) definida en 0 X 1:
B( : a, b) + A[1 B( : a, b)]
donde B valdr 1, y A ser un punto positivo suficientemente prximo a 0.

10

ESTADSTICA ESPAOLA

seleccin muestral. Finalmente, construir una cota superior para el error monetario
total en la poblacin a partir del total monetario en libros, Tx , mediante:
E u = u Tx
La construccin de la cota se llevar a cabo en dos fases.
3.1

Fase I. Estimacin de parmetros bsicos del modelo

Se trata de obtener estimadores para los parmetros desconocidos surgidos en

el modelo: p , a, b ,, . Los parmetros bsicos son p , a y b , ya que y se
derivan de ellos.
Se considera que de las n unidades monetarias, hay k unidades errneas y
n k unidades correctas incluidas en sus correspondientes documentos contables.
Dada la funcin de verosimilitud para la remuestra de k unidades que se consideran generadas por la variable Z i :
L(z; a, b) = c k

[z
k

i=1

a1
i

(1 zi )b1 ]

no existe una expresin algebraica para los estimadores de a y b, utilizando el

mtodo de la mxima verosimilitud. Esto supone un importante inconveniente para
la fluidez de todo el modelo, teniendo en cuenta el elevado nmero de simulaciones
necesarias para un acercamiento a la distribucin de la cota objeto del mismo.
Dado que lo que interesa es su operatividad, se ha optado por estimar a y b por el
mtodo de los momentos, que como se mostrar al analizar la aplicacin emprica
del modelo, revela un comportamiento muy eficaz, puesto que permite reducir de
manera importante el sesgo de las cotas generadas.
Los momentos poblacionales de primer y segundo orden para Z i son los de una
variable distribuida beta con parmetros a y b:

E(Z i ) =

( )

E Z i2 =

a
a+b

a
a+1

a+b a+b +1

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

11

As pues, aplicando el mtodo de los momentos, se obtienen las siguientes expresiones de los estimadores de a y b:
z (1 z )
1
a M = z
2
Sz

z(1 z )

; b M = (1 z )

S 2z

donde:
1
S 2z =
k

(z z )

i=1

Partiendo de las expresiones de a M y b M ,se puede obtener un estimador para

la media de los valores de Di :
= p ,
donde p es la proporcin muestral de documentos errneos y el estimador de la
media de Z.
3.2

Fase II. Obtencin de una cota superior para

La idea central de esta fase consiste en adoptar el siguiente razonamiento:

Mediante la vertiente clsica del muestreo estadstico, la construccin de una

cota superior para requerira un conocimiento previo de la distribucin muestral
de . Sin embargo, se presenta un problema para encontrar esta distribucin
muestral, ya que los valores de la variable D responden a una distribucin mixta, lo
que obliga a buscar otro camino alternativo para la construccin de tal cota superior
para .

3.2.1 Aplicacin del procedimiento bootstrap de replicacin muestral

La principal caracterstica del mtodo bootstrap es que produce sesgos y desviaciones tpicas de forma automtica, independientemente de la complicacin de la
forma funcional del estimador = t(F ) .
La nica diferencia entre los procedimientos de bootstrap paramtrico y no paramtrico es que, en el primer caso, las muestras son extradas de una poblacin
en la que los parmetros desconocidos son estimados por procedimientos paramtricos, en lugar de ser obtenidas de una estimacin no paramtrica, F .

12

ESTADSTICA ESPAOLA

La metodologa bootstrap presenta dos ventajas importantes con respecto a los

mtodos tradicionales:
Cuando se utiliza en modo no paramtrico, evita un anlisis en el que se deban
hacer hiptesis paramtricas sobre la forma de la distribucin subyacente.
Cuando se utiliza en modo paramtrico, puede ofrecer solucin a problemas para
los que no existen frmulas convencionales.
La expresin de partida es la del estimador muestral de :
= p
Utilizando el mtodo bootstrap de replicacin muestral(8), se construir una cota
superior para , u , estableciendo la siguiente mecnica:
1. Se parte de la informacin recopilada hasta el momento:
A partir de a M y b M , y calculando p , se puede obtener un estimador para :
= p .

2. Con esta informacin, se construye una poblacin S p , a , b , alternativa a

S(p, a, b) , en la que se aproximan los parmetros p , a y b , desconocidos, con
p , a y b .
M

Haciendo uso de procedimientos aleatorios, se generan N valores de una poblacin beta de parmetros a M y b M , caracterizada por la variable Z i = Z .
Se establece el porcentaje de documentos contables errneos igual a p .
Se generan N valores de una variable aleatoria uniforme en (0,1): {Ui , i= 1, 2, ..., N}.
Con la informacin recogida, se genera una nueva poblacin regida por una
variable aleatoria D i que simule a la variable Di :
0
D i =
Z i = Z

Ui > p
Ui p

donde la variable Z i seguir una distribucin beta de parmetros a M y b M . Es

decir, se obtiene una subpoblacin que se aproxima a la poblacin de valores de
Zi .

(8)

Efron y Tibshirani (1993)

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

13

Finalmente, a travs del procedimiento expuesto, se ha originado una poblacin

S p , a , b que simula a S(p, a, b) .

3. De la poblacin S p , a , b se extraen B muestras aleatorias(9) y se calcula, para

cada muestra s , el valor de s . Para ello, es necesario efectuar las siguientes
estimaciones:
p s =

ks
n

z (1 z )
s
a Ms = zs s
1
S 2z

z (1 z )
s
b Ms = (1 z s ) s
1
S 2z

donde k s es el nmero de unidades errneas (equivalentes a documentos cuyo

valor ha sido simulado) , z s es la media de los valores de Z i , y S 2zs es la varianza
de los valores Z i , todos para la muestra s -sima. Adems, para cada muestra, s :
s =

a s
a s + b s

s = p s s
4. Partiendo de los resultados de las B muestras, se establece una cota superior,
u , para al 100(1 )% de confianza, de tal modo que:
m*
= 1
B
donde m* es el nmero de valores s inferiores a u ; es decir, se utiliza el mtodo
de los percentiles.

(9) La cantidad B se corresponde con un nmero elevado, generalmente de 1.000 muestras, al menos.

14

ESTADSTICA ESPAOLA

5. La cota CAV- definitiva, en trminos monetarios, tendr esta forma:

CAV- = u Tx

Un esquema del funcionamiento del modelo se presenta en la figura 1.

Sin embargo, en el proceso de seleccin de la muestra original, se observan dos
situaciones para las que el modelo no ofrece una solucin, y que reciben un tratamiento especial:

a) Muestras con cero unidades monetarias errneas

El enfoque paramtrico descrito en este modelo es inapropiado cuando no
existen unidades errneas en la muestra ( k = 0). En este caso, la cota superior
para , u , se establecer utilizando la hiptesis conservadora de que = 1 . De
este modo, la cota superior para slo depender de la distribucin de p , binomial, y no ser necesario acudir a la metodologa bootstrap. As, p u se obtendr
por el conocido procedimiento:
P[k 0] = (1 p u ) =
n

p u = pu (0) = 1 1 n

b) Muestras con una unidad monetaria errnea

Cuando la muestra contiene slo un valor, d, d 0 , los parmetros a y b no
pueden ser estimados siguiendo el presente mtodo. En este caso, la opcin
adoptada por el modelo utiliza la filosofa de la cota de ordenacin de errores para
la proporcin(10):
p uCAV 2 = pu (0) + [pu (1) pu (0)] z1
Es decir, introduce el factor de ajuste pu (1) pu (0) ,siendo pu (1) la que se obtendra de la expresin binomial:

[1 pu (1)]n + npu (1)[1 pu (1)]n1 =

Por lo tanto, el clculo de se realizara del siguiente modo:

(10) Goodfellow, Loebbecke y Neter (1974 b)

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

p u = pu (0)

p
= uCAV2

a M
p

aM + bM
3.3

15

k=0
k =1
k >1

Ventajas del modelo

En este modelo no se tiene en cuenta la forma de la distribucin de los valores

monetarios en libros de cada cuenta, Xi , por lo que, en la prctica, es indiferente el
hecho de que la poblacin de los valores de Xi haya sido generada a partir de una
distribucin exponencial, beta, normal, o cualquier otro tipo. Slo se considera la
forma de la distribucin de los valores de Z i , es decir, de los valores di 0 de la
variable Di .
Cualquiera que sea la distribucin de Zi, el modelo planteado tender a aproximarla mediante una funcin de densidad de una distribucin beta, combinando
adecuadamente los parmetros a y b que caracterizan a esta distribucin.
El procedimiento bootstrap permite una drstica reduccin en el sesgo de las
cotas, en comparacin con las cotas admitidas en la prctica auditora, como la cota
de ordenacin de errores.

4.

ANLISIS DE LA DISTRIBUCIN DE LA COTA CAV-

A continuacin, se procede a realizar un estudio sobre el comportamiento de la

cota CAV- en una poblacin contable. Para ello se ha generado una poblacin de
valores en libros, Xi , partiendo de la informacin descriptiva de una de las poblaciones del trabajo llevado a cabo por Neter y Loebbecke (1975). La poblacin
resultante responde a los siguientes parmetros:

16

ESTADSTICA ESPAOLA

Tabla 1
POBLACIN DE ESTUDIO. CARACTERSTICAS
DESCRIPTIVAS

li

Poblacin valores en libros

Nmero de documentos
Valor libros
l i+1

0
7.501
15.001
30.001
45.001
75.001
150.001
300.001
450.001
750.001

7.500
15.000
30.000
45.000
75.000
150.000
300.000
450.000
750.000
1.500.000

1.293
617
679
417
491
580
503
178
160
82
5.000

Caractersticas poblacionales
Total valor Libros
Media
Desviacin Tpica
Asimetra
Curtosis
Mnimo
Mximo

491.734.772
98.347
183.648
3,77
17,95
2
1.486.131

Posteriormente, se han obtenido seis poblaciones de valores auditados suponiendo que el error cometido constituye una contaminacin de la poblacin correcta, cifrada en el 5% y el 10%, y de acuerdo con distribuciones Normal, N(0,5;0,25),
Exponencial, E(=0,01) y Uniforme, U(0;1) (11):

(11) Estas distribuciones han sido previamente truncadas para adaptar su campo de variacin al de la variable Z.

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

17

Tabla 2
CONTAMINACIN POR ERROR
Poblacin
Auditada

Distribucin Error di Proporcin Error p

E(l =0,01)

5%

E(l =0,01)

10%

N(0,5;0,25)

5%

N(0,5;0,25)

10%

U(0;1)

5%

U(0;1)

10%

Para tratar de lograr una aproximacin razonable a las propiedades distributivas

de la distribucin de la cota CAV-, hemos optado por generar 500 resultados de
esta cota(12) a un nivel de confianza nominal del 95%. Las 500 muestras originales
de tamao n=100, han sido seleccionadas mediante el procedimiento MUS. Finalmente, los resultados obtenidos para la cota CAV- se han comparado con los
logrados para siete de las cotas ms representativas(13) de la literatura especializada(14), para las mismas muestras:

(12) Las dificultades para la generacin de cotas CAV- se deben principalmente al

enorme nmero de muestras que hay que seleccionar para que el mtodo Bootstrap sea
operativo. As, de la poblacin simulada a partir de cada muestra original, se han seleccionado B = 1.000 remuestras bootstrap; por lo tanto, para generar 500 estimaciones de la cota
CAV-, ha sido necesario seleccionar un total de 500.000 remuestras bootstrap. La dificultad
es an considerablemente mayor cuando se utiliza Bootstrap paramtrico, dado que para
lograr cada una de las poblaciones simuladas con los datos de una muestra original, es
necesario generar nmeros aleatorios (variable Z) procedentes de una poblacin Beta con los
parmetros estimados a partir de la muestra original.
(13) En el Apndice se describe cada una de estas cotas.
(14) Para un estudio ms detallado de estas cotas, ver Casas, Nez y Zapardiel (1999).

18

ESTADSTICA ESPAOLA

Tabla 3
RESULTADOS OBTENIDOS SOBRE 500 MUESTRAS

Error EXPONENCIAL E(l=0,01) ; p = 0,05

Cotas

Media

Desv.
Tpica

Coef.
Variac.

Precisin Nivel Real de

(Sesgo)
Confianza

CAV-

28.282.759

8.152.646

0,29

2,60

100,0%

CAV-1

50.943.821

14.976.027

0,29

4,69

100,0%

CAV-2

30.671.062

8.588.793

0,28

2,82

100,0%

CAV-3

21.457.713

9.555.210

0,45

1,98

87,0%

CAV-4

36.264.779

9.179.231

0,25

3,34

100,0%

CAV-5

31.422.625

8.905.180

0,28

2,89

100,0%

CAV-6

19.311.202

9.180.357

0,48

1,78

81,6%

CAV-7

23.183.982

9.787.574

0,42

2,13

91,2%

Error EXPONENCIAL E(l=0,01) ; p = 0,1

Cotas

Media

Desv.
Tpica

Coef.
Variac.

Precisin Nivel Real de

(Sesgo)
Confianza

CAV-

42.465.021

13.434.541

0,32

1,96

92,4%

CAV-1

77.396.988

19.687.722

0,25

3,57

100,0%

CAV-2

44.651.639

10.706.999

0,24

2,06

100,0%

CAV-3

35.077.535

10.810.796

0,31

1,62

91,8%

CAV-4

51.678.838

11.210.513

0,22

2,39

100,0%

CAV-5

45.973.753

11.200.168

0,24

2,12

100,0%

CAV-6

33.838.050

10.900.741

0,32

1,56

89,4%

CAV-7

37.756.758

10.883.575

0,29

1,74

97,6%

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

Tabla 3 (Continuacin)
RESULTADOS OBTENIDOS SOBRE 500 MUESTRAS
Error NORMAL N(0,5;0,25) ; p = 0,05
Cotas

Media

Desv.
Tpica

Coef.
Variac.

Precisin Nivel Real de

(Sesgo)
Confianza

CAV-

26.616.577

6.599.096

0,25

2,44

100,0%

CAV-1

48.393.291

12.515.582

0,26

4,44

100,0%

CAV-2

30.832.686

5.852.156

0,19

2,83

100,0%

CAV-3

22.896.466

5.779.501

0,25

2,10

99,8%

CAV-4

35.993.778

7.049.365

0,20

3,30

100,0%

CAV-5

31.595.829

6.086.923

0,19

2,90

100,0%

CAV-6

19.339.735

5.995.176

0,31

1,78

93,4%

CAV-7

23.401.056

5.898.630

0,25

2,15

99,8%

Error NORMAL N(0,5;0,25) ; p = 0,1

Cotas

Media

Desv.
Tpica

Coef.
Variac.

Precisin Nivel Real de

(Sesgo)
Confianza

CAV-

40.691.467

9.068.347

0,22

1,75

98,6%

CAV-1

79.924.210

16.111.361

0,20

3,45

100,0%

CAV-2

47.321.722

8.883.493

0,19

2,04

100,0%

CAV-3

38.814.607

8.932.213

0,23

1,67

98,4%

CAV-4

54.779.677

9.632.403

0,18

2,36

100,0%

CAV-5

48.820.981

9.323.443

0,19

2,11

100,0%

CAV-6

36.111.560

9.044.051

0,25

1,56

93,0%

CAV-7

39.753.387

8.955.651

0,23

1,71

98,8%

19

20

ESTADSTICA ESPAOLA

Tabla 3 (Conclusin)
RESULTADOS OBTENIDOS SOBRE 500 MUESTRAS
Error UNIFORME ; p = 0,05
Cotas

Media

Desv.
Tpica

Coef.
Variac.

Precisin Nivel Real de

(Sesgo)
Confianza

CAV-

25.367.992

6.992.476

0,28

1,66

94,8%

CAV-1

54.453.627

15.269.925

0,28

3,56

100,0%

CAV-2

36.599.408

10.149.275

0,28

2,39

99,8%

CAV-3

28.834.162

11.117.650

0,39

1,88

87,6%

CAV-4

41.283.053

10.570.637

0,26

2,70

100,0%

CAV-5

37.571.866

10.544.683

0,28

2,45

99,8%

CAV-6

25.741.267

10.745.119

0,42

1,68

84,6%

CAV-7

30.319.478

11.184.160

0,37

1,98

90,0%

Error UNIFORME ; p = 0,1

Cotas

Media

Desv.
Tpica

Coef.
Variac.

Precisin Nivel Real de

(Sesgo)
Confianza

CAV-

39.799.378

10.296.357

0,26

1,41

94,2%

CAV-1

85.699.536

17.090.033

0,20

3,04

99,8%

CAV-2

54.019.770

10.035.380

0,19

1,92

98,0%

CAV-3

45.374.365

10.279.746

0,23

1,61

94,0%

CAV-4

60.315.901

10.309.877

0,17

2,14

98,4%

CAV-5

55.753.139

10.494.763

0,19

1,98

98,0%

CAV-6

43.595.153

10.344.401

0,24

1,55

92,6%

CAV-7

47.794.423

10.396.832

0,22

1,70

95,0%

donde la medida de la precisin comparativa de cada cota CAV y su aproximacin

al nivel de confianza real, se obtienen del modo siguiente:
Precisin =

%NCR =

Cota promedio
Error real

N Cotas > Tx Ty
1.000

) 100

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

21

siendo Ty el total monetario poblacional posterior a la auditora, y %NCR el nivel

real de confianza en trminos porcentuales.

5. CONCLUSIONES FINALES
A lo largo de este trabajo, se ha desarrollado un modelo que permite generar
cotas CAV a travs de un proceso bootstrap paramtrico, con seleccin muestral
MUS. La utilizacin de una distribucin beta para la identificacin del error diferente
de cero en la mixtura no estndar, se debe a su versatilidad de formas mostrada a
travs de los parmetros de indexacin, y a la perfecta adaptacin de su campo de
variacin al de la variable de error, Z.
Por otra parte, la eleccin de los modelos distribucionales N(0,5;0,25), E(0,01) y
U(0;1), para la contaminacin por error de la poblacin real de documentos contables, permite analizar el comportamiento de las cotas CAV en un amplio abanico de
posibilidades. Entendemos que este marco, junto con la eleccin de porcentajes de
contaminacin del 5% y el 10%, proporciona un buen banco de pruebas sobre el
que desarrollar el anlisis de las caractersticas de la cota CAV-. Adems, la
obtencin de 500 estimaciones de la cota CAV- en cada escenario, proporciona
una buena aproximacin al estudio de su distribucin; sobre todo, teniendo en
cuenta los comentarios ya descritos sobre la complejidad de su generacin.
As, en primer lugar, debemos destacar la excelente congruencia que muestra la
cota CAV- entre los niveles de confianza nominales y reales, donde slo se aprecia un ligero desfase en el caso de contaminacin por error E(0,01) con un 10% de
magnitud. Sin embargo, merece destacarse la mejora general de su comportamiento a medida que disminuye el porcentaje de error, lo cul es particularmente
interesante en el campo de la Auditora para el que se ha diseado, donde lo
habitual es trabajar con poblaciones que presentan bajos porcentajes de documentos errneos.
En cuanto a la comparacin con el resto de cotas CAV utilizadas en la literatura,
debe mencionarse su magnfico comportamiento en todos los escenarios, destacando particularmente en el caso de contaminacin uniforme.
En un anlisis ms detallado, puede observarse el excesivo conservadurismo
puesto de manifiesto por las cotas CAV-1, CAV-4 y CAV-5, que dan como resultado
unas medias excesivamente altas, lo que las coloca directamente en situacin de
inferioridad a efectos de comparacin con el resto. En cuanto a las cotas CAV-3 y
CAV-6, se observa una baja fiabilidad general, dada la escasa concordancia que
muestran entre los niveles de confianza nominal y real, si se consideran todos los
escenarios en conjunto.

22

ESTADSTICA ESPAOLA

Quedan, pues, como casos de comparacin ms interesantes, la cota CAV-2 y

la CAV-7, que constituye un refinamiento de la cota CAV-6. Con respecto a la
primera de ellas, la cota CAV- proporciona unos resultados similares en relacin
con su variabilidad, mientras que en la comparacin entre niveles reales y nominales de confianza, CAV- se afianza como una alternativa razonable para superar el
fuerte conservadurismo de CAV-2, que hace que sus medias sean notablemente
superiores a las de CAV-. Por esta razn, entendemos que las propiedades de la
cota CAV- propuesta, presentan un mejor balance comparativo, incluyendo lo
referente al sesgo o precisin, en los trminos definidos en el artculo. Con respecto
a la cota CAV-7, el anlisis puede basarse en las mismas directrices expuestas
para CAV-2 aunque, en este caso, las mejoras observadas en CAV- resultan ser
algo ms modestas.
Del anlisis efectuado, y a la luz de su comparacin con el resto de cotas CAV,
puede concluirse que la cota CAV- constituye una interesante herramienta estadstica alternativa para el auditor. Como ocurre con la mayora de los nuevos
modelos propuestos, es necesario incrementar los esfuerzos de investigacin en
esta cota, sobre todo desde un punto de vista emprico, donde podemos adelantar
la posibilidad de utilizar un nmero superior de muestras para mejorar el estudio de
simulacin presentado, as como una mayor variedad de escenarios en trminos de
distribucin del error y de porcentaje de contaminacin en las poblaciones. Finalmente, la utilizacin de tcnicas alternativas para la estimacin de los parmetros,
entre las que merece destacarse el algoritmo EM(15), podra abrir nuevas posibilidades para la obtencin de estimadores ms eficientes.

(15) Ver, por ejemplo, McLachlan y Krishnan (1997).

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

Figura 1
PROCESO DE ELABORACIN DE LA COTA CAV-

COTA
CAV-

Poblacin valores en
libros
xi

Poblacin valores
auditados
yi

Muestra MUS
tamao n
xi

Muestra paralela
tamao n
yi
Proporcin documentos
errneos en muestra
p
Errores de sobrevaloracin
di

n-k unidades
correctas
di = 0

k unidades errneas
di = zi

Estimacin Mtodo
Momentos
a M
b
M

z i beta a M ; b M

Bootstrap B = 1000 muestras

p s

a Ms

B resultados

b Ms

Cota superior para la media

u
Cota superior para el error
monetario total

u Tx

23

24

ESTADSTICA ESPAOLA

APNDICE
COTAS CAV UTILIZADAS EN EL ESTUDIO

Mtodo de los Mximos Errores (CAV-1)

CAV1 = Tx pu (k;1 )

Mtodo de los Errores Ordenados (CAV-2)

k

CAV2 = Tx pu (0;1 ) + Tx

[p (i;1 ) p (i 1;1 )] d
u

i=1

d1 d2

 d

Mtodo del Error Medio (CAV-3)

1 k
di k > 0

k
d = i=1

1
k=0

CAV3 = Tx pu (k;1 )d

Mtodo de Goodfellow, Loebbecke y Neter (CAV-4)

CAV4 = Tx pu (k;1 )

Tx
n

(1 d ) v
i

i=1

0 t = 1
v=
1 t 1

v =k
i

i=1

Mtodo de Stringer (CAV-5)

CAV5 =

Tx
T
u (0;1 ) + x
n
n

[ (i;1 ) (i 1;1 )] d
u

i=1

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

d1 d2

25

 d

Mtodo de la Media Muestral para MUS (CAV-6)

CAV6 = E MUS + z1 S E MUS

T
E MUS = x
n

d
i=1

T2
n 1

S 2 E MUS = x 1
n
Tx n 1

d =

1
n

(d d)

i=1

i=1

Mtodo de la Media Muestral Mltiple Expandida (CAV-7)

CAV7 = E MUS + CS E MUS

np (1 ; k) kn
C= u
1

n k

1
2

REFERENCIAS
AITCHISON, J. (1955). On the distribution of a positive random variable having a
discrete probability mass at the origin. Journal of the American Statistical Association. 50, pp. 901-908.
ANDERSON, R., TEITLEBAUM, A.D. (1973). Dollar-Unit Sampling. A solution to the
audit sampling dilemma. Canadian Chartered Accountant. April, pp. 30-39.
CASAS, J.M., NEZ, J.J., ZAPARDIEL, J.A. (1999). Comportamiento de las Cotas CAV
en Auditora Contable. Anales de Economa Aplicada. XIII Reunin ASEPELT
Espaa. Burgos. Publicacin en CD-ROM.

26

ESTADSTICA ESPAOLA

FELIX, W.L., LESLIE, D.A., NETER, J. (1982). Auditing: A Journal of Practice and
Theory. Monetary-Unit Sampling Conference. Winter. University of Georgia.
Center for Audit Research, pp. 92-103.
FROST, P.A., TAMURA, H (1986). Accuracy of auxiliary information interval estimation
in statistical auditing. Journal of Accounting Research. 24, pp. 57-75.
EFRON, B., TIBSHIRANI, R.J. (1993). An introduction to the Bootstrap. Chapman and
Hall. New York.
GOODFELLOW, J.L., LOEBBECKE, J.K., NETER, J. (1974-a). Some perspectives on CAV
sampling plans. Part I. CA Magazine. October, pp. 23-30.
GOODFELLOW, J.L., LOEBBECKE, J.K., NETER, J. (1974-b). Some perspectives on CAV
sampling plans. Part II. CA Magazine. November, pp. 46-53.
KAPLAN, R.S. (1973-a). A stochastic model for auditing. Journal of Accounting
Research. Spring, pp. 38-46.
KAPLAN, R.S. (1973-b). Statistical sampling in auditing with auxiliary information
estimators. Journal of Accounting Research. Autumn, pp. 238-258.
MCLACHLAN, G. J.; KRISHNAN, T. (1997). The EM algorithm and Extensions. New
York. Wiley.
NETER, J., LOEBBECKE, J.K. (1975). Behavior of major statistical estimators in sampling accounting populations. An empirical study. American Institute of Certified Public Accountants.
PANEL ON NONSTANDARD MIXTURES OF DISTRIBUTIONS (1989). Statistical Models and
Analysis in Auditing. Statistical Science. 4. 1, pp. 2-33.
STRINGER, K.W. (1963). Practical aspects of statistical sampling in auditing. Proceedings of the Business Economic Statistics Section. American Statistical
Association, pp. 405-411.
TAMURA, H., FROST, P.A. (1986). Tightening CAV(DUS) bounds by using a parametric model. Journal of Accounting Research. Vol. 24. 2, pp. 364-371.

MUESTREO EN AUDITORIA CONTABLE: UN MODELO PARAMTRICO PARA LA OBTENCIN DE COTAS COMBINADAS (CAV)...

AUDIT SAMPLING: A PARAMETRIC MODEL OF SETTING `CAV

BOUNDS IN ACCOUNTING POPULATIONS
SUMMARY
This paper presents a parametric model of setting a CAV bound for
the overstatement total error amount in accounting populations. Assuming that the errors have been generated from a nonstandard mixture of distributions, and identifying the nonzero error distribution
through a beta distribution, the parametric bootstrap method is used to
approximate the sampling distribution of the estimator. Finally, we
perform a simulation study on a real accounting population containing
different error rates, when the error distribution is assigned according
to several theoretical models. This allows carrying out a distribution
analysis of the CAV- bound obtained, comparing its behavior to
seven CAV bounds proposed in the auditing literature.

Key words: auditing, accounting, parametric bootstrap, combined attribute and variable (CAV) bounds, monetary unit sampling (MUS),
nonstandard mixtures of distributions
AMS Classification: 62D05, 62F40

27