Herramienta gratuita · CFO de aseguradoras

Simulador de muestreo frente a auditoría total de cuentas médicas

Actualizado:

Una muestra aleatoria deja pasar errores grandes. Con 5.000 cuentas al mes, 10 con errores de alto valor y una muestra del 10 % (500 cuentas), la probabilidad de no ver ninguno es 34,8 % y, en promedio, 9 de los 10 quedan sin revisar. Para 95 % de confianza de ver al menos uno hacen falta 1.294 cuentas.

Simule su muestra

Ponga cuántas cuentas recibe al mes, cuántas traen un error de alto valor (o la tasa de error) y qué porcentaje audita. El cálculo corre en su navegador y no envía ni guarda ningún dato.

Cálculo hipergeométrico exacto (muestra sin reemplazo), con las aproximaciones binomial y de Poisson al lado. Los valores por defecto son supuestos editables, no cifras de mercado: ponga los de su operación.

Supuesto editable: lo que en promedio se pagaría de más por cada uno.

Probabilidad de que la muestra no vea ningún error

34,8 %

Muestra de 500 cuentas · Probabilidad de ver al menos uno: 65,2 %

Errores que la muestra no ve, en promedio

9 de 10

Dinero en esos errores: $180.000.000

Aproximaciones (con reemplazo): Binomial 36,8 % · Poisson 36,8 %

Muestra necesaria para 95 % de confianza

1.294 cuentas (25,9 %)

Binomial 1.497 · Poisson 1.498

Aun con esa muestra quedan, en promedio, 7,4 errores sin ver: ver uno no es ver todos.

Auditoría del 100 % de las cuentas: 0 % de riesgo de muestreo

Reciba este resultado por WhatsApp o correo

Opcional. El resultado ya está arriba y no necesita dejar datos para verlo.

¿Cómo quieres seguir?

Elige el camino que se ajusta a lo que necesitas hoy.

Ahora mismo

Envíame este resultado por WhatsApp

Pregúntale a Arkangel AI en WhatsApp: te ayuda a auditar cuentas, glosas y casos con IA. Tú decides.

No compartas datos que identifiquen a un paciente.

Formación

Aprende a auditar con IA

Auditor PRO: 3 módulos, plantillas y comunidad de auditores. Pago único, garantía de 7 días.

$160.000 COP

¿Cuánto de lo que paga su aseguradora nunca entra en la muestra?

En 30 minutos revisamos con su equipo de finanzas y auditoría cómo pasar de muestrear a revisar cada cuenta con reglas y evidencia. El auditor decide. Déjenos su teléfono o correo; después elige el horario.

Paso 1 de 3

¿Cómo te contactamos?

Dos pasos rápidos y eliges horario para una llamada gratuita de 30 minutos.

o

Cómo se calcula: fórmulas y un ejemplo resuelto

La muestra se toma sin reemplazo: una cuenta revisada no vuelve a salir. Por eso el número de errores que ve la muestra sigue una distribución hipergeométrica. Si hay N cuentas, k con error y se revisan n, la probabilidad de no ver ninguno es P(0) = C(N − k, n) / C(N, n), el producto de (N − k − i)/(N − i) para i de 0 a n − 1. El simulador suma logaritmos de esos factores para no perder precisión con N grandes.

La probabilidad de ver al menos uno es 1 − P(0). En promedio la muestra ve n × k / N errores, así que quedan sin ver k × (1 − n/N). Multiplicado por el valor medio de un error grande da el dinero que la muestra no ve.

Ejemplo: N = 5.000, k = 10 y una muestra del 10 % (n = 500). P(0) = 34,8 %, así que la muestra ve al menos un error el 65,2 % de las veces. En promedio ve 1 error y deja 9 sin ver; con un valor medio supuesto de $20.000.000, son $180.000.000 al mes que nadie revisa.

Las aproximaciones binomial, (1 − k/N)^n, y de Poisson, e^(−n·k/N), suponen muestra con reemplazo o población infinita; en el ejemplo dan 36,8 %, más pesimistas que el valor exacto. Sirven para poblaciones grandes, pero con poblaciones finitas lo correcto es la hipergeométrica.

Tamaño de muestra para ver al menos un error (muestreo de descubrimiento)

El muestreo de descubrimiento, una forma de muestreo de atributos, busca el n más pequeño con el que la probabilidad de ver al menos un error alcanza la confianza C. El simulador busca ese n exacto con la hipergeométrica: es el menor n con P(0) ≤ 1 − C.

Con la aproximación binomial n = ln(1 − C) / ln(1 − p) y con la de Poisson n = −ln(1 − C) / p, donde p = k/N es la tasa de error. En el ejemplo, p = 0,2 %: para 95 % de confianza la binomial pide 1.497 cuentas y la hipergeométrica exacta 1.294, el 25,9 % del mes.

Ese tamaño solo garantiza ver uno de los errores, no todos: con 1.294 cuentas revisadas quedan, en promedio, 7,4 de los 10 sin ver. Para estimar el monto total de los errores se necesita otro diseño (por ejemplo, muestreo por unidad monetaria o estratificado, que la NIA 530 trata en su anexo 1).

Cómo interpretar el resultado

Una probabilidad alta de «ver al menos uno» no significa que la muestra controle el gasto: dice que probablemente encontrará un caso, no cuántos dejó pasar. El dato financiero es el número esperado de errores no vistos y su valor.

Si los errores de alto valor son pocos (una tasa baja), la muestra necesaria para verlos crece mucho: con p pequeño, n es aproximadamente 3/p para 95 % de confianza. Por eso las muestras del 5 % o 10 % fallan justo con los errores raros y caros.

La NIA 530 llama riesgo de muestreo a que la conclusión sacada de una muestra sea distinta de la que se tendría revisando toda la población, y señala que cuando la incorrección esperada es alta puede ser adecuado examinar el 100 %.

Qué hacer con el resultado, y cómo cambia con la auditoría del 100 %

Si el dinero no visto es material frente a su presupuesto de siniestros, tiene tres caminos: subir la muestra, estratificar (revisar todas las cuentas de mayor valor y muestrear el resto) o revisar todas las cuentas.

Al revisar el 100 % de las cuentas, n = N y el riesgo de muestreo desaparece: P(0) = 0 y no queda ningún error sin revisar por no haber salido en la muestra. Queda el riesgo de no muestreo, el de revisar una cuenta y no reconocer el error, que se reduce con reglas claras y evidencia.

Arkangel AI revisa cada cuenta con 98 reglas deterministas (27 administrativas, 29 clínicas y 42 financieras), entrega cada hallazgo con su evidencia y su causal, marca como «no verificado» lo que no puede confirmar y deja la decisión final al auditor humano.

Cómo usar el simulador de muestreo, paso a paso

  1. 1

    Ponga el volumen del mes

    N es el número de cuentas o facturas médicas que recibe en el periodo que audita.

  2. 2

    Indique los errores de alto valor

    Como número de cuentas (k) o como tasa de error. Use su historial de glosas o de recobros; si no lo tiene, pruebe varios escenarios.

  3. 3

    Elija el porcentaje de la muestra

    5 %, 10 % o el que use su equipo. El simulador la toma aleatoria y sin reemplazo.

  4. 4

    Ponga el valor medio de un error grande

    Es lo que en promedio se pagaría de más por cada cuenta con error; con él se calcula el dinero que la muestra no ve.

  5. 5

    Lea el riesgo y la muestra necesaria

    Compare la probabilidad de no ver ningún error, los errores no vistos y el tamaño de muestra para la confianza que elija.

Preguntas frecuentes sobre muestreo en auditoría de cuentas médicas

¿Cuál es el tamaño de muestra para auditoría de cuentas médicas?

Depende de la confianza y de la tasa de error que quiera detectar. Para ver al menos un error con 95 % de confianza, n ≈ ln(0,05)/ln(1 − p), unas 3/p cuentas. Con 5.000 cuentas y 10 errores de alto valor (p = 0,2 %), el cálculo hipergeométrico exacto pide 1.294 cuentas, el 25,9 % del mes.

¿Es suficiente auditar solo una muestra de facturas?

Depende de lo que busque. Una muestra sirve para estimar una tasa de error, pero deja sin revisar la mayoría de los errores raros y caros. Con 5.000 cuentas, 10 errores de alto valor y una muestra del 10 %, en promedio 9 de esos 10 errores no se ven. Revisar el 100 % elimina el riesgo de muestreo.

¿Qué es el riesgo de muestreo en auditoría?

La NIA 530 (ISA 530) lo define como el riesgo de que la conclusión basada en una muestra sea distinta de la que se obtendría aplicando el mismo procedimiento a toda la población. En una prueba de detalle, el error grave es concluir que no hay una incorrección material cuando sí la hay.

¿Cómo se calcula la probabilidad de que una muestra no detecte errores?

Con la distribución hipergeométrica: P(0) = C(N − k, n) / C(N, n), donde N son las cuentas, k las que tienen error y n la muestra. Con N = 5.000, k = 10 y n = 500, P(0) = 34,8 %. La aproximación binomial (1 − k/N)^n da 36,8 %.

¿Qué es el muestreo de descubrimiento (discovery sampling)?

Es un muestreo de atributos que fija el tamaño de muestra necesario para encontrar al menos un error con una confianza dada, si la tasa de error es al menos p. La fórmula binomial es n = ln(1 − C)/ln(1 − p); con poblaciones finitas, el valor exacto sale de la hipergeométrica y es menor.

¿Auditar el 10 % de las cuentas detecta el 10 % de los errores?

En promedio, sí: una muestra aleatoria del 10 % ve, en promedio, el 10 % de los errores y deja el 90 % sin ver. El problema es la variación: con pocos errores grandes la muestra puede no ver ninguno; con 10 errores en 5.000 cuentas eso pasa el 34,8 % de las veces.

¿Cuándo conviene auditar el 100 % de las cuentas médicas?

Cuando los errores esperados son altos o caros. La NIA 530 (párrafo A7) dice que si la incorrección esperada es alta puede ser adecuado examinar el 100 % o una muestra grande. Con revisión automatizada por reglas, revisar todas las cuentas ya no exige multiplicar el equipo de auditores.

Pasa de auditar una muestra a revisar cada cuenta con IA

Arkangel AI revisa cada cuenta con reglas administrativas, clínicas y financieras y deja la evidencia de cada hallazgo, para que tu equipo controle lo que paga. Tu auditor decide. Diagnóstico gratuito de 30 minutos para aseguradoras de salud, SOAT y ARL.

Para agentes y desarrolladores

Esta calculadora acepta los datos en la URL y tiene una versión JSON gratuita, sin registro, con los mismos parámetros:

Página con datos
https://arkangel.ai/es/simulador-muestreo-auditoria?cuentas=5000&errores=10&muestra_pct=10&valor_error=20000000&confianza=95
Resultado en JSON
https://arkangel.ai/tools/simulador-muestreo-auditoria.json?cuentas=5000&errores=10&muestra_pct=10&valor_error=20000000&confianza=95
Parámetros
cuentas, errores, tasa_error, muestra_pct, valor_error, confianza
Catálogo de herramientas
https://arkangel.ai/tools.jsonhttps://arkangel.ai/tools/openapi.json

Fuentes

Última revisión: . Herramienta informativa con los datos que usted pone. No es una opinión de auditoría ni un resultado garantizado de Arkangel AI; el diseño de la muestra corresponde al auditor.