Академический Документы
Профессиональный Документы
Культура Документы
Tema: Muestreo
Alumnos:
2018
INTRODUCCIÓN
El presente trabajo trata del muestreo, el cual busca determinar que parte de una realidad en
estudio (población o universo) debe examinarse para hacer inferencias sobre dicha población;
también de los métodos de muestreo los cuales se dividen en muestreo probabilístico y muestreo
no probabilístico; la primera trata de aquellos en los que todos los individuos tienen la misma
probabilidad de ser elegidos para formar parte de una muestra y la segunda es una técnica en la
cual el investigador selecciona muestras basadas en un juicio subjetivo en lugar de hacer la
selección al azar.
Además, trata de las ventajas y desventajas de la técnica de muestreo; también del censo y su
relación con la muestra.
General:
Específicos:
CAPITULO I: MUESTREO
CONCLUSION
BIBLIOGRAFÍA
1.1. DEFINICIÓN DE MUESTREO
Con la finalidad de proporcionar información estadística de diferentes índoles, la cual puede ser de
naturaleza cualitativa y cuantitativa, esto se logra mediante el análisis de unidades seleccionadas.
(5)
1.4.1.1. MUESTREO ALEATORIO SIMPLE
Es aquel en que todas las unidades de una población poseen una oportunidad igual
e independiente de estar en la muestra. El procedimiento empleado es el
siguiente:
𝑍 2 (1−𝛼/2) × 𝜎 2 𝑥
𝑛=
𝐸2
𝑍 2 (1−𝛼/2) × 𝜎 2 𝑥 × 𝑁
𝑛=
𝐸 2 𝑁 + 𝑍 2 (1−𝛼/2) 𝜎 2 𝑥
Dónde:
n= tamaño de la muestra
N= tamaño poblacional
E= %(promedio)
(6)
Fórmulas para el tamaño de muestra para la proporción poblacional
a) Cuando se conoce el tamaño poblacional
𝑍 2 (1−𝛼/2) × 𝑝 × 𝑞 × 𝑁
𝑛= 2
𝐸 𝑁 + 𝑍 2 (1−𝛼/2) 𝜎 2 𝑥
𝑍 2 (1−𝛼/2) × 𝑝 × 𝑞
𝑛=
𝐸 2 𝑁 + 𝑍 2 (1−𝛼/2)
(7)
Fórmulas para el tamaño de muestra para estimaciones de la media
a) Tamaño de muestra afijación óptima
∑ 𝑤ℎ. 𝑠ℎ
(∑ 𝑤ℎ. 𝑠ℎ. √𝑐ℎ)( )
𝑛= √𝑐ℎ
1
𝑣 + ∑ 𝑤ℎ. 𝑠ℎ2
𝑁
∑ 𝑤ℎ. 𝑠ℎ2
𝑛=
∑ 𝑤ℎ𝑠ℎ2
𝑣+ 𝑁
(∑ 𝑤ℎ. 𝑠ℎ)2
𝑛=
∑ 𝑤ℎ. 𝑠ℎ2
𝑣+
𝑁
Afijaciones de la muestra
a) Afijación proporcional
𝑁ℎ
𝑛ℎ = (𝑛)
𝑁
b) Afijación óptima
c) Afijación neyman
𝑁ℎ. 𝑠ℎ
𝑛ℎ = (𝑛)
∑ 𝑁ℎ. 𝑠ℎ
(∑ 𝑤ℎ. 𝑝ℎ. 𝑞ℎ
𝑛=
1
𝑣 + 𝑁 ∑ 𝑤ℎ. 𝑝ℎ. 𝑞ℎ
(8)
b) Tamaño de muestra óptima
∑ 𝑤ℎ. √𝑝ℎ. 𝑞ℎ
(∑ 𝑤ℎ. √𝑝ℎ. 𝑞ℎ. √𝑐ℎ) ( )
√𝑐ℎ
𝑛=
1
𝑣 + 𝑁 ∑ 𝑤ℎ. 𝑝ℎ. 𝑞ℎ
𝑁ℎ
𝑛ℎ = (𝑛)
𝑁
b) Afijación óptima
√𝑝ℎ. 𝑞ℎ
𝑁ℎ. √𝑐ℎ
𝑛ℎ = (𝑛)
√𝑝ℎ. 𝑞ℎ
∑ 𝑁ℎ.
√𝑐ℎ
c) Afijación neyman
𝑁ℎ. √𝑝ℎ. 𝑞ℎ
𝑛ℎ = (𝑛)
∑ 𝑁ℎ. √𝑝ℎ. 𝑞ℎ
1.4.1.3. MESTREO ALEATORIO SISTEMÁTICO
Consiste en numerar todos los elementos de la población, pero en lugar de extraer
n números aleatorios sólo se extrae uno. Se parte de ese número aleatorio i, que
es un número elegido al azar, y los elementos que integran la muestra son los que
ocupa los lugares i, i+k, i+2k, i+3k,...,i+(n-1)k, es decir se toman los individuos de k
en k, siendo k el resultado de dividir el tamaño de la población entre el tamaño de
la muestra: k= N/n. El número i que empleamos como punto de partida será un
número al azar entre 1 y k.
(9)
El riesgo este tipo de muestreo está en los casos en que se dan periodicidades en
la población ya que al elegir a los miembros de la muestra con una periodicidad
constante (k) podemos introducir una homogeneidad que no se da en la
población.
Ejm. Imaginemos que estamos seleccionando una muestra sobre listas de 10
individuos en los que los 5 primeros son varones y los 5 últimos mujeres, si
empleamos un muestreo aleatorio sistemático con k=10 siempre seleccionaríamos
o sólo hombres o sólo mujeres, no podría haber una representación de los dos
sexos.
(10)
1.4.2.2. MUESTREO POR CUOTAS
También denominado en ocasiones "accidental". Se asienta generalmente sobre la
base de un buen conocimiento de los estratos de la población y/o de los individuos
más "representativos" o "adecuados" para los fines de la investigación. Mantiene,
por tanto, semejanzas con el muestreo aleatorio estratificado, pero no tiene el
carácter de aleatoriedad de aquél.
En este tipo de muestreo se fijan unas "cuotas" que consisten en un número de
individuos que reúnen unas determinadas condiciones.
1.4.2.3. MUESTREO A BOLAS DE NIEVE
Se localiza a algunos individuos, los cuales conducen a otros, y estos a otros, y así
hasta conseguir una muestra suficiente. Este tipo se emplea muy frecuentemente
cuando se hacen estudios con poblaciones "marginales", delincuentes, sectas,
determinados tipos de enfermos, etc.
1.4.3. VENTAJAS Y DESVENTAJAS DE LOS TIPOS PROBABILISTICOS
(11)
La variación en - Muy eficiente cuando la - El error estándar es mayor que
cada grupo es población es muy grande y en el muestreo aleatorio simple o
CONGLOMERA menor que la dispersa. estratificado.
DO variación entre - Reduce costes - El cálculo del error estándar es
grupos. - No es preciso tener un complejo.
listado de toda la
población.
VENTAJAS DESVENTAJAS
- Es económico - Requiere personal altamente
- Es rápido y controlable calificado.
- Se obtiene una observación rápida y - No permite hacer proyecciones sobre
exacta con un mayor control. áreas muy pequeñas de la población o
- Sus resultados pueden ser precisos o sobre poblaciones sujetas a muchos
amplios por utilizar personal cambios en un lapso corto de tiempo.
especializado - Los resultados están sujetos a los
errores del muestreo.
- Se debe tener en cuenta siempre la
población.
El muestreo es aplicable en nuestra vida personal y pública. Así, una pareja contrae matrimonio en
base a un corto enamoramiento; con un simple grano de arroz el ama de casa prueba si todo el
arroz contenido en la olla está cocido; paladeando el café contenido en una cucharita se
determina la calidad de la marca del café ; los dosajes o análisis médicos (de sangre, de orina, etc.)
se realizan en base a muestras y finalmente una muestra de roca lunar proporciona información
científica sobre el origen de la luna y así diferentes aspectos de la vida, cultura y ciencia son
investigados en base a muestras.
(12)
PROCEDIMIENTOS DEL MUESTREO APLICADOS A LOS NEGOCIOS
La población, denominada algunas veces también como universo, es cualquier colección finita o
infinita de elementos. No sólo se refiere a una colección de personas. Puede constituirse de
procesos, sistemas, países, empresas, bienes, y toda clase de eventos observables, susceptibles de
ser catalogados, para que el muestreo sea posible o conveniente. De allí la importancia de
identificar qué características serán examinadas en la investigación de cierta población,
entendiendo que cada una de ellas, pueden llegar a ser una población en sí mismas.
(13)
Ejercicios
Ejemplo 1: Suponga que estamos investigando sobre el porcentaje de alumnos que trabajan de
una población de 20 alumnos de la Universidad de la unasam. Base de datos de la población:
Elija una muestra aleatoria simple de tamaño n=4 de esta población. Use la tabla de números
aleatorios adjunta, empiece en la fila 1 columna 1 y continúe seleccionando hacia la derecha.
Indique los pasos para elegir la muestra. Tabla de números aleatorios:
(14)
Buscamos en la tabla de números aleatorios 4 números, de dos dígitos, entre el 1 y el 20, sin
repetir.
Los números seleccionados son: 10, 1, 11, 20.
Por lo tanto, la muestra está compuesta por:
*10: Victoria que SI trabaja.
*1: Juan que SI trabaja.
*11: María que NO trabaja.
*20: Marcelo que SI trabaja.
b. Indique cuál es el Parámetro y cuál es el Estadístico en (a).
Respuesta:
El Parámetro es el porcentaje de alumnos que trabajan en la
población de tamaño N=20 alumnos, es decir:
(15)
Respuesta:
Para elegir una muestra estratificada, primero se dividen los hombres de las mujeres y se asignan
número de identificación a cada estrato:
Usando la tabla de números aleatorios, se elige una muestra aleatoria simple de tamaño n=2 de
los hombres, buscando números del 1 al 12. Se parte de la fila 1 columna 1. Se usan dos dígitos.
(16)
Los números elegidos son: 1 y 4.
Por lo tanto, la muestra del estrato de mujeres queda constituida por Alicia y Fernanda. Alicia y
(17)
CAPITULO II
Se trata de una carta de tipo variable, en la que la medida de tendencia central, la media muestral
, esta controlada por la Carta Media , en tanto que la variabilidad se controla por medio del rango,
lo que constituye la Carta Rango (R).
El rango o amplitud representa la diferencia entre el mayor y el menor valor de las estándar σ/ √n,
valores que se suponen conocidos.
En cambio, la medida del Rango (R) no tiene una distribución normal, pero es una variable
aleatoria de una muestra. La distribución de R se relaciona aproximadamente con la distribución
Chi-Cuadrado. mediciones de una muestra.
FORMULAS
L.C.S = D4XR
L.C.I = D3XR
L.C. = R
(18)
2.2. CARTAS DE CONTROL PARA LA MEDIA
Los límites de control están determinados de tal forma que resulta una probabilidad pequeña de
que un valor dado de esté fuera de los límites porque, en realidad, el proceso está en control.
Como las cartas se basan en los límites 3. σ, se tiene: Z = 3, obteniendo los límites siguientes:
L.C.S= PT + A2R
L.C.I. = PT – A2R
LC = PT
2.3. CARTAS DE CONTROL PARA LA PROPORCION
Ṗ(1−Ṗ)
L.S. = Ṗ + 3X√
𝑁
Ṗ(1−Ṗ)
L.I. = Ṗ - 3X√
𝑁
L.C = Ṗ
(19)
Las muestras tienen las mismas áreas de oportunidad para los defectos, es decir, las piezas deben
ser del mismo tipo y tamaño. Esto es, no considerar piezas de diferente tamaño, unas demasiado
grandes y otras demasiado pequeñas. No considerar números variables n de tamaño de muestra.
L.S. = C + 3√𝐶
L.I = C - 3√𝐶
2.5. VENTAJAS Y DESVENTAJAS DE CONTROL DE CALIDAD
Cuadro 1.
Ventajas Desventajas
- Garantizar los resultados y -No trata de la calidad de la
productos de la investigación. investigación, pues esta se
-asegurar la trazabilidad de los evalúa por pares en los campos
procesos y actividades de de investigación de cada área
investigación. científica.
-Proporcionar un marco general -No presenta la organización
de acción para la investigación como un flujo de procesos.
ganando tiempo para la -La calidad de investigación de un
creatividad. centro de investigación afecta
-Responder mejor a las por ejemplo, en primer lugar, a
demandas de socios y los grupos de investigación que
destinatarios de la investigación. experimenta y manipulan, y
-mejorar la eficacia económica analizan y miden, pero también
en un entorno de competencia. concierne a los servicios de
-Capitalizar los resultados y administración y gestión que
mejorar la gestión del deben promover a los grupos de
conocimiento. los apoyos y servicios necesarios
para que realicen su actividad.
Una máquina automatizada a alta velocidad fabrica resistores para circuitos electrónicos. La
máquina está programada para producir un lote muy numeroso de resistores de 1000 OHMS cada
uno, siendo éste el valor ideal para cada resistor y admitiéndose una variación sobre dicho valor
de ± 25 OHMS.
(20)
Con el fin de ajustar la máquina y crear una gráfica de control para utilizarla a lo largo de todo el
proceso, se tomaron 15 muestras con cuatro resistores cada una.
Su fórmula:
(21)
Reemplazando:
Para la media:
Para el rango:
(22)
2.7. DEFINICION DE MUESTREO POR ACEPTACION
Puede utilizar el muestreo de aceptación para desarrollar planes de inspección que le permitan
aceptar o rechazar un lote en particular de material entrante con base en los datos de una
muestra representativa.
Suponga que se tiene gran cantidad de productos y se sabe que el índice de producto defectuoso
es el 6%. Si tomamos una muestra de tamaño de 100 con muy buena representatividad, entonces
por lógica se esperaría que en cada muestro encontremos 6 productos defectivos. Sin embargo, la
misma experiencia ha demostrado que se puede encontrar más o menos 6 defectivos, la razón es
que los artículos extraídos en cada muestra depende del azar, por lo que la cantidad de artículos
defectuoso es variable y es "difícil" que en las muestras vengan exactamente 6 defectuosos.
Siempre que el azar está de por medio, los resultados son variables y el objetivo de la probabilidad
y la estadística es modelar (predecir) tal variabilidad, para que así el "azar" no sea capricho. Así en
el caso particular que hemos planteado, quizá sea razonable pensar que la mayoría de las veces
que repitamos el proceso de extraer una muestra de 100 artículos, la cantidad de piezas defectivas
encontradas varíe alrededor de 6. Pero la pregunta es ¿qué tan cercano a 6? La respuesta la da la
distribución de probabilidad binomial, que es la distribución que modela las más de las veces este
tipo de situaciones que hemos planteado antes. Se puede encontrar la probabilidad de obtener
cierta cantidad, x, de productos defectuosos en cada muestra de tamaño de 100, sabiendo que la
población o lote de donde se extrae la muestra de manera aleatoria tiene cierto porcentaje de
productos defectuosos aleatoriamente mezclados en el lote. A continuación se muestran estas
probabilidades. (23)
3. Aplicación de la distribución binomial (100, 0.06)
0 0.002 0.2
1 0.013 1.3
2 0.041 4.1
3 0.086 8.6
4 0.134 13.4
5 0.164 16.4
6 0.166 16.6
7 0.142 14.2
8 0.105 10.5
9 0.069 6.9
10 0.040 4.0
11 0.021 2.1
12 0.010 1.0
(24)
Existen muchos sistemas computacionales para calcular lo anterior. Por ejemplo, en Excel las
probabilidades de la tabla anterior se calculan con la función DISTR.BINOM (x, n, p, 0). Donde x es
la cantidad de defectuosos, n es el tamaño de muestra (n = 100, en el ejemplo), p es la proporción
artículos defectuosos en el lote o población (p = 0.06 en el ejemplo), y 0 es un valor lógico. De esta
manera, a partir de la tabla se observa que si en la situación descrita se siguen extrayendo
muestras de tamaño de 100 y en la producción se mantiene 6% de artículos defectuosos, entonces
se espera que solo en 16.6% de las muestras se observen exactamente 6 artículos defectuosos. Lo
anterior debe tomarse en cuenta siempre que se haga inspección por muestras: lo que se observa
de una muestra no es idéntico lo que hay en la población o lote, ya que lo que se observa de una
muestra a otra tiene cierta variabilidad. Por tanto, para tomar cualquier decisión sobre la
población, lo primero que se debe hacer es conocer tal variabilidad. Así, forzosamente se tiene
que aplicar algún modelo probabilístico. En muestreo de aceptación tal modelo probabilístico es la
curva característica de operación-
Suponga que en una fábrica se aplica a lotes de tamaño grande (es usual considerar que un
lote es grande respecto al tamaño de la muestra, cuando la muestra es menos del 10% del
lote, es decir, cuando 10n < N) el plan de muestreo simple por atributos definido por n = 60, c
=1 a los lotes de ciertos artículos antes de embarcarlos y enviarlos al cliente. De esta manera,
de un lote de más de 600 piezas, se extrae una muestra aleatoria de n = 60, y si al inspeccionar
estas unidades se encuentran cero o a lo más una defectuosa, entonces el lote es aceptado
(embarcado y enviado al cliente). Pero si se encuentran dos artículos o más que son
defectuosos, entonces el lote es rechazado (retenido para una inspección al 100%). Bajo estas
condiciones surgen algunas interrogantes: que tipo de calidad garantiza este plan y cuál es el
nivel de calidad que no tolera; o de una manera más técnica: si un lote tiene cierta proporción
de artículos defectuosos, ¿cuál es la probabilidad de que el lote sea aceptado? Las respuestas
a estas preguntas se obtiene a partir de la curva característica de operación (curva CO) para el
citado plan. La curva CO de un plan proporciona una caracterización del potencial desempeño
del mismo, ya que con ésta se puede saber la probabilidad de aceptar o rechazar un lote que
tiene determinada calidad. Por ejemplo, con la curva CO del plan n = 60, c =1 y tamaño de lote
grande, se puede saber cuál es la probabilidad de aceptar un lote que tenga 2% de sus
artículos defectuosos. Además, como de un lote que se somete a inspección por muestreo se
(25)
desconoce su proporción, p, de artículos defectuosos, entonces la curva CO tiene que
proporcionar la probabilidad de aceptar lotes con cualquier valor de p. En la figura 3 se
muestra la curva CO para el plan n = 60, c =1.
Obtener los puntos sobre la curva CO es relativamente fácil. Supóngase que el lote proviene de un
flujo continuo de productos que puede ser considerado infinito o que el lote tiene un
tamaño N que es grande respecto al tamaño de muestra. Bajo esta condición, la distribución del
número de artículos defectuosos, x, en la muestra aleatoria de tamaño n, es binomial con
parámetros n y p; donde p es la proporción de artículos defectuosos en el lote. La probabilidad de
(26)
símbolo factorial (5! = 5 x 4 x 3 x 2 x 1 = 120, por ejemplo). A p se le desconoce la mayoría de las
veces.
P(0) + P(1).
P(0) = 0.2976
P(1) = 0.3633
Por lo que la probabilidad de aceptar un lote que tenga 2% de artículos defectuosos con este plan
es igual a 0.6619. Probabilidad que se podría haber apreciado más o menos directamente de la
curva CO de la figura 3, ya que esta curva se obtiene calculando P(0) + P(1) con la formula de
distribución binomial, con n = 60, para diferentes valores de p. En la tabla 1 se aprecia la
probabilidad de aceptación de lotes con diferentes valores de p; y con base en la tabla 1 se puede
bosquejar la curva CO de la figura 3
Tabla 1 Probabilidad de aceptación del plan n = 60, c =1, para Diferentes valores de p y suponiendo
tamaño de lote grande.
Probabilidad de aceptación
Proporción de defectuosos (p)
(Pa)
0.001 0.9982
0.005 0.9634
0.010 0.8787
(27)
0.015 0.7727
0.020 0.6619
0.030 0.4592
0.040 0.3022
0.050 0.1915
0.060 0.1179
0.070 0.0709
0.080 0.0417
0.100 0.0137
0.150 0.0006
Así, la curva CO de la figura 3 muestra el poder de discriminación del plan de muestreo n = 60,
c =1. Por ejemplo, si los lotes tienen 5% de artículos defectuosos (p = 0.05), entonces la
probabilidad de aceptarlos es aproximadamente 0.19. Esto significa que si 100 lotes con 5% de
defectuosos, son sometidos a este plan de muestreo, entonces se esperaría aceptar a 19 y
rechazar a 81.
En general, para obtener una curva CO para un plan con tamaño de muestra n y número de
aceptación c, se calcula la probabilidad de aceptación, Pa, para diferentes valores de la proporción
de defectuosos, p; es decir, se calcula.
(28)
Curva CO ideal
Si se quieren rechazar los lotes que tengan una proporción de artículos defectuosos mayor que 1%
por ejemplo, y aceptar los que tengan 1% de defectuosos o menos. La curva CO ideal para esta
situación se muestra en la figura 4, en la que si el nivel de calidad es 1% de defectivo o menos, se
está satisfecho con tal cantidad y por tanto se acepta con probabilidad 1. Mientras que si la
proporción de defectivos es mayor que 1% no se está satisfecho con esa calidad por lo que se
desea aceptarla con probabilidad cero (es decir, rechazarla con probabilidad 1). Sin embargo, no
existe ningún plan de muestreo que tenga esta curva ideal y que por tanto sea capaz de hacer una
discriminación perfecta entre los lotes "buenos" y "malos". En teoría la curva CO ideal se puede
alcanzar con inspección al 100%, siempre y cuando esta inspección estuviera libre de errores, lo
que difícilmente ocurre.
De acuerdo con lo anterior, lo más que se puede hacer en la práctica es diseñar planes de
muestreo de aceptación que tengan alta probabilidad de aceptar lotes buenos, y una baja
probabilidad de aceptar lotes malos. Por ejemplo, con el plan n = 60, c =1 (véase tabla 1 figura 3),
se tiene una probabilidad de 0.879 de aceptar lotes con proporción de defectuosos de 1% y para
porcentajes menores a este 1% se tiene mayor probabilidad de aceptación; pero lotes con 4% de
defectivo todavía tienen probabilidad de aceptarse de 0.30. Por lo que si se quiere un plan más
estricto que no permita pasar tan fácilmente lotes de ese tipo, entonces será necesario diseñar un
plan con un tamaño de mayor muestra, como lo veremos enseguida.
(29(
Propiedades de las curvas CO
No existe un plan de muestreo que tenga una curva CO ideal, que pueda distinguir
perfectamente los lotes buenos de los malos. De esta manera, todo plan de muestreo
tiene riesgos de rechazar la buena calidad y aceptar la mala. Lo que sí existe son planes
que tienen mayor probabilidad de aceptar la buena calidad y menos probabilidad de
aceptar la mala.
Al aumentar el tamaño de la muestra con el número de aceptación, se obtiene planes cuya
curva CO se acerca más a la ideal, es decir, que tienen mayor potencia en distinguir la
buena calidad de la mala. Esta propiedad queda en evidencia en la figura 5, en la que se
muestran las curvas CO de tres planes de muestreo, nótese que entre mayor es n más
rápido cae la curva, no obstante que el número de aceptación c se mantiene proporcional
al tamaño de muestra. Entre más rápido caiga la curva, menos probabilidad se tiene de
aceptar lotes de mala calidad.
El criterio de tamaño de muestra igual a un porcentaje del tamaño de lote es un mal
criterio. Es frecuente encontrar casos en los que el tamaño de la muestra se tome igual a
cierto porcentaje del tamaño del lote y el número de aceptación c = 0.
Al disminuir el número de aceptación la curva CO cae más rápido y con ello los planes se
vuelven más estrictos.
La influencia del tamaño de lote es diseñar planes adecuados de muestreo, es menor de lo
que continuamente se cree. Curvas CO tipo A y tipo B. Para obtener todas las curvas CO
que hemos visto hasta aquí, se ha supuesto que las muestra se extraen de un lote grande
o que el lote proviene de un flujo continuo de productos. A este tipo de curvas se les
conocen como curvas CO tipo B, y la distribución apropiada para calcular las
probabilidades de aceptación es binomial.
(30)
2.9. VENTAJAS Y DESVENTAJAS DE MUESTREO DE ACEPTACION
a) Tiene menor costo porque se inspecciona menos, a pesar de algunos costos adicionales
generados por la planificación y administración de los planes de muestreo.
b) Requiere de menos personal en las actividades de inspección, simplificando con ello el
trabajo de coordinación y reduciendo los costos.
c) El producto sufre menos daño al haber menos manipulación.
d) Es aplicable en pruebas destructivas.
e) A menudo reduce el error de inspección y la monotonía
f) El rechazo de lotes completos por la existencia de artículos defectuosos proporciona una
motivación al fabricante del lote para que mejore su calidad.
a) Hay cierto riesgo de aceptar lotes malos y rechazar buenos, aunque en un plan de
muestreo de aceptación están previstos y cuantificados estos riesgos.
b) Proporciona menos información acerca del nivel de calidad del producto o de su proceso
de fabricación. Aunque bien utilizada, la información obtenida puede ser suficiente.
c) Se requiere más tiempo y conocimiento para planificar y documentar el muestreo,
mientras la inspección al 100% no. Esto tal vez no sea una desventaja, ya que la
planificación genera otros efectos positivos, como mayor conciencia de los niveles de
calidad exigidos por el cliente,
2.10. EJEMPLO DE MUESTREO DE ACEPTACION
Determinar la curva OC para un plan de muestreo simple con un tamaño de muestra, n = 300 y un
número de aceptación, c= 5. Aceptando una probabilidad de aceptación como la que se muestra
en la tabla siguiente:
(31)
Realizando la representación gráfica. En el eje de ordenadas representamos el valor de la calidad
de entrada, p y en el eje de abscisas la probabilidad de aceptación, Pa , obtenemos la Curva OC
En los sistemas de muestreo para aceptación se emplean mucho los términos defectivo y defecto.
Una unidad defectuosa es la que no cumple con las especificaciones en algún aspecto, o sea tiene
uno o más defectos. Un defecto es una falta de conformidad con alguna especificación. Cuando
hablamos del porcentaje de unidades defectuosas suponemos que si es totalmente defectuosa, el
número de defectos no tiene importancia. Los defectos pueden ser independientes o estar
correlacionados positiva o negativamente. Resulta conveniente mantener registros de todos los
defectos posibles. Los defectos se pueden clasificar como:
(32)
Mayores: Vuelven inútil el artículo
Menores: Hacen el artículo menos útil de lo que debería ser pero no necesariamente
inútil.
Crítico: Vuelven al artículo no solamente inútil sino peligroso.
Se toma una muestra aleatoria del lote y a cada unidad de la muestra de la mide una
características de calidad de tipo continuo Con las mediciones se calcula un estadístico, que
generalmente está en función de la media, la desviación estándar muestra y las especificaciones, y
dependiendo del valor de este estadístico al compararlo con un valor permisible, se aceptará o
rechazará todo el lote.
En los planes de muestreo de aceptación por Variables se especifican el número de artículos que
hay que muestrear y el criterio para juzgar los lotes cuando se obtienen datos de las mediciones
respecto a la característica de calidad que interesa.
(33)
Estos planes se basan generalmente en la Media y Desviación estándar muéstrales de la
característica de calidad. Cuando se conoce la distribución de la característica en el lote o el
proceso, es posible diseñar planes de muestreo por Variables que tengan riesgos especificados de
aceptar y de rechazar lotes de una calidad dada.
Se puede obtener de la misma curva característica de operación con un tamaño muestral menor
que lo requerido por un plan de muestreo por atributos. Cuando se utilizan pruebas destructivas,
el Muestreo por Variables es particularmente útil para reducir los costos de inspección. Los datos
de mediciones proporcionan normalmente más información sobre el proceso de manufactura o el
lote que los datos de Atributos.
Ejemplos:
Muestreo simple:
Tamaño de la muestra: 125;
Número de aceptación: 3 defectivos;
Número de rechazo: 4 defectivos.
Procedimiento: Se toman 125 unidades, si hay 3 defectivos o menos se acepta el lote. Si hay 4 o
más defectivos se rechaza el lote y se toman las medidas para su disposición (que puede ser
realizar una inspección al 100 % y retirar los defectivos o reenviar al proceso, etc.)
(34)
El plan de muestreo doble es la extensión natural del plan de muestreo simple. Se toma una
muestra de n1 unidades y se observan las unidades defectuosas. Si el número de defectuosos
no excede el número de aceptación c1 se acepta el lote. Si en cambio excede c1 pero no excede
c2 se toma una segunda muestra de tamaño n2 y se contabilizan los defectos acumulados de la
primera y segunda muestra. Si este acumulado de unidades defectuosas no excede c2 se
acepta el lote y en caso contrario se rechaza. Notar que si el número de unidades defectuosas
de la primera muestra es mayor a c2 no es necesario tomar una segunda muestra y el lote se
rechaza inmediatamente. El siguiente diagrama resume el procedimiento descrito:
Muestreo Doble Ejemplo Schilling pag. 138. Consideremos un plan de muestreo doble con
parámetros N=120, n1=13, c1=0, r1=2, n2 =13, c2=1, r2=2. Consideramos un nmuestreo tipo B
(dist. Binomial), con una proporción de defectuosos p=.18 a). Grafique la Curva OC
correspondiente. Considerando un tamaño de lote 200. b). Grafique también las curvas ASN y ATI.
(35)
2.15. PLAN DE MUESTREO MULTIPLE
es una extensión del concepto de muestreo doble, esto es, aquí se toma una muestra inicial muy
pequeña, y si ya se tiene evidencia de muy buena o muy mala calidad se toma la decisión en
consecuencia, si no es así, se toma una segunda muestra y se trata de decidir; si todavía no es
posible se continúa con el proceso hasta tomar la decisión de aceptar o rechazar el lote.
Consideremos un lote de tamaño de N=3.000 unidades sobre el cual queremos realizar un
muestreo múltiple que tiene las siguientes características: (n1,c1)=(7,1), (n2,c2)=(50,2),
(n3,c3)=(80,3). El porcentaje histórico de unidades defectuosas en lotes de similares características
ha sido de un p=4%. Se desea estimar la probabilidad de aceptación del lote.
(36)
Como primer paso construimos un diagrama que muestre las distintas combinaciones que
permiten aceptar un lote luego de ser expuesto al plan de muestreo descrito. En este caso en
particular el diagrama es el
siguiente:
Para estimar la probabilidad de aceptación del lote en el caso de la primera muestra se utiliza la
Distribución Binominal. En el caso de la segunda muestra se utiliza la Distribución de Poisson. En el
caso de la tercera muestra se utiliza la Distribución de Poisson. Las condiciones que permiten
seleccionar dichas distribuciones se describen en la sección de muestreo simple.
La Probabilidad de Aceptación del Lote queda definida por la siguiente expresión donde Pp se
refiere a una probabilidad obtenida a través de la Distribución de Poisson y Pb una probabilidad
obtenida con la Distribución Binominal:
(37)
FORMACIÓN DE LOTE Y SELECCIÓN DE LA MUESTRA
La formación de un lote puede influir en la eficacia del plan del muestreo de aceptación. A
continuación se enuncian tres recomendaciones típicas para formas lo lotes, aunque una de ellas
se debe ver con reserva.
Los lotes deben ser homogéneos, es decir, las unidades que forman un lote en particular
deben haber sido fabricadas bajo condiciones similares en cuanto a: máquinas,
operadores, materia prima, tiempo (fechas), etc. cuando el lote forma mezclando
unidades de diferentes fuentes, al muestreo de aceptación no funciona tan efectivamente
como se debe.
Los lotes deben ser formados de tal manera que no compliquen el manejo de materiales
de proveedor y del cliente. Todos los artículos de los lotes deben ser empaquetados y
embarcados con un mínimo de riesgo y de tal forma que la selección de unidades de la
muestra sea relativamente fácil.
Con las reservas del caso, los lotes deben ser tan grande como sea posible. Esto debido al
menor costo y mayor eficiencia de la inspección, ya que con lotes grandes es necesario
inspeccionar menos proporcionalmente que con los lotes pequeños, y además los planes
resultantes a partir de tamaños de lote grande tienen una mayor capacidad de detectar
los lotes de mala calidad.
Selección de muestra
Todos los planes de muestreo de aceptación basan su funcionamiento en que las unidades
seleccionadas para la inspección sean representativas de todo el lote. De aquí que la selección de
las unidades que forman la muestra debe hacerse aplicando un método de muestreo aleatorio. La
técnica de muestreo es muy importante y la que a menudo se sugiere en el muestreo aleatorio
simple, en la que se asigna un número a cada artículo del lote. Entonces entre 1 y el número
máximo de unidades en el lote se selecciona aleatoriamente n números. Esta sucesión de números
aleatorios determina cuales artículos constituyen la muestra. Si los productos están seriados o
tienen un código de números, estos pueden ser utilizados para desarrollar el muestreo aleatorio.
(38)
CONCLUSIONES
Se definió el muestreo.
Se dio a conocer las aplicaciones sobre muestreo para un mejor aprendizaje acerca del
tema.