Es un método o técnica para:

• Analizar el trabajo mediante un gran

números de observaciones en tiempos
aleatorios.

• Investigar las proporciones del tiempo

total que se dedican a las diferentes
actividades que constituyen una tareas o
una situación de trabajo.
¿Para que se usa?
- Determinar la utilización de maquina y
el operario.
- Determinar las holguras o suplementos.
(N° Total de ocurrencia de inactividad / N° total observaciones de trabajo)

- Establecer estándares de tiempo.

Ventajas sobre procedimientos tradicionales.
- No requiere observación continua del analista.
- Se reduce el tiempo de trabajo de analista.
- El operario no estás sujeto a largos períodos de
observaciones cronometradas.
- Un solo analista puede estudiar con facilidad las
operaciones de un grupo.
 Ley fundamental de probabilidad: en un instante dado, un evento
puede estar presente o ausente.

la probabilidad de x ocurrencias de tal evento en n observaciones

P (x) =𝑋! 𝑛−𝑋 ! 𝑝 𝑥 𝑞𝑛−𝑥
𝑛!

 Donde: p = probabilidad de una sola ocurrencia.

q = 1-p = probabilidad de una ausencia de ocurrencia.
n = número de observaciones.
 La distribución de estas probabilidades se conoce como
distribución binomial con Ẋ = np y 𝑠 2 = npq.
 Cuando n aumenta, la distribución binomial se aproxima a la
distribución normal. Por ende en el muestreo de trabajo al
involucrar tamaño de muestras grandes, la distribución normal es
una aproximación satisfactoria a la binomial.
 𝑝𝑞
 Donde hay una µ = p y 𝜎p = 𝑛

 Para aproximar la distribución binomial, se usa la variable Z como entrada a la distribución normal y
toma la siguiente forma
ῤ −𝑝
z = 𝑝𝑞
𝑛

 A partir de la teoría elemental de muestreo se sabe que no es posible esperar que el valor de ῤ de
cada muestra sea el valor verdadero de p. Sin embargo, se espera que la ῤ de cualquier muestra esté
dentro del intervalo p± 1,96 desviaciones estándar aproximadamente 95 % de las veces (intervalo de
confianza).

 Es decir, Si p es el porcentaje verdadero de una condición dada, se puede espera que la ῤ de

cualquier muestra quede fuera del intervalo p± 1,96 desviaciones estándar sólo alrededor de 5
veces de cada 100 debido a las probabilidades.

 En el caso practico p no se conoce, se puede estimar a partir de ῤ (proporción de la muestra) y

determina el intervalo dentro del que se encuentra p, con los limites de confianza.

𝑝𝑞
ῤ - 1,96
𝑛
< 𝒑 < ῤ + 1,96
𝑝𝑞
𝑛

Estos limites implican que el intervalo definido

contiene p el 95 % confianza, pues z se ha
seleccionado con un valor 1,96
 (1 – α)100%

• Si el muestreo realizado ha sido realmente aleatorio el 68,27 %, de las observaciones

estarán comprendidas entre Ẋ ± 1 𝜎𝜌 .
• Si el muestreo realizado ha sido realmente aleatorio el 95,45 %, de las observaciones
estarán comprendidas entre Ẋ ± 2 𝜎𝜌 .
• Si el muestreo realizado ha sido realmente aleatorio el 99,73 %, de las observaciones
estarán comprendidas entre Ẋ ± 3 𝜎𝜌 .
Grado de confianza que inspiran
las observaciones
 ¿Para qué sirve esa Teoría?

p = % verdadero de ocurrencia del elemento que se observa.

𝜎p =
𝑝𝑞
q = % verdadero de no ocurrencia del elemento que se observa.
𝑛
n = número total de observaciones aleatorias en las que se basa p.

Con base en el concepto de intervalo de confianza, se considera al termino Z2α/2 𝜎p

como el limite aceptable del error E, con un error de confianza de (1 –α)100%,

𝑝𝑞 Estimar LCI – LCS, para

Donde 𝐸 = Zα/2𝜎= Zα/2 Gráficos de Control
𝑛

𝑝𝑞
𝐿𝐶 = 𝑝 ± 3𝜎 = 𝑝 ± 3
𝑛

Estimar el tamaño de 𝑧2𝑝𝑞 𝑝𝑥𝑞

n= ó 𝑛=
muestra 𝐸2 𝜎𝑝2
Supongamos que un estudio preliminar y aleatorio, de 100
observaciones, se dedujo que las maquinas estaban paradas el
25% del tiempo y en marcha el restante 75%. Calcular el valor
de n, con un nivel de confianza del 95 % con un margen de
error de 10% (es decir que tenemos confianza que en nuestros
cálculos el 95 % de los casos corresponderán a ± 10 % del valor
real).
𝑝𝑞
 𝜎p =
𝑛
donde 𝜎p = error estándar de la proporción.
p = porcentaje de tiempo inactivo
q = porcentaje de tiempo marcha
n = número de observaciones o tamaño de muestra a determinar

Al nivel de confianza de 95 %
1,96 𝜎p = 10
𝜎p = 5,10
𝑧2𝑝𝑞 1,962 75 𝑥 25
𝜎p =
𝑝𝑞 75 𝑥 25
𝑛= 5,102 = 72 observaciones 𝑛 = 𝐸2 𝑛 = = 72 observaciones
102
𝑛
 𝑁 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
Promedio de muestra por día = =
𝑑í𝑎𝑠 𝑑𝑒 𝑒𝑠𝑡𝑢𝑑𝑖𝑜𝑠
1. Seleccionar el trabajo que se estudiará y determinar el objetivo de las
observaciones. Por ejemplo:
- Si la maquina está parada o en macha.
- Determinar la causa de la parada, por ejemplo si está en
reparación, en espera de suministro, necesidades personales,
inactiva, etc.
- Podemos determinar el porcentaje de tiempo dedicado a cada
actividad cuando la máquina está en marcha. Por Ejemplo,
Maquina en marcha, por estar dedicada en corte, taladro,
limado.
2. Efectuar una observación preliminar para determinar los valores
aproximados de p y q.
3. Determinar, en base al nivel de confianza y el grado de precisión
seleccionados, el n de observaciones requeridas.
4. Determinar la frecuencia de las observaciones utilizando tablas de número
aleatorios. Es decir desarrollar el plan de muestreo .
5. Preparar hojas de registros conforme a los objetivos del estudio.
Etapa
1y2
11, 38, 45, 87, 68,
20,11,26, 49, 05

14, 15, 47, 22

11, 38, 45, 14, 15,

20,47,26, 22, 05
 5 x 10 min = 50 min
(5 - 11) x 10 min = 60 min
(5 - 11) x 10 min = 30 min

Cifras seleccionadas Clasificamos por

de tabla de n° orden creciente
aleatorio
1. El analista debe tomar un gran número de
observaciones aleatorias. El porcentaje del total
de observaciones en las que el operario está
trabajando se aproxima al porcentaje del
tiempo total de ese estado.

2. El tiempo observado para un elemento dado se

calcula a partir del tiempo de trabajo dividido
entre el número de unidades producidas
durante ese tiempo.
𝑇 𝑛𝑖 Donde: T= tiempo total
TO = x ni= números de ocurrencias para el elemento i.
𝑃 𝑛
n = número total de observaciones.
P = Producción total por período estudiado
 Ŕ
2. TN = TO x
100

Donde , Ŕ = 𝑡𝑎𝑠𝑎 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑑𝑒𝑠𝑒𝑚𝑝𝑒ñ𝑜 = σ 𝑅/𝑛

3. TE = TN x (1 + holgura)

𝑂𝑏𝑣. 𝐷𝑒𝑚𝑜𝑟𝑎𝑠 𝑜 𝐼𝑛𝑡𝑒𝑟𝑓𝑒𝑟𝑛𝑐𝑎𝑖𝑎𝑠

Donde, ℎ𝑜𝑙𝑔𝑢𝑟𝑎 = 𝑂𝑏𝑣. 𝑇𝑟𝑎𝑏𝑎𝑗𝑎𝑛𝑑𝑜
x 100 %
a) Se evaluará el índice de resistencia a la rotura de un determinado tipo de elástico.
Distribución Normal con parámetros µ y σ2

- Se calculó la media muestral a partir de las observaciones obtenidas:

280+240+270+285+270
µ= 269 =
5

- La desviación típica estándar, tal como indica el problema, es de σ = 15, 6

- Se calcula la probabilidad de que la media µ se encuentre dentro del intervalo con una
confianza del 95 %

Tenemos, por lo tanto que:

1-α= 0,95
α= 0,05
α2= 0,025

𝛼 1+0.95 𝛼
Por tabla, vemos que 𝑍 = = 0.975 => Z = 1.96
2 2 2

𝛼 𝜎 𝛼 𝜎
P(X-𝑍 . σ/ ≤µ≥ X+𝑍 . σ/ ) = 0,95
2 𝑛 2 𝑛

15.6 15.6
269 − 1.96 * ≤ µ ≥ 269 + 1.96 *
5 5

269 - (1,96.6,97) ≤ µ ≥ 269 +(1,96.6,97)

El intervalo de la media es: 255,33 ≤ µ ≥ 282,66

b) Se calculará el tamaño de la muestra con un error de 5 kg para establecer si
es necesario utilizar una muestra de 30 elásticos

Consideraremos a E como el error:

𝑝𝑞
E= | X - µ | = 5 𝐸 = Zα/2𝜎= Zα/2 𝑛

Y se calculará N de la siguiente manera:

𝑧∗σ 2
N = [ ]
𝐸

1,96 ∗15,6 2
N= [ ] = 38
5

El resultado de 38 elásticos es superior a los 30 del problema, por lo que esta

medida se considera insuficiente, y serán necesarios 8 elásticos más si se
desea el error mencionado.
Ejemplo:

El encargado del departamento de producción de una fábrica recibe

un lote de 2000 piezas necesarias para el montaje de un artículo. El
fabricante de las piezas asegura que en este lote no hay más de 100
piezas defectuosas.

a) ¿Cuántas piezas hay que examinar para que, con un nivel de

confianza del 95%, el error que se cometa en la estimación de la
proporción de piezas defectuosas no sea mayor que 0.05?

b) Si se toma una muestra de 100 piezas elegidas al azar y se

encuentran 4 defectuosas, determinar un intervalo de confianza para
la proporción de defectuosas al nivel del 95%
El lote de 2000 piezas, según el fabricante, contiene 100 piezas que son
defectuosas, por lo tanto para calcular la proporción de piezas defectuosas,
haremos:

a)

100
ῤ= = 0,05
2000

q = 1- p = 0,95

Considerando: un error E de 0,05 y un nivel de confianza del 95 %, es decir

1 – 𝛼 = 0.05 y Z𝛼 = 1.96
2

Se calculará el tamaño de la muestra

E= 𝑝 − 𝑃 = 0,05

𝑧2 𝑝 𝑞
N= 𝐸2 = 1,962 x 0,05 x 0,95
0,052
= 73 piezas
b) Se tiene un nuevo lote de piezas, el cual es de n= 100 piezas, y que
contiene en total 4 piezas defectuosas, por lo que :

ῤ = 4/100 = 0.04

√𝑝(1−𝑝) √𝑝(1−𝑝)
LC = [ ῤ − 𝑧𝛼/2 * 𝑛
≤ ῤ ≥ + 𝑧𝛼/2 * 𝑛
] =

0,04 (1−0,04) 0,04 (1−0,04)

LC = [ 0.04 − 1.96 𝑥 ≤ ῤ ≥ 0.04 + 1.96 x
100 100

LC = 0.00159 ≤ 𝑝 ≥ 0.078

El fabricante aseguraba que la proporción de defectuosos en el lote era de

0.05 ∈ (0.00159 ; 0.078).

Puesto que esta afirmación no contradice los resultados que hemos

encontrados en la muestra analizada, decidimos confiar en el fabricante y
aceptamos el lote.