MUESTREO DEL TRABAJO.
El muestreo de trabajo es una
técnica que se utiliza para investigar las proporciones del tiempo total
dedicada a las diversas actividades que componen una tarea, actividades o
trabajo, mediante muestreo estadístico y observaciones aleatorias, el
porcentaje de aparición de determinada actividad. Los resultados del muestreo
sirven para determinar tolerancias o márgenes aplicables al trabajo, para
evaluar la utilización de las máquinas y para establecer estándares de
producción entre otras aplicaciones.
Cuando nace la necesidad de
conocer la duración y porcentaje del tiempo total de trabajo dedicado a las
diversas actividades que comprende una tarea dentro de la empresa es necesario
poder aplicar algún método de medición del trabajo.
Uno de los métodos para calcular
el trabajo es el estudio de tiempos en el cual como ya sabemos un observador
estudia ciertas operaciones durante un largo periodo, registra la duración, el
motivo de la observación y toma una muestra relativamente pequeña que puede
ocasionar resultados con sesgo o poca precisión
Antecedentes históricos del
Muestreo del Trabajo
El desarrollo del muestreo de
trabajo como técnica de medición del trabajo se remonta al año 1935, cuando
tippet sugirió la aplicación de las observaciones instantáneas para hacer
estudios de tiempos de hombres y maquinas.
En 1946 Morrow le dio un uso más
general con el propósito fundamental de identificar las demoras que afectaban a
los trabajos. Desde entonces la técnica ha sido más desarrollada y refinada.
Con muestreo nos referimos a una técnica
estadística que consiste tomar un conjunto de elementos representativo de una
población con el objetivo de estudiarlos y obtener conclusiones que se puedan
extrapolar para toda la población.
George Kanawaty lo define en introducción al
estudio del trabajo (1955) de la siguiente manera:
El muestreo del trabajo
(también conocido como muestreo por actividades o control estadístico de
actividades) es una técnica para determinar, mediante muestreo estadístico y observaciones
aleatorias, el porcentaje de aparición de determinada actividad.
Lo hacemos para que cuando queramos determinar el
tiempo productivo e inactivo de las máquinas en un centro de trabajo, no
tengamos que estar tiempo completo observando el funcionamiento de las maquinas
anotando el momento y causa de una interrupción, en cambio podemos realizar N
recorridos en la fábrica de manera aleatoria registrando las maquinas que
funcionan, las que se detienen y las causas por las que lo hacen.
De esta manera, cuando el tamaño de la muestra es
representativo de la población y las observaciones se realizan al azar, podemos
considerar bajo cierto nivel de confianza que las observaciones son un reflejo
de la situación real en la fábrica.
CONCEPTOS GENERALES DEL MUESTREO
DEL TRABAJO.
Población:
Son las unidades en conjunto, las
cuales tienen una o más características en común. Es la totalidad del universo
que se desea estudiar y por ello es importante que esté bien delimitado y
definido, la población se clasifica en teórica y estudiada.
La población teórica es aquella
donde se desean extrapolar los resultados al conjunto de elementos, la
población estudiada representa a los elementos a los cuales puede accederse
durante el estudio.
Muestra:
La muestra debe ser
representativa y para ello debe reflejar las características importantes
encontradas en la población. Los resultados que se desean estudiar puede
clasificarse como variable discreta o continua, siendo discreta valores que
pueden ser clasificados y continua los valores que no pueden clasificarse con
tanta facilidad. Para que el estudio de una muestra sea válido para la
población, se requiere:
Homogeneidad: a lo largo de toda
la muestra se cuenta con las mismas proporciones y características que las de
la población en los aspectos que influyen sobre la variable que se estudia.
Representatividad: La muestra ha
de ser un modelo representativo de la población.
Para poder determinar el tamaño
de la muestra, es decir la cantidad de elementos ¿cuántos individuos necesito para poder
generalizar resultados? que se estudiarán de la población lo cual se entenderá
como muestra, es necesario comprender los siguientes conceptos.
Parámetro: ciertos datos que se
obtienen de la población.
Estadístico: datos obtenidos de
la muestra lo cual se generaliza sobre la población.
Criterios de delimitación:
selección del aspecto a estudiar de la población como el lugar, tamaño de
población o temporalidad.
Error de muestreo: es una
imprecisión que se realiza en el momento de seleccionar o estimar un parámetro.
Es la diferencia entre el estadístico y su parámetro, siempre se cometerá un
error el error de muestreo da una noción de cuánto se aleja un valor de la
realidad, la única forma de no cometer errores es por medio del censo completo.
Error de sesgo: imprecisión
debido a la recolección o interpretación incorrecta de datos que no representan
la realidad.
Nivel de confianza: representa la
probabilidad de que el resultado obtenido sea real o que capte el verdadero
valor del parámetro.
Desviación estándar: medida de
dispersión de un conjunto de datos. Informa sobre la variación de los datos
respecto de la media.
Varianza poblacional: en el
momento en que la población es homogénea la variación entre los resultados
disminuye así como el número de elementos que debe estudiarse de la población,
en otras palabras disminuye el tamaño de muestra. Indica la variabilidad de la
característica que se estudia.
El método de muestreo de trabajo
es otra herramienta que permite al analista de estudio de tiempos obtener los
datos de manera más rápida y fácil.
El muestreo de trabajo calificado
por ejecución es especialmente útil para determinar la cantidad de tiempo que
puede ser asignada por retrasos inevitables, suspensiones de trabajo, etc. En
resumen, deben tenerse presentes las siguientes consideraciones: Explicar y
lograr la aceptación del método de muestreo de trabajo antes de utilizarlo.
Limitar los estudios individuales
a grupos similares a máquinas u operaciones
Utilizar un tamaño de muestra lo
más grande posible
Efectuar observaciones
individuales en momentos al azar
Realizar las observaciones en un
período razonablemente largo. Tipos de Muestras:
Hay dos principios alternativos
que pueden seguirse cuando se elige una muestra:
Muestra aleatoria, en que el azar
determina que elementos se seleccionan (Figura 1),
Muestra no aleatoria, en que el
investigador deliberadamente elige los objetos que han de ser estudiados
(Figura 2).
Muestra aleatoria.
El principio de la selección de
los elementos en una muestra aleatoria es el mismo que cuando se reparten la
baraja. Todos los objetos de la población tienen iguales probabilidades de ser
seleccionados en la muestra. Esta probabilidad es llamada razón de muestreo
(sampling ratio en inglés), y es igual al número de elementos de la muestra
dividido por el número de la población.
Hay métodos alternativos para
crear una muestra aleatoria (en otras palabras, una "muestra de
probabilidad"):
Muestra aleatoria simple: La
muestra se extrae a suertes, por ejemplo sacando papeletas numeradas de un
sombrero. Trabajar con papeletas es laborioso si la población es amplia. Pero
si tenemos la población en un fichero de ordenador, el trabajo será fácil.
Muestra sistemática: Si la razón
que se pretende es 1/n, empezamos escogiendo el primer elemento al azar entre
los primeros n objetos de la población, y tras ello extraemos cada n-avo
objeto. Esto es conveniente si tenemos una lista de objetos de la población.
Muestra aleatoria ponderada:
Cuando la población incluye un grupo muy pequeño pero esencial, hay el riesgo
de que ningún miembro de ese grupo quede dentro de una muestra aleatoria. Para
evitar esto, podemos incrementar deliberadamente la razón de la muestra sobre
este grupo de especial importancia.
Por supuesto que esto generará un
desequilibrio en las mediciones que se obtengan a partir de la muestra
ponderada, pero será fácil restaurar el equilibro original. Esto se hace así
cuando se combinan los resultados; por ejemplo, al calcular la media de todas
las mediciones daremos a las mediciones de cada grupo su peso apropiado
correspondiente a los porcentajes genuinos en la población.
Muestras no aleatorias:
Si consideramos que no precisamos
cifras exactas sobre la representatividad estadística de nuestros resultados,
podríamos plantearnos el usar una muestra no aleatoria (o "no
probabilística"), lo que significa que elegiremos a voluntad nuestra.
Podemos considerar que esto puede ayudarnos a obtener los elementos que necesitamos
estudiar directamente y, además, actuar sin los tediosos procesos de selección
aleatoria y verificación estadística.
Sin embargo, hay una desventaja:
corremos un gran riesgo de obtener demasiado sesgo en la muestra. No seremos
capaces siquiera de advertir la presencia, y menos aún la cantidad, de sesgo si
hacemos personalmente la selección de la muestra. Y la presencia de sesgo puede
hacer imposible generalizar nuestros resultados.
Un modo de reducir el sesgo hasta
cierto punto es dejar a otra persona o grupo la selección de los elementos.
Entre los tipos comunes de
muestras no aleatorias se incluyen,
Una muestra de "casos
típicos" o los "mejores" casos son algo bastante tradicional en
historia del arte: estudiamos solamente los "grandes maestros". La
idea es que éstos representan lo más auténtico de su época. Tal selección
deliberada por parte del investigador tiene no obstante riesgos serios, que se
tratan en el punto Delimitar el objeto de estudio.
Muestra de conveniencia. Un grupo
existente, por ejemplo la gente en una reunión, podría ser designado como
muestra. Este es un método fácil y barato, pero el sesgo suele ser imposible de
estimar. El método es popular en las demostraciones de cursos sobre métodos,
pero raramente usado en la investigación profesional.
Hay dos cuestiones que
plantearse:
¿Es cierto que todos los miembros
de la población concernida tenían las mismas oportunidades de ser incluidos en
la muestra?
Por definición, los voluntarios
difieren de la media de la población en su mayor actividad. La cuestión crucial
entonces es ¿difieren del resto de la población también en otros aspectos?.
Muestra de voluntarios es creada
cuando todos los miembros de la población tienen la oportunidad de participar
en la muestra. Un ejemplo es la respuesta voluntaria de los clientes que llega
a una empresa; igualmente, las respuestas que un investigador recibe a un
anuncio en un periódico pidiendo a la gente sus opiniones.
Una muestra de voluntarios suele
ser una alternativa bastante sensata; no obstante, el investigador debe
considerar cuidadosamente los riesgos de sesgo.
Muestra-bola de nieve. Cuando se
entrevista a miembros de un grupo, podemos pedir a las personas que nos
indiquen otros individuos en ese grupo que estén en la mejor posición para dar
información sobre ese tema; podríamos también pedirles que nos indicasen
personas que compartan sus puntos de vista y también otras que sean de opinión
opuesta. Entonces entrevistaremos a nuevos individuos y continuaremos del mismo
modo hasta que no obtengamos nuevos puntos de vista de nuevos entrevistados.
Este es un buen método por ejemplo para recoger los distintos puntos de vista
existentes en un grupo, pero su inconveniente es que no obtenemos una idea
exacta de la distribución de las opiniones.
Tamaño de la muestra:
Muestras aleatorias:
Teóricamente, podemos calcular el
tamaño requerido de la muestra sobre la base de:
El número y tipo de variables y
El nivel deseado de
representatividad estadística.
Hay que hacer notar que las
poblaciones amplias sólo requieren en casos excepcionales unas muestras mayores
que las poblaciones pequeñas. Algunos centenares de casos casi siempre son
suficientes.
Las formulas para el cálculo son
exactas pero algo engorrosas de usar por las muchas alternativas que
intervienen; por ese motivo no se presentan aquí. En proyectos importantes con
amplios recursos se suele consultar a un estadístico para los cálculos.
En un proyecto de investigación
con recursos limitados, la regla general es: usar una muestra tan amplia como
nos podamos permitir.
Recuérdese también que es inútil
incrementar el tamaño de la muestra si el principio de muestreo está sesgado.
La muestra añadida simplemente estará igual de sesgada.
Muestras no aleatorias:
No hay fórmula para determinar el
tamaño de una muestra no aleatoria. Con frecuencia, especialmente en
investigación cualitativa, podemos simplemente ampliar gradualmente nuestra
muestra y analizar los resultados según llegan. Cuando en casos nuevos ya no se
presenta información nueva, podemos concluir que nuestra muestra está saturada,
y terminaremos el trabajo. Este método es, sin embargo, muy vulnerable al
muestreo sesgado, con lo que tenemos que ser muy cuidadosos y asegurarnos que
no omitimos a ningún grupo de nuestra población.
Antes de decidir el tamaño de una
muestra no aleatoria, tal vez queramos leer cómo debe ser evaluada la
representatividad de los resultados a partir de una muestra no aleatoria. De
otro modo podríamos sufrir una sorpresa bastante desagradable cuando estemos
intentando, demasiado tarde, definir la población en que nuestros resultados
puedan ser declarados válidos.
Para calcular el tamaño de una
muestra hay que tomar en cuenta tres factores:
El porcentaje de confianza con el
cual se quiere generalizar los datos desde la muestra hacia la población total.
El porcentaje de error que se
pretende aceptar al momento de hacer la generalización.
El nivel de variabilidad que se
calcula para comprobar la hipótesis.
La confianza o el porcentaje de
confianza es el porcentaje de seguridad que existe para generalizar los
resultados obtenidos. Esto quiere decir que un porcentaje del 100% equivale a
decir que no existe ninguna duda para generalizar tales resultados, pero
también implica estudiar a la totalidad de los casos de la población.
Para evitar un costo muy alto
para el estudio o debido a que en ocasiones llega a ser prácticamente imposible
el estudio de todos los casos, entonces se busca un porcentaje de confianza
menor. Comúnmente en las investigaciones sociales se busca un 95%.
El error o porcentaje de error
equivale a elegir una probabilidad de aceptar una hipótesis que sea falsa como
si fuera verdadera, o la inversa: rechazar a hipótesis verdadera por
considerarla falsa. Al igual que en el caso de la confianza, si se quiere
eliminar el riesgo del error y considerarlo como 0%, entonces la muestra es del
mismo tamaño que la población, por lo que conviene correr un cierto riesgo de
equivocarse.
Comúnmente se aceptan entre el 4%
y el 6% como error, tomando en cuenta de que no son complementarios la
confianza y el error.
La variabilidad es la
probabilidad (o porcentaje) con el que se aceptó y se rechazó la hipótesis que
se quiere investigar en alguna investigación anterior o en un ensayo previo a
la investigación actual. El porcentaje con que se aceptó tal hipótesis se
denomina variabilidad positiva y el porcentaje con el que se rechazó se la
hipótesis es la variabilidad negativa.
Suponga que estamos
investigando sobre el porcentaje de alumnos que trabajan de una población de 20
alumnos de la Universidad de Talca. 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.
Respuesta: Primero:
Asignamos número a cada alumno del 1 al 20
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:
P= n de personas que
trabajan/n=7/20=0.35 o 35%
El Estadístico es el
porcentaje de alumnos que trabajan en la muestra de tamaño n=4 alumnos, es
decir:
P= n de personas que trabajan/n=3/4=0.75
o 75%
c. Elija una muestra
estratificada de tamaño n=4 de esta población. Use la tabla de números
aleatorios, en cada alternativa empiece en la fila 1 columna 1 y continúe
seleccionando hacia la derecha. Indique los pasos para elegir la muestra.
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.
Los números elegidos
son: 10 y 1. Por lo tanto la muestra del estrato de hombres queda constituida
por Fabián y Juan. Fabián NO trabaja y Juan SI trabaja.
Usando la tabla de números aleatorios, se
elige una muestra aleatoria simple de tamaño n=2 de las mujeres, buscando
números del 1 al 8. Se parte de la fila 1 columna 1. Se usa un dígito.
Los números elegidos
son: 1 y 4.
Por lo tanto, la muestra
del estrato de mujeres queda constituida por Alicia y Fernanda. Alicia y
Victoria NO trabajan.
Por lo tanto, la
muestra final queda constituida por Fabián, Juan, Alicia y Fernanda.
Finalmente, la proporción de alumnos que trabaja en la muestra estratificada es
de 25%.
Referencias
Referencias
Niebel, B. W. (2014). ingenieria industrial de nievel
metodos, estandares y diseño del trabajo. Mexico D.F.: Mc Graw Hill.
Niebel, B. W. (2014). ingenieria industrial de nievel
metodos, estandares y diseño del trabajo. Mexico D.F.: Mc Graw Hill.
Niebel, W. B., & Freivalds, A. (2004). Ingeniería
Industrial. México: Alfaomega.
W., N. B. (2009). Ingenieria industrial; Métodos,
estándares y diseños del trabajo. Mexico: Mc Graw Hill.
