Vous êtes sur la page 1sur 15

UNIVERSIDAD NACIONAL DEL CALLAO

Facultad de Ingeniería Química

OPTIMIZACION DE LOS COSTOS DE MUESTREO EN LA MANUFACTURA DE


SHAMPOO Y ACONDICIONADOR

Integrantes:

 Arce Quispe Robinson Fabián


 Cotrina Guevara Niguer Percy
 Mena Juarez Iván Francisco
 Palomino Sotelo Keyla
 Taya Quispe Elizabeth
 Vasquez Ccollqque Nathaly Estefany

Docente:

CALLAO-PERÚ
INTRODUCCION
En el presente trabajo se trata de identificar el problema, las causas y objetivos en
el artículo que nos tocó leer. Dicho artículo trata sobre reducir costos de producción
y maximizar las ganancias, ya que a la hora de control del control de calidad se
produce una pérdida significativa. También mostraremos si en el Perú hay un tipo
de articulo con el mismo problema y si no lo hubiese identificaríamos si es factible
realizar dicho trabajo.

Este articulo está enfocada en la región geográfica llamada ‘Bajío’ dentro de


territorio mexicano. Esta región está localizada justo en el centro del país, dentro
del triángulo industrial de las tres ciudades más grandes de México: Ciudad de
México, Guadalajara y Monterrey.
OBJETIVOS

• Reducción de las pérdidas económicas en la producción por la toma de muestra.


• Evitar la pérdida de tiempo en elaborar más productos que serán desechados
en la toma de muestras.
• Reducir el número de muestras con el fin de optimizar costos a través de la
validación, manteniendo la estabilidad de las variables críticas (temperatura,
tiempo, Ph, etc) dentro del proceso de producción del shampoo y
acondicionador.
• Tomar muestras de diferentes lotes de producción durante un año en 315
botellas para identificar
MARCO TEORICO
DEFINICIONES

COSTOS DE PRODUCCION

Los costos de producción (también llamados costos de operación) son los gastos
necesarios para mantener un proyecto, línea de procesamiento o un equipo en
funcionamiento. En una compañía estándar, la diferencia entre el ingreso (por ventas y otras
entradas) y el costo de producción indica el beneficio bruto.

Esto significa que el destino económico de una empresa está asociado con: el ingreso (por
ej., los bienes vendidos en el mercado y el precio obtenido) y el costo de producción de los
bienes vendidos. Mientras que el ingreso, particularmente el ingreso por ventas, está
asociado al sector de comercialización de la empresa, el costo de producción está
estrechamente relacionado con el sector tecnológico; en consecuencia, es esencial que el
tecnólogo pesquero conozca de costos de producción.

El costo de producción tiene dos características opuestas, que algunas veces no están bien
entendidas en los países en vías de desarrollo. La primera es que para producir bienes uno
debe gastar; esto significa generar un costo. La segunda característica es que los costos
deberían ser mantenidos tan bajos como sea posible y eliminados los innecesarios. Esto
no significa el corte o la eliminación de los costos indiscriminadamente.

Por ejemplo, no tiene sentido que no se posea un programa correcto de mantenimiento de


equipos, simplemente para evitar los costos de mantenimiento. Sería más recomendable
tener un esquema de mantenimiento aceptable el cual, eliminaría, quizás, el 80-90% de los
riesgos de roturas. Igualmente, no es aconsejable la compra de pescado de calidad
marginal para reducir el costo de la materia prima. La acción correcta sería tener un
esquema adecuado de compra de pescado según los requerimientos del mercado y los
costos. Usualmente, el pescado de calidad inferior o superior, no produce un óptimo ingreso
a la empresa; esto será analizado posteriormente.

Otros aspectos entendidos como "costos" a ser eliminados (por ej., programas de seguridad
de la planta, capacitación de personal, investigación y desarrollo), generalmente no existen
en la industria procesadora de pescado de los países en vías de desarrollo.
Desafortunadamente en el mismo sentido, los costos para proteger el medio ambiente (por
ej., el tratamiento de efluentes) son en forma frecuente ignorados y, en consecuencia,
transferidos a la comunidad en el largo plazo o para futuras generaciones.

Los costos de producción pueden dividirse en dos grandes categorías: COSTOS


DIRECTOS O VARIABLES, que son proporcionales a la producción, como materia prima,
y los COSTOS INDIRECTOS, también llamados FIJOS que son independientes de la
producción, como los impuestos que paga el edificio. Algunos costos no son ni fijos ni
directamente proporcionales a la producción y se conocen a veces como SEMIVARIABLES.

MUESTREO

La idea es bastante simple. Imagina que queremos saber algo de un universo o


población, por ejemplo, qué porcentaje de los habitantes de México fuma
habitualmente. Una forma de obtener este dato sería contactar con todos los
habitantes de México (122 millones de personas) y preguntarles si fuman. La otra
forma sería seleccionar un subconjunto de individuos (por ejemplo, 1.000 personas),
preguntarles si fuman y usar esta información como una aproximación de la
información buscada. Pues bien, este grupo de 1.000 personas que me
permiten conocer mejor cómo se comportan el total de mexicanos es una muestra,
y la forma en que los seleccionamos es el muestreo.

En la definición anterior hemos introducido dos términos fundamentales a lo largo


de esta serie de posts:

 Universo o población: Es el total de individuos que deseo estudiar o


caracterizar. En el ejemplo anterior es la población de México, pero podemos
pensar en todo tipo de universos, más generales y más concretos. Por ejemplo,
si quiero saber cuánto fuman de media los fumadores de México, el universo en
este caso serían "los fumadores de México".
 Muestra: Es el conjunto de individuos del universo que selecciono para
estudiarlos, por ejemplo a través de una encuesta.
El muestreo es útil gracias a que podemos acompañarlo de un proceso inverso, que
llamamos generalización. Es decir, para conocer un universo lo que hacemos es:
1) Extraer una muestra del mismo.
2) Medir un dato u opinión.
3) Proyectar en el universo el resultado observado en la muestra.

Esta proyección o extrapolación recibe el nombre de generalización de resultados.


La generalización de resultados añade cierto error al mismo. Imagina que tomamos
una muestra al azar de 1.000 personas de México y les preguntamos si fuman.
Obtengo que el 25% de la muestra fuma. La simple lógica nos dice que si de 1.000
mexicanos elegidos al azar el 25% fuma, este dato debería ser indicativo de lo que
obtendríamos si preguntásemos a los 122 millones de mexicanos. Ahora bien, el
azar podría haber hecho que haya escogido para mi muestra más fumadores de lo
que correspondería a la proporción exacta que hay en el universo o, por el contrario,
que en mi muestra los fumadores estén algo infra-representados. El azar podría
hacer que el porcentaje de fumadores en la población fuese algo diferente del 25%
que hemos observado en la muestra (tal vez un 25,2%, por ejemplo). Por lo tanto,
la generalización de resultados de un muestra a un universo conlleva aceptar que
cometemos cierto error, tal y como ilustra el siguiente esquema.
¿Qué tamaño de muestra necesito usar para estudiar cierto universo? Depende
del tamaño del universo y del nivel de error que esté dispuesto a aceptar, tal y
como explicábamos en su día en este post. Cuanta más precisión exija, mayor
muestra necesito. Si quiero tener una certeza absoluta en mi resultado, hasta el
último decimal, mi muestra tendrá que ser tan grande como mi universo.

Pero el tamaño de la muestra tiene una propiedad fundamental que explica por
qué el muestreo se usa tanto en tantos ámbitos del conocimiento. Esta propiedad
podría resumirse como sigue: a medida que estudio universos mayores, el tamaño
de muestra que necesito cada vez representa un porcentaje menor de dicho
universo.

Este fenómeno lo explican de forma muy didáctica en Gaussianos.com, un


interesante blog dedicado a las matemáticas. Supongamos que queremos hacer
una encuesta para saber un porcentaje (podría ser el de gente que fuma) con un
nivel de error determinado, por ejemplo un margen de error del 5% y una
confianza del 95%. Si el universo a estudiar fuese de tan sólo 100 personas, mi
muestra tendría que ser de 79,5 individuos (es decir, 79,5% del universo, lo que
representa un parte muy importante del total del universo). Si el universo fuese de
1.000 personas, mi muestra debería ser de 277,7 personas (27,7% del universo).
Y si mi universo fuese de 100.000 personas, la muestra necesaria sería de 382,7
personas (3,83% del universo).

Tamaño de muestra necesaria para tener un error del 5% con un nivel de confianza
del 95%

Universo Muestra necesaria %

10 10 100%

100 80 80%
1.000 278 27,8%

10.000 370 3,7%

100.000 383 0,38%

1.000.000 384 0,038%

10.000.000 385 0,004%

100.000.000 385 0,0004%


PROCESO DE MANUFACTURA

CONTROL DE COSTOS

DISEÑO BIBLIOGRAFICO:

En este, se les denomina Secundarias a las fuentes a las que recurrimos y entre
ellas tenemos: libros, revistas, folletos, entre otros documentos.

ACTIVIDADES QUE SE RECOMIENDAN EN ESTE TIPO DE DISEÑO

Revisar las diferentes fuentes que serán de utilidad: libros, folletos, revistas,
artículos, periódicos, etc.

Documentarse en las fuentes de que se disponga de modo selectivo, dándoles


prioridad de acuerdo a su importancia.

Recolectar información en fichas ordenadas, clasificadas y debidamente cotejadas

El investigador puede usar cualquier otro sistema que considere conveniente

DISEÑO DE CAMPO

La fuente a la que recurrimos a diferencia del anterior, es la REALIDAD.


DESARROLLO DEL PROBLEMA

En la industria de la fabricación de shampoo y acondicionador se producen perdidas


económicas por la toma de muestras por cada lote de producción ya que los
productos muestreados son desechados, pero es necesario para verificar que los
productos cumplen con los estándares de calidad.

Por lo tanto, ¿Cómo se puede reducir la cantidad de toma de muestras sin que se
vea afectado la calidad del producto y se pueda reducir las pérdidas de la empresa?

¿Cómo se puede reducir los gastos de la toma de muestras sin que se vea afectado
la calidad del producto?

Toma de muestras
Para poder explicar mejor este problema, tienen que saber que en la toma de
muestras los operadores están capacitados para decidir cuantas botellas tomar
durante el lote de producción. Las botellas de la muestra se dividen en defectuosas
y no defectuosas. Como son productos listos para la venta ya cuentan con 5 lotes
consecutivos liberados a cada cliente. Tomando como ejemplo una botella de
shampoo y acondicionador de 400 ml y con un lote de producción de 12 T, el peso
mínimo de la botella es de 392g que equivale al 400 ml aparecido en la etiqueta.
Con estos datos se tiene un lote de 30622 botellas. Este número de botellas
representa 315 unidades, este es el número que se tiene que tomar para el análisis.

Se hacen pruebas físicas y químicas, al momento de analizar dichas botellas se


abre la tapa esta se contamina y ya no puede ser utilizada para el cliente (prueba
destructiva). Costo por manufactura es de $6.30, un lote de 400 ml, cada vez que
se produce un lote de 400 ml se hace una muestra de 315 piezas. Es decir, el
promedio se producen 60 lotes diarios a la semana de los cuales 18 son 400ml,
28350 botellas a la semana. Lo que nos lleva a la perdida por $178.605 semanal.

Posibles soluciones
Para solucionar este problema a través del estudio RyR (repetitividad,
reproducibilidad). Analizar la variable entre método de medición y las distintas
personas e instrumentos de medición que pueden realizar dichas mediciones. El fin
es reducir y continuar la variabilidad de la medición y conseguir la mayor exactitud.
EN PERU

PROPUESTA DE IMPLEMENTACIÓN DE UN METODO DE MUESTREO DE


ACEPTACIÓN PARA MEJORAR LA EFICIENCIA DEL PROCESO DE
INSPECCIÓN VISUAL DE CONSERVAS DE PESCADO

Tesis para optar el Título Profesional de Ingeniero Industrial y Comercial

2016

2.4.1 Teoría Sobre Muestreo

Muestreo de Aceptación (Control Estadístico de la Calidad – Montgomery) El


Muestreo de Aceptación se encarga de la inspección y la toma de decisiones
respecto a los productos. Dentro del Muestreo de Aceptación, hay 3 aspectos
importantes a considerar:

 El propósito del muestreo de aceptación es dictaminar los lotes, no estimar su


calidad. (Montgomery – 2011)

 El muestreo de aceptación no proporciona ninguna forma directa de control de


calidad, solo se limita a aceptar algunos lotes y a rechazar otros. (Montgomery –
2011)

 El muestreo de acepción es una herramienta de auditoria, que permite asegurar


que la salida de un proceso cumpla con los requerimientos, más que para
“inspeccionar la calidad de un producto”. (Montgomery – 2011)

Ventajas del Muestreo de Aceptación (Montgomery – 2011):

 Costos bajos, debido a que hay menor inspección.

 Menor manejo del producto y, por ende, se reducen los daños.

 Menor cantidad de trabajadores participan en las actividades de inspección.

 Reduce en gran medida, la cantidad de errores de inspección.


Definición del plan de muestreo de aceptación Un plan de muestreo de aceptación
se encuentra determinado por los siguientes parámetros:

 Tipo de control realizado (atributo o variable)

 Esquema de muestreo escogido (una o más muestras aleatorias)

 Tamaño de cada muestra o muestras extraídas

 Regla de decisión en base a los resultados provenientes de la muestra o muestras


seleccionadas.

Tipos de planes de muestreo de aceptación

El muestreo de aceptación se clasifica en dos tipos de acuerdo al tipo de


característica observada:

- Muestreo por atributos:

Se presenta cuando, dentro de la inspección de los artículos, estos se clasifican en


defectuosos y no defectuosos de acuerdo a si cumplen determinados
requerimientos. Corresponde a características de la calidad que se expresan en una
base “se acepta o no se acepta”. (Montgomery – 2011)

- Muestreo por variables:

Se refiere a cuando se mida una variable cuantitativa durante la inspección, tal como
longitud, peso o cualquier otra y luego esta variable se evalúa la distancia que existe
entre la cantidad mencionada y la que se requiere en las especificaciones. Se trata
de características de la calidad que se miden en una escala numérica. (Montgomery
– 2011)

De acuerdo al número de muestras que se van a extraer o muestras tomadas,


también se considera la siguiente clasificación:

- Plan de muestreo simple o único:


Se encuentra basado en la toma de una muestra de n individuos tomando la
decisión en base a estos. Se refiere a un procedimiento para dictaminar lotes en el
que se selecciona al azar una muestra de “n” unidades del lote, y el destino del lote
se determina en base a la información obtenida de la muestra. (Montgomery – 2011)

Procedimiento:

a) Seleccionar n artículos, al azar, sin reemplazo de un lote.

b) Si hay c o menos unidades defectuosas en la muestra, el lote se acepta.

c) Si hay más de c artículos defectuosos en el lote, este se rechaza.

Al número c se denomina número de aceptación. Una de los puntos a determinar


es la distribución probabilística discreta del número de defectos X, es decir la
ecuación de la curva OC(p) en la muestra de tamaño n que se ha seleccionado de
un lote de tamaño N con D artículos defectuosos (de modo que p = D/N), los
modelos que se asumen son:

 Distribución hipergeométrica: La función de distribución de X es del modo


siguiente:

𝑂𝐶(𝑝) = Pr(𝑋 ≤ 𝑐 ∖ 𝑝) = ∑ ( 𝑝𝑁 𝑘 ) ( 𝑁 𝑛 − 𝑘 ) ( 𝑁 𝑛 ) 𝑐 𝑘=0 )

 Distribución binomial: En caso que N es muy grande comparado con el tamaño


muestral, por ejemplo n/N < 0.1, 50 puede utilizarse la distribución binomial como
aproximación, La función de distribución de X es del modo siguiente:

𝑂𝐶(𝑝) = Pr(𝑋 ≤ 𝑐 ∖ 𝑝) = ∑( 𝑛 𝑘 ) 𝑝 𝑘 (1 − 𝑝) 𝑛−𝑘 𝑐 𝑘=0

 Distribución de Poisson: En caso que n es grande y p muy pequeño se puede


aproximar la distribución binomial (n,p) anteriormente mencionada a la distribución
de Poisson, con parámetro np, de modo que la función de distribución de X quedaría
del modo siguiente.
𝑂𝐶(𝑝) = Pr(𝑋 ≤ 𝑐 ∖ 𝑝) = ∑ exp(−𝑛𝑝)(𝑛𝑝) 𝑘 𝑘! 𝑐 𝑘=0

En la mayor parte de los casos, las curvas OC son construidas mediante la


aproximación binomial, por lo que también son conocidas por curvas OC de tipo B,
mientras que las curvas OC de tipo A corresponden a aquellas construidas
empleando la distribución hipergeométrica. (Chase, Jacobs y Aquilano – 2009)