Anda di halaman 1dari 24

PROYECTO AULA CONTROL ESTADISTICO DE PROCESOS

MODELOS: SELECCIONADOR SIZE Y WALKED.

YAKELINE VELEZ

JOANA GOMEZ

DOCENTE: CHAROL VELEZ

INSTITUCION UNIVERSITARIA PASCUAL BRAVO

MEDELLIN

2017
Agenda a Tratar

ANTECEDENTES 3

OBJETIVOS GENERALES 3

OBJETIVOS ESPECIFICOS 3

ALCANCES 4

DESCRIPCION PROCEDIMIENTO DE ENSAMBLE MODELO #1 5

PROCEDIMIENTO DE ENSAMBLE MODELO #2 6

LISTA DE ELEMENTOS UTILIZADOS 7

TEORIA DE DESICIONES 10

Modelo Criterio del Pesimista (Max min) o Wald 12


Modelo Criterio del Optimista (Max Max) o Plunger 12
Modelo Criterio de Equiprobabilidad o de Laplace 13
Modelo Criterio de Hurwicz 13
Modelo Minimizacin de la perdida de oportunidad o Criterio de Savage 13

HISTOGRAMA DE FRECUENCIA 14

DIAGRAMA DE PARETO 15

DIAGRAMA CAUSA EFECTO 17

BALANCED SCORE CARD O CUADRO DE MANDO INTEGRAL 17

DIAGRAMA DE DISPERSION 20

SS (SEIS SIGMA) 22

CONCLUSIONES 23

BIBLIOGRAFIA 24
ANTECEDENTES

Lego Mindstorms puede ser usado para construir un modelo de sistema integrado con partes
electromecnicas controladas por computador. Prcticamente todo puede ser representado
con las piezas tal como en la vida real, como un elevador o robots industriales.

La lnea Mindstorms no fue el primer fruto la relacin entre Lego y el MIT, aunque s el ms
exitoso. Con anterioridad, Lego se haba interesado por el lenguaje de programacin lego, fruto
de este inters naci en 1986 Lego TC logo, creado por Resnick y Steve ocko. Lego TC Logo era
un sistema en el que se programaba en una computadora que estaba conectada por un cable a
una construccin Lego que contaba con motores, luces y sensores. Aunque alcanz un relativo
xito comercial, segn Resnick el sistema impona restricciones tanto fsicas como
imaginativas

OBJETIVO GENERAL

Aplicar todos los temas vistos en la materia control estadstico de procesos en el diseo de varios
prototipos o modelos en el laboratorio de LEGO, perteneciente a la universidad, utilizndolo de
la manera ms asertiva.

Objetivos Especficos:

Conocer y utilizar las habilidades del proceso de diseo de modelos de LEGO,


vinculndolos con lo aplicado en Control Estadstico De Procesos.
Desarrollar la creatividad utilizando los modelos
Aplicar los conocimientos desarrollados en control estadstico
Planificar y gestionar las actividades para desarrollar la solucin o completar un
proyecto.
ALCANCES

La prctica en el aula de lego permite a los estudiantes visualizar las mltiples aplicaciones, tanto
del LEGO como de los temas vistos en la materia, en la vida real, ya que orienta al estudiante
para que en su futuro laborar pueda resolver problemas de manera probabilstica.

Es importante para la comunidad educativa que los futuros tecnlogos tengan conocimientos
en las nuevas tecnologas y este tipo de proyectos permiten que puedan realizarse prototipos
de maquinarias existencias y, por qu no, de nuevos modelos que generen soluciones a los
problemas de la industria
DESCRIPCION PROCEDIMIENTO DE ENSAMBLE MODELO #1

SELECCIOADORA SIZE
INICIO DE DESCRIPCION DE LA RESPONSAB
ACTIVIDADES IMAGEN
OPERACION ACTIVIDAD LE

se unuen diferentes tamaos de


emsamble de soporte joana y
1 piezas entre si para crear una
estructural yakeline
estructura que soporte la banda

se ensamblan las piezas que


ensamble de cauchos y joana y
2 seleccionaran las piezas
barras seleccionadoras yakeline
deacuerdo a tu tamao

se colocan los las piezas


ensamble de banda separadoras con ls mismas joana y
3
trasportadora dimensiones de los tamaos a yakeline
seleccionar

se ensamblan piezas largar a los


ensamble de laterales de lados de la bando que impediran joana y
4
banda el desplazamiento de las piezas yakeline
por fuera de la seleccionadora

se programa el motor para que


joana y
5 programacion haga girar el pion de manera
yakeline
continua
PROCEDIMIENTO DE ENSAMBLE MODELO #2

WALKED
INICIO DE DESCRIPCION DE LA RESPONS
ACTIVIDADES IMAGEN
OPERACION ACTIVIDAD ABLE

se ensamblan varias piezas


ensamble de las joana y
1 que forman la figura de las
patas yakeline
patas del modelo

se unen varias piezas que


ensamble del
permiten juntar las piezas joana y
2 soporte
con el soporte del motor yakeline
extructural
pequeo

ensamble de los se ensambla los


joana y
3 engranajes y engranages y piones en el
yakeline
rodamientos soporte extructural

ensamble del se ensamblan las ruedas y


joana y
4 motor y sensor de balin que dejaran rodar el
yakeline
proximidad motor

se programa el modelo
para que avance hacia
joana y
5 programacion adelante y cuando
yakeline
encuentre un obstaculo se
devuelva
LISTA DE ELEMENTOS UTILIZADOS
TEORIA DE DESICIONES

Se considera la fabricacin de varios modelos robticos para comercializar en el mercado, Se


debe tomar la decisin de fabricar solo un modelo de entre las opciones que los diseadores
propongan. Para tomar dicha decisin se debe tomar en cuenta que modelo podra generar
mayores ingresos y mrgenes de ganancia en las ventas, se toma en cuenta para la toma de
decisiones el valor de las materias primas que es de 2.050.000 para el modelo size y de 1.900.000
para el modelo walked Y El tiempo de ensamble requerido de acuerdo a la complejidad de los
modelos, de igual manera la cantidad de mano de obra que requiera. La mano de obra tendr
un costo de $12.000 la hora de trabajo por cada trabajador empleado.

size walke
Materia prima 2.050.000 1.900.000
Trabajadores 4 3
Tiempo requerido por trabajador(horas) 9 5
Valor trabajadores 432.000 180.000
Valor fabricacin 2.482.000 2.080.000

Adems, el precio de venta se determina de acuerdo a la demanda del producto y a la existencia


de productos similares en el mercado y su posible competencia con nuestros productos, por lo
que el precio de venta del size ser de 3.000.0000 y el de walked ser de 2.800.000.

Por lo que los mrgenes de ganancia son de 17% para el size y del 26% para el walked

size walke
Valor fabricacin 2.482.000 2.080.000
PRECIO VENTA 3.000.000 2.800.000
GANANCIAS 518.000 720.000
MARGEN GANANCIA 17% 26%

Se pronostica que los diferentes modelos pueden tener las siguientes ventas mensuales de
acuerdo a los estudios de mercado y variacin de la demanda y al promedio de ventas de
modelos similares actualmente

Demanda pronosticada
size walke
cantidad 93 120

De acuerdo con el comportamiento del mercado, la empresa cree que las posibles variaciones
de la demanda de los modelos pueden ser: que aumente un 10% de las ventas pronosticadas,
que baje un 10% de la venta pronosticada o que se mantenga estable la venta pronosticada

ganancias
Estados de naturaleza
Alternativas suba 10% baje 10% estable
size 306.900.000 251.100.000,0 279.000.000
walke 369.600.000 302.400.000,0 336.000.000
Se pide determinar de acuerdo a las predicciones presentadas, cual modelo tendr las mayores
ganancias y cual modelo tendr los mayores ingresos de las ventas

ARBOL DE DESICIONES

aumenta 10% 306.900.000

clasificadora
disminuye 10% 251.100.000
size

estable 279.000.000

ganancia

sube 10% 369.600.000

walke baja 10% 302.400.000,0

estable 336.000.000

Modelo Criterio del Pesimista (Max min) o Wald

ganancias
Estados de naturaleza
Alternativas suba 10% baje 10% estable
size 306.900.000 251.100.000,0 279.000.000
walke 369.600.000 302.400.000,0 336.000.000

La alternativa a elegir es size cuando sube un 10% con un valor de 306.900.000 ya que es la
mejor de las que ofrece menor ganancia

Modelo Criterio del Optimista (Max Max) o Plunger

ganancias
Estados de naturaleza
Alternativas suba 10% baje 10% estable
size 306.900.000 251.100.000,0 279.000.000
walke 369.600.000 302.400.000,0 336.000.000

La alternativa a elegir es walke cuando sube un 10% con un valor de 369.600.000, ya que es la
que ofrece mayor ganancia
Modelo Criterio de Equiprobabilidad o de Laplace

ganancias
Estados de naturaleza
Alternativas suba 10% baje 10% estable probabilidad 0.33
size 306.900.000 251.100.000,0 279.000.000 276.210.000
walke 369.600.000 302.400.000,0 336.000.000 332.640.000

La alternativa a elegir es walke con un valor de 332.640.000, ya que es la que mas beneficios
podra proporcionar

Modelo Criterio de Hurwicz

ganancias
Estados de naturaleza
Alternativas suba 10% baje 10% estable opt 0,7 / pes 0,3
size 306.900.000 251.100.000,0 279.000.000 290.160.000,0
walke 369.600.000 302.400.000,0 336.000.000 349.440.000,0

La alternativa a elegir es walke con un valor de 349.440.000,0, ya que al ponderar los


coeficientes ofrece el valor esperado mas alto

Modelo Minimizacin de la perdida de oportunidad o Criterio de Savage

ganancias
Estados de naturaleza
Alternativas suba 10% baje 10% estable costo oportunidad
size 306.900.000 251.100.000,0 279.000.000 83.700.000
walke 369.600.000 302.400.000,0 336.000.000 100.800.000

La alternativa a elegir es size con un valor de 83.700.000, ya que es la que tiene un menor
costo de oportunidad

CONCLUSION TEORIA DE DESICIONES


De la teora de decisiones podemos concluir que el modelo a fabricar ser el walked ya que
presentar mayores oportunidades para la empresa
HISTOGRAMA DE FRECUENCIA

En el ensamble del prototipo se detect el mayor problema que tendra la fabricacin en masa
del modelo elegido en la teora de decisiones; el cual fue la falta de elementos en forma de cruz
para utilizar en las modificaciones, ya que es el tipo de unin ms utiliza en el modelo.
Por lo que se pide: de acuerdo a la informacin de la lista de elementos hallar el porcentaje de
elementos con entradas de ensamble en cruz, Que cuenten con un nmero Superior o igual 6
piezas. para determinar qu elementos se pueden utilizar en mayor cantidad en las
modificaciones del modelo. Se analiz la lista de elementos para determinar qu elementos
cuentan con entradas de ensamble en cruz, y que cantidad de cada elemento existen. Los
resultados se muestran en la siguiente tabla:
DESCRIPCI
ELEMENTO
N
N 6006140 10
4128594 2
4299389 4
4140806 10
4175442 14
4248204 4
4128598 17
4513174 3 4177431 2
4173975 4 4128593 4
4565452 1 4177430 4
4140327 12
6031962 1
4255563 5
7
4254606 4 4111998 12
4234429 6 4143187 2
4239601 11 6013936 4
4227155 9 4538007 2
4188298 8 4494222 2

datos de referencia
X MAX: 17 X MIN: 1 N= 26
R= 17 1 = 16
M= 1+3,3 LOG 26 = 5,66 (6)
A= 16/6 = 2,66 (2,7)
L.I. = Xmn-((a*m)R) /2 L.I. = 1-((2,7*6)-16) /2 = 0,9
L.S. = L.I. + a L.S. = 0,9 + 2,7 = 3,6
LIM. INF LIM. SUP ni fi Ni Fi
1 1 3,7 1 -- 2,9 7 7 27% 27%
2 3,7 6,4 35 9 16 35% 62%
3 6,4 9,1 68 2 18 8% 69%
4 9,1 11,8 9 10 3 21 12% 81%
5 11,8 14,5 11 13 3 24 12% 92%
6 14,5 17,2 14 17 2 26 8% 100%
17,2 26

DIAGRAMA DE PARETO

Dado que el problema principal en el ensamble del prototipo fue la falta de elementos en forma
de cruz para utilizar en las modificaciones, se recopilan una serie de datos que reflejan los tipos
y numero de errores ocurridos durante el proceso de ensamble que tenan como aspecto
principal la ausencia de conectores en cruz. Los errores son agrupados de acuerdo a las
diferentes etapas de ensamble
AUSENCIA DE CONECTORES EN CRUZ
ETAPA DE ENSAMBLE TIPO DE ERROR NUMERO DE ERRORES
MONTAGE PATAS A 3
CALCULO DE ANGULO DE PATAS B 24
MONTAGE DE ENGRANAJE C 3
ARMADO DE CHASIS D 21
ENSAMBLE DE ENGRANAJE LATERAL E 2
CONEXIN DE ENGRANAJE A PATAS F 5
CONEXIN DE CILINDOR A ENGRANAJE G 3
ENSAMBLE DE ENGRANAJE A MOTOR H 2
CONEXIN DE MOTORES I 18
ENGRANAJE DE SISTEMA DE EQUILIBRIO J 2
ENSAMBLE Y MONTAJE DE ANGULOS ROTATIVOS K 15
EMSAMBLE SENSOR INFRAROJO L 2
MONTAGE SENSOR INFRAROJO M 1
PROGRAMACION N 7

AUSENCIA DE CONECTORES EN CRUZ


ETAPA DE ENSAMBLE TIPO DE ERROR NUMERO DE ERRORES % DEL TOTAL
CALCULO DE ANGULO DE PATAS B 24 22%
ARMADO DE CHASIS D 21 19%
CONEXIN DE MOTORES I 18 17%
ENSAMBLE Y MONTAJE DE ANGULOS ROTATIVOS K 15 14%
PROGRAMACION N 7 6%
CONEXIN DE ENGRANAJE A PATAS F 5 5%
MONTAGE PATAS A 3 3%
MONTAGE DE ENGRANAJE C 3 3%
CONEXIN DE CILINDOR A ENGRANAJE G 3 3%
ENSAMBLE DE ENGRANAJE LATERAL E 2 2%
ENSAMBLE DE ENGRANAJE A MOTOR H 2 2%
ENGRANAJE DE SISTEMA DE EQUILIBRIO J 2 2%
EMSAMBLE SENSOR INFRAROJO L 2 2%
MONTAGE SENSOR INFRAROJO M 1 1%
108 100%

TIPO DE ERROR ni Ni Fi DIAGRAMA DE PARETO


B 24 22% 22%
30 POCOS 120%
D 21 19% 42% VITALES
I 18 17% 58% 25 100%
97% 99% 100%
K 15 14% 72% 94% 95%
89% 92%
N 7 6% 79% 20 83% 86% 80%
79%
F 5 5% 83% 72%

A 3 3% 86% 15 58% 60%

C 3 3% 89% 42%
10 MUCHOS 40%
G 3 3% 92% TRIVIALES
E 2 2% 94% 5 22% 20%
H 2 2% 95%
J 2 2% 97% 0 0%
B D I K N F A C G E H J L M
L 2 2% 99%
M 1 1% 100% ni Ni Fi
108 100%
DIAGRAMA CAUSA EFECTO

BALANCED SCORE CARD O CUADRO DE MANDO INTEGRAL

DESARROLLO PROCESOS CLIENTES FINANCIERA

OBJETIVO GENERAL OPTIMIZAR MANEJO DE MATERIAS PRIMAS MINIMIZAR ERRORES EN LOS ENSAMBLES MEJORAR IMAGEN AUMENTO DE UTILIDADES

REALIZAR ESTUDIOS DE PRODUCTIVIDAD Y PROCESOS ESTANDARIZAR PROCESOS AUMENTO EN CALIDAD REDUCIR COSTOS DE FABRICACION

ESTABLECER PUESTOS DE TRABAJO MAS COMODOS CREAR DIAGRAMAS DE FLUJO OBTENCION DE NUEVOS CLIENTES NO PERDER CLIENTES
OBJETIVOS ESPECIFICOS
ORDENAR MANEJO DE PIEZAS CREAR SISTEMAS DE RECOLECCION DE DATOS GARANTIZAR PRODUCTOS DE EXELENTE CALIDAD AUMENTAR VENTAS

DEFINIR PROCEDIMIENTOS AUMENTAR PRODUCTOS


INDICADORES RANGOS

NOMBRE DEL COMO SE RESULTADO META B A D


OBJETIVOS MAPAS ESTRATEGICOS
INDICADOR CALCULA %
>90% < = 90% <80%

X
OBJETIVO OBJETIVOS
PERSPECTIVA ENSAMBLES
GENERAL ESPECIFICOS
EFECTIVIDAD OPTIMOS/ENS
94/128 =92% 90%
PRODUCCION AMBLES
OPTIMIZAR REALIZAR
REALIZADOS
MANEJO DE ESTUDIOS DE
DESARROLLO
MATERIAS PRODUCTIVIDAD Y
PRIMAS PROCESOS

INDICADORES RANGOS

NOMBRE DEL COMO SE RESULTADO META B A D


OBJETIVOS MAPAS ESTRATEGICOS
INDICADOR CALCULA %
>90% < = 90% <80%

X
OBJETIVO OBJETIVOS VALOR REAL DE
PERSPECTIVA
GENERAL ESPECIFICOS PORODUCCION/ 2.500.000/$
PRODUCTIVI VALOR
ESPERADO DE 2.838.000 = 90%
MINIMIZAR DAD
ERRORES EN
ESTANDARIZAR PRODUCCION * 89%
PROCESO
PROCESOS 100
LOS ENSAMBLES

INDICADORES RANGOS

NOMBRE DEL COMO SE RESULTADO META B A D


OBJETIVOS MAPAS ESTRATEGICOS
INDICADOR CALCULA %
>90% < = 90% <80%

X
OBJETIVO OBJETIVOS
PERSPECTIVA PRODUCTOS
GENERAL ESPECIFICOS
OPTIMOS
NIVEL DE
ENTRAGADOS/ 25/28=89% 90%
CALIDAD PRODUCTOS
MEJORAR AUMENTO EN
CLIENTES DESPACHADOS
IMAGEN CALIDAD

INDICADORES RANGOS

NOMBRE DEL COMO SE RESULTADO META B A D


OBJETIVOS MAPAS ESTRATEGICOS INDICADOR CALCULA %
>90% < = 90% <80%

$8.868.750/

OBJETIVO OBJETIVOS 2.838.000 =


PERSPECTIVA

X
GENERAL ESPECIFICOS MARGENES
VENTA 312,50%
DE
REAL/COSTO 90%
CONTRIBUCI REAL
ON
AUMENTO REDUCIR COSTOS
FINANCIERA
UTILIDADES DE FABRICACION
DIAGRAMA DE DISPERSION

Se pide determinar la relacin entre el tiempo de ensamble de cada etapa y el nmero de errores
en EL ensamble, mediante estudios de tiempos y mtodos se obtienen los siguientes datos

x y
tiempo DIAGRAMA DE DISPERSION
errores
(minutos) 10
1 13 3
2 10 1 9
3 20 8
4 9 1 8
5 12 2
6 20 8 7
7 22 7
8 9 2 6
9 23 8
10 25 9 5
11 13 5
12 19 6
4
13 20 7
14 22 8
3
15 29 9
16 9 2
2
17 9 1
18 19 5
1
19 16 4
20 20 7
21 13 4 0
0 5 10 15 20 25 30 35
22 11 3
Segn la grfica el coeficiente de relacin es alta positiva
x y x2 y2 XY Y^
1 13 3 169 9 39 2,2
2 10 1 100 1 10 1,7
3 20 8 400 64 160 3,2
4 9 1 81 1 9 1,6
5 12 2 144 4 24 2,0
6 20 8 400 64 160 3,2
7 22 7 484 49 154 3,5
8 9 2 81 4 18 1,6
9 23 8 529 64 184 3,6
10 25 9 625 81 225 3,9
11 13 5 169 25 65 2,2
12 19 6 361 36 114 3,1
13 20 7 400 49 140 3,2
14 22 8 484 64 176 3,5
15 29 9 841 81 261 4,5
16 9 2 81 4 18 1,6
17 9 1 81 1 9 1,6
18 19 5 361 25 95 3,1
19 16 4 256 16 64 2,6
20 20 7 400 49 140 3,2
21 13 4 169 16 52 2,2
22 11 3 121 9 33 1,9
363 110 6737 716 2150 59,01

x prom 17,13
y prom 2,78
B 1550,13 0,15
10438,38

r 1550,13 0,00040 coeficiente de correlacion


3851499,42

R2 230,20 0,79 79%


368,98

A 0,23

No existe relacin lineal, debido a que los puntos no se agrupan en torno a una lnea recta.

La variable dependiente Y (errores) varia un 79% cuando los valores de la variable


independiente X (tiempo).
x Y^
tiempo DIAGRAMA DE DISPERSION Y^
errores 5,0
(minutos)
1 13 2,2
2 10 1,7 4,5
3 20 3,2
4 9 1,6 4,0
5 12 2,0
6 20 3,2 3,5
7 22 3,5
8 9 1,6 3,0
9 23 3,6
10 25 3,9 2,5
11 13 2,2
12 19 3,1 2,0
13 20 3,2
14 22 3,5
1,5
15 29 4,5
16 9 1,6
1,0
17 9 1,6
18 19 3,1
0,5
19 16 2,6
20 20 3,2
21 13 2,2 0,0
0 5 10 15 20 25 30 35
22 11 1,9
SS (SEIS SIGMA)

1. DPMO (Defectos por milln de oportunidades)

En la produccin del modelo el caminante se han establecido tres (3) criterios de calidad
(ensamble, programacin y nmero de piezas).
Se toma una muestra de 1000 piezas de varios lotes de produccin y de varios turnos.
Se han encontrado 9 defectos en la muestra de 1000 unidades.

D = 9 defectos.
U = 1000 unidades.
O = 3 oportunidades.

DPMO = 1000000 x 9
3000
1000 x 3

R/ Dentro del proceso se pudo encontrar 3000 defectos por cada milln de modelos del
caminante producidos.

2. DPO = Defectos por oportunidad.

DPO = 9 / (1000 x 3)
DPO = 0,003

3. Yield = Desempeo del proceso.

Yield % = (1 - 0,003) x 100


Yield % = 99,70
CONCLUSIONES

Se desarrollaron todas las habilidades de fabricacin y programacin en los modelos


de LEGO y
Se aplic el conocimiento y la creatividad en cuanto al proceso de fabricacin de los
diferentes modelos
Se aprovecharon los conocimientos desarrollados en control estadstico para analizar
los diferentes temas en los modelos realizados
BIBLIOGRAFIA

https://www.lego.com/es-es/mindstorms/products/mindstorms-ev3-31313

https://education.lego.com/en-us/products/lego-mindstorms-education-ev3-core-set-
/5003400

https://es.wikipedia.org/wiki/LEGO