ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO
SIMULACION DE PROCESO DE
FABRICACION DE BATEFUEGOS
First A. Author, Fellow, IEEE, Second B. Author, and Third C. Author, Jr., Member, IEEE

Abstract—These instructions give you guidelines for preparing
papers for IEEE Transactions and Journals. Use this document as
a template if you are using Microsoft Word 6.0 or later. Otherwise,
use this document as an instruction set. The electronic file of your
paper will be formatted further at IEEE. Paper titles should be
written in uppercase and lowercase letters, not all uppercase.
Avoid writing long formulas with subscripts in the title; short
formulas that identify the elements are fine (e.g., "Nd–Fe–B"). Do
not write “(Invited)” in the title. Full names of authors are
preferred in the author field, but are not required. Put a space
between authors’ initials. Define all symbols used in the abstract.
Do not cite references in the abstract. Do not delete the blank line
immediately above the abstract; it sets the footnote at the bottom
of this column.
Palabras claves s—Enter key words or phrases in alphabetical o
I. INTRODUCCION
La simulación de procesos es una de las más grandes
herramientas de la ingeniería industrial, la cual se utiliza para
representar un proceso mediante otro que lo hace mucho más
simple y entendible.
Las áreas de aplicación de la simulación son muy amplias,
numerosas y diversas, basta mencionar sólo algunas de ellas:
Análisis del impacto ambiental causado por diversas fuentes,
Análisis y diseño de sistemas de manufactura, Análisis y diseño
de sistemas de comunicaciones, la simulación se utiliza en la
etapa de diseño para auxiliar en el logro o mejoramiento de un
proceso o diseño o bien a un sistema ya existente para explorar
algunas modificaciones.
II. PLANTEAMIENTO DEL PROBLEMA
Se desea simular distintos escenarios de la fabricación de
bate fuegos para evaluar la capacidad de producción en la
empresa Industrial Mecánica R.Chafla. Teniendo en cuenta las
siguientes alternativas.
1) Incrementar 1 trabajador al proceso de fabricación.
2) Incrementar 2 trabajadores al proceso de fabricación.
3) Reorganizar la distribución de planta.
1
III. OBJETIVOS
A. OBJETIVO GENERAL
B. OBJETIVOS ESPECIFICOS
IV. MARCO TEORICO
A. Sistema.
El término sistema se utiliza habitualmente con múltiples
sentidos, tantos que resulta difícil dar una definición única que
los abarque todos y al mismo tiempo sea lo suficientemente
precisa para servir a propósitos específicos. Podemos partir de
la definición de sistema como conjunto de cosas que
ordenadamente relacionadas entre sí contribuyen a determinado
objeto
. Se trata de una definición sencilla pero que pone de manifiesto
los caracteres relevantes de lo que constituye el denominado
enfoque sistémico: contemplación del todo y no de las partes
aisladamente, acento en las relaciones entre las partes y
consideración teleológica al tener en cuenta los propósitos u
objetivos del sistema, especialmente válida para los sistemas
creados por el hombre. (Barcelo, 1996)
Un sistema está conformado por un conjunto de entes u objetos
componentes que interactúan entre sí para el logro de objetivos.
De allí que la teoría general de sistemas no solo estudia la
estructura del sistema sino su comportamiento, su
funcionamiento, dependiendo esta ultima de su estructura.
Un sistema tiene la propiedad de que toda acción que produce
cambios en una de las partes de los sistemas, también estos
cambios se dan en el resto del sistema.
El sistema también reaccionara ante cualquier evento o
estimulo producido en cualquier parte de la unidad, ejemplo en
el sistema respiratorio, una acción sobre las fosas nasales
repercute en los pulmones y a su vez en el resto de órganos que
son dependientes, y el sistema reaccionara ante este evento.
Por lo que existe una relación de causa y efecto entre las partes
del sistema. (Vazques, 2013)
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 2

B. Simulación aleatoria; por lo tanto, aquí nos ocuparemos de los intervalos de

confianza. (Eduardo Garcia Duna, 2013)
Si la variable aleatoria sigue una distribución normal, el
En un principio, los programas de simulación se elaboraban
intervalo de confianza está dado por:
mediante algún lenguaje de propósito general, como ASSEM
BLER, FORTRAN, ALGO L o LP/1. A partir de la década de
𝑆 𝑆
1960 hacen su aparición los lenguajes específicos para 𝐼𝐶 = [Ẍ − (𝑡∝ 𝛾−1 ) , Ẍ + (𝑡∝ 𝛾−1 )]
simulación que permiten a analistas y programadores √𝑟 2 √𝑟 2

desarrollar modelos de una forma más rápida, gracias a

módulos estandarizados. En aquella época surgieron lenguajes En caso de que la variable aleatoria siga otro tipo de
como GPSS, GASP, SIMSCRIPT, SLAM, SIMAN y SSED. En distribución, el intervalo de confianza es relativamente
la última década del siglo pasado la aparición de las interfaces más amplio, y se calcula como:
gráficas revolucionaron el campo de las aplicaciones en esta
área, y ocasionaron el nacimiento de los simuladores, con los 𝑆 𝑆
𝐼𝐶 = [Ẍ − ,Ẍ + ]
cuales se ha facilitado enormemente la programación de los √𝑟𝛼 √𝑟𝛼
modelos. En el terreno práctico, es importante utilizar la
aplicación que mejor se adecúe al tipo de sistema a simular, ya En ambas ecuaciones:
que de la selección del lenguaje o simulador dependerá el r: número de replicas
tiempo de desarrollo del modelo de simulación. Las opciones 𝛼: 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑜
𝑟
van desde las hojas de cálculo, lenguajes de tipo general (como 1
Visual Basic, C++o FORTRAN), lenguajes específicos de Ẍ = ∑ 𝑋𝑖
𝑟
simulación (como GPSS, SLAM, SIMAN, SIMSCRIPT, GAS 𝑖=1
1
y SSED), hasta simuladores específicamente desarrollados para 𝑟 2
1
diferentes objetivos (como SIMPROCESS, ProModel, Witness, 𝑆=( ̅̅̅2 )
∑(𝑋𝑖 − 𝑋)
Taylor II, Crystal Ball, Delmia). (Eduardo Garcia Duna, 2013) 𝑟−1
𝑖=1

La simulación es usada en sistemas productivos para determinar

los efectos de agregar operaciones nuevas o detalles diferentes
a líneas o modelos ya existentes, y ayuda a evaluar el balance
de la línea bajo condiciones dinámicas. Al realizar una
simulación, esta proporciona un “banco de pruebas” donde los
requerimientos de cambios en la producción pueden ser
evaluados, para realizar cambios o mejoras en el sistema ya
existente. “Esto reduce el tiempo de inactividad del sistema
durante el cambio, y también proporciona a los operadores y
gestores una mayor confianza de que los cambios pueden ser
acomodados.” (Rohrer & Strong, 1997)
Para empezar, debemos distinguir dos categorías entre los
modelos de simulación: modelos de categoría terminal y
modelos no terminales o de estado estable. A continuación se
explica esta clasificación con más detalle. (Eduardo Garcia
Duna, 2013)
1) Simulaciones Terminales:
Los modelos de tipo terminal tienen como característica
principal la ocurrencia de un evento que da por terminada la
simulación. El análisis estadístico recomendado para este tipo
de simulaciones involucra la utilización de intervalos de
confianza y la determinación de la distribución de probabilidad
de la variable de salida. (Eduardo Garcia Duna, 2013)
Intervalos de confianza
Debido a la naturaleza aleatoria de los resultados de este tipo de
modelos, es necesario determinar su distribución de
probabilidad y su intervalo de confianza en las diferentes
réplicas. En la sección 3.3 del capítulo anterior se discute cómo
obtener la distribución de probabilidad de una variable
2) Simulaciones no terminales o de estado estable
A diferencia de los modelos anteriores, las simulaciones no
terminales o de estado estable no involucran una ocurrencia en
el tiempo en que tengan que finalizar. Por ejemplo, si
deseáramos conocer el número de máquinas que deben
instalarse en un sistema de producción cuya operación tiene que
mantenerse activa continuamente durante todo el año,
podríamos modelar el sistema hasta que la variable de interés
llegara a un estado estable. En este caso surge la necesidad de
determinar la longitud de la corrida para asegurar la
estabilización de los resultados del modelo. Veamos cómo
satisfacer dicho requisito. (Eduardo Garcia Duna, 2013)
Longitud de las réplicas
Para que el resultado de una variable aleatoria llegue al estado
estable en una simulación no terminal, es necesario garantizar
que la longitud de la réplica, n, sea lo suficientemente grande
para que la variación entre réplicas no difiera de cierta
exactitud, e, el 100(1 - a) % de las veces. (Eduardo Garcia
Duna, 2013)
En caso de normalidad, el tamaño de corrida de la simulación
se calcula como:
2
𝜎𝑍𝛼
2
𝑛=( )
𝜖
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO
C. VARIABLES
1) Variables Aleatorias:
Podemos decir que las variables aleatorias son aquellas que
tienen un comportamiento probabilístico en la realidad. Por
ejemplo, el número de clientes que llegan cada hora a un banco
depende del momento del día, del día de la semana y de otros
factores. (Eduardo Garcia Duna, 2013)
Por lo general, la afluencia de clientes será mayor al mediodía
que muy temprano por la mañana; la demanda será más alta el
viernes que el miércoles; habrá más clientes un día de pago que
un día normal, etcétera. Debido a estas características, las
variables aleatorias deben cumplir reglas de distribución de
probabilidad como éstas:
 La suma de las probabilidades asociadas a todos los
valores posibles de la variable aleatoria x es uno.
 La probabilidad de que un posible valor de la variable
x se presente siempre es mayor que o igual a cero.
 El valor esperado de la distribución de la variable
aleatoria es la media de la misma, la cual a su vez
estima la verdadera media de la población.
 Si la distribución de probabilidad asociada a una
variable aleatoria está definida por más de un
parámetro, dichos parámetros pueden obtenerse
mediante un estimador no sesgado. Por ejemplo, la
varianza de la población puede ser estimada usando la
varianza de una muestra que es s2. De la misma
manera, la desviación estándar de la población cr,
puede estimarse mediante la desviación estándar de la
muestra s, población cr, puede estimarse mediante la
desviación estándar de la muestra s.
2) Tipos de variables aleatorias
Podemos diferenciar las variables aleatorias de acuerdo con el
tipo de valores aleatorios que representan. Por ejemplo, si
habláramos del número de clientes que solicitan cierto servicio
en un periodo de tiempo determinado, podríamos encontrar
valores tales como 0, 1, 2,..., n, es decir, un comportamiento
como el que presentan las distribuciones de probabilidad
discretas. Por otro lado, si habláramos del tiempo que tarda en
ser atendida una persona, nuestra investigación tal vez arrojaría
resultados como 1.54 minutos, 0.028 horas o 1.37 días, es decir,
un comportamiento similar al de las distribuciones de
probabilidad continuas. Si consideramos lo anterior podemos
diferenciar entre variables aleatorias discretas y las continuas.
(Eduardo Garcia Duna, 2013)
3
Variables aleatorias discretas.
Este tipo de variables deben cumplir con estos parámetros:
𝑃(𝑥) ≥ 0
∞
∑ 𝑃𝑖 = 1
𝑖=0
𝑏
𝑃(≤ 𝑥 ≤ 𝑏) = ∑ 𝑃𝑖 = 𝑃𝑎 + ⋯ . . +𝑃𝑏
𝑖=𝑎
Algunas distribuciones discretas de probabilidad son la
uniforme discreta, la de Bernoulli, la hipergeométrica, la de
Poisson y la binomial (vea la figura 3.1). Podemos asociar a
estas u otras distribuciones de probabilidad el comportamiento
de una variable aleatoria. Por ejemplo, si nuestro propósito al
analizar un muestreo de calidad consiste en decidir si la pieza
bajo inspección es buena o no, estamos realizando un
experimento con 2 posibles resultados: la pieza es buena o la
pieza es m ala. Este tipo de comportamiento está asociado a una
distribución de Bernoulli. (Eduardo Garcia Duna, 2013)
Variables aleatorias continuas.
Este tipo de variables se representan mediante una ecuación que
se conoce como función de densidad de probabilidad. Dada
esta condición, cambiamos el uso de la sumatoria por la de una
integral para conocer la función acumulada de la variable
aleatoria. Por lo tanto, las variables aleatorias continuas deben
cumplir los siguientes parámetros.
𝑃(𝑥) ≥ 0
∞
∫ 𝑓(𝑥) = 1
−∞
𝑏
𝑃(≤ 𝑥 ≤ 𝑏) = 𝑃 (𝑎 < 𝑥 < 𝑏) = 𝐹(𝑥) = ∫ 𝐹(𝑥)𝑑𝑥
𝑎
Entre las distribuciones de probabilidad tenemos la uniforme
continua, la exponencial, la normal, la de Weibull, la Chi-
cuadrada y la de Erlang .De la misma forma que en las
distribuciones discretas, algunos procesos pueden ser asociados
a ciertas distribuciones.
Para el análisis de nuestro problema utilizaremos variables
continuas debido a que nuestras variables analizar son tiempos
que se demorara en realizar diferentes operaciones lo cual en la
toma de tiempos los datos son variables.
Una vez establecido el tipo de variable a utilizar procedimos a
determinar a qué tipo de distribución se asemejan más nuestros
datos determinando que los diferentes tipos de distribución a
utilizar son Uniforme, Exponencial. (Eduardo Garcia Duna,
2013)
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 4

D. Software de simulación. contadores como relaciones lógicas, flujos, actividades y ciclos

de producción, por ejemplo. (Eduardo Garcia Duna, 2013)
1) Definición.
Es un Software de Simulación y Optimización para el Proceso
Editor gráfico:
de Manufactura, Logística, Ensamble, Balanceo de Líneas,
Justificación de Inversión de Capital, entre otras aplicaciones.
El editor gráfico de ProModel cuenta con una serie de
Se trata de una herramienta sencilla de utilizar que permite
bibliotecas que permiten dar una mejor presentación visual a los
diseñar en un ordenador una representación gráfica del sistema
modelos realizados. Además, cuenta con la capacidad de
y probarlo en una variedad de escenarios mostrando la mejor
importar y crear las imágenes necesarias para representar con
solución que incremente valor a su organización. La
mayor propiedad el problema a simular. Incluso pueden im
representación gráfica del modelo, la animación y los informes
portarse dibujos hechos con algún software para dicho
gráficos son herramientas potentes para ver, entender,
propósito. (Eduardo Garcia Duna, 2013)
comunicar y mejorar el sistema. (Forte, 2005)
Resultados:
ProModel es uno de los paquetes de software comerciales para
simulación más usados en el mercado. Cuenta con herramientas
ProModel cuenta con una interfaz de resultados que facilita la
de análisis y diseño que, unidas a la animación de los modelos
administración, el manejo y el análisis de la información. En
bajo estudio, permiten al analista conocer mejor el problema y
este módulo se pueden ver los resultados de todas las variables
alcanzar resultados más confiables respecto de las decisiones a
del modelo. Algunas de ellas se reportan de manera automática,
tomar.
y otras se obtienen bajo solicitud expresa del analista. Además,
Básicamente, este producto se enfoca a procesos de fabricación
el módulo permite la interacción con programas de hoja de
de uno o varios productos, líneas de ensamble y de
cálculo, como Excel. (Eduardo Garcia Duna, 2013)
transformación, entre otros. La misma compañía de desarrollo
ofrece otros paquetes, como MedModel y ServiceModel,
Stat::Fit:
diseñados para simulación de sistemas médicos y de servicios,
respectivamente. Sin embargo, aunque no es su especialidad,
El software incluye una herramienta estadística llamada
podemos realizar buenas simulaciones de operaciones de
Stat::Fit (algunas de sus funciones se comentaron ya en el
servicio con ProModel. (Eduardo Garcia Duna, 2013)
capítulo 3), que permite hacer pruebas de bondad de ajuste
sobre datos muestra, produciendo información muy importante
Promodel al ser un sistema operativo de Windows es una gran
para determinar las distribuciones asociadas a las variables
herramienta de simulación y análisis de la producción de
aleatorias del modelo. Además, constituye una gran ayuda si se
cualquier tamaño y tipo. Esta herramienta posee una
desconoce cómo alimentar distribuciones complejas de la
combinación perfecta entre la facilidad de su uso, potencia y
biblioteca de ProModel en el modelo de simulación. (Eduardo
flexibilidad ya que simula casos reales. Promodel al ser un
Garcia Duna, 2013)
sistema de simulación facilita a cualquier empresa a construir
o modificar un sistema real para probar nuevas ideas en el
Editor de turnos:
diseño del sistema o el mejoramiento del mismo.
El editor de turnos permite asignar turnos de trabajo a los
Promodel tiene un interfaz de modelado rápido y simple, realiza
elementos del modelo que lo requieran, por ejemplo, descansos
la detección automática y rápida de los errores que ocurren en
programados, como el tiempo de comida. (Eduardo Garcia
la simulación. El software de Promodel es utilizado por las
Duna, 2013)
grandes compañías como Chase Bank, UNUM, Delta Airlines,
y UPS ya que gracias a la utilizacion de este software se han
Sim runner:
ahorrado millones de dolares optimizando el modelo de su
sistema antes de hacer un cambio.
Ésta es una herramienta m uy útil en el análisis posterior del
modelo. Con ella se pueden diseñar experimentos destinados a
En ProModel podemos distinguir una serie de módulos que
conocer el impacto de factores críticos que se generan a partir
permiten al analista hacer un estudio más completo sobre el
de la variación en los valores de las variables aleatorias
modelo que quiere simular. Cada uno de estos módulos cuenta
seleccionadas para ello. Asimismo, permite discernir cuál es la
con herramientas de trabajo que hacen de ProModel uno de los
mejor combinación de factores para obtener el máximo
mejores paquetes de simulación que existen en el mercado. A
beneficio al mejorar un proceso. (Eduardo Garcia Duna, 2013)
continuación daremos una breve descripción de cada uno de
ellos.
En PROMODEL se sigue una secuencia organizada de
locaciones, entidades, procesamiento y llegadas. Cualquier
ProModel:
sistema de manufactura, logística y servicio puede ser
modelado utilizando esta secuencia.
Es el área de trabajo donde se definirán el modelo y todos sus
componentes. En este módulo se programa todo lo que tiene que
ver con las relaciones entre las variables del modelo, tanto
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO
Locaciones.
Las locaciones representan lugares fijos en el sistema donde las
entidades son dirigidas para el procesamiento,
almacenamiento, actividad eso toma de decisiones, las cuales
pueden ser editadas y cambiados de color cuando desee.
Entidades
Cualquier cosa que el modelo “procesa” el llamada entidad.
Algunos ejemplos incluyen partes, productos, gente y papeles
de trámite.
Procesamiento:
El procesamiento describe las operaciones que se llevan a cabo
en una locación, tales como la cantidad de tiempo que la entidad
pasa en dicha locación, los recursos necesarios para realizar el
trabajo, y cualquier cosa que suceda en la locación, incluyendo
seleccionar el siguiente destino para la entidad.
Arribos:
Cualquier nueva entidad que se alimente al sistema se conoce
como llegada.
2) Aplicaciones.
 Optimiza el proceso de producción.
 Reduce tiempos en el ciclo del sistema.
 Analiza y mejora la capacidad de producción.
 Identifica y minimiza cuellos de botella en la
producción.
 Optimiza los recursos.
 Simulación de Ensamble de líneas.
 Simulación de sistemas de producción Justo a tiempo
y KANBAN
 Simulación de sistemas de manufactura flexible.
 Simulación de la Administración de la cadena de
abastecimiento y logística, entre otros.
3) Ventajas.
 Software de simulación con Optimización
integrada.
 Fácil utilización, creación de modelos de forma
rápida y sencilla.
 Modelos optimizables.
 Puede ser configurado en inglés y español.
 Integración a Excel, Lotus, Visual Basic y
herramientas de Microsoft.
 Puede generar una vista en 3D.
5
 Puede simular eventos reales para la creación o
para la mejora del proceso.
 Herramienta sencilla que ayuda ahorrar millones
de dólares.
 Simulador más completo de fácil aplicación.
4) Desventajas.
 La simulación no es precisa por lo cual no se
puede medir su grado de imprecisión.
 Sus resultados de simulación son datos numéricos por
lo que surge el peligro de imputar a los números un
grado de mayor validez y precisión.
 Los modelos de simulación desarrollados en
computadora tienen un valor bien costoso por lo que
se requiere de mucho tiempo para tener validez y
poder desarrollarse.
 Se necesita un alto número de corridas
computacionales para encontrar soluciones por lo que
esto representa altos costos.
 La solución del modelo de simulación puede dar al
análisis un falso sentido de seguridad.
V. MARCO METODOLOGICO
A. TIPO DE INVESTIGACION
1) Campo.
La investigación se realiza en las instalaciones de la empresa,
área de producción.
2) Activa o aplicada
Se busca una solución práctica a través de esta investigación.
3) Técnica.
La toma de datos se realizó mediante la técnica de la
observación la cual consiste en: observar atentamente el
fenómeno, hecho o caso, tomar información y registrarla para
su posterior análisis.
B. LEVANTAMIENTO DE INFORMACION.
Para el levantamiento de información se procedió de con los
siguientes pasos.
1) Determinar el objeto o situación a seguir.
Los elementos a seguir son cada una de las piezas que
componen un bate fuego.
2) Objetivo de la observación.
La observación se ejecuta para determinar el recorrido que debe
seguir cada entidad en el proceso de transformación en cada una
de las piezas, identificar cada una de las locaciones que
intervienen en el proceso, y determinar los tiempos que
requieren cada operación y transportes.
3) Forma de registro de datos.
El registro de datos se realiza en tablas, los tiempos son tomados
por cronómetros en 20 observaciones para cada una de las
operaciones y transportes.
Para medir las distancias recorridas se utilizó una cinta métrica.
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 6

C. DEFINICION DE VARIABLES. 2) Tronzadora

Las variables involucradas dentro del sistema de simulación son Pieza: Mango
las siguientes: Observ. Tiempo de Operacion (s)
1) Tiempo. N° hombre maquina
El tiempo es una variable aleatoria continua no negativa, así 1 27.89 18.5
tenemos; tiempo de operación y tiempo de transporte. 2 27.67 17.4
2) Distancia. 3 26.32 16.56
La distancia es una variable cuantitativa continua así tenemos 4 26.98 18.67
la distancia recorrida entre locaciones. 5 25.89 17.54
3) Número de trabajadores. 6 25.96 18.87
El número de trabajadores es una variable cuantitativa discreta
7 26.66 17.33
ya que siempre tendrá valores enteros.
8 27.7 17.98
D. LOCACIONES 9 27.1 16.65
Dentro del proceso de fabricación se determinó las siguientes 10 27.7 17.89
locaciones. 11 26.8 18.6
1) Almacén de materiales. 12 25.65 18.54
2) Almacén de producto terminado. 13 27.98 17.56
3) Máquina de corte (tronzadora). 14 27.33 18.6
4) Taladro pedestal 15 26.78 16.6
5) Área de suelda 16 27.50 16.9
6) Área de pintura 17 25.67 18.9
E. TIEMPOS DE OPERACION EN LOCACACIONES 18 26.98 17.95
A continuación, se presentan los tiempos registrados de 19 27.9 18.53
operaciones de transformación de entidades. 20 27.7 17.98

1) Tronzadora 3) Tronzadora
Pieza: Platina Pieza: Soporte de mango
Observ. Tiempo de Operacion (s) Observ.
Locacion Tiempo de Operacion (s)
TRONZADORA
N° hombre maquina N° hombre maquina
1 22.4 10.33 1 28.1 18.6
2 20.6 12.21 2 28.5 18.4
3 23.09 11.43 3 18.1 18.9
4 18.37 9.76 4 27.6 17.4
5 23.1 13.31 5 27.9 19.1
6 19.36 12.56 6 27.5 17.3
7 20.65 10.34 7 28.8 19.5
8 17.44 9.75 8 28.1 18.5
9 22.41 12.98 9 27.5 19.4
10 18.5 10.34 pieza
10 28.8 PLATINA
171.6
11 21.32 9.25 11 28.6 18.5
12 20.12 13.15 12 28.1 19.2
13 17.6 12.64 13 27.6 17.9
14 18.4 9.55 14 27.9 18.3
15 23.5 10.24 15 27.6 17.2
16 19.11 12.88 16 28.5 19.6
17 22.21 9.57 17 27.9 18.3
18 17.09 11.94 18 28.5 19.6
19 21.64 13.32 19 28.4 18.8
20 18.87 10.90 20 27.7 18.3
 ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 7

4) Taladro Pedestal 6) Pintura de pintura

Pieza: Platina Pieza: Ensamble
Observ. Observ.
Tiempo de Operacion (s) Tiempo
Locacionde Operacion
Observ. (s) Operacion
Tiempo TRONZADORA
de Locaci
(s)
N° hombre N°
maquina hombre
N° maquina
hombre maquina
1 22.4 10.33 1 120.34
1 300.65
120.34 300.65
2 20.6 12.21 2 121.44
2 301.64
121.44 301.64
3 23.09 11.43 3 120.54
3 301.9
120.54 301.9
4 18.37 9.76 4 120.87
4 301.8
120.87 301.8
5 23.1 13.31 5 119.89
5 299.78
119.89 299.78
6 19.36 12.56 6 120.65
6 299.5
120.65 299.5
7 20.65 10.34 7 121.56
7 300.6
121.56 300.6
8 17.44 9.75 8 120.65
8 300.5
120.65 300.5
9 22.41 12.98 9 120.1
9 299.67
120.1 299.67
10 18.5 10.34 10 121.6
10
pieza 299.8
121.6 PLATINA299.8 piez
11 21.32 9.25 11 119.9
11 299.1
119.9 299.1
12 20.12 13.15 12 119.4
12 300.5
119.4 300.5
13 17.6 12.64 13 120.5
13 301.6
120.5 301.6
14 18.4 9.55 14 120.95
14 300.78
120.95 300.78
15 23.5 10.24 15 121.32
15 301.8
121.32 301.8
16 19.11 12.88 16 119.65
16 299.8
119.65 299.8
17 22.21 9.57 17 120.54
17 299.8
120.54 299.8
18 17.09 11.94 18 121.75
18 300.9
121.75 300.9
19 21.64 13.32 19 120.5
19 301.3
120.5 301.3
20 18.87 10.90 20 121.67
20 301.7
121.67 301.7

5) Área de suelda
v. Tiempo
Pieza: de Operacion
Observ.
ensamble (s)de Operacion (s)
Tiempo Locacion Locacion suelda suelda
hombre N° maquina
hombre maquina
1 15.341 240.54
15.34 240.54
2 14.762 241.65
14.76 241.65
3 16.543 239.65
16.54 239.65
4 16.454 240.54
16.45 240.54
5 14.355 239.87
14.35 239.87
6 15.556 241.85
15.55 241.85
7 14.987 240.76
14.98 240.76
8 14.638 239.64
14.63 239.64
9 15.659 241.76
15.65 241.76
0 16.1110 240.76
16.11 240.76pieza pieza ENSAMBLE DE PIEZAS
ENSAMBLE DE P
1 16.7411 240.65
16.74 240.65
2 14.1212 239.75
14.12 239.75
3 15.3513 241.55
15.35 241.55
4 16.9814 241.78
16.98 241.78
5 14.7615 240.56
14.76 240.56
6 16.5416 239.65
16.54 239.65
7 15.8917 239.9
15.89 239.9
8 14.7618 241.5
14.76 241.5
9 15.4519 241.9
15.45 241.9
0 14.6520 240.8
14.65 240.8
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 8

F. PROCESO DE FABRICACION.
En el siguiente flujograma se define el proceso de fabricación.
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 9

VI. TRATAMIENTO DE DATOS Y SIMULACION

A. ANÁLISIS DEL COMPORTAMIENTO DE VARIABLES

PARA CADA LOCACION.
1) Tronzadora
Pieza: platina

La curva que más se ajusta a la realidad es la distribución

uniforme.

Los parámetros de distribución son:

Distribuciones que se ajustan al comportamiento de los datos

ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 10

2) Tronzadora.
Pieza: mango

La curva que más se ajusta a la realidad es la distribución

uniforme.

Los parámetros de distribución son:

Distribuciones que se ajustan al comportamiento de los datos

ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 11

3) Tronzadora. La curva que más se ajusta a la realidad es la distribución

Pieza: Soporte mango Logaritmicanormal.

4) Área de Suelda
Pieza: Ensamble

Distribuciones que se ajustan al comportamiento de los datos

Distribuciones que se ajustan al comportamiento de los datos
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 12

La curva que más se ajusta a la realidad es la distribución

uniforme.

Los parámetros de distribución son:

Distribuciones que se ajustan al comportamiento de los datos

|

5) Área de Pintura
Pieza: Ensamble
ESCUELA SUPERIOR POLITECNICA DE CHIMBORAZO 13

La curva que más se ajusta a la realidad es la distribución

uniforme.

VII. CONCLUCIONES

VIII. RECOMENDACIONES

REFERENCES