Aplicación de técnicas multivariadas en indicadores de productividad procedentes de la simulación de procesos de producción de una empresa láctea
Barra lateral del artículo
Contenido principal del artículo
Resumen
El objetivo de esta investigación es modelar y analizar los procesos de producción en la industria alimentaria, dedicada a la elaboración de productos lácteos, mediante técnicas estadísticas multivariadas. Las técnicas multivariadas MANOVA y PERMANOVA comparan grupos con múltiples variables dependientes. Los indicadores de productividad evalúan eficiencia y desempeño, facilitando mejoras y decisiones estratégicas. La simulación optimiza procesos, reduciendo costos y mejorando la eficiencia mediante análisis y predicciones precisas. Para esto se identificaron y documentaron las operaciones unitarias del proceso de producción de yogurt de frutas, desarrollando una base de datos estructurada con los tiempos de procesamiento de cada proceso. Se validó la integridad de la base de datos, imputando el 3.3% de los datos faltantes mediante el método KNN, y se verificó la ausencia de valores atípicos mediante la Distancia de Mahalanobis. El análisis de los tiempos de ejecución determinó las distribuciones de probabilidad más adecuadas para cada proceso, con una validación mediante la prueba de bondad de ajuste Chi-cuadrado, Se validó el proceso de simulación mediante una prueba de hipótesis T de Student, comparando el proceso real con el simulado, lo que garantizó su representatividad. Posteriormente, se simularon escenarios de mejora usando el software FlexSim y técnicas de Lean Manufacturing (TPM, 5S, Poka Yoke y eliminación de muda), evaluando el impacto en los tiempos de producción y la cantidad de productos terminados. Los resultados fueron analizados con el método PERMANOVA, dado que no se cumplían los supuestos de normalidad, homocedasticidad e independencia para MANOVA. Los análisis revelaron diferencias estadísticamente significativas entre los escenarios de simulación, destacando el escenario 5S como el más eficiente para reducir el tiempo de producción y aumentar el número de productos. El modelo explicó el 44% de la variabilidad en los resultados, subrayando la efectividad de la metodología 5S en la optimización del proceso.
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Citas
R. Ramirez, “Herramientas y técnicas de mejora de la calidad en la industria de alimentos latinoamericana y su aporte a la competitividad organizacional,” Artículo de grado, Fundación Universidad de América, p. 8, 2022.
E. Acosta, F. Chiodi, M. Fernandez, and A. F. J. Tcach, “Etapas de validación y verificación en la construcción de modelos para la simulación de procesos industriales,” pp. 1–8, 2016.
H. Patiño, “Evaluación de la productividad organizacional,” Gestión de indicadores e índices, 2024.
I. M. L. V. and J. M. A. Pacheco, “Impacto de los indicadores de productividad en la gestión,” Universidad del Zulia, vol. 39, no. 101, pp. 567–581, 2022.
R. M. F. M. V. J. P. N. O. and G. S. E. C. M. R., “Modelación y simulación de procesos en la intensificación de instalaciones en la industria química,” Revista de Ciencia Tecnología e Innovación Innova, vol. 2, no. 2, pp. 22–36, 2020.
J. Bautista, “Evolución de los softwares de simulación para el diseño y construcción en la industria,” Polo del Conocimiento: Revista científico-profesional, vol. 5, no. 8, pp. 1332–1343, 2020.
G. M. A. and E. A. H. Morales, Análisis multivariante de datos. México: Comercial Grupo ANAYA, SA, 2021.
J. B. Vertti, Análisis multivariado. México: Universidad Autónoma de Aguascalientes, 2019.
K. R. C. R. N. G. P. J. Somerfield, “Análisis de similitudes (anosim) para diseños de dos vías utilizando una estadística anosim generalizada, con notas comparativas sobre el análisis de varianza multivariado permutacional (permanova),” Austral Ecology, vol. 46, no. 6, pp. 887–1007, 2021.
J. M. N. P. N. O. J. Vargas, “Aplicación de la técnica multivariada manova a dos variables de control provenientes de tres modelos de simulación estocásticos de un proceso productivo,” Entre Ciencia y Tecnología, vol. 14, no. 28, pp. 66–75, 2020.
J. A. R. M. G. D. Valverde, Indicadores logísticos en un modelo simulado de la industria farmacéutica. Huacho: Universidad Nacional José Faustino Sánchez Carrión, 2024.
Z. J. J. H. M. H. S. and F. Villanueva, “Diseño de un sistema de surtimiento de materiales bajo principios esbeltos y de manufactura 4.0 usando simulación de eventos discretos,” Pistas Educativas, vol. 42, no. 138, pp. 1–17, 2022.
C. V. B. I. and P. A., “Simulación de mejoras en el sistema productivo de una curtiembre basada en el mapeo de su cadena de valor,” Scientia Et Technica, vol. 25, no. 3, pp. 394–415, 2020.
R. O. S. G. J. G. C. J. J. C. P. S. J. F. A. and A. Natividad, “Manufactura esbelta con simulación dinámica estocástica para el incremento de la productividad, línea de nuggets empresa avícola,” Revista de Investigación Científica, vol. 5, no. 2, pp. 139–153, 2019.
L. Freire, “Tratamiento de falta de información en técnicas de minería de datos,” Granada, 2023.
L. G. D. Monroy, Estadística multivariada: Inferencia y métodos. Bogotá: Proceditor Ltda, 2017.
G. A. R. Duque, “Revisión y perspectivas para la construcción de bases de datos robustas y con datos faltantes: caso aplicado a la información financiera,” Tecnura, vol. 27, no. 75, pp. 14–37, 2023.
L. Y. D. Turco, “Mejora de la predicción en tareas de aprendizaje automático supervisado: imputación de valores perdidos,” Andalucía, España, 2021.
J. Lorenzo, “Distancias de mahalanobis,” Argentina, 2019.
——, “Distancia de mahalanobis,” 2019.
M. A. D. Martínez, R. Z. Cruz, and R. V. R. Salinas, “Simulación con flexsim, una nueva alternativa para la ingeniería hacia la toma de decisiones en la operación de un sistema de múltiples estaciones de prueba,” Científica, vol. 22, no. 2, pp. 97–104, 2018.
A. C. B. Cepeda, “Bondad de ajuste para datos redondeados,” México, 2021.
K. D. O. S. and J. C. C. Vélez, Bioestadística aplicada a investigaciones científicas en la salud. Quito: Ediciones Mawil, 2022.
M. R. David, G. C. Antonio, and G. L. Eva, Fundamento de la ciencia de datos. España: Universidad de Alcalá, 2021.
A. R. M. Rodríguez, “Métodos alternativos ante la violación de supuestos en diseños de experimentos factoriales,” Anales Científicos, Universidad Nacional Agraria La Molina, vol. 82, no. 2, pp. 318–335, 2021.
P. L. L. B. J. C. C. and B. C. Grollemund, “Las pruebas permanova y el modelado log-normal de poisson revelan cómo se distinguen dos quesos tradicionales mediante tareas de clasificación y verbalización,” Food Quality and Preference, vol. 104, 2023