Estimación del tamaño muestral óptimo mediante modelado probabilístico. Aplicación al muestreo en lotes de fruta

Abstract

El presente Trabajo Fin de Grado aborda la optimización del control de calidad en plantas de procesamiento de cítricos mediante técnicas analíticas avanzadas y algoritmos de aprendizaje automático. El paradigma tradicional en la industria agroalimentaria confía la planificación de la producción a estimaciones de muestreo estadístico manual llamadas escandallos. Sin embargo, en entornos industriales se observan desviaciones sistemáticas muy acusadas entre estas mediciones estáticas previas y la distribución real de calidades comerciales que las máquinas calibradoras automáticas determinan empíricamente en la planta tras el procesamiento completo. Tomando como base operativa la planta de Sollana, se diseñó e implementó un flujo completo de datos orientado al negocio para corregir de forma automatizada este ruido mecánico. Tras un exhaustivo Análisis Exploratorio de Datos que cuantificó la asimetría y variabilidad del comportamiento mecánico de las distintas líneas de envasado, se desarrolló un pipeline de modelado predictivo multi-salida. El problema se enmarcó matemáticamente en el análisis composicional multivariable, donde las proporciones inferidas de las calidades del lote deben sumar estrictamente el cien por cien. El modelo óptimo seleccionado se fundamenta en el algoritmo Ridge Regression con regularización paramétrica L2, el cual permite mitigar de manera excelente la alta multicolinealidad estructural inherente a las variables iniciales de muestreo. Los resultados de la validación reflejan que este ecosistema predictivo logra comprimir el Error Absoluto Medio global de la planta a un 7,83% sobre datos no vistos, lo que supone una drástica reducción neta del 65,72% respecto al baseline heurístico tradicional. La solución dota a la empresa de un Gemelo Digital robusto capaz de estabilizar la logística y asegurar las proyecciones comerciales.

This Undergraduate Thesis focuses on optimizing quality control within citrus processing facilities through advanced data analytics and machine learning techniques. The traditional paradigm across the agri-food sector relies heavily on initial manual statistical sampling, known as "escandallo," to govern production planning. However, in real-world industrial operations, systemic and severe statistical discrepancies arise between these static pre-assessments and the empirical quality distributions determined by automatic grading machinery after processing the entire fruit batch. Centered on the operational environment of the Sollana packaging plant, a comprehensive, business-driven data pipeline was designed and implemented to automatically correct this mechanical noise. Following an exhaustive Exploratory Data Analysis that quantified the asymmetry and operational variance among the different grading lines, a multi-output predictive modeling architecture was developed. The problem was mathematically formulated as a multi-variable compositional analysis, strictly constraining the inferred grade proportions to equal one hundred percent. The selected optimal model leverages a Ridge Regression algorithm embedded with L2 regularization, which excellently mitigates the severe structural multicollinearity inherent to the initial sampling features. Validation results demonstrate that this predictive ecosystem successfully compresses the facility's global Mean Absolute Error to 7.83% on unseen data. This achievement marks a drastic 65.72% net error reduction compared to the factory’s traditional heuristic baseline. Ultimately, this solution provides the collaborating organization with a robust Digital Twin framework, capable of stabilizing logistics management, neutralizing equipment calibration inefficiencies, and safeguarding commercial supply commitments.