Diseño experimental para la formulación óptima de alimentos

En el contexto de una industria alimentaria global y crecientemente competitiva, resulta fundamental para las empresas adquirir competencias distintivas de base científico-tecnológica, las cuales les permitirán facilitar y acelerar el proceso de creación y mejora de la calidad de los productos alimenticios, independientemente del nivel de desarrollo de la empresa. Por ejemplo, los avances tecnológicos recientes han producido un aumento exponencial en la cantidad de datos disponibles durante los procesos de formulación de alimentos, lo cual genera la oportunidad única de valorizar estos datos para incrementar el valor de los alimentos producidos mediante la optimización de su formulación.

Durante el proceso de formulación, los productos alimenticios son evaluados a partir de una serie de características tales como textura, sabor, color, durabilidad, entre otros. Estas características dependen de la composición del alimento y de las variables físicas relevantes para su producción. Las características de los alimentos constituyen variables de respuesta, y las variables que controlan el proceso de producción del alimento constituyen variables manipuladas. La relación entre variables de respuesta y manipuladas se puede representar mediante un modelo matemático empírico construido a partir de datos experimentales. El diseño de experimentos permite determinar sistemáticamente la cantidad y combinaciones de variables a considerar en cada experimento para construir un modelo estadísticamente válido. El modelo construido se puede utilizar para optimizar una o más variables de respuesta dentro del dominio experimental, o diseñar un nuevo conjunto de experimentos utilizando la metodología de superficie respuesta.

Durante el curso, los estudiantes desarrollarán los conocimientos y habilidades necesarias para la formulación óptima de productos alimenticios aplicando diseño experimental. Estas competencias les permitirá sistematizar la formulación de alimentos para reducir costos de producción, mejorar su competitividad e incrementar los estándares de investigación y desarrollo en las empresas

Junto con lo anterior, los estudiantes serán capaces de interpretar y modificar los casos de estudio para ajustarlos a sus necesidades de formulación de producto. Se enfatiza el análisis de significancia e identificabilidad de los parámetros del modelo para establecer la confiabilidad de la fórmula óptima obtenida.

Para el logro de lo anteriormente planteado, el curso tiene una metodología consistente en el aprendizaje de la teoría estadística y matemática del diseño de experimentos mediante ejemplos y casos de estudio relevantes para la industria alimentaria obtenidos de la literatura. Python se utilizará como lenguaje de programación para implementar los algoritmos, funciones y metodologías de una manera sistemática, reproducible y automática. Para mejorar la interpretabilidad y aplicabilidad del diseño experimental, Jupyter Notebook se utilizará como ambiente de desarrollo integrado permitiendo intercalar código con explicaciones.

El formato e-learning surge como una solución que permite construir aprendizajes a partir de los aportes de los participantes y entregando flexibilidad a sus horarios de estudio. Los participantes podrán interactuar con sus compañeros y tutores a través de mensajería y foros de discusión aplicados a las temáticas del curso, incorporando sus distintas aproximaciones y su diversidad de experiencias, enriqueciendo la reflexión y la apropiación de los conceptos claves.

*Este curso pertenece al Diplomado en Gestión de la industria de los alimentos.

Ejecutivos, profesionales y emprendedores que trabajen en áreas de análisis y/o desarrollo de mejoras de procesos enfocados en la productividad para la generación de productos o servicios en la industria alimentaria.

Aplicar diseño experimental para la formulación óptima de productos alimenticios con foco en el uso de herramientas estadísticas y matemáticas.

Grado académico, título profesional universitario y/o título técnico.
Experiencia profesional en empresas u organizaciones relacionadas al área del curso.
Manejo básico de office e internet.
Conocimiento del idioma inglés a nivel lectura.
Conocimientos básicos de programación.

Al final del curso podrás:
– Aplicar herramientas de optimización de un producto ajustando modelos empíricos de regresión múltiple
– Aplicar la metodología de superficie de respuesta para incrementar la robustez del proceso de formulación óptima (en Python).
– Analizar los conceptos estadísticos y matemáticos relevantes para el diseño de experimentos y su optimización.
– Seleccionar modelos robustos aplicando análisis de identificabilidad, sensibilidad y significancia a los parámetros que constituyen los modelos ajustados por la metodología de superficie de respuesta.
– Evaluar la pertinencia de diferentes algoritmos de optimización de un único o múltiples objetivos según las características del proceso de formulación y las variables de respuesta de interés.

Contenidos:
Estadística para el diseño experimental
– Conceptos estadísticos básicos y técnicas de muestreo.
– Inferencia estadística.

Diseño experimental I
– Análisis de varianzas de experimentos con un factor.
– Fundamentos del diseño experimental.

Diseño experimental II
– Modelos de regresión lineal.
– Diseño para distintos objetivos de proceso.

Desarrollo de modelos usando metodología de superficie de respuesta
– Introducción a la Metodología de Superficie de Respuesta.
– Métodos de Diseño de Experimentos para ajustar modelos MSR.
– Ajuste de modelos en MSR.
– Análisis post-regresión y validación del modelo.

Optimización usando metodología de superficie de respuesta
– Optimización de una respuesta.
– Optimización de múltiples respuestas: función de deseabilidad.
– Optimización multiobjetivo.

Aplicaciones de la optimización usando metodología de superficie de respuesta
– Datos experimentales.
– Ajuste de modelos de superficie de respuesta (polinomios de grado 2).
– Selección del modelo más robusto y validación del modelo.
– Optimización multiobjetivo.