Control de la incertidumbre en los modelos de gestión de seguridad y salud en el trabajo en la agroindustria, 2025

Abstract

La investigación aborda la incertidumbre en los modelos de gestión de seguridad y salud en el trabajo (SST) en el sector agroindustrial peruano, con énfasis en el análisis estadístico para evaluar riesgos y tomar decisiones estratégicas. El objetivo principal es calcular y caracterizar el grado de incertidumbre asociado a los factores de riesgo en los procesos de producción mediante herramientas estadísticas avanzadas. La metodología empleó el método de simulación de Monte Carlo, técnica que permite modelar escenarios diversos y generar distribuciones probabilísticas. Este enfoque se complementó con estadística inferencial, ajustando los datos obtenidos a una distribución Weibull, identificada como la más adecuada para representar la variabilidad de los riesgos laborales. El estudio cuantificó la incertidumbre de manera precisa, destacando parámetros como la media, desviación estándar y la forma de las distribuciones, que son clave para la evaluación del riesgo. La distribución Weibull resultó esencial para identificar patrones de riesgo, incluyendo eventos extremos, y su análisis permitió modelar la probabilidad y frecuencia de accidentes en función del comportamiento de los procesos agroindustriales. La integración del criterio de información de Akaike (AIC) aseguró la selección óptima del modelo estadístico para los datos analizados. Los resultados confirman que la incertidumbre estadística impacta significativamente en la efectividad de las medidas de control y la priorización de estrategias preventivas. Esta investigación proporciona un modelo estadístico robusto, aplicable a sectores industriales de alta variabilidad, y destaca la utilidad de enfoques basados en datos para optimizar la gestión de riesgos laborales. Las contribuciones metodológicas fortalecen la SST y establecen un marco para futuras investigaciones que integren simulaciones avanzadas en entornos industriales complejos.

The research addresses uncertainty in occupational health and safety management (OHS) models in the Peruvian agro-industrial sector, with an emphasis on statistical analysis to assess risks and make strategic decisions. The primary objective is to calculate and characterize the degree of uncertainty associated with risk factors in production processes using advanced statistical tools. The methodology employed the Monte Carlo simulation method, a technique that models diverse scenarios and generates probabilistic distributions. This approach was complemented with inferential statistics, adjusting the obtained data to a Weibull distribution, identified as the most appropriate to represent the variability of occupational risks. The study precisely quantified uncertainty, highlighting parameters such as the mean, standard deviation, and the shape of the distributions, which are key to risk assessment. The Weibull distribution proved essential for identifying risk patterns, including extreme events, and its analysis enabled modeling the probability and frequency of accidents based on the behavior of agro-industrial processes. The integration of the Akaike Information Criterion (AIC) ensured the optimal selection of the statistical model for the analyzed data. The results confirm that statistical uncertainty significantly impacts the effectiveness of control measures and the prioritization of preventive strategies. This research provides a robust statistical model, applicable to industries with high variability, and underscores the usefulness of data-driven approaches to optimize occupational risk management. The methodological contributions strengthen OHS and establish a framework for future research that integrates advanced simulations in complex industrial environments.