La etapa de fermentación es la más crítica en la fabricación de bebidas alcohólicas pues determina la cantidad de etanol que se va a producir. Las técnicas de análisis multivariante como el análisis de componentes principales (ACP) permiten obtener una mejor comprensión de procesos complejos. La combinación del ACP y las redes neuronales conduce a la modelación robusta de la etapa de fermentación. Esta investigación tuvo como objetivo obtener un modelo parra la estimación de la concentración de etanol una vez terminada la etapa de fermentación en función de variables operacionales. Para el estudio se recopilaron 249 instancias de las variables temperatura, concentración de células vivas en el inóculo, pH, sólidos aerométricos disueltos y grado alcohólico. Se utilizó el software Unscrambler v8.0 para el ACP y Matlab 2013 para la creación del modelo de redes neuronales. El primer componente principal explica el 94,9 % de la varianza del conjunto inicial de datos. Se comprobó que el intervalo en que se normalmente se trabajan las condiciones iniciales de las variables temperatura, pH, concentración de células vivas y concentración de sólidos aerométricos disueltos dan lugar a fermentaciones con rendimiento medio y bajo. La mejor topología neuronal presenta cuatro variables de entrada y seis neuronas en la capa oculta con una media del error cuadrático medio de 4,34·10-4 y un factor de correlación con los datos experimentales de 0,916. La correcta operación de los fermentadores a lo largo de la fermentación constituye un factor de altísima importancia en la obtención de altos rendimientos.