TESIS MELGAR LALANNE MARIA GUIOMAR -...
157
INTITUTO POLITÉCNICO NACIONAL ESCUELA NACIONAL DE CIENCIAS BIOLÓGICAS DEPARTAMENTO DE GRADUADOS E INVESTGACIÓN EN ALIMENTOS Desarrollo de un método quimiométrico acoplado FTIR- HATR para la determinación de las principales propiedades químicas del queso Panela. TESIS que para obtener el grado de Maestro en Ciencias de Alimentos presenta María Guiomar Melgar Lalanne Directores de tesis Dra. Tzahirí Gallardo Velázquez Dr. Guillermo Osorio Revilla México DF, Abril de 2009
Transcript of TESIS MELGAR LALANNE MARIA GUIOMAR -...
INTITUTO POLITÉCNICO NACIONAL
ESCUELA NACIONAL DE CIENCIAS BIOLÓGICAS
DEPARTAMENTO DE GRADUADOS E INVESTGACIÓN EN ALIMENT OS
Desarrollo de un método quimiométrico acoplado FTIR -
HATR para la determinación de las principales
propiedades químicas del queso Panela.
TESIS
que para obtener el grado de
Maestro en Ciencias de Alimentos
presenta
María Guiomar Melgar Lalanne
Directores de tesis
Dra. Tzahirí Gallardo Velázquez
Dr. Guillermo Osorio Revilla
México DF, Abril de 2009
Este trabajo fue realizado en el Laboratorio Central de
Instrumentación-Investigación del Departamento de Biofísica
de la Escuela Nacional de Ciencias Biológicas del Instituto
Politécnico Nacional bajo la dirección de la Dra. Tzayhrí
Gallardo Velázquez y del D. Guillermo Osorio Revilla con
apoyo del programa de becas de investigación y postgrado
del Consejo Nacional de Ciencia y Tecnología con el número
de proyecto 217763/206847.
Agradecimientos
A la Dra. Tzayhrí Gallardo y al Dr. Guillermo Osorio, por sus enseñanzas, su
paciencia y su ejemplo.
A la Dra. Irasema Anaya por su inestimable ayuda con los trámites burocráticos
que hicieron posible que finalmente pudiese realizar esta tesis.
A los maestros de la Academia de Alimentos que tuvieron sus puertas abiertas
para resolverme dudas y aportarme mejoras.
A maestros y compañeros del Laboratorio de Biofísica, siempre dispuestos a
compartir enseñanzas y ayudar. Gracias por construir un gran lugar de trabajo.
A mi compañero, Eduardo, gracias por amarme, animarme, ayudarme,
escucharme y aprender conmigo. Tu presencia hizo posible este sueño.
A mis hijos, gracias por completar mi vida. Vosotros sois la razón de todo.
i
Resumen y abstract
ii
Resumen
El queso tipo Panela es uno de los más consumidos en México. Sin embargo, las normas
mexicanas no establecen su composición promedio por lo que resulta conveniente
avanzar en su caracterización fisicoquímica y así facilitar su clasificación. El objetivo
general del presente trabajo fue desarrollar un método quimiométrico acoplado a
Espectroscopia Infrarroja por Transformada de Fourier usando un aditamento de
Reflectancia Total Atenuada Horizontal con punta de diamante (FTIR-HATR) para la
determinación de parámetros químicos en queso Panela comercial así como de su
adulteración con grasas vegetales. Para los análisis se utilizaron 31 muestras de queso
Panela comercial compradas en establecimientos de la Ciudad de México.
La analítica tradicional se hizo siguiendo los métodos recomendados por la normatividad
mexicana. En función de estos resultados el queso Panela medio puede clasificarse como
un queso blando, semigraso o extragraso, con un contenido proteico cercano al 17% y
elaborado mediante coagulación enzimática.
En el modelo quimiométrico cuantitativo de caracterización de los parámetros de
humedad (%), grasa (%) y proteína (%) el coeficiente de correlación obtuvo valores de
0.9999. El Error estándar de calibración (SEC) varió entre 0.028 en el caso de la humedad
(%) y 0.1795 en el del colesterol (mg/100g) mientras que el Error Estándar de Predicción
Real (SEP real) tuvo valores de entre 1.256 de la humedad y 0.9947 del colesterol. La
validación externa con muestras de predicción dio valores con desviaciones estándares
menores a 1.5. Estos valores indican la validez del modelo.
En el modelo quimiométrico cualitativo para determinar la presencia o no de grasa vegetal
en queso Panela se obtuvo una distancia interclase de 6.86, un porcentaje de
reconocimiento de las muestras con grasa vegetal y sin grasa vegetal de 100% y un
porcentaje de rechazo de las muestras de 95% en las que tenían grasa vegetal y de un
86% en las que no tenían grasa vegetal. La validación externa fue capaz de separar
correctamente las muestras con y sin grasa vegetal por lo que el modelo se considera
válido.
Los modelos quimiométricos desarrollados probaron ser de gran utilidad para caracterizar
el queso Panela y para identificar la presencia de adulteración con grasa vegetal de
manera rápida y eficaz, sin necesidad de pretratar las muestras. Se demuestra así el
potencial de la quimiometría en la caracterización de productos lácteos.
iii
Abstact
Panela cheese (a fresh-type Mexican cheese) is one of the most commonly
consumed in Mexico. However, Mexican regulation does not state their average
composition. For this is convenient to advance in his physicochemical
characterization in order to facilitate his classification. The main objective of this
work was to apply Infrared spectroscopy by Fourier Transformed with horizontal
attenuated total reflectance (FTIR/HATR) and multivariable analysis to the
determination of different chemical parameters in Panela cheese and in his
adulteration with vegetal fat. Thirty-one Panela cheese commercial samples were
collected at establishments in Mexico City. Traditional analysis were done using
the methodology recommended by Mexican rules. Based on these results, average
Panela cheese can be classified as a soft, semi-fat to full fat cheese, with protein
content close to 17% and produced by enzymatic coagulation.
The best model of quantitative multivariable analysis to characterize moisture (%),
fat (%), protein (%) and cholesterol (mg/100g) parameters obtained a correlation
coefficient value of 0.99, a Standard Error of Calibration (SEC) ranged from 0.028
in moisture parameter to 0.1795 in cholesterol parameter and a Standard Error of
Prediction actual (SEPactual) between 1,256 in moisture to 0.947 in cholesterol.
External validation with prediction samples gave values with standard deviations
less than 1.5. These values indicate the validity of the model.
The best model of qualitative multivariable analysis to determinate the presence or
absence of vegetal fat was an interclass distance of 6.86, a recognition rate of
100% in material with and without vegetal fat, a rejection rate of 95% in material
with vegetal fat and a rejection rate of 86% in material without vegetal fat. External
validation was able to correctly separate samples with and without vegetal fat.
Therefore, that model is valid to detect presence or absence of vegetal fat in
Panela cheese. Both chemometric models developed proved their utility to
characterize Panela cheese and to identify presence or absence of adulteration
with vegetal fat, quickly and effectively, without pre-treatment of samples. This
shows the potential of chemometric tools in the characterization of dairy products.
iv
Índice general
v
Resumen y Abstract i
Resumen ii
Abstract iii
Índice general iv
Índice de cuadros xi
Índice de figuras xiii
1. Introducción 1
2. Antecedentes 4
2.1. Mercado de lácteos en México 5
2.2. Normatividad vigente 9
2.3. Definiciones de queso 11
2.4. Composición general de los quesos frescos mexi canos 12
14 2.5. Estado del arte de los métodos quimiométricos acoplados a
FTIR / HATR
16 2.6. Fundamentos teóricos de la espectroscopia infr arroja por
transformada de Fourier (FTIR) utilizando refractan cia total
atenuada horizontal (HATR)
vi
2.6.1. Generalidades 16
2.6.2. El espectro infrarrojo 17
2.6.3. Espectroscopia infrarroja por Transformada d e Fourier
(FTIR) 18
2.6.4. Reflectancia Total Atenuada Horizontal (HATR ) 21
2.7. Fundamentos teóricos del método quimiométrico 23
2.7.1. Generalidades 23
2.7.2. Análisis multivariable 25
2.7.2.1. Análisis multivariable cuantitativo: progr ama Quant + 26
2.7.2.1.1. Calibración multivariable (pretratamiento de los datos) 27
2.7.2.1.2. Validación interna (predicción) 30
2.7.2.1.3. Validación externa 32
2.7.2.1.3.2. Aplicación del modelo desarrollado 33
2.7.2.2. Análisis multivariable cualitativo: progra ma Assure ID 33
2.7.2.2.1. Calibración cualitativa: pretratamiento de los datos 35
2.7.2.2.2. Validación (predicción) 36
2.7.2.2.3. Aplicación del modelo desarrollado 37
2.8. Fundamentos de la caracterización del queso Pa nela utilizando
métodos analíticos tradicionales: Análisis univaria ble. 37
vii
3. Justificación 40
4. Objetivos 43
4.1. Objetivo general 44
4.2. Objetivos específicos 44
5. Materiales y métodos 45
5.1. Materias primas 46
5.2. Equipos y reactivos 46
5.1. Diagrama experimental 47
5.4. Métodos analíticos químicos proximales 49
49 5.4.1. Determinación de sólidos totales y del conte nido en
humedad
5.4.2. Determinación de grasa 50
5.4.3. Determinación de proteínas 51
5.4.4. Determinación de pH 53
5.4.5. Determinación de presencia de almidón 53
5.4.6. Determinación de esteroles por cromatografía de gases 54
5.6. Método espectrofotométrico FTIR/HATR 56
viii
5.6.1. Obtención de los espectros FTIR /HATR 56
5.6.2. Interpretación del espectro infrarrojo 57
5.6.3. Análisis multivariable cuantitativo: program a Quant + 57
5.6.4. Análisis cualitativo: programa Assure ID 59
5.7. Caracterización del queso Panela por métodos a nalíticos
tradicionales: Análisis univariable 60
6. Resultados y discusión 61
62 6.1. Caracterización del queso Panela por métodos
analíticos tradicionales
62 6.1.1. Determinación de sólidos totales (%), humeda d (%) y
humedad libre de materia grasa (%)
6.1.2. Determinación de grasa (%) y de grasa en ext racto seco
(%) 65
6.1.3. Determinación de proteínas (%) 68
6.1.4. Determinación de pH 70
6.1.5. Determinación de almidón 71
6.1.6. Determinación de esteroles por cromatografía de gases 72
6.2. Interpretación de los espectros FTIR /HATR 79
6.3. Desarrollo del modelo quimiométrico para la de terminación de 84
ix
humedad, grasa y proteína en queso Panela
6.3.1. Muestras para el desarrollo del modelo 84
6.3.2. Calibración: Pretratamiento de los datos 85
6.3.3. Calibración de los datos para el modelo maes tro 2 87
6.3.4. Elección del algoritmo 91
6.3.5. Validación interna del modelo 96
6.3.6. Validación externa del modelo con muestras d e
predicción 97
100 6.4. Desarrollo del modelo SIMCA para adulteración con grasa
vegetal
6.4.1. Calibración del modelo: Pretratamiento de lo s datos 100
6.4.2. Validación del modelo SIMCA 104
106 6.5. Aplicación del modelo quimiométrico FTIR /HATR de queso
Panela
7. Conclusiones 109
Conclusión general 112
8. Bibliografía 113
8.1. Referencias impresas 114
x
8.2. Referencias electrónicas 123
9. Apéndices 124
9.1. Normatividad referente a queso 125
9.2. Cuadros de resultados analíticos tradicionales 129
xi
Índice de cuadros
Cuadro 1 : Porcentaje de la producción nacional de quesos (2001). 7
Cuadro 2 : Composición de distintos quesos frescos mexicanos
reportados en la bibliografía. 13
Cuadro 3 : Clasificación de los quesos mexicanos por su contenido en
humedad libre de materia grasa (HLMG) (%). 50
Cuadro 4: Clasificación de los quesos mexicanos por su contenido en
grasa en extracto seco (GES) (%). 51
Cuadro 5 : Perfil de esteroles (colesterol, β-sitoesterol y β -stigmaesterol)
en mg/100 g de queso y ausencia y/o presencia de grasa de origen
vegetal en las muestras de queso Panela comercial analizadas.
77
Cuadro 6 : Regiones (cm-1) de los principales parámetros y tipo de enlace
de interés en queso Panela comercial analizadas. 82
Cuadro 7: Características de los modelos cuantitativos desarrollados
para el queso Panela comercial que presentaron mejores resultados. 86
Cuadro 8: Datos de calibración del modelo cuantitativo en PLS1
desarrollado para predecir la composición química de humedad (%),
grasa (%), proteína (%) y colesterol (mg/100g) en queso Panela
comercial.
91
Cuadro 9: Datos de contenido real (%), Contenido estimado (%),
desviación estándar, distancia de Mahalanobis, Error Residual e
Influencia (H1) de las cinco muestras de predicción para el modelo
cuantitativo elegido de queso Panela comercial.
98
Cuadro 10: Distancia interclase de las poblaciones analizadas (muestras 103
xii
con grasa vegetal y muestras sin grasa vegetal) del modelo SIMCA
optimado.
Cuadro 11: Reporte de la eficiencia de la clasificación con los
porcentajes de reconocimiento y de rechazo interclase e intraclase. 103
Cuadro 12 . Resultados de las muestras de validación del modelo de
análisis multivariable cualitativo optimado para las muestras de queso
Panela comercial.
104
xiii
Índice de figuras
Figura 1: Consumo aparente (kilogramos por habitante y año) de quesos
en México y en otros países y regiones en 2004. 5
Figura 2: Importaciones de queso (toneladas) en México (1992-2002) 6
Figura 3: Diagrama de un interferómetro de Michelson. 20
Figura 4 : Diagrama de un accesorio HATR. 22
Figura 5 . Diagrama de flujo del análisis multivariable cuantitativo. 26
Figura 6 . Diagrama de flujo del análisis multivariable cualitativo. 34
Figura 7 : Diagrama del desarrollo experimental del trabajo. 48
Figura 8. Diagrama de alimentación de espectros FTIR /HATR y de
parámetros químicos en el programa Quant+. 58
Figura 9: Porcentaje de humedad con la media, la mediana y los cuartiles
(Mediana, Q0, Q1, Q2, Q3 y Q4) de las muestras comerciales de queso
Panela comercial analizadas.
62
Figura 10: Porcentaje de Humedad sin materia grasa (HSMG) con la
media, la mediana y los cuartiles de las muestras de queso Panela
comercial analizadas.
64
Figura 11: Porcentaje de grasa con la media, la mediana y los cuartiles de
las muestras de queso Panela comercial analizadas. 66
Figura 12: Porcentaje de Grasa en Extracto Seco (GES) con la media, la
mediana y los cuartiles de las muestras analizadas de queso Panela
comercial.
67
xiv
Figura 13. Porcentaje de Proteína (%) con la media, la mediana y los
cuartiles de las muestras de queso Panela comercial analizadas. 69
Figura 14 : pH de las muestra comerciales de queso Panela analizadas con
la media, la mediana y los cuartiles. 70
Figura 15 . Cromatograma correspondiente a la muestra 2 de queso Panela
comercial con presencia de colesterol (muestra sin adulterar). 73
Figura 16. Cromatograma correspondiente al estándar de colesterol. 74
Figura 17. Cromatograma correspondiente a la muestra 11 de queso
Panela comercial analizada con presencia de colesterol, stigmaesterol y
sitoesterol (muestra adulterada con grasa vegetal).
75
Figura 18 : Cromatograma correspondiente al estándar de β-stigmaesterol
(izquierda) y de β-sitoesterol (derecha). 76
Figura 19. Relación entre el contenido en grasa (%), colesterol (mg/ 100 g
queso) de las muestras analizadas de queso Panela comercial en orden
decreciente de contenido graso.
78
Figura 20. Espectro FTIR/HATR en la región del infrarrojo medio (4000-
550 cm-1) en unidades de Absorbancia de la media de los triplicados
correspondientes a la muestra 1 de queso Panela comercial e
interpretación de las principales bandas de absorción.
80
Figura 21. Espectro FTIR del colesterol puro en leche de vaca. 84
Figura 22: Regiones del espectro elegidas para la determinación de los
parámetros de del modelo maestro 2 por FTIR –HATR 22a) Región del
espectro para el colesterol. 22b) Región del espectro para humedad, grasa
y proteína.
88
xv
Figura 23 : Influencia Vs. Error Residual de los parámetros de humedad,
grasa, proteína y colesterol. 89
Figura 24 . Espectro de la muestra 1 en la región 3169-946 cm-1 (negro) y
espectro de su derivada (1,9) (azul). 90
Figura 25. % de Coeficiente de determinación frente a Número de
componentes principales del parámetro humedad. 92
Figura 26. Figura 26a) SEP estimado del parámetro de humedad.; Figura
26b) SEP real del parámetro de humedad. 94
Figura 27: Gráficas de la influencia Vs. El Error Residual de los
parámetros de humedad, grasa, proteína y colesterol de las muestras de
queso Panela comercial analizadas.
95
Figura 28. Validación interna de las muestras de queso Panela comercial
analizadas. 96
Figura 29. Validación interna de Colesterol estimado (mg/100g) Vs.
Colesterol especificado (mg/100g) 97
Figura 30 : Distribución espacial de las poblaciones obtenidas con el
modelo SIMCA de muestras con grasa vegetal (verde) y muestras sin
grasa vegetal (azul) de las muestras de queso Panela comercial
analizadas.
101
Figura 31: Figura 31a) Distribución de las muestras con grasa vegetal y
Figura 31b) de las muestras sin grasa vegetal del modelo SIMCA elegido. 102
Figura 32. Diagrama de flujo de manejo de una muestra desconocida. 107
1
1. Introducción
2
En México existen muchas variedades de quesos frescos e incluso dentro de un
mismo tipo existe una gran versatilidad. Por ello, es necesario caracterizar
fisicoquímicamente estos productos mexicanos para su posible estandarización
tanto a nivel industrial como por parte de las autoridades competentes (Cesín et
al., 2007; Villegas, 2004-2; Linck et al., 2006).
En relación con el queso Panela, las caracterizaciones efectuadas hasta la fecha
se han realizado con un número de muestras relativamente bajo (inferior a ocho)
(Villegas, 1993 y Lobato-Calleros et al., 2006). Normalmente, con finalidades
diferentes a la caracterización fisicoquímica y no siempre se han efectuado con
queso Panela comercial.
Por otro lado, la leche en México presenta un grave problema de adulteración.
Vega-y-León (2006) indica que en diversos estudios realizados en la Ciudad de
México con leches fluidas la adulteración de la misma con grasa vegetal superó el
30%. No se han encontrado estudios sobre este tema específicamente en quesos
mexicanos.
Las técnicas de análisis químico proximal son costosas, laboriosas e implican una
gran cantidad de tiempo y material de laboratorio además de una elevada cantidad
de muestra y personal capacitado.
En los últimos años, la espectroscopia infrarroja se ha convertido en una opción
atractiva para el análisis cuantitativo de los alimentos. Esto ha sido posible gracias
al desarrollo de nuevas tecnologías en la detección mediante la aplicación de la
espectroscopia infrarroja por transformada de Fourier (FTIR, por sus siglas en
inglés) así como en el manejo de muestras utilizando el aditamento de reflectancia
total atenuada horizontal (HATR, por sus siglas en inglés), acoplado al
procesamiento estadístico casi inmediato de la información espectral por medio de
programas de cómputo quimiométricos (Yang y Irudayaraj, 2000; Macías –
Rodríguez et al., 2004) dando lugar al establecimiento de métodos analíticos
quimiométricos basados en la espectroscopia infrarroja para el control de calidad
de varios tipos de muestras sin tener que llevar a cabo un largo pretratamiento de
la misma (Downey, 1998).
3
Las técnicas FTIR-HATR se utilizan para la caracterización de numerosos
productos alimenticios. En el caso de los productos lácteos se han caracterizado
leches fluidas y fórmulas lácteas (Iñón et al., 2004) distintos quesos como el suizo
(Rodríguez-Saona et al., 2006), el Cheddar (Upreti y Metzger, 2006) y queso
semiduro (Wittrup y Norgaard, 1998) así como otros productos.
Con base a lo anteriormente citado y a la demostrada utilidad de la espectroscopia
FTIR-HATR para determinar diversas características químicas en alimentos, el
objetivo del presente trabajo consistió en desarrollar un método quimiométrico
acoplado a la espectroscopia infrarroja por transformada de Fourier (FTIR) con un
aditamento de reflectancia total horizontal (HATR) para determinar en forma rápida
y precisa los parámetros de composición química del queso Panela y su posible
adulteración con grasa vegetal.
4
2. Antecedentes
5
2.1. Mercado de lácteos en México
El consumo nacional de queso se ha incrementado en un 40% (de 155,000 t en
1998 a 217,000 t en 2005) lo que supone un incremento en el consumo por
habitante y año de 0.66 kg a 2.106 kg en el mismo periodo (Cesín, 2007).
En 2004 sólo se consumieron 1.9 kg por habitante lo que resulta un valor
significativamente más bajo que el consumo medio en la Unión Europea, Estados
Unidos, Argentina y Brasil estimada para el mismo año. (Figura 1) (Proyecto SICA-
BIRF/MAG, 2007).
BrasilArgentinaEUAUEMexico
18
16
14
12
10
8
6
4
2
0
País o Región
kg/hab año
2.9
11.5
15.0
16.0
1.9
Figura 1 : Consumo aparente (kilogramos por habitante y año) de quesos en México y en otros
países y regiones en 2004. (Proyecto SICA-BIRF/MAG, 2007).
A pesar de que el incremento en el consumo entre 1995 y 2005 fue del 40%, la
producción nacional en el mismo periodo solamente aumentó un 3.6% (de 120,000
tn en 1995 a 132,000 tn en 2005) por lo que las importaciones han crecido
dramáticamente para cubrir el incremento en la demanda.
6
Según Gallardo et al. (2003) el 40.2% de los quesos consumidos en el país son
importados, fundamentalmente de Estados Unidos, Nueva Zelanda y Uruguay.
Estos productos se destinan básicamente al segmento de quesos industrializados
en la industria de alimentos preparados (Promar-International, 2002). La situación
se ha agravado desde la firma del Tratado de Libre comercio con América del
Norte (TLCAN) (Valle Rivera et al., 1997; García et al., 1998) periodo en el que las
importaciones de estos productos han crecido en cerca de 55,000 t (de 16,272 t en
1995 a 70,723 t en 2002 (Figura 2), es decir, un 434% (Gallardo et al., 2003).
Desde enero de 2008 el sector lácteo mexicano se ha liberado completamente en
el marco del TLCAN con lo que se espera que las importaciones aumenten
todavía más.
0
10,000
20,000
30,000
40,000
50,000
60,000
70,000
1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002
Ton
elad
as
año Figura 2 : Importaciones de queso (toneladas) en México (1992-2002) (Gallardo et al., 2003).
El consumidor mexicano tiene una clara preferencia por los quesos frescos de
pasta blanda con sabor suave y precios accesibles que se emplean
tradicionalmente en la cocina mexicana (Promar-International, 2002).
7
Resulta difícil conocer exactamente la producción nacional de queso y aquellos
que cuentan con mayor demanda en el mercado debido a dos razones
fundamentales:
a) El elevado mercado informal. Existe una importante producción no declarada de
pequeños productores lecheros que elaboran queso para autoconsumo y venta
informal en mercados locales y regionales sin control sanitario ni impositivo
(Cervantes et al., 2006), (Casablanca y Linck, 2004) (Pius y Santiago, 1997);
b) La escasa tipificación oficial de los productos. Ningún queso mexicano cuenta con
una norma oficial obligatoria sobre su elaboración y/o características. Esto hace
que tanto en estadísticas como en estudios científicos se manejen diferentes
denominaciones para un mismo producto (Linck et al., 2006).
En el Cuadro 1 se indican los principales quesos mexicanos y su porcentaje
aparente del total de la producción nacional en el año 2001. Puede observarse
que el queso Panela supone el 9.22% de la producción nacional. Sin embargo, es
posible que algunos quesos Panela se encuentren también bajo el rubro de queso
fresco.
Cuadro 1: Porcentaje de la producción nacional de quesos (2001) (Promar-International, 2002).
Tipo de queso
Porcentaje de la producción nacional (2001)
Fresco 33.51
Procesado 17.05
Doble crema 14.56
Oaxaca 11.98
Panela 9.22
Chihuahua 7.50
Manchego 6.18
Además, a pesar de que las normas oficiales obligan la elaboración de queso con
leche pasteurizada, en la práctica se siguen fabricando una gran cantidad de
quesos con leche cruda sobre todo en pequeñas instalaciones que van a dar al
mercado informal con el consiguiente riesgo para la salud (Villegas, 2004-1;
8
Casablanca y Linck, 2004). Tanto es así, que se estima que el 42.5% del total de
leche producida en México se consume como leche bronca y derivados
artesanales (Pérez-Frías, 2002).
La calidad de los quesos de los medianos y pequeños productores dista mucho de
ser homogénea (Espinosa et al., 2006) y el consumidor se encuentra con que un
mismo queso presenta características sensoriales y de composición distintas
según numerosos factores:
1. Los productores elaboran los quesos de forma tradicional, muchas veces sin
contar con capacitación en higiene y tecnología de los alimentos (Cesín et al.,
2007).
2. Los quesos se elaboran con leche cruda por lo que tienen distinta composición
sobre todo en grasa y proteínas según la época del año, la dieta de los animales y
el método de ordeña empleado y además, supone un riesgo sanitario (García et
al., 1998; Guzmán et al., 2004; Espinosa et al., 2006; Cervantes et al., 2006; Cesín
et al., 2007).
3. Los procesos tecnológicos no están estandarizados. En el caso del queso Panela
hay dos métodos habituales de elaboración uno con cuajado enzimático y otro con
cuajado ácido-enzimático (Villegas, 1993).
4. No existe un adecuado control de calidad a lo largo del proceso ni sobre el
producto terminado ya que estos métodos implican:
a. Métodos analíticos que requieren formación técnica para llevarse a cabo;
b. Utilizar una importante cantidad de muestra;
c. Un incremento en el costo final de producción;
5. Los quesos presentan en su composición ingredientes no autorizados
(adulterantes) con la finalidad de abaratar costos de producción, como:
a. grasas distintas a la láctea (vegetal, sebos y mantecas);
b. almidones para aumentar la retención de agua en la cuajada;
c. proteínas de suero de leche.
9
Como se ha mencionado con anterioridad, la demanda de productos lácteos ha
aumentado en los últimos diez años lo que ha traído como consecuencia un
incremento sustancial en las importaciones de estos productos. El producto
actualmente más importado (INEGI, 2009) es la leche descremada en polvo que
se emplea como ingrediente para elaborar otros productos como quesos y yogures
así como para reconstituirlo y venderlo en leches fluidas y fórmulas lácteas.
Debido a que el precio de la grasa láctea es elevado y a que en México existe un
déficit de este producto, los industriales buscan formas económicamente más
rentables de producir queso como es la incorporación de grasas de origen vegetal
(shortening). Esto hace que las empresas incurran en prácticas comerciales
desleales con otros industriales del mismo ramo, al enviar al mercado productos
lácteos con denominaciones que no corresponden a los ingredientes usados para
su fabricación. Con ello se propicia el uso de adulterantes y, como resultado,
fraudes para los consumidores, que al estar imposibilitados para detectar estos
adulterantes al consumir el producto, son engañados. (Vega-y –León, 2006).
En la década de los 90 comenzó a informarse que la fracción grasa de algunas
marcas comerciales de leche fluida estaba siendo adulterada con grasa vegetal
incumpliéndose así la legislación sanitaria (Vega-y-León, 2006). En 2006 la revista
del consumidor informó que 21 marcas comerciales de queso Panela estaban
adulteradas con grasa vegetal (Revista del consumidor, 2006).
2.2 Normatividad vigente
La normatividad obligatoria mexicana (NOM-121-SSA-1994) se refiere a
cuestiones microbiológicas (determinación de coliformes fecales, S. aureus,
hongos y levaduras, Salmonella y L. monocytogenes), determinación de fosfatasa
residual, presencia de arsénico y plomo y límite máximo de cloruro de calcio.
Indica también los emulsificantes, estabilizantes y espesantes permitidos así como
que el queso debe estar elaborado con leche pasteurizada (NOM-121-SSA-1994 Y
NOM- 091-SSA-1994).
10
Existen otras normas mexicanas de carácter voluntario sobre algunos tipos de
quesos (como el queso Chihuahua) pero hasta la fecha no hay una norma
referente a queso Panela (Ver apéndice 1).
Existen también normas de carácter voluntario que recomiendan el empleo de
ciertos métodos analíticos para analizar quesos. Los análisis químicos proximales
que se hicieron en los quesos Panela estudiados en el presente trabajo se
fundamentaron en dicha normatividad.
Como se ha mencionado con anterioridad, ningún queso mexicano se encuentra
protegido legalmente mediante Denominación de Origen (DO) ni como
Especialidad Tradicional Garantizada (ETG) al contrario que en otros países
(Europa, 2006).
La legislación mexicana define adulteración en leche, fórmula láctea y productos
lácteos combinados como aquella que se da: “cuando la naturaleza o composición
de la leche, fórmula láctea o producto lácteo no corresponda a aquellas con las
que se denomine, etiquete, anuncie, suministre o cuando no corresponda a las
especificaciones establecidas en la norma” (NOM-155-SCFI-2003). No existe sin
embargo, una definición de adulteración específica para quesos.
En 2004 se propuso un método de prueba para discriminar grasa butírica de la
grasa vegetal en leche y productos lácteos (NMX-F-707-COFOCALEC-2004) que
establece la detección de la presencia de grasa vegetal en leche y productos
lácteos mediante el estudio de fitoesteroles por cromatografía de gases. Sin
embargo, esta técnica requiere, personal especializado, es laboriosa, costosa y
poco precisa para cuantificar la adulteración de la fracción grasa de la leche ya
que solo contempla las adulteraciones de grasas vegetales en grasa láctea y no
las adulteraciones con otros tipos de grasas.
11
2.3. Definiciones de queso
El queso es el producto obtenido mediante la coagulación ácida, enzimática o
ácido-enzimática de la leche de hembras de mamíferos sanos (Alais 1985; Luquet
et al., 1991; Chamorro y Losada, 2002).
Se define legalmente de manera internacional conforme al Codex alimentario
(CODEX-STAN-A-006-1978) como el producto blando, semiduro, duro y extra
duro, madurado o no madurado, y que puede estar recubierto, en el que la
proporción entre las proteínas de suero y la caseína no sea superior a la de la
leche, obtenido mediante:
a) Coagulación total o parcial de las siguientes materias primas: leche y/o
productos obtenidos de la leche por efecto del cuajo u otros coagulantes
idóneos y por escurrimiento parcial el suero que se desprende como
consecuencia de dicha coagulación y/o
b) Técnicas de elaboración que comportan la coagulación de la leche y/o de
productos obtenidos de leche y que dan un producto final que posee las
mismas características físicas, químicas y sensoriales que el producto
definido en el apartado a).
Esta norma no define específicamente ningún queso.
El Codex alimentario define al queso fresco o sin madurar como el que está listo
para el consumo poco después de su fabricación y que debe ser mantenido en
condiciones de refrigeración (menores a 8oC) hasta su consumo.
Por su parte, Villegas (1993) define al queso Panela como un queso fresco, de
pasta blanca, autoprensado, elaborado con leche pasteurizada de vaca (a veces
de vaca y cabra) entera o parcialmente descremada con las siguientes
características:
• Forma tronco-cónica invertida;
• Piezas de entre 0.5 y 2 kg;
• Color marcadamente blanco brillante;
• Pasta fácilmente tajable;
12
• Sabor lácteo ligeramente agrisalado.
Los quesos frescos están clasificados en México por la norma NOM-121-SSA1-
1994 en tres subcategorías:
1. Frescales: Panela, Canasto, Sierra, Ranchero, Fresco, Blanco, Enchilado y
Adobado
2. De pasta cocida: Oaxaca, Asadero, Mozzarella, Del morral y Adobera
3. Acidificados: Cottage, Crema, Doble crema, Petit suisse, Nuefchatel.
Esta misma norma diferencia los quesos genuinos de las imitaciones y considera
que éstas últimas son aquellas elaboradas con ingredientes o procedimientos
diversos a los usados en la producción original pero cuyo aspecto sea semejante.
Las adulteraciones más frecuentes en los quesos son la sustitución parcial o total
la grasa butírica por otras grasas más baratas tanto de origen animal como vegetal
y la adición de almidón para aumentar la retención de agua por la cuajada,
práctica que tampoco está permitida. Cabe señalar que siempre que el etiquetado
indique: “imitación de queso” no se considera como una adulteración. La
legislación tampoco considera fraude a la elaboración de quesos con leche en
polvo reconstituida. A pesar de esto, algunos autores como Vega-y-León et al
(2006) consideran que el término “imitación de queso” puede generar confusión al
consumidor.
2.4 Composición general de los quesos frescos mexic anos
En el Cuadro 2 se compila la composición media de algunos tipos de quesos
frescos mexicanos. Se han estudiado pocas muestras de cada uno de ellos lo que
dificulta una correcta caracterización físico-química. Como puede observarse,
existe una elevada variabilidad en la composición química entre los quesos
frescos mexicanos. Se pueden encontrar quesos frescos con humedades que
oscilan entre el 44.1 y el 62.7%. La grasa varía entre el 5.0% y el 24.5% y la
proteína entre el 15.3 y el 30.3%.
13
Se han estudiado también algunas propiedades físicas de los quesos frescos
mexicanos. Hwang y Gunasekaran (2001) estudiaron el desmigado de algunos
quesos frescos latinoamericanos observando también una gran variabilidad entre
ellos. La mayoría de los estudios reológicos sobre quesos frescos como el Panela
(Lobato-Calleros et al., 2006), tipo Manchego (Lobato-Calleros et al., 2004) y el
Oaxaca (Solís et al., 2002) han sido elaborados comparando el producto original
con imitaciones bajas en grasa o con adición de grasa vegetal o con diferentes
tecnologías durante el procesado (Arvizu-Leal et al., 2002) no habiendo
parámetros que caractericen fisicoquímicamente al producto original.
Cuadro 2: Composición de distintos quesos frescos mexicanos reportados en la bibliografía.
Tipo de queso % humedad
%
proteína
%
Grasa
%
Sal pH Fuente
Asadero 48.8 22.5 21.6 ---------- 5.1 Villegas, 1993
Crema tropical
48.1 21.8 24.5 2.4 4.9 Villegas, 1993
Fresco 44.1 23.9 20.0 --------- -------- Hwang y Gunasekaran, 2001
Fresco 46.4 28.6 21.4 --------- -------- Hwang y Gunasekaran, 2001
Fresco 50.0 21.4 17.9 --------- -------- Hwang y Gunasekaran, 2001
Fresco 52.1 20.5 17.1 --------- -------- Hwang y Gunasekaran, 2001
Fresco 53.6 21.4 21.4 --------- -------- Hwang y Gunasekaran, 2001
Fresco 57.1 21.4 17.9 --------- -------- Hwang y Gunasekaran, 2001
Fresco de cabra
62.7 23.6 5.0 --------- -------- Mexfood, 1996
Fresco de vaca
62.7 15.3 7.0 --------- -------- Mexfood, 1996
Oaxaca 45.2 25.7 22.0 --------- -------- Mexfood, 1996
Oaxaca 46.1 30.3 20.5 1.8 5.1 Villegas, 1993
Panela 48.4 23.3 22.5 1.8 5.4 Villegas, 1993
Panela 51.0 21.5 18.0 ---------- -------- Mexfood, 1996
Panela 58.0 20.0 20.0 2.2 5.5 Villegas, 1993
Panela 60.5 15.7 15.7 ---------- -------- Lobato-Calleros et al., 2006
14
Las técnicas tradicionales para medir la composición química de los quesos
generalmente consumen mucho tiempo, son caras y necesitan grandes cantidades
de reactivos y de muestras. Por lo tanto, se requieren pruebas simples, rápidas y
eficaces que permitan dar seguimiento la composición química de los quesos
frescos tanto desde el punto de vista de control de calidad en las medianas y
pequeñas queserías como a nivel de las autoridades encargadas de auditar la
calidad de los productos ofrecidos en el mercado. Los métodos quimiométricos
basados en la espectroscopia infrarroja (FTIR) reúnen estos requisitos.
2.5. Estado del arte de los métodos quimiométricos por espectroscopia
infrarroja por transformada de Fourier (FTIR).
Los métodos quimiométricos se emplean cada vez más ya que son rápidos,
confiables, económicos, efectivos y amigables con el medio ambiente (Irudarayaj y
Sakhamuri, 2001).
En la industria de alimentos se utiliza con éxito en la caracterización de distintos
productos (Downey, 1998) como aceite de oliva (Montoliu, 2001) y vinos (Coimbra
et al., 2002; Edelmann et al., 2003). También en determinación de variedades de
frutas como el caso de cultivares de fresa (Macías-Rodríguez et al., 2004) así
como en la determinación de adulteraciones como es el caso de la miel (Gallardo-
Velázquez, 2009) y el jugo de manzana (Sivakesava et al., 2001).
Hablando específicamente de productos lácteos, los métodos analíticos de
espectroscopia infrarroja por transformada de Fourier utilizando un aditamento de
reflectancia total atenuada horizontal FTIR/HATR acoplados a métodos
quimiométricos se emplean con regularidad (Karoui y De Baerdernanarket, 2007)
en:
- Caracterización y tipificación fisicoquímica de productos como leches líquidas
(Iñón et al., 2006), queso de cabra (Peláez et al., 2004), queso suizo (Rodríguez-
Saona et al., 2006) y otros (Fagan et al., 2007);
15
- Maduración de quesos como el Cheddar (Chen et al., 1998) y Ragusano (Fallico et
al., 2004).
- Determinación del origen de productos como queso Emmental (Karoui y De-
Baerdemaeker 2007);
- Caracterización sensorial de productos como queso Ragusano (Carpino et al.,
2002);
- Discriminación de bacterias lácticas (Amiel et al., 2000), hongos (Hansen y
Nielsen, 1997) y enzimas lactosa permeasa (Patziaff et al., 1998);
- Autenticidad de productos lácteos como adulteración de grasa láctea (Ulberth,
1995; Vega-y-León et al., 2006);
- Determinación de ingredientes minoritarios como colesterol (Pardakar y
Irundataraj, 2002).
Existe sobre queso Panela un estudio sobre la aplicación de análisis
quimiométrico acoplado a electroforesis capilar para detectar el origen de la leche
del queso Panela. El método permite diferenciar si la leche es de vaca, oveja o
cabra y las proporciones en que se encuentra. Sin embargo, es un método más
laborioso que el de la espectroscopia infrarroja y no sirve para determinar su
composición química proximal (Rodríguez-Nogales y Vázquez, 2007).
Sin embargo, no se han encontrado referencias bibliográficas respecto al empleo
de métodos quimiométricos acoplados al FTIR/HATR en productos lácteos
mexicanos ni específicamente de quesos para su caracterización ni para la
detección de adulteraciones.
16
2.6. Fundamentos teóricos de la espectrometría Infr arroja por
transformada de Fourier (FTIR) utilizando reflectan cia total atenuada
horizontal (HATR)
2.6.1. Generalidades
La espectroscopia infrarroja es un importante método analítico que estudia la
interacción de la luz infrarroja con la materia (Smith, 1996) que puede ser utilizada
para identificar compuestos o investigar su composición.
Se basa en el hecho de que los enlaces químicos de las sustancias tienen
frecuencias de vibración específicas en el espectro infrarrojo, que corresponden a
los niveles de energía de la molécula. Estas frecuencias dependen de la forma de
la superficie de energía potencial de la molécula, la geometría molecular, las
masas atómicas y, posiblemente, el acoplamiento vibracional.
Si la molécula recibe luz con la misma energía de esa vibración, entonces la luz
será absorbida cuando se dan ciertas condiciones. Para que una vibración
aparezca en el espectro infrarrojo, la molécula debe someterse a un cambio en su
momento dipolar durante la vibración.
Con el fin de hacer medidas en una muestra, se transmite un rayo monocromático
de luz infrarroja a través de la muestra, y se registra la cantidad de energía
absorbida. Repitiendo esta operación en un rango de longitudes de onda de
interés se puede construir un gráfico. Al examinar el gráfico de una sustancia, un
usuario experimentado puede obtener información sobre la misma.
Durante años esta técnica se empleó de manera casi exclusiva para el análisis
cualitativo pero en los últimos años y gracias al desarrollo de la espectroscopia
infrarroja por transformada de Fourier se ha convertido en un importante método
cuantitativo, utilizando para el manejo de las muestras el aditamento de
reflectancia total atenuada horizontal de punta de diamante (HATR, por sus siglas
en inglés) y acoplado al procesamiento estadístico de la información espectral por
medio de programas de cómputo quimiométricos (Perkin-Elmer, 2003).
17
En la actualidad se emplea para identificar y cuantificar muestras en industrias de
todo tipo, desde la farmacéutica a la petroquímica (Grupo de quimiometría y
cualimetría de Tarragona, 2002).
La espectroscopia identifica grupos funcionales y aclara la estructura atómica y
molecular midiendo la energía radiante absorbida o emitida por una sustancia a
determinadas longitudes de onda características del espectro electromagnético
(en este caso el espectro infrarrojo) sometida a excitación por una fuente externa
de energía (Willard et al., 1991).
En la región infrarroja del espectro, la absorción de energía produce cambios en
los estados energéticos puramente rotacionales y vibracionales de las moléculas.
Estas vibraciones y rotaciones revelan una gran cantidad de información acerca
de la estructura molecular que además es mucho más compleja que los espectros
correspondientes a átomos (Willard et al., 1991).
2.6.2. El espectro infrarrojo
La porción infrarroja del espectro electromagnético se extiende desde el extremo
rojo del espectro visible hasta la región de las microondas. Se encuentran
comprendidas longitudes de onda entre 0.7 y 500 µm o lo que es lo mismo,
números de onda desde 14,000 hasta 20 cm-1. Se divide en tres regiones:
- Infrarrojo lejano (aproximadamente 400-20cm-1), que se encuentra adyacente a la
región de las microondas, posee una baja energía y puede usarse en
espectroscopia rotacional;
- Infrarrojo medio (aproximadamente 4,000 a 400cm-1 ) que puede ser usado para
estudiar las vibraciones fundamentales y la estructura vibracional;
- Infrarrojo cercano (aproximadamente 14,000 a 4,000cm-1 ) que puede excitar
sobretonos o vibraciones armónicas y combinaciones de las bandas
fundamentales (Macho, 2002).
En la espectroscopia infrarroja los enlaces químicos tienen frecuencias específicas
a las cuales vibran de manera correspondiente con su nivel de energía. Estas
18
frecuencias resonantes o vibracionales se determinan por la forma de las
superficies de energía potencial molecular, las masas de los átomos y
eventualmente por la interacción entre estados electrónicos y estados
vibracionales. Para que un modo vibracional en una molécula sea activo al
infrarrojo debe asociarse con cambios en el dipolo permanente. Las moléculas
biatómicas simples tienen solamente un enlace que se puede estirar. Sin
embargo, moléculas más complejas pueden tener muchos enlaces y las
vibraciones pueden ser conjugadas, llevando a cabo absorciones en el infrarrojo a
frecuencias características que pueden relacionarse con distintos grupos
químicos. Por ejemplo, los átomos de un grupo CH2 pueden vibrar de seis formas
distintas: estiramientos simétricos y asimétricos; flexiones simétricas y asimétricas
en el plano y flexiones simétricas y asimétricas fuera del plano.
Cuando la radiación infrarroja interactúa con la materia ésta se puede absorber
causando que los enlaces químicos de las moléculas vibren. La presencia de
enlaces químicos en la materia es una condición necesaria para que la absorción
infrarroja ocurra. Los grupos funcionales de las moléculas tienden a absorber
radiación infrarroja en el mismo rango de número de onda. Por ejemplo, el enlace
carboxilo (C=O) absorbe a 1700 cm-1 en cetonas, aldehidos y ácidos carboxílicos.
Esto significa que existe una correlación entre el número de onda al que una
molécula absorbe y su estructura, lo que permite identificar a una molécula a
través de sus grupos funcionales por espectroscopia infrarroja (Smith, 1996).
2.6.3. Espectroscopia Infrarroja por Transformada d e Fourier (FTIR)
La espectroscopia infrarroja por transformada de Fourier (FTIR) es una técnica de
análisis que permite obtener el espectro infrarrojo con mayor rapidez. En lugar de
registrarse los datos variando la frecuencia de luz infrarroja monocromática (es
decir, de cada una de las longitudes de onda de interés), se guía la luz Infrarroja
(con todas las longitudes de onda) a través de un interferómetro. Después de
pasar por la muestra, la señal medida da un interferograma. La realización de una
19
transformada de Fourier de la señal produce un espectro idéntico al de la
espectrometría infrarroja convencional (dispersiva).
Los espectrofotómetros FTIR son más baratos que los convencionales, ya que es
más simple construir un interferómetro que un monocromador. Además, la medida
de un solo espectro es mucho más rápida en esta técnica, debido a que la
información de todas las frecuencias se toman al mismo tiempo. Esto permite
hacer múltiples lecturas de una sola muestra y obtener un promedio, lo que
aumenta la sensibilidad del análisis.
Los primeros FTIR se diseñaron para barrer la región del infrarrojo lejano, debido a
la dificultad que suponía el barrido por espectrómetros convencionales
(monocromáticos), en la actualidad se emplean para el barrido de todo el espectro
infrarrojo.
Los FTIR están basados en el principio del interferómetro de Michelson (Figura 3)
que permite medir distancias con una precisión muy alta. Su funcionamiento se
basa en la división de un haz coherente de luz (en un divisor) en dos haces que
recorren caminos diferentes y luego convergen nuevamente en un mismo punto
cuando son reflejados sobre otros dos espejos uno móvil dispuesto frente a la
trayectoria del haz original y otro fijo (perpendicular al haz). La diferencia en el
tiempo recorrido de los dos haces de luz da un interferograma. En esta trayectoria
se dispone la muestra y a continuación el detector IR (Willard et al., 1991). El haz
que pasa por la muestra tarda más tiempo en recorrer el camino. La señal que
resulta en el detector (intensidad vs. desfase) se denomina interferograma. Una
vez obtenido el gráfico del interferograma éste se almacena en la memoria del
equipo donde se analiza matemáticamente por medio de una transformada de
Fourier.
20
Espejo fijo
Fuente IR
Posición de la muestra
Espejo móvil
Lámina divisora del haz
Espejo fijo
Fuente IR
Posición de la muestra
Espejo móvil
Lámina divisora del haz
Figura 3: Diagrama de un interferómetro de Michelson. Elaboración propia.
La señal que recibe el detector en el interferómetro de Michelson corresponde a la
transformada de Fourier de la distribución espectral de la fuente infrarroja en
estudio. Esta señal recibe el nombre de interferograma.
La transformada de Fourier suma los senos y los cosenos de las distintas
frecuencias ópticas que componen la radiación gracias a un programa de cómputo
(Spectrum v 5.3.1) que simplifica y obtiene resultados exactos y rápidos (Willard et
al., 1991). Contiene la absorción completa de la muestra analizada para cada
longitud de onda por la correspondiente disminución de la intensidad luminosa y
es convertido por el equipo basándose en la inversa de la transformada de Fourier
en el espectro infrarrojo de la muestra en cuestión.
Este método tiene varias ventajas fundamentales:
21
- Su simplicidad mecánica ya que sólo se mueve un componente (el espejo móvil);
- Su elevada sensibilidad y velocidad ya que todas las frecuencias se miden
simultáneamente. Un espectro IR completo se puede obtener en un tiempo muy
corto pudiéndose tomar muchos barridos de una misma muestra para realizar
promedios y reducir el ruido especrtral;
- Su mayor flujo de energía;
- Utiliza un láser como referencia interna por lo que la calibración en frecuencias del
interferómetro es muy precisa y estable;
- Elimina la luz difusa debido a cómo el interferómetro modula cada frecuencia;
- La resolución constante en todas las frecuencias;
- Existe una ausencia de discontinuidades en el espectro, al no haber cambios de
red de difracción;
- No hay contribuciones debidas a la reemisión de la muestra, al encontrarse ésta
detrás del interferómetro y su emisión no ser modulada por éste.
Su limitación más importante consiste en que el ruido se promedia y se extiende
uniformemente en todo el espectro lo cual mejora los picos más intensos pero
degrada los picos más débiles. No suelen emplearse en espectroscopia visible ni
de ultravioleta donde el ruido predominante proviene de la fuente ya que éste
aumenta con la potencia de la señal y el promediado que realiza la transformada
de Fourier degrada todos los picos.
2.6.4. Reflectancia Total Atenuada Horizontal (HATR )
El principio de este accesorio se basa en el fenómeno de la reflexión total interna y
la transmisión de la luz a través de un cristal con un elevado índice de refracción.
La radiación penetra más allá de la superficie del cristal, dentro de la muestra
donde se produce la reflexión total, en forma de onda evanescente. El haz de luz
infrarroja penetra a una base de ZnSe que permite aumentar el índice de
reflectancia del medio. El diamante, de 0.5 mm de diámetro permite direccional el
haz de luz sobre la muestra en forma de onda evanescente de tal manera que
penetra en casi la totalidad de la muestra. La onda evanescente recorre el camino
22
en sentido inverso pasando primero por el diamante, donde vuelve a ser un haz de
luz que gracias a la elevada reflectancia del medio que da la base de ZnS (figura
4). El haz de luz saliente pasa al detector y luego a través del interferómetro de
Michelson desde donde se detecta la trasformada de Fourier de la distribución
espectral de la fuente infrarroja de estudio. Esta señal recibe el nombre
interferograma. El interferograma es leído por el equipo de cómputo que mediante
una inversa a la transformada de Fourier produce el espectro de la muestra
analizada.
El ángulo de la luz incidente y la geometría del cristal facilitan que se produzcan
sucesivamente reflexiones en sus caras internas.
El accesorio horizontal permite colocar la muestra de forma horizontal haciendo
que las muestras puedan ser líquidas, geles, pastas e incluso polvos (Perker
Elmer, 2003).
Entrada del haz IR
Salida del haz IR
Muestra
Diamante
Entrada del haz IR
Salida del haz IR
Muestra
Diamante
Figura 4 : Diagrama de un accesorio HATR con punta de diamante. Cortesía Perkin Elmer.
23
2.7 Fundamentos teóricos del método quimiométrico
2.7.1. Generalidades
La quimiometría es la disciplina de la química que utiliza métodos matemáticos y
estadísticos para diseñar o seleccionar procedimientos de medida y experimentos
óptimos así como para proporcionar la máxima información mediante el análisis de
datos químicos (Massart, 1988). Es necesario interpretar estos datos y colocarlos
en el contexto adecuado para convertirlos en información útil (Grupo de
quimiometría y cualimetría de Tarragona, 2002).
La quimiometría no es una herramienta simple, utiliza métodos de origen
matemático, estadístico (análisis multivariable) y otros procedimientos del campo
de la lógica formal para conseguir sus fines. Por ello, se sitúa en un campo
interdisciplinar (Grupo de quimiometría y cualimetría de Tarragona, 2002) y debe
verse más como una herramienta de ayuda en la práctica analítica que como un
desarrollo de métodos estadísticos (Amaral, 1996).
Conviene recalcar los siguientes aspectos de los métodos quimiométricos:
- Su naturaleza es predominantemente multivariable. Se puede obtener mucha
información con una sola muestra por espectrometría o cromatografía con la
consiguiente necesidad de analizar un extenso conjunto de variables;
- El error experimental depende de la técnica analítica de análisis químico proximal
empleada;
- Al procesar la señal, los datos cuantitativos se obtienen por vía instrumental
(Amaral, 1996).
La quimiometría sirve para reconocer tendencias en los datos. Puede indicar si un
conjunto de muestras es o no homogéneo, si existen muestras que sean
discrepantes del resto, qué variables de ciertas muestras son diferentes del resto,
etc. Este tipo de información se obtiene aplicando las técnicas de reconocimiento
de modelos, como técnicas de agrupación (cluster) y técnicas de representación.
De hecho, la capacidad de combinar adecuadamente las variables medidas para
24
formar otras nuevas (denominadas variables latentes o factores) que contengan la
información original forma el núcleo de numerosas técnicas quimiométricas (Grupo
de quimiometría y cualimetría de Tarragona, 2002).
Se pueden conocer también las relaciones entre conjuntos de datos, como es el
caso de los análisis quimiométricos, para relacionar la composición con la calidad.
Para ello, es necesario construir modelos que se ajusten a la estructura de los
datos siendo en este caso extremadamente importante la validación de los
modelos. De esta forma se pueden, además, obtener modelos predictivos una vez
que los modelos han sido validados. A esto se le conoce como regresión
multivariable (Grupo de quimiometría y cualimetría de Tarragona, 2002).
Hay que asegurarse de que la información se encuentra en los datos que se van a
analizar programando detalladamente los experimentos que conducen a ellos.
Esto se logra con un adecuado diseño de experimentos mediante distintos tipos de
técnicas de optimización (Grupo de quimiometría y cualimetría de Tarragona,
2002).
La quimiometría permite también analizar los sistemas en evolución, es decir, los
productos intermedios hasta llegar al producto final.
Para que las técnicas quimiométricas muestren toda su potencialidad, los datos de
entrada deben ser adecuados, la variación que contienen ha de deberse a las
diferencias en la propiedad que se quiere medir (Grupo de quimiometría y
cualimentría de Tarragona, 2002).
En el campo concreto de los alimentos, se consigue a menudo una valoración de
la composición química del alimento o incluso de sus propiedades físicas y
sensoriales de forma más rápida y más precisa. Se puede medir fácilmente la
composición (grasa, fibra, carbohidratos, proteína) de productos lácteos o granos.
Sirve también para medir propiedades sensoriales como la astringencia de los
vinos (Infometrix, 1996).
Los métodos quimiométricos presentan una serie de ventajas frente a los métodos
tradicionales:
25
- Proporcionan rapidez en la obtención de información real a partir de los datos;
- Permiten que información de alta calidad se extraiga de datos menos resueltos;
- Proporcionan mayor resolución en la información y poder de discriminación;
- Proporcionan diagnósticos para la integridad y probabilidad de que la información
que se deriva sea exacta;
- Prometen mejorar las predicciones;
- Mejoran el conocimiento de los procesos existentes;
- Tienen requerimientos bajos de capital (Workman, 2002).
2.7.2. Análisis multivariable
Los métodos de análisis químicos proximales difícilmente podían abarcar el
estudio de más de dos variables simultáneamente. El problema es que
normalmente estos grupos de dos variables interactúan entre sí con la
consiguiente dificultad para la obtención de los resultados. Con el desarrollo de la
computación y los modernos métodos de análisis esta limitante se vio rápidamente
superada ya que métodos analíticos, como la cromatografía y la espectroscopia,
surten una gran cantidad de datos a partir de una muestra. Este análisis se
efectúa a partir de programas de cómputo quimiométricos como: Quant+, Assure
ID, etc. (Miller y Miller, 2002).
Los modelos pueden emplearse para predicción y para clasificación. Una de las
finalidades que se persiguen cuando se analizan muestras caracterizadas por
numerosos análisis (resultados multidimiensionales) es encontrar semejanzas
entre ellas que permitan, con base a los análisis efectuados, establecer
agrupaciones que pueden servir posteriormente para clasificar objetos
desconocidos (Boqué y Ferré, 2006). Los modelos predictivos se utilizan para
estimar propiedades importantes en muestras desconocidas a partir de
mediciones que son más fáciles y económicas de obtener. (Tryggvasons, 1996).
26
2.7.2.1. Análisis multivariable cuantitativo: progr ama Quant +
La motivación del análisis multivariable cuantitativo es relacionar dos tipos de
medidas sobre una muestra: una complicada de obtener, cara o que requiere
excesivo tiempo (como es el caso de los análisis químicos proximales empleados
para caracterizar el queso Panela comercial) y otra sencilla, económica y rápida
(como son los espectros en el infrarrojo medio de las muestras de queso Panela
comercial). Se trata pues de predecir la propiedad difícil a partir de la medida fácil
(Ferré, 2004).
Este modelo es especialmente útil para el análisis cuantitativo mediante técnicas
espectroscópicas de infrarrojo medio: medir un espectro es una forma muy rápida
y simple de generar varios miles de medidas.
Este análisis multivariable cuantitativo consta de varias fases como se puede
observar en el diagrama de flujo de la figura 5.
Análisis multivariableCUANTITATIVO
Quant+
Calibración(pretratamiento de datos)
Validación interna
Validación externa
Espectro MIRAnálisis univariable
(Métodos analíticos tradicionales)
Aplicación del modelo
Análisis multivariableCUANTITATIVO
Quant+
Calibración(pretratamiento de datos)
Validación interna
Validación externa
Espectro MIRAnálisis univariable
(Métodos analíticos tradicionales)
Aplicación del modelo
Figura 5 . Diagrama de flujo del análisis multivariable cuantitativo.
En la figura 5 puede observarse que a partir de los análisis químicos proximales
(univariables) de las muestras y de las lecturas de las muestras en el espectro
27
infrarrojo medio se construye un modelo de análisis multivariable cuantitativo. Este
modelo se construye a partir de las fases de calibración, validación interna y
validación externa para posteriormente aplicar el modelo. Una vez terminada la
fase de calibración se pasa a la validación interna, si el modelo no resulta se
vuelve a calibrar, si el modelo resulta se pasa a validación externa. Si el modelo
resulta se pasa a su aplicación práctica, si no resulta se regresa a la fase de
validación interna. El proceso se repite cuantas veces sea necesario hasta obtener
el mejor modelo posible para su aplicación práctica.
2.7.2.1.1. Calibración multivariable (pretratamiento de los datos)
La calibración construye un modelo matemático que relaciona la lectura de un
instrumento con las propiedades de la muestra. Para construir este modelo
matemático se miden las respuestas de los instrumentos de las muestras con
niveles de concentración conocidos y se establece una relación matemática que
relacione la respuesta del instrumento con la concentración de los compuestos
químicos (Beebe et al., 1998).
La calibración multivariable tiene una mayor complejidad conceptual, matemática y
estadística que la calibración univariable. Aunque hay programas que facilitan el
uso de este tipo de calibración su aplicación no es tan inmediata como la
univariante y el usuario necesita una mayor formación. Además, el cálculo de la
incertidumbre de las predicciones no está totalmente desarrollado. A menudo se
emplean errores medios de predicción como medida de la calidad de las
predicciones aunque se sabe que la predicción tiene una calidad distinta según el
punto del espacio de calibración en el que se encuentre. A pesar de sus
limitaciones, sus ventajas las superan y el número de aplicaciones crece
constantemente (Ferré, 2006).
La señal obtenida de un espectrómetro contiene la información junto con ruido
aleatorio. El ruido puede causar errores sistemáticos en predicciones posteriores a
través de los parámetros de calibración estimados. Por tanto, reducir el ruido, o
28
mejorar la razón señal-ruido se convierte en un aspecto de gran importancia
(Aparicio y Harwood, 2003).
Los modelos de calibración multivariable cuantitativos se desarrollan utilizando
diferentes algoritmos. Un algoritmo es una lista bien definida, ordenada y finita de
operaciones que permite encontrar solución a un problema (Mongay, 2005). Los
algoritmos con los que cuenta el programa Quant+ son: PCR (Análisis de
componentes principales), PLS1 (regresión de mínimos cuadrados sin interacción
de variables) y PLS2 (regresión de mínimos parciales con interacción de variables).
- Análisis de componentes principales (PCR) es una técnica de calibración
multivariable que consta de dos pasos:
o el primer paso consiste en un análisis de los componentes principales
(PCs, por sus siglas en inglés) sobre la matriz de datos. Este análisis
genera un conjunto de vectores ortogonales no correlacionados;
o el segundo paso consiste en una regresión lineal múltiple entre las nuevas
variables obtenidas y el parámetro de referencia que se desea modelar.
Este análisis maximiza la varianza explicada del sistema, sin embargo, no
maximiza necesariamente la calidad de los resultados de predicción del
parámetro de modelado de las muestras desconocidas.
- Regresión por Mínimos Cuadrados Parciales (PLS1 y PLS 2) son los algoritmos
más utilizados ya que suelen predecir mejor los resultados (Alciaturi et al., 2003).
El método de regresión de mínimos cuadrados (PLS) se sostiene sobre la relación
del análisis de los componentes principales. En lugar de encontrar los hiperplanos
de las varianzas mínimas, encuentra un modelo lineal que describe algunas de las
variables de predicción. Se emplea para encontrar relaciones fundamentales entre
dos matrices (X e Y). Los modelos PLS tratan de encontrar direcciones
multidimensionales en el espacio X que expliquen el máximo de varianza
multidimensional en el espacio Y. es especialmente práctico cuando la matriz de
predicción tiene más variables que observaciones que es cuando la regresión PCR
falla. En el caso de la regresión PLS1 cada propiedad es analizada individualmente
con respecto a los datos del espectro mientras que la regresión PLS2 calcula
modelos de regresión simultáneos para todas las propiedades.
29
Una vez elegido el algoritmo de trabajo, se pueden efectuar varios
pretratamientos estadísticos a los datos introducidos en el programa Quant+.
Esto se hace básicamente para mejorar al relación señal / ruido y para resolver la
complejidad de picos solapados, como ocurre en la región de la huella digital
(región entre 1700 y 900 cm-1). Estos pretratamientos dependen del objetivo
buscado, la técnica utilizada, el instrumento, el portamuestras, la muestra
estudiada, el tipo de modelo matemático que se desea construir y las preferencias
del investigador. (Benoudjit et al., 2004)
Los pretratamientos que se pueden hacer utilizando el programa de análisis
multivariable cuantitativo Quant+ son los siguientes:
- Elección de la región espectral: al definir con precisión el intervalo del espectro
se elimina el ruido electrónico que puede aparecer en el equipo, sobre todo, en las
zonas más cercanas al espectro cercano.
- Zonas en blanco del espectro , es decir, las regiones que no se van a analizar
por diversas razones como que su influencia es muy grande, que hay presencia de
ruido, por solapamiento entre bandas, etc.
- Suavizado: se efectúa para eliminar el ruido que acompaña a la señal analítica y
que no está relacionada con el analito
- Correcciones a la línea base: elimina los problemas que causa el solapamiento
de los picos (sobre todo en la región de la huella digital). Estas correcciones
suelen consistir en el empleo de derivadas. Las derivadas calculan la tangente en
cada punto de los datos espectrales puros, sin ningún tratamiento matemático
previo. Cada punto de inflexión del espectro puro corresponde a un mínimo o un
máximo relativo en el espectro de la primera derivada. La segunda derivada ayuda
a solucionar picos solapados ya que cada mínimo del espectro de la segunda
derivada corresponde a un máximo del espectro puro. De este modo, la derivación
permite acentuar las diferencias existentes en los datos espectrales.
- Normalización: suprime las fuentes de variabilidad no deseadas. Este proceso
ayuda a lograr una evaluación rápida y mejor en los espectros y puede reducir la
complejidad de los siguientes tratamientos de datos en un proceso de calibración.
30
La normalización MSC (corrección multiplicativa de la dispersión, por sus siglas en
inglés) compensa las dispersiones de las longitudes de onda dependientes de la
luz y que suceden durante la reflexión de la luz. La dispersión de cada estándar se
estima de manera relativa a la media de los estándares y la normalización de cada
estándar tiene la misma dispersión y la misma media. De esta forma, las muestras
espectrales son tratadas del mismo modo durante la predicción. La SNV
(normalización normal estándar, por sus siglas en inglés) elimina de manera eficaz
las interferencias multiplicativas de la dispersión. La corrección de la línea de
tendencia permite eliminar variaciones en la línea base que se producen a menudo
durante el proceso de lectura de la muestra en el espectro.
- Número de factores: se obtiene combinando la información de todos los
estándares del espectro. Debe ser menor a la mitad del número de estándares
para que no represente ruido en el espectro (Mongay, 2005; Aparicio y Harwood,
2003).
2.7.2.1.2. Validación interna (predicción)
El proceso de validación interna permite predecir el resultado de una muestra o
estándar conocido (valor estimado) y compararla con el resultado que se sabe
tiene esa muestra (valor real). Por ejemplo, si una muestra tiene un valor real de
un 20% de grasa, la validación interna considerará a esta muestra como incógnita,
es decir, sin conocer su valor y posteriormente comparará el valor que estima el
programa (un 21% de grasa, por ejemplo) con el valor real de la muestra.
El programa estadístico Quant+ permite dos tipos de validación interna:
- Validación cruzada , que consiste en eliminar cada muestra del grupo de
muestras calibradas y predecir la muestra eliminada utilizando la calibración. Es
decir si el modelo se hace con 30 muestras, se harán 30 calibraciones y
predicciones. Este es el tipo de validación interna más preciso.
- Validación independient e, consiste en seleccionar un número de muestras (un
mínimo de 3) que no se usan en la calibración pero que se predicen contra la
calibración completa. Por ejemplo, si se tienen 10 muestras estándar y se
31
seleccionan cuatro para la validación esos cuatro se predecirán contra una
calibración basada en las seis muestras estándares que quedan.
Durante el proceso de validación interna, tanto cruzada como independiente, se
debe elegir el número de componentes principales (N° de PCs, por sus siglas
en inglés) con los que se va a trabajar. El número de PCs permite al programa
estadístico trabajar con un número de puntos del espectro mucho menor que el
total de los puntos que forman el espectro total perdiendo la menor cantidad de
información posible. Es decir, explica las muestras casi con la misma efectividad
que si se tomaran todos los puntos simplificando así el cálculo estadístico. De esta
manera se toma un número finito de puntos en el espectro en vez de un número
casi infinito. El mejor número de componentes principales corresponde al mínimo
del error estándar de predicción, sin embargo, este parámetro se puede modificar
para ayudar a la robustez del modelo (Mongay, 2005).
Para analizar la robustez del modelo desarrollado, es necesario analizar algunos
parámetros estadísticos durante la validación interna:
- El coeficiente de determinación (R 2) denota la calidad del modelo. Se interpreta
como una variabilidad de la variable dependiente explicada por el modelo
construido a partir del conjunto de variables independientes, esto es, el porcentaje
en el que se reduce la variabilidad de las variable Y al asignarle el modelo,
respecto de la que tendría si le asignase la media aritmética como predicción
(Mongay, 2005).
- El error estándar de calibración (SEC) es un indicador de la calidad de la
regresión. Se describe como la media de la raíz cuadrada de la varianza residual
dividida por el número de muestras n que se emplean en la calibración (Aparicio y
Hardwood, 2003):
n
yySEC
pm
i ijij∑ −−
= 1
2)ˆ(
Donde:
n es el número de muestras en la calibración;
ijy es la concentración calculada del analito (estimada);
32
ijy es la concentración real del analito.
- El error estándar de predicción (SEP) da una medida que asocial el modelo con
el número de componentes principales. Es el error promedio entre los valores
especificados y los estimados de cada propiedad de las muestras que n se
emplean en la calibración (Aparicio y Hardwood, 2003):
p
m
i ijij
m
yySEP
p
∑ −−
= 1
2)ˆ(
Donde:
mp es el número de muestras empleadas en la validación interna (predicción).
ijy es la concentración calculada del analito (estimada);
ijy es la concentración real del analito.
- El SEPestimado indica el error estándar de predicción después de la calibración,
mientras que el SEPreal indica el error estándar de predicción después de la
validación interna cruzada (Mongay, 2005; Aparicio y Hardwood, 2003).
2.7.2.1.3. Validación externa
Una vez realizadas la calibración y la validación interna (predicción) es
conveniente realizar una validación externa para verificar la robustez del modelo.
Esto se hace tomando muestras de composición conocida que no pertenecen al
modelo de calibración (Tewari e Irundayaraj, 2004). Posteriormente, mediante un
análisis estadístico se analizan los siguientes parámetros:
- Desviación estándar, es la medida de dispersión más utilizada. Informa de la
distancia entre las muestras y su media. Una desviación estándar grande indica
que los puntos están lejos de la media, y una desviación pequeña indica que los
datos están agrupados cerca a la media. Se calcula entre el valor estimado por el
método desarrollado con el programa Quant+ y el valor real calculado por métodos
analíticos químicos proximales (univariables). Cuanto menor sea por tanto la
33
desviación estándar, mayor será la robustez del modelo desarrollado (Ruís-Díaz,
F, et al., 2008)
- Distancia de Mahalanobis, es una medida de distancia normalizada empleada en
análisis multivariable. Calcula la distancia de una muestra a la media de todas las
muestras. Su utilidad radica es que es una forma de determinar la similitud entre
dos variables aleatorias multidimensionales. Debe ser menor de 1 para que pueda
considerarse que la muestra validada puede estar representada por el modelo
(Ruís-Díaz, F, et al., 2008).
- Relación residual , es la relación entre la varianza residual de las muestras
desconocidas a la varianza residual de las muestras de calibración, es decir, es
una medición del ruido. Es necesario una relación residual menor a 3 para que la
muestra de validación se considere representada por el modelo desarrollado
(Ruís-Díaz, F, et al., 2008).
- Influencia (H1), es la medida de la distancia de una valor observado y la distancia
entre la media de todos los valores observados en un conjunto de datos. Las
observaciones con influencias muy grandes no forman parte del modelo. Los
valores de medida de influencia deben ser menores a 1 para que se pueda
considerar que la muestra pertenece al modelo; si el valor está entre 1 y 3, se
considera dudosa la pertenecencia de la muestra al modelo y si el valor es
superior a 3 se considera que la muestra no pertenece al modelo (Ruís-Díaz, F,
et al., 2008).
2.7.2.1.4. Aplicación del modelo desarrollado
Una vez que el modelo ha sido adecuadamente calibrado y se ha comprobado la
robustez del mismo mediante la validación interna y la validación externa, el
modelo puede emplearse con muestras desconocidas.
2.7.2.2. Análisis multivariable cualitativo: progra ma Assure ID.
El análisis multivariable cualitativo permite identificar materiales a través de su
huella digital que es característica y única para cada producto.
34
Compara el espectro en el infrarrojo medio de una muestra desconocida con el
espectro medio de un grupo de muestras conocidas empleadas como referencias
para determinar su similitud y poder así aceptar o rechazar la muestra de estudio
como perteneciente o no al grupo de referencia.
El análisis multivariable cualitativo se emplea en la industria alimentaria para
determinar si un producto pertenece o no a una determinada denominación de
origen, para detectar adulterantes en productos alimenticios, para identificar
microorganismos, etc (Sablany, et al., 2007).
En la figura 6 se puede observar que a partir de los análisis químicos proximales
(univariables) de las muestras y de las lecturas de las muestras en el espectro
infrarrojo medio se construye un modelo de análisis multivariable cualitativo. Este
modelo se construye a partir de las fases de calibración, validación para
posteriormente aplicar el modelo. Una vez terminada la fase de calibración se
pasa a la validación, si el modelo no resulta se vuelve a calibrar, si el modelo
resulta se pasa a su aplicación. El proceso se repite cuantas veces sea necesario
hasta obtener el mejor modelo posible para su aplicación práctica.
Análisis Univariable
(métodos tradicionales)
EspectroMIR
Análisis Multivariable CUALITATIVO
(Assure ID)
Calibración(pretratamiento de datos)
Validación
Aplicacióndel modelo
Análisis Univariable
(métodos tradicionales)
EspectroMIR
Análisis Multivariable CUALITATIVO
(Assure ID)
Calibración(pretratamiento de datos)
Validación
Aplicacióndel modelo
Figura 6 . Diagrama de flujo del análisis multivariable cualitativo.
35
2.7.2.2.1. Calibración cualitativa: pretratamiento de los datos.
Los modelos de calibración multivariable cualitativos se desarrollan utilizando
diferentes algoritmos. (Mongay, 2005). El algoritmo con el que cuenta el programa
Assure ID es el SIMCA (Modelado suave de analogías de clases independientes,
por sus siglas en inglés)
El algoritmo SIMCA se basa en el análisis de componentes principales (PCs). Se
elabora introduciendo un número de espectros conocidos con una característica
similar a los que se denomina población. Pueden introducirse varias poblaciones
utilizando este algoritmo. Cuando se introduce un espectro desconocido, al
análisis multivariable cualitativo permite definir si dicho espectro desconocido
pertenece o no a alguna de las poblaciones definidas con anterioridad. El
algoritmo SIMCA permite generar modelos muy sensibles que son capaces de
observar pequeñas diferencias espectrales a la hora de identificar o rechazar un
espectro desconocido.
Una vez elegido el algoritmo de trabajo, se pueden efectuar varios
pretratamientos estadísticos a los datos introducidos en el programa Assure ID,:
- Rango o región espectral;
- Regiones en blanco;
- Filtros: suavizado, ruido espectral y ruido atmosférico;
- Correcciones a la línea base;
- Normalización.
Estos parámetros se definieron en el apartado 2.7.3.1.
Al generarse el modelo, tras el pretratamiento de datos, el programa arroja los
siguientes datos:
- Número de poblaciones con muestras extremas ; son las muestras de una
población que resultan muy diferentes de la mayoría de las otras muestras que sí
representan adecuadamente la población;
36
- Número de poblaciones que se solapan ; son las poblaciones que tienen una o
varias muestras representativas de dos o más poblaciones y que por tanto, no se
pueden diferenciar adecuadamente;
- Distancia entre las distintas poblaciones: indica qué tan grande es la
separación entre las poblaciones con las que se trabaja. Debe ser mayor a 3 para
que se considere que las dos poblaciones analizadas son independientes
estadísticamente hablando.
- Reporte de la eficiencia de la clasificación: Indica qué tan bueno es el método
desarrollado para lo cual informa del porcentaje de muestras (espectros
alimentados al programa) que es capaz de reconocer o de rechazar. El porcentaje
de reconocimiento indica cuántas muestras de una población determinada es
capaz de reconocer como pertenecientes a esa población y el porcentaje de
rechazo indica cuántas muestras no pertenecientes a una población es capaz de
rechazar, es decir, de considerar que no pertenecen a esa población.
2.7.2.2.2. Validación (predicción)
El proceso de validación en análisis cualitativo difiere de la validación en análisis
cuantitativo. Aquí las muestras utilizadas en la predicción no forman parte de la
matriz de calibración. El programa Assure ID evalúa si la muestra de validación
pertenece o no a alguna de las poblaciones de calibración. Por ello, sólo se realiza
una validación.
Además mide los siguientes parámetros estadísticos:
- Distancia total al material especificado, distancia de la muestra problema a la
población de las muestras consideradas en una población. Debe ser menor de 1
para poder clasificar una muestra. Las muestras con distancia total mayor a 1 no
se clasifican dentro de las poblaciones.
- Distancia límite de la muestra , debe ser igual a 1, es decir, la muestra problema
debe pertenecer a la población analizada;
- Distancia al modelo , debe ser 0. Una distancia mayor a 0 indica que la muestra
se encuentra en los extremos de la población que describe el modelo.
37
- Distancia residua l, debe ser lo menor posible para que se considere que la
muestra pertenece al modelo desarrollado.
2.7.2.2.3. Aplicación del modelo desarrollado
Una vez que el modelo ha sido adecuadamente calibrado y se ha comprobado la
robustez del mismo mediante la validación puede emplearse con muestras
desconocidas.
2.8. Fundamentos de la caracterización del queso Pa nela utilizando
métodos analíticos químicos proximales: Análisis un ivariable
Los métodos empleados para caracterizar quesos se basan en el análisis
univariable de los datos obtenidos mediante los métodos analíticos tradiciones.
Los parámetros más comúnmente usados son los de contenido de grasa (%) y de
humedad (%). (Alaís, 1985). El CODEX –STAN-A-006-1978, al igual que la NMX-
F-713-COFOCALEC-2005 utilizan los parámetros de humedad libre de materia
grasa (HLMG) y de grasa en extracto seco (GES) para definir los quesos.
Otra bibliografía consultada utiliza también el parámetro de contenido mínimo de
proteínas para definir los distintos tipos de queso (Chamorro y Losada, 2002:
Europa, 2006).
Los métodos analíticos químicos proximales obtienen datos de naturaleza
univariable, es decir, con cada análisis se obtiene un solo dato. Para el análisis
estadístico de estos datos se recurre a parámetros estadísticos que permiten
conocer cuál es el comportamiento de un conjunto de datos.
Para realizar el análisis univariable se utilizan programas de cómputo como,
Minitab, MatLab y Excel.
Los modelos obtenidos pueden emplearse únicamente para clasificar. Permite
obtener semejanzas y diferencias entre un grupo de muestras conocidas
38
(población). Si se considera una muestra ajena a las empleadas en el modelo
(cuya composición debe ser también conocida) se podrá determinar cómo es de
semejante esta muestra con respecto al modelo desarrollado con la población de
muestras original.
Los parámetros empleados para caracterizar el queso Panela mediante análisis
univariable fueron:
- Media aritmética o promedio ( ). Es una medida de centralización. Es el
resultado de sumar todos los elementos del conjunto y dividir por el número de
ellos (Christsensen, 1996; Rius-Díaz et al., 2008) como lo indica la siguiente
ecuación:
Donde:
xi es el valor de la muestra en una población,
n es el número de muestras en la población.
- Desviación estándar ( 2s ). La desviación estándar es una medida de dispersión
utilizada en estadística que permite conocer cuánto tienden a alejarse los valores
puntuales de la media en una distribución. Informa de la media de distancias que
tienen los datos respecto de su media aritmética expresada en las mismas
unidades que la variable. Se expresa conforme a la siguiente ecuación
(Christsensen, 1996; Rius Díaz et al., 2008).
Donde:
xi es el valor de la muestra en una población,
xes la media aritmética de la población de estudio,
n es el número de muestras en la población.
39
- Mediana (M e). La mediana es el valor de la primera variable que deja por debajo
de sí al 50% de las observaciones de una población.
Considerando los datos de una muestra ordenada en orden
creciente y mediana como Me: , si n es impar --> Me será la
observación central de los valores, una vez que estos han sido ordenados en
orden creciente o decreciente. Si n es par --> Me será el promedio aritmético de las
dos observaciones centrales (Christsensen, 1996; Rius Díaz et al., 2008).
La mediana tiene la ventaja de no estar afectada por las observaciones extremas,
no depende de los valores que toma la variable sino del orden de las mismas. Por
eso su uso es adecuado en distribuciones asimétricas. Su empleo es aconsejable
cuando las variables analizadas presentan cierta inclinación.(Christsensen, 1996;
Rius Díaz et al., 2008).
- Cuartiles (Q x). Se definen los distintos cuartiles de una serie de valores
X1,X2,X3...Xn ordenados en forma creciente como:
El primer cuartil Q1, es el menor valor que es mayor que una cuarta parte de los
datos; es decir, aquel valor de la variable que supera 25% de las observaciones y
es superado por el 75% de las observaciones.
El segundo cuartil Q2, (coincide con la mediana), es el menor valor que es mayor
que la mitad de los datos, es decir el 50% de las observaciones son mayores que
la mediana y el 50% son menores.
El tercer cuartil Q3, es el menor valor que es mayor que tres cuartas partes de los
datos, es decir aquel valor de la variable que supera al 75% y es superado por el
25% de las observaciones (Christsensen, 1996; Rius Díaz et al., 2008).
- Valores máximo y mínimo. Se considera valor máximo (Q4) al valor más alto
dentro de un conjunto de datos y valor mínimo (Q0) al valor más bajo dentro de un
conjunto de datos (Christsensen, 1996).
40
3. Justificación
41
Existe una creciente demanda por conocer la composición química de queso
Panela mexicano tanto a nivel industrial para el control de calidad como por parte
de los órganos oficiales encargados de proteger al consumidor y de asegurar que
las composiciones químicas declaradas por los fabricantes coincidan con la
realidad del producto. Además, se da un creciente problema de adulteración en
productos lácteos en la fracción grasa al utilizar grasa vegetal en vez de grasa
butírica (Vega-y-León, 2006).
La quimiometría acoplada por FTIR/HATR ha sido utilizada con éxito en otros
países en la caracterización de productos alimenticios como aceite de oliva
(Montoliu et al., 2001) y vinos (Coimbra et al., 2002; Edelmann et al., 2003) así
como en la identificación de adulteraciones (Cordella et al., 2002). En productos
lácteos se ha empleado con éxito para caracterizar leches líquidas (Iñón et al.,
2006), queso de cabra (Peláez et al., 2004) y queso suizo (Rodríguez-Saona et al.,
2006). También se ha empleado para determinar el contenido de colesterol en
productos lácteos (Paradkar e Irundayaraj, 2002) y para detectar adulteraciones
en fracción grasa de la leche (Ulberth, 1995).
Las técnicas químicas proximales para cuantificar la composición química de los
quesos y sus adulteraciones generalmente consumen mucho tiempo, son
costosas y necesitan grandes cantidades tanto de reactivos como de muestras.
Por lo tanto, se requieren pruebas simples y rápidas que permitan dar seguimiento
la composición química de los quesos frescos desde el punto de vista de control
de calidad en las medianas y pequeñas queserías y a nivel de las autoridades
encargadas de auditar la calidad de los productos ofrecidos en el mercado.
La espectroscopia Infrarroja por Transformada de Fourier representa una
herramienta importante usada en el control de calidad, la caracterización y el
monitoreo de procesos en la industria de alimentos debido a que es más
económica, mejor en el desempeño y más fácil de usar que otros métodos.
Además, no usa reactivos ni es necesario preparar la muestra. Proporciona una
huella digital molecular de la composición de las muestras que permite usarla
como una herramienta para caracterizar alimentos (Cordella et al., 2002) y como
42
resultado se consigue un mejor monitoreo del producto tanto en la cadena
productiva como una vez que sale a venta al mercado. Permite que las
autoridades puedan dar seguimiento un mayor número de muestras y de marcas
comerciales cuando salen al mercado y validar la calidad química y tomar las
medidas pertinentes en caso de incumplimiento de la misma.
El uso de modelos de cómputo permite a la quimiometría separar rápidamente la
información relevante de un conjunto complejo de datos a diferencia de los
procedimientos químicos aislados que consumen mucho tiempo. De esta manera,
el resultado del acercamiento a la quimiometría es una ganancia en la eficiencia
para valorar la calidad del producto. El proceso puede conducir a prácticas de
laboratorio más eficientes y a sistemas de calidad automatizados. Los únicos
requerimientos son el instrumental apropiado y el software para interpretar los
patrones de los datos (Infometrix, 1996).
En este trabajo se estudió el uso de la espectroscopia infrarroja media por
trasformada de Fourier usando un aditamento de reflectancia horizontal total
atenuada (FTIR-HATR, por sus siglas en inglés) acoplado a un programa
estadístico que permite detectar y cuantificar diversas propiedades químicas de
los quesos frescos mexicanos tipo Panela así como la adulteración de la grasa
láctea con grasa vegetal de una manera económica, rápida y precisa.
43
4. Objetivos
44
4.1. Objetivo general
Desarrollar un método quimiométrico acoplado a Espectroscopia Infrarroja por
Transformada de Fourier usando reflectancia total atenuada horizontal con punta de
diamante (FTIR-HATR) para la determinación de diversos parámetros químicos en
queso Panela comercial así como para la determinación de su adulteración con
grasas vegetales.
2.1. Objetivos específicos
• Caracterizar el queso Panela comercial en base a sus propiedades químicas:
proteína, grasa, humedad, pH, colesterol, presencia de almidón y presencia de
fitoesteroles (adulteración con grasa vegetal).
• Obtener los espectros de diversas muestras de queso Panela comercial por
medio de espectroscopia en el infrarrojo medio utilizando transformada de
Fourier con un aditamento de reflectancia total atenuada horizontal de punta
de diamante (FTIR-HATR).
• Obtener el método quimiométrico optimizado para determinar algunas
características fisicoquímicas (humedad, grasa, proteína y colesterol) del
queso Panela comercial.
• Obtener el método quimiométrico optimizado para detectar la presencia de
grasa de origen vegetal en queso Panela comercial.
45
5. Materiales y
métodos
46
5.1. Materias primas
Se analizaron por triplicado 31 muestras de queso Panela comercial entre los
meses de septiembre y octubre de 2007 compradas en mercados formales e
informales de la Ciudad de México (ver apéndice 2).
5.2. Equipos y reactivos
• Reactivos y equipos de uso común en laboratorio.
• Espectrofotómetro Perkin Elmer Spectrum GX.
• Accesorio HATR con punta de diamante, Durasampl IR II.
• Cromatógrafo de gases Clarus 500 de Perkin Elmer.
• Columna HP-5 fenil metil al 5%.
• Equipo Macro Kjeldahl.
• Equipo de extracción Soxhlet.
• Butirómetro para queso de copa tipo Gerber.
• Estufas incubadoras.
• Microcentrífuga Epdendorf 5154D.
• Programas estadísticos de análisis multidimensional (Spectrum Quant+ y
Assure ID) específicos para el análisis quimiométrico.
• Estándares de esteroles: colesterol, β-sitoesterol, β-stigmaesterol (Sigma-
Aldrich).
• n-Hexano grado cromatográfico (Sigma Aldrich).
• Mezcla de formamida y dimetilformamida 1:1 (v/v).
• Digitonina (Sigma Aldrich)
47
5.3. Diagrama experimental
En el presente trabajo se analizaron por métodos analíticos químicos proximales
los principales parámetros fisicoquímicos del queso Panela así como sus
principales adulterantes. Posteriormente, se desarrollaron métodos quimiométricos
acoplados FTIR /HATR para la determinación de los mismos parámetros
fisicoquímicos así como la determinación de la presencia de grasa vegetal. El
desarrollo experimental se resume en el diagrama de bloques de la Figura 7.
48
Materia primaQueso Panela comercial
Caracterización fisicoquímicaHumedad
GrasaProteína
ColesterolpH
Determinación de adulteraciones
Presencia de fitoesterolesPresencia de almidón
Obtenciónde espectros
FTIR/HATR
ConstrucciónModelo Cuantitativo
Quant+ ConstrucciónModelo Cualitativo
Assure ID
Calibración Selección del algoritmoPretratamiento de datos
Validación internaN°de PCs
Coeficiente de correlación (R2)Cálculo de errores (SEP, SEC)
Validación externaDesviación estándar
Distancia de MahalanobisInfluencia (H1)
Relación Residual
Calibración Selección del algoritmo
SIMCA
Validación Cálculo de distancias
Aplicacióncon muestras desconocidas
Materia primaQueso Panela comercial
Caracterización fisicoquímicaHumedad
GrasaProteína
ColesterolpH
Determinación de adulteraciones
Presencia de fitoesterolesPresencia de almidón
Obtenciónde espectros
FTIR/HATR
ConstrucciónModelo Cuantitativo
Quant+ ConstrucciónModelo Cualitativo
Assure ID
Calibración Selección del algoritmoPretratamiento de datos
Validación internaN°de PCs
Coeficiente de correlación (R2)Cálculo de errores (SEP, SEC)
Validación externaDesviación estándar
Distancia de MahalanobisInfluencia (H1)
Relación Residual
Calibración Selección del algoritmo
SIMCA
Validación Cálculo de distancias
Aplicacióncon muestras desconocidas
Figura 7 : Diagrama del desarrollo experimental del trabajo. Los parámetros en cursiva no fueron
considerados para el modelado quimiométrico.
49
5.3. Métodos analíticos químicos proximales
5.3.1. Determinación de sólidos totales y del contenido de
humedad
Se determinó según la norma NMX-F-111-1984.
Se pesaron entre 2 y 4 g de cada muestra molida y se distribuyó perfectamente en
una charola de aluminio previamente secada a peso constante. Se colocó la
charola con la muestra en la estufa a 105oC durante toda la noche. Posteriormente
se transfirió la charola al desecador, se dejó enfriar y se pesó hasta obtener peso
constante. Las muestras se analizaron por triplicado.
El porcentaje de sólidos totales se calculó según la siguiente ecuación:
100*sec
sec%
aPmuestra
húmedaPmuestraaPmuestratotalesSólidos
−=
Donde:
P muestra húmeda es el peso en gramos de la muestra húmeda;
P muestra seca es el peso en gramos de la muestra seca.
La humedad de la muestra se calculó por diferencia de los sólidos totales de la
misma.
La norma mexicana NMX-F-713-COFOCALEC-2005 hace referencia a la humedad
sin materia grasa (HSMG), es decir, la humedad expresada en extracto magro,
que se calcula de la siguiente manera:
100*%100
%%
G
HHSMG
−=
Donde:
H es la humedad;
G es el contenido graso.
Esta misma norma (NMX-F-713-COFOCALEC-2005) clasifica los quesos en
función de su HSMG (%) tal y como indica el cuadro 3.
50
Cuadro 3 . Clasificación de los quesos mexicanos por su contenido en humedad libre de materia
grasa (HLMG) (%). NMX-F-713-COFOCALEC-2005.
Denominación HLMG (%)
Extraduro <51
Duro 49-56
Semiduro o firme 54-63
Semiblando 61-69
Blando >67
5.3.2. Determinación de grasa
Se determinó por el método Gerber para quesos como indica la norma mexicana
NMX-F-710-COFOCALEC-2005.
El método se basa en la digestión parcial de todos los componentes del queso,
excepto de la grasa, en ácido sulfúrico. Emplea alcohol isoamílico para ayudar a
disminuir la tensión en la interfase entre la grasa y la mezcla de reacción (ácido
sulfúrico-queso) lo que facilita el ascenso de los glóbulos de grasa de menor
tamaño bien sea por centrifugación o reposo. El alcohol isoamílico reacciona con
el ácido sulfúrico formando un éster soluble en el ácido.
El resultado se obtiene al leer directamente el contenido de grasa en la escala del
butirómetro.
En la copa del butirómetro se colocaron 3 g ± 0.001 g de queso. Las copas con las
muestras se introdujeron en el butirómetro. Por la abertura superior del butirómetro
se agregó ácido sulfúrico Gerber (ácido sulfúrico concentrado al 91%) hasta cubrir
la copa con la muestra. Se tapó la abertura, se agitó y se colocó el butirómetro en
un baño de agua a ebullición durante 30 minutos manteniendo el agua por encima
de la escala del butirómetro y agitando cuidadosamente varias veces durante ese
tiempo. Posteriormente, se añadió 1 ml de alcohol isoamílico e inmediatamente se
agitó, volteando en butirómetro por un lapso de 3 s. El butirómetro se llenó con
51
ácido sulfúrico Gerber hasta que el volumen llegó a tres cuartas partes de la
columna graduada. Se tapó la abertura superior del butirómetro y se mezcló por
inversión. Se colocó en un baño de agua a ebullición durante 60 min.
Posteriormente se dejó enfriar hasta 65 °C y se ley ó el contenido de grasa en la
escala del butirómetro.
La prueba se realizó por triplicado para cada muestra.
La norma NMX-F-713-COFOCALEC-2005 hace referencia al contenido graso
calculado en extracto seco (GES), que se calcula de la siguiente manera:
100*%100
%%
totalHumedad
totalGrasaGES
−=
Esta misma norma (N4MX-F-713-COFOCALEC-2005) clasifica los quesos en
función de su grasa en extracto seco tal y como indica el cuadro 4.
Cuadro 4: Clasificación de los quesos mexicanos por su contenido en grasa en extracto seco
(GES (%)). NMX-F-713-COFOCALEC-2005.
Denominación GES (%)
Rico en grasa >60
Extragraso 60-45
Semigraso 45-25
Bajo en grasa 25-10
Sin grasa <10
5.3.3. Determinación de proteínas
Se determinó por el método Kjeldhal-Cunning según la norma NMX-F-098-1976.
El método se basa en la combustión en húmedo de la muestra por calentamiento
con ácido sulfúrico concentrado al 98% en presencia de catalizadores metálicos o
de otro tipo para reducir el nitrógeno orgánico de la muestra hasta amonio, el cual
queda en solución en forma de sulfato de amonio. El digerido, una vez
52
alcalinizado, se destila para desprender el amoniaco, el cual es atrapado y
posteriormente titulado.
Se pesó alrededor de 1 g de muestra y se transfirió a un matraz Kjeldhal; se
añadió 2 g de sulfato de cobre pentahidratado, 10 g de sulfato de sodio anhidro,
25 ml de ácido sulfúrico concentrado y unas perlas de vidrio. Se colocó el matraz
en el digestor y se calentó cuidadosamente a baja temperatura hasta que todo el
material estuvo carbonizado y se aumentó gradualmente la temperatura hasta que
la solución estuvo completamente clara y se dejo por 30 min más. Se enfrió antes
de añadir 200ml de agua para diluir, se agregaron 6 ó 7 gránulos de zinc en un
poco de parafina y 50 ml de hidróxido de sodio 1:1 resbalando por las paredes; se
conectó inmediatamente el aparato de destilación para recibir el destilado en un
matraz Erlenmeyer de 500 ml que contenga 50 ml de ácido bórico al 4% y 5 gotas
de indicador; se destiló hasta que hubo pasado todo el
amoniaco,(aproximadamente 300 ml) y se tituló el destilado en caliente con ácido
clorhídrico 0.1N en presencia de rojo de metilo al 1% como indicador.
Los resultados se expresan de la siguiente manera:
P
NVnitrógenode
100*014.0**% =
Donde:
V son los ml de ácido clorhídrico valorados utilizados en la destilación;
N es la normalidad de la solución valorada de ácido clorhídrico;
P es el peso en g de la muestra.
El porcentaje de proteínas se calcula multiplicando el porcentaje de nitrógeno
obtenido por el factor 6.38 tal y como indica la norma NMX-F-098-1976.
La prueba se realizó por triplicado.
53
5.3.4. Determinación de pH
Se determinó con un potenciómetro según indica la norma oficial NMX-F-099-
1970.
Se tomó 1 g ± 0.1 g de la muestra y se trituró en un mortero pasando
cuantitativamente a un vaso de precipitados con ayuda de 10 ml de agua destilada
neutralizada diluyéndose perfectamente.
Se calibró el potenciómetro con las soluciones buffer y se hicieron las lecturas en
el potenciómetro por triplicado.
5.3.5. Determinación de presencia de almidón
Se determinó según la norma NMX-F-374-1983.
Esta determinación se hizo mediante la prueba de Lugol. Es un método cualitativo
basado en la identificación de la presencia de almidón por la aparición de un color
azul al combinarse la muestra con unas gotas de Lugol cuando esta contiene
almidón. La presencia de almidón en quesos está prohibida por la norma NOM-
121-SSA1-1994.
Se preparó la disolución de Lugol disolviendo 1 g de yodo en 2 g de yoduro de
potasio con un poco de agua y se aforó a 200 ml.
Se tomó una pequeña cantidad de muestra en un matraz Erlenmeyer y se añadió
un poco de agua. Se coloca el matraz sobre una parrilla eléctrica hasta que esté
en ebullición y después se deja enfriar. Se añadieron unas gotas de Lugol. La
presencia de una coloración azul oscura indica la presencia de almidón.
La prueba se realizó por triplicado.
54
5.3.6. Determinación de esteroles por cromatografía de gases.
La determinación de esteroles se emplea para evaluar el origen de la grasa
utilizada en un alimento. Esta determinación se efectuó siguiendo la norma
mexicana NMX-F-707-COFOCALEC-2004.
A una muestra de queso se le extrajo la grasa y se le determinó el contenido de
esteroles gravimétricamente después de saponificar la materia grasa y de
precipitar los esteroles adicionando una solución de digitonina a la solución de
jabón.
Para extraer del queso la materia grasa se molieron entre 60 y 100 g de queso en
mortero y se llevaron a desecar durante 24 horas a 55 °C a presión atmosférica.
Posteriormente se colocó la masa obtenida en un equipo de extracción Soxhlet y
se procedió a la extracción con ayuda de éter sulfúrico a temperatura de ebullición
del disolvente durante 4 h. La muestra colectada en el matraz se llevó a un baño
de agua a 50 °C para garantizar la evaporación de l os residuos del disolvente. La
grasa se recuperó y se conservó en congelación a -20 °C hasta los análisis.
Como referencia, se extrajo también grasa de testigos positivos en fitoesteroles
(margarina y aceite de oliva) y de testigos negativos (mantequilla y manteca de
cerdo).
La grasa de los testigos se obtuvo fundiendo 50 g de los mismos en un baño de
agua a 50°C hasta la separación de las fases acuosa y lipídica. La capa de grasa
se separó por decantación y se volvió a repetir el procedimiento dos veces.
Finalmente la grasa obtenida se filtró en un horno a 50°C a presión atmosférica en
presencia de sulfato de sodio anhidro como desecante para eliminar el agua
restante. La grasa se recuperó y se conservó a -20°C hasta realizar los análisis
cromatográficos.
Para obtener digitónidos de esteroles se pesaron 3 ± 0.1 g de materia grasa. Se
agregó 2.3 ml de hidróxido de potasio y 4.5 ml de etanol. La muestra se refluyó
hasta que la solución se puso clara y se mantuvo en ebullición durante 30 min
55
más. Posteriormente se añadieron 12 ml de agua destilada y 45ml de etanol y se
calentó a 40 ± 2°C. Se adicionó 4.5ml de la solució n alcohólica de digitonina al
1%. Se agitó y se dejó enfriar. Se colocó el matraz en refrigeración a 5 °C durante
12 h. El precipitado del digitónido de esterol se recuperó por filtración a vacío a
temperatura ambiente. Se lavó el precipitado con agua destilada a 5 °C hasta que
el filtrado no produjo espuma. A continuación se lavó con 20 ml de etanol y con la
misma cantidad de éter dietílico. Se puso papel filtro con el precipitado en un vidrio
de reloj y se secó en una estufa a 102 °C durante 1 5 min.
El precipitado se separó del papel de filtro en forma de película y se transfirió a un
frasco de 5 ml con tapa de rosca conservado a temperatura ambiente.
Los estándares de esteroles utilizados (colesterol, β-sitoesterol y β-stigmaesterol)
se prepararon a una concentración de 1 mg/ml en n-hexano y se inyectaron al
cromatógrafo primero individualmente para determinar los tiempos de retención y
luego en una mezcla a partes iguales. Se inyectó 1 µl.
Para separar los esteroles del digitónido se disolvieron cerca de 10 mg de cada
digitónido de esterol en 0.5 ml de una mezcla a partes iguales de formamida y
dimetilformamida y se calentó a 50 °C. Después se e nfrió y se agregó 2.5 ml de
hexano agitando vigorosamente. Se dejó reposar y cuando la separación de las
fases era nítida se extrajo la capa superior que contiene los esteroles liberados de
los digitónidos. La capa superior se centrifugó a 5000 rpm durante 5 min y se
utilizó esta solución para el análisis cromatográfico. Se inyectó 1 µl al
cromatógrafo de gases por duplicado.
Cada día de trabajo, junto con las muestras, se inyectó al cromatógrafo una
muestra mezcla de los tres estándares (colesterol, β-sitoesterol y β-stigmaesterol)
y en diversas ocasiones se realizaron corridas tanto de los estándares por
separado como de la mezcla de los mismos para verificar su validez.
Para identificar y cuantificar los esteroles por cromatografía de gases se siguen las
siguientes condiciones de operación:
• Temperatura del inyector: 320 °C
56
• Temperatura del detector: 320 °C
• Flujo del gas de arraste (Helio): 1 ml/min
• Programa de temperaturas del horno: Temperatura 1 = 100°C; incremento de 30
°C/min hasta Temperatura 2 = 285°C.
• Tiempo de sostenimiento a 285 °C: 25 min.
• Tiempo total de corrida: 31 min.
Se empleó una columna HP -5 fenil metil al 5%.
5.6. Método espectrofotométrico FTIR /HATR
Se utilizó un espectrofotómetro marca Perkin Elmer modelo GX junto con un
aditamento horizontal con punta de diamante Durasampl IR II de con ayuda de los
programas Spectrum versión 5.3.1 de Perkin Elmer, del programa Quant+ versión
4.6.0. y del programa Assure ID Versión 4.0.1.0171de Perkin Elmer. Se tomaron 3
espectros de las 31 muestras comerciales de queso Panela.
5.6.1. Obtención de los espectros FTIR/HATR
Las muestras se trituraron en mortero de ágata y se llevaron a congelación hasta
la lectura en el equipo. Previamente a la lectura se descongelaron a temperatura
ambiente. Se introdujeron en el aditamento HATR con punta de diamante y se
obtuvo el espectro a una resolución de 4cm-1 en el intervalo de onda de 4000 a
650 cm-1. Se realizaron 64 barridos de cada muestra. Cada muestra se leyó un
mínimo de tres veces en el equipo. Los espectros se obtuvieron en unidades de
Absorbancia (A).
Antes de obtener el espectro FTIR /HATR de cada muestra de queso Panela
comercial, se obtuvo un espectro del ambiente (humedad y dióxido de carbono) el
cual se resta automáticamente del espectro de cada muestra.
Para obtener los espectros de cada muestra se colocó sobre el HATR de diamante
una pequeña cantidad de muestra dentro de una rondana justo encima del cristal
57
de diamante bajando el aditamento de compresión hasta el tope lo cual garantiza
un íntimo contacto de la muestra con la superficie del diamante. Después de cada
determinación la superficie del diamante se lavó cuidadosamente usando
detergente líquido (Extrán al 15%), seguido de un lavado con acetona.
Posteriormente se enjuagó con agua destilada y se limpió con pañuelos
desechables. Para corroborar el método de limpieza se hicieron diversas pruebas
leyendo espectros de ambiente que demostraran que con este procedimiento no
quedaban trazas de la muestra.
5.6.2. Interpretación del espectro Infrarrojo
Para el análisis de las bandas de absorción de los diferentes espectros se
utilizaron tablas de interpretación así como diferentes bases de datos (Chickos y
Garin, 2008; Von-Steffen, 2008; NAmICS, 2008).
5.6.3. Análisis multivariable cuantitativo: program a Quant+
La alimentación de los datos al programa estadístico Quant+ se efectuó tal y
como se muestra en la figura 8. Los modelos se alimentaron con varios espectros
FTIR /HATR de cada muestra de queso Panela comercial.
Para obtener el modelo maestro de cuantificación de los principales parámetros:
humedad (%), grasa (%), proteína (%) y colesterol (mg /100g) se alimentaron al
programa estadístico Quant+ los espectros FTIR/HATR obtenidos de cada muestra
con el programa Spectrum así como los valores de composición química de
humedad, grasa, proteína y colesterol obtenidos por métodos químicos proximales
de cada muestra. De esta manera se construyeron las matrices de patrones para
calibración que relacionaron matemáticamente la absorbancia de los espectros
FTIR /HATR a diferentes números de onda con la composición química de cada
uno de los parámetros estudiados.
58
Espectros FTIR /HATRde muestras
de queso Panela
Parámetros químicosAnálisis tradicional
Humedad (%)
Grasa (%)
Proteína (%)
Colesterol (mg/100g)
Programa Quant+
Espectros FTIR /HATRde muestras
de queso Panela
Parámetros químicosAnálisis tradicional
Humedad (%)
Grasa (%)
Proteína (%)
Colesterol (mg/100g)
Programa Quant+
Figura 8. Diagrama de alimentación de espectros FTIR /HATR y de parámetros químicos en el
programa Quant+.
Los modelos de calibración multivariable se desarrollaron utilizando diferentes
algoritmos tal y como se explica en el punto 2.7.3 del presente documento.
Los algoritmos con los que cuenta el programa Quant+ y con los que se trabajó
fueron: PCR (Análisis de componentes principales), PLS1 (regresión de mínimos
cuadrados sin interacción de variables) y PLS2 (regresión de mínimos parciales con
interacción de variables).
Los pretratamientos de calibración con los que se trabajó fueron:
- Elección de la región espectral: se trabajó con rangos entre 4000 y 650 cm-1 que
es el rango de trabajo del aditamento HATR de punta de diamante;
- Zonas en blanco del espectro , se probaron zonas de blanco en el espectro entre
las de regiones de mayor y menor influencia;
- Suavizado , entre 5 y 49 puntos;
- Correcciones a la línea base: se probaron distintas derivadas de primer y
segundo orden;
59
- Normalización : se probaron normalizaciones MSC (corrección multiplicativa de la
dispersión, por sus siglas en inglés) y SNV (normalización normal estándar, por
sus siglas en inglés)
- Número de factores: se probaron números de factores desde 1 hasta la mitad del
número de estándares incluidos en el modelo.
La validación interna realizada fue de carácter cruzada por se la más estricta tal
y como se explica en el apartado 2.7.3.2.
Además se analizaron estadísticamente: el coeficiente de correlación (R2), el error
estándar de calibración (SEC) y los errores estándar de predicción (SEP) estimado
y real.
La validación externa de los modelos se efectuó teniendo en cuenta los
parámetros explicados en el apartado 2.7.3.3 desviación estándar, distancia de
Mahalanobis, relación residual e Influencia (H1).
5.6.4. Análisis cualitativo: programa Assure ID.
Se trabajó con el algoritmo SIMCA del programa Assure ID versión 4.0.1.0171 de
Perkin Elmer.
El modelado SIMCA (modelado de analogías de clases independiente suavizado,
por sus siglas en inglés) es un método estadístico para la clasificación supervisada
de datos. Indica si la muestra analizada corresponde o no a un grupo de muestras
de referencia indicando además a qué población pertenece dicha muestra tal y
como se explica en el apartado 2.7.4 del presente documento.
El modelado de adulteración de queso Panela con grasa vegetal se efectuó con
las 27 muestras de queso Panela comercial de las que se extrajo suficiente
cantidad de esteroles para analizar con el cromatógrafo de gases. Se utilizaron
tres muestras para la validación del modelo.
Los espectros FTIR-HATR se alimentaron al programa Assure ID con el algoritmo
SIMCA en dos grupos de materiales distintos: grasa láctea (para las muestras sin
presencia de fitoesteroles, es decir, sin adulterar) y grasa vegetal (para las
60
muestras con presencia de los fitoesteroles analizados por cromatografía de
gases).
La optimización del modelo SIMCA se realizó modificando los parámetros de
pretratamiento de datos o calibración con los que cuenta este tipo de análisis que
son: rango del espectro, regiones en blanco, filtros de ruido, atmosféricos (CO2 y
vapor de agua), suavizado, correcciones a la línea base y normalización hasta
conseguir el mejor modelado, explicados con detalle en el apartado 2.7.4.1.
La validación del modelo SIMCA se realizó para comprobar su funcionalidad.
Debido a la poca cantidad de muestras adulteradas para la realización de la matriz
de calibración se decidió utilizar tres muestras con grasa vegetal y una sin grasa
vegetal.
Se analizaron los siguientes parámetros explicados en el apartado 2.7.4.2:
material identificado, resultado, distancia total, distancia límite, distancia del
modelo y distancia residual.
5.7. Caracterización del queso Panela por métodos a nalíticos
químicos proximales: Análisis univariable
Los datos obtenidos a través de los métodos analíticos químicos proximales
(determinación de humedad por desecación a peso constante, método Gerber de
grasa, método Kjeldhal-Cunnig de proteínas y Cromatografía de Gases para
determinación de esteroles) se alimentaron uno a uno en el programa estadístico
Minitab V 15 con el que se estudiaron los siguientes parámetros:
- Media;
- Mediana;
- Cuartiles;
- Valor máximo;
- Valor mínimo.
61
6. Resultados y
discusión
62
6.1. Caracterización de queso Panela comercial por métodos analíticos
químicos proximales
6.1.1. Determinación de sólidos totales (%), humeda d (%) y humedad libre de
materia grasa (%)
Las muestras fueron analizadas por triplicado según la NMX-F-111-1984 de
determinación de sólidos totales (%).
El valor de humedad máximo obtenido fue de 63.02 ± 1.276 % mientras que el
valor mínimo fue de 40.88 ± 0.732. En el caso de la humedad los valores de la
media y la mediana son muy similares, por lo que la distribución puede
considerarse simétrica y el valor de la media (53.77 ± 1.158) puede considerarse
representativo. Los resultados de humedad (%) pueden verse en la figura 9.
31302928272625242322212019181716151413121110987654321
40
MUESTRA
HUMEDAD (%)
63.02
56.17
54.0653.77
51.7
40.88
Q4
Q3
MEDIA
MEDIANA
Q1
Q0
Figura 9: Porcentaje de humedad con la media, la mediana y los cuartiles (Mediana, Q0, Q1, Q2, Q3
y Q4) de las muestras comerciales de queso Panela comercial analizadas.
63
La norma NMX-F-713-COFOCALEC-2005 indica que el contenido máximo de
humedad (%) en quesos frescos permitido es de un 80% (p/p). Todas las muestras
analizadas presentaron humedades inferiores al 80% (p/p) encontrándose por
tanto, en los rangos recomendados por la normatividad. Sin embargo, este
parámetro puede resultar algo confuso puesto que otros productos lácteos como
algunas leches condensadas y evaporadas entrarían dentro de este parámetro de
humedad.
Autores como Kirk et al. (1996) y Peláez et al. (2004) consideran que la humedad
máxima en quesos frescos en peso total debe ser inferior al 60% (p/p) con la
excepción del queso Cottage y de los quesos untables. Los valores encontrados
en algunas de las muestras superan el 60% que serían valores no aptos para un
queso fresco como el Panela. La norma oficial (NOM-121-SSA1-1994) por su
parte sólo indica que los quesos frescos deben tener consistencia desde untable a
pastosa pero no indica el contenido máximo de humedad permitido.
Estudios realizados específicamente en queso Panela (Villegas, 1993; Lobato-
Calleros, 2004; Mexfood, 1996) encontraron humedades que variaban entre 48.4%
y el 60.5% por lo que los resultados obtenidos muestran concordancia con éstos.
La norma NMX-F-713-COFOCALEC-2005, basada en la norma CODEX-STAN-A-
006-1978 sobre queso, emplea el parámetro de HSMG (Humedad sin materia
grasa) explicado en el apartado 5.4.1.
Los resultados de HSMG (%) de las muestras analizadas se presentan en la figura
10.
La HSMG (%) media fue de 67.85 ± 0.957% lo que indica que el queso Panela
puede considerarse como queso blando , según la NMX-F-713-COFOCALEC-
2005. Sin embargo, los valores máximos (75.09 ± 2.025%) y mínimo (55.06 ±
0.348%) obtenidos indican la presencia de muestras de queso Panela analizas
que se pueden considerar blandas y mientras que otras serían semiduras o
firmes. Existen por tanto, grandes diferencias en cuanto a su HSMG entre unas
muestras y otras.
64
31302928272625242322212019181716151413121110987654321
75.09
71.52
69.46
67.85
64.17
55.06
MUESTRA
HSMG(%
)Q3
MEDIANA
Q1
Q0
MEDIA
Q4
Figura 10: Porcentaje de Humedad sin materia grasa (HSMG) con la media, la mediana y los
cuartiles (Mediana, Q0, Q1, Q2, Q3 y Q4) de las muestras de queso Panela comercial analizadas.
Autores como Keating y Gaona-Rodríguez (1992) indican a su vez que los quesos
frescos (como es el caso del queso Panela) deben tener una HSMG (%) de entre
un 56 y un 80% por lo que sólo una de las muestras (25) no se encontraría bajo
esta definición.
En la gráfica de la Figura 10 puede observarse que la mayor concentración de
muestras se da entre la mediana (69.46%) y el tercer cuartil (71.52%). Dado que la
distribución de los valores es ligeramente asimétrica puede considerarse que la
mediana (69.46%) es un valor más representativo que el de la media aritmética
(67.85%) (Christsensen, 1996). En caso de considerar este parámetro, el queso
Panela también se clasificaría como un queso blando. Dado que la mayor
agrupación de valores se da entre la mediana y el tercer cuartil (71.52%) la
mayoría de las muestras de queso Panela analizadas se consdieran como
blandas en relación a la humedad libre de materia g rasa .
65
El parámetro de humedad definido por la norma NMX- F-713-COFOCALEC-2005
puede llegar a encontrarse en conflicto con la HSMG definida por la misma norma
ya que un queso considerado blando conforme a su humedad pero con menos de
un 13% de grasa no podría ser considerado como fresco.
Como ya se ha mencionado, existen diferencias considerables entre los valores de
humedad máximos y mínimos de las muestras analizadas que pueden deberse a
factores muy diversos (Alais, 1985; Luquet, 1991) como:
- Diferencias en las materias primas, sobre todo en la leche.
- Diferencias en el proceso tecnológico, como el nivel de prensado, tamaño de corte
de la cuajada, etc.
- Grado de maduración del queso. A medida que avanza el tiempo desde la
elaboración del queso se produce una desecación natural, sobre todo de las
partes exteriores.
- Condiciones de almacenamiento. Conservación a temperaturas superiores a los
8°C disminuyen significativamente la humedad. El en vasado del queso permite la
conservación de la humedad por mayor tiempo.
6.1.2. Determinación de grasa (%) y de grasa en ex tracto seco (%)
El contenido medio de grasa de las muestras resultó de un 20.02 ± 0.227% (figura
11) lo que coincide con los resultados obtenidos por Villegas (1993) y son
ligeramente superiores a los estudios de Lobato-Caballero et al. (2006) y de las
Tablas de Composición de Alimentos Mexicanos (Mexfood, 1996). Existen, sin
embargo, grandes diferencias en el contenido graso ya que se obtuvo un valor
mínimo de 7.67±0.578% y un valor máximo de 34.50 ± 0.000%. En este caso el
valor de la media (20.02 ± 0.227%) resultó más representativo que el de la
mediana (20.67 ± 0.289%) como también puede verse en la figura 11.
66
31302928272625242322212019181716151413121110987654321
35.5
6.0
MUESTRA
GRASA (%)
34.5
22.42
17.54
7.67
20.0220.67
Q4
Q3MEDIA
MEDIANA
Q1
Q0
Figura 11: Porcentaje de grasa con la media, la mediana y los cuartiles (Mediana, Q0, Q1, Q2, Q3 y
Q4) de las muestras de queso Panela comercial analizadas.
Los quesos frescos son normalmente quesos bajos en grasa (Keating y Gaona-
Rodríguez, 1992; Cenzano, 1992) y el queso Panela suele elaborarse con leche
entera de vaca o semidescremada sin adición de grasa butírica (Villegas, 1993).
Sin embargo, en las muestras analizadas se encontraron grandes diferencias en la
cantidad de materia grasa.
La norma NMX-F-713-COFOCALEC-2005 clasifica los quesos en torno a su grasa
en extracto seco (parámetro definido en el apartado 5.4.2. como puede verse en la
figura 12.
67
35302520151050
63
15
MUESTRA
GES (%)
60.43
48.8446.58
37.58
16.21
42.69
Q4
Q3
MEDIANA
MEDIA
Q1
Q0
Figura 12: Porcentaje de Grasa en Extracto Seco (GES) con la media, la mediana y los cuartiles
(Mediana, Q0, Q1, Q2, Q3 y Q4) de las muestras analizadas de queso Panela comercial.
En relación al GES (%) el queso Panela medio puede considerarse como un
queso semigraso con un GES de 42.69 ± 0.995%. La mediana (Q2) es de 46.58%
mientras que la media es de 42.69 ± 0.995% por lo que la distribución es
asimétrica y la mediana puede considerarse más representativa que la media
(Christensen, 1996). En este caso, el queso Panela podría considerarse como
extragraso. La mayoría de las muestras analizadas se encuentran agrupadas en
torno a la mediana (46.58%) y al tercer cuartil (48.84%) lo que indica que los
quesos Panela analizados se encuentran clasificados como extragrasos y
semigrasos .
Según Cenzano (1992) los quesos frescos tienen GES (%) que varían entre el 45
y el 55%. Por su parte, Keating y Gaona-Rodríguez (1991) indican que los quesos
frescos y blandos tienen GES de entre 50 y 55% ambos datos son ligeramente
68
superior a los resultados obtenidos en las muestras de queso Panela comercial
analizadas.
Sin embargo, existe una gran variación en cuanto al contenido graso encontrado
en las diferentes muestras. El valor máximo de GES se encuentra en 60.43 ±
0.180% por lo que se considera esta muestra como extragrasa. Por el contrario, el
valor mínimo de GES es de 16.21% considerándose como un queso bajo en
grasa.
Las variaciones en contenido de materia grasa entre las distintas muestras pueden
deberse a factores muy diversos (Alais, 1985; Luquet et al., 1991; Kosikowski,
1982) como:
- Diferencias en la composición de la leche ya que este tipo de queso puede
elaborarse con leches descremadas y enteras e incluso con leche en polvo
reconstituida;
- Falta de estandarización de la leche para el proceso tecnológico;
- Empleo o no de otras grasas en la elaboración del queso;
- Grado de maduración del queso. A medida que avanza el tiempo desde la
elaboración del queso se produce una desecación natural, sobre todo de las
partes exteriores por lo que la concentración en grasa aumenta;
- Falta de normatividad ya que la normas vigentes no determinan los contenidos
grasos que debe tener un queso para denominarse Panela.
6.1.3. Determinación de proteínas (%)
Las muestras se analizaron por triplicado según la norma NMX-F-098-1976
(método Kjeldhal-Cunning). Los resultados se muestran en la figura 13.
Tanto el CODEX-STAN-A-006-1978 como NMX-F-713-COFOCALEC-2005 indican
que el contenido mínimo proteico en los quesos debe ser del 10% valor que
superan todas las muestras analizadas ya que el mínimo obtenido fue de 14.64 ±
0.186%.
69
El valor medio de proteína fue de 17.51 ± 0.163%. Este contenido es ligeramente
inferior al encontrado por Villegas (1993) y Mexfoods (1996) que fue de 23.3% y
21.5% respectivamente y ligeramente superior al encontrado por Lobato –Calleros
et al. (2006) que fue de 15.7%.
31302928272625242322212019181716151413121110987654321
23.04
18.26
17.5117.12
14.64
MUESTRA
PROTEÍNA (%)
Q4
Q3
MEDIANA
Q2
Q1
MEDIA
Figura 13. Porcentaje de Proteína (%) con la media, la mediana y los cuartiles (Mediana, Q0, Q1,
Q2, Q3 y Q4) de las muestras de queso Panela comercial analizadas.
En la figura 13 se observa que la distribución de las muestras con respecto a la
mediana es bastante uniforme por lo que puede considerarse que la media es
igual de significativa que la mediana. La mayoría de las muestras se encuentran
entre los valores del cuartil 1 y del cuartil 3, 16.19% y 18.26% respectivamente.
Cabe destacar que el valor máximo de proteína encontrado es ligeramente inferior
al encontrado por Villegas (1993). Esto significa un descenso en el porcentaje de
proteína medio entre 1993 y 2007 de un 5.79% en ese periodo de tiempo. Esto
puede ser debido a que la norma permite quesos con porcentajes de proteína de
70
hasta un 10%, muy inferior a lo que presenta típicamente el queso Panela y por
tanto, los productores tratan de reducir el contenido proteico.
La cantidad de proteínas en el queso es un indicador de la calidad de la cuajada
ya que la presencia de caseínas da firmeza a los geles (Tornadijo et al, 1998).
Las diferencias en el contenido proteico de las distintas muestras pueden deberse
a (Alais, 1985; Luquet, 1991):
- Diferencias en la composición de la leche;
- Métodos de coagulación de la leche (enzimática o ácido-enzimática);
- Presencia o no de proteínas de leche como suero de leche y/o caseínas en la
formulación del queso.
6.1.4. Determinación de pH
El potencial de hidrógeno (pH) se determinó según indica la norma oficial NMX-F-
099-1970, aunque las normas mexicanas no hacen referencia al pH que debe
tener el queso fresco.
En la figura 14 se muestra la distribución de las muestras en torno al pH.
31302928272625242322212019181716151413121110987654321
7.01
6.766.71
6.66
6.57
6.07
MUESTRA
pH
Q4
Q3MEDIANA
Q1
Q0
MEDIA
Figura 14 : pH de las muestra comerciales de queso Panela comercial analizadas con la media, la
mediana y los cuartiles (Mediana, Q0, Q1, Q2, Q3 y Q4).
71
El pH medio resultó de 6.6 lo que parece indicar que el método de coagulación de
la leche es básicamente enzimático. Se observa que la mayor agrupación de las
muestras se da entre la mediana y el tercer cuartil, lo que corresponde a valores
de alrededor de 6.7.
Las variaciones de pH, con un máximo en 7.01 y un mínimo de 6.07 podrían
indicar diferencias en el proceso tecnológico así como de contaminación
microbiana.
El pH se considera un indicativo del rendimiento quesero (a menor pH mayor
coagulación de las proteínas), de la tecnología empleada en la producción
(coagulación ácida, enzimática o mixta) y de la higiene del producto (Tornadijo et
al,. 1998).
La presencia de una muestra con pH 7.01 puede indicar contaminación microbiana
por presencia de bacterias proteolíticas en esta muestra en particular.
6.1.5. Determinación de almidón
La presencia de almidón en quesos está prohibida por la legislación mexicana,
NOM-121-SSA1-1994, ya que es considerada una adulteración cuya finalidad
suele aumentar la retención de agua por parte de la cuajada y la firmeza de la
misma.
La determinación de almidón en queso se efectuó cualitativamente con la prueba
de Lugol según la norma NMX-F-374-1983.
De las 31 muestras analizadas por triplicado solamente las muestras 16 y 24
dieron positivo a la prueba de Lugol, es decir, el 6.45% de las muestras fueron
adulteradas con almidón por lo que estas muestras no podrían considerarse como
quesos Panela en conformidad a la norma. Las muestras que dieron positivo a la
prueba de Lugol presentaron un contenido medio de proteína y de grasa.
72
6.1.6. Determinación de esteroles por cromatografía de gases.
La determinación de esteroles se hizo siguiendo la norma mexicana NMX-F-707-
COFOCALEC-2004. De las muestras 1, 8, 20 y 30 no se obtuvieron cantidades
suficientes de grasa para la determinación cromatográfica ya que la norma
especifica extracción de grasa por Soxhlet y este método no digiere
adecuadamente la proteína presente en el queso lo que dificulta su extracción.
Siguiendo la metodología de determinación de esteroles indicada en la sección
5.4.3 del presente trabajo mediante cromatografía de gases y uso de estándares
(colesterol, β-sitoesterol y β-stigmaesterol) se observaron la presencia de los
siguientes picos:
- colesterol aproximadamente en el minuto 23;
- β-sitoesterol aproximadamente en el minuto 31;
- β-stigmaesterol aproximadamente en el minuto 28.
Los cromatogramas de las muestras indicaron la presencia de colesterol como en
el caso correspondiente a la muestra 2 (figura 15) o la presencia de colesterol y
fitoesteroles (stigmaesterol y sitoesterol) como en la muestra 11 (figura 18). El
estándar de colesterol puede observarse en la figura 17 y los estándares de
sitoesterol y estigmaesterol en la figura 19.
73
ColesterolColesterolColesterolColesterol
Figura 16 . Cromatograma correspondiente a la muestra 2 con presencia de colesterol (muestra sin adulterar).
74
Figura 16 . Cromatograma correspondiente al estándar de colesterol.
75
Colesterol
Stigmaesterol
Colesterol
Stigmaesterol
SitoesterolColesterol
Stigmaesterol
Colesterol
Stigmaesterol
Sitoesterol
Figura 17: Cromatograma correspondiente a la muestra 11 con presencia de colesterol, stigmaesterol y sitoesterol (muestra adulterada con grasa
vegetal).
76
Β-Stigmaesterol Β-Sitoesterol
Figura 18: Cromatograma correspondiente al estándar de β-Stigmaestorl (izquierda) y de β-Sitoesterol (derecha).
77
Los resultados cuantitativos de todas las muestras analizadas se muestran en el
cuadro 5.
Cuadro 5: Perfil de esteroles (colesterol, β-sitoesterol y β-stigmaesterol) en mg /100 g de queso y
ausencia o presencia de grasa de origen vegetal en las muestras analizadas de queso Panela
comercial.
MUESTRA mg Colesterol /100 g queso
mg Stigmaesterol /100 g queso
mg Sitoesterol /100 g queso
PRESENCIA DE GRASA
VEGETAL
2 0.48 0.0000 0.0000 NEGATIVO 3 0.09 1.4119 0.0000 POSITIVO 4 9.77 0.0000 0.0000 NEGATIVO 5 5.29 0.0000 0.0000 NEGATIVO 6 0.00 0.0000 0.0000 NEGATIVO 7 3.46 0.0000 0.0000 NEGATIVO 9 2.57 0.0000 0.0000 NEGATIVO
10 8.93 0.0000 0.0000 NEGATIVO 11 0.23 0.0037 0.0171 POSITIVO 12 0.31 0.0352 0.1838 POSITIVO 13 4.07 0.0000 0.0000 NEGATIVO 14 1.24 0.0000 0.0000 NEGATIVO 15 4.28 0.0000 0.0000 NEGATIVO 16 2.01 0.0000 0.0000 NEGATIVO 17 0.21 0.0172 0.0190 POSITIVO 18 4.72 0.0000 0.0000 NEGATIVO 19 1.26 0.0000 0.0000 NEGATIVO 21 3.84 0.0000 0.0000 NEGATIVO 22 2.48 0.0401 1.6215 POSITIVO 23 2.70 0.3662 1.1859 POSITIVO 24 0.26 0.0896 0.2696 POSITIVO 25 2.27 0.6193 0.0000 POSITIVO 26 0.97 1.0078 4.0480 POSITIVO 27 0.70 0.0108 0.0913 POSITIVO 28 2.69 0.0000 0.0000 NEGATIVO 29 0.27 0.0000 0.0000 NEGATIVO 31 2.35 0.0000 0.0000 NEGATIVO
El contenido de colesterol en todas las muestras de queso Panela fue menor de
10 mg de colesterol/100 g de queso (la muestra con mayor contenido fue la 9 con
9.77 mg de colesterol/100 g queso) lo que concuerda con la bibliografía
consultada (Villegas, 1993).
78
En la muestra 6 no se observó presencia de colesterol lo que indica que toda la
grasa es de origen vegetal; la muestra 3 tiene 0.09 mg colesterol/100 g de queso
lo que indica que prácticamente toda la grasa láctea fue sustituida por grasas de
origen vegetal.
En las muestras adulteradas la presencia de β-stigmaesterol fue más frecuente
que la de β-sitoesterol lo que puede ser debido al origen de la grasa vegetal. El β-
stigmaesterol se encuentra en grandes cantidades en el aceite de soya (Fennema,
2000).
No se observó una relación directa entre el contenido graso (%) y el contenido de
colesterol (mg/100g) en las muestras analizadas (Figura 19).
MUESTRA 10222492325121914291341157318212726166215172831
30
25
20
15
10
5
0
Grasa (%), Colesterol (mg/100g)
Grasa (%)
Colesterol (mg /100g)
Figura 19. Relación entre el contenido en grasa (%), colesterol (mg/ 100 g queso) de las muestras
analizadas de queso Panela comercial en orden decreciente de contenido graso.
79
En la figura 19 se aprecia que no existe una relación entre el contenido graso y el
contenido de colesterol. Esto puede ser resultado de la adulteración de las
muestras con grasa de origen vegetal e incluso con otras grasas de origen animal
en las muestras con elevados contenidos de colesterol (como es el caso de la
muestra 10), aunque también pudiera deberse a diferencias en la alimentación de
las vacas ya que a veces se les da harina de carne y grasas de origen animal para
aumentar la producción láctea (Luquet, 1991).
La presencia de grasa de origen vegetal se considera una adulteración del queso
en la legislación mexicana (NOM-121-SSA-1-1994).
En 37.03% de las muestras analizadas se encontraron evidencias que indican la
presencia de grasa vegetal. Por lo tanto, esas muestras se pueden considerar
adulteradas. Esta adulteración puede deberse a que México es un país deficitario
tanto en producción láctea como en producción de grasa butírica (Gallardo et al.,
2003) lo que hace que la grasa láctea tenga un elevado precio en el mercado
(Promar Internacional, 2002) por lo que al productor le resulta económicamente
más rentable sustituir la grasa butírica propia de la leche por otras grasas de
menor precio tanto de origen vegetal como animal.
En la actualidad no existe una norma mexicana que describa un método analítico
para detectar la presencia de grasa butírica adulterada con otras grasas de origen
animal (Vega-y-León et al., 2006). Vega-y-León (2004) indica que la adulteración
en margarinas con grasas de origen animal es del 75% ya que se ha encontrado
presencia de colesterol en margarinas de origen vegetal. Esto sugiere la
posibilidad de que las grasas vegetales empleadas como adulterante de la grasa
láctea estuvieran a su vez adulteradas con grasas de origen animal. Esa sería la
razón por lo que algunas de las muestras (como la muestra 25) tengan un elevado
contenido en colesterol y muestren a la vez presencia de fitoesteroles.
6.2. Interpretación de los espectros FTIR /HATR
Las muestras analizadas de queso Panela mostraron espectros infrarrojos en la
región del infrarrojo medio que refleja la presencia de los grupos funcionales
80
propios de los componentes que forman parte de dichas muestras. En esta región
se encuentran señales de las vibraciones de los enlaces moleculares que
corresponden a los diferentes grupos funcionales presentes en los componentes
de la muestra (Aparicio y Hardwood, 2003). A su vez, a través del análisis de los
grupos funcionales se puede detallar la composición de las muestras.
En la figura 20 correspondiente a la media de los triplicados de la muestra 1 se
pueden observar las bandas de absorción correspondientes a los grupos
funcionales característicos de los principales componentes del queso Panela
(agua, proteína, lípidos y carbohidratos).
4000.0
3600 3200 2800 2400 2000 1800 1600 1400 1200 1000 800 550.0
0.003
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.389
cm-1
A
3362.54
2921.73
2852.56
1742.85
1639.37
1546.37
1456.301240.89
1160.611096.46
Puentes de hidrógeno
Aminas primarias
Aldehídos
G. Carbonilo
Amidas II Ésteres
Alcoholes II
Agua
Proteína
H de C
Lípidos
Agua
Proteína
Lípidos
Lactosa
4000.0
3600 3200 2800 2400 2000 1800 1600 1400 1200 1000 800 550.0
0.003
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.389
cm-1
A
3362.54
2921.73
2852.56
1742.85
1639.37
1546.37
1456.301240.89
1160.611096.46
4000.0
3600 3200 2800 2400 2000 1800 1600 1400 1200 1000 800 550.0
0.003
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.389
cm-1
A
3362.54
2921.73
2852.56
1742.85
1639.37
1546.37
1456.301240.89
1160.611096.46
Puentes de hidrógeno
Aminas primarias
Aldehídos
G. Carbonilo
Amidas II Ésteres
Alcoholes II
Agua
Proteína
H de C
Lípidos
Agua
Proteína
Lípidos
Lactosa
Número de Onda (cm-1)
A
4000.0
3600 3200 2800 2400 2000 1800 1600 1400 1200 1000 800 550.0
0.003
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.389
cm-1
A
3362.54
2921.73
2852.56
1742.85
1639.37
1546.37
1456.301240.89
1160.611096.46
Puentes de hidrógeno
Aminas primarias
Aldehídos
G. Carbonilo
Amidas II Ésteres
Alcoholes II
Agua
Proteína
H de C
Lípidos
Agua
Proteína
Lípidos
Lactosa
4000.0
3600 3200 2800 2400 2000 1800 1600 1400 1200 1000 800 550.0
0.003
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.389
cm-1
A
3362.54
2921.73
2852.56
1742.85
1639.37
1546.37
1456.301240.89
1160.611096.46
4000.0
3600 3200 2800 2400 2000 1800 1600 1400 1200 1000 800 550.0
0.003
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.389
cm-1
A
3362.54
2921.73
2852.56
1742.85
1639.37
1546.37
1456.301240.89
1160.611096.46
Puentes de hidrógeno
Aminas primarias
Aldehídos
G. Carbonilo
Amidas II Ésteres
Alcoholes II
Agua
Proteína
H de C
Lípidos
Agua
Proteína
Lípidos
Lactosa
Número de Onda (cm-1)
A
Figura 20 . Espectro FTIR/HATR en la región del infrarrojo medio (4000-550 cm-1) en unidades de
Absorbancia de la media de los triplicados correspondientes a la muestra 1 de queso Panela e
interpretación de las principales bandas de absorción.
81
Los espectros de las muestras presentaron las principales bandas de absorción en
las regiones de 3365-3350 cm-1, 2920-2850 cm-1, 1740-1630 cm-1, 1540-1450 cm-
1, 1200-1090 cm-1.
Para el análisis de las bandas de absorción se emplearon tablas de interpretación
así como diferentes bases de datos (Von Steffen, 2008, Aparicio y Hardwood,
2003; NAmICS, 2008).
La presencia de moléculas de agua se demuestra por la presencia de una banda
de absorción ancha entre 3365-3350 cm-1. Esta banda indica la presencia de
puentes de Hidrógeno que son característicos tanto de moléculas de agua como
de aminas primarias. La presencia de aminas primarias se demostró
posteriormente por otras bandas de absorción características en la región de la
huella digital. La presencia de moléculas de agua se corrobora con el pico que
aparece alrededor de 1640 cm-1 correspondiente también a enlaces –O-H típicos
de las moléculas de agua (Arrabal y Cortil, 2007).
Las señales de las bandas presentes en la región 2920-2850 cm-1 indican la
presencia de grupos funcionales aldehídos (C-H). Como existe otra banda en la
región 1540-1450 se comprueba también la presencia de grupos alcanos (CH2 y
CH3) también característicos de carbohidratos (Martín-del-Campo et al., 2007).
El pico entorno a los 1096 cm-1 indica la presencia grupos alcoholes secundarios
(C-O y O-H) que se pueden asignar a moléculas de lactosa (Martín del Campo,
2007).
La banda entre 3365 y 3350 cm-1 es característica de las amidas primarias propias
de las proteínas . Debido a que esta banda es similar a la de los enlaces de
hidrógeno propia de las moléculas de agua la presencia de proteínas se corrobora
con la banda entre 1540 y 1450 cm-1 que indica la presencia de amidas
secundarias y corrobora a su vez la presencia de amidas primarias en estados
sólidos. Las caseínas se presentan de manera característica en la región 1720-
1550 cm-1 (Fontecha et al., 1993), misma que presenta varias bandas de
absorción presentándose picos en torno a los 1742, 1639 y 1546 cm-1.
82
El Cuadro 6 indica las principales regiones del infrarrojo medio donde se
encuentran los tipos de enlace característicos de los principales componentes del
queso Panela.
Cuadro 6. Regiones (cm-1) de los principales parámetros y tipos de enlace de interés en queso
Panela. Modificado de Arrabal y Cortil (2007) y de Aparicio y Harwood (2003).
Parámetro Tipo de enlace Grupo Funcional o
Fórmula esquemática Región (cm -1)
Puentes de hidrógeno
3365-3350 Agua
Puentes de hidrógeno ~ 1640
Carbohidratos Aldehídos
C-H3 y - C-H2 2920 -2850
Lactosa Alcoholes secundarios
~ 1096
Carbonilo
1740 – 1630
Ésteres
1200 -1090
Lípidos
Ácidos grasos saturados e insaturados
1760 -1725
Amidas I
3365 – 3350
Amidas II
1540 – 1450 Proteínas
Caseínas
1720 – 1550
Ácidos orgánicos Ácido láctico
1575 -1400 ~ 1115
Puentes de hidrógeno
O-H ~ 3600
Alcanos C-H 2960 – 2780
Alquenos
=C-H 3125-3030
Alcanos
C-H 1440 – 1380
Esteroles
Etenos
C=C ~ 1670
83
La presencia de ácidos orgánicos como ácido láctico se comprueba a través de
los picos presentes entre 1575 y 1400 cm-1(correspondientes a grupos –COO-) así
como a 1115 cm-1 (de grupos C-OH) (Martín del Campo, 2007). La presencia de
ácido láctico no es posible observarla en todas las muestras lo cual puede ser
debido a que el queso Panela es un queso fresco elaborado mayoritariamente por
coagulación enzimática.
La presencia de una banda intensa entre 1740-1630 cm-1 indica la presencia de
grupos carbonilo (COOH) y las dos bandas entre los 1200-1090 cm-1 indican la
presencia de ésteres (C=O). Estos grupos funcionales son característicos de los
lípidos . Las bandas de absorción en esta región corresponden a ácidos grasos
saturados e insaturados que tienen su máxima absorción entre 1760 y 1725 cm-1
(UDAIOP, 2008).
En el caso concreto de los esteroles , la mayoría de los espectros infrarrojos son
bastante similares a los de los alcoholes alifáticos saturados o insaturados.
Generalmente se observa una banda de tensión O-H alrededor de 3600 cm-1,
bandas de tensión de enlaces C-H saturados alrededor de 2960-2780 cm-1,
bandas de tensión de enlaces =C-H alrededor de 3125-3030 cm-1, bandas de
flexión de enlaces saturados C-H alrededor de 1440-1380 cm-1 y bandas de
tensión de enlaces C=C olefínicos alrededor de 1670 cm-1 (generalmente es una
banda débil que a veces no se observa) (Martínez, 2002).
Para el colesterol de origen lácteo se han encontrado picos en 3712, 3611, 3025,
2948, 2552, 1546, 1446, 1372, 1219, 1037, 932, 859, 789, y 680 cm-1 (Figura 21)
(Paradark e Irundajarj, 2002). En los espectros analizados puede observarse con
claridad un pico en 1546 cm-1.
84
Figura 21. Espectro FTIR del colesterol puro en leche de vaca. (Paradkar e Irundajaraj, 2002).
La complejidad en la composición del queso Panela dificulta la observación de las
bandas de colesterol debido a que otras bandas de mayor resonancia las
minimizan. Tampoco puede diferenciarse si las bandas de esteroles son propias
de grasas de origen vegetal o animal. Sin embargo, el empleo de herramientas
quimiométricas (como el programa Quant+ y el programa SIMCA) permiten hacer
esta diferenciación.
6.3. Desarrollo del modelo quimiométrico para la de terminación de
humedad, grasa y proteína en queso Panela.
6.3.1. Muestras para el desarrollo del modelo
Se consideraron 26 muestras para la realización del modelo para la determinación
de humedad, grasa y proteína.
85
Para el modelo de colesterol se emplearon 22 muestras ya que hubo cuatro
muestras de las que no se consiguió extraer suficiente grasa debido al método
empleado (NMX-F-707-COFOCALEC-2004) dado que, como se indicó en el
apartado 6.1.6 no se pudo extraer suficiente grasa para realizar el perfil de
esteroles.
En ambos modelos se reservaron 5 muestras para la validación externa.
No se pudo realizar un modelo de análisis multivariable cuantitativo de
fitoesteroles (β-sitoesterol y β-stigmaesterol) debido a que sólo presentaron estos
esteroles 10 muestras y el número resulta insuficiente para un modelo de análisis
multivariable cuantitativo.
6.3.2. Calibración: Pretratamiento de los datos
El resumen de los mejores modelos obtenidos de análisis multivariable cuantitativo
se presenta en el cuadro 7. El mejor modelo obtenido fue el modelo 2 (sombrado
en el cuadro 7). El modelo maestro 2 es, por tanto, el que se analizará a detalle en
la presente discusión.
El queso Panela es un producto de composición compleja. Se buscó analizar
componentes presentes en porcentajes elevados (humedad, grasa y proteína) y
otros componentes presentes en proporciones mucho menores (colesterol). Para
ello, se decidió realizar varios modelos maestros diferentes que permitieran
analizar de diferentes formas los cuatro parámetros de interés:
- El modelo 1: se trató de analizar conjuntamente los cuatro parámetros de interés
(1A).
- El modelo 2: se analizaron conjuntamente los parámetros presentes en mayor
proporción (2A), humedad, grasa y proteína) y por separado el parámetro de
colesterol (2B), que se encuentra en menor proporción.
- El modelo 3: se buscó analizar conjuntamente los parámetros que muestran
bandas en las mismas regiones: por un lado humedad y proteína (3A) y por otro
grasa y colesterol (3B) (Cuadro 7).
86
Cuadro 7. Características de los Modelos cuantitativos desarrollados que presentaron mejores
resultados. Algoritmo, parámetros analizados y modificaciones en el cálculo estadístico (rango,
regiones en blanco, suavizados, corrección a la línea base, normalización y número mínimo de
factores). El mejor modelo maestro (2) se muestra sombreado.
Modelo maestro
Algoritmo Parámetro Calibración: Pretramiento de datos
Intervalo cm -1
Regiones en blanco
cm -1
Suavi-zado
Corrección a la línea base
Normalización
N° de factores
1A PLS2 Humedad (%)
3199-949 Ninguna 9 puntos
Derivada (2, 5) Factorial 21
1A PLS2 Grasa (%)
3199-949 Ninguna 9 puntos
Derivada (2, 5) Factorial 21
1A PLS2 Proteína (%)
3199-949 Ninguna 9 puntos
Derivada (2, 5) Factorial 21
1A PLS2 Colesterol (mg/100g)
3199-949 Ninguna 9 puntos
Derivada (2, 5) Factorial 21
2A PLS1 Humedad (%)
3169-976 Ninguna 9 puntos
Derivada (1, 9) MSC 20
2A PLS1 Grasa (%)
3169-976 Ninguna 9 puntos
Derivada (1, 9) MSC 20
2A PLS1 Proteína (%)
3169-976 Ninguna 9 puntos
Derivada (1, 9) MSC 20
2B PLS1 Colesterol (mg/100g)
3000-900 2800-1800
5 puntos
Derivada (1, 5) SNV con corrección
de la tendencia
17
3A PLS2 Humedad %)
1801-700 Ninguna 5 puntos
Derivada (1, 9) MSC 25
3A PLS2 Proteína (%)
1801-700 Ninguna 5 puntos
Derivada (1, 9) MSC 25
3B PLS1 Grasa (%)
3199-2800
Ninguna 5 puntos
Derivada (1, 5) MSC 20
3B PLS1 Colesterol (mg/100g)
3199-2800
Ninguna 5 puntos
Derivada (1, 5) MSC 20
Cada uno de los modelos maestros se analizó a su vez en cada uno de los
algoritmos con los que cuenta el programa estadístico Quant+ (PCR, PLS1 y PLS2).
87
Cada uno de los algoritmos se calibró n veces efectuando diferentes
pretratamientos de datos hasta obtener las mejores predicciones.
En el modelo 2, como se ha dicho anteriormente, se manejaron conjuntamente los
parámetros presentes en mayor proporción, que presentan bandas de absorción a
lo largo de todo el espectro. Sin embargo, el colesterol, se encuentra presente en
mucha menor cantidad y sus bandas se traslapan con otras bandas
correspondientes a la grasa en general. Por lo tanto, separarlo para poder manejar
otro intervalo en el espectro, mucho más específico de este compuesto, aumenta
considerablemente la eficacia del modelo.
6.3.3. Calibración: Pretratamiento de los datos del modelo maestro 2
Una vez que se obtuvieron los espectros FTIR/HATR de las muestras por
triplicado se hizo un análisis espectral para determinar las regiones del espectro
que se iban a emplear en el modelo quimiométrico. Las regiones elegidas pueden
verse en la figura 22.
En el caso específico de productos lácteos las regiones del infrarrojo medio
empleadas están en torno a los 4000-900 cm-1 (Karoui y De-Baerdemaeker 2007),
4000-700 cm-1 (Rodríguez-Gaona et al., 2006) y 4000-650 cm-1 (Downey et al.,
2005). Algunos autores eliminan ciertas regiones del espectro por considerar que
pueden interferir (Karoui y De-Baerdemaeker 2007) mientras que otros optan por
utilizar la región completa del espectro (Rodríguez-Gaona et al., 2006).
Para los parámetros de humedad, grasa y proteína se decidió elegir el intervalo
comprendido entre 3169 y 976 cm-1 ya que en esta región se obtuvieron las
mejores correlaciones (figura 22b). Al eliminar la región entre 4000 y 3169 cm-1 se
eliminó la señal correspondiente a puentes de hidrógeno y al eliminar la señal
entre 976 cm-1 y 550 cm-1 se eliminó una importante zona de ruido espectral. No
fue necesario tomar regiones en blanco dentro del espectro debido a que los
enlaces correspondientes a los parámetros analizados se encuentran en toda la
región del espectro. Tanto los puentes de hidrógeno correspondientes al agua
88
como los correspondientes a grupos amina de las proteínas se leyeron en la
región de la huella digital (Figura 22b).
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Número de OndaCm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Número de OndaCm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Cm-1
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000939.4
- 0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
3272.3 3000 2800 2600 2400 2200 2000 1900 1700 1600 1500 1400 1300 1200 1100 1000939.4
-0.018
- 0.01
0.00
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.10
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.20
0.21
0.22
0.226
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
-
A
2986.5 2800 2600 2400 2200 2000 1900 1800 1600 1500 1400 1300 1200 1100 1000 897.3
- 0.065
-0.04
-0.02
0.00
0.02
0.04
0.06
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
0.26
0.28
0.30
0.32
0.34
0.36
0.38
0.40
0.42
0.44
0.46
0.486
A
Cm-1
AA
Figura 22a Figura 22b
Figura 22: Regiones del espectro elegidas para la determinación de los parámetros del modelo
maestro 2 por FTIR-HATR. Figura 22a) región del espectro para el colesterol. Figura 22b) región
del espectro para humedad, grasa y proteína.
En el caso del colesterol se decidió elegir la región entre 2986 y 900 cm-1
considerando una región en blanco entre 2800 y 1800 cm-1 que es la zona del
espectro donde se encuentran en menor proporción los picos correspondientes a
materia grasa y más concretamente a esteroles. Se mantuvo la región entre 2986
y 2800 cm-1 ya que en esta región hay importantes picos correspondientes a
grupos aldehídos, presentes en la molécula de colesterol. Se mantuvo también la
región de la huella digital entre 1800 y 900 cm-1 ya que a partir de los 900 cm-1
aparecía ruido espectral. (Figura 22a).
En la figura 23 se observa la influencia de las regiones elegidas en los diferentes
parámetros para la construcción del modelo.
89
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
influ
enci
a
Colesterol
Número de Onda
Número de Onda
Número de Onda
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
Número de Onda
influ
enci
a
Colesterol
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
influ
enci
a
Colesterol
Número de Onda
Número de Onda
Número de Onda
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
Número de Onda
influ
enci
a
Colesterol
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
influ
enci
a
Colesterol
Número de Onda
Número de Onda
Número de Onda
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
Número de Onda
influ
enci
a
Colesterol
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
influ
enci
a
Colesterol
Número de Onda
Número de Onda
Número de Onda
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
cm-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
cm-1
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-1
influ
enci
a 3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-1
Proteína
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
-1
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-14000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
-
influ
enci
a
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
cm-1
Humedad
3169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-13169.0 3000 2900 2800 2700 2600 2500 2400 2300 2200 2100 2000 1900 1800 1700 1600 1500 1400 1300 1200 1100 976.0
0.000
0.05
0.10
0.15
0.20
0.25
cm-1
Grasa
4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.00.0000.050.100.150.200.250.300.350.40
-4000.0 3800 3600 3400 3200 3000 2800 2600 2400 2200 2000 1800 1600 1400 1200 1000 800 550.0
0.0000.050.100.150.200.250.300.350.40
Número de Onda
influ
enci
a
Colesterol
Figura 23 . Influencia Vs. Longitud de onda de humedad (negro), grasa (rojo), proteína (azul) y
colesterol (verde) del modelo maestro 2 en el algoritmo PLS1 seleccionado.
En el caso de los parámetros de humedad, grasa y proteína se observa en las
diferentes gráficas que las regiones de influencia son ligeramente diferentes así
como su intensidad. Fue por eso que se decidió elegir el espectro completo sin
regiones en blanco.
En el colesterol se observan también las regiones en blanco elegidas, mientras
que en los parámetros de humedad, grasa y proteína se observa la influencia de
los diferentes números de onda sobre la región del espectro elegido.
Se decidió realizar un suavizado de 9 puntos para la determinación de los
parámetros de humedad, grasa y proteína y de 5 puntos para colesterol.
90
Para las correcciones a la línea base , se decidió optar por la realización de
derivadas de primer orden, con nueve puntos en el caso de los parámetros de
humedad, grasa y proteína y con cinco puntos en el caso del colesterol como
puede verse en la figura 24.
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
Longitud de Onda ( cm-1)
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
Longitud de Onda ( cm-1)
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
Longitud de Onda ( cm-1)
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
Longitud de Onda ( cm-1)
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
-
A
3169.0 2800 2400 2000 1800 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
3169.0 2800 2400 2000 1600 1400 1200 1000
-0.010.00
0.010.02
0.03
0.04
0.05
0.06
0.07
0.080.09
0.10
0.11
0.12
0.13
0.14
0.150
A
Número de Onda (cm-1)
Figura 24 . Espectro de la muestra 1 en la región 3169-946 cm-1 (negro) y espectro de su derivada
(1,9) (azul).
La utilización de la primera derivada permitió maximizar la influencia de los picos
del espectro.
La normalización en el caso de los parámetros de humedad, grasa y proteína
se hizo con MSC (corrección multiplicativa de la dispersión, por sus siglas en
inglés) y en del colesterol con SNV (normalización normal estándar, por sus
siglas en inglés) con corrección de la línea de tendencia.
El número mínimo de factores elegido para los parámetros de humedad, grasa y
proteína fue de 20 mientras que para el colesterol fue de 17.
91
6.3.4. Elección del algoritmo
Cada uno de los modelos maestros se probaron con los tres algoritmos con los
que cuenta el programa Quant+ (PCR, PLS1 y PLS2). Estos modelos establecen
una correlación entre los datos espectrales y la composición química analizada por
métodos químicos proximales En la construcción de cada modelo se obtuvieron
gráficas y datos estadísticos que permitieron elegir el mejor modelo de calibración.
Los mejores algoritmos se escogieron en función del coeficiente de determinación
(R2), del Error Estándar de Calibración (SEC), del Error Estándar de Predicción
Estimado (SEP estimado) y el Error Estándar de Predicción real (SEP real) que son los
datos que permiten determinar en primera instancia cuál de los algoritmos
predecirá mejor. Esto se corrobora posteriormente en la fase de validación del
algoritmo con las muestras de predicción.
Los datos que aparecen en el cuadro 8 representan los valores obtenidos para el
mejor algoritmo (PLS1) para los parámetros de humedad, grasa, proteína y
colesterol.
Cuadro 8. Datos de calibración del modelo cuantitativo en PLS1 desarrollado para predecir la
composición química de humedad (%), grasa (%), proteína (%) y colesterol(mg/100g) en queso
Panela comercial.
Variable N° de PCs (a)
R2(%) (b)
SEC (c)
SEPreal (d) SEPestimado (e)
Humedad 16 0.9999 0.02805 1.256 0.0352 Grasa 14 0.9999 0.02585 1.109 0.0337 Proteína 14 0.9999 0.01968 0.6194 0.0247 Colesterol 15 0.9976 0.1795 0.9470 0.2474
(a) es el número de Componentes Principales;(b) es el coeficiente de determinación (R2) que debe
ser lo más cercano a 1; (c) es el Error Estándar de Calibración (SEC) que debe ser lo más bajo
posible; (d) es el Error Estándar de Predicción Real (SEP real) que debe ser menor de 3; (e) es el
Error Estándar de Predicción Estimado (SEP estimado) que debe ser menor a 3.
Al analizar los datos y comparar los tres algoritmos (PCR; PLS1 y PLS2) se
observó que el algoritmo PLS1 es el que presentó un coeficiente de
92
determinación (R 2) más próximo a la unidad, de 0.9999 en el caso de humedad,
grasa y proteína y de 0.9976 en el caso de colesterol. Un valor R2 mayor a 0.91 se
considera que provee de información cuantitativa “excelente” por lo que el modelo
desarrollado puede considerarse como “excelente”.
En la figura 25 se observa que el % de coeficiente de determinación para el
parámetro de humedad es prácticamente constante a partir de un número de
factores de 12. Cuando el número de factores es de 16 (que fue el elegido) el
coeficiente de determinación (R2) es de 99.99%. Como se verá más adelante, la
elección del número de factores depende también del SEC, del SEPreal y del
SEPestimado que deben ser lo más bajos posible.
1.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36.01.25101520253035404550556065707580859095
100.0
N°de PCs en el modelo
% V
arianza
1.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36.01.25101520253035404550556065707580859095
100.0
N°de PCs en el modelo
% V
arianza
Figura 25. % de Coeficiente de determinación (varianza) frente a Número de componentes
principales del parámetro humedad. La línea vertical indica el número de componentes principales
elegido (16).
Es importante indicar que el coeficiente de determinación puede dar una falsa
percepción de los datos y por tanto, no es por si mismo un valor de medida real de
la bondad del modelo, fundamentalmente porque no tiene en cuenta los grados de
libertad. Por ello, se deben tener en cuenta otros parámetros como el Error
Estándar de Calibración (SEC) y el Error Estándar de Predicción (SEP) real y
estimado. (Kowalski, 1996). El coeficiente de determinación indica la correlación
existente entre las muestras y el modelo. Una R2 de 1 indicaría que la correlación
93
es “perfecta” mientras que un R2 de 0 indicaría que no hay correlación. (Kowaslski,
1996).
El número de componentes principales (N° de PCs) permite reducir el número
de variables y el ruido de los datos. El número óptimo es particular para cada
problema de calibración y depende del tipo de espectro y de la propiedad de
predecir. Se determina calculando modelos con distintos números de factores y
validando cada modelo (Ferré, 2006). Además se relaciona con el SEPestimado y
con el SEPreal que tienen que ser menores a 3 (Perkin Elmer, 1996). El algoritmo
PLS1 trabaja con un número de componentes principales de 20 para los
parámetros de humedad, proteína y grasa y de 15 para el parámetro colesterol .
En los tres algoritmos el Error Estándar de Calibración (SEC), el Error Estándar de
Predicción real (SEPreal) y el Error estándar de Predicción estimado (SEP estimado )
fueron menores de 3, que es el límite máximo considerado como aceptable (Perkin
Elmer, 1996). Sin embargo, el algoritmo PLS1 es el que presentó valores
significativamente más bajos tanto de SEC como de SEPestimado y de SEPreal
(Cuadro 8).
La elección del número de componentes principales debe hacerse teniendo en
cuenta su relación con el SEP real y con el SEP estimado de tal forma que ambos
errores sean mínimos. En la figura 26 puede observarse que el SEP estimado para el
parámetro de humedad es mínimo a partir de 16 factores (Figura 26a) mientras
que el SEPreal es mínimo a partir de 15 factores (Figura 26b).
94
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 340.000.20.40.60.81.01.21.41.61.82.02.22.42.62.8
3.01
N ° de PCs
SE
P estim
ado
N ° de PCs
SE
P actual
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 320.000.20.40.60.81.01.21.41.61.82.02.22.42.62.8
3.01
N ° de PCs
SE
P estim
ado
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 320.00
0.40.60.81.01.21.41.61.82.02.22.42.62.8
3.01
N ° de PCs
SE
P estim
ado
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 341.251.31.41.51.61.71.81.92.02.12.22.32.42.52.62.72.82.93.01
N ° de PCs
SE
P actual
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 321.251.31.41.51.61.71.81.92.02.12.22.32.42.52.62.72.82.93.01
N ° de PCs
SE
P actual
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 340.000.20.40.60.81.01.21.41.61.82.02.22.42.62.8
3.01
N ° de PCs
SE
P estim
ado
N ° de PCs
SE
P actual
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 320.000.20.40.60.81.01.21.41.61.82.02.22.42.62.8
3.01
N ° de PCs
SE
P estim
ado
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 320.00
0.40.60.81.01.21.41.61.82.02.22.42.62.8
3.01
N ° de PCs
SE
P estim
ado
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 341.251.31.41.51.61.71.81.92.02.12.22.32.42.52.62.72.82.93.01
N ° de PCs
SE
P actual
0.0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 321.251.31.41.51.61.71.81.92.02.12.22.32.42.52.62.72.82.93.01
N ° de PCs
SE
P actual
Figura 26a Figura 26b
Figura 26. Figura 26a) SEP estimado del parámetro de humedad. La barra vertical indica el número
de factores elegido (16); Figura 26b) SEP real del parámetro de humedad. La barra vertical indica el
número de factores elegido (16).
Se decidió tomar como número de factores a tomar en cuenta 16 puesto que fue el
que mejores resultados dio en la predicción.
La determinación de puntos atípicos o anormales (“outliers”) es importante
porque la inclusión de estas muestras discrepantes en el modelo degrada su
capacidad predicativa. En la Figura 27 se observan las gráficas de puntos atípicos
de los parámetros humedad, proteína, grasa y colesterol.
95
Humedad
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5640.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.77
Influencia
Error R
esidual
x p10b
x p13c
x p14a
x p14b
x p15b
x p15c x p17bx p17c
x p18a
x p18b
x p19b
x p19c
x p1a
x p1b
x p20a
x p20b
x p21ax p21b
x p21c
x p22a
x p22b
x p25ax p26a
x p26c
x p26d
x p28a
x p28b
x p28c
x p29b
x p29c
x p30a
x p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4d
x p5a
x p5c
x p6c x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9a
x p9d
x p12a
x p12b
x p2bx p2c
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
Proteína
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
Colesterol
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.6610.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a
1 2
3 4
1 2
3 4
1 2
3 4
1 2
3 4
Humedad
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5640.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.77
Influencia
Error R
esidual
x p10b
x p13c
x p14a
x p14b
x p15b
x p15c x p17bx p17c
x p18a
x p18b
x p19b
x p19c
x p1a
x p1b
x p20a
x p20b
x p21ax p21b
x p21c
x p22a
x p22b
x p25ax p26a
x p26c
x p26d
x p28a
x p28b
x p28c
x p29b
x p29c
x p30a
x p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4d
x p5a
x p5c
x p6c x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9a
x p9d
x p12a
x p12b
x p2bx p2c
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.474
0.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
ProteínaProteína
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
Colesterol
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.6610.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.661
0.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a
1 2
3 4
1 2
3 4
1 2
3 4
1 2
3 4
Humedad
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5640.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.77
Influencia
Error R
esidual
x p10b
x p13c
x p14a
x p14b
x p15b
x p15c x p17bx p17c
x p18a
x p18b
x p19b
x p19c
x p1a
x p1b
x p20a
x p20b
x p21ax p21b
x p21c
x p22a
x p22b
x p25ax p26a
x p26c
x p26d
x p28a
x p28b
x p28c
x p29b
x p29c
x p30a
x p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4d
x p5a
x p5c
x p6c x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9a
x p9d
x p12a
x p12b
x p2bx p2c
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
Proteína
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
Proteína
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
Colesterol
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.6610.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.661
0.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a
1 2
3 4
1 2
3 4
1 2
3 4
1 2
3 4
Humedad
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5640.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.77
Influencia
Error R
esidual
x p10b
x p13c
x p14a
x p14b
x p15b
x p15c x p17bx p17c
x p18a
x p18b
x p19b
x p19c
x p1a
x p1b
x p20a
x p20b
x p21ax p21b
x p21c
x p22a
x p22b
x p25ax p26a
x p26c
x p26d
x p28a
x p28b
x p28c
x p29b
x p29c
x p30a
x p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4d
x p5a
x p5c
x p6c x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9a
x p9d
x p12a
x p12b
x p2bx p2c
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.474
0.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
Grasa
0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.4740.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b0.0000.020.040.060.080.100.120.140.160.180.200.220.240.260.280.300.320.340.360.380.400.420.440.460.474
0.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
influencia
Error residual
x p10bx p14a
x p14b
x p15b
x p15cx p17b
x p17c
x p18ax p18b
x p19b
x p19c
x p1a x p1b
x p20ax p20b
x p21ax p21b
x p21c
x p26ax p26cx p26d
x p28a
x p28bx p28cx p29b
x p29c
x p2bx p2c
x p30ax p30c
x p31a
x p31b
x p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p6c
x p6d
x p7a
x p7bb
x p7cbx p7db
x p9a
x p9d
x p13cx p22ax p22b x p25a x p5a x p5cx p6ex p12ax p12b
ProteínaProteína
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.5420.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.63.75
Influencia
Error residual
x p13c
x p14a
x p14b
x p15b
x p15c
x p17b
x p17c
x p18a
x p18b
x p19b x p1a
x p1bx p20a
x p20b
x p22a
x p22bx p25a
x p26a
x p26c
x p26d
x p28a
x p28b
x p29b
x p2b
x p2c
x p30ax p30c
x p31a
x p31bx p31c
x p3abb
x p3abc
x p4b
x p4c
x p4dx p5a
x p6c
x p6d
x p6e
x p7a
x p7bbx p7cb
x p7db
x p9ax p9d
x p12a
x p12b
x p10b x p19cx p21ax p21bx p21c x p28cx p29c x p5c
Colesterol
0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.6610.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a0.000 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.661
0.000.20.40.60.81.01.21.41.61.82.02.22.42.62.83.03.23.43.6
3.89
Influencia
Error residual
x p11ax p12a
x p12bx p14ax p14b x p15b
x p17b
x p17c
x p18a
x p18bx p22a
x p22b
x p23cx p23d
x p28a
x p28b
x p28c
x p2bx p2c
x p3abb
x p3abc
x p3bba
x p4c
x p4dx p5ax p5b
x p5c
x p6c
x p6d
x p6e
x p9cx p9d
x p16a x p16bx p24cx p27a
1 2
3 4
1 2
3 4
1 2
3 4
1 2
3 4
Figura 27: Gráficas de la influencia Vs. El Error Residual de los parámetros de humedad, grasa,
proteína y colesterol. Todos los puntos aparecen en el tercer cuadrante por lo que no hay puntos
atípicos.
Los puntos considerados como pertenecientes al modelo son aquellos con bajo
error residual y baja influencia (cuadrante 3). Los puntos aberrantes son aquellos
que tienen un elevado error residual y baja influencia (cuadrante 1), una elevada
influencia y elevado error residual (cuadrante 2). Los puntos que se encuentran en
el cuadrante 4 se consideran como “discutibles” y lo mejor es tratar de eliminarlos
aunque en curvas de caracterización a veces es necesaria su inclusión ya que son
muestras con una elevada cantidad del parámetro analizado (Macho, 2002).
El total de las muestras se encontraron en el tercer cuadrante por lo que se
considera que son representativas del modelo desarrollado (figura 27).
96
6.3.5. Validación interna del modelo
La figura 28 presenta la correlación entre los valores especificados contra los
valores estimados de los parámetros de humedad, grasa y proteína en el modelo
maestro 2.
7.7 10 15 20 25 306.4
10
20
30
32.9
Grasa especificada (%)
Gra
sa e
stim
ada
(%)
x
x
xx
xx
x
x
xx
xx
xx
xxx
xx
xxxxxx
xx
xx
xx
xxx
xxx
xx xxx x
xxx
xx
xxx
xx
x
x
7.7 10 15 20 25 306.4
10
20
30
32.9
Grasa especificada (%)
Gra
sa e
stim
ada
(%)
x
x
xx
xx
x
x
xx
xx
xx
xxx
xx
xxxxxx
xx
xx
xx
xxx
xxx
xx xxx x
xxx
xx
xxx
xx
x
x
50.0 55.0 60.047.5
50
55
60
65
66.1
Humedad especificada (%)
Hum
edad
est
imad
a (%
)
x
x
xx
xx xx
xx
xx
xx
xxx
x
xxxx
x
x
x
xx
x
x
x
x
x
xxxxx
xxx
xxxx
xxx
x
x
xx
x
xxx
50.0 55.0 60.047.5
50
55
60
65
66.1
Humedad especificada (%)
Hum
edad
est
imad
a (%
)
x
x
xx
xx xx
xx
xx
xx
xxx
x
xxxx
x
x
x
xx
x
x
x
x
x
xxxxx
xxx
xxxx
xxx
x
x
xx
x
xxx
15.0 20.0 23.8414.4015.0
20.0
25.0
Proteína especificada (%)
Pro
teín
a es
timad
a (%
)
x
x
xx
x
xxx
x
x
xxxx
xxx
xx
xxx
xxx
xx
xx
xxxx
x
xxx
xxx
xx
xxxx
xx
x
xx xxx
x
15.0 20.0 23.8414.4015.0
20.0
25.0
Proteína especificada (%)
Pro
teín
a es
timad
a (%
)
x
x
xx
x
xxx
x
x
xxxx
xxx
xx
xxx
xxx
xx
xx
xxxx
x
xxx
xxx
xx
xxxx
xx
x
xx xxx
x
Figura 28. Validación Interna. Humedad especificada (%) Vs. Humedad estimada (%), Grasa
especificada (%) Vs. Grasa estimada (%) y Proteína estimada (%) Vs. Proteína especificada.
97
Para comprobar la calibración del modelo se realiza una autovalidación o
validación interna del mismo. Este procedimiento consiste en considerar cada una
de las muestras como ajenas al sistema. De esta forma se obtienen los valores
estimados por el modelo frente a los valores especificados que han sido
introducidos en la validación.
Como puede verse en la figura 28 los valores especificados contra los valores
estimados de los parámetros de humedad, grasa y proteína resultó bastante
buena.
En la figura 29 se muestran los valores de colesterol estimado (mg/100g) contra
colesterol estimado (mg/100g). En este caso, la correlación no fue igual de buena.
Incluso se dieron valores estimados negativos en el caso de las muestras que no
tenían colesterol o que tenían muy poco contenido de colesterol.
0.00 1.0 5.0 10.001
5
10
Colesterol especificado (mg/100g)
Col
este
rol e
stim
ado
(mg/
100g
)
xxxxx
x
xx
xx
xx xxxxx
xxxxx
xx
xxx
xxx
xx
x
x
x
x
0.00 1.0 5.0 10.001
5
10
Colesterol especificado (mg/100g)
Col
este
rol e
stim
ado
(mg/
100g
)
xxxxx
x
xx
xx
xx xxxxx
xxxxx
xx
xxx
xxx
xx
x
x
x
x
Figura 29. Validación Interna. Colesterol especificado (mg/100g) Vs. Colesterol estimado
(mg/100g).
6.3.6. Validación externa del modelo con muestras d e predicción
Antes de aplicar los modelos quimiométricos a sistemas reales es necesario
corroborar su precisión mediante una predicción o validación externa. Esto se
hace mediante una validación externa tomando muestras de composición
98
conocida que no pertenecen al modelo de calibración. (Tewari e Irundayaraj,
2004).
Para la validación externa se tomaron cinco muestras de queso Panela comercial
de composición conocida que no pertenecían al modelo de calibración para
determinar los parámetros de humedad, grasa, proteína y colesterol. Los
resultados pueden verse en el cuadro 9.
Cuadro 9. Datos de contenido real (%), Contenido estimado (%), desviación estándar, distancia de
Mahalanobis, Relación Residual e Influencia (H1) de las cinco muestras de predicción para el
modelo de cuantitativo elegido.
M Parámetro Contenido Estimado
Contenido Real
Desviación estándar
Distancia de Mahalanobis
Relación Residual Influencia
COLESTEROL (mg /100g) 0.00 1.24 0.88 0.8324 0.1292 0.1450
GRASA (%) 17.00 17.00 0.00 0.6933 0.8401 0.4801
HUMEDAD (%) 53.75 53.26 0.35 0.7697 1.235 0.2136
14
PROTEINA (%) 22.26 23.04 0.55 0.8357 0.9266 0.2089
COLESTEROL (mg/100g) 3.28 4.72 1.02 0.5982 0.09234 0.1756
GRASA (%) 21.40 21.75 0.25 0.4148 0.5955 0.2289
HUMEDAD (%) 54.14 54.78 0.45 0.3386 1.061 0.1447
18
PROTEINA (%) 18.32 17.95 0.26 0.2989 1.093 0.1753
COLESTEROL (mg/100g) 2.82 0.97 1.31 0.8266 0.2212 0.4160
GRASA (%) 17.12 17.00 0.08 0.4802 0.2582 0.4801
HUMEDAD (%) 49.96 50.07 0.08 0.4641 0.5112 0.1414
26
PROTEINA (%) 18.11 18.11 0.00 0.3985 0.4357 0.3043
COLESTEROL (mg/100g) 7.95 9.77 1.29 0.3307 0.09792 0.5311
GRASA (%) 21.10 20.83 0.19 0.4665 0.4918 0.1583
HUMEDAD (%) 57.85 57.74 0.08 0.343 0.8752 0.1205
4
PROTEINA (%) 16.72 16.72 0.00 0.446 0.6465 0.9105
9 COLESTEROL 3.24 2.57 0.48 0.4079 0.08991 0.3842
99
M Parámetro Contenido Estimado
Contenido Real
Desviación estándar
Distancia de Mahalanobis
Relación Residual Influencia
(mg/100g) GRASA
(%) 20.61 20.67 0.04 0.4539 0.7894 0.1518 HUMEDAD
(%) 50.27 50.28 0.01 0.69 0.7183 0.1192
PROTEINA (%) 16.63 16.57 0.04 0.6498 0.6735 0.2123
Para realizar la validación externa se utilizaron el programa Minitab V.15 para
determinar la desviación estándar y la influencia y el programa Quant+ para
determinar la distancia de Mahalanobis y la relación residual.
En el cuadro 9 se observa que la distancia de Mahalanobis en todos los casos
fue menor a 1 y la Relación Residual menor a 3 con lo que se corroboró la
certeza de las predicciones. La influencia de todas las muestras fue menor a 1 lo
que es indicativo de la semejanza que tienen todas las muestras entre sí y con el
modelo maestro desarrollado.
Para comprobar la certeza de las predicciones se calculó mediante el programa
Minitab V.15 la desviación estándar de cada una de las muestras así como su
influencia. La desviación estándar de los parámetros de humedad, grasa y
proteína fue menor a 1 en todos los casos lo que indica la validez del modelo
desarrollado para estos parámetros. En el caso del colesterol, sin embargo, la
desviación estándar llegó a ser de 1.31 en la muestra 26. Esto puede ser debido a
que los métodos FTIR/HATR de análisis multivariable cuantitativo no son muy
precisos para el cálculo de componentes en escasa proporción (Amaral, 1996) o a
que se suman los errores del método analítico químico proximal para cuantificar
colesterol por CG que es un método semicuantitativo.
Con los resultados obtenidos se demuestra que la técnica de espectroscopia de
infrarrojo medio FTIR /HATR obtiene valores similares a los alcanzados con los
análisis químicos proximales, sobre todo para los parámetros de humedad, grasa
y proteína. Esto se consigue de manera más rápida, económica, sin emplear
disolventes ni tener que realizar pretratamientos a las muestras. Los resultados
100
son congruentes con la bibliografía revisada en torno a la caracterización por FTIR
/HATR de productos lácteos.
Numerosos estudios han empleado la espectroscopia infrarroja FTIR /HATR para
predecir algunos parámetros de composición química en productos lácteos. Todas
estas investigaciones, al igual que ésta, concluyeron que la espectroscopia
infrarroja media FTIR/HATR es confiable y precisa para predecir parámetros de
composición química de manera más rápida y económica demostrando de esta
forma la habilidad predictiva y la exactitud de la técnica.
6.4. Desarrollo del modelo SIMCA para adulteración con grasa vegetal
El modelo SIMCA se realizó con el programa Assure ID.
La cromatografía de gases para la detección de esteroles arrojó como resultado
que de las 27 muestras analizadas, 10 de ellas presentaron fitoesteroles
(indicativo de adulteración con grasa vegetal).
Para realizar el modelo de análisis multivariable cualitativo se emplearon, por tanto
9 muestras con grasa vegetal , de tal forma que se dejó una de las muestras
para realizar la validación del modelo. En el caso de las muestras que no
presentaron grasa vegetal (indicativo de no estar adulteradas) se emplearon 15
muestras sin grasa vegetal y se dejaron dos muestras para la validación del
modelo. En ambos casos el programa Assure ID se alimentó con varios espectros
de cada una de las muestras.
6.4.1. Calibración del modelo: Pretratamiento de lo s datos.
El intervalo del espectro empleado fue de 1000 a 900 cm-1. En este intervalo se
encuentran algunos de los picos más importantes de colesterol, β-stigmaesterol y
β-sitoesterol. Debido al pequeño tamaño de la región elegida no fue necesario
utilizar regiones de blanco.
101
Se utilizaron filtros estadísticos para eliminar el ruido y así como para el CO2 y el
vapor de agua ambientales. Se consideró también un suavizado de 13 puntos.
Se decidió realizar una corrección a la línea base consistente en una derivada
primera en 9 puntos, ya que al derivar se maximizan las diferencias espectrales.
Para finalizar, se realizó una normalización SNV (normalización normal estándar)
En la figura 30 se muestra la distribución espacial de las poblaciones
analizadas.
Figura 30 : Distribución espacial de las poblaciones obtenidas con el modelo SIMCA de muestras
con grasa vegetal (verde) y muestras sin grasa vegetal (azul).
La distribución espacial se hace con los tres componentes principales que tienen
mayor peso en la realización del modelo, aunque en realidad el modelo SIMCA
ocupa muchos más que tres componentes principales. Esa es la razón del
aparente solapamiento que presentan las dos poblaciones analizadas. Además,
casi todas las muestras que presentaron adulteración con grasa vegetal (excepto
las muestras 3 y 6) presentan también colesterol por eso la población con grasa
vegetal (verde) se encuentra aparentemente solapada por la población sin grasa
vegetal (azul).
102
Se puede considerar por tanto que el modelo SIMCA logra integrar todos los
estándares de las muestras analizadas sin que existan muestras extremas ni
grupos solapados.
En la figura 31 pueden observarse la distribución de las muestras con grasa
vegetal (figura 31a) y las muestras sin grasa vegetal (figura 31b).
Figura 31a Figura 31b
Figura 31: Figura 31a) Distribución de las muestras con grasa vegetal y Figura 30b) Distribución
de las muestras sin grasa vegetal del modelo SIMCA elegido.
Tal y como se observa en la figura 31, la distribución de las muestras con grasa
vegetal es homogénea. En el caso de las muestras sin grasa vegetal los puntos
correspondientes a la muestra 16 se encuentran un poco más alejados del resto,
sin embargo, ambos puntos pertenecen al sistema. Esta muestra tiene un
contenido medio de colesterol por lo que su lejanía se debe al modelo estadístico
formado.
En el cuadro 10 se muestran las distancias interclase de las poblaciones con
grasa vegetal y sin grasa vegetal. La distancia entre las dos poblaciones
103
analizadas fue de 6.84 que resultó suficiente para que el modelo sea capaz de
identificar muestras diferentes.
Cuadro 10. Distancia interclase de las poblaciones analizadas (muestras con grasa vegetal y
muestras sin grasa vegetal) del modelo SIMCA optimado.
Distancia Con grasa vegetal Sin grasa vegetal
Con grasa vegetal 0 6.84
Sin grasa vegetal 6.84 0
En el Cuadro 11 se presenta el reporte de la eficiencia de la clasificación con
los porcentajes de reconocimiento y de rechazo interclase e intraclase. Estos
parámetros están explicados con detalle en el apartado 2.7.2.2.1.
Cuadro 11 Reporte de la eficiencia de la clasificación con los porcentajes de reconocimiento y de
rechazo de las poblaciones analizadas del modelo SIMCA optimado.
Reporte de eficiencia % de reconocimiento % de rechazo
Con grasa vegetal 100(22/22) 95(43/45)
Sin grasa vegetal 100(45/45) 86(19/22)
En el caso de las muestras con grasa vegetal (adulteradas) el modelo presentó
un porcentaje de reconocimiento del 100% de los espectros alimentados lo que
significa que el modelo fue capaz de reconocer todos los espectros
correspondientes a muestras con grasa vegetal. Se presentó también un
porcentaje de rechazo del 95% lo que significa que el modelo fue capaz de
rechazar al 95% de los espectros de muestras sin grasa vegetal, o lo que es lo
mismo, el modelo consideró que un 5% de los espectros de muestras sin grasa
vegetal pertenecían a la población de muestras con grasa vegetal (falso positivo).
En el caso de las muestras sin grasa vegetal (sin adulterar) el modelo presentó
un porcentaje de reconocimiento del 100% de los espectros alimentos lo que
104
significa que el modelo fue capaz de reconocer todos los espectros
correspondientes a muestras sin grasa vegetal. Se presentó también un
porcentaje de rechazo del 86% lo que significa que el modelo fue capaz de
rechazar al 86% de los espectros de muestras con grasa vegetal, es decir, el
modelo consideró que un 14% de los espectros de muestras con grasa vegetal
pertenecían a la población de muestras sin grasa vegetal (falso negativo).
6.4.2. Validación del modelo SIMCA.
Debido al escaso número de muestras que presentaron grasa vegetal (10) y sin
grasa vegetal (15) se decidió utilizar únicamente 1 muestra para validar con
grasa vegetal y 2 muestras para validar sin grasa vegetal. Estas tres muestras
no formaron parte de las poblaciones empleadas para la calibración del método
multivariable cualitativo.
El cuadro 12 contiene la información correspondiente a los resultados de
validación del modelo de análisis multivariable cualitativo optimado. Se presentan
los datos de muestra, material especificado, material identificado durante la
validación, resultado, distancia total, distancia límite, distancia del modelo y
distancia residual que han sido explicados en el apartado 2.7.2.2.1.
Cuadro 12 . Resultados de las muestras de validación del modelo de análisis multivariable
cualitativo optimado.
Muestra Material especificado (a)
Material identificado (b)
Resultado (c)
Distancia Total (d)
Distancia Límite (e))
Distancia al modelo (f)
Distancia residual (g)
14 Sin grasa vegetal
Sin grasa vegetal
Identificada 0.9751 1.0 0.4631 1.2415
18 Sin grasa vegetal
Sin grasa vegetal
Identificada 0.6886 1.0 0.2941 0.8885
26 Con grasa vegetal
Con grasa vegetal
Identificada 0.8336 1.0 0.0000 1.2960
a) Material especificado , se le indica al modelo a qué población pertenece la muestra de
validación; b) Material identificado , el modelo indica a qué población analizada pertenece la
muestra; c) Resultado , el modelo indica si la muestra fue o no identificada; d) Distancia total ,
105
debe ser menor de 1; e) Distancia límite , debe ser igual a 1; f) Distancia al modelo , debe ser
menor a 1.0; g) Distancia residual , debe ser menor a 3.
El modelo fue capaz de reconocer correctamente la muestra empleada para la
validación de la población con grasa vegetal y las dos muestras empleadas para la
validación de las poblaciones sin grasa vegetal.
La distancia total de la muestra 26 (con grasa vegetal) fue inferior a 1 lo que
significa que esta muestra puede considerarse perteneciente a la población de
muestras con grasa vegetal. Las distancias totales de las muestras 14 y 18 (sin
grasa vegetal) fueron inferiores a 1 lo que significa que ambas pertenecen a la
población de muestras sin grasa vegetal.
La distancia límite de la muestra 26 es igual a 1 lo que significa que pertenece a
la población de muestras con grasa vegetal. La distancia límite de las muestras 14
y 18 fueron iguales a 1 lo que significa que ambas pertenecen a la población de
muestras sin grasa vegetal.
La distancia al modelo de la muestra 26 es 0 lo que significa que la muestra
pertenece a la población descrita en el modelo. La distancia de la muestra 14 es
de 0.4636 y la de la muestra 26 de 0.2941 lo que significa que ambas muestras
pertenecen a la población descrita pero se encuentran en los extremos de la
misma.
La distancia residual de la muestra 26 es de 1.2960 y la de la muestra 14 de
1.2415 lo que significa que esta muestra puede tener algunas ligeras variaciones
que no se han sido detectadas con los otros parámetros analizados. La muestra
18 tiene una distancia residual de 0.8885 lo que significa que en caso de haber
variaciones éstas han sido detectadas por otros parámetros estadísticos
analizados.
Dado que las distancias al modelo de dos de las muestras de validación (la 14 y la
18) y que dos de las muestras (14 y 26) tuvieron distancias residuales mayores a 1
sería conveniente alimentar el programa con un número de muestras mayor de las
poblaciones con grasa vegetal y sin grasa vegetal para afinar el modelo para su
validación.
106
Sin embargo, las tres muestras empleadas en la validación del modelo
desarrollado de análisis multivariable cualitativo con el algoritmo SIMCA fueron
reconocidas correctamente con lo que se demostró que el modelo puede resultar
de utilidad para identificar y separar correctamente las muestras de queso Panela
con grasa vegetal y sin grasa vegetal.
Modelos de análisis multivariable cualitativo similares han sido empleados con
éxito para diferenciar variedades de aceite de oliva por su perfil de esteroles
(Galeano-Díaz et al., 2005) así como para la determinación de componentes
principales en queso suizo (Rodríguez-Saona et al., 2006) y para la autentificación
de quesos (Woodcock T et al., 2008).
Al igual que en el presente trabajo, los estudios antes citados confirman que los
modelos SIMCA son técnicas precisas y confiables para la clasificación y
discriminación, capaz de reconocer las muestras que no pertenecen a las
poblaciones establecidas en el mismo.
6.5. Aplicación de los modelos quimiométricos FTIR /HATR de queso
Panela
Cuando se tiene una muestra de composición desconocida de queso Panela
comercial, dicha muestra se analizaría siguiendo el diagrama de flujo de la figura
32.
La muestra de queso Panela comercial de composición desconocida se
alimentaría al espectro FTIR /HATR de punta de diamante (Spectrum GX de
Perkin Elmer). Siguiendo las condiciones de trabajo recomendadas en el apartado
5.6. del presente trabajo se obtendría el espectro de la muestra. Con este espectro
se alimentarían los programas de análisis multivariable cuantitativo (Quant+) y de
análisis multivariable cualitativo (SIMCA) obteniéndose los datos de composición
química y de adulteración con grasa vegetal respectivamente.
107
Muestra desconocida (X)queso Panela comercial
Espectro FTIR/HATRDe la muestra X
Modelo Quant+Validado
Modelo SIMCAValidado
Humedad (%)
Grasa (%)
Proteína (%)
Colesterol (mg/100g)
Adulterada(Grasa Vegetal)
Sin adulterar(Sin grasa vegetal)
Muestra desconocida (X)queso Panela comercial
Espectro FTIR/HATRDe la muestra X
Modelo Quant+Validado
Modelo SIMCAValidado
Humedad (%)
Grasa (%)
Proteína (%)
Colesterol (mg/100g)
Adulterada(Grasa Vegetal)
Sin adulterar(Sin grasa vegetal)
Figura 32. Diagrama de flujo de manejo de una muestra desconocida. La muestra se introduce en
el espectro GX con HATR de punta de diamante y se saca el espectro Infrarrojo medio.
Posteriormente se efectúa el modelo maestro de análisis multivariable cuantitativo con el programa
Quant+ y se obtienen la humedad (%), grasa (%), proteína (%) y colesterol (mg/100g).
Los datos obtenidos con ambos modelos permiten conocer la composición
química del queso Panela y la presencia o ausencia de adulteración con grasa
vegetal de manera rápida, precisa y confiable lo que puede resultar de interés
tanto a nivel industrial como por parte del poder ejecutivo.
El modelo de análisis multivariable cuantitativo (Quant+) desarrollado permite
caracterizar los parámetros químicos de humedad, grasa, proteína y colesterol en
muestras desconocidas de queso Panela de manera rápida, precisa y confiable lo
que puede ser empleado con distintas finalidades:
108
- Por parte de las industrias:
o en procesos de control de calidad de los productos elaborados: se puede
conocer el contenido de humedad, grasa, proteína y colesterol permitiendo
la toma de decisiones de manera más eficaz.
- Por parte de las autoridades:
o Para definir los límites de calidad del queso Panela comercial en los
parámetros de humedad, grasa, proteína y colesterol;
o Para auditar el mercado : sabiendo si los quesos Panela comerciales
cumplen o no con los límites de calidad autorizados.
o Para garantizar la calidad del queso Panela destinado a exportación.
109
7. Conclusiones
110
La caracterización fisicoquímica del queso Panela comercial mediante análisis
químico proximal arrojó variaciones significativas entre las distintas muestras
(hasta de un 26.83% en el caso de la grasa). Sin embargo, en base a los
resultados analíticos efectuados el queso Panela comercial puede caracterizarse
fisicoquímicamente como un queso fresco, entre semigraso y extragraso, con
un contenido proteico cercano al 17% y elaborado po r coagulación
enzimática.
Del total de muestra analizadas, solamente el 6.75% estuvieron adulteradas con
almidón. Por el contrario, el 37.03% estaban adulteradas con grasa vegetal .
Estos datos sugieren la necesidad de un control más estricto por parte de las
autoridades. Por otro lado, convendría estudiar otras posibles adulteraciones en
queso Panela tanto en torno al aumento de la retención de agua como de la
fracción proteica del queso Panela comercial.
El modelo quimiométrico de análisis multivariable cuan titativo (Quant+) probó
ser de utilidad para caracterizar el queso Panela en base a su composición de
humedad, grasa y proteína y colesterol de manera rápida, segura, eficaz y
amigable con el medio ambiente:
- En el caso de los parámetros de humedad, grasa y proteína se obtuvieron
coeficientes de correlación del 99.99% ; un SEP real de 1.256 para la humedad, de
1.109 para la grasa y de 0.6194 para la proteína. En la validación externa se
obtuvieron valores estimados por el método quimiométrico similares a los valores
reales obtenidos mediante análisis químico proximal por lo que el método puede
considerarse excelente para la determinación de estos tres parámetros.
- En el caso del parámetro de colesterol , el coeficiente de correlación fue del
99.76 y el SEP real de 0.9470. Los valores estimados difirieron ligeramente de los
valores reales por lo que el método puede considerarse bueno para cuantificar
este parámetro.
111
La cuantificación del parámetro de colesterol resulta imprecisa por el método
de análisis químico proximal empleado. La metodología de la cromatografía de
gases empleada (recomendada por la NMX-707-COFOCALEC-2004) utiliza una
extracción de la grasa por un método Soxhlet ha comprobado no ser eficaz para
cuantificar grasa en productos lácteos. Por esto, los errores aparecidos en la
técnica analítica tradicional son reproducidos en l a calibración con el
análisis multivariable cuantitativo lo que demuestra la precisión y la
reproducibilidad del método de análisis multivariable cuantitativo.
El modelo quimiométrico de análisis multivariable cual itativo (Assure ID)
probó ser de utilidad para detectar la adulteración del queso Panela con
grasa de origen vegetal . La distancia interclase de las poblaciones de muestras
con grasa vegetal y sin grasa vegetal fue de 6.84, el porcentaje de reconocimiento
de las muestras fue del 100% en ambas poblaciones y el porcentaje de rechazo
fue del 95% en las muestras con grasa vegetal y el 86% en las muestras sin grasa
vegetal. Todas las muestras empleadas en la validación del modelo fueron
identificadas adecuadamente con lo que se demostró la utilidad del mismo para
identificar correctamente las muestras de queso Panela adulteradas con grasa
vegetal de manera rápida, segura, eficaz y amigable con el medio ambiente
pudiendo así ayudar a un mejor control de este producto.
112
Conclusión general
Los resultados obtenidos demuestran la factibilidad de emplear la
espectroscopia de infrarrojo medio por transformada de Fourier acoplada a
métodos quimiométricos como una herramienta, precisa, eficaz, económica,
rápida y medioambientalmente amigable para controlar la composición química
del queso Panela comercial así como su adulteración con grasas vegetales .
113
8. Bibliografía
114
8.1. Referencias impresas
Alais, C., 1985. Ciencia de la leche. Editorial Acribia. España.
Amiel, C., Mariey, L., Curk-Daubié, M. C., Pichon, P. y Travert, J. 2000. Potentiality of
Fourier Transform Infrared Spectroscopy (FTIR) for discrimination of dairy Lactic
acid bacteria. Lait. Vol. 80. Pág. 445-459.
Aparicio, R. y Harwood, J. 2003. Manual del Aceite de Oliva. AMD ediciones y Editorial
Mundiprensa. España.
Arvizu-Leal, P., Chávez-Guzmán, J., Villagómez-Torres, A. F., Sánchez, T., López, R. y
Hernández, D. 2002. Efecto de los factores de elaboración y almacenamiento
sobre algunas características físico-químicas y sensoriales del queso Oaxaca.
IV Comunicación aceptada por el comité científico del Congreso Regional en
Ciencias de los Alimentos. Monterrey, México.
Beebe, K. R., Pell, J. L. y Seasholtz, M. B. 1998. Chemometrics: a practical guide.
Wiley Interscience Publication. Estados Unidos de América.
Benoudjit, N., Cools, A. E., Meurens, M. y Verleysen, M. 2004. Chemometric calibration
of infrared spectrometers: selection and validation of variables by non-linear
models. Chemometric and Intelligent laboratory Systems. Vol. 70. Pág 47-53.
Boqué, R. y Ferré, J. 2004. Análisis de componentes principales aplicado a la
representación de datos multidimensionales. Técnicas de laboratorio. Vol. 290.
Pág. 214-219.
Carpino, S., Acree, T. E., Barbano, D. M., Licitra, G. y Siebert, K. J. 2002. Chemometric
Analysis of Ragusano Cheese Flavour. J. Agric. Food Chem. Vol. 50. Pág 1143-
1149.
Casablanca, F. y Linck, T. 2004. La calificación de los alimentos como proceso de
patrimonialización de los recursos territoriales. Memorias del Congreso
Internacional Agroindustria Rural y Territorio, Toluca. 1-4 de diciembre de 2004.
Ponencias en extenso. México.
Cenzano, I. 1992. Los quesos. Vicente Ediciones. España.
Cervantes, F., Villegas, A., Cesín, A. y Espinoza, A. 2006. Los quesos mexicanos
genuinos: un saber que se debe rescatar y preservar. Comunicación aceptada
115
por el comité Científico del III Congreso Internacional de la Red SIAL
“Alimentación y Territorios”. Jaén, España.
Cesín, A., Fernández, M. A., Ramírez, B., Herrera, J. y Martínez-Carrera, D. 2007.
Ganadería lechera familiar y producción de queso. Estudio de tres comunidades
del municipio de Tletlatlahuaca, en el Estado de Tlaxcala, México. Técnica
Pecuaria en México. Enero – Abril. Vol. 45. Núm. 1 Pág 61-76.
Chamorro, M. C. y Losada, M. 2002. El análisis sensorial de los quesos. Editorial
Mundiprensa. España.
Chen, M. y Irudayaraj, J. 1998. Sampling Technique for Cheese Analysis by FTIR
Spectroscopy. Journal of Food Science. Vol. 63. Núm 1. Pág 96-99.
Chen, M., Irudayaraj, J. y McMahon, J. 1998. Examination of Full Fat and Reduced Fat
Cheddar Cheese during Ripening by Fourier Transform Infrared Spectroscopy.
Journal of Dairy Science Vol. 81. Núm 11. Pág 2791-2797.
Christensen, H. 1996. Estadística paso a paso. Editorial Trillas. México.
CODEX-STAN-A-006-1978. Norma General del Codex para el queso. Rev. 1-1999.
Coimbra, M. A., Gonscalves, F., Barros, A. S. y Delgadillo, I. 2002. Fourier Transform
Infrarred Spectroscopy and Chemometric Análisis of white wine polysacaride
extract. J. Agric. Food Chem. Vol. 50. Pág 3405-3411.
Cordella, C., Moussa, I., Martel A-C., Sbirrazzuoli, N. y Lizzani-Cuvelier, L. 2002.
Recent Developments in Food Characterization and Adulteration Detection:
Technique-Oriented Perspectives. J. Agric. Food Chem. Vol. 50. Núm 7. Pág
1751-1764.
Downey, G. 1998. Food and Food Ingredient authentication by Mid- Infrared Spectroscopy
and Chemometrics. Trends Anal. Chem Vol. 17.
Downey, G., Sheehan, E., Delahunty, E., O´Callaghan, D., Guinee, T. y Howard, V.
2005. Prediction of maturity and sensory attributes of Cheddar cheese using
near-infrared spectroscopy. International Dairy Journal. Vol 15. Núm 6-9. Pág
418-424.
Edelmann, A., Diewok, J., Rodríguez, J. y Lendl, B. 2003. High-performance liquid
chromatography with diamond ATR-FTIR detection for the determination of
116
carbohydrates, alcohols and organic acids in red wine. Analytical and
Bionalytical Chemistry. Vol 376. Pág 92-97.
Espinosa, T., Villegas, A., Gómez, G., Cruz, G. y Hernández, A. 2006. La agroindustria
láctea en el Valle de México: un ensayo de categorización. Técnica Pecuaria.
Vol. 44. Núm 2. Pág 182-192.
Fagan, C. C., Everard, C., O’Donnell, C. P., Downey, G., SGeehan, E. M., Delahunty, C.
M., O’Callaghan, D. J. y Howard, V. 2007. Prediction of processed cheese
instrumental texture and meltability by mid-infrarred spectroscopy coupled with
chemometric tools. Journal of Food Engineerig. Vol. 80. Núm 4. Pág 1068-1077.
Fallico, V., McSweeney, P. L. H., Siebert, J., Horne, J., Carpino, S. y Licitra, G. 2004.
Chemometric Analysis of Proteolysis during Ripening of Ragusano Cheese.
Journal of Dairy Science. Vol 87. Pág 3138-3152.
Fennema, O. 2000. Química de los alimentos. Ed. Acribia. España.
Ferré, J. 2004. Calibración multivariable en análisis cuantitativo. El modelo directo.
Técnicas de laboratorio. Núm. 292. Pág 986-989.
Ferré, J. 2006. Calibración multivariable. El modelo inverso. Técnicas de laboratorio.
Núm. 310. Pág 262-268.
Fontecha, J., Bellanato, J. y Juárez, M. 1993. Infrarred and Raman Spectroscopic Study
of Casein in Cheese. Effect of Freezing and Frozen Storage. Journal of Dairy
Science Vol. 76. Núm 11. Pág 3303-3309.
Galeano-Díaz, T., Durán-Merás, I., Sánchez-Casas, J. y Alexandre, M. F. 2005.
Characterization of virgin olive oils according to its triglycerides and sterols
composition by chemometric methods Food Control. Vol. 16. Núm 4. Pág 339-
347.
Gallardo-Velázquez, T., Osorio-Revila, G., Zúñiga-de Loa M. y Rivera-Espinoza. 2009.
Application of FTIR-HATR spectroscopy and multivariable análisis to the
quantification of adulterants in Mexican honeys. Vol. 42. Pág 313-318.
García, L. A., Martínez, E. y Quintanal, H. 1998. La globalización de la industria lechera
mexicana y las empresas agroalimentarias trasnacionales. Agroalimentaria.
Núm 6. Pág 31-41.
117
Grupo-de-quimiometría-y-cualimetría-de-Tarragona. 2002. Quimiometría, una
herramienta útil para el análisis químico. Técnicas de laboratorio. Núm. 272. Pág
412-416.
Guzmán, E., Manzo-Ramos, F., Delgado, R. y Martínez-Saldaña, T. 2004. Estrategias
de adecuación del sistema de producción de queso añejo a un escenario de
globalización (Binomio migración-mercado nostálgico): El caso de La Laguna
Grande, Monte Escobedo, Zacatecas. Memorias del Congreso Internacional
Agroindustria Rural y Territorio, Toluca. 1-4 de diciembre de 2004. México.
Ponencias en extenso. Tema III. México.
Hansen, B. V. y Nielsen, P. V. 1997. Development of Semisynthetic cheese Médium for
Fungi Using Chemometric Methods. Journal of Dairy Science. Vol 80. Núm 7.
Pág 1237-1245.
Hwang, C. H. y Gunasekaran, S. 2001. Measuring crumbliness of some commercial
Queso Fresco-type Latin American Cheeses. Measuring crumbliness of some
commercial Queso Fresco-type Latin American cheeses. Milchwissenschat. Vol.
56. Núm 8. Pág 446-450.
Iñón, F. A., Garrigues, S. y De-la-Guardia, M. 2004. Nutricional parameters of
commercially available milk simples by FTIR and Chemometric Techniques.
Analytica Chimica Acta Vol. 513. Núm 2. Pág 401-412.
Irundayaraj, J., Sivakesava, S., Kamath, S. y Yang, H. 2001. Monitoring Chemical
Changes in Some Foods Using Fourier Transform Photoacustic Spectroscopy.
Journal of Food Science. Vol. 66. Núm 9. Pág 1416-1421.
Karoui, R. y De-Baerdemaeker, J. 2007. A review of the analytical methods coupled with
chemometric tools for the determination of the quality and identity of dairy
products. Food Chemistry. Vol. 102. Núm 3. Pág 621-640.
Karoui, R., Dufour, E., Pillonel, L., Picque, D., Cattenoz, T. y Bosset, J. O. 2004.
Fluorescence and infrared soectroscopies: a tool for the determination of the
geographic origin of Emmental cheese manufactured during summer. Lait. Vol.
84. Pág 359-374.
Keating, P. F. y Gaona-Rodríguez, H. 1992. Introducción a la lactología. Editorial
Limusa. México.
118
Kirk, R. S., Sawyer, R. y Egan, H.1996. Composición y análisis de los alimentos de
Pearson. Compañía editorial Continental SA de CV. México.
Kosikowski, F. 1982. Cheese and fermented milk foods. Kosikoswi and Associated.
Estados Unidos.
Kowalski, B. 1996. Chemometrics: mathematics and statistics in chemistry. Editorial
Springer, Estados Unidos.
Linck, T., Barragán, E. y Casablanca, F. 2006. De la propiedad intelectual a la
calificación de los territorios: lo que cuentan los quesos tradicionales.
Agroalimentaria. Núm 22. Pág 99-109.
Lobato-Calleros, C., Rodríguez, E., Sandoval-Castilla, O., Vernon-Carter, J. y Alvarez-
Ramirez, J. 2006. Reduced-fat white fresh cheese-like products obtained from
W1/O/W2 multiple emulsions: Viscoelastic and high-resolution image analyses.
Food Research International. Vol 39. Tomo 6. Pág 678-685.
Lobato-Calleros, C., Velásquez-Varela, J. y Vernor-Carter J. 2004. Propiedades
fundentes de productos tipo queso manchego bajos en grasa saturada y en
colesterol. Carnilac Industrial.
Luedecke, L., Clark, S. y Warner, H. 2001 .Acceptability of Fresh cheese by traditional and
nontraditional consumers. Vol. 7. Núm 2. Pág 165-170.
Luquet, F. M., Keilling, J. y De-Wilde, R. 1991. Leche y productos lácteos. Tomo 1: La
leche de la mama a la lechería. Editorial Acribia. España.
Macho, M. 2002. Metodologías analíticas basadas en espectroscopia de infrarrojo y
calibración multivariable. Aplicación a la industria petroquímica. Tesis doctoral.
Universitat Rovira i Virgil. España.
Macías-Rodríguez, L. E., Quero-Gutiérrez, A. y López, M. G. 2004. Caracterización de
tres cultivares de fresa (Fragaria x ananassa Duch) por espectroscopia de
infrarrojo medio y quimiometría. Agrociencia. Núm. 38. Pág 487-495.
Martín-del-Campo, S. T., Picque, D., Cosío-Ramírez, R. y Corrieu, G. 2007. Middle
infrared spectroscopy characterization of ripening stages of Camembert-type
cheeses. International Dairy Journal. Vol 17. Pág 835-845.
Martínez, A. 2002. Esteroles. Revista de la Facultad de Química Farmacéutica.
Universidad de Antioquia, Colombia.
119
Massart, D. L. 1988. Chemometrics: a text book, Elsevier, New York. Estados Unidos.
MEXFOOD [CD-ROM] 1996. Composición química y valor nutritivo de los Alimentos de
mayor consumo en México.
Miller, J. N. y Miller, J. C. 2002. Estadística y quimiometría para química analítica. Ed.
Prentice- Hall. España.
Mongay, C. 2005. Quimiometría. Universitat de Valencia. España.
Montoliu, I. 2001. Aplicación y desarrollo de técnicas quimiométricas para su aplicación
en la Industria de Alimentos. Tesis doctoral. Universitát Autonoma de Barcelona,
España.
Norma mexicana NMX-F- 374-1983. Alimentos. Almidón. Determinación cualitativa
(Prueba del Lugol). Método de prueba.
Norma mexicana NMX-F-098-1976. Determinación de proteínas en quesos:
Norma mexicana NMX-F-099-1970 Método de Prueba para la Determinación de pH en
Quesos Procesados
Norma mexicana NMX-F-111-1984. Determinación de Sólidos Totales en Quesos.
Norma mexicana: NMX-F-707-COFOCALEC-2004. Sistema Producto Leche -
Alimentos – Lácteos – Determinación de fitosteroles en leche, fórmula láctea,
producto lácteo combinado, queso, crema.
Norma mexicana: NMX-F-710-COFOCALEC -2005. Sistema Producto Leche -
Alimentos-Lácteos - Determinación de grasa en quesos - Método de prueba.
Norma mexicana: NMX-F-713-COFOCALEC-2005. Sistema Producto Leche –
Alimentos – Lácteos – Queso y queso de suero – Denominaciones,
especificaciones y métodos de prueba.
Norma oficial mexicana: NOM-091-SSA-1994. Bienes y servicios. Leche pasteurizada
de vaca. Disposiciones y especificaciones sanitarias.
Norma oficial mexicana: NOM-121-SSA1-1994. Bienes y servicios. Quesos: Frescos,
madurados y procesados. Especificaciones sanitarias.
Paradkar, M. y Irundayaraj, J. 2002. Determination of Cholesterol in dairy products by
infrared techniques: 1. FTIR spectroscopy. International Journal of Dairy
Technology. Vol 55. Núm 3. Pág 127-132.
120
Patzlaff, J. S., Moeller, J. A., Barry, B. A. y Brooker, R. J. 1998. Fourier Transform
Infrared Analysis of Purified Lactose Permease: A monodisperse Lactose
Permease Preparation Is Stably Folder, α-Helical and Highly Accesible to
Deuterium Exchange. Biochemistry. Vol 37. Núm 44. Pág 15363-15375.
Peláez, P., Fresno, M., Rodríguez, E. M., Darías, J. y Díaz. C. 2004. Chemometric
studies of fresh and semi-hard goats’ cheese produced in Tenerife (Canary
Islands). Food Chemistry. Vol 88. Núm 3. Pág 361-365.
Perkin-Elmer de México, S A. 2003. Espectroscopia por infrarrojo por Transformada de
Fourier. Curso Básico. Perkin Elmer LLC. Reino Unido.
Perkin-Elmer de México, SA. 2005. Tutorial de ASSURE ID. Curso básico. Perkin Elmer
LLC. Reino Unido.
Perkin-Elmer de México, SA. 2005. Tutorial de Quant+. Curso básico. Perkin Elmer
LLC. Reino Unido.
Pius, O. y Santiago, M. J. 1997. Ventajas comparativas de la producción de leche en
México. Agroalimentaria. Núm 5. Pág 35-44.
Promar-International. 2002. Oportunidades para los quesos españoles en México.
Reporte preparado para la Oficina Comercial de la Embajada de España en
México. Promar International Alexandria. Estados Unidos.
Revista-del-consumidor, 2006. Queso Panela y sus imitaciones, Cómo y quiénes nos
engañan. Revista del consumidor. PROFECO. México.
Rodríguez, E. M., Sanz, M. y Díaz, C. 1999. Chemometric studies of Several minerals in
Milks. Journal of Agricultural Food Chemistry. Vol. 47. Pág 1520-1524.
Rodríguez-Nogales J. M. y Vázquez, F. 2007. Application of electrophoresis and
chemometric análisis to predict the bovine, ovine and caprine milk porcentajes in
Panela Cheese, an unripened cheese. Food Control. Vol 18. Núm 5. Pág 580-
586.
Rodriguez-Saona, N., Koca, N., Harper, W. J. y Álvarez, V. B. 2006. Rapid
determination of Swiss Cheese Composition by Fourier Transform Infrarred/
Attenuated Total Reflectance Spectroscopy. Journal of Dairy Science. Vol. 89.
Pág 1407-1412.
121
Ruizsanchez, I., Maroto, A., Boqué, R. y Riu, J. 2000. La validación de métodos
analíticos. Química e Industria. Nú, 513. Pág 583-586.
Sablani, S., Datta, A. K., Rahman, M. S. y Mujumdar, A. S. 2007. Handbook of food and
bioprocess Modeling Techiniques. Estados Unidos.
Sivakesava, S. y Irudayaraj, J. 2001. A Rapid Spectroscopic Technique for Determining
Honey Adulteration with Corn Syrup. Journal of Food Science. Vol. 66. Núm 6.
Pág 787-791.
Sivakesava, S., Irudayaraj, J. y Korach, R. L. 2001. Detection of adulteration in apple
juice using mid infrared spectroscopy. Applied Engineering in Agriculture. Núm
17. Pág 815-820.
Solís, Ch., De-Alba, D., y Escamilla, C. 2002. Estudio comparativo del efecto de
diferentes sustitutos de grasa en las propiedades del queso tipo Oaxaca Bajo en
grasa. Comunicación aceptada por el comité científico del IV Congreso Regional
en Ciencias de los Alimentos. Monterrey, México.
Tewari, J. e Irudayaraj, J. 2004. Quantification of Saccharides in Multiple Floral Honeys
Using Fourier Transform Infrared Microattenuated Total Reflectance
Spectroscopy. J. Agric. Food Chemistry. Vol 52. Núm 11. Pág 3237-3243.
Tornadijo, M. E., Marra, A. I., García-Fontán, M. C., Prierto, B. y Carballo, J. 1998.
Calidad de la leche destinada a la fabricación de queso: calidad química.
Ciencia y tecnología alimentaria. Vol. 2. Pág 79-91.
Ulberth, F. 1995. Quantitation of Foreing Fat in Foering Fat/Milkfat mixtures by
Multivariate Regression Analysis of Fatty Acid Data. Journal of Agricultural Food
Chemistry. Vol 43. Núm 6. Pág 1556-1560.
Valle-Rivera, M. C. y Álvarez-Macías A. G. 1997.La producción de leche en México en
al encrucijada de la crisis y los acuerdos del TLCA. Ponencia presentada en la
Reunión de Lasa 1997. Guadalajara. México.
Vega, S., 2000. Caracterización de los ácidos grasos y triacilgliceroles de leche bovina en
México y su aplicación a la determinación de adulterantes de grasa láctea. Tesis
doctoral. Universidad Agraria de la Habana, Cuba.
122
Vega-y-León S, Gutiérrez R, Díaz G, Coronado M, Salas J y Pérez J. 2006. Avances en
el estudio de la adulteración de la grasa láctea. Carnilac Industrial. Octubre-
Noviembre. Pág 10-16.
Vega-y-León, S, Pérez-Flores, N., Gutiérrez-Tolentino, R., Díaz-González, G., Urbán-
Carrillo, G., Ramírez-Ayala, A., Pinto-Covarrubias, M. 2004. Triacylglycerol
composition of raw milk from the central region of México. Agrosur. Facultad de
Ciencias Agrarias, Universidad Austral de Chile. Vol 32. Núm 1. Pág 68-75.
Villegas, A. 1993. Los quesos mexicanos. Editorial CIESTAAM. México.
Villegas, A. 2004-1. Los quesos mexicanos de pasta texturizada. Un enfoque sobre el
queso tipo manchego mexicano. Carnilac Industrial.
Villegas, A. 2004-2. Dos famosos quesos de pasta hilada (filata: El Oaxaca y el
Mozarella. Carnilac Industrial.
Willard, H. H., Merrit, L y Dean, J.A. 1991. Métodos instrumentales de análisis. Grupo
editorial Iberoamericano SA de CV. México.
Wittrup, C. y Norgaard, L. Rapid Near infraed Spectroscopic Screening of Chemical
Parameters in Semi-hard Cheese using Chemometrics. 1998. Journal of Dairy
Science. Vol. 81. Pág 1803-1809.
Woodcock, T., Fagan C.,O’Donnell C y Downey G. 2008. Application of Near and Mid-
Infrared Spectroscopy to Determine Cheese Quality and Authenticity. Food and
Bioprocess Technology. Vol. 1. Núm 2. Pág 117-129.
Workman, J. 2002. Chemometrics in a netwoerk economy, The North American Chapter
of the Interantional Chemometrics Society. Newsletter Núm. 22. Pág 3-7.
Yang, H. y Irundayaraj, J. 2000. Characterization of semisolid fats and edible oils by
Fourier Transform Infrared photoacustics spectroscopy. Journal of the American
Oil chemistry Society. Vol. 77. Núm 3. Pág 291-295.
123
8.2. Referencias electrónicas
Amaral, P. 1996. The web page of chemometrics text book.
http://www.Dq.fct.unl.pt/gof/chemidx1.htlm. Acceso enero 2007.
Arrabal, C. y Cortil, M. 2007. Técnicas cromatográficas y espectroscópicas en el
análisis de parámetros ambientales. Tema 9: Espectroscopia de absorción
molecular en el infrarrojo.
http://www.montes.upm.es/Dptos/DptoIngForestal/OperacionesBasicas/Docenci
a/PDF/Temas/TEMA9.pdf Acceso Julio 2008.
Baeza J J, Optimización de modelos. Curso de doctorado.
http://uv.es.baeza/optimi.html. Acceso marzo 2007.
Chickos, I y Garin D. 2008. Revised Infrarred Spectroscopy. University of Missouri.
http://www.umsl.edu/~orglab/ . Acceso Junio 2008.
Europa, 2006. Agricultura. Política de calidad. Denominación de origen protegida.
http://europa.eu/agriculture/quali1_es.htm. Acceso marzo 2007.
Europa. 2006. Agricultura. Política de calidad. Especialidad tradicional garantizada.
http://europa.eu/agriculture/qual/estsg_01es.htm. Acceso marzo 2007.
Gallardo J L, García-Bojalil y Peréz –Frías H. 2003. Situación de la lechería en México y
sus retos frente al TLC. Trabajo presentado durante el IV Taller Internacional
sobre laboratorios lácteos, realizado del 24 al 26 de septiembre en La Habana.
Cuba. http://www.infoleche.com/Fepale/relac/documentos/Gallardo_J.doc.
NAmICS (North America Chapter of the International Chemometric Society). 2008.
Chemometrics. Tutorial on line. http://www.namics.nysaes.cornell.edu/ Acceso
Mayo- Septiembre 2008.
Proyecto SICA-BIRF/MAG. 2007. Consumo per capita de lácteos y proyecciones al
2005. (Kilogramos por persona).
http://www.sica.gov.ec/cadenas/leche/docs/consumo_p-c._lacteos. Acceso
febrero 2007.
Rius-Díaz, F., Barón – López, F., Sánchez – Font, E. y Parra – Guiljosa, L. (2008).
Bioestadística. Métodos y Aplicaciones. www.bioestadistica.uma.es/libro Acceso
febrero 2008.
124
Von Steffen G. 2008. Spectrosckopiche tools. Intitut für Chemie. Universität Rostock.
Alemania. http://www.science-and-fun.de/tools/ Acceso Junio 2008.
125
9. Apéndices
126
9.1. Apéndice 1
Normativa referente a quesos
a) Normatividad internacional
CODEX-STAN-206-1999. Norma internacional. Tipo de norma: voluntaria.
Nombre de la norma: norma general del codex para el uso de términos
lecheros. Tipo de producto: leche y productos lacteos.
CODEX-STAN-A-002-1973. Norma internacional. Tipo de norma: voluntaria
nombre de la norma: norma del codex para los productos a base de
grasa de la leche. Tipo de producto: leche y productos lacteos.
CODEX-STAN-A-006-1978. Norma internacional. Tipo de norma: voluntaria
nombre de la norma: norma general del codex para el queso. Tipo de
producto: leche y productos lacteos. Rev. 1-1999.
b) Normatividad oficial mexicana
NOM-091-SSA1-1994. Norma: oficial. Tipo de norma: obligatoria. Nombre de la
norma: bienes y servicios. Leche pasteurizada de vaca. Disposiciones y
especificaciones sanitarias. Tipo de producto: lacteos y sus derivados.
NOM-121-SSA1-1994. Norma oficial. Tipo de norma: obligatoria. Nombre de la
norma: bienes y servicios. Quesos: frescos, madurados y procesados.
Especificaciones sanitarias. Tipo de producto: lacteos y sus derivados.
c) Normatividad mexicana
NMX-F-092-1970. Norma: mexicana. Tipo de norma: voluntaria. Nombre de la
norma: calidad para quesos tipo de producto: lácteos y sus derivados.
127
NMX-F-094-1984. Norma: mexicana. Tipo de norma: voluntaria. Nombre de la
norma: determinación de cenizas en quesos tipo de producto: lácteos y sus
derivados.
NMX-F-098-1976. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: determinación de proteínas en quesos tipo de producto: lácteos y
sus derivados.
NMX-F-111-1984. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: determinación de sólidos totales en quesos tipo de producto: lacteos
y sus derivados.
NMX-F-099-1970. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: método de prueba para la determinación de ph en quesos
procesados tipo de producto: lacteos y sus derivados.
NMX-F-486-1985. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso patagrás tipo de producto: lacteos y sus derivados.
NMX-F-093-1985. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo cheddar tipo de producto: lácteos y sus derivados.
NMX-F-471-1985. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo chester tipo de producto: lácteos y sus derivados
NMX-F-209-1985. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo chihuahua tipo de producto: lácteos y sus derivados
NMX-F-184-1985. Norma: mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo gruyere tipo de producto: lácteos y sus derivados.
NMX-F-147-1985. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo Holandés ó Edam tipo de producto: lácteos y sus
derivados.
NMX-F-462-1984. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo manchego tipo de producto: lácteos y sus derivados.
NMX-F-470-1985. Norma mexicana. Tipo de norma: voluntaria. Nombre de la
norma: queso tipo suizo tipo de producto: lácteos y sus derivados.
128
NMX-F-701-COFOCALEC-2004. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche – Alimentos – Lácteos –
Determinación de cenizas en quesos – Método de prueba.
NMX-F-703-COFOCALEC-2004. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche- Alimentos – Lácteos –
Leche y producto lácteo (o alimento lácteo) – Fermentado o acidificado –
Denominaciones, especificaciones y métodos de prueba.
NMX-F-707-COFOCALEC-2004. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche - Alimentos – Lácteos –
Determinación de fitosteroles en leche, fórmula láctea, producto lácteo
combinado, queso, crema y mantequilla, por cromatografía de gases
NMX-F-708-COFOCALEC-2004. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche – Alimentos – Lácteos –
Determinación de grasa, proteína, lactosa, sólidos no grasos y sólidos
totales, en leche cruda, por espectroscopia de infrarrojo – Método de
prueba.
NMX-F-710-COFOCALEC-2005. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche – Alimentos – Lácteos –
Determinación de grasa en quesos – Método de prueba.
NMX-F-713-COFOCALEC-2005. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche – Alimentos – Lácteos –
Queso y queso de suero – Denominaciones, especificaciones y métodos de
prueba.
NMX-F-727-COFOCALEC-2007. Norma mexicana. Tipo de norma: voluntaria.
Nombre de la norma: Sistema Producto Leche – Alimentos – Lácteos –
Grasa de leche anhidra, grasa de leche y aceite de mantequilla –
Especificaciones y métodos de prueba.
129
Apéndice 2
Cuadros de resultados analíticos tradicionales
Cuadro 1 : Fecha de compra y lugar de compra de las muestras analizadas de queso Panela
comercial.
MUESTRA
FECHA
COMPRA LUGAR COMPRA MUESTRA
FECHA
COMPRA LUGAR COMPRA
1 01-09-07 SUPERMERCADO 17 30-09-07 SUPERMERCADO
2 26-08-07 SUPERMERCADO 18 30-09-07 SUPERMERCADO
3 26-09-07 SUPERMERCADO 19 30-09-07 SUPERMERCADO
4 03-09-07
MERCADO
INFORMAL 20 30-09-07 SUPERMERCADO
5 03-09-07
MERCADO
INFORMAL 21 30-09-07 SUPERMERCADO
6 03-09-07
MERCADO
INFORMAL 22 30-09-07 SUPERMERCADO
7 11-09-07 SUPERMERCADO 23 05-10-05 SUPERMERCADO
8 11-09-07 SUPERMERCADO 24 05-10-07 SUPERMERCADO
9 11-09-07 SUPERMERCADO 25 06-10-07 SUPERMERCADO
10 11-09-07 SUPERMERCADO 26 06-10-07 SUPERMERCADO
11 21-09-07
MERCADO
INFORMAL 27 06-10-07 SUPERMERCADO
12 21-09-07
MERCADO
INFORMAL 28 06-10-07 SUPERMERCADO
13 26-09-07 SUPERMERCADO 29 06-10-07 SUPERMERCADO
14 26-09-07 SUPERMERCADO 30 20-10-07 SUPERMERCADO
15 25-09-07 SUPERMERCADO 31 20-10-07 SUPERMERCADO
16 25-09-07 SUPERMERCADO
130
Cuadro 2. Porcentaje de sólidos totales (%), humedad %) y humedad sin materia grasa (HSMG)
(%) en las diferentes muestras analizadas de queso Panela comercial.
MUESTRA
SÓLIDOS
TOTALES
(%)
HUMEDAD
(%)
HSMG
(%)
1 42.90 ± 1.287 57.10 ± 1.287 70.65 ± 1.665
2 52.75 7± 0.546 47.25 ± 0.546 61.10 ± 0.400
3 51.06 ± 1.164 48.94 ± 1.164 63.15 ± 1.501
4 42.26 ± 0.264 57.74 ± 0.265 72.94 ± 0.070
5 42.23 ± 0.321 57.77 ± 0.321 71.92 ± 0.363
6 40.90 ± 0.269 59.10 ± 0.269 73.88 ± 0.336
7 46.39 ± 0.761 53.61 ± 0.761 68.87 ± 0.896
8 59.12 ± 0.732 40.88 ± 0.732 62.41 ± 1.118
9 49.72 ± 0.688 50.28 ± 0.688 63.38 ± 0.673
10 45.94 ± 0.461 54.06 ± 0.461 70.21 ± 0.600
11 45.94 ± 1.451 54.06 ± 1.451 63.48 ± 1.680
12 46.65 ± 0.665 53.35 ± 0.665 57.78 ± 1.040
13 41.81 ± 0.705 58.19 ± 0.705 72.59 ± 0.860
14 46.74 ± 0.617 53.26 ± 0.617 64.17 ± 0.743
15 45.77 ± 0.543 54.23 ± 0.543 67.50 ± 0.435
16 41.50 ± 0.620 58.50 ± 0.620 72.53 ± 1.259
17 45.23 ± 0.401 54.77 ± 0.401 71.43 ± 0.384
18 45.22 ± 0.624 54.78 ± 0.624 70.01 ± 0.826
19 48.47 ± 1.028 51.53 ± 1.028 67.50 ± 1.740
20 40.68 ± 1.600 59.32 ± 1.600 75.09 ± 2.024
21 44.76 ± 0.821 55.24 ± 0.821 66.56 ± 0.990
22 48.14 ± 0.552 51.86 ± 0.552 69.46 ± 1.636
23 47.71 ± 0.599 52.29 ± 0.599 73.47 ± 0.547
24 46.99 ± 0.730 53.01 ± 0.730 67.24 ± 0.899
25 49.34 ± 0.320 50.66 ± 0.320 55.06 ± 0.347
26 49.93 ± 0.257 50.07 ± 0.257 60.33 ± 0.309
27 36.98 ± 1.276 63.02 ± 1.276 68.50 ± 1.386
28 50.30 ± 1.911 49.70 ± 1.91 59.88 ± 2.301
131
MUESTRA
SÓLIDOS
TOTALES
(%)
HUMEDAD
(%)
HSMG
(%)
29 44.76 ± 0.931 55.24 ± 0.931 70.52 ± 0.770
30 44.97 ± 0.064 55.03 ± 0.064 69.95 ± 0.259
31 47.98 ± 1.027 52.02 ± 1.027 71.52 ± 1.191
MEDIA 46.23 ± 1.1578 53.77 ± 1.1578 67.52 ± 1.742
Q0 36.98 40.88 55.06
Q1 43.83 51.70 63.43
Q2 45.94 54.06 68.87
Q3 48.30 56.17 71.48
Q4 59.12 63.02 75.09
132
Cuadro 3: Porcentaje de grasa (%) y porcentaje de grasa en extracto seco (GES) (%) de las
muestras analizadas de queso Panela comercial.
MUESTRA GRASA (%) GES (%)
1 19.17 ± 0.289 44.68 ± 1.605
2 22.67 ± 0.289 42.97 ± 0.201
3 22.50 ± 0.000 44.07 ± 0.999
4 20.83 ± 0.289 49.30 ± 0.376
5 19.67 ± 0.289 46.58 ± 0.607
6 20.00 ± 0.000 48.90 ± 0.322
7 22.17 ± 0.289 47.78 ± 0.759
8 34.50 ± 0.000 58.35 ± 0.824
9 20.67 ± 0.289 41.57 ± 0.282
10 23.00 ± 0.000 50.06 ± 0.500
11 14.83 ± 0.289 32.29 ± 1.107
12 7.67 ± 0.577 16.43 ± 1.432
13 19.83 ± 0.289 47.44 ± 0.935
14 17.00 ± 0.000 36.37 ± 0.477
15 19.67 ± 0.289 42.96 ± 0.129
16 19.33 ± 0.577 46.59 ± 2.050
17 23.33 ± 0.289 51.58 ± 0.453
18 21.75 ± 0.289 48.10 ± 0.894
19 23.67 ± 0.577 48.82 ± 2.054
20 21.00 ± 0.000 51.62 ± 2.078
21 17.00 ± 0.000 37.98 ± 0.704
23 28.83 ± 0.289 60.43 ± 0.180
24 21.17 ± 0.289 45.04 ± 0.810
133
MUESTRA GRASA (%) GES (%)
25 8.00 ± 0.000 16.21 ± 0.105
26 17.00 ± 0.000 34.05 ± 0.175
27 8.00 ± 0.000 21.63 ± 0.746
28 17.00 ± 0.000 33.80 ± 1.276
29 21.67 ± 0.764 48.41 ± 1.094
30 21.33 ± 0.289 47.44 ± 0.637
31 27.27 ± 0.252 56.83 ± 0.758
MEDIA 20.02± 0.226 42.69 ± 0.995
Q0 7.67 16.21
Q1 17.54 37.58
Q2 20.75 46.58
Q3 22.42 48.84
Q4 34.50 60.43
134
Cuadro 4: Porcentaje de proteína (%) en las diferentes muestras analizadas de queso Panela
comercial.
MUESTRA PROTEINA
(%)
MEDIA
1 16.26 ± 0.065
2 18.03 ± 0.020
3 19.75 ± 0.186
4 16.72 ± 0.055
5 16.05 ± 0.315
6 15.74 ± 0.066
7 17.49 ± 0.411
8 16.51 ± 0.191
9 16.57 ± 0.065
10 20.00 ± 0.020
11 17.16 ± 0.186
12 20.98 ± 0.055
13 16.66 ± 0.315
14 23.04 ± 0.066
15 18.57 ± 0.411
16 15.88 ± 0.191
17 15.89 ± 0.065
18 17.95 ± 0.020
19 21.37 ± 0.1858
20 16.62 ± 0.0556
21 15.05 ± 0.3153
135
MUESTRA PROTEINA
(%)
MEDIA
22 16.47 ± 0.066
23 16.12 ± 0.411
24 18.41 ± 0.191
25 17.12 ± 0.065
26 18.11 ± 0.020
27 14.64 ± 0.186
28 16.12 ± 0.055
29 18.41 ± 0.315
30 17.12 ± 0.066
31 18.11 ± 0.411
MEDIA 17.51 ± 0.162
Q0 14.64
Q1 16.19
Q2 17.12
Q3 18.26
Q4 23.04
136
Cuadro 5 : pH de las distintas muestras analizadas de queso Panela comercial.
MUESTRA pH
1 6.57 ± 0.015
2 6.56 ± 0.036
3 6.56 ± 0.025
4 6.63 ± 0.050
5 6.48 ± 0.020
6 6.68 ± 0.130
7 6.07 ± 0.146
8 6.27 ± 0.101
9 6.44 ± 0.080
10 6.37 ± 0.082
11 7.01 ± 0.010
12 6.69 ± 0.070
13 6.66 ± 0.058
14 6.71 ± 0.026
15 6.77 ± 0.032
16 6.78 ± 0.031
17 6.75 ± 0.038
18 6.76 ± 0.010
19 6.72 ± 0.036
20 6.77 ± 0.026
21 6.73 ± 0.010
22 6.72 ± 0.006
23 6.65 ± 0.021
24 6.72 ± 0.052
137
MUESTRA pH
25 6.86 ± 0.031
26 6.82 ± 0.006
27 6.76 ± 0.017
28 6.81 ± 0.021
29 6.69 ± 0.040
30 6.80 ± 0.011
31 6.53 ± 0.010
MEDIA 6.66 ± 0.040
Q0 6.07
Q1 6.57
Q2 6.71
Q3 6.76
Q4 7.01
