Nh-Calibracion Multivariable Revisado NH

MDULO 3: MTODOS DE CALIBRACIN
MONTAJE Y VALIDACIN DE MTODOS ANALTICOS
INTRODUCCIN
Concepto de calibracin: Se define como el conjunto de operaciones que establecen, en unas
condiciones especificadas, la relacin que existe entre los valores indicados por un instrumento o
sistema de medida, o los valores representados por una medida materializada y los
correspondientes valores conocidos de una magnitud de medida.
Existen diferentes herramientas tiles en el desarrollo de un proceso de calibracin, tales como

equipos de medicin, procedimientos, guas, patrones, etc. Dentro de los procedimientos se
establecen uno o varios mtodos de calibracin, estos a su vez instituyen la secuencia en la cual se
debe realizar cada calibracin. La aplicacin de un mtodo especfico depende de las condiciones
de aplicacin que se hayan seleccionado, por ejemplo la clase de exactitud de los patrones y de los
calibrandos, la cantidad de los mismos, o las condiciones ambientales de trabajo.
En determinaciones de laboratorio, el concepto de calibracin tiene un doble significado, puede ser

una calibracin instrumental (de un pH-metro, un espectrofotmetro) en donde se conoce un valor
conocido establecido por un patrn de calibracin certificado el cual permite expresar la misma
magnitud indicada en el equipo; adems existe la calibracin analtica donde se relaciona la
respuesta instrumental con la concentracin del analito a determinar, normalmente mediante un
modelo de lnea recta. Este concepto de calibracin se refiere a la calibracin ligada al mtodo
especfico y se conoce tambin como calibracin metodolgica.
Calidad de una Calibracin.

Los factores que determinan la calidad de una calibracin son:
La precisin de las medidas: estimada a travs de la repetitividad y la reproducibilidad de las
medidas.
Exactitud de los patrones. Este error en general se desprecia, frente al error en las medidas de
las seales producidas por el instrumento.
Validez de la calibracin. Cuando se calibra un instrumento se debe tener una razonable
certeza de que ste responder de igual manera a los patrones as como a las muestras, aunque
estas tengan una matriz relativamente diferente
Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios
3.1 MODELOS DE CALIBRACIN.

En todo proceso de calibracin existen dos etapas: la calibracin en donde se construye un modelo
que relacione la respuesta instrumental con la concentracin de los analitos aplicando un
determinado mtodo matemtico. y la prediccin que consiste en calcular la concentracin de los
analitos mediante muestras no incluidas en la etapa de calibracin, es decir, a validar el modelo.
3.2 CALIBRACION DE INSTRUMENTOS Y EQUIPOS
Con el tiempo el funcionamiento de los instrumentos y los equipos de laboratorio pueden alterarse,
ya sea a corto plazo, debido a las fluctuaciones del entorno, o a largo plazo, debido a la antiguidad
de los componentes mecnicos, pticos o electrnicos. Pequeos cambios pueden pasar
desapercibidos e inducir a error en los resultados obtenidos. El funcionamiento puede tambin
afectarse por reparaciones o por la sustitucin de mdulos o componentes. Adems es posible que
un equipo nuevo no haya sido controlado o sometido a prueba antes de la entrega para establecer si
cumple las especificaciones. En un laboratorio que mantenga un sistema de gestin de la calidad,
todos estos aspectos del trabajo analtico se controlan, y se controlan tambin los posibles errores
instrumentales por medio de unos procedimientos peridicos de mantenimiento y calibracin
preventivos.
La forma en que se controla el funcionamiento de los instrumentos y equipos, y la frecuencia de las

calibraciones (intervalo), deben estar estipuladas en los procedimientos normalizados de trabajo. La
verificacin del funcionamiento debe basarse en pruebas que no se ajusten especficamente a un
mtodo concreto y en las que se utilicen calibradores y patrones rastreables, permitiendo as que el
equipo pueda ser comparado entre laboratorios. La verificacin del funcionamiento no se relaciona
expresamente ni con mtodos de criba inicial ni con mtodos de confirmacin. La calibracin de los
instrumentos y equipos (por ejemplo, calibracin de la longitud de onda de un espectrmetro
infrarrojo, calibracin de masas de un espectrmetro con un sistema acoplado de cromatografa en
fase gaseosa) debe ser independiente del tipo de muestra que se utilice.
Existen dos enfoques tericos del proceso de calibracin: el enfoque tradicional, segn el cual han
de calibrarse todos los instrumentos y el equipo, y el enfoque que parte del supuesto de que slo
deben calibrarse los instrumentos que realicen mediciones fsicas y cuyos resultados sean una
medicin directa de un parmetro fsico rastreable. Por ejemplo, pueden calibrarse balanzas,
espectrmetros, termmetros, centrifugadoras y cronmetros porque existen unos estndares
rastreables que determinan el nivel de incertidumbre de las mediciones. En todos los dems casos,

en el laboratorio slo podr hacerse una verificacin del funcionamiento del equipo/instrumentos,
pues sin una estimacin de la incertidumbre no puede hacerse una calibracin. El laboratorio tiene
que decidir qu enfoque prefiere.
3.3 REQUISITOS METROLOGICOS
Para realizar pruebas y calibraciones correctas el laboratorio debe disponer de todos los artculos
necesarios para medir muestras y del equipo de anlisis que se necesite. Antes de su utilizacin,
debe comprobarse y calibrarse el equipo para asegurarse de que cumple los requisitos de laboratorio
y las especificaciones estndar. El laboratorio debe disponer de un programa y unos procedimientos
establecidos de calibracin de su equipo. A travs de un contrato ordinario de mantenimiento
algunos proveedores de instrumentos y equipo pueden encargarse de certificar la calibracin. Las
exigencias actuales en materia de garanta de la calidad y buenas prcticas de laboratorio obligan a
anotar en el cuaderno de cada instrumento todos los controles y procedimientos de calibracin que
se lleven a cabo y las medidas correctivas adoptadas si un control indica que un instrumento no est
bien calibrado, de acuerdo con en el siguiente cuadro.
Datos que deben registrarse en el cuaderno de mantenimiento del Instrumento.
- Denominacin del equipo

- Nombre del fabricante, modelo y/o tipo
- Nmero de serie
- Fecha de recepcin del equipo en el laboratorio
- Condicin en que se recibi (nuevo, usado)
- Informacin detallada sobre los controles del cumplimiento de las especificaciones
pertinentes de calibracin o estndares analticos
- Fecha en que entr en servicio el equipo en el laboratorio
- Ubicacin actual en el laboratorio, cuando proceda
- Copia de las instrucciones de manejo del fabricante
- Definicin de los criterios que se utilizarn para juzgar el buen funcionamiento en
consonancia con los requisitos para realizar el tipo de anlisis que haya de hacerse con ese
instrumento
- Datos detallados sobre las actividades de mantenimiento realizadas y del posterior control
del funcionamiento

- Historial de los daos, problemas de funcionamiento, modificaciones o reparaciones de los

instrumentos y de los posteriores controles del funcionamiento Frecuencia de los controles
del cumplimiento de los criterios de buen funcionamiento.
Procedimientos de calibracin de instrumentos y equipos.
En qumica analtica frecuentemente los procedimientos de calibracin de aparatos utilizados son

descritos por el propio fabricante, que aporta adems informacin sobre las actividades normales de
mantenimiento y la frecuencia con que deben realizarse. A continuacin se ofrecen directrices para
establecer procedimientos estndar de calibracin de instrumentos y equipos de uso comn:
Pipetas automticas
Un mantenimiento normal exige que, aparte de una calibracin, se realicen controles peridicos de
las lneas de pipetas, desarmndolas y limpindolas en caso necesario.
Parmetro a calibrar: volumen de la descarga.
Mtodo: si se trata de pipetas de volumen fijo, se pipetea agua destilada en un recipiente de peso
conocido para controlar el volumen efectivamente liberado. Se consigue una mayor exactitud si la
balanza utilizada para controlar el peso viene acompaada de una cmara de pesaje que pueda
saturarse con vapor de agua, que con frecuencia se libra como accesorio con las balanzas
electrnicas modernas. Las pipetas de volumen variable deben calibrarse al menos en cuatro
niveles: el nivel mximo, el nivel mnimo fijado por el encargado de las pipetas automticas y dos o
ms niveles intermedios, uno de los cuales debe ser inferior al punto medio de la escala. Si una
pipeta de volumen variable se utiliza nicamente para dispensar un volumen fijo slo podr ser
calibrada para ese volumen fijo. Los ajustes del mecanismo de fijacin del volumen deben hacerse,
en caso necesario, siguiendo las instrucciones del fabricante.
Intervalo de calibracin: el ritmo de deterioro normal de la calibracin debe determinarse haciendo
controles frecuentes (diarios) del calibrado. El intervalo de las calibraciones podr alargarse
entonces para adaptarlo a las condiciones del laboratorio (normalmente el intervalo ser de tres
meses).
Aparatos de medicin del punto de fusin

Parmetro a calibrar: Exactitud del termmetro.
Mtodo: Los puntos de fusin de las sustancias de referencia se miden por lo menos dos veces.
Intervalo de calibracin: Cada seis meses.

Medidores del pH
Parmetro a calibrar: Exactitud y linealidad del pH.
Mtodo: Los indicadores preparados comercialmente o los indicadores estndar (que pueden
buscarse con cualquier distribuidor) han de utilizarse de acuerdo con las instrucciones del
fabricante.
Intervalo de calibracin: Diariamente cuando est en uso.
Hornos y calefactores
Parmetro a calibrar: Temperatura.
Mtodo: El control se realiza con un pirmetro porttil o un termmetro de precisin, que deben
situarse lo ms cerca posible del sensor de temperatura del horno.
Intervalo de calibracin: Anualmente, y despus de cada reparacin que pueda influir en el
funcionamiento del horno/calefactor.
Baos de agua
Parmetro a calibrar: Temperatura.
Mtodo: Termmetro de precisin/de referencia.
Intervalo de calibracin:Trimestralmente, cuando se sustituya el termmetro del bao de agua o
cuando ste no haya sido utilizado durante un tiempo prolongado (semanas o meses).
Balanzas
Antes de utilizar las balanzas debe comprobarse que estn limpias y equilibradas en la superficie en
que se encuentren. Es fundamental que cada ao haga una visita de mantenimiento un ingeniero
calificado. Las balanzas utilizadas para realizar mediciones fundamentales (es decir, cuando la suma
de las incertidumbres que genere el proceso de pesaje represente un factor importante de la
exactitud del resultado final o, en otros trminos, cuando puedan significar un 10% del error total)
deben disponer como mnimo de un certificado de calibracin. Estos certificados deben ser emitidos
por un organismo acreditado externo o por un personal de laboratorio adecuadamente capacitado.
Los certificados deben ser renovados anualmente.
Parmetro a calibrar: exactitud.
Mtodo: Los pesos de referencia se utilizan de acuerdo con las recomendaciones del fabricante. El
usuario puede decidir, cuando as lo exijan los resultados requeridos, utilizar unos patrones de peso
con un nivel de exigencia mayor que los preparados por el fabricante. Una secuencia tpica sera

controlar el punto cero de la balanza con el platillo vaco y a continuacin poner en ste el peso de
referencia y ajustar la lectura para que refleje el valor correcto. Obsrvese que los patrones de peso
deben manejarse con gran cuidado utilizndose pinzas con las puntas lisas, ya que las puntas
rugosas pueden daarlos. Las balanzas electrnicas modernas frecuentemente disponen de sistemas
internos de calibracin del peso y el control se realiza de forma automtica de acuerdo con una
secuencia prefijada por el fabricante o, en su caso, por el usuario.
Espectrofotmetros de radiacin ultravioleta-visible

Parmetro a calibrar: Exactitud de la longitud de onda y repetibilidad, exactitud fotomtrica.
Mtodo: La absorcin de las longitudes de onda de las radiaciones UV se controla con filtros de
holmio y didimio, que deben ser suministrados por el fabricante. La exactitud de la longitud de onda
y la repetibilidad se controlan en toda la gama de radiacin UV-visible. Han de obtenerse por lo
menos dos espectros. La desviacin mxima ha de ser 1,0 nm.
Intervalo de calibracin: Anualmente.
Espectrmetros infrarrojos
Los procedimientos que se indican a continuacin afectan slo a los espectrmetros independientes.
Los instrumentos combinados, como los espectrmetros CFG/FT-IR se deben calibrar de acuerdo
con las instrucciones del fabricante.
Parmetro a calibrar: Resolucin.
Mtodo: Se comprueba la gama total del instrumento con una pelcula de poliestireno. Debe
diferenciarse el pico de absorcin de 3095 nm del de 3080 nm y la absorcin de 3020 nm debe
diferenciarse de la de 3015 nm.
Intervalo de calibracin: Trimestralmente.
Parmetro a calibrar: Exactitud de la longitud de onda.

Mtodo: Se escanea una pelcula de poliestireno y se controla la exactitud de los picos en 2852,
1602 y 1028 nm. La exactitud debe ser de 3-5 nm en el rango 4000-2000 nm y de 1,5-2,5 nm en
el rango inferior a 2000 nm.
Intervalo de calibracin: Trimestralmente.
Cromatgrafos de gases
Entre las operaciones ordinarias de mantenimiento cabe mencionar los controles del septum, el
sistema de inyeccin, las presiones del gas y los filtros internos (por ejemplo, filtros de oxgeno,

impurezas, humedad e hidrocarburos), el nivel de la seal de base y el ruido de fondo. Dependiendo

del grado de utilizacin del instrumento, puede ser conveniente establecer un programa de
mantenimiento ordinario que suponga un cambio semanal del septum y el mezclador del inyector
(con mayor frecuencia si se analiza un gran nmero de muestras).
Parmetro a calibrar: Temperatura del horno.
Mtodo: Controlar con un pirmetro porttil de referencia o un termmetro de precisin, que debe
situarse lo ms cerca posible del sensor de temperatura del horno.
Parmetros a verificar: Calidad de la columna (eficiencia, resolucin, forma del pico, tiempos de
retencin).
Mtodo: Se analiza un grupo de estndares de uso ordinario. La precisin de los tiempos de
retencin puede medirse inyectando el estndar tres veces o ms. Tambin pueden medirse las reas
de los picos. Es til dibujar un diagrama de control de los parmetros, como tiempos/ndices de
retencin.
Intervalo de la verificacin: Mensualmente.
Parmetros a verificar: Sensibilidad del detector, seal de base y ruido de fondo.

Mtodo: Se analiza un grupo de patrones de uso ordinario y se compara con resultados anteriores.
Intervalo de verificacin: Mensualmente.
Cromatgrafos lquidos de alto rendimiento

Los procedimientos normales de mantenimiento de los sistemas de cromatografa de lquidos de
alto rendimiento (HPLC) incluyen el recambio peridico de los filtros, internos y en lnea, y de las
columnas de almacenaje, lo que normalmente debe hacerse cuando la presin inversa supera el
lmite aceptable (es decir, se sita por encima del nivel mximo de presin dentro de la columna).
Si los mtodos se transfieren de un instrumento a otro puede ser necesario comprobar la exactitud
de algunos parmetros como la velocidad de flujo, la temperatura de la columna y la composicin
del eluyente, que influyen en los tiempos absolutos y relativos de retencin.
Parmetro a calibrar: Exactitud del flujo.
Mtodo: Los efluyentes de la columna se recogen en una probeta o frasco volumtrico durante el
tiempo adecuado.

Intervalo de calibracin: La velocidad absoluta del flujo con frecuencia es menos importante que su
variacin durante una tanda de anlisis, pero debe ser controlada si se utiliza un mtodo estndar,
oficial o recomendado.
Parmetro a calibrar: Repetibilidad del flujo y precisin volumtrica del inyector.

Mtodo: Se inyecta tres veces, o ms, un grupo de estndares de uso ordinario y se mide la
precisin de los tiempos de retencin y las reas de los picos.
Intervalo de calibracin: Mensualmente, o bien diariamente si esta prueba est integrada en un
sistema de comprobacin diaria del buen estado de los aparatos.
Parmetro a calibrar: Coeficiente seal del detector/ruido.

Mtodo: Se analiza un grupo de estndares utilizados normalmente y se comparan los resultados
con los de anlisis anteriores. El ruido de base se mide en intervalos de 0,5 a 1 minutos y se calcula
el promedio. El ruido se calcula con un programa informtico (si lo suministra el fabricante) o
grficamente, definiendo dos lneas horizontales que abarquen todas las variaciones observadas y
midiendo la distancia vertical entre ellas. El nivel del ruido puede medirse mientras fluyen los
eluyentes y sin ese flujo, para definir as la contribucin del sistema de alimentacin de eluyentes al
ruido.
Intervalo de calibracin: Mensualmente
Parmetro a calibrar: Exactitud del detector de longitudes de onda (detectores de UV-visible y de

fluorescencia).
Mtodo: La absorcin de las longitudes de onda UV se comprueba con un filtro de xido de holmio,
suministrado por el fabricante (y rastreable hasta el patrn primario) que tiene un mximo de
absorcin de longitud de onda de 361 nm que es caracterstico. La exactitud de la longitud de onda
y la reproducibilidad se controlan en todo el rango de radiacin UV-visible. La desviacin mxima
(admisible) es de 1,0 nm. La emisin de longitudes de onda de la
fluorescencia normalmente se controla utilizando un patrn, por ejemplo, sulfato de quinina, que
tiene unos picos de excitacin de 255 y 355 nm y un pico de emisin de 455 nm.
Espectrmetros de masas
Este tipo de equipos se regulan y calibran de forma semejante tanto si son un instrumento
independiente o estn combinados con interfaces cromatogrficas (GC-MS y LC-MS y sus

derivaciones con mltiples sectores). Existen diferencias entre los instrumentos cuadrupolares y los
de sector magntico, en especial si estos ltimos son capaces de ofrecer una alta resolucin. La
mayora de los instrumentos de laboratorio de este tipo estn controlados
directamente por un sistema informtico y la regulacin y calibracin se realizan automticamente.
El sistema informtico genera un mensaje de advertencia cuando el instrumento deja de cumplir los
requisitos de funcionamiento prefijados, y muchas veces ordena directamente una intervencin del
operador, por ejemplo, limpiar la fuente.
Parmetros a calibrar: Regulacin de la fuente y calibracin de las masas.

Mtodo: Se introduce en el espectrmetro un compuesto de calibracin, como el perfluorokeroseno
(PFK) o la heptacosafluoroperbutilamina (perfluoroperbutilamina) por la rendija correspondiente.
La fuente se regula por medio de una seleccin de fragmentos de iones para obtener una
sensibilidad y un rea de los picos ptimas, y obtener unas relaciones masa/carga de los picos (por
ejemplo, m/z 69, 219 y 264, y 502, en el espectro de la perfluoroperbutilamina), que normalmente
vienen determinados por el fabricante. Los espectros se almacenan y comparan con el espectro de
referencia en lo que respecta a la asignacin de masas y la intensidad relativa de los picos.
Intervalo de calibracin: Diariamente o inmediatamente antes de su utilizacin.
Integradores cromatogrficos y sistemas de datos

La validacin de los sistemas y los programas informticos es un trmite de especial importancia
que debe estar a cargo del fabricante. Sin embargo, sigue siendo responsabilidad del usuario
asegurarse de que los programas informticos han sido validados. La validacin formal de los
programas informticos puede ser realizada por el proveedor en nombre del usuario, pero este
ltimo deber ensayarlos para que se produzca la aceptacin formal. El ensayo permite establecer si
se satisfacen los criterios establecidos para los programas informticos. Los fabricantes incluyen
actualmente de forma rutinaria en sus productos funciones de prueba y diagnstico para validar los
sistemas.
Parmetro a calibrar: Exactitud de las reas integradas de los picos.
Mtodo: O bien se utiliza la funcin de prueba integrada en el cromatgrafo o bien se realiza un
anlisis de un patrn ordinario y se compara con anlisis anteriores.
Intervalo de calibracin: Las comprobaciones ordinarias se realizan por lo general diariamente. Las
pruebas de funcionamiento del material informtico pueden realizarse a intervalos ms amplios, por
ejemplo, mensualmente.

3.4. MTODOS DE CALIBRACIN

Entre estos se conocen los univariados y multivariados
3.4.1. CALIBRACIN UNIVARIADA

La aproximacin clsica o directa y la aproximacin inversa son los dos modos para construir el
modelo que relaciona las medidas (x) y las concentraciones (y).
En el procedimiento habitual el analista toma una serie de materiales (normalmente al menos tres o
cuatro, y posiblemente algunos ms) de los que se conoce la concentracin del analito. Estos
patrones de calibracin se miden en el instrumento analtico bajo las mismas condiciones que las
utilizadas posteriormente para los materiales de ensayo. Una vez establecida la grfica de
calibracin, puede obtenerse la concentracion de analito por interpolacin, en cualquier material de
ensayo. El procedimiento general plantea varias preguntas estadsticas importantes:
- Es lineal la lnea de calibrado?. Si es una curva, que forma tiene dicha curva?
- Teniendo en cuenta que cada uno de los puntos de la lnea de calibrado est sujeto a
errores, cual es la mejor lnea recta (o curva) que pasa por esos puntos?
- Suponiendo que el calibrado es realmente lineal, cuales son los errores y limites de
confianza de la pendiente y ordenada en el origen de la recta?
- Cuando el grfico de calibrado se usa para el anlisis de un material de ensayo, cuales son
los errores y lmites de confianza de la concentracin determinada?
- Cul es el lmite de deteccin del mtodo? Esto es, cual es la menor concentracin de
analito que puede detectarse con un predeterminado nivel de confianza?
3.4.1.1. Modelo lineal directo

Relaciona las medidas con las concentraciones: x = f(y) En concreto, se analizan dos variables, una
de ellas considerada como variable predictora (X) y la otra como variable de respuesta (Y) las
cuales vienen representadas (modeladas) por la ecuacin de una lnea recta.
Un ejemplo clsico de este modelo es el que se usa al aplicar la ley de Lambert-Beer:
r = k0 + k1c (ecuacin directa)
donde r es la respuesta instrumental (absorbancia), que situamos en el eje de ordenadas, y c es la
concentracin del analito, que situamos en el eje de las abscisas.
3.4.1.2. Modelo lineal inverso

Relaciona la variable independiente o predictora (x) y la respuesta (y) mediante la siguiente

ecuacin:
y = B0 + B1 x + e
Donde e es el error aleatorio y (B0, B1) los parmetros del modelo.
As, si retomamos el ejemplo del UV-Vis, al encontrar la ecuacin que sigue la ley de Beer y
realizado el clculo de los coeficientes, se puede predecir la concentracin en una muestra
problema despejando c,
c = (r k0)/k1
Si sustituimos b0= k0/k1 y b1= 1/k1, vemos que en realidad estamos prediciendo con la ecuacin
C = b0 + b1r. (Ecuacin inversa)
Las hiptesis bsicas este modelo consisten en relacionar la variable predictora y la respuesta
mediante una lnea recta en todo el intervalo de aplicabilidad; la variable predictora est medida sin
error; los errores en las respuestas siguen distribuciones normales, son independientes e igualmente
distribuidos con media cero.
Estadsticamente es distinto calcular los coeficientes a partir de la ecuacin directa o inversa. En

calibracin univariante se prefiere la ecuacin directa porque se asume que la incertidumbre en las
absorbancias (r) es mayor que en la concentracin de los patrones. En calibracin multivariante se
prefiere el modelo inverso.
Del modelo univariante al multivariante

Las ecuaciones directa e inversa se pueden repetir para todas las longitudes de onda de un espectro
(r1, r2, rJ). La ecuacin directa da lugar al modelo multivariante directo, CLS. La ecuacin
inversa da lugar al modelo multivariante inverso
c = b0 + b1r1 + b2r2 + .+ bJrJ
Tanto el modelo directo como el inverso permiten predecir la concentracin de un analito a partir
del espectro de la muestra. La diferencia reside en la informacin necesaria para calcular el
modelo: para calcular un modelo CLS se debe conocer la concentracin de todos los componentes
que absorben en las muestras de calibracin mientras que para el modelo inverso slo es necesario
conocer la concentracin del analito de inters en dichas muestras.
3.4.2. INTRODUCCIN A LA CALIBRACIN MULTIVARIANTE

En esta seccin se va a dar una breve visin general de dicho conjunto de tcnicas exponiendo,
brevemente, cul es su finalidad, ilustrada con ejemplos.
Tres son los objetivos de la seccin:
Definir qu es el Anlisis Multivariante y cules son sus objetivos

Clasificar las distintas tcnicas multivariantes, distinguiendo entre mtodos de dependencia,
interdependencia y estructurales e indicando, de forma resumida, los objetivos de las
diversas tcnicas multivariantes presentadas en la seccin.
Indicar cules son las etapas a seguir en la resolucin de un problema de Anlisis
Multivariante
3.4.3. QU ES EL ANLISIS MULTIVARIANTE?

Es el conjunto de mtodos estadsticos cuya finalidad es analizar simultneamente conjuntos de
datos multivariantes en el sentido de que hay varias variables medidas para cada individuo objeto
estudiado. Su razn de ser radica en un mejor entendimiento del fenmeno objeto de estudio
obteniendo informacin que los mtodos estadsticos univariantes y bivariantes son incapaces de
conseguir.
Objetivos del Anlisis Multivariante
Pueden sintetizarse en dos:

1) Proporcionar mtodos cuya finalidad es el estudio conjunto de datos multivariantes que el
anlisis estadstico uni y bidimensional es incapaz de conseguir
2) Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en el que se

encuentre teniendo en cuenta la informacin disponible por el conjunto de datos analizado.
3.4.4. TIPOS DE TECNICAS MULTIVARIANTES

Se pueden clasificar en tres grandes grupos:
Mtodos de dependencia
Suponen que las variables analizadas estn divididas en dos grupos: las variables dependientes y las
variables independientes. El objetivo de los mtodos de dependencia consiste en determinar si el
conjunto de variables independientes afecta al conjunto de variables dependientes y de qu forma.
Mtodos de interdependencia

Estos mtodos no distinguen entre variables dependientes e independientes y su objetivo consiste en

identificar qu variables estn relacionadas, cmo lo estn y por qu.
Mtodos estructurales
Suponen que las variables estn divididas en dos grupos: el de las variables dependientes y el de las
independientes. El objetivo de estos mtodos es analizar, no slo como las variables independientes
afectan a las variables dependientes, sino tambin cmo estn relacionadas las variables de los dos
grupos entre s.
3.4.4.1. METODOS DE DEPENDENCIA

Se pueden clasificar en dos grandes subgrupos segn que la variable (s) dependiente (s) sea (n)
cuantitativas o cualitativas. Si la variable dependiente es cuantitativa algunas de las tcnicas que se
pueden aplicar son las siguientes:
Anlisis de Regresin
Es la tcnica adecuada si en el anlisis hay una o varias variables dependientes mtricas cuyo valor
depende de una o varias variables independientes mtricas. Por ejemplo, intentar predecir el gasto
anual en cine de una persona a partir de su nivel de ingresos, nivel educativo, sexo y edad.
Anlisis de Supervivencia
Es similar al anlisis de regresin pero con la diferencia de que la variable independiente es el
tiempo de supervivencia de un individuo objeto. Por ejemplo, intentar predecir el tiempo de
permanencia en el desempleo de un individuo a partir de su nivel de estudios y de su edad.
Anlisis de la varianza
Se utilizan en situaciones en las que la muestra total est dividida en varios grupos basados en una o
varias variables independientes no mtricas y las variables dependientes analizadas son mtricas. Su
objetivo es averiguar si hay diferencias significativas entre dichos grupos en cuanto a las variables
dependientes se refiere.
Por ejemplo, hay diferencias en el nivel de colesterol por sexos? afecta, tambin, el tipo de
ocupacin?.
Correlacin Cannica
Su objetivo es relacionar simultneamente varias variables mtricas dependientes e independientes
calculando combinaciones lineales de cada conjunto de variables que maximicen la correlacin
existente entre los dos conjuntos de variables. Por ejemplo, analizar cmo estn relacionadas el
tiempo dedicado al trabajo y al ocio de una persona con su nivel de ingresos, su edad y su nivel de

educacin. Si la variable dependiente es cualitativa algunas de las tcnicas que se pueden aplicar
son las siguientes:
Anlisis Discriminante
Esta tcnica proporciona reglas de clasificacin ptimas de nuevas observaciones de las que se
desconoce su grupo de procedencia basndose en la informacin proporcionada los valores que en
ella toman las variables independientes. Por ejemplo, determinar los ratios financieros que mejor
permiten discriminar entre empresas rentables y poco rentables.
Modelos de regresin logstica

Son modelos de regresin en los que la variable dependiente es no mtrica. Se utilizan como una
alternativa al anlisis discriminante cuando no hay normalidad
Anlisis Conjoint
Es una tcnica que analiza el efecto de variables independientes no mtricas sobre variables
mtricas o no mtricas. La diferencia con el Anlisis de la Varianza radica en dos hechos: las
variables dependientes pueden ser no mtricas y los valores de las variables independientes no
mtricas son fijadas por el analista. En otras disciplinas se conoce con el nombre de Diseo de
Experimentos. Por ejemplo, una empresa quiere disear un nuevo producto y para ello necesita
especificar la forma del envase, su precio , el contenido por envase y su composicin qumica.
Presenta diversas composiciones de estos cuatro factores. 100 clientes proporcionan un ranking de
las combinaciones que se le presentan. Se quiere determinar los valores ptimos de estos 4 factores.
3.4.4.2. METODOS DE INTERDEPENDENCIA

Se pueden clasificar en dos grandes grupos segn que el tipo de datos que analicen sean mtricos o
no mtricos. Si los datos son mtricos se pueden utilizar, entre otras, las siguientes tcnicas:
Anlisis Factorial y Anlisis de Componentes Principales

Se utiliza para analizar interrelaciones entre un nmero elevado de variables mtricas explicando
dichas interrelaciones en trminos de un nmero menor de variables denominadas factores (si son
inobservables) o componentes principales (si son observables). As, por ejemplo, si un analista
financiero quiere determinar la cual es el estado de salud financiero de una empresa a partir del
conocimiento de un nmero de ratios financieros, construyendo varios ndices numricos que
definan su situacin, el problema se resolvera mediante un Anlisis de Componentes Principales.

Si un psiclogo quiere determinar los factores que caracterizan la inteligencia de un individuo a

partir de sus respuestas a un test de inteligencia, utilizara para resolver este problema un Anlisis
Factorial.
Escalas Multidimensionales
Su objetivo es transformar juicios de semejanza o preferencia en distancias representadas en un
espacio multidimensional. Como consecuencia se construye un mapa en el que se dibujan las
posiciones de los objetos comparados de forma que aqullos percibidos como similares estn
cercanos unos de otros y alejados de objetos percibidos como distintos. Por ejemplo, analizar, en el
mercado de refrescos, las percepciones que un grupo de consumidores tiene acerca de una lista de
refrescos y marcas con el fin de estudiar qu factores subjetivos utiliza un consumidor a la hora de
clasificar dichos productos.
Anlisis Cluster
Su objetivo es clasificar una muestra de entidades (individuos o variables) en un nmero pequeo
de grupos de forma que las observaciones pertenecientes a un grupo sean muy similares entre s y
muy disimilares del resto. A diferencia del Anlisis Discriminante se desconoce el nmero y la
composicin de dichos grupos. Por ejemplo, clasificar grupos de alimentos (pescados, carnes,
vegetales y leche) en funcin de sus valores nutritivos.
Si los datos son no mtricos se pueden utilizar, adems de las Escalas Multidimensionales y el
Anlisis Cluster, las siguientes tcnicas:
Anlisis de Correspondencias
Se aplica a tablas de contingencia multidimensionales y persigue un objetivo similar al de las
escalas multidimensionales pero representando simultneamente las filas y columnas de las tablas
de contingencia. Por ejemplo, analizar el paro en Aragn teniendo en cuenta la provincia, sexo,
edad y nivel de estudios del parado
Modelos log-lineales
Se aplican a tablas de contingencia multidimensionales y modelizan relaciones de dependencia
multidimensional de las variables observadas que buscan explicar las frecuencias observadas.

3.4.4.3. METODOS ESTRUCTURALES

Analizan las relaciones existentes entre un grupo de variables representadas por sistemas de
ecuaciones simultneas en las que se suponen que algunas de ellas (denominadas constructos) se
miden con error a partir de otras variables observables denominadas indicadores.Los modelos
utilizados constan, por lo tanto, de dos partes: un modelo estructural que especifica las relaciones
de dependencia existente entre las constructos latentes y un modelo de medida que especifica como
los indicadores se relacionan con sus correspondientes constructos. Por ejemplo, analizar cmo se
relacionan los niveles de utilizacin de los servicios de una empresa con las percepciones que sus
clientes tienen de ella.
3.4.5. ETAPAS DE UN ANALISIS MULTIVARIANTE

Pueden sintetizarse en 6:
Objetivos del anlisis

Se define el problema especificando los objetivos y las tcnicas multivariantes que se van a utilizar
El investigador debe establecer el problema en trminos conceptuales definiendo los conceptos y las
relaciones fundamentales que se van a investigar. Se deben establecer si dichas relaciones van a ser
relaciones de dependencia o de interdependencia. Con todo esto se determinan las variables a
observar.
Diseo del anlisis.

Se determina el tamao muestral, las ecuaciones a estimar (si procede), las distancias a calcular (si
procede) y las tcnicas de estimacin a emplear. Una vez determinado todo esto se proceden a
observar los datos
Hiptesis del anlisis

Se evaluan las hiptesis subyacentes a la tcnica multivariante. Dichas hiptesis pueden ser de
normalidad, linealidad, independencia, homocedasticidad, etc. Tambin se debe decidir qu hacer con los
datos missing
Realizacin del anlisis
Se estima el modelo y se evala el ajuste a los datos. En este paso pueden aparecer observaciones
atpicas (outliers) o influyentes cuya influencia sobre las estimaciones y la bondad de ajuste se debe
analizar.

Interpretacin de los resultados

Dichas interpretaciones pueden llevar a reespecificaciones adicionales de las variables o del modelo
con lo cual se puede volver de nuevo a los pasos de hiptesis y realizacin del anlisis.
Validacin del anlisis

Consiste en establecer la validez de los resultados obtenidos analizando s los resultados obtenidos
con la muestra se generalizar a la poblacin de la que procede. Para ello se puede dividir la muestra
en varias partes en las que el model se vuelve a estimar y se compararn los resultados. Otras
tcnicas que se pueden utilizar aqu son las tcnicas de remuestreo (jacknife y bootstrap)
En el ejemplo siguiente concretamos en qu consistiran dichas etapas para un Anlisis de
Regresin Mltiple:
Ejemplo: Anlisis de Regresin Mltiple

Objetivos del anlisis
Predecir el gasto en cine de una persona a partir de su nivel de ingresos, nivel educativo, sexo y
edad lo cual nos permitira entender mejor cules son las pautas de comportamiento de la poblacin.
Para ello se propone un anlisis de regresin mltiple en el que la variable dependiente sera el
gasto en cine y como variables independientes el resto.
Diseo del anlisis
Se decidira cmo elegir la muestra, el tamao de la misma y cmo medir las variables implicadas
en el anlisis. El gasto en cine podra medirse como el gasto anual en cine medido en pesos. El nivel
de ingresos podra medirse con una variable ordinal, dadas las reticencias a dar informacin precisa
sobre este tipo de variables; el nivel educativo sera una variable ordinal; el sexo una variable
binaria y la edad una variable cuantitativa medida en aos.
El tamao de la muestra se eligira en funcin de la potencia que se quiera dar a la regresin
mltiple. As, por ejemplo, con un tamao muestral de 100 observaciones se podra detectar, en una
regresin mltiple lineal, las relaciones con un coeficiente de correlacin mltiple (R2) de
aproximadamente igual a 0.3 con una potencia de 0.8% utilizando un nivel de significacin igual a
0.01. Conviene, adems, que la relacin del nmero de observaciones al nmero de parmetros a
estimar sea lo suficientemente amplio para estimar los parmetros del modelo con el menor error
posible
Hiptesis del anlisis
Hay que comprobar la linealidad de la relacin, la normalidad y la homocedasticidad. No hay datos
missing y se deben estudiar la posible existencia de ouliers en cada una de las variables.

Realizacin del anlisis

Se puede utilizar el estimador de mnimos cuadrados del que se conoce su distribucin muestral
bajo hiptesis de normalidad. Dicho estimador coincide con el mximo verosimil y es eficiente. Se
puede tambin utilizar el mtodo de regresin paso a paso para determinar las variables
independientes a incluir en la regresin. Una vez estimada la ecuacin de regresin se estudia la
bondad de ajuste mediante el clculo de R2 y el anlisis de los resduos. Se estudiara la
homocedasticidad, independencia, posible omisin de variables, existencia de outliers e influencia
de observaciones individuales
Interpretacin de los resultados
Se interpretara el valor de los coeficientes obtenidos as como su signo teniendo cuidado con la
posible existencia de multicolinealidad
Validacin del anlisis
Se divide la muestra en dos submuestras de tamao 50 y se vuelve a estimar la ecuacin de
regresin en cada submuestra comparando los resultados.
Resumen
El Anlisis Multivariante es el conjunto de mtodos estadsticos cuya finalidad es analizar
simultneamente conjuntos de datos multivariantes en el sentido de que hay varias variables
medidas para cada individuo objeto estudiado. Su razn de ser radica en un mejor entendimiento
del fenmeno objeto de estudio obteniendo informacin que los mtodos estadsticos univariantes y
bivariantes son incapaces de conseguir.
Dicho conjunto de mtodos puede dividirse en tres grandes grupos segn el papel que juegen en el
anlisis las variables consideradas:
1) Mtodos de dependencia
2) Mtodos de interdependencia
3) Mtodos estructurales
Para llevar a cabo un anlisis de este tipo se deben los siguientes pasos:
1) Establecer los objetivos del anlisis
2) Disear el anlisis
3) Evaluar las hiptesis subyacentes a la tcnica a utilizar
4) Realizar el anlisis
5) Interpretar los resultados obtenidos
6) Validar dichos resultados

3.4.6. ASPECTOS TERICOS DE LA CALIBRACIN MULTIVARIANTE (aplicacin en

procesos qumicos)
El uso de la calibracin multivariante es relacionar dos tipos de medidas sobre una muestra: una
fcil, rpida y/o econmica de obtener y otra complicada de obtener, cara o que requiere excesivo
tiempo. El objetivo es predecir la propiedad difcil a partir de la medida fcil. La principal ventaja
de la calibracin multivariante frente a la univariante es que no requiere medidas instrumentales
selectivas. La muestra puede contener, junto con el analito, otros componentes que contribuyen a la
seal de forma no constante, por ejemplo un cromatograma. Otra ventaja es que la seal
multivariante permite detectar muestras discrepantes en prediccin (outliers). Esto no es posible en
calibracin univariante.
3.4.6.1. Etapa de calibracin en modelos multivariantes inversos: Existen diferentes mtodos

para calcular los coeficientes de la ecuacin del modelo multivariante. Los ms utilizados son la
regresin lineal mltiple (multiple linear regression, MLR), la regresin sobre componentes
principales (principal component regression, PCR) y la regresin por mnimos cuadrados parciales
(partial least squares regression, PLSR).
3.4.6.1.1. Regresin lineal mltiple MLR

Se basa en sustituir, en la ecuacin, el espectro [r1, r2, rJ] y la concentracin c de una muestra de
calibracin. De este modo se obtiene una ecuacin con J+1 incgnitas [b0, b1, bJ]. Si lo
repetimos para I muestras de calibracin, tendremos un sistema de I ecuaciones y J+1 incgnitas. Si
tenemos suficientes muestras de calibracin (al menos J+1), podemos resolver el sistema por el
mtodo de mnimos cuadrados y obtener los coeficientes.
Aunque la MLR es muy reconocida desde el punto de vista estadstico, su uso es restringido porque
requiere una seleccin previa de longitudes de onda para lo que se requieren soportes tericos o
estudios previos lo cual dificulta el trabajo con muestras nuevas puesto que si se utiliza espectros
de 500 longitudes de onda, la ecuacin tiene 501 coeficientes incgnita. Por tanto, se requiere ms
de 500 muestras de calibracin para generar las ecuaciones necesarias, lo cual es prohibitivo. Otro
inconveniente es que si las variables r estn muy correlacionadas entre s (como sucede con los
datos espectroscpicos), los coeficientes tienen una incertidumbre elevada. Esto imposibilita la
interpretacin de los coeficientes e incrementa la incertidumbre en las predicciones, sobre todo en
los extremos del dominio experimental (a pesar de que el ajuste del modelo puede ser bueno). La
solucin a estos problemas pasa por seleccionar unas pocas longitudes de onda que estn poco

correlacionadas entre s y que sean lo ms selectivas posible. La seleccin se suele basar en el

conocimiento qumico o en algoritmos de optimizacin, pero no es fcil, y se corre el riesgo de
descartar alguna parte interesante o incluir alguna que no lo es.
3.4.6.1.2. Regresin sobre componentes principales (PCR) y regresin por mnimos

cuadrados parciales (PLSR)
Estos mtodos superan las limitaciones de MLR y permiten utilizar una regin amplia del espectro
sin preocuparse excesivamente por acotarla. Estos mtodos aprovechan que la correlacin entre
variables espectrales es elevada para reemplazarlas por unas pocas variables que no estn
correlacionadas entre s. Estas nuevas variables se denominan variables latentes o factores, y se
calculan combinando linealmente todas las variables originales:
t w1r1 w2r2 ... wj rj

donde [w1, w2, wJ] son pesos. El valor que una muestra tiene de esta nueva variable se denomina
puntuacin (score) y se obtiene introduciendo el espectro [r1, r2, rJ] en la ecuacin anterior. Esta
operacin se realiza para todos los espectros. Cuanto ms parecidos sean dos espectros (cuanto ms
similares sean sus [r1, r2, rJ]) ms parecidos sern sus scores (t). Por tanto, es posible reemplazar
las 271 variables de los espectros de la Figura 1 por un score y con l se puede ver qu espectros se
parecen casi con la misma precisin que si se observan los espectros por separado. Ahora bien, un
slo score no suele ser suficiente para describir la pequeas diferencias entre espectros (que pueden
estar relacionadas con la concentracin) y suelen ser necesarios de 2 a 10 scores. La Figura 2
muestra los espectros de la Figura 1 representados por sus scores en dos factores para un modelo
PLSR.

Figura 1: Espectros de infrarrojo cercano de gasolinas Figura 2: Scores de los espectros de la figura 1. Cada punto
medidos a 271 longitudes de onda. Se observa que la representa un espectro. Se puede observar coincidencias entre
respuesta instrumental no es selectiva. ellos lo que no era posible con las variables originales
Puesto que los scores se corresponden con los espectros originales, podemos calcular un modelo
como el de la ecuacin del modelo inverso, pero con scores en lugar de espectros:
c q0 q1t1 q2t2 ... q At A
Como utilizamos pocos scores se calculan menos coeficientes y, por tanto, necesitamos menos
muestras de calibracin. Adems, no tenemos los problemas asociados con la correlacin de las
variables porque los factores no estn correlacionados.
PCR y PLSR se diferencian en cmo calculan los pesos [w1, w2, wJ] para combinar las variables
originales. En PCR se obtienen del Anlisis de Componentes Principales (PCA) de los espectros de
calibracin. Esto asegura que los scores representen las semejanzas y diferencias de los espectros
lo mejor posible. Pero algn factor suele describir una diferencia espectral que no est relacionada
con la concentracin a predecir. Al incluir los scores de ese factor en el modelo, la prediccin no
mejora. Los pesos que se calculan usando PLSR, proporcionan scores que estn lo ms
correlacionados posible con las concentraciones. Por esto, PLSR necesita menos factores que un
modelo PCR para tener una habilidad de prediccin similar. Por todo esto, PLSR es el mtodo
preferido por defecto en calibracin multivariante. Comparados con MLR construido con variables
poco colineares, PCR y PLSR pueden ajustar ligeramente peor y pueden predecir igual o
ligeramente peor dentro del dominio de calibracin, pero predicen mejor si es necesario extrapolar
o si existen pequeas desviaciones del comportamiento ideal.

3.4.6.1.3. El mtodo de mnimos cuadrados CLS

Considera la seal analtica como una funcin de la concentracin del analito, es decir, se asume
que el espectro de una muestra, est modelado como una combinacin lineal del espectro de cada
uno de los componentes que forman parte del mismo. En este sentido, este mtodo precisa de la
inclusin explcita de todos las causas de variacin del espectro, tanto de las concentraciones de los
analitos de inters como de los posibles interferentes y otras causas de la variacin de la respuesta
instrumental.
Para la aplicacin de este mtodo, se parte de dos conjuntos de datos bien definidos representados
por las matrices A y C. El primero de ellos (A) est formado por las respuestas instrumentales
correspondientes a l diferentes longitudes de onda sobre las m mezclas patrn. Por lo tanto, la
matriz A tiene dimensiones de mxl, en donde cada fila corresponde al espectro de absorcin de
cada una de las mezclas patrn. El segundo conjunto de datos (C), lo constituyen el conjunto de
concentraciones conocidas de los n analitos sobre las ni mezclas patrn formando una matriz de
dimensiones mxn en donde las filas son las concentraciones de las soluciones patrn utilizadas
durante el proceso de calibracin. La relacin que establece el mtodo entre estas dos matrices
viene dado por el sistema de ecuaciones:
a11 a1l c11 c1n k11 k1l e11 e1l

a aml cm1 cmn km1 kml em1 eml
m1
O alternativamente:
A = CK+E
donde K (md) es la matriz de coeficientes de regresin en el modelo lineal y que en el caso
espectroscpico corresponde a los espectros de los componentes de las mezclas patrn referidos a
la unidad de concentracin y E representa los errores o residuales del modelo que se asume que
estn distribuidos normalmente con un valor esperado igual a cero, no correlacionados entre si y su
varianza es nica (homocedasticidad).
Cuando este mtodo se aplica a sistemas con un comportamiento ideal (lineal, sin interferencias,
bajo clculo,, etc.) suele dar los mejores resultados debido a una correlacin perfecta entre las
matrices A y C. No obstante, la utilizacin de este mtodo implica el uso de toda la informacin de
la matriz A, incluido cualquier tipo de informacin irrelevante o poco til. Esto hace que al aplicar
el mtodo a una muestra desconocida, esta informacin irrelevante puede hacer que la suposicin
de correlacin perfecta entre A y C no sea cierta.
A diferencia de otros mtodos de calibracin multivariante el CLS proporciona una mayor

informacin qumica al ser la matriz K los espectros de los analitos y por lo tanto ser el mejor
mtodo a elegir en el caso de que se trate de realizar la identificacin o anlisis estructural de los
analitos a partir de sus espectros.
Durante el proceso de calibracin se lleva a cabo el clculo de la matriz K. Existen, en principio,

tres mtodos de obtener dicha matriz:
1.- Puesto que las columnas de la matriz K representan espectros de los analitos, estos se pueden
obtener individualmente a partir de los analitos puros que forman el sistema. Es un mtodo rpido
y poco laborioso se conoce como anlisis multicomponente directo.
2.- El segundo mtodo es ms general en el sentido de que es la base de la aplicacin de todos los
mtodos de calibracin multivariante y se suele denominar como calibracin indirecta. En este caso
se lleva a cabo la resolucin del sistema de ecuaciones a partir de las matrices A y C las cuales
deben ser representativas del conjunto de la poblacin. La estimacin de la matriz K que minimiza
la suma de los cuadrados de los errores de la seal analtica viene dada por la siguiente frmula:
K=(CTCY CTA)
Aunque la aplicacin de este mtodo para la obtencin de la matriz K es el ms extendido pues
tiene en cuenta posibles interacciones entre los analitos, as como no linealidades instrumentales
que pueden hacer cambiar las caractersticas de las mezclas, su utilizacin en ciertos sistemas
puede dar en ocasiones peores resultados con respecto al primer mtodo puesto que en su obtencin
el mtodo incluye errores tanto instrumentales como de concentracin as como un posible
incremento de los errores durante el proceso de la inversin de la matriz, mientras que en el primer
mtodo solo intervienen errores de tipo espectral.
3.- En el caso de que la mezcla desconocida contenga una interferencia o efecto matriz no
identificable es posible obtener la matriz K mediante el mtodo de adicin estndar generalizado
(GSA.M). El sistema a resolver sera el mismo que en el caso anterior con la nica diferencia de

que en este caso la matriz C representara cantidades adicionadas a la mezcla, mientras que la
matriz A representara incrementos de seal debido a las adiciones.
Una vez calculada la matriz I~I tiene lugar la etapa de prediccin que viene dada por las siguientes
ecuaciones:
ad cd K
cd ad K T ( KK T )1
Donde ad es el espectro de la mezcla desconocida y Cd es la estimacin de la concentracin de los n
analitos de dicha mezcla. En este caso, los valores de Cd son estimadores integrados y de mnima
varianza de los valores reales, es decir, es el mejor estimador lineal no afectado de errores
sistemticos.
Como se ha comentado, una de las ventajas de la calibracin multivariante es la posibilidad de

identificar aquellas mezclas de calibracin o prediccin que no pertenecen al conjunto de
calibracin. En este sentido, se han desarrollado diferentes tests para identificar dichas mezclas
cuando se utiliza este mtodo. Entre estos tests cabe destacar el efecto leverage (o palanca que
mide si el resultado de incluir una tercera variable es satisfactorio o no), la distancia de Cook (est
basado en el anlisis de regresin considerando inicialmente cada dato en el modelo y el posterior
retiro de cada elemento de la muestra, y su influencia en los resultados), as como una serie de
parmetros estadsticos relacionados con los residuales del modelo de calibracin. Normalmente,
mediante el examen de los residuales espectrales se pueden identificar una gran variedad de
problemas potenciales, como desviaciones de la ley de Lambert-Beer o la presencia de analitos
inesperados o interferencias. La aplicacin de estimadores robustos para este mtodo ha permitido
resolver parte de este problema, puesto que, en vez de identificar aquellas mezclas que no
pertenecen al conjunto para posteriormente eliminaras, se aplica un estimador que permite que la
regresin no se vea afectada por dichas mezclas o tambin frente al hecho de que el mido no se
distribuya normalmente. En cuanto al nmero mximo de mezclas y longitudes de onda necesarias
para el clculo de la matriz K y de la concentracin (cd) respectivamente, este viene dado por el
nmero de grados de libertad. En el caso de la regresin lineal estos grados de libertad estn
determinados por la diferencia entre el nmero de observaciones (mezclas o longitudes de onda) y
la dimensin del modelo (analitos y trmino independiente). Puesto que el nmero mnimo de
grados de libertad es uno, se necesitan al menos dos mezclas ms que el nmero de analitos para
calcular la matriz K, mientras que, para calcular Cd~ el nmero mnimo de longitudes de onda debe
ser dos o ms que el nmero de analitos. En el caso de no considerar el trmino independiente
entonces el nmero de mezclas y longitudes de onda mnimos seria uno menos con respecto al caso
anterior. Puesto que el nmero mximo de longitudes de onda para calcular Cd no est limitado,
este mtodo presenta la ventaja de poder promediar la seal analtica a lo largo de las longitudes
de onda utilizadas. En este sentido este mtodo se denomina tambin de espectro completo (full-
spectrum).
Por otra parte, aunque la utilizacin del mtodo segundo para el clculo de la matriz K es til para
aproximar ciertas desviaciones o no linealidades y puesto que dichas desviaciones son aproximadas
mediante una regresin lineal, la exactitud de los resultados finales depender de la magnitud de
dicha desviacin. En el caso de sistemas que presentan grandes desviaciones, es conveniente la
utilizacin de modelos no lineales. As, la inclusin de trminos cruzados y exponenciales en la
matriz K para el clculo de c<~ puede mejorar los resultados, reduciendo la magnitud de los errores
al modelar las posibles desviaciones debido a interacciones.
Una de las dificultades que pueden aparecer en este mtodo es la presencia de un alto grado de
colinearidad lo que hace que los resultados estimados sean inestables. La colinearidad viene dada
cuando una o ms filas o columnas de una matriz son combinacin lineal de otras, y afecta
principalmente al clculo de la matriz inversa haciendo que la varianza de los coeficientes de
regresin sea muy grande. No obstante, se han propuesto diferentes mtodos de ortogonalizacin
matricial para evitar este problema.
3.4.6.1.4. Regresin inversa de minimos cuadrados (ILS)

La regresin de mnimos cuadrados inversa (ILS), tambin conocida como mtodo de la matriz P y
regresin lineal mltiple (MLR), considera, al contrario que el CLS, la concentracin del analito
como una funcin o combinacin lineal de la seal analtica. En este sentido, el mtodo ILS tiene
en cuenta los posibles errores en la medida de las concentraciones de referencia durante la etapa de
calibracin.
El hecho de que tanto el CLS como el LS se denominen indistintamente como MLR se debe a que
el desarrollo matemtico para resolver dichos mtodos sea el mismo. Pero el hecho de poner la
seal analtica en funcin de la concentracin o viceversa conleva asumir una serie de diferencias
tales como distribuciones estadsticas o algunos tipos de errores. En este sentido, el ILS presenta la
ventaja de que los anlisis basados en este modelo no varan con respecto al nmero de analitos
incluidos en el modelo.

Por otra parte, este mtodo precisa de una seleccin ptima de las seales analticas a utilizar o de
un nmero grande de mezclas patrn puesto que durante la etapa de calibracin el nmero de
dichas seales analticas no puede ser nunca superior al nmero de mezclas patrn, por lo que
presenta la desventaja de no poder promediar la seal analtica a lo largo de todo el rango
disponible al considerar nicamente un nmero determinado de las mismas.
Partiendo de las matrices A y C definidas en el apartado anterior, la relacin que establece este
mtodo viene dada por:
C AP E
donde P (lxn) es la matriz de los coeficientes de regresin del modelo y E, representa los errores
del modelo o residuales.
Mientras que en el CLS la matriz K representaba los espectros unitarios de los analitos en este caso
la matriz P no tiene ningn significado desde el punto espectral de los analitos. No obstante, dichas
matrices estn interrelacionadas puesto que la matriz P es la pseudoinversa de la matriz K y
viceversa.
Por lo tanto, a partir de los valores de la matriz P se puede deducir que cuanto mayor es el valor
correspondiente a una determinada longitud de onda, menor es la sensibilidad a dicha longitud de
onda para un determinado analito.
Puesto que la matriz P no representa los espectros unitarios de los analitos, la nica forma de
obtener dicha matriz durante la etapa de calibracin es a travs de una serie de mezclas patrn, es
decir, mediante el mtodo indirecto.
La estimacin de P que maximiza la suma de los cuadrados de los errores en la concentracin viene
dada por:
P ( AT A) 1 AT C
Mediante esta ecuacin este mtodo puede modelar relaciones no lineales entre la concentracin y
las seales analticas siempre y cuando estas no sean muy predominantes en el sistema. En caso
contrario, es posible incluir trminos exponenciales o cruzados teniendo en cuenta que el nmero
de mezclas patrn debe ser siempre igual o superior al nmero de trminos incluidos en el
modelo. A pesar de que no se introducen errores sistemticos, la utilizacin de un nmero
determinado de seales analticas hace que la estimacin de P venga dada por una gran varianza.

Durante la etapa de prediccin la concentracin de cada analito en las mezclas desconocidas

vendra dada por:
Cd ad P
Donde ad y Cd seran el espectro y la concentracin estimada de los analitos en la mezcla
desconocida respectivamente.
Al igual que el CLS y desde el punto de vista matemtico, el ILS est sometido a los mismos
problemas derivados de la inversin de matrices. No obstante, es posible utilizar mtodos de
ortogonalizacin para evitar dicho problema. Como el CLS, el ILS utiliza toda la informacin
contenida en la matriz A incluida aquella que es poco relevante o intil. En este sentido, puesto que
el nmero de seales analticas viene limitado por el nmero de mezclas patrn utilizadas en la
calibracin, es necesario, como se ha comentado anteriormente, seleccionar aquellas seales que
presenten una mayor informacin del sistema. El hecho que las seales seleccionadas no sean las
ptimas o el nmero de las mismas no sea el apropiado, hace que la incidencia de los errores de
prediccin pueden incrementarse debido a factores tales como colinearidad, sobreajuste o
modelado inadecuado de las interferencias o de la lnea base presente en las mezclas.
3.4.6.1.5. Mtodo de estimacin lineal (BLP)

Est basado en minimizar el cuadrado de los residuales de la concentracin pero manteniendo la
precisin media lo mejor posible para la concentracin estimada. En este sentido, es fcil demostrar
que el BLP da resultados iguales al ILS en determinadas circunstancias. Lo importante es que este
mtodo BLP representa un punto de unin entre la calibracin inversa y la clsica, concretamente a
travs del mtodo GLS. Puesto que la concentracin estimada en la etapa de prediccin vendra
dada por:
Cd c (ad cK )( K T DK S )1 K T D
donde t es la concentracin inedia de cada analito en las mezclas de calibracin, D (nxn) es la

matriz de covarianza de la matriz C de calibracin y Kl y E tienen el mismo significado que en el
CLS y GLS. La inclusin de K y E en este caso hace que exista una relacin directa entre la
concentracin estimada a travs del GLS y la estimada a travs del BLP. Dicha relacin vendra
dada por:
CBLP c (cGLS c)( D1 1 K T )1 K 1K T

Donde 1 es la matriz identidad. En el caso particular de que las varianzas (diagonal principal) de la
matriz E sean pequeas ambos estimadores son indistinguibles, en otras palabras, cuando la
calibracin es buena (representativa de la poblacin), la diferencia entre ambos estimadores es muy
pequea.
Desde el punto de vista estadstico y teniendo en cuenta el error cuadrtico medio, se demuestra
que el mtodo BLP es superior que el GLS dentro de una regin elipsoidal centrada en la media de
la concentracin (~) mientras que fuera de dicha regin ocurre lo contrario. En consecuencia el
mtodo BLP, y por lo tanto la regresin inversa, dar los mejores resultados para mezclas cercanas
al centro de la poblacin, mientras que el GLS o la regresin clsica dar los mejores resultados
para mezclas alejadas de dicho centro.
3.4.6.1.5.1. Cul es el nmero ptimo de factores

El uso de factores en PCR y PLSR tiene otra ventaja adems de reducir el nmero de variables:
reduce el ruido de los datos. Los factores estn jerarquizados: cada nuevo factor que se aade al
modelo describe menos variacin sistemtica en los espectros y ms variacin aleatoria. Por tanto,
se debe incluir suficientes factores para modelar la variacin sistemtica importante pero no
excederse para evitar incluir demasiado ruido. El nmero ptimo de factores es particular para cada
problema de calibracin y depende del tipo de espectro y de la propiedad a predecir. El nmero
ptimo se determina calculando modelos con distinto nmero de factores y validando cada modelo
Los modelos con uno o dos factores estn subajustados: predicen mal porque estos pocos factores
no son suficientes para modelar todas las variaciones relevantes de los espectros y no afinan la
prediccin. Los modelos con ms de tres factores estn sobreajustados: predicen peor que el de tres
factores porque los factores del cuarto al sexto describen ms ruido que informacin relevante, y el
ruido en las muestras problema empeora la prediccin.
3.4.7. LIMITACIONES DE LA CALIBRACIN MULTIVARIANTE

Sin duda, la calibracin multivariante tiene una mayor complejidad conceptual, matemtica y
estadstica que la calibracin univariante. Aunque hay programas que facilitan el uso de este tipo de
calibracin, su aplicacin no es tan inmediata como la univariante. Adems, el clculo de la
incertidumbre de las predicciones no est completamente desarrollado. A menudo se utilizan
errores medios de prediccin como medida de la calidad de las predicciones aunque se sabe que la
prediccin tienen una calidad distinta segn en que punto del espacio de calibracin se encuentre.

A pesar de sus limitaciones, las ventajas de utilizar la calibracin multivariante superan a sus
inconvenientes en muchos campos y el nmero de aplicaciones crece constantemente.

Nh-Calibracion Multivariable Revisado NH

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Nh-Calibracion Multivariable Revisado NH

Uploaded by

Copyright:

Available Formats

MDULO 3: MTODOS DE CALIBRACIN

MONTAJE Y VALIDACIN DE MTODOS ANALTICOS

MDULO 3: MTODOS DE CALIBRACIN

Existen diferentes herramientas tiles en el desarrollo de un proceso de calibracin, tales como

En determinaciones de laboratorio, el concepto de calibracin tiene un doble significado, puede ser

Calidad de una Calibracin.

3.1 MODELOS DE CALIBRACIN.

3.2 CALIBRACION DE INSTRUMENTOS Y EQUIPOS

La forma en que se controla el funcionamiento de los instrumentos y equipos, y la frecuencia de las

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

3.3 REQUISITOS METROLOGICOS

Datos que deben registrarse en el cuaderno de mantenimiento del Instrumento.

- Denominacin del equipo

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

- Historial de los daos, problemas de funcionamiento, modificaciones o reparaciones de los

Procedimientos de calibracin de instrumentos y equipos.

En qumica analtica frecuentemente los procedimientos de calibracin de aparatos utilizados son

Aparatos de medicin del punto de fusin

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Espectrofotmetros de radiacin ultravioleta-visible

Parmetro a calibrar: Exactitud de la longitud de onda.

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

impurezas, humedad e hidrocarburos), el nivel de la seal de base y el ruido de fondo. Dependiendo

Parmetros a verificar: Sensibilidad del detector, seal de base y ruido de fondo.

Cromatgrafos lquidos de alto rendimiento

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Parmetro a calibrar: Repetibilidad del flujo y precisin volumtrica del inyector.

Parmetro a calibrar: Coeficiente seal del detector/ruido.

Parmetro a calibrar: Exactitud del detector de longitudes de onda (detectores de UV-visible y de

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Parmetros a calibrar: Regulacin de la fuente y calibracin de las masas.

Integradores cromatogrficos y sistemas de datos

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

3.4. MTODOS DE CALIBRACIN

3.4.1. CALIBRACIN UNIVARIADA

3.4.1.1. Modelo lineal directo

3.4.1.2. Modelo lineal inverso

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Relaciona la variable independiente o predictora (x) y la respuesta (y) mediante la siguiente

Estadsticamente es distinto calcular los coeficientes a partir de la ecuacin directa o inversa. En

Del modelo univariante al multivariante

3.4.2. INTRODUCCIN A LA CALIBRACIN MULTIVARIANTE

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Tres son los objetivos de la seccin:

Definir qu es el Anlisis Multivariante y cules son sus objetivos

3.4.3. QU ES EL ANLISIS MULTIVARIANTE?

Objetivos del Anlisis Multivariante

Pueden sintetizarse en dos:

2) Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en el que se

3.4.4. TIPOS DE TECNICAS MULTIVARIANTES

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Estos mtodos no distinguen entre variables dependientes e independientes y su objetivo consiste en

3.4.4.1. METODOS DE DEPENDENCIA

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Modelos de regresin logstica

3.4.4.2. METODOS DE INTERDEPENDENCIA

Anlisis Factorial y Anlisis de Componentes Principales

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

Si un psiclogo quiere determinar los factores que caracterizan la inteligencia de un individuo a

Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios

3.4.4.3. METODOS ESTRUCTURALES

3.4.5. ETAPAS DE UN ANALISIS MULTIVARIANTE