Professional Documents
Culture Documents
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.
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.
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.
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.
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).
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.
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.
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,
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.
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.
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.
- 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?
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.
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.
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.
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
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.
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.
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.
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.
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
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
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.
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:
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
Curso terico-prctico: Montaje y Validacin de Procesos Qumicos de Laboratorios
MDULO 3: MTODOS DE CALIBRACIN
el mtodo a una muestra desconocida, esta informacin irrelevante puede hacer que la suposicin
de correlacin perfecta entre A y C no sea cierta.
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.
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.
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.
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.
Cd c (ad cK )( K T DK S )1 K T D
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.
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.