Disponible en línea en www.sciencedirect.

com

Química de
Alimentos
Food Chemistry 108 (2008) 1106-1113

www.elsevier.com/locate/foodchem

Métodos analíticos

Estimación de la actividad de agua de pH y Los valores Brix de algunos

productos alimenticios

Alonzo A. Gabriel *

Departamento de Ciencia de los Alimentos y Nutrición de la Facultad de Economía Familiar, Universidad de las Filipinas, Diliman, Quezon City, Filipinas

Recibido el 8 de junio de 2007; recibida en forma 31 de de octubre de de 2007 revisado; aceptado 26 de de noviembre de de 2007

Abstracto

En este estudio, un modelo predictivo para la estimación de la actividad de agua ( un 25 C w) como una función del pH (1,00 a 8,00) y los valores Brix (0-82.00)
soluciones de alimentación de simulados (SFS) fue desarrollado, a través de la metodología de superficie de respuesta. Los análisis de respuesta fi t resultó en una altamente significantes (pH <0,0001) raíz
cuadrada modelo polinomial que puede predecir un 25 C
w de SFS en términos de pH y Los valores Brix dentro de la de fi nidas

rangos de variables. El lineal, cuadrática e interactivo influencias de pH y Brix en un 25 C w eran todos significantes (pH <0,0001). modelo Val-

idations en SFS y en un número de sistemas reales de alimentos mostró que el modelo tenía rendimiento predictivo aceptable, como se indica por los índices de precisión y sesgo
calculados.
2007 Elsevier Ltd. Todos los derechos reservados.

palabras clave: Brix; pH; El modelo predictivo; metodología de superficie de respuesta (RSM); Los sólidos solubles; La actividad de agua

1. Introducción reducir el un w a un nivel donde el crecimiento microbiano y las velocidades de

La actividad de agua ( un w) es una medida de la cantidad de agua disponible para
las reacciones químicas, así como el crecimiento microbiano en los alimentos ( BELITZ
y Grosch, 1999; Jay, 2000; Rockland y Beuchat, 1987; Troller & Christian, 1978 ).
Además, el modo y la gravedad de la elaboración de alimentos para varios productos
básicos pueden depender de la altamente un w del producto ( Zapsalis, 1985 ). Por lo
tanto, la medición de un w es esencial para la industria alimentaria, ya que juega un
papel vital en el tratamiento de las necesidades de la estabilidad del producto,
mantenimiento de la calidad y el mantenimiento de la seguridad de los alimentos a lo
largo de su vida útil. La sacarosa es un ingrediente común de muchos productos
alimenticios y se utiliza como edulcorante o un humectante ( Triebold y Aurand, 1963;
Troller & Christian, 1978 ). estabilidad en almacenamiento de confituras, mermeladas,
frutas en jarabes y otros productos alimenticios endulzados se basan en la capacidad
de sacarosa a
reacción química no deseados se ralentizan.
Un factor importante que influye un w es la concentración y el tipo de soluto
presentes en el sistema de alimentos ( Fennema, 1996; Nielsen, 1994 ).
Generalmente, simplemente siguiendo la ley de Raoult de fracción molar, aumento
en la cantidad de soluto en un sistema deberá idealmente resultar en una
disminución predecible en
un w ( Fennema, 1996; Holtzclaw y Robinson, 1988; Troller & Christian, 1978 ). Jay
(2000) Sin embargo, citaron que muchos solutos, incluyendo el disacárido
sacarosa, no siguen la ley de Raoult. Las interacciones de varias propiedades
de los alimentos posiblemente podrían explicar este fenómeno. Por ejemplo, la
adición de ácidos en un sistema que contiene sacarosa provoca la inversión del
azúcar ( Andrews, Godshall, y Moore 2002; Bennion, 1985; McWilliams, 1993 ).
sacarosa invertida se ha informado que tienen un mayor un W- bajar e ff ect en
los alimentos que la sacarosa sola ( Fennema, 1996 ).

A pesar de ser uno de los parámetros de los alimentos más importantes que un ff
ect calidad y seguridad alimentaria, micro procesadores de alimentos a mediana
*
Dirección actual: Laboratorio de Microbiología e Higiene Alimentaria, Facultad de Ciencias de la
escala no son capaces de un ord ff un w
Biosfera, Universidad de Hiroshima, 1-4-4 Kagamiyama, Higashi-Hiroshima 739-8528, Japón.
metros. Los precios de los menos caros un w modelos de medidores pueden ser tanto

Correos electrónicos: alonzogabriel@hiroshima-u.ac.jp , alonzo.gabriel @ up.edu.ph como US $ 2000 ( Cole-Parmer Instrument Company. sistemas de actividad de agua
del medidor., 2007; Decágono

0308-8146 / $ - see front matter 2007 Elsevier Ltd. Todos los derechos reservados.

doi: 10.1016 / j.foodchem.2007.11.077

 AA Gabriel / Food Chemistry 108 (2008) 1106-1113 1107

Dispositivos. La actividad de agua para la ciencia de los alimentos:. asegurando la 2.2. Medición de una w
seguridad y el cumplimiento gubernamental, 2007; Novasina. La actividad de agua:. Para
aplicaciones en la industria cosmética y alimentaria de 2007 ). Además, el funcionamiento el Novasina TM conjunto MS1 aw (Novasina, PFA FFI kon, Suiza) se utilizó
de un w metros también pueden ser una preocupación, ya que las partes interesadas a para medir la actividad de agua de las muestras a 25 C ( un 25 C
menudo carecen de los recursos humanos con conocimientos técnicos su fi ciente. Este
w). Antes de utilizar el dispositivo, el
estudio, por tanto, intentó hacer frente a este vacío, mediante el desarrollo de un modelo instrumento se calibró usando soluciones salinas saturadas de humedad
matemático capaz de predecir el un w en fi temperatura fija ( un 25 C relativa (HR) conocida estándares a saber,
11.3%, 32.8%, 52.9%, 75.3%, y 90.1% de HR. Después de la calibración, se
colocó 5,0 ml de la muestra dentro de la cámara de medición y el sensor de
de algunos alimentos, de fácil medición,
w)
pertinentes propiedades de los alimentos fisicoquímicas, a saber, pH y Los cabeza era fi TTED para sellar la cámara. los un 25 C
valores Brix. El estudio estableció un modelo predictivo en soluciones de w los valores se obtuvieron con ± 0,01 Accu
alimentos simulados (SFS), que contenía niveles variables de agua, sacarosa picante. Las mediciones se realizaron por triplicado.
y ácido. El rendimiento de predicción del modelo establecido se evaluó a
través de validaciones utilizando un Erent di ff conjunto de SFS y varios 2.3. el desarrollo del modelo predictivo y análisis
sistemas de alimentos reales.
La forma general de la ecuación de modelo polinomial cuadrática usada en
el estudio se presenta en la Ec. (1) ( Adinarayana y Ellaiah, 2002; Han, Floros,
2. Materiales y métodos Linton, Nielsen, y Nelson, 2002 ). Esta ecuación contiene términos lineales X 1 y X
2,

2.1. soluciones de alimentos simulados que corresponden a las propiedades fisicoquímicas pH y Brix,
respectivamente. Cuadrado ( X 21 y X 22) y la interacción ( X 1 X 2,) términos también
El SFS se formularon en base a los datos suministrados a y procesados se incluyen en la ecuación. los y
​utilizando el diseño de la versión de Expertos 7.0.3 paquete de software valor corresponde a la variable de respuesta, un 25 C w
, mientras

(Statease, Minneapolis, MN). Se aplicó un compuesto diseño rotativo central el segundo términos son de regresión coe fi cientes.

(CCRD), para determinar las combinaciones apropiadas de los diversos

niveles de pH y Brix. tabla 1 presenta las formulaciones de SFS codificados y Y ¼ segundo 0 þ segundo 1 re X 1 th th segundo 2 re X 2 th th segundo re segundo
X 2 1th2 th X1 1 1 re X 2
1 Þ

no codificados que resultaron de la CCRD. la asignado valores Brix por SFS se þ segundo 2 2 re X 2 re 1 Þ
2 Þ
lograron mediante la disolución de calidad alimentaria RE- sacarosa (Ajax
Finechem, Australia) en agua desionizada destilada. El valor de pH deseado los un 25 wC medida a partir de los SFS de ensayo se sometieron a la superficie

por SFS se ajustó utilizando 5 N HCl (Himedia, Mumbai, India) o 8 N de NaOH de respuesta del modelo fi tting ( Adinarayana y Ellaiah de 2002 ). Los análisis de
(Himedia). Recién soluciones preparadas se sometieron inmediatamente a un w los datos se realizaron utilizando el paquete de software de diseño Expert Versión
análisis. 7.0.3 (Statease, Minneapolis, MN). La superficie de respuesta representa para
demostrar las influencias de las variables de predicción de la respuesta se
construyó utilizando STATISTICA paquete de software, versión 1999 (Statsoft,
Inc., Tulsa, OK).

tabla 1 2.4. Modelo de validación

diseño compuesto central rotativo utilizado en la formulación de soluciones de alimentos simulados corridas

experimentales un variable de bloques codificados El rendimiento predictivo del modelo derivado fue validado en un conjunto
combinaciones variables no separado de SFS con pH y Brix valora di ff Erent de las fi identificado por el
combinaciones codificados CCRD. también se utilizaron una serie de sistemas reales de alimentos
pH Brix pH Brix apropiados para validar el rendimiento del modelo. Recién preparada validar
SFS con propiedades fisicoquímicas asignados al azar ( Tabla 5 ) Se
6 1 0 0 4.50 41.00
5 1 0 0 4.50 41.00 sometieron a un 25 C
1 1 1 1 2.00 12.00 análisis si-
w
4 1 +1 +1 7.00 70.00
lowing los métodos anteriormente detallados. Para los sistemas reales de alimentos, 5,0
2 1 +1 1 7.00 12.00
ml o 5,0 g de la muestra de alimento se sometió de manera similar a un 25 C
3 1 1 +1 2.00 70.00
7 1 0 0 4.50 41.00 w medición. Los valores de Brix pH y
11 2 0 + un 4.50 82.00 de los SFS validación y los sistemas alimentarios y se midieron en cuenta en
13 2 0 0 4.50 41.00 el modelo desarrollado para calcular el predicho un 25 C
14 2 0 0 4.50 41.00
w re pag C Þ. los un 25 C
un 25 w w
valores medidos por el un w
8 2 un 0 1.00 41.00
metros ( un un 25w)C a continuación, se compararon con el pag un 25 C , Para evaluar
12 2 0 0 4.50 41.00 w

9 2 + un 0 8.00 41.00 el rendimiento de predicción del modelo.

10 2 0 un 4.50 0.00 Las evaluaciones de matemáticas modelo predictivo se realizaron mediante el
un corridas experimentales se presentan de acuerdo con el orden establecido al azar del diseño cálculo de los índices de rendimiento del modelo, el factor de precisión ( UN F) y el factor
experimental. de sesgo ( segundo F), definida por Ross
1108 AA Gabriel / Food Chemistry 108 (2008) 1106-1113

(1996) y Baranyi, Pin, y Ross (1999) , Y del mismo modo utilizado por McElroy, Tabla actividad 2 Agua un de soluciones de alimentos simulados de pH variable y Brix valores de

Jaykus y Foegeding (2000), Tejedor, Rodrigo, y Martínez (2001), Wei, Fang y combinaciones variables fisicoquímicas

Chen (2001), Cayre', Vignolo, y Garro (2003), Jagannath y Tsuchido (2003), un 25 C w

Carrasco et Alabama. (2006) y Mataragas, Drosinos, Vaidanis y Metaxopolous pH Brix

(2006) . los segundo F la media estimada rencia di ff entre el pag un 25 C
4.50 41.00 0,966 ± 0,006
4.50 41.00 0,975 ± 0,004
2.00 12.00 1,000 ± 0,003
wy el un un 25 C w
7.00 70.00 0,864 ± 0,002
y se calculó utilizando:
PAG 7.00 12.00 0,988 ± 0,011
pag un w

½log10 un un w 2.00 70.00 0,787 ± 0,010

norte
4.50 41.00 0,977 ± 0,006
segundo F ¼ 10 re 2 Þ
4.50 82.00 0,732 ± 0,013
dónde norte corresponde al número de repeticiones empleadas en el proceso 4.50 41.00 0,972 ± 0,004
de validación del modelo. los segundo F evaluado si el modelo de más o de 4.50 41.00 0,973 ± 0,007
menos estima la un 25 C 1.00 41.00 0,922 ± 0,013
w
de
4.50 41.00 0,973 ± 0,005
los alimentos SFS o validación de sistemas. Cuando segundo f < 1,00, el modelo 8.00 41.00 0,968 ± 0,002
subestimó la un 25 C
w
del sistema de validación 4.50 0.00 0,995 ± 0,002
mientras segundo f> 1.00 valores son indicativos de sobreestimación del modelo. UN segundo F valor un un w se midieron a 25 C utilizando un Novasina TM MS1-aw (Novasina, Suiza) metros actividad de
de 1,00 significante ES que la pag un 25 C
w
y el agua. Los valores se presentan como promedios de tres ensayos ± desviación estándar.
un 25 C
están en perfecto acuerdo. Desde el segundo F valor no proporciona una
un
w

indicación de la exactitud predictiva del modelo, la UN F También se calculó:

PAG pag un w
Los resultados, que se puede ver claramente que ambas variables predictivas
j log10 un un w j en influido la respuesta medida. SFS con valores Brix más altas tuvieron
norte

UN F ¼ 10 re 3 Þ menor un w que aquellos con menor Brix, a un nivel de pH fijo. El e ff ff ect de di

Ering pH en el un w de SFS con igual Brix fue también demostrada. La fi
Tome en cuenta que la única di ff betweenEqs rencia. (2) y (3)
significación de estas influencias y la posible existencia de no lineal y variable
es eso UN F medidas de valor de la media absoluta rencia di ff entre el pag un 25 C
predictora interactivo influencias se exploraron más y se discuten en las
wy el un un 25 C w
. los UN F toma valores> 1,00,
siguientes secciones.
donde mayor UN F los valores son indicativos de lessmodel exactitud de predicción.
Un UN f = 1.00 es también una indicación de la perfecta concordancia entre los valores
Las influencias de pH y Brix en SFS un 25 C w fueron cuan-
predichos y reales.
tatively y cualitativamente caracterizado por fi tting los resultados obtenidos ( Tabla 2 )
Así, para los casos en que pag un 25 C w> a un 25 C w
, la calculada UN F
En un modelo polinomial de segundo orden (Eq. (1) ). Este modelo se utilizó para
y segundo F valores serán iguales, ya que ambos log 10 y | conectarse 10 | de ( pag un 25 C
tener en cuenta las posibles relaciones no lineales entre las variables predictoras y
w=a un 25 w)
C) como resultado el mismo número positivo. Sin embargo cuando pag un 25 C
w
de respuesta ( Mendenhall y Sincich, 1996 ). Hu (1999) explican que los modelos
w <a un 25 C w
, el registro 10 y | conectarse 10 | del cociente de
inferiores grado del polinomio, tales como aquellos con la interacción y términos
el predicho y real un un 25 C w valores deberán dar lugar a los números
cuadráticos, son apropiadas para describir adecuadamente procesos alimentarios.
con el mismo valor pero de signos opuestos; por lo tanto UN F 6 ¼ segundo F.
Resultados de la potencia de Box-Cox transforman análisis (Design Expert 7.0.3,
comparaciones gráficas de la prevista y real calculado un 25 C
Statease) del modelo de fi t en la ecuación. (1) (corriente k = 1.00, el mejor k = 2,48),
w También se realizaron mediante el trazado pag un 25 C w en contra un un 25 C w
.
sin embargo se sugiere que los resultados obtenidos en el estudio tenían una mejor fi
La línea de equivalencia (LOE) fue rastreado, para indicar la región de la parcela
donde pag un 25 C t en la ecuación. (4) (corriente k = 1.00, el mejor k = 1,22).
w ¼ un un 25 C w
. La LOE es la línea
con una ecuación y = x y en diagonal biseca la trama en dos regiones iguales.
Un punto que cae sobre la LOE tiene
UN f = segundo f = 1,00, por lo tanto, el acuerdo perfecto entre pag un 25 C w
Y 2 ¼ segundo 0 þ segundo 1 re X 1 th th segundo 2 re X 2 th th segundo
X 2 1th2 re
th X
segundo
1 1 1 re X 2
1 Þ

y un un 25wC . Puntos que caen por encima de ( UN f = segundo f> 1,00) y por debajo
þ segundo 2 2 re X 2 re 4 Þ
2 Þ
( UN f> 1.00, segundo f < 1.00) se han sobreestimado y subestimado por el modelo,
respectivamente. Cuanto más lejos del punto de la LOE, mayor es la UN F y segundo Los resultados de la segunda onEq tting ordermodel fi. (4) se presentan en la Tabla 3 .
F valores serán. Por lo tanto las posiciones de los puntos representados, con el Fisher F- resultados de las pruebas con muy baja
respecto a la LOE, también se pueden usar como bases en la evaluación de los pag- valores demostraron la muy alta significación del modelo y transmite que
resultados del modelo predictivo. las variables predictoras, pH y Brix, se pueden utilizar para predecir de forma
fiable la variable de respuesta,
un 25 C w ( Adinarayana y Ellaiah, 2002; ofCalifornia Universidad de Los Ángeles, 2006 ).
3. Resultados y discusión En Tabla 3 , Sino que también está demostrado que las variables predictoras tienen no
lineal e interactiva influencias sobre la respuesta. Por lo tanto, la utilización del modelo
3.1. Predictive tting y análisis del modelo fi de la ecuación. (4)
se consideró apropiado. Además, la falta-de- alta fi t F-
Tabla 2 presenta la un 25 C w medido desde el Erent di ff valor implícito que los resultados obtenidos fi TTED bien a la ecuación modelo.
SFS con diferentes pH y combinaciones Brix. Con estos
 AA Gabriel / Food Chemistry 108 (2008) 1106-1113 1109

Tabla 3
Análisis de varianza para la respuesta superficie del modelo Fuente

cuadrado suma de cuadrados Media Df F- valor pag- valor

Modelo 2,70 10 1 5 5.40 10 2 772.5 <0.0001 s

pH 6.39 10 3 1 6.39 10 3 91.2 <0.0001 s
Brix 2,00 10 1 1 2,00 10 1 2803.5 <0.0001 s
pH Brix 5,70 10 3 1 5,70 10 3 81.4 <0.0001 s
pH 2 4.49 10 3 1 4.49 10 3 64.2 <0.0001 s
Brix 2 6.00 10 2 1 6.00 10 2 852,8 <0.0001 s

Residual 4,90 10 4 7 7,00 10 5

La falta de fi t 2,13 10 4 3 7,09 10 5 1.0 0.4712 ns
error pura 2,77 10 4 4 6,93 10 5

s: significantes; ns: no significativo al nivel del 95% de significación.

Tabla 4
Estadísticas utilizadas en el modelo de bondad de- fi t estadísticas de evaluación

Coe fi ciente de variación (% CV) 0,950

Coe fi ciente de correlación, r 0,999
Determinación coe fi ciente, r 2 0,998
Equilibrado r 2 0,997
Fig. Gráfico de superficie 1. respuesta que muestra las influencias de pH y Brix en
Predicho r 2 0,991
un 25 C w .
La precisión adecuada 77.224

un 25 C w ¼ ½ 0:95 þ 0:03 re pH th th 01:02 10 3 re Brix th th cinco y veintiún

Las estadísticas ( Tabla 4 ) Que se utiliza para evaluar la bondad de
fi t del modelo de apoyo aún más el resultado obtenido por el
F- prueba. El coe fi ciente calculado de variación (% CV) era baja y sirve como
una indicación de la precisión y la fiabilidad de los experimentos llevados a
cabo en el estudio ( Adinarayana y Ellaiah de 2002 ). Al mismo tiempo, el alto
valor de la correlación ciente coe fi ( r) también se indica la fuerte asociación
entre la respuesta y las variables independientes ( Box, Hunter y Hunter, 1978 ).
Los valores de la ciente determinación coe fi ( r 2) y ajustado r 2 indican que el
modelo puede predecir y explicar las variaciones totales en la respuesta
medida por 99,8 y 99,7%, respectivamente ( Adinarayana y Ellaiah, 2002;
Universidad de California en Los Ángeles, 2006 ). la predicho r 2 era
razonablemente de acuerdo con el ajustado r 2 y las estadísticas calculadas
para la precisión adecuada indicaron una relación deseable de señal a ruido.
Por lo tanto el modelo predictivo se consideró adecuado para ser utilizado para
navegar por el espacio de diseño experimental.
10 4 re pH Brix Th? 3:95 10 3 re pH 2 Þ
01:07 10 4 re Brix 2 Th? 1 = 2 re 5 Þ
En Figura 1 , Se demuestra que, en cualquier valor de pH fijo,
un 25 C w disminuido con el aumento de valor Brix. Más un w metros miden la
presión de vapor de agua presente en la muestra que se analiza ( Troller &
Christian, 1978 ) Y una cantidad incrementada de solutos disueltos en un
sistema alimentario ha sido reconocido para causar la reducción en un w. Baianu
(1992) y
Fennema (1996) explicado que en un sistema acuoso particular, la disolución de
solutos como resultados de sacarosa en la reducción de la presión de vapor de
agua, debido a la unión de moléculas de agua a las moléculas de soluto. Por lo
tanto, esta reducción en la presión de vapor total del sistema da como resultado
la reducción de la un w del sistema.

Además, en cualquier valor de 1 a 80 Brix, reducción en el pH dio como resultado

una reducción de un 25 C
w
. Tal fenómeno
puede explicarse por la escisión mediada por ácido de

3.2. En influencias de pH y Brix en un 25 do w

Tabla 5
La validación del modelo en soluciones de alimentos simulados
Eq. (5) presenta la ecuación predictiva nal fi para un 25 C w
, en
Validación SFS SFS un 25 C w índices de
términos de pH y Los valores Brix. Esta ecuación incluye las influencias lineales y
propiedades UN rendimiento
cuadráticos e interactivos en fl individuales de las variables de predicción sobre la pag un w un un w re un w segundo UN F
pH Brix segundo F
respuesta. Cuando trazado en una parcela de 3 dimensiones, la superficie de
respuesta que muestra el cambio en un 25 C 1 1.00 10.00 0,99 0,96 0,03 1,03 1.03
2 2.00 50.00 0,91 0,95 0,04 1,05 0.96
, como el pH y valores Brix varían, es pre-
w 3 3.00 70.00 0,81 0,85 0,04 1,05 0.95
tantes en Figura 1 . En esta figura, el descenso rápido de la trama de superficie 4 4.00 20.00 1.01 0.99 0,02 1,01 1.01
de respuesta con el aumento valor Brix, en comparación con el ascenso gradual 5 7.00 30.00 0,99 0,97 0,02 1,02 1.02
de la trama con el aumento del valor pH, es indicativo de la mayor influencia de UN Los valores se expresan como valores medios de tres ensayos.

la última variable en un 25 C segundo Calcula restando el real ( un un 25 C

w) del predicho ( pag un 25 C w) en
: cada SFS.
w
 AA Gabriel / Food Chemistry 108 (2008) 1106-1113

enlaces glicosídicos, que enlazan los componentes monoméricos de sacarosa Ther disminución de un w. En teoría, la hidrólisis completa de 1 mol de sacarosa
( Andrews et al., 2002; Aurand & Woods, 1973; Gibson, 1973 ). Disminuir el pH dará lugar a 2 moles de monosacáridos, el aumento de la un W- bajar e ff ect por
de la SFS promueve la conversión de la sacarosa en glucosa y fructosa, cerca de dos veces ( Stallenberger & Birch, 1995 ). A 0 Brix, ligera reducción
induciendo fur-

Tabla 6
La validación del modelo en los sistemas Los sistemas alimentarios

reales de los alimentos propiedades de los alimentos UN un 25 C w índices de rendimiento

pag un w un un w
pH Brix re un w segundo UN F segundo F

Los jugos de frutas y bebidas de jugo de jugo

de naranja (Marca 1) 4.38 11.60 1.01 1.00 0.01 1.01 1.01

Zumo de naranja (Marca 2) 4.04 13.22 1.01 1.00 0.01 1.01 1.01
jugo de naranja azucarada 3.30 14.13 1.01 0.97 0.04 1.04 1.04
el zumo de pomelo Rubí 3.56 11.78 1.01 0.99 0.02 1.01 1.01
bebida de jugo de naranja de Filipinas 4.08 11.80 1.01 0.99 0.02 1.01 1.01
bebida de jugo de limón Filipinas 3.98 12.60 1.01 0.98 0.03 1.03 1.03
jugo de manzana 3.62 12.60 1.01 1.00 0.01 1.01 1.01
bebida de jugo de manzana 3.79 11.20 1.01 1.00 0.01 1.01 1.01
El jugo de piña (Marca 1) 4.71 12.60 1.01 0.98 0.03 1.03 1.03
El jugo de piña (Marca 2) 4.62 13.40 1.01 0.99 0.02 1.01 1.01
Jugo de uva 3.58 15.91 1.01 0.97 0.04 1.03 1.03
bebida de jugo de mango (Marca 1) 4.26 12.40 1.01 0.99 0.02 1.02 1.02
bebida de jugo de mango (Marca 2) 3.89 12.80 1.01 0.99 0.02 1.02 1.02
bebida de jugo de guanábana 4.55 13.78 1.01 0.99 0.02 1.02 1.02
bebida de jugo de guayaba 4.52 12.40 1.01 0.97 0.04 1.04 1.04
bebida de zumo de melocotón 3.67 12.40 1.01 0.97 0.04 1.04 1.04

néctares de frutas y concentrados de néctar de

mango 4.31 12.38 1.01 1.00 0.01 1.01 1.01
néctar de guayaba 3.58 11.60 1.01 1.00 0.01 1.01 1.01
néctar de guanábana 4.73 12.00 1.01 0.98 0.03 1.03 1.03
concentrado de limón Filipinas 2.50 63,06 0.84 0.83 0.01 1.02 1.02
concentrado de naranja Philippine 2.84 51.34 0.92 0.91 0.01 1.01 1.01

Mermeladas, jaleas y productos similares mermelada

de piña 3.02 54.26 0.91 0.84 0.07 1.08 1.08

mermelada de mango 2.97 64.40 0.85 0,77 0.08 1.10 1.10
jalea de guayaba 3.37 68.66 0.83 0,77 0.06 1.07 1.07
Mermelada de Naranja 3.07 63,06 0.86 0.79 0.07 1.08 1.08
cuerdas de coco jóvenes en almíbar 4.07 50.80 0.94 0.93 0.01 1.00 1.00
de gel de coco (nata de coco) en almíbar 5.84 34.27 0.99 0.98 0.01 1.01 1.01
nuez de palma en almíbar 6.13 26.97 1.00 0.98 0.02 1.02 1.02
Endulzada ñame morado 5.49 68.80 0.86 0.94 0.08 1.10 0.91

Frutas secas
Pasas 3.70 66.00 0.85 0,71 0.14 1.20 1.20
ciruelas pasas 4.07 67.80 0.84 0.82 0.02 1.04 1.04
Mangos 3.74 75.47 0,78 0,71 0.07 1.10 1.10
albaricoques 3.79 64,41 0.86 0.83 0.03 1.03 1.03
Papaya 3.78 79.50 0.75 0.68 0.07 1.10 1.10
Cantalupo 3.83 65.40 0.86 0.70 0.16 1.22 1.22
Piña 4.07 62.0 0.88 0,71 0.17 1.23 1.23

Leche y productos lácteos La leche

fresca (UHT-procesado) 6.09 12.53 1.00 1.00 0.00 1.00 1.00
Leche evaporada 6.31 25.67 1.00 1.00 0.00 1.00 1.00
Reconstituido llenada leche 6.29 29.60 1.00 1.00 0.00 1.00 1.00
Leche condensada 6.59 74.40 0.83 0.89 0.06 1.08 0.93
bebida de chocolate con leche 6.51 18.67 1.00 1.00 0.00 1.00 1.00

Otros productos alimenticios

Apple y alimentos para bebés a base de cereales 3.91 20.97 1.00 0.98 0.02 1.02 1.02
Pera y alimentos para bebés a base de cereales 3.96 16.10 1.01 0.99 0.02 1.02 1.02
Mayonesa 3.46 0.87 1.00 0.97 0.03 1.03 1.03
UN Los valores se expresan como valores medios de tres ensayos.

segundo Calcula restando el real ( un un w) del predicho ( pag un w) en cada sistema de comida de verdad. 1110
 AA Gabriel / Food Chemistry 108 (2008) 1106-1113 1111

pag un w 25 ˚ C> una un w 25 ˚ do

1.00

1.02

624 4

0.95

0.99
un2w° do

un2w° do
5

5
0.90
pag

pag
0.96
0.85

pag un w 25 ˚ C <a un w 25 ˚ do

0.80 0.85 0.90 0.95 1.00 0.93 0.96 0.99 1.02

un un w 25 ° do una un w 25 ° do

do 2 re
1.00 1.00

0.95 0.90
un2w° do
5
un2w° do
5

0.90 0.80
pag
pag

0.85 0.70

0.80 0.85 0.90 0.95 1.00 0.60 0.70 0.80 0.90 1.00

un un w 25 ° do una un w 25 ° C

mi F
0.86 1.00
4

0,81 0.95
un2w° 5Cp un
w 25° do

pag

0,76 0.90

0,71 0.85

0.66 0,71 0,76 0,81 0.86 0.80 0.85 0.90 0.95 1.00
un un w 25 ° do un un w 25 ° C

Fig. 2. comparaciones gráficas entre el modelo generado pag un 25 C w

y reales medidos un un 25 C w
en: (a) los sistemas alimentarios Validating simulado, (b) la fruta
zumos y bebidas de zumo, (c) néctares de frutas y concentrados, (d) mermeladas, jaleas y productos similares, (e); frutas secas, y (f) la leche, productos lácteos y otros productos alimenticios. Los números colocados
cerca de los puntos indican el número de puntos que coincidieron en las mismas coordenadas. La bisectriz de cada parcela, la línea de equivalencia (LOE) indica la región donde pag un 25 C

w ¼ un un 25 C w
, mientras que las áreas sombreadas obligados por las líneas de puntos indican las regiones de error de predicción ± 20%
dónde UN f> 1.20.
1112 AA Gabriel / Food Chemistry 108 (2008) 1106-1113
de un 25 C
w con el aumento de pH podría haber sido debido al aumento de los
iones aportados por el NaOH concentrado utilizado para ajustar el pH SFS.
3.3. Modelo de validación
Un modelo predictivo sólo se puede utilizar con seguridad en la toma de
decisiones cuando validado ( Jagannath y Tsuchido de 2003 ). La validación es un
paso esencial que revela la gama aplicable de un modelo y los límites de su
rendimiento. Por lo tanto este estudio también se ocupó de la validación del
modelo desarrollado, utilizando un conjunto de datos obtenidos de pruebas de
funcionamiento adicionales, exclusivos de los realizados en la elaboración del
modelo, como se recomienda por Ross (1996) y
Carrasco et al. (2006) . En este nuevo estudio, la fiabilidad del modelo desarrollado
también se evaluó a través de validaciones en sistemas reales de los alimentos, ya
que de manera similar realizado por McElroy et al. (2000) y Jagannath y Tsuchido
(2003) .
Las Tablas 5 y 6 presentar los valores calculados de los índices de rendimiento para
la validación de los sistemas de SFS y reales de los alimentos adicionales,
respectivamente. En el conjunto de validación de SFS, la calculada UN F valores variaron
desde 1,01 hasta 1,05 (intervalo: 0,04). Por otra parte, la UN F los valores calculados a
partir de las validaciones modelo utilizando sistemas alimentarios reales variaron de
1,00-1,23 (intervalo: 0,23). Ross, Dalgaard, y Tienungoon (2000) informó que
los modelos predictivos deben tener idealmente
UN f = 1,00, lo que indica un modelo perfecto fi t donde los valores de respuesta
previstos y reales son iguales. Sin embargo, Ross et al. (2000) y Carrasco et al.
(2006) explicado que, típicamente, el UN F de un modelo aumenta en 0.10-0.15
unidades para cada variable predictiva en el modelo. Por lo tanto, un modelo
que predice una respuesta de dos variables predictoras se puede esperar que
tenga UN F valores que van desde 1,20 hasta 1,30 ( Ross et al., 2000 ) O un
rango% error equivalente de 20- 30%. Por lo tanto basándose en los
resultados obtenidos de los SFS validación y sistemas alimentarios reales, el
rendimiento de predicción del modelo establecido puede ser considerado
aceptable.
el calculada segundo F valores variaron desde 0,95 hasta 1,03 (intervalo: 0,08)
y 0,91 a 1,23 (rango: 0,32) para SFS y los sistemas alimentarios reales,
respectivamente. Estos valores indican que el modelo predictivo sub o
práctica.
sobre-estimado el real un w de los SFS y validación de los sistemas alimentarios. Jagannath
y Tsuchido (2003) informó que una mayor segundo F Los valores se puede
esperar, si un modelo predictivo se valida en condiciones di ff Erent de los
utilizados en la creación del modelo. Por lo tanto, en su estudio, segundo F valores
de 1,41 y 1,60 se consideraron aceptables después de la validación de un modelo
bu fosfato basado en er ff en sistemas lácteos reales. Al igual que con la UN F
valores, ligeramente más altos valores Bf se calcularon a partir validaciones en
sistemas reales de los alimentos, en comparación con los calculados a partir de la
SFS validación. En todos los sistemas de validación sino dos muestras (ñame
morado endulzado y leche condensada), donde el modelo predictivo sobreestimó la un
25 C
w
, el
UN F y segundo F Se calcularon los valores a ser iguales.
Las discrepancias entre el pag un 25 C w
y un un 25 wC cal-
RELAClONADAS de validaciones en SFS y di ff Erent comida real
sistemas también se ilustran en la La Fig. 2a-f . En la figura, se puede observar
que sólo tres ( Figura 2 e) las predicciones del modelo tenían valores de% de error
mayor que 20% ( UN f> 1.20). Estos puntos corresponden a la un 25 C
w
estimado para pasas, se secó
melón y piña secas. Sin embargo estos puntos estaban todavía dentro de un
error del 30% ( UN f < 1,30), y por lo tanto todavía se puede considerar que tiene
una precisión aceptable ( Ross et al., 2000 ). Estos resultados están de acuerdo
con los índices de rendimiento modelo calculados. Paralelamente a los índices
de rendimiento calculados, validaciones gráficas mostró que el modelo tenía
un mejor rendimiento predictivo en los SFS que en los sistemas reales de
alimentos (no se destaca en la figura). Tales resultados pueden esperarse ( Jagannath
y Tsuchido de 2003 ), Ya que el modelo se estableció utilizando SFS.
La mayor di ff erences entre pag un 25 C w
y un un 25 Cw en
sistemas alimentarios reales pueden ser debido a las influencias de otros componentes
de los alimentos en el un w que no estaban presentes en los SFSS utilizados en el
establecimiento del modelo. Componentes de los alimentos, tales como proteínas,
hidratos de carbono complejos y simples, sales y otros componentes disueltos podrían
haber causado tales observaciones. A pesar de estas variaciones, los resultados de las
validaciones matemáticas mostraron que el modelo predictivo establecido de manera
fiable a la un w de los sistemas de validación. Por lo tanto, el modelo predictivo de forma
segura se puede utilizar en el cálculo de la un w de los sistemas alimentarios apropiados.
4. Resumen y recomendaciones
Este estudio aborda el desarrollo de un modelo predictivo de superficie de
respuesta para la estimación de un 25 C de
w
pH y valores Brix de los sistemas alimentarios apropiados. La fi modelo predictivo
no puede altamente signi fue desarrollado a partir de los sistemas de alimentos
simulados (SFS), pero se validó usando un conjunto separado de SFS y los
sistemas alimentarios reales. Los resultados de la validación mostró que el
modelo desarrollado tenía rendimiento predictivo aceptable, según la evaluación
de índices de rendimiento modelo matemático y gráficas. El estudio recomienda
una validación adicional en otros productos alimenticios apropiados, a fin de
explorar aún más la capacidad de predicción y las limitaciones del modelo. Otras
variables predictivas como la temperatura y tipos de solutos también pueden ser
considerados en la construcción de un modelo de predicción más precisa y
Expresiones de gratitud
Este estudio fue posible gracias a la beca de investigación (Proyecto
Número 060603 PNSE) proporcionada por la o fi cina del vicerrector de
Investigación y Desarrollo de la Universidad de las Filipinas, Diliman, Quezon
City, Filipinas. La asistencia técnica prestada por Joyce B. Pineda y la Planta
Piloto de Alimentos de la Facultad de Economía del Hogar, UP Diliman en la
realización de los experimentos son reconocidos. La asistencia de Kirth M.
Asis y Joyce B. Pineda en la preparación inicial del manuscrito se reconoce
también.
 AA Gabriel / Food Chemistry 108 (2008) 1106-1113 1113

referencias Jagannath, A., y Tsuchido, T. (2003). Validación de un polinomio

modelo de regresión: la inactivación térmica de Bacillus subtilis esporas en la leche. Cartas de
Microbiología Aplicada, 37, 399-404. Jay, JM (2000). microbiología alimentaria moderna ( Sexta ed.).
Adinarayana, K., y Ellaiah, O. (2002). optimización de superficie de respuesta
Singapur: APAC
los componentes del medio críticos para la producción de proteasa alcalina por recién aisladas Bacilo
Editores.
sp .. Diario de Farmacia y Ciencias Farmacéuticas, 5 ( 3), 272-278.
Mataragas, M., Drosinos, EH, Vaidanis, A., y Metaxopolous, I. (2006).
Desarrollo de un modelo predictivo para el deterioro de los productos cárnicos curados cocidos y
Andrews, LS, Godshall, MA, y Moore, S. (2002). degradación de sacarosa
su validación en condiciones de almacenamiento a temperatura constante y dinámicas. Journal of
en condiciones de procesamiento modelo. Journal of Food Science, 67 ( 5), 1621-1624.
Food Science, 71, 157-167. McElroy, DM, Jaykus, L., y Foegeding, PM (2000). validación y

Aurand, LW, & Woods, AE (1973). Química de Alimentos. Westport, CT:

análisis de las predicciones modeladas de crecimiento de Bacillus cereus esporas en arroz hervido. Journal
Avi Publishing Company, Inc. Baianu, IC (1992). Fisicoquímica de los procesos alimentarios.
of Food Protection, 63 ( 2), 268-272.
Fundamental
McWilliams, M. (1993). fundamentos de alimentos. Nueva York: MacMillan
aspectos ( Vol. 1). Leinhold: Van Nostrand.
Compañia de publicidad. Mendenhall, W., y Sincich, T. (1996). Un segundo curso de estadística:
Baranyi, J., Pin, C., & Ross, T. (1999). Validar y comparar
Regresión
modelos predictivos. International Journal of Food Microbiology, 49,
análisis ( Quinta ed.). Nueva Jersey: Prentice Hall International, Inc. Nielsen, S. (1994). Introducción
159-166.
al análisis químico de los alimentos. Bostón:
BELITZ, HD, y Grosch, W. (1999). Química de Alimentos. Berlín: Springer
Jones and Bartlett Publicaciones.
Verlag.
Novasina. La actividad de agua: Para aplicaciones en los alimentos, productos farmacéuticos
Bennion, M. (1985). alimentos introductorios ( Octava ed.). Nueva York: Macmillan. Box, GEP, Hunter,
y la industria cosmética. (2007). < http://www.novasina.ch/ > Consultado
WG, y Hunter, JS (1978). estadísticas de
08.06.07.
experimentadores: una introducción al diseño, análisis de datos, y la construcción de modelos. Nueva
Rockland, L., y Beuchat, L. (1987). La actividad de agua: Teoría y aplicabilidad
York: John Wiley and Sons.
ciones a la alimentación. Nueva York: Marcel Dekker. Ross, T. (1996). Índices para la evaluación del
Carrasco, E., Garcia-Gimeno, R., Seselovsky, R., Valero, A., Pérez, F.,
desempeño de los modelos predictivos
Zurera, G., et al. (2006). modelo predictivo de Listeria monocytogenes'
en microbiología de los alimentos. Journal of Applied Bacteriology, 81, 501-508. Ross, T.,
tasa de crecimiento bajo temperaturas Erent di ff y ácidos. Ciencia y Tecnología de Alimentos
Dalgaard, P., y Tienungoon, S. (2000). El modelo predictivo de
Internacional, 12 ( 1), 47-56.
el crecimiento y la supervivencia de Listeria en los productos pesqueros. International Journal of
Cayre', ME, Vignolo, G., y Garro, O. (2003). Modelado de ácido láctico
Food Microbiology, 62, 231-245. Stallenberger, RS, y Birch, GG (1995). química de los azúcares. Westport,
el crecimiento de bacterias en emulsiones de carne cocinados-envasados ​al vacío se almacena a tres temperaturas.

Microbiología de los Alimentos, 20, 561-566.

CT: Avi Publishing Company, Inc.
Cole-Parmer Instrument Company. sistemas de medición de la actividad del agua. (2007).
Tejedor, W., Rodrigo, M., y Martínez, A. (2001). Modelando el combinado
< http://www.coleparmer.com/ > Consultado el 08.06.07.
e ff ect de pH y la temperatura sobre la resistencia al calor de Bacillus stearothermophilus esporas
Dispositivos Decagon. La actividad de agua para la ciencia de los alimentos: la seguridad asegurando, calidad
calentados en un extracto alimenticio de múltiples componentes.
y el cumplimiento gubernamental. (2007). < http://www.decagon.com/ > Consultado el 08.06.07.
Journal of Food Protection, 64 ( 10), 1631-1635.
Fennema, O. (1996). Química de Alimentos ( Segunda ed.). Nueva York y Basilea: Marcel
Triebold, H., y Aurand, L. (1963). Composición de los alimentos y el análisis.
Princeton, NJ: Van Nostrand. Troller, J., & Christian, H. (1978). La actividad de agua y comida. Nueva
Dekker Inc.
York:
Gibson, B. (1973). El e ff ect de altas concentraciones de azúcar en el calor
Academic Press.
resistencia de los microorganismos vegetativos. Journal of Applied Bacteriology, 36, 365-376.
Universidad de California en Los Ángeles, Servicios de Tecnología académicos.
salida SAS anotado: análisis de regresión. (2006). < http: //www.at-
Han, Y., Floros, JD, Linton, RH, Nielsen, SS, y Nelson, PE
s.ucla.edu/STAT/SAS/output/reg.htm/ > Consultado el 05/07/06.
(2002). modelado de superficies de respuesta para la inactivación de Escherichia coli O157: H7 en
Wei, QK, Fang, TJ, y Chen, WC (2001). Desarrollo y validación
los pimientos verdes ( Capsicum annuum) por tratamiento de gas de ozono. Journal of Food Science,
de modelo de crecimiento para Yersinia enterocolitica en las carnes de pollo cocido envasado en
67 ( 3), 1188-1193.
una variedad de envases ambiente y almacenados a temperatura Erent di ff. Journal of Food
Holtzclaw, H., y Robinson, W. (1988). Química General. DC Heath & Company. Hu, R. (1999). diseño
Protection, 64 ( 7), 987-993.
de producto alimenticio: Un enfoque estadístico asistido por ordenador.
Zapsalis, C. (1985). Química de los alimentos y la bioquímica nutricional. Nuevo
York: Wiley.
EE.UU.: Technomic Publishing Co. Inc.