DETERMINACIN DE ORIGEN DE CAF POR MEDIO

DE ESPECTROSCOPIA UV-VIS A TRAVS DE DIFERENTES

MTODOS MULTIVARIABLES
Daniel ngel Pea1, Miguel Ricardo Villarreal1, Dairo Fabin Melo1, Jenny Adriana Melo2
1
Estudiante Programa de Qumica, Universidad de la Amazonia, Florencia-Caquet 180002
[Reemplace los nombres y ttulos siguientes con los de los contribuidores reales: Almuneda Benito, PhD1; Enrique Gil, PhD2; Francisco Prez-Olaeta, RN, BSN, MHA3 y Pilar Pinilla, MD4
2
Docente
1[Agregue una afiliacin para el primer Programa
contribuidor], de Qumica,
2[Agregue una afiliacin Universidad
para el segundo de la
contribuidor], 3[Agregue una Amazonia, Florencia-Caquet
afiliacin para el tercer 180002
contribuidor], 4[Agregue una afiliacin para el cuarto contribuidor]

E-mail: j.melo@udla.edu.co

INTRODUCCIN ANLISIS ESTADSTICO PLS-DA

El caf de Colombia posee caractersticas nicas que pueden identificarse
fcilmente dependiendo su calidad del sitio donde es cultivado. Por tanto, se
busca la determinacin del origen de muestras de caf por medio del anlisis
estadstico de su espectro ultravioleta visible.
El anlisis estadstico consiste en la proposicin y validacin de modelos PCA,
PLS-DA y K-NN tomando un conjunto de datos de 25 espectros UV-Vis de
muestras de caf, 14 provenientes del departamento del Huila y 11 del
departamento del Caquet.
Figura 4. Validacin cruzada Figura 5. Clasificacin de muestras
Matrix confusin-Promedios espectros
METODOLOGA
Validacin LOO=1 LMO=3
Clases Caquet Huila Caquet Huila
Correctamente 3 11 3 5
Incorrectamente 2 2 5 5
No asignado 3 1 3 4
Precisin 56% 32%
Tasa error 44% 68%
Tabla 2. Clasificacin de las muestras del caf mediante PLS-DA (Promedios 240-665nm)
Matrix confusin-Segunda derivada espectros
Validacin LOO=1 LMO=3
Clases Caquet Huila Caquet Huila
Correctamente 6 11 6 8
Incorrectamente 2 1 2 3
No asignado 3 2 3 3
Precisin 68% 48%
Tasa error 32% 52%
Figura 1. Procedimiento realizado en la preparacin de las muestras Tabla 3. Clasificacin de las muestras del caf mediante PLS-DA (Segunda derivada 240-665nm)
Promedio de espectros Segudnad derivada de espectros
0.5
0.6

ANLISIS ESTADSTICO K-NN 0.4

0.3
0.4

0.2
Absorbancia Absorbancia
0.2
0
K-NN (Vecinos ms cercanos) es una tcnica estadstica que busca predecir la 0.1
240 260 280 300 320 340 360 380 400
-0.2
clase a la que pertenece una muestra desconocida a partir de la distancia 0
240 260 280 300 320 340 360 380 400 -0.4

multidimensional existente entre esta y un conjunto de entrenamiento. nm

Figura 6. Promedio espectros 240nm-400nm
nm
Figura 7. S. Derivada espectros 240nm-400nm
Matrix confusin-Promedios Matrix confusin-Segunda Derivada
Validacin LOO=1 LOO=1
Clases Caquet Huila Caquet Huila
Correctamente 4 11 8 12
Incorrectamente 3 2 2 2
No asignado 3 1 1 0
Precisin 60% 80%
Tasa error 40% 20%
Figura 2. Espectros de las 25 muestras de Caf Figura 3. Segunda derivada de los espectros Tabla 4. Clasificacin de las muestras del caf mediante PLS-DA (Segunda derivada y promedios 240-400nm)
K-NN (Vecinos ms cercanos)
K-NN 1 3 5 ANLISIS ESTADSTICO PCA
Origen Caquet Huila Caquet Huila Caquet Huila El Anlisis de Componentes Principales (PCA) es una tcnica estadstica de
Correctamente 6 7 5 6 3 9 sntesis de la informacin, o reduccin de la dimensin (nmero de
variables).Datos con muchas variables, el objetivo ser reducirlas a un menor
Incorrectamente 5 7 6 8 8 5 nmero perdiendo la menor cantidad de informacin posible.
Precisin 52% 44% 48%
Porcentaje de la varianza para cada componente
Error 48% 56% 52% 80.00%
78.03%

bla 1. Clasificacin de las muestras del caf mediante la implementacin de la tcnica estadstica K-NN 70.00%

60.00%

50.00%

CONCLUSIONES Porcentaje Varianza 40.00%

30.00%
Para la clasificacin mediante el anlisis estadstico K-NN se observa que el modelo
trabajado con un vecino ms cercano aporta una mayor precisin adems de que las 20.00%
10.43%

muestras clasificadas correctamente se encuentran distribuidas para ambas clases. 10.00% 3.68%

En la validacin del mtodo PLS-DA se determin que el numero de muestras 0.00%

1 2 3

asignadas al grupo de entrenamiento afecta directamente el nivel de predictibilidad del Nmero de componentes principales

modelo. Figura 7. Relacin de la varianza y el nmero Figura 8. Porcentaje de la Varianza explicada

de componentes para cada componente
Los espectros se deben estudiar en las longitudes de onda 240nm-400nm donde
aparecen diferencias significativas de absorbancia; clasificando correctamente el 80%
del conjunto de muestras. Kenneth R. Beebe, Randy C. Pell, Mary Beth Seasholtz. Wiley Interscience Series on Laboratory
Despus de validar el modelo es posible determinar una muestra de caf de origen del Automation, 1998
Huila o Caquet a partir de su espectro visible mediante PLS-DA. Ballabio, D.; Consonni, V. Classification Tools in Chemistry. Part 1: Linear Models. PLS-DA. Anal.
Methods 2013, 5 (16), 37903798.