UNIVERSIDAD NACIONAL AGRARIA LA MOLINA

MAESTRÍA EN TECNOLOGIA DE ALIMENTOS

Métodos Estadísticos para la Investigación en
Tecnología de Alimentos
Diseño de mezclas con restricciones
ALUMNOS :
Bravo Nuñez, Abby Ivette Huaracha Quispe, Doris Pilar
Garay Barrios, Julio Garay Lopez Perez, Heberth
Edinson

2021
 I.- INSTRODUCCIÓN

El agua de coco es una bebida isotónica apreciada en todo el

mundo por su agradable sabor y sus propiedades
nutricionales y medicinales (Lakshmanan et al., 2020).

Este alimento es fuente de carbohidratos, lípidos, proteínas,

vitaminas y minerales como Ca, Fe, Mg, Na, P, K, entre otros
(Cunha et al., 2020).

Las concentraciones de estos nutrientes pueden variar mucho

en función del suelo, el periodo de maduración de la fruta, la
frecuencia de riego y las condiciones climáticas

2
▰ En este trabajo se desarrolló un método para
determinar las concentraciones de trazas de Cu y
Mn en muestras de agua de coco mediante
espectrofotometría de absorción atómica de
llama.

▰ Se utilizó la DLLME como técnica de

preconcentración, y las variables involucradas en
su desempeño fueron optimizadas mediante
metodologías de optimización multivariada
(diseño de mezcla y diseño de Doehlert).

3
 IV. OBJETIVOS DE LA INVESTIGACIÓN

Objetivo

▰ Determinar el Cu y el Mn en muestras de
agua de coco por espectrometría de
absorción atómica de llama.

Se utilizó un diseño de mezcla para optimizar las

proporciones de los componentes formados por
cloroformo (10%),
acetonitrilo (76%)
y solución de 5-Br-PADAP al 0,020% (14%).

El diseño Doehlert optimizó las variables pH, NaCl y

cantidades de tampón para la extracción de ambos
metales 4
Optimización de microextracción líquido-líquido dispersiva
(DLLME)

Las proporciones de la mezcla (disolvente de extracción, disolvente de

dispersión y reactivo complejante) para llevar a cabo la DLLME se
optimizaron utilizando un diseño de mezcla restringido.

run x1 x2 x3 Cu
1 4000 500 500 0.0690
2 3500 1000 500 0.0120
3 3500 500 1000 0.0403
4 3750 750 500 0.0223
5 3750 500 750 0.0680
6 3500 750 750 0.0197
7 3667 666 667 0.0260
8 2833 583 583 0.0380
9 2583 833 583 0.0183
10 3583 583 833 0.0263

5
 Multiple R-squared: 0.9729,

p-value: 0.004241

Cu=(2.219e-05 )x1 + (3.402e-04 )x2 + (-2.502e-04 )x3 + (-9.824e-08 )x1*x2+(8.985e-08 )x1*x3 +(-1.991e-07 )x2*x3

6
Residual standard error: 0.01013806
RESULTADOS

Predichos Residuales
x1 x2 x3 y
1 0.067201901 0.0017980994
1 4000 500 500 0.0690
2 0.006611456 0.0053885438
2 3500 1000 500 0.0120
3 0.040570198 -0.0002701985
3 3500 500 1000 0.0403
4 0.030766948 -0.0084669481
4 3750 750 500 0.0223
5 0.059501837 0.0084981630
5 3750 500 750 0.0680
6 0.011145326 0.0085546736
6 3500 750 750 0.0197
7 0.032453267 -0.0064532672
7 3667 666 667 0.0260
8 0.033803005 0.0041969951
8 2833 583 583 0.0380
9 0.022070356 -0.0037703565
9 2583 833 583 0.0183
10 0.035692170 -0.0093921700
10 3583 583 833 0.0263

cv.model(testQ) = 29.83392
7
RESULTADOS
mo

Ac
or

eto
rof

nit
Clo

rile
8
Complexing
Gracias