UNIVERSIDAD TÉCNICA DE MANABÍ

FACULTAD DE CIENCIAS FISICAS, QUIMICAS Y MATEMATICAS

PROCESAMIENTO DE ALMIENTOS Y LAB I

CONSULTA #1

ESTUDIANTE:

Bone Navia Xavier Alexander

NIVEL:

IX “A”

DOCENTE:

Dr. Jadan Piedra Felipe Arturo

TEMA:

“Modelos matemáticos para determinar la concentración de muestras en

cromatografía”

La cromatografía es un método de separación de diferentes componentes de una

muestra, este método logra la separación de los mismos a través del paso de una
muestra por una fase estacionaria con la ayuda de la fase móvil, cada componente de la
muestra tiene propiedades particulares que permitirá su interacción en forma diferente
entre la fase estacionaria y móvil, de esta forma cada componente se retrasa en forma
particular y si el caudal, las característica de la fase estacionaria y móvil y la longitud de
la columna son las adecuadas se lograra la separación completa de todos los
componentes de la muestra.
El objetivo principal de un estudio cromatografía es lograr la separación de todos los
componentes en una muestra, para ello es necesario jugar con una serie de factores
cromatógraficos, es por ello que es necesario conocer como están relacionados los
diferentes factores experimentales con las ecuaciones cromatografícas.
Clasificación de los Métodos Cromatograficos:
 Según como se coloque en contacto la fase móvil y estacionaria:
cromatografía en columna y cromatografía plana
 Según el tipo de fase móvil utilizada: Cromatografía gaseosa y cromatografía
Liquida y cromatografía de fluidos súper críticos. (Robinson K. et al, 2001).
Según Díaz E. y colaboradores existen cinco métodos de análisis cuantitativo que se
discuten brevemente a continuación:

Calibración directa, absoluta, o de patrón externo.

Para realizar el cálculo de la composición de la muestra, se inyectan masas exactas y
conocidas de analito puro (patrón) y se determina su área (Ap). A continuación se hace
una gráfica relacionando el área del pico (Ap) con su masa (mp), obteniendo entonces
una curva de calibración que debe ser lineal y pasar por el origen del eje de coordenadas
(Fig. 1). Así se realizará después con cada uno de los patrones.

Figura 1. Recta de calibración directa.

Se inyecta entonces una masa exacta de la muestra problema (mx) y se determina el área
del componente a analizar (Ax). La masa de cada componente se obtendrá interpolando
el valor del área en la ecuación correspondiente a cada patrón, de forma que:
𝐴𝑝
𝑚𝑃 =
𝐾
Normalización de área
Como indica su nombre, es un método que permite establecer el porcentaje de cada
componente en la muestra. Se calcula dividiendo el área de cada componente entre el
área total y multiplicando por 100. Es decir:
𝐴𝑥
%𝑋 = ( ) × 100
∑𝑖 𝐴𝑖
Donde, Ax es el área del componente X y en el denominador, la suma de todas las áreas.
Para que este método sea preciso, se debe cumplir que todos los analitos eluyan, se
detecten y tengan la misma sensibilidad bajo el detector. Normalmente, sólo se aplica a
compuestos de una serie homóloga
Normalización de área con factor de respuesta
Cuando se dispone de los patrones, éstos se pueden analizar en las mismas condiciones,
con objeto de calcular los factores de corrección (= factores de respuesta), f. Una
substancia (puede ser un analito de la muestra) se elige como patrón y a su factor de
respuesta, fp, se le da un valor arbitrario de 100. El cálculo del factor de respuesta se
realiza experimentalmente de la siguiente forma. Se hacen mezclas, pesadas, que
contienen una cantidad conocida del patrón y uno de los otros analitos y se
cromatografían; así con cada uno de ellos. Las áreas de los dos picos, Ap (del patrón) y
Ax (del analito desconocido), se miden y se calcula el factor de respuesta relativo del
analito desconocido (fx) de la forma:
𝐴𝑝 𝑚𝑥
𝑓𝑥 = 𝑓𝑝 ( )( )
𝐴𝑥 𝑚𝑝
𝑚𝑥
Donde, , es el cociente de masas del analito desconocido respecto al patrón. Cuando
𝑚𝑝

se cromatografía la muestra problema, cada área obtenida se multiplica por su factor.

Entonces, el porcentaje se calcula como antes (San Cristóbal et al, 2011, p. 35):
𝐴𝑥 𝑓𝑥
%𝑋 = ( ) × 100
∑𝑖 𝐴𝑖 𝑓𝑖

Calibración indirecta, relativa o método del patrón interno

En este método, el patrón elegido no puede ser un analito de la muestra. Este patrón se
añade a la muestra a analizar en una concentración conocida; de ahí el nombre de patrón
interno. Este patrón interno debe cumplir una serie de requisitos: eluir cerca de los picos
de interés, estar resuelto de ellos, ser de naturaleza química similar a los analitos de
interés y no reaccionar con ellos y debe existir en estado puro
La forma experimental de realizar este proceso es la siguiente: se preparan muestras que
contengan dos patrones, uno, el del analito presente en la muestra a concentración
variable y otro, el elegido como patrón interno, a una concentración fija. Se
cromatografían estas muestras y se realiza una curva de calibración que debe ser lineal.
A continuación, se representa el cociente de áreas del analito patrón a concentración
variable (Ax), respecto al patrón interno, a concentración fija (Api), frente a la masa
variable del analito patrón (mx). La calibración se representa en la Fig. 2. Cuando se
cromatografía la muestra problema en presencia de una concentración dada de patrón
interno, se obtienen las áreas del analito problema y del patrón interno. Basta entonces,
interpolar el cociente de áreas en la recta de calibración para conocer la masa del analito
problema.

Figura 2. Recta de calibración indirecta

Método de adición de patrón externo

En este método también se añade un patrón a la muestra problema, pero la naturaleza
química del patrón es la misma que la del analito de interés. Se requiere una alta
reproducibilidad en el volumen de muestra inyectada. El principio de este método es
que la señal extra, producida por la adición de patrón, es proporcional a la señal
original. La Fig. 3 muestra de forma gráfica este método. Nótese que hay señal cuando
no hay adición de patrón externo; esta representa la concentración original que es el
objeto de determinación. A medida que aumenta la cantidad de patrón externo (mpe)
añadido a la muestra, la señal incrementa (Área de pico), produciendo una línea recta de
calibración.

Figura 3. Recta de calibración por adición de patrón externo.

Para encontrar la cantidad original desconocida de analito, se extrapola la línea recta
hasta cortar con el eje de abscisas en la zona negativa. Este valor en el eje de abscisas,
cambiado de signo, representa la cantidad (masa) de analito presente en la muestra antes
de la adición de cualquier cantidad de patrón externo.
 Minimos cuadrados lineales (Gary C, 2011).

El analista enfrenta a menudo la necesidad de graficar datos que caen en una línea recta,
como en una curva de calibración analítica. La graficación, es decir el ajuste de curva,
tiene gran importancia para obtener datos analíticos. Es la curva de calibración la que se
usa para calcular la concentración desconocida. La predictibilidad y la congruencia de la
línea recta determina la exactitud del cálculo de la incógnita. Todas las mediciones
tienen un grado de incertidumbre, y lo mismo sucede con la línea recta graficada. La
graficación se hace a menudo en forma intuitiva; es decir, simplemente trazando “a ojo”
la mejor línea recta, colocando una regla a través de los puntos que, invariablemente,
tienen alguna dispersión. Una mejor forma es aplicar la estadística para definir el mejor
acomodo de los datos a una línea recta. La disponibilidad de funciones estadísticas en
hojas de cálculo hace sencillo llevar a cabo ajustes a líneas rectas o incluso no lineales.
Así pues, en primera instancia se revisarán los cálculos que se llevan a cabo en el
acomodo de curvas y la evaluación estadística. Si se supone una relación de línea recta,
entonces los datos deben obedecer a la ecuación

𝑦 = 𝑚𝑥 + 𝑏

donde y es la variable dependiente, x es la variable independiente, m es la pendiente de

la curva, y b es la intersección con el eje de ordenadas (y); y normalmente es la variable
medida, la cual se grafica como función de la variable x. En una curva de calibración de
un espectrofotómetro, y representaría las absorbencias medidas y x las concentraciones
de los estándares. El problema, entonces, es establecer valores para m y b.

Se puede demostrar estadísticamente que la mejor línea recta a través de una serie de
puntos experimentales es la línea para la cual la suma de los cuadrados de las
desviaciones (los residuales) de los puntos de la línea es mínima. Esto se conoce como
método de los mínimos cuadrados. Si x es la variable fija (por ejemplo, la
concentración) y y es la variable medida (la absorbencia en una medición
espectrofotométrica, el área de máximos en una medición cromatográfica, etc.),
entonces será de interés la desviación vertical de y desde la línea a un valor dado de x
(xi). Si y1 es el valor en la línea, éste es igual a mxi + b. El cuadrado de la suma de las
diferencias, S, es entonces
 𝑆 = ∑(𝑦𝑖 − 𝑦𝑡 )2 = ∑[𝑦𝑖 − (𝑚𝑥𝑖 + 𝑏)]2

La línea es más recta cuando S pasa por un mínimo. Esto se obtiene mediante el uso del
cálculo diferencial, igualando a cero las derivadas de S con respecto a m y b y
resolviendo para m y b. El resultado es (Gary C, 2011).

∑(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦̅)

𝑚=
∑(𝑥𝑖 − 𝑥̅ )2

𝑏 = 𝑚𝑥̅ + 𝑦̅

(∑ 𝑥𝑖 ∑ 𝑦𝑖 )
∑ 𝑥𝑖 𝑦𝑖 − [ ]
𝑛
𝑚=
(∑ 𝑥𝑖 )2
∑ 𝑥𝑖 2 − [
𝑛 ]
 EJERCICIO

BIBLIOGRAFIA:
Díaz E., San Cristobal M., Alarcon B., Cordoba C., Legaz M. (2011). Curso de
cromatografía de líquidos de alta resolución (HPLC): Prácticas de laboratorio y
cuestiones teórico-prácticas. Parte II. Práctica de laboratorio: análisis cuantitativo
básico. Revista Reduca (Biología). Serie técnicas y métodos. Vol. 4, núm. 3, 33-47,
ISSN 1989-3620

Gary C., (2011). Química analítica. 6ta edición. México: McGraw-Hill

Robinson K., Robinson J. (2001). Análisis Instrumental. Editorial Pearson Educación.

S.A. Madrid.

Gary C., (2011). Química analítica. 6ta edición. México: McGraw-Hill .