Resumen de Predicción de la conductividad eléctrica en leche de cabra mediante la técnica NIRS

Raquel Muelas Domingo, Gema Romero Moraleda, José Ramón Díaz Sánchez, Esther Sendra Nadal

• español

  La utilización de la técnica NIRS permite la determinación de forma rápida, económica y nodestructiva de los constituyentes mayoritarios de la leche. En este trabajo se han desarrollado una seriede ecuaciones de calibración mediante un espectrofotómetro InfraAlyzer 500 Bran+Luebbe parapredecir un nuevo parámetro físico-químico en la leche como es la conductividad eléctrica. Seutilizaron un total de 188 muestras para el conjunto de la calibración y 48 para la validación externa.Los tratamientos estadísticos utilizados para el desarrollo de las ecuaciones de calibración fueron unaregresión lineal múltiple (MLR Stepwise) y una regresión por mínimos cuadrados parciales (PLSR)aplicando diferentes transformaciones (1ª y 2ª derivada). Las mejores ecuaciones de calibración unavez validadas se obtuvieron por el procedimiento MLR. Los valores estadísticos obtenidos fueron: elerror típico de la estimación (SEE)=0,225; coeficiente de correlación múltiple (R)=0,94 y error típicode predicción (RMSEP)=0,341.

• English

  Major milk components can be easily and inexpensively determined by means of the non-destructive NIRStechnique. In the present study several calibration equations have been proposed to predict the electricalconductivity of milk by using a NIRS equipment, InfraAlyzer 500 Bran+Luebbe. 188 samples were analysed tocalibrate the equipment and 48 samples to carry out the external validation. The statistical tools used to obtainequations were: multiple linear regression (MLR Stepwise) and partial least squares regression (PLSR) testingtwo transformations (1st and 2nd derivatives). The best calibration equations were those obtained by MLRprocedure as proved by the external validation. The following values were obtained for statistical indicators:standard error of estimate (SEE)=0.225; multiple correlation coefficient (R)=0.94 and root mean square error ofprediction (RMSEP)=0.341.