Universitas,Volumen 3, Número 1, 2009,16-26 , ISSN 2071-2574

© 2009 UNAN-León, Editorial Universitaria

Cálculo de la incertidumbre por simulación de Monte Carlo en la determinación de

aflatoxina B1 en maní de exportación por HPLC-FD. Aplicación a la evaluación de la
conformidad. Parte II
Gustavo Delgado1* y Norma Hernández2*

1. Universidad Nacional Autónoma de Nicaragua, León (UNAN-LEÓN). Facultad de Ciencias y Tecnología, Departamento de
Química, Laboratorio de Análisis de Trazas de Metales Pesados (LATMP), Edificio de Ciencias Básicas, León, Nicaragua. Tel:
(505) 2311 5013, ext: 1132. Fax: (505) 2311 4012.
2. Laboratorio SER-AGRO S.A., Km 38 carretera Chinandega-Corinto, Tel: 2340 3493.

RESUMEN

El objetivo del presente estudio es utilizar la simulación numérica de Monte Carlo (SMC) para calcular la incertidumbre en la determinación
de aflatoxina B1 (mensurando y) en una muestra de maní de exportación por Cromatografía Líquida de Alto Desempeño con Detector de
Fluorescencia (HPLC-FD). El cálculo se basó en la generación de 5000 valores aleatorios para cada una de las 19 variables que influyen
en el mensurando y, se introducen en la función que relaciona las variables y se obtienen 5000 valores aleatorios de la función. La
incertidumbre se calculó como desviación estándar poblacional. El programa se elaboró en lenguaje Maple y en hoja de cálculo Excel,
obteniéndose los mismos valores de incertidumbre, 0.225543 y 0.225180. Estos resultados fueron comparados con los obtenidos por la
aplicación de la ley de propagación de la incertidumbre y no hubo diferencias significativas. El contenido de aflatoxina B1 en la muestra de
maní para exportación con su incertidumbre expandida fue Y=(1.47 ± 0.45) µg/Kg con un factor de cobertura de 2 al 95.45% de nivel de
probabilidad. La evaluación de la conformidad del producto se basó en el enfoque funcional de la norma ISO 17000 y el requisito de los
compradores, de acuerdo a la guía del cumplimiento con las especificaciones de la ILAC.
Palabras claves: incertidumbre por HPLC en maní, incertidumbre por simulación de Monte Carlo, evaluación de la conformidad.

1. INTRODUCCIÓN que los laboratorios de ensayos deben evaluar

la incertidumbre en las mediciones, aplicando un
En la primera parte de este estudio[1] se evaluó la procedimiento documentado. Los laboratorios deben
incertidumbre en la determinación de aflatoxina presentar a sus clientes un informe de los resultados
B1 en una muestra de maní de exportación por con su incertidumbre. Muchos clientes, sobre todo los
Cromatografía Líquida de Alto Desempeño con Detector compradores de productos de intercambio comercial
de Flourescencia (HPLC-FD), aplicando la ley de y algunas instancias públicas, se preocupan por
propagación de la incertidumbre[2-6]. La técnica de Monte conocer la incertidumbre de las mediciones[13] con
Carlo es una alternativa para estimar la incertidumbre sin el fin de evaluar la conformidad[14] o cumplimiento
necesidad de realizar cálculos de derivadas parciales, con las especificaciones de un producto que ha sido
tal a como lo establece el nuevo suplemento de la guía evaluado utilizando el método seleccionado para el uso
GUM ISO 2008[7]. previsto[14,15] y basándose en los lineamientos de la guía
para la evaluación y reporte del cumplimiento con la
Esta técnica es un método de simulación numérica especificación[16].
(SMC) que sirve para generar variables aleatorias y
evaluar la incertidumbre en sistemas complejos en Los compradores de maní de exportación establecen
diferentes campos de las ciencias[8]. Así por ejemplo, sus requisitos para el contenido de aflatoxinas B1.
en la físico química teórica, en la mecánica cuántica Compradores ingleses establecen como criterio un
y la mecánica estadística, donde muchos fenómenos contenido menor o igual a 1.5 µg/Kg. En los Estados
están basados en modelos matemáticos difícilmente Unidos, al igual que la OMS, aceptan hasta 15 µg/
derivables, la técnica SMC es ampliamente utilizada[9]. Kg como aflatoxinas totales (B1, B2, G1, G2)[1,17]. En
En los últimos años la simulación de Monte Carlo ha el estudio que se realizó anteriormente[1] se calculó
venido aplicándose a la evaluación de la incertidumbre la incertidumbre en la medición de aflatoxina B1 en
en el campo de la química analítica[8, 10,11, 23]. la muestra de maní de exportación, siguiendo las
guías GUM ISO 1995 y EURACHEM/CITAC[2,5]. Estas
Los requisitos de la norma para la competencia técnica directrices establecen la ley de propagación de la
de los laboratorios ISO/IEC 17025:2005[12] establece incertidumbre[3,4] como un método analítico para la
* Autor para correspondencia: gdelgado@unanleon.edu.ni
nhernandez@comasa.com.ni
Universitas 3 [1] 2009, ISSN 2071-2574 │ 16
evaluar la incertidumbre y son las que usualmente Las tres PDFs gxi(ξi ), i=1,2,3, se propagan a través de la
implementan los laboratorios de ensayos para calcular simulación de Montecarlo para obtener un mensurando
la incertidumbre de las mediciones. La norma ISO/IEC y con distribución gaussiana y una función de densidad
17025 exige como requisito evaluar la incertidumbre y de probabilidad gy(η).
no especifica el procedimiento a utilizar; es el laboratorio
el que debe establecer el procedimiento normalizado   
para evaluar la incertidumbre.
 
  
 
Por lo tanto, en el presente trabajo se pretende    

proponer la técnica de Simulación de Monte Carlo

como una alternativa para evaluar la incertidumbre Figura 2. Ilustración de la propagación de las distribuciones (por
en la determinación de aflatoxina B1 en maní de la técnica Monte Carlo) para tres variables independientes.
exportación por HPLC-FD y aplicarla a la evaluación
de la conformidad del producto de acuerdo con los Pueden existir diferentes distribuciones de entradas
requisitos de los compradores. Para ello, se tomaron (gaussiana, rectangular, t, etc.) y la PDF del mensurando
los resultados del trabajo anterior[1], se elaboró un obtenida podría tener forma asimétrica[7].
algoritmo para el cálculo de la incertidumbre por
SMC, se programó en lenguaje Maple[18] y en hoja de El proceso del cálculo de la incertidumbre, utilizando
cálculo Excel, y se compararon los resultados con las la simulación de Monte Carlo se puede representar en
especificaciones establecidas por el cliente. el esquema de la figura 3, partiendo del modelo que
relaciona el mensurando con la función de las variables
2. TEORÍA y finalizando con el valor del mensurando y y su
incertidumbre expandida U con un factor de cobertura
Ya se ha discutido[1] que existen dos vías para evaluar k(=2) al 95.45% de probabilidad de cobertura.
la incertidumbre en las mediciones: por métodos
analíticos aplicando la ley de la propagación de la  
 
 
 
   
 
 
incertidumbre y por métodos numéricos utilizando la      
técnica de simulación de Monte Carlo[7] que propaga las
distribuciones de las diferentes variables de entrada. Figura 3. Proceso del cálculo de la incertidumbre por SMC.
En lo que sigue se describe brevemente cada una
de estas técnicas. En la figura 1 se ilustra la ley de la Este proceso se puede resumir así: a partir de la
propagación de la incertidumbre para 3 variables de generación de una población de variables aleatorias
entrada. Cada variable de entrada xi es caracterizada de entradas con distribución gaussiana, se genera
por su esperanza y su incertidumbre asociada uxi una población normal del mensurando y se calcula
siguiendo una función de densidad de probabilidad. su incertidumbre. El principio del cálculo se detalla a
Esta información se propaga utilizando la ley de continuación.
propagación de la incertidumbre a través del desarrollo
de la expansión de Taylor, despreciando las derivadas PRINCIPIO DE LA TÉCNICA DE SIMULACIÓN DE
mayores de segundo orden[2]. MONTE CARLO (SMC)

La técnica de Monte Carlo está inspirada en los juegos

  de azar (poker), y se le ha denominado Monte Carlo
por la capital de Mónaco, donde existen los famosos


    

casinos del Principado[7,8]. Esta técnica se resume en
  las siguientes etapas[7]:

Figura 1. Ilustración de la ley de propagación de la incertidumbre Formulación:

de tres variables independientes.
a)Se define el mensurando Y o la variable de salida.
En la figura 2 se ilustra la propagación de las b)Se determinan las variables de entrada X=x1, x2, …, xm
distribuciones de tres variables independientes. Cada que influyen en el mensurando.
variable de entrada está caracterizada por una función c)Se deduce el modelo que relaciona Y con X, y=f(xj).
de densidad de probabilidad PDF gxi(ξ), con distribución Siendo j=1,2,…, m variables.
normal según la ecuación siguiente: d)De acuerdo al tipo de distribución (normal, rectangular,
ଵ ଵ కିఓ
etc.) se le asignan los PDFs a las variables xj. Normal
gx([)ൌ ݁‫ ݌ݔ‬ቂെ ቀ ቁቃ para el presente estudio.
ఙξଶగ ଶ ఙ
Universitas 3 [1] 2009, ISSN 2071-2574 │ 17


Propagación de las funciones de densidad de de la conformidad debe garantizar que los resultados
probabilidad (PDFs): de sus ensayos sean trazables, precisos y confiables.
El producto va acompañado con la constancia del
Para xj a través del modelo f(xj), para obtener la PDF laboratorio como evidencia del cumplimiento de la
de Y. conformidad o especificaciones[16] requeridas por el
cliente.
a)Para cada variable xj se genera una variable aleatoria
de distribución normal a partir de un número aleatorio La incertidumbre expandida es un factor muy importante
de distribución uniforme: vij=xi+zijuj (ver anexo). en el cumplimiento de la conformidad. El nivel de
b)Se generan n valores aleatorios de la función yi=f(vij) incertidumbre aceptable tiene que decidirse sobre
caracterizado por una distribución de probabilidad la base de la aptitud para su uso, y esta decisión se
gaussiana N(y,uy) : toma a partir de un acuerdo con el cliente[13]. La guía
para la evaluación y reporte del cumplimiento con las
݂ଵ ሺ‫ݒ‬ଵଵ ǡ ‫ݒ‬ଵଶ ǡ ǥ ǡ ‫ݒ‬ଵ௠ ሻ especificaciones[16], presenta los diferentes casos que
‫ݕ‬ൌ቎ ݂௜ ሺ‫ݒ‬௜௝ ሻ ቏ establecen los criterios (basados en la incertidumbre
݂௡ ሺ‫ݒ‬௡ଵ ǡ ‫ݒ‬௡ଶ ǡ ǥ ǡ ‫ݒ‬௡௠ ሻ expandida al 95% de nivel de confianza) para la toma
de decisiones en el cumplimiento con la conformidad
Valores característicos del mensurando: del producto.

a)Se obtiene el estimado o esperanza de Y. La tabla I muestra los diferentes casos con los resultados
b)Se obtiene la desviación estándar de Y, se toma como de los ensayos y su incertidumbre expandida frente a
la incertidumbre estándar uy asociada con y.  los límites superior o inferior de la especificación (LES
c)Se obtiene el intervalo de cobertura que contiene a y LEI) del producto y el cumplimiento con los requisitos
Y con una probabilidad especificada (probabilidad de del cliente.
cobertura). En el presente estudio asumimos un factor
de cobertura k=2, admitiendo una PDF gaussiana.
Tabla I. Criterios de cumplimiento de los resultados de ensayos
EVALUACIÓN DE LA CONFORMIDAD (EC) con las especificaciones del producto y los requisitos del
cliente. Cumplimiento posible SI o posible NO, indica decisión
por acuerdo con el cliente.

Uno de los principales obstáculos técnicos al comercio
internacional son las normas técnicas que establecen
los requisitos para la adquisición de un producto o de Caso Resultados al 95% Requisitos* Cumplimiento
de probabilidad
un servicio. Para evitar estos obstáculos la Asociación
Latinoamericana de Integración (ALADI) ha suscrito un 1 y + U < LES <LES Si
≤LES Si
“acuerdo de superación a los obstáculos técnicos al
comercio”[21], con el fin de crear y fortalecer los sistemas 2 y < LES < y + U <LES Posible No
≤LES Posible Si
de evaluación de la conformidad (SEC) para viabilizar
el reconocimiento mutuo de los SEC, tomando como 3 y = LES <LES Posible No
≤LES Posible Si
base recomendaciones de organismos internacionales
4 y > LES > y - U <LES Posible No
especializados, tales como la ISO, el Foro Internacional
≤LES Posible No
de Acreditación (IAF) y la Cooperación Internacional
5 y - U > LES <LES No
de Acreditación de Laboratorios (ILAC). A la vez, se ≤LES No
comprometen a fortalecer las estructuras de EC y a
6 y - U > LEI <LEI Si
utilizar la capacidad de los laboratorios de la región. ≤LEI Si
7 y > LEI > y - U <LEI Posible No
El principio de la evaluación de la conformidad está ≤LEI Posible Si
basado en el enfoque funcional[14], caracterizado por
8 y = LEI <LEI Posible No
una serie de funciones que satisfacen los requisitos ≤LEI Posible Si
especificados por el cliente: selección, determinación y < LEI < y + U <LEI
9 Posible No
y revisión y atestación. Los compradores establecen ≤LEI Posible No
sus requisitos para la adquisición del producto[1]; el 10 y+U<LEI <LEI No
laboratorio debe seleccionar el método apropiado, ≤LEI No
proceder a la determinación y revisar los resultados
para proporcionar una constancia o atestación de la *Especificaciones del cliente
conformidad. Esto significa que el laboratorio evaluador

18 │ Universitas 3 [1] 2009, ISSN 2071-2574

3. METODOLOGÍA 4. RESULTADOS Y DISCUSIÓN

Todas las mediciones fueron efectuadas con los Procedimiento modificado para el cálculo de la
instrumentos calibrados con patrones de trabajo incertidumbre
trazables al sistema SI y con materiales de referencia
certificados. El detalle del procedimiento y las condiciones El procedimiento para el cálculo de la incertidumbre
de operación del HPLC se encuentran en el estudio en la determinación de aflatoxina B1 siguiendo la guía
anterior[1] y en los documentos del laboratorio[22]. GUM ISO 1995 fue ampliamente discutido en el estudio
anterior[1]. En el presente trabajo se propone modificar
El equipo utilizado fue un cromatógrafo HPLC HP- el procedimiento, sustituyendo el proceso que se basa
1050 con detector de flourescencia (FD) HP-1046A y en la ley de propagación de la incertidumbre por el de la
con un reactor quimioluminiscente post columna. Los simulación de Monte Carlo. El diagrama de flujo de este
materiales, reactivos y solventes están detallado en el procedimiento se presenta la figura 4.
procedimiento del laborotorio[22]. Las soluciones patrones
se prepararon a partir de soluciones de referencias Se define el mensurando y se identifican las variables que
certificadas. La balanza (con resolución ± 0.01 g) y influyen, se deduce el modelo matemático, se identifican
los volumétricos utilizados estaban calibrados, con su las fuentes de incertidumbres a través del diagrama
certificado de calibración trazable al SI. La variación de causa-efecto, se cuantifican las incertidumbres de tipo
temperatura ambiental se registró con un termómetro A y/o B, se calcula la incertidumbre del mensurando uy
calibrado trazable al SI. por la técnica SMC, se revisa si no hay incongruencias
para reevaluar los componentes de la incertidumbre,
El procedimiento analítico consistió en preparar una se calcula la incertidumbre expandida con el factor de
disolución de la muestra de maní con metanol-agua, se cobertura k=2 al 95.45% de nivel de probabilidad y se
extrajo la aflatoxina B1 con cloroformo, se evaporó y se reporta el intervalo de cobertura con el número de cifras
redisolvió en metanol-agua, y por último se efectuó el significativas correcto.
proceso cromatográfico para medir el área de pico.
Aplicación del procedimiento
Por otro lado, se obtienen los cromatogramas del
blanco y de la solución de referencia a un nivel de La aplicación del procedimiento modificado se efectuará
concentración de 5µg/L. Con las áreas de picos y en base a los resultados del trabajo anterior[1]. El detalle
los variables experimentales se realizó el cálculo del de las operaciones del procedimiento se presenta a
mensurando con su incertidumbre asociada mediante continuación.
el modelo matemático apropiado[1].





Figura 4. Diagrama de flujo del procedimiento para calcular la incertidumbre por simulación de Monte Carlo.

Universitas 3 [1] 2009, ISSN 2071-2574 │ 19

Definición del mensurando y variables que influyen valores respectivos han sido calculado de acuerdo al
tipo de incertidumbre; las de tipo A se obtuvieron por
El mensurando y es el contenido de aflatoxina B1en µg/ la desviación estándar de una serie de observaciones
Kg en la muestra de maní de exportación. Las variables y las de tipo B se calcularon según la distribución
que influyen en el mensurando se presentan en la tabla (normal, rectangular o triangular). El valor de las
II. variables y las incertidumbres se encuentran en la tabla
Tabla II: Variables que influyen en el mensurando y III. La incertidumbre de la pureza (P=99/100=0.99)
de la solución de referencia no está especificada
Variable Especificación (unidades) en el certificado. Por lo tanto se puede asumir una
xi incertidumbre expandida unitaria en el último dígito con
Ax Área de pico de aflatoxina B1 en la solución una distribución rectangular, es decir uy=0.01/√3.
muestra (LU-S)
As Área de pico de aflatoxina B1 en la solución de Tabla III: Variables del mensurando y sus incertidumbres
referencia (LU-S)
Variable xi Valor uxi
CMRC Concentración de aflatoxina B1 de la solución de
referencia certificada (mg/L) Ax 12.22328 1.47821886
P Pureza de la aflatoxina B1 en la solución de As 76.09827 1.10384003
referencia (P%/100)
CMRC 3.415 0.01443376
v01 Alícuota de la solución de referencia certificada
v01 1 0.05720036
(mL)
V03 1 0.05720036
V02 Volumen de dilución con metanol para la solución
de referencia (mL) V02 10 0.02328687
V03 Alícuota de la solución de referencia diluida en V04 25 0.01709702
v02 (mL)
V05 25 0.05640609
V04 Volumen de agua agregado a v03 (mL)
V4 3.5 0.14516939
V05 Volumen de metanol agregado a v04 (mL)
V1 30 0.0539409
Vs Volumen de “slurry” (mezcla acuosa) de harina de
V2 20 0.02188784
muestra de maní (mL)
V0 200 0.92813358
V0 Volumen metanol agregado a Vs (mL)
Vs 100 0.0369414
V1 Volumen recolectado de la filtración de V0 (mL)
V6 1.6 0.02093419
V2 Volumen de salmuera al 20% agregado a V1
(mL) V5 1.6 0.00585692
V3 Volumen recolectado de la filtración de (V2+V1) V3 40 0.21637327
(mL) w 33.33 0.00763763
V4 Volumen de cloroformo agregado a V3 (mL) Rc 94.78 0.050100
V5 Volumen de cloroformo recolectado después de P* 0.99 0.0057735
separación (mL)
V6 Volumen añadido de metanol-agua (mL) *incertidumbre no especificada
w Peso de la muestra de harina de maní (g)
Cálculo de la incertidumbre uy por simulación de
Rc Recuperación (%)
Monte Carlo

Modelo matemático En la figura 3 se presentó el esquema general para el

cálculo de la incertidumbre por simulación numérica de
El modelo matemático ha sido deducido a partir de las Monte Carlo. Se generan los valores de las variables
etapas del procedimiento analítico[1,24]. aleatorias que influyen en el mensurando y, se introducen
en la función f del modelo matemático (ecuación 1) y se
(1) calcula el valor de y. El proceso se repite 5000 veces y
se calcula la incertidumbre como desviación estándar.
Incertidumbres de las variables del modelo
Cálculo usando Maple
Las fuentes de incertidumbres ya se han identificado
El algoritmo para generar valores aleatorios del
y calculado anteriormente[1]. El diagrama causa-
mensurando y se puede ver en el diagrama de flujo
efecto fue aplicado para identificar las fuentes, y los
de la figura 5. Primero se introducen los valores de

20 │ Universitas 3 [1] 2009, ISSN 2071-2574

 Figura 5. Algoritmo de SMC para el cálculo de la incertidumbre del mensurando uy en lenguaje Maple.

las variables xj del modelo a través de la función f, Cálculo usando Excel 2007
y=f(xj) donde xj son las variables experimentales que
se encuentran en la tabla III, j=1,2…,m, siendo m=19 El principio de la simulación es el mismo que para el
variables que tiene la función f (ecuación 1). Se asigna cálculo realizado en Maple. Se construye la matriz que
n=5000 para generar poblaciones de valores aleatorias se muestra en la tabla IV.
vij a partir de los valores de las variables xj, utilizando
Tabla IV. Diseño matricial para el cálculo de la incertidumbre
el algoritmo vij=xj+zij uj; los valores de la variable xj y su por SMC y resultados del cálculo.
incertidumbre uj se toman de la tabla III.
j=1 m=19 Mensurando Incertidumbre
 x1 u1 x2 u2 … xm um y u y
Cada valor aleatorio de vij se introduce en la función f DatosͲ>        1.47492964 0.22517952
de la ecuación (1) y se obtiene un valor aleatorio del
Cálculos zi1 Vi1 Zi2 vi2 … zim vim yi
mensurando yi=f(vij), donde i=1,2,3,…,5000. Una vez i=1  V11=x1+z11 u1     y=f(v1j)
generados los 5000 valores aleatorios del mensurando  …    …   …
se calcula la incertidumbre uy como desviación estándar n=5000       

para n grados de libertad.

En la fila Datos se introducen los valores experimentales
Ejecutando el algoritmo se tienen la media poblacional del de las variables xj y su incertidumbre uj respectiva (tabla
mensurando (y=µ), la incertidumbre uy y la incertidumbre III). En cada una de las columnas zij se generaron las
expandida U al 95.45% de nivel de probabilidad con un poblaciones de valores aleatorios normalizados z (ver
factor de cobertura k=2. figura 7 en anexo).

y=1.4686610230 Para generar estos valores se seleccionó Datos en

uy= 0.2255427491 la barra de herramientas de Excel 2007. Luego se
U=0.4510854982 seleccionaron sucesivamente las casillas Análisis de
Datos y Generación de Números Aleatorios. Dentro
La incertidumbre estándar relativa ISR en % es: de este procedimiento se completaron los datos
siguientes:
‫ݑ‬௬
‫ ܴܵܫ‬ൌ ൈ ͳͲͲ ൌ ͳͷǤ͵͸Ψ
‫ݕ‬ a)Número de variables: 1
El contenido de aflatoxina B1 en la muestra de maní de b)Cantidad de números aleatorios: 5000
exportación para un factor de cobertura al 95% (k=2) c)Distribución: normal
con el número de dígitos significativos es el siguiente: d)Parámetros: media 0 desviación estándar 1
e)Iniciar con: 1
Y= (1.47 ± 0.45) μg/Kg (o ng/g) f)Opciones de salida-rango: se seleccionó la columna zij
a partir de i=1 hasta n=5000.

Universitas 3 [1] 2009, ISSN 2071-2574 │ 21

Una vez generados los valores aleatorios de la Evaluación de la conformidad
columnas zij, se introdujo la fórmula vij=xj+zijuj en cada
columna etiquetada con vij, desde i=1 hasta 5000. En la Ya se ha discutido que los valores máximos tolerados
columna yi se introduce la fórmula de la función yi=f(vij) de la aflatoxina B1 varían según el país[1], o del uso
de la ecuación (1) desde i=1 hasta 5000 para generar que se le vaya a dar al producto[17]. La conformidad del
la población de los valores aleatorios del mensurando. maní de exportación para consumo humano directo
demandado por compradores de Inglaterra establece un
En las casillas correspondientes al mensurando y valor límite de especificación superior (LES) 1.5 µg/Kg.
se introduce la fórmula PROMEDIO(…) en el rango El reglamento europeo[25] estipula que para alimentos
de la columna yi desde i=1 hasta 5000. En la casilla de consumo humano directo el valor máximo (LES) de
correspondiente a la incertidumbre uy, se introduce aflatoxina B1 permisible es de 2 µg/Kg.
fórmula DESVEST(…) en el rango de la misma columna
yi, desde i=1 hasta 5000 Para evaluar la conformidad se siguió el esquema del
diagrama de flujo de la figura 6, basado en el enfoque
Los resultados de la simulación numérica se muestran funcional de la evaluación de la conformidad establecido
en las casillas correspondientes al mensurando en la norma ISO 17000[14].
(y=1.47492964) y su incertidumbre (uy=0.22517952) de
la tabla IV, representando la media y la incertidumbre Dependiendo de las especificaciones requeridas por
estándar de la población. Los resultados se resumen a los clientes, para el presente estudio, se dividen dos
continuación: tipos 1) para LES=1.5 µg/Kg y 2) para LES=2 µg/Kg.
ISR=15.27 % El método seleccionado acordado con el cliente es
Y= (1.47 ± 0.45) μg/Kg de aflatoxina B1 el de Cromatografía Líquida de Alto Desempeño con
Detector de Fluorescencia (HPLC-FD). Este método
Al comparar con los resultados del algoritmo ejecutado presenta las siguientes características, tomadas de los
en Maple, se puede ver que no hay diferencias datos de validación[26], una linealidad de 99.96% en el
significativas. Es importante señalar que el programa rango de concentraciones de 0.7 a 5 µg/kg y un límite
de cálculo simbólico Maple tiene la ventaja de tener de detección (LD) de 0.1 µg/Kg.
precisión ilimitada[18].
Basada en esta información y de acuerdo a los
Comparación entre la técnica SMC y la ley de requisitos del cliente se verificó que el método es apto
propagación de la incertidumbre para el uso previsto y se procedió a la realización
del ensayo para evaluar la incertidumbre utilizando
En la tabla V se reúnen los resultados del cálculo de la simulación de Monte Carlo. Los resultados arrojan
la incertidumbre realizados por la simulación de Monte que la incertidumbre estándar es uy=0.225 µg/Kg con
Carlo y los obtenidos por la ley de la propagación de la un valor del mensurando o contenido de aflatoxina B1
incertidumbre de la guía GUM ISO 1995[1]. Se puede en la muestra de Y=(1.47±0.45) µg/Kg. Se revisaron
observar claramente que las diferencias ocurren a partir los resultados y se comparó con los requisitos de los
del tercer decimal y dado que los dígitos significativos en compradores para finalmente confirmar el cumplimiento
el valor de incertidumbre están en los dos primeros, las con la conformidad del producto de acuerdo a las
diferencias no son significativas entre los 3 métodos. especificaciones de los clientes.

No obstante, la simulación numérica tiene ventajas El cumplimiento con las especificaciones se puede ver
sobre el método analítico porque no solamente evita los en la tabla VI. Según los resultados, caso 1, el maní
cálculos de derivadas parciales, sino que puede evaluar cumple con los requisitos de las especificaciones del
la incertidumbre en modelos matemáticos difícilmente comprador que exige un contenido máximo de 2 µg/
derivables[7-9,23]. Kg de aflatoxina B1; no obstante, el cumplimiento de
Tabla V. Resultados de las diferentes técnicas para el cálculo
la conformidad del producto para el cliente del caso 3
de la incertidumbre debe ser acordado con el cliente.
Técnica uy μg/Kg ISR % Y= (y±U) µg/Kg Tabla VI. Evaluación de la conformidad del maní para
k=2 al 95.45%
aflatoxina B1.
SMC Maple 0.225543 15.36 1.47 ± 0.45
SMC Excel 0.225180 15.27 1.47 ± 0.45 Caso Resultados Requisito (LES) Cumplimiento

GUM ISO 1995 0.224632 15.23 1.47 ± 0.45 1 y+U=1.92<LES ≤2.0 SI

3 y=1.47=LES ≤1.5 SI, acordado

22 │ Universitas 3 [1] 2009, ISSN 2071-2574

 






  





Figura 6: Enfoque funcional de la evaluación de la conformidad del maní de exportación.

En un artículo reciente[27] se propone tomar en cuenta el El contenido de aflatoxina B1 encontrado fue de

límite de detección (LD) en los límites de especificación Y=(1.47±0.45) µg/Kg para un factor de cobertura de
del producto. El cumplimiento de la conformidad se 2 al 95.45% de nivel de confianza. La simulación fue
convierte en Y≤(LES±LD). Para el presente estudio el realizada también en hoja de cálculo Excel, obteniéndose
límite de detección del método es 0.1 µg/Kg. los mismos resultados. Se demostró que esta técnica
no difiere de la utilizada en el procedimiento GUM ISO
De acuerdo a los criterios del cumplimiento de la 1995.
especificación presentados en la tabla I, los requisitos
son: Y≤(2.0-0.1)=1.9 caso 2 y Y≤(1.5-0.1)=1.4 caso 4. En La incertidumbre expandida fue utilizada para la
ambos casos se deduce que la conformidad del producto evaluación de la conformidad del maní que se exporta,
deberá ser acordado con el cliente. Si se reduce el nivel siguiendo los criterios establecidos para el cumplimiento
de probabilidad de la incertidumbre expandida, el no- de las especificaciones del cliente de acuerdo a la guía
cumplimiento es posible. Esta propuesta no ha sido aún de la Cooperación Internacional de Acreditación de
integrada en los criterios de la ILAC. Laboratorios (ILAC). Las especificaciones del producto
cumple con los requisitos, 1.5 µg/Kg para compradores
5. CONCLUSIONES de Inglaterra y 2 µg/Kg para la comunidad europea.

Se pudo demostrar que la simulación numérica de Si se toma en cuenta el límite de detección en el

Monte Carlo es una técnica sencilla para evaluar la límite superior de la especificación y se reduce el
incertidumbre en la determinación del contenido de nivel de confianza en la incertidumbre expandida, el
aflatoxina B1 por la técnica de HPLC-FD en una muestra no cumplimiento es probable para ambos casos. Es
de maní de exportación. El procedimiento general GUM importante destacar, que en el presente estudio no se
ISO-EURACHEM fue modificado, sustituyendo la ley tomó en cuenta la heterogeneidad de la muestra. En
de propagación de la incertidumbre por la simulación un mismo lote pueden existir grandes variaciones en el
numérica. contenido de aflatoxinas.

Se diseñó el algoritmo y se elaboró el programa en 6. Reconocimiento

lenguaje Maple, generando valores aleatorios de las
variables del modelo matemático. Luego se generó una Los autores agradecen al Laboratorio SER AGRO, S.A.
población de la función que relaciona las variables y por hacer posible la publicación del presente estudio,
finalmente se calculó la media y la incertidumbre de la realizado dentro del contexto de la mejora continua que
función como desviación estándar. el laboratorio lleva a cabo para mantener la Acreditación

Universitas 3 [1] 2009, ISSN 2071-2574 │ 23

que la Oficina Nacional de Acreditación (ONA- MIFIC) le “Evaluation of Measurement uncertainty in Analytical
ha otorgado desde el año 2001. Assays by means of Monte Carlo Simulation”,
Talanta, Vol. 64, 6, 415-422.
También agradecen al Dr. Ramiro Cáceres, profesor
del Departamento de Matemáticas de la Facultad de 11. OGREN P., DAVIS B y NICK G., (2001), “Curve
Ciencias y Tecnología, por la revisión y sus valiosos fitting, confidence intervals and envelopes,
aportes en los aspectos matemáticos del trabajo. correlations, and Monte Carlo visualization for
multilinear problems in chemistry”, J. C hem. Edu.,
7. REFERENCIAS BIBLIOGRAFICAS Vol. 78, 6, 827-836.

1. DELGADO G. y HERNÁNDEZ N., (2008), 12. ISO/IEC 17025(ES) (2005). “Requisitos Generales
“Estimación de la incertidumbre en la determinación para la Competencia de los Laboratorios de Ensayo
de aflatoxina B1 en maní de exportación por y de Calibración”, Norma Internacional, Ginebra,
HPLC-FD”, Universitas UNAN-León, en este mismo Segunda Edición.
volumen.
13. ILAC-G17-2002, (2003). “Introducción del concepto
2. BIPM, IEC, IFCC, IUPAC, OIML (1995). Guide for de incertidumbre de medición en el ensayo en
to the Expression of Uncertainty in Measurement asociación con la aplicación de la norma ISO/IEC
(GUM), ISO, Ginebra. 17025”, Inter American Accreditation Cooperation
(IAAC).
3. NIST (1993). “Guidelines for evaluation and
expressing the uncertainty of NIST measurement 14. ISO/IEC 17000:2004 (ES), (2004). “Evaluación de
results”, Gaithersburg, USA. la conformidad. Principios y vocabulario”, Norma
Internacional, Ginebra.
4. W.A. SCHMID y R.J. LAZOS. (2000), “Guía para
estimar la incertidumbre de la medición”, CENAM, 15. ISO/IEC 17025(ES) (2005). “Requisitos Generales
México. para la Competencia de los Laboratorios de Ensayo
y de Calibración”, Norma Internacional, Ginebra,
5. EURACHERM/CITAC GUIDE, (2000), Quantifying Segunda Edición.
Uncertainty in Analytical Chemistry, 2da edición,
UK. 16. ILAC-G8 (1996). “Guidelines on Assessment and
Reporting of compliance with specification”.
6. DELGADO G y NAGEL B. (2008) “Un experimento
sencillo para evaluar la incertidumbre siguiendo la 17. BHAT RV, VASATHI S., (1999), “Contaminación
guía GUM ISO 1995 y utilizando el cálculo simbólico por Micotoxinas de Alimentos y Piensos”, Tercera
MAPLE 11.0”, Universitas UNAN-León, Vol 1, 2-19- Conferencia Internacional FAO/OMS/PMA sobre
26. Micotoxinas, Túnez. Disponible en http://www.fao.
org/docrep/meeting/005/W5122S/w5122s0j.htm
7. BIPM, IEC, IFCC, IUPAC, ILAC, ISO, IUPAP y
OIML, (2008). Suplement I to the Guide for to the 18. CHAR B. W. (1992), Maple V, Springer Verlag, New
Expression of Uncertainty in Measurement (GUM). York, pag. 132.
Propagation of the distributions using a Monte Carlo
Method, Paris.
19. CHENEY W., KINCAID D., (1985), “Numerical
Mathematics and Computing”, Brooks/Cole
8. MEIER P. y ZUND R., (2000), Statistical Methods in Publishing Company, California, pag. 335.
Analytical Chemistry, 2th Ed., John Wiley and Sons
Inc., New York, pag. 163.
20. GUTIERREZ H., SALAZAR R., (2004), “Control
Estadístico de la Calidad y Seis Sigmas, McGraw-
9. FERGUSON D., SIEPMANN I., THRULAR D., Hill Interamericana, México, pag. 150.
(1999), “Monte Carlo Methods in Chemical Physics”,
John Wiley and Sons, New York, pag. 13.
21. Asociación Latinoamericana de Integración (ALADI),
“Acuerdo de superación a los obstáculos técnicos
10. HERRADOR, M.A., GONZÁLEZ G.A., (2004), al comercio”. Disponible en: www.puntofocal gov.

24 │ Universitas 3 [1] 2009, ISSN 2071-2574

 ar/doc/acuerdo_marco_aladi.pdf. Acceso el 22 de está basado en el siguiente principio: xn=axn-1-b(mod
diciembre del 2008. N); N es entero muy grande (mod 2j), a y b son enteros
positivos seleccionados apropiadamente para obtener
22. SAOSA-01, (2007), Procedimiento para la un buen generador; se inicia con un valor semilla x0 que
determinación de Aflatoxinas por HPLC, Laboratorio pertenece al conjunto C={0,1,2,…,(n-1)}; se construye la
SER-AGRO, Chinandega. secuencia y0, y1, y2,…,donde yi=xi/N. De esta manera se
generan números aleatorios R en el intervalo [0,1).
23. COWELL D.A., HOLKOMKE J.A., (1990), “Analytical
applications of Monte Carlo”, Anal. Chem., 62, Las calculadoras científicas disponen de esta subrutina
529A-542A. y fácilmente se pueden obtener números aleatorios.
El cálculo se puede efectuar con Excel[20], aplicando la
función Aleatorio() o con la Distribución Uniforme en la
24. SAOSA-PT-16, (2008), Procedimiento de evaluación casilla de Análisis de Datos. En Maple[18] se utiliza la
de la incertidumbre, Laboratorio SER-AGRO, función rand().
Chinandega.
Transformación de un número aleatorio R en la
25. DIRECTRIZ DEL PARLAMENTO EUROPEO, desviación z de la distribución normal
(2002), “Reglamentaciones del Parlamento
Europeo”. Disponible en internet y acceso el 1 de Para convertir un número aleatorio R de distribución
enero del 2009: http//www.knownmycotoxins.com/ uniforme en un valor normalizado z, se puede hacer a
es/regulations.htm. través de las probabilidades acumulativas (CP) de la
distribución normal[8]. El principio de la transformación
26. SAOSA-PT-04, (2006), Reporte de validación del se esquematiza en la figura 7.
análisis de aflatoxinas por HPLC, Laboratorio SER-
AGRO, Chinandega.

27. DESIMONI, E. y BRUNETTI, B. (2006), “Considering

uncertainty of measurement when assessing
compliance or non-compliance with reference
values given in compositional specifications and
statutory limits: a proposal”, Accred Qual Assur,
11, 363-366.

8. Anexo

Generación de una variable aleatoria por simulación Figura 7. Para un número R aleatorio con distribución rectangular
de Monte Carlo corresponde un valor de probabilidad acumulada CP, la cual se
transforma en la desviación z de la distribución normal. z es una
función polinomial del logaritmo de CP[8].
Esta técnica consiste en generar n (>1000, generalmente
5000) variables aleatorias y se calcula la incertidumbre La transformación de R en z se puede también realizar
como desviación estándar[7,8]. La técnica se puede dividir utilizando el algoritmo de Box-Muller[7,11] generando 2
en tres etapas: generación de un número aleatorio, números aleatorios para cada valor de z:
transformación a un valor con distribución normal y
generación de la variable aleatoria. ‫ݖ‬ଵ ൌ …‘• ʹߨܴଶ ඥെʹ Ž ܴଵ

‫ݖ‬ଶ ൌ •‡ ʹߨܴଶ ඥെʹ Ž ܴଵ

Generación de un número aleatorio
El valor de z a partir de R puede ser obtenido en Excel
Los números aleatorios tienen una distribución uniforme, con Distribución Normal en la casilla de Análisis de Datos
es decir rectangular, tal que P (0≤ R < 1)=constante[7]. y en Maple con la subrutina stats [random,normald]().
Los números aleatorios (o pseudoaletorios) pueden
ser generados por diferentes técnicas[9]: congruencial
lineal (LCG), Lagged-Fibonacci (ALFG), Shift-Register
(SRGs), congruencial inversivo (ICG). El método LCG
es el más utilizado por los compiladores C, lenguajes
de programación como el FORTRAN[19], cuyo algoritmo

Universitas 3 [1] 2009, ISSN 2071-2574 │ 25

 
 

 
 

Figura 8. Algoritmo para generar una variable aleatoria y cálculo de la incertidumbre.

Generación de la variable aleatoria y cálculo de la

incertidumbre

Una vez generado el valor z a partir de R se genera una

variable aleatoria vi. La operación se repite hasta generar
n variables aleatorias y se determina su incertidumbre.
En el diagrama de flujo de la figura 8 se presenta el
principio del algoritmo.

El cálculo de la variable vi se puede efectuar en Excel[20].

Se obtiene a partir de la Distribución Normal en la casilla
Análisis de Datos, se le asigna el valor a la variable
medida xj o el promedio ‫ݔ‬ҧ y su incertidumbre uj. Luego
se generan 5000 valores vi y se calcula la incertidumbre
como desviación estándar para n grados de libertad.
Figura 9. Algoritmo SMC en Maple para estimar la incertidumbre de
En Maple se pueden generar fácilmente 5000 variables una variable aleatoria.
aleatorias y evaluar la incertidumbre, utilizando el
algoritmo de la figura 9.

26 │ Universitas 3 [1] 2009, ISSN 2071-2574