Resumen
El término optimización en química analítica se refiere a encontrar las mejores condiciones en que se desarrolla un método analítico, generalmente en lo que respecta a sensibilidad y reproducibilidad. Estas condiciones hacen alusión a diferentes factores, tales como concentración de algún reactivo, pH, volumen, tiempo, temperatura, velocidad, etc. Los cuales se someten a estudio para un rango de valores conocido. Por lo que el papel de la estadística es vital en la determinación del arreglo o combinación óptima de valores que proporcioné una mejor respuesta dentro del rango estudiado. Tradicionalmente, estas optimizaciones se realizaban de forma univariante, es decir estudiando la influencia de un único factor cada vez sobre la respuesta analítica. La mayor desventaja de la optimización univariante es que no tiene en cuenta las posibles interacciones significativas entre los factores. Esto supone el riesgo de hacer interpretaciones erróneas y, en el peor de los casos alejarse de los verdaderos valores óptimos.
Los métodos de optimización multivariantes intentan solventar estos problemas al diseñar experimentos en los que se varían diferentes factores simultáneamente. Estos métodos permiten extraer un gran volumen de información del sistema con la realización de un número mínimo de experimentos, ya que tienen en cuenta las interacciones entre los factores. La metodología de superficie de respuesta (RSM), es uno de los métodos más utilizados, debido a que la información que proporciona se considera altamente confiable. La RSM abarca un conjunto de técnicas matemáticas y estadísticas utilizadas para modelar y analizar problemas en los que una variable de interés o respuesta es influenciada por otras (factores independientes). El objetivo final es establecer los valores de los factores que optimizan el valor de la variable respuesta. Esto se logra al determinar las condiciones óptimas de operación de un sistema.
Es importante considerar que cuando las variables experimentales y sus respuestas han sido apropiadamente definidas, los experimentos se pueden plantear y desarrollar de tal manera que se obtenga un máximo de información para un mínimo de experimentos realizados. El análisis de cribado de datos o screening es el primer paso en la evaluación eficiente de los factores involucrados para el sistema analítico bajo estudio. Después de determinar las variables significativas, las condiciones óptimas de operación son reveladas mediante el uso de diseños experimentales más complejos (que contemplen modelos lineales y cuadráticos) como la Matriz de Doehlert (DM), el diseño central compuesto (CCD), Box-Behnken (BBD) y factorial a tres niveles (3k).