ISSN 2477-9105  
DOI: https://doi.org/10.47187/perf.v1i34.336  
Número 34 Vol.1 (2025)  
Fecha de recepción: 29-05-2024 / Fecha de aceptación: 20-12-2024 / Fecha de Publicación: 25-06-2025  
CLASIFICACIÓN DE BEBIDAS DEPORTIVAS Y BEBIDAS  
ENERGÉTICAS MEDIANTE QUIMIOMETRÍA  
Classification of sports drinks and energy drinks by chemometrics  
iD  
¹ Robert Cazar  
iD  
¹ Mabel Parada*  
iD  
² Nathaly Maza  
¹ Escuela Superior Politécnica de Chimborazo, Facultad de Ciencias, Riobamba, Ecuador.  
² Investigador independiente, Riobamba, Ecuador.  
* mabel.parada@espoch.edu.ec  
RESUMEN  
Este trabajo tiene como propósito desarrollar un procedimiento confiable y exacto para discriminar entre las bebidas  
deportivas y energéticas. Ya que estos dos tipos de bebidas difieren en sus propiedades químicas, estas propiedades  
puede ser aprovechadas para desarrollar un modelo de clasificación que separe con exactitud ambos grupos. El modelo de  
clasificación ha sido construido utilizando técnicas de quimiometría tales como el Análisis de Componentes Principales y el  
Análisis de Agrupamientos, las cuales son sumamente apropiadas para este objetivo. Un conjunto de 11 bebidas (7 bebidas  
energéticas y 4 bebidas deportivas) fue caracterizado mediante 8 propiedades químicas y el conjunto de datos resultante  
fue analizado con las técnicas quimiométricas ya mencionadas. Tales análisis proporcionaron un método muy exacto para  
discriminar entre los dos tipos de bebidas. Se concluye que la quimiometría constituye una herramienta muy eficiente para el  
tratamiento de datos químicos multivariados, particularmente para propósitos de modelización y clasificación.  
Palabras claves: Bebidas deportivas, bebidas energéticas, quimiometría.  
ABSTRACT  
The goal of this work is to create a reliable and accurate method for distinguishing between sports and energy drinks. Since  
these two types of beverages differ in their chemical properties, these characteristics can be used to develop a classification  
model that accurately separates those groups. The classification model has been built utilizing chemometric techniques such  
as Principal Component Analysis and Cluster Analysis that are highly appropriate for this objective. A set of 11 beverages (7  
energy drinks and 4 sports drinks) was characterized by 8 chemical properties, and the resulting data set was analyzed with  
the chemometric techniques mentioned above. Such analyses provided a very accurate method to distinguish between the  
two types of beverages. It is concluded that chemometrics is a very efficient tool for the treatment of multivariate chemical  
data, particularly for modeling and classification purposes.  
Keywords: Sports drinks, energy drinks, chemometrics.  
14  
CLASIFICACIÓN DE BEBIDAS DEPORTIVAS Y BEBIDAS  
ENERGÉTICAS MEDIANTE QUIMIOMETRÍA  
Cazar, Parada, Maza.  
de los productos. Las variables restantes fueron  
obtenidas experimentalmente como sigue:  
I. INTRODUCCIÓN  
Las bebidas deportivas y energéticas se han  
vuelto omnipresentes en la sociedad moderna  
(1-4). Ellas se consumen profusamente en todo  
el mundo (5) y constituyen un mercado de  
miles de millones de dólares (6-8). Estos dos  
tipos de bebidas tienen propósitos diferentes  
y por tanto poseen composiciones químicas  
diferentes (9-11). En consecuencia, un químico  
debería ser capaz de discriminarlas en base a  
sus propiedades químicas. Este estudio tiene  
como objetivo ilustrar tal tarea. Para este  
propósito, once marcas de bebidas disponibles  
Los valores de pH fueron determinados  
empleando  
un  
pH-metro  
previamente  
calibrado con soluciones buffer de pH 4, 7 y  
10, respectivamente. Se colocó un volumen  
adecuado de bebida en un vaso de precipitación,  
se verificó que su temperatura se encuentre en el  
rango de 20 a 25 °C, se introdujo el electrodo del  
instrumento y se registró el pH.  
Los valores de Grados Brix fueron obtenidos  
empleando  
un  
refractómetro  
previamente  
comercialmente,  
siete  
correspondientes  
calibrado con agua destilada. Se colocó una  
gota de muestra en el prisma del refractómetro  
cuidando que lo cubra completamente, se cerró  
la tapa y se procedió a registrar la lectura.  
a bebidas energéticas y cuatro a bebidas  
deportivas, han sido seleccionadas y ocho  
propiedades químicas han sido medidas sobre  
cada una de ellas produciendo un conjunto de  
datos multivariado. En la actualidad, este tipo  
de datos es común en la química experimental.  
La quimiometría provee la estrategia más  
adecuada para la interpretación de conjuntos de  
datos multivariados ya que posee una colección  
Los valores de densidad fueron recabados como  
se describe a continuación. Primero, se lavó un  
picnómetro con agua destilada, se escurrió, y  
secó en la estufa. Se pesó el picnómetro limpio  
y seco en una balanza previamente encerada y  
se registró tal dato. Se colocó agua destilada en  
el picnómetro hasta alcanzar cierta marca y se  
pesó nuevamente en la balanza y se registró el  
resultado. Se vació el picnómetro y se lo secó en  
la estufa. Finalmente, se colocó la muestra en el  
picnómetro hasta alcanzar la marca establecida,  
se pesó en la balanza y se anotó el resultado.  
La densidad se obtuvo aplicando la siguiente  
ecuación:  
de  
métodos  
matemáticos  
y
estadísticos  
sumamente potentes diseñados para extraer  
información relevante de datos complejos (12-  
14). El análisis de agrupamientos y el análisis de  
componentes principales (15-18) están entre  
los métodos más útiles de esta disciplina. El  
análisis de agrupamientos identifica grupos  
de muestras con comportamiento similar y el  
análisis de componentes principales reduce la  
dimensionalidad de los datos generando nuevas  
variablesaltamenteinformativas,sobrelascuales  
es posible proyectar tanto las muestras como las  
variables para inspeccionar la estructura de los  
datos (19-21). Estas técnicas han sido aplicadas  
a los datos descritos anteriormente y se ha  
logrado obtener un modelo que discrimina las  
bebidas deportivas de las energéticas con gran  
exactitud (22).  
(1)  
Donde:  
p =densidad  
p(ag) = densidad del agua (0.998)  
m(p) = masa del picnómetro vacío, en gramos  
II. MATERIALES Y MÉTODOS  
m (p + ag) = masa del picnómetro con agua  
Los datos usados en este análisis provienen de  
11 muestras (las bebidas) sobre las que se han  
medido 8 variables (Carbohidratos, Energía,  
Azúcar, Sodio, pH, Grados Brix, Densidad y  
Ácido Cítrico). Las muestras 1 – 7 corresponden  
a bebidas energéticas y las muestras 8 – 11 son  
bebidas deportivas. Los valores de carbohidratos,  
energía, azúcar y sodio fueron recuperados  
directamente de las tablas de valor nutricional  
destilada  
m (p + s) =masa del picnómetro con la muestra  
Los valores de ácido cítrico fueron obtenidos  
mediante  
cromatografía  
líquida  
de  
alto  
rendimiento, HPLC, aplicando el procedimiento  
descrito en el trabajo de Inić y sus colaboradores  
(23).  
15  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
La Tabla I recolecta los datos usados en este trabajo.  
Ácido  
Cítrico  
Muestra  
Marca  
Carbohidratos  
Energía  
Azúcar  
Sodio  
pH  
Grados Brix  
Densidad  
1
2
Volt  
Vive 100  
V220  
26  
20  
13  
19  
30  
28  
11  
19  
0
110  
90  
50  
80  
120  
112  
45  
80  
0
17.8  
16.0  
13.0  
14.0  
27.0  
28.0  
11.0  
19.0  
0.0  
65  
70  
3.45  
2.92  
2.75  
3.16  
3.44  
3.04  
3.48  
2.95  
2.93  
3.36  
3.60  
12.00  
9.14  
1.04  
1.03  
1.04  
1.03  
1.04  
1.04  
1.04  
1.02  
1.00  
1.02  
1.01  
6777.22  
8843.99  
7192.65  
9361.20  
5149.79  
4878.84  
9580.04  
2751.50  
3870.19  
3883.72  
3447.32  
3
21  
13.29  
8.36  
4
Amper  
135  
190  
20  
5
Monster  
Speed  
12.61  
12.09  
11.65  
6.08  
6
7
Red Bull  
Powerade  
Gatorade  
Sporade  
Profit  
40  
8
145  
115  
100  
150  
9
0.48  
10  
11  
15  
10  
70  
40  
15.0  
10.0  
6.49  
4.56  
Tabla 1. Datos usados en el análisis.  
Las técnicas quimiométricas descritas en la  
sección anterior han sido aplicadas en este  
conjunto de datos con la finalidad de obtener un  
procedimiento confiable y exacto para clasificar  
los dos grupos de bebidas representados en los  
datos.  
escala obscurecen la información útil presente en  
los datos reduciendo el poder discriminante de  
las variables. En consecuencia, un pretratamiento  
de los datos es indispensable. Una operación  
denominada autoscaling fue aplicada a los datos  
paraeliminaresteproblema(24,25).Elautoscaling  
consiste en restar a cada dato la media de su  
columna y dividir este valor para la desviación  
standard de tal columna. A continuación se  
calculó la matriz de coeficientes de correlación de  
los datos transformados mediante autoscaling.  
La Tabla 2 muestra esta matriz, los valores que  
aparecen en ella corresponden a los coeficientes  
de correlación de cada pareja de variables.  
III. RESULTADOS  
Una rápida inspección de los datos evidencia  
la presencia de efectos de escala debido a las  
diversas unidades de medida en la que las  
variables han sido registradas. Tales efectos de  
Carbohidratos  
1.00  
Energía  
Azúcar  
Sodio  
pH  
Grados Brix  
Densidad  
Ácido Cítrico  
Carbohidratos  
Energía  
0.99  
1.00  
0.93  
0.03  
0.15  
0.67  
0.70  
0.12  
Azúcar  
0.95  
1.00  
0.001  
0.10  
Sodio  
0.03  
1.00  
0.34  
pH  
0.15  
1.00  
0.06  
0.11  
-0.04  
Grados Brix  
Densidad  
Ácido Cítrico  
0.70  
0.68  
-0.45  
-0.44  
-0.42  
1.00  
1.00  
0.52  
0.73  
0.71  
1.00  
0.52  
0.11  
-0.04  
1.00  
Tabla 2. Matriz de coeficientes de correlación de las variables.  
Examinando la Tabla 2 se observa que la pareja  
Densidad/Grados Brix manifiesta un grado de  
asociación perfecta (coeficiente de correlacion  
igual a 1) esto significa que ambas variables  
contribuyencon la misma información, ypor tanto  
sonredundantes.Entalescasosessegurodesechar  
una de las dos. Se decidió excluir los Grados Brix  
y conservar la Densidad. Otras asociaciones  
fuertes corresponden a Energía/Carbohidratos  
(coeficiente de correlacion igual a 0.99) y Azúcar/  
Carbohidratos (coeficiente de correlacion igual a  
0.95) de estos valores se deduce que estas tres  
variables están fuertemente relacionadas y por  
tanto contribuyen con información muy similar.  
En este caso, se decidió conservar solamente  
la variable Azucar y desechar las otras dos.  
Entonces, el análisis de la matriz de coeficientes  
de correlación de las variables permitió reducir  
su número de 8 a 5 solamente. Las variables que  
se han conservado son, a saber: Azúcar, Sodio,  
Densidad, pH y Ácido Cítrico. Tales variables  
exhiben bajas correlaciones y por consiguiente  
16  
CLASIFICACIÓN DE BEBIDAS DEPORTIVAS Y BEBIDAS  
ENERGÉTICAS MEDIANTE QUIMIOMETRÍA  
Cazar, Parada, Maza.  
garantizan que la información redundante ha sido  
visualmente la estructura de los datos. Este  
método permite proyectar las muestras y las  
variables sobre unas nuevas variables llamadas  
componentes principales (PC) las cuales son  
combinaciones lineales de las variable originales.  
Así, cada variable original contribuye en cierta  
proporcion a cada componente principal. Tales  
removida del conjunto de datos.  
A continuación, los datos fueron sometidos a  
un analisis de agrupamientos (clustering) para  
determinar si las variables seleccionadas son  
capaces de separar los dos tipos de bebidas  
presentes en ellos. Una técnica de clustering  
jerárquico fue empleada, la cual identifica  
agrupamientos de muestras con comportamiento  
similar en base a la distancia entre las muestras  
en el espacio multidimensional generado por las  
variables. La Figura 1 presenta el dendograma  
obtenido al aplicar la técnica de clustering  
jerárquico de “average linkage” sobre los datos.  
contribuciones se denominan “loadings”  
y
miden la importancia de cada variable sobre una  
determinada componente principal. Ya que las  
componentes principales son los autovectores  
de la matriz de correlación de los datos, ellas son  
ortogonales entre sí, lo cual significa que no están  
correlacionadas unas a otras por lo que cada una  
contiene una información propia y única respecto  
a las propiedades de los datos. La Tabla 3 presenta  
la información retenida por cada componente  
principal (PC).  
PC Autovalor Información (%) Información Acumulada (%)  
1
2
3
4
5
2.10  
1.44  
0.93  
0.47  
0.06  
42  
29  
19  
9
42  
71  
89  
99  
1
100  
Tabla 3. Información retenida por cada una de las Componentes  
Principales.  
Esta tabla revela que la primera PC explica el  
42% de la información contenida en los datos,  
en tanto que la segunda PC explica un 29%  
de la información residual. En conjunto, PC1 y  
PC2 retienen el 71% de la información total, lo  
que resta se encuentra repartido en las otras  
componentes.  
Figura 1. Dendograma obtenido con la técnica de clustering  
jerárquico “average linkage”  
El dendograma, como se puede ver, es una  
representación gráfica tipo árbol de los grupos  
que gradualmente se van formando en la etapa  
de Clustering. Éste nos permite identificar la  
naturaleza de los grupos formados a un cierto  
nivel de similitud. Por ejemplo, a un nivel de  
similitud del 25% las muestras se distribuyen en  
dos grupos bien separados. El grupo en color azul  
contiene las muestras 8 – 11 que corresponden  
a las bebidas deportivas y el grupo en rojo  
contiene las muestras 1 – 7 que corresponden  
a las bebidas energéticas. De los resultados del  
Analisis de Agrupamientos se evidencia que es  
factible discriminar completamente los dos tipos  
de bebidas utilizados en este estudio.  
La Tabla 4 presenta los loadings de las dos  
primeras componentes principales.  
Variable  
Azúcar  
Sodio  
PC1  
PC2  
0.39  
-0.45  
-0.06  
0.46  
0.65  
0.55  
0.47  
0.58  
-0.27  
0.24  
pH  
Densidad  
Ácido Cítrico  
Tabla 4. Loadings de las variables originales sobre las dos primeras  
componentes principales, las contribuciones más altas aparecen en  
negrillas  
Se observa que las variables Ácido Cítrico,  
Densidad y Azúcar son las que más contribuyen a  
PC1; igualmente las variables pH, Azúcar y Sodio  
son las que más contribuyen a PC2.  
Finalmente,  
un  
análisis  
de  
componentes  
principales ha sido ejecutado sobre los datos.  
Este análisis sirve para corroborar los resultados  
obtenidos  
del  
clustering  
e
inspeccionar  
La Figura 2 presenta la proyección de la muestras  
17  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
en el espacio bidimensional generado por  
PC1 y PC2. Este grafico contiene el 71% de la  
información proporcionada por los datos.  
estudio permite establecer que dichas variables  
son las más apropiadas para este análisis.  
IV. DISCUSIÓN  
La  
aplicación  
de  
técnicas  
quimiométricas  
sobre los datos de este estudio, ha producido  
resultados que proveen un procedimiento capaz  
de discriminar de manera eficiente y exacta las  
bebidas deportivas de las bebidas energéticas a  
partir de sus propiedades químicas. La operación  
inicial de autoscaling de los datos permitió retirar  
los efectos de escala y trabajar con una matriz  
de datos donde todas las variables originales  
tienen la misma importancia inicial. El cálculo de  
la matriz de correlación asistió en la selección de  
las variables más apropiadas para este estudio. De  
la inspección de los índices de correlación entre  
las diferentes parejas de variables se detectó  
que algunas de ellas contienen información  
redundante por lo que fueron descartadas y el  
númerodevariablesseredujode8a5conservando  
las siguientes: Azúcar, Sodio, Densidad, pH y Ácido  
cítrico. La operación de clustering jerárquico  
sobre la matriz de datos reducida produjo un  
dendograma en el cual los dos grupos bajo  
estudio se separan perfectamente. El análisis  
de componentes principales ha corroborado tal  
hallazgo puesto que la proyección de las muestras  
sobre las dos primeras componentes principales  
evidencia que las bebidas deportivas y las bebidas  
energéticas forman dos agrupamientos bien  
discriminados. Los valores de los loadings para  
las variables originales sobre las dos primeras  
Figura 2. Proyección de las muestras sobre PC1 y PC2. El 71% de la  
información total es retenida en este gráfico  
En la proyección se visualiza que las dos  
categorías declaradas en el estudio forman  
grupos separados. En el lado izquierdo del  
gráfico  
aparecen  
las  
bebidas  
deportivas  
(muestras 8 – 11) formando un grupo compacto;  
en tanto que en el lado derecho del gráfico  
aparecen las bebidas energéticas (muestras 1 –  
7) formando un grupo más grande y disperso.  
Se observa también que PC1 es la componente  
discriminante ya que al proyectar las muestras  
sobre ella las dos categorías resultan bien  
separadas. Este hecho permite caracterizar a  
las dos categorías de bebidas como sigue: Las  
bebidas deportivas se caracterizan por poseer  
valores bajos a moderados de Ácido Cítrico,  
Densidad y Azúcar, en tanto que las bebidas  
energeticas se distinguen por poseer valores  
altos de Ácido Cítrico, Densidad y Azúcar.  
Componentes  
Principales  
han  
permitido  
La Figura 3 muestra la proyección de las variables  
sobre PC1 y PC2.  
caracterizar químicamente las dos categorías  
consideradas en el estudio, a saber, las bebidas  
deportivas poseen valores bajos a moderados de  
Ácido Cítrico, Densidad y Azúcar, en tanto que las  
bebidas energéticas poseen valores altos de Ácido  
Cítrico, Densidad y Azúcar.  
V. CONCLUSIONES  
La aplicación de técnicas quimiométricas sobre  
un conjunto de datos obtenido al medir varias  
propiedades químicas sobre un número de bebidas  
deportivas y energéticas ha permitido obtener un  
procedimiento eficiente y exacto para discriminar  
entre estas dos categorías de bebidas. El estudio  
ilustra la utilidad de la quimiometría para extraer  
información relevante de conjuntos de datos  
multivariados.  
Figura 3. Proyección de las variable sobre PC1 y PC2  
Se observa que las 5 variables seleccionadas no  
manifiestan correlaciones importantes y esto  
agregado al hecho que ellas contienen la suficiente  
información para discriminar las 2 categorias bajo  
18  
CLASIFICACIÓN DE BEBIDAS DEPORTIVAS Y BEBIDAS  
ENERGÉTICAS MEDIANTE QUIMIOMETRÍA  
Cazar, Parada, Maza.  
VI. REFERENCIAS  
1.  
2.  
3.  
Higgins JP, Babu K, Deuster PA, Shearer J. Energy drinks: a contemporary issues paper. Current  
Sports Med Rep. 2018;17(2):65–72.  
Sutehall S, Muniz-Pardos B, Bosch AN, Di Gianfrancesco A, Pitsiladis YP. Sports drinks on the edge  
of a new era. Current Sports Med Rep. 2018;17(4):112–116.  
Nadeem IM, Shanmugaraj A, Sakha S, Horner NS, Ayeni OR, Khan M. Energy drinks and their  
adverse health effects: a systematic review and meta-analysis. Sports Health. 2021;13(3):265–  
277.  
4.  
5.  
6.  
7.  
8.  
Bleakley A, Ellithorpe ME, Jordan AB, Hennessy M, Stevens R. A content analysis of sports and  
energy drink advertising. Appetite. 2022;174:106010.  
Simulescu V, Ilia G, Macarie L, Merghes P. Sport and energy drinks consumption before, during  
and after training. Science & Sports. 2019;34(1):3–9.  
Yang H, Senarath D, Oral C, Ramkumar J. The growing market for energy and sports drinks in the  
United States: Can chocolate milk remain a contender? J Food Distrib Res. 2020;51(2):131–157.  
Peker Z, Köse DA. Content analysis of locally marketed energy drinks: Turkish market. Hacettepe J  
Biol Chem. 2023;51(4):341–349.  
Pfender E, Bleakley A, Ellithorpe M, Hennessy M, Maloney E, Jordan A, Stevens R. Perceptions  
of sports and energy drinks: factors associated with adolescent beliefs. Am J Health Promot.  
2023;37(1):84–88.  
9.  
Hernández-León A, Artavia G, Cortés-Herrera C, Granados-Chinchilla F. Chromatographic  
determination of major physiologically active components in energy drinks and sports aids  
commercialized in Costa Rica. J Food Nutr Res. 2022;61(2).  
10. García MA, Ruiz Y, Rodríguez JE, Cruz-Socorro A, Casariego A. Isotonic sports drink prepared from  
pineapple juice: stability during its accelerated storage. Agroind Sci. 2023;13(3):135–142.  
11. Martins EC, Santana ER, Spinelli A. Nitrogen and sulfur co-doped graphene quantum dot-modified  
electrode for monitoring of multivitamins in energy drinks. Talanta. 2023;252:123836.  
12. González-Domínguez R, Sayago A, Fernández-Recamales Á. An overview on the application of  
chemometrics tools in food authenticity and traceability. Foods. 2022;11(23):3940.  
13. Wang HP, Chen P, Dai JW, Liu D, Li JY, Xu YP, Chu XL. Recent advances of chemometric calibration  
methods in modern spectroscopy: algorithms, strategy, and related issues. TrAC Trends Anal  
Chem. 2022;153:116648.  
14. Rodionova OY, Oliveri P, Malegori C, Pomerantsev AL. Chemometrics as an efficient tool for food  
authentication: golden pillars for building reliable models. Trends Food Sci Technol. 2024;104429.  
15. Cohen-Addad V, Kanade V, Mallmann-Trenn F, Mathieu C. Hierarchical clustering: objective  
functions and algorithms. J ACM. 2019;66(4):1–42.  
16. Ezugwu AE, Ikotun AM, Oyelade OO, Abualigah L, Agushaka JO, Eke CI, Akinyelu AA. A  
comprehensive survey of clustering algorithms: state-of-the-art machine learning applications,  
taxonomy, challenges, and future research prospects. Eng Appl Artif Intell. 2022;110:104743.  
17. Schreiber JB. Issues and recommendations for exploratory factor analysis and principal component  
analysis. Res Social Adm Pharm. 2021;17(5):1004–1011.  
18. Hasan BMS, Abdulazeez AM. A review of principal component analysis algorithm for dimensionality  
reduction. J Soft Comput Data Min. 2021;2(1):20–30.  
19  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
19. Gewers FL, Ferreira GR, Arruda HFD, Silva FN, Comin CH, Amancio DR, Costa LDF. Principal  
component analysis: a natural approach to data exploration. ACM Comput Surv. 2021;54(4):1–34.  
20. Oyewole GJ, Thopil GA. Data clustering: application and trends. Artif Intell Rev. 2023;56(7):6439–  
6475.  
21. Ullmann T, Hennig C, Boulesteix AL. Validation of cluster analysis results on validation data: a  
systematic framework. Wiley Interdiscip Rev Data Min Knowl Discov. 2022;12(3):e1444.  
22. Sorochan Armstrong MD, De la Mata AP, Harynuk JJ. Review of variable selection methods for  
discriminant-type problems in chemometrics. Front Anal Sci. 2022;2:867938.  
23. Inić S, Ljepović M, Domijan A, Srdarević S, Jablan J, Markov K. HPLC analysis of citric and tartaric  
acids in fruit nectars and juices. Croat Chem Acta. 2020;93(1):57–62.  
24. Rustam. Pretreatment methods for enhancing machine learning performance on metabolomics  
data. IEEE Access. 2025;[Epub ahead of print].  
25. Sun J, Xia Y. Pretreating and normalizing metabolomics data for statistical analysis. Genes Dis.  
2024;11(3):100979.  
20