Você está na página 1de 60

QUÍMICA ANALÍTICA AVANÇADA 1S 2017

QUÍMICA ANALÍTICA AVANÇADA – 1S 2017 MÓDULO 2 Estatística Aplicada à Química Analítica - Conceitos básicos
MÓDULO 2
MÓDULO 2
QUÍMICA ANALÍTICA AVANÇADA – 1S 2017 MÓDULO 2 Estatística Aplicada à Química Analítica - Conceitos básicos

Estatística Aplicada à Química Analítica - Conceitos básicos

Prof. Rafael Arromba de Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br
Prof. Rafael Arromba de Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br

Prof. Rafael Arromba de Sousa Departamento de Química - ICE rafael.arromba@ufjf.edu.br

Estatística Aplicada à Química Analítica Aula anterior:
Estatística Aplicada à Química Analítica
Aula anterior:

Conceitos e definições básicos

Não existe um valor absoluto para um resultado analítico

Forma correta de expressar os resultados

Definição de exatidão e precisão

Importância de rejeitar resultados anômalos

Exercícios:
Exercícios:

Exerc. 1 Algarismos significativos

Exerc. 2 Precisão e rejeição de resultados

3

Estatística Aplicada à Química Analítica Aula anterior:
Estatística Aplicada à Química Analítica
Aula anterior:

Conceitos e definições básicos

Não existe um valor absoluto para um resultado analítico

Forma correta de expressar os resultados

Definição de exatidão e precisão

Importância de rejeitar resultados anômalos

Nessa aula:
Nessa aula:

- Conceitos básicos (continuação) - Noções de Quimiometria (?)

RELAÇÃO ENTRE EXATIDÃO E PRECISÃO
RELAÇÃO ENTRE EXATIDÃO E PRECISÃO
RELAÇÃO ENTRE EXATIDÃO E PRECISÃO A Exatidão e a Precisão se relacionam de 3 formas principais:

A Exatidão e a Precisão se relacionam de 3 formas principais:

Método de análise

C

B

A

preciso e exato ! preciso mas inexato impreciso e inexato
preciso e exato !
preciso mas inexato
impreciso e inexato

valor

verdadeiro

Conc. do analito

B A preciso e exato ! preciso mas inexato impreciso e inexato valor verdadeiro Conc. do

EXEMPLOS PRÁTICOS ??

4

Algumas formalidades TERMINOLOGIAS
Algumas formalidades
TERMINOLOGIAS
Algumas formalidades TERMINOLOGIAS 1) Boa precisão = Boa repetibilidade ≠ reprodutibilidade Codex Committee on

1) Boa precisão = Boa repetibilidade reprodutibilidade

Codex Committee on Methods of Analysis and Sampling. Guidelines on Analytical Terminology (CAC/GL72 – 2009)
Codex Committee on Methods of Analysis and Sampling. Guidelines on
Analytical Terminology (CAC/GL72 – 2009)
TERMINOLOGIAS
TERMINOLOGIAS
TERMINOLOGIAS 2) Precisão intermediária (Semelhante ao apresentado na Rev. 05 – Ago 2016) 6

2) Precisão intermediária

TERMINOLOGIAS 2) Precisão intermediária (Semelhante ao apresentado na Rev. 05 – Ago 2016) 6
TERMINOLOGIAS 2) Precisão intermediária (Semelhante ao apresentado na Rev. 05 – Ago 2016) 6

(Semelhante ao apresentado na Rev. 05 Ago 2016)

6

A ESTATÍSTICA NA ANÁLISE QUÍMICA

Comparação de Resultados:

1. Definição do problema analítico 2. 3.
1. Definição do problema analítico
2.
3.

Escolha do método de análise Amostragem Tratamento da amostra (e separação da espécie de interesse) Calibração

4.
4.
5. 6. Medida analítica RESULTADO (MÉDIA ± INCERTEZA) 8. Ação
5.
6. Medida analítica
RESULTADO (MÉDIA ± INCERTEZA)
8. Ação

7. Avaliação dos resultados : RESULTADO OBTIDO x RESULTADO ESPERADO

Comparação

O B T I D O x RESULTADO E S P E R A D O

Precisões (Teste F)

O B T I D O x RESULTADO E S P E R A D O

Médias (Teste t de Student)

7

Teste F (ou Teste de Snedecor) F = S A 2 S B 2 

Teste F (ou Teste de Snedecor)

F =
F =

S

A 2

S

B 2

Comparar precisões

(ou variâncias) de duas médias (A e B)

“A” refere-se à média com o maior desvio
“A” refere-se à média com o maior desvio
( A e B ) “A” refere-se à média com o maior desvio SE F c
SE F c a l c u l a d o < F c r

SE F calculado < F crítico para a confiabilidade desejada

F c r í t i c o para a confiabilidade desejada Não existe diferença significativa
Não existe diferença significativa entre os conjuntos de dados em termos de precisão…
Não existe diferença significativa entre os conjuntos
de dados em termos de precisão…
entre os conjuntos de dados em termos de precisão… SE F c a l c u

SE F calculado F tabelado para a confiabilidade desejada

F t a b e l a d o para a confiabilidade desejada Existe diferença significativa
Existe diferença significativa entre os conjuntos de dados
Existe diferença significativa entre os conjuntos
de dados

8

Tabelas para os valores críticos de F Ex: Valores críticos para F ao nível de

Tabelas para os valores críticos de F

Ex: Valores críticos para F ao nível de 5%*

Graus 3 4 5 6 12 20 Numer. lib. 3 9,28 9,12 9,01 8,94 8,74
Graus
3
4
5
6
12
20
Numer.
lib.
3
9,28
9,12
9,01
8,94
8,74
8,64
4
6,59 6,39
6,26
6,16
5,91
5,80
5
5,41
5,19
5,05
4,95
4,68
4,56
6
4,76
4,53
4,39
4,28
4,00
3,87
12
3,49
3,26
3,11
3,00
2,69
2,54
20
3,10
2,87
2,71
2,60
2,28
2,12
Denom.
* A tabela indica as probabilidades dos valores serem diferentes
* A tabela indica as probabilidades dos valores serem diferentes

(confiabilidade de 95% para não haver diferença significativa entre os resultados)

9

EXERCÍCIO
EXERCÍCIO
EXERCÍCIO Exercício 3- Comente sobre a diferença na precisão obtida nos laboratórios A e B para
Exercício 3- Comente sobre a diferença na precisão obtida nos laboratórios A e B para
Exercício 3-
Comente sobre a diferença na precisão obtida nos laboratórios
A e B para a determinação de Mg em uma mesma amostra de
leite considerando um nível de confiança de 95%.
Dados:
Dados:
leite considerando um nível de confiança de 95%. Dados: Lab. A : 34,97; 34,85; 34,94 e
leite considerando um nível de confiança de 95%. Dados: Lab. A : 34,97; 34,85; 34,94 e
leite considerando um nível de confiança de 95%. Dados: Lab. A : 34,97; 34,85; 34,94 e
leite considerando um nível de confiança de 95%. Dados: Lab. A : 34,97; 34,85; 34,94 e

Lab. A : 34,97; 34,85; 34,94 e 34,88 mg L -1 e Lab. B : 35,02; 34,96; 34,99; 35,07 e 34,85 mg L -1

(Precisões semelhantes, comparáveis)
(Precisões semelhantes, comparáveis)
e 34,88 mg L - 1 e Lab. B : 35,02; 34,96; 34,99; 35,07 e 34,85

10

MAS para avaliar os parâmetros precisão e exatidão: entender que erros afetam esses parâmetros ?
MAS para avaliar os parâmetros precisão e
exatidão: entender que erros afetam esses
parâmetros ?

TIPOS ERROS:

entender que erros afetam esses parâmetros ? TIPOS ERROS: - SISTEMÁTICOS (rastreáveis e pode ser evitados)

- SISTEMÁTICOS (rastreáveis e pode ser evitados)

- ALEATÓRIOS (sempre presentes

)

1) Erros Sistemáticos ou Determinados (Podem ser conhecidos e rastreados) Erros de Método : surgem

1) Erros Sistemáticos ou Determinados

(Podem ser conhecidos e rastreados)
(Podem ser conhecidos e rastreados)

Erros de Método : surgem do comportamento químico ou físico não ideal de sistemas analíticos

Erros Pessoais : resultam da falta de cuidado, falta de atenção ou limitações pessoais do analista

Erros Instrumentais: causados pelo

comportamento não ideal de um instrumento, por

calibrações falhas ou pelo uso de condições

inadequadas

afetam a exatidão

Erros Sistemáticos ou Determinados

(Podem ser conhecidos e rastreados)
(Podem ser conhecidos e rastreados)
Como detectar um erro sistemático?
Como detectar um erro sistemático?
conhecidos e rastreados) Como detectar um erro sistemático? • Materiais de Referência Certificados (CRM) •

Materiais de Referência Certificados (CRM)

Método de adição e recuperação de analito

(“spike”)

Métodos comparativos

Testes interlaboratoriais

Erros Sistemáticos ou Determinados

CRM - Adquirir de empresas especializadas (NIST*)
CRM
- Adquirir de empresas especializadas (NIST*)

Amostras com certificado de análise (resultado ± incertza)

Substâncias comumente encontradas em amostras:

AMBIENTAIS CLÍNICAS BIOLÓGICAS FORENSES

(*) National Institute and Technology

14

Erros Sistemáticos ou Determinados

Erros Sistemáticos ou Determinados Exercício 4- PESQUISAR PARA A PRÓXIMA AULA - Se existem CRMs disponíveis
Exercício 4- PESQUISAR PARA A PRÓXIMA AULA
Exercício 4-
PESQUISAR PARA A PRÓXIMA AULA

- Se existem CRMs disponíveis comercialmente para as suas matrizes de estudo (ou interesse)

2) Erros Indeterminados (aleatórios ou randômicos)  Não podem ser localizados…
2) Erros Indeterminados
(aleatórios ou randômicos)
 Não podem ser localizados…

Medidas flutuam

aleatoriamente

ao redor da média
ao redor da média
Medidas flutuam aleatoriamente ao redor da média afetam a precisão Variam de acordo com uma distribuição

afetam a precisão

Variam de acordo com

uma distribuição normal

16
16
Ex de uma Distribuição Normal (Calibração de uma pipeta)
Ex de uma Distribuição Normal (Calibração de uma pipeta)
50 30 Curva de Gauss (Perfil da distribuição) 10 9.969 9.975 9.981 9.987 9.993 volume
50
30
Curva de Gauss
(Perfil da distribuição)
10
9.969
9.975
9.981
9.987
9.993
volume (mL)
9.971
9.977 9.983
9989 9.995
Histograma mostrando a
distribuição de 50 medidas do
volume escoado por uma pipeta
de 10,00 mL
% das medidas

17

OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)
OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)
Karl F. Gauss Característica de uma Distribuição Normal Os resultados são alterados ora para menos,

Karl F. Gauss

Característica de uma Distribuição Normal
Característica de uma Distribuição Normal
Os resultados são alterados ora para menos, ora para mais, por erros que parecem se
Os resultados são alterados ora para menos, ora para mais,
por erros que parecem se dar ao acaso (aleatórios), que é um
comportamento esperado e, por isso, “normal”

Distribuição Normal de Gauss

Probabilidade de ocorrência de um resultado (Y)

Y =

Y = (X i -  ) 2  2   2  e x

(X i - ) 2

2

2exp - 1

1

2

µ corresponde a média da população (situação de várias medidas)
µ corresponde a média da população
(situação de várias medidas)
 Assim, pode-se calcular uma faixa para um resultado R supondo que os desvios observados
 Assim, pode-se calcular uma faixa para um resultado R supondo que
os desvios observados seguem uma distribuição normal

19

os desvios observados seguem uma distribuição normal 19 OBS: Transparência preparada a partir de material do

OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)

Distribuição Normal e a Estatística Clássica

Para a estatística clássica os desvios da normalidade não afetam os resultados do ponto de
Para a estatística clássica os desvios da normalidade não afetam os
resultados do ponto de vista estatístico (métodos robustos) e esta
ideia é apresentada no “Teorema do Limite Central”:

“Se a flutuação total numa certa variável aleatória for o resultado da soma das flutuações de muitas variáveis independentes e de

importância mais ou menos igual, a sua distribuição tenderá para a

normalidade, não importa qual seja a natureza das distribuições das variáveis individuais”

natureza das distribuições das variáveis individuais” W S Gossett (1868 – 1937): Desenvolveu a distribuição

W S Gossett (1868 1937):

Desenvolveu a distribuição de Student para analisar resultados do teor de álcool em cerveja

20

Limites de confiança para a media de um resultado

 0,4 -2 -1 +1+2 0,3 0,2 0,1 0 _ 0 + Frequência relativa
0,4
-2 -1
+1+2
0,3
0,2
0,1
0
_
0
+
Frequência relativa
Distribuição Normal de Gauss
Distribuição Normal de Gauss
 = x  z   N

= x

z

N

Níveis de

Confiança para Z %

50

0,67

68

1,00

80

1,28

90

1,64

95

1,96

95,4

2,00

99

2,58

99,7

3,00

99,9

3,29

21

2,00 99 2,58 99,7 3,00 99,9 3,29 21 OBS: Transparência preparada a partir de material do

OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)

Limites de confiança da média quando não se tem µ

z 
z 

N

de confiança da média quando não se tem µ z   N   =

confiança da média quando não se tem µ z   N   = x

= x

= x

t S
t S

N

Graus de liberdade

95%

99%

1

12,71

63,66

2

4,30

9,93

3

3,18

5,84

4

2,78

4,60

5

2,57

4,03

6

2,45

3,71

7

2,36

3,50

8

2,31

3,36

9

2,26

3,25

10

2,23

3,17

 

.

.

.

.

.

.

1,96

2,58

22

. . . . . .  1,96 2,58 22 OBS: Transparência preparada a partir de

OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)

Exemplo 4 (aplicação do conceito na expressão de um resultado) : Um indivíduo fez quatro
Exemplo 4 (aplicação do conceito na expressão de um resultado) : Um indivíduo fez quatro

Exemplo 4 (aplicação do conceito na expressão de um resultado):

Um indivíduo fez quatro determinações de ferro em uma liga metálica, encontrando um valor médio de 31,40% m/m e uma estimativa do desvio padrão de 0,11% m/m. Qual o intervalo em que deve estar a média da população, com um grau de confiança de 95%?

µ = ?

 = x 
 = x
t S
t S

N

µ = 31,40 ± (3,18 x 0,11) /

4

= x  t S  N µ = 31,40 ± ( 3,18 x 0,11 )

µ = 31,40 ± 0,17 C Fe = (31,23 31,57)% m/m

23

Comparação de médias

Comparação de médias Situação 1 Resultado ± incerteza Valor de referência Situação 2 Resultado ± incerteza

Situação 1

Resultado ± incerteza

Valor de referência

Situação 2

Resultado ± incerteza

Valor de referência ± incerteza

Exemplo de aplicação SITUAÇÃO 1 (Exp. de amostragem)

Ex : Comparação da distribuição de cores de confeitos M&M com a especificação do fabricante
Ex : Comparação da distribuição de cores de confeitos M&M com a especificação do fabricante

Ex: Comparação da distribuição de cores de confeitos M&M com a especificação do fabricante

de confeitos M&M com a especificação do fabricante  Com base na amostragem e análise (contagem)
 Com base na amostragem e análise (contagem) dos analistas diferentes
 Com base na amostragem e análise (contagem) dos analistas
diferentes
amostragem e análise (contagem) dos analistas diferentes  média ( X ) e estimativa do desvio

média (X) e estimativa do desvio (S) para cada cor

S

x
x
média ( X ) e estimativa do desvio ( S ) para cada cor S x

Se o t calc < t tab

não existe diferença significativa entre as médias

25

não existe diferença significativa entre as médias 2 5  Média do fabricante (µ)  Calcula-se
 Média do fabricante (µ)  Calcula-se t com a confiança desejada e compara-se com
 Média do fabricante (µ)
 Calcula-se t com a confiança desejada e compara-se com o valor
tabelado:
-
(µ)  Calcula-se t com a confiança desejada e compara-se com o valor tabelado: - t

t

=

N

Outro modo de usar o Limite de confiança da média pra esse mesmo tipo de comparação

Comparação de uma média com um valor de referência quando não se tem o desvio do valor de referência

quando não se tem o desvio do valor de referência Ex de situação em que o

Ex de situação em que o resultado obtido concorda com o

Valor referência

em que o resultado obtido concorda com o Valor referência IC para o resultado “ R

IC para o resultado “R

valor de referência

 = x 
 = x
t S
t S

N

ν t tabelado = N-1

 PARA A SITUÃO 2: Se as precisões forem comparáveis, compararam-se as médias: Teste t,
 PARA A SITUÃO 2: Se as precisões forem
comparáveis, compararam-se as médias:
Teste t, de Student

t =

x 1 - x 2
x 1 - x 2

x 1 - x 2

S

p
p

n 1 + n 2 n 1 . n 2

n é o número das medidas para cada média S p corresponde a S “agrupado”
n é o número das medidas
para cada média
S p corresponde a S “agrupado”

S p =

S p = (n 1 -1) S 1 2 + (n 2 -1) S 2 2

(n 1 -1) S 1 2 + (n 2 -1) S 2 2

n 1 + n 2 -

2

ν t tabelado = n 1 +n 2 -2

SE t calculado < t crítico para o nível de confiança desejado: não existe diferença
SE t calculado < t crítico para o nível de confiança desejado:
não existe diferença significativa entre as médias e as
diferenças observadas se devem a erros aleatórios

27

 MAS se as precisões não forem comparáveis: t = x 1 - x 2
 MAS se as precisões não forem comparáveis: t = x 1 - x 2

MAS se as precisões não forem comparáveis:

t =

x 1 - x 2
x 1 - x 2

x 1 - x 2

S

p
p

n 1 + n 2 n 1 . n 2

1 - x 2 S p n 1 + n 2 n 1 . n 2
(n 1 -1) S 1 2 + (n 2 -1) S 2 2 S p
(n 1 -1) S 1 2 + (n 2 -1) S 2 2
S
p =
n 1 + n 2 -
2
n 2 (n 1 -1) S 1 2 + (n 2 -1) S 2 2 S
ν t tabelado = n 1 +n 2 -2
ν t tabelado = n 1 +n 2 -2

ν t tabelado :

FÓRMULAS ESPECÍFICAS (Pesquisar

)

n 1 = n 2 n 1 ≠ n 2

Valores críticos para t nos níveis de 95 e 99% (P= 0,025 e P= 0,005)
Valores críticos para t nos níveis de 95 e 99%
(P= 0,025 e P= 0,005)

Graus de liberdade

95%

99%

1

12,71

63,66

2

4,30

9,93

3

3,18

5,84

4

2,78

4,60

5

2,57

4,03

6

2,45

3,71

7

2,37

3,50

8

2,31

3,36

9

2,26

3,25

10

2,23

3,17

 

.

.

.

.

.

.

1,96

2,58

  . . . . . .  1,96 2,58  Testes estatísticos são válidos quando
  . . . . . .  1,96 2,58  Testes estatísticos são válidos quando
  . . . . . .  1,96 2,58  Testes estatísticos são válidos quando

Testes estatísticos são válidos quando os erros envolvidos são aleatórios

Mais confiáveis serão os testes quanto maior o ν (graus de liberdade)

29

Outras formas de utilizar o teste-t

Comparação de dados em pares (teste-t pareado)

Amostras diferentes (do mesmo tipo ou de lotes diferentes) analisadas por métodos diferentes ou analistas diferentes

Procedimento:

1) Organizar os dados em pares 2) Calcular o “desvio padrão” entre as diferenças das
1) Organizar os dados em pares
2) Calcular o “desvio padrão” entre as diferenças das médias (dos pares)
3) Calcular o valor de t:

t

=

t = d S d  N

d

S d N

ν t tabelado = N-1

EXERCÍCIO

Exercício 5- No seu trabalho de pós-graduação você fará comparação de resultados? Em caso afirmativo,
Exercício 5-
No seu trabalho de pós-graduação você fará comparação de resultados?
Em caso afirmativo, qual teste será usado? Por quê?

31

Testes estatísticos para comparação de resultados - Precisão - Exatidão Testes de hipóteses - Hipótese

Testes estatísticos para

comparação de resultados

- Precisão - Exatidão

para comparação de resultados - Precisão - Exatidão Testes de hipóteses - Hipótese nula ( H
para comparação de resultados - Precisão - Exatidão Testes de hipóteses - Hipótese nula ( H

Testes de hipóteses

- Hipótese nula (H 0 ) H 0 : µ = µ 0

0 é o valor verdadeiro ou de referência)

- Hipótese alternativa (Ha) Ha: µ ≠ µ 0

32

33
33
Alguns Exemplos de Propagação de “Erros”  Leva-se em consideração as incertezas de cada etapa
Alguns Exemplos de Propagação de “Erros”
 Leva-se em consideração as incertezas de cada etapa do
processo

Para erros indeterminados (situação mais usual)

Para um resultado “R”:
Para um resultado “R”:
(situação mais usual) Para um resultado “R”: R = A + B – C (soma e

R = A + B C (soma e sub.)

R =

S R =

S A 2 + S B 2 + S C 2

S R

R

AB

C

(multiplicação e divisão)
(multiplicação e divisão)
2 2 2 S A S B S C + + =  A B
2
2
2
S
A
S B
S C
+
+
= 
A
B
C

34

Exerc. 6:

Exerc. 6: Propagação Para “ c a s a ” d e Erros Considerando que o

PropagaçãoPara casade Erros

6: Propagação Para “ c a s a ” d e Erros Considerando que o S

Considerando que o S de uma balança seja de 0,0001 g, calcule a estimativa do desvio-padrão de uma pesagem

feita nesta balança.

(S R = 0,0001g)

CASO DE MÉTODOS INSTRUMENTAIS DE ANÁLISE

CASO DE MÉTODOS INSTRUMENTAIS DE ANÁLISE O TRATAMENTO ESTATÍSTICO INCLUE TAMBÉM:  Regressão linear  Curva
CASO DE MÉTODOS INSTRUMENTAIS DE ANÁLISE O TRATAMENTO ESTATÍSTICO INCLUE TAMBÉM:  Regressão linear  Curva
O TRATAMENTO ESTATÍSTICO INCLUE TAMBÉM:
O TRATAMENTO ESTATÍSTICO INCLUE TAMBÉM:
DE ANÁLISE O TRATAMENTO ESTATÍSTICO INCLUE TAMBÉM:  Regressão linear  Curva de calibração (ou

Regressão linear

Curva de calibração (ou analítica)

Tipos: - univariada (“convencional”)

- multivariada (métodos quimiométricos)

 Estimativa dos Limites de detecção e quantificação 
 Estimativa dos Limites de detecção e quantificação

Cálculos baseados na Estimativa do desvio padrão do

branco para prever a detectabilidade do instrumento e

método

REGRESSÃO LINEAR

É a reta que melhor representa a relação entre a propriedade medida (Abs, p. ex) e a concentração dos padrões

Padrões Abs= 48,3x + 0,24 r= 0,9987 Branco 0 Concentração (mg L -1 ) 1
Padrões
Abs= 48,3x + 0,24
r= 0,9987
Branco
0
Concentração (mg L -1 )
1
Absorbância

- O coeficiente de correlação (r) varia entre -1 e +1 - Quanto mais próximo da “unidade”, melhor é a correlação

37

REGRESSÃO LINEAR
REGRESSÃO LINEAR
 Uma Curva analítica linear nem sempre é possível e uma Regressão não-linear pode ser
 Uma Curva analítica linear nem sempre é possível e uma
Regressão não-linear pode ser usada desde que apresente “boa
correlação”
 As Regressões lineares são as mais usuais e podem ser obtidas
por meio de softwares, que usam o “Método dos mínimos quadrados”:
softwares, que usam o “Método dos mínimos quadrados”: Para y= ax + b , com coef

Para y= ax + b, com coef. correlação “r”:

Para y= ax + b , com coef . correlação “ r ”: a = n
Para y= ax + b , com coef . correlação “ r ”: a = n
Para y= ax + b , com coef . correlação “ r ”: a = n

a =

n Σx i y i – Σx i Σy i n Σx i 2 (Σx i ) 2

x i Σ y i n Σ x i 2 – ( Σ x i )

b = y - x

n= n o de pontos (x 1 ;y 1 ) da calibração
n= n o de pontos (x 1 ;y 1 ) da calibração
) 2 b = y - x n= n o de pontos (x 1 ;y 1

r =

n Σx i y i – Σx i Σy i { [nΣx i 2 (Σx i 2 )] [nΣy i 2 (Σy i ) 2 ] } 1/2

38

REGRESSÃO LINEAR
REGRESSÃO LINEAR
 O “Método dos mínimos quadrados” minimiza os “resíduos” (erros) que a reta de regressão
 O “Método dos mínimos
quadrados” minimiza os “resíduos”
(erros) que a reta de regressão
gera para cada um dos pontos
 Nos pontos centrais de uma
curva de calibração os resíduos
são sempre menores
Implicações
um dos pontos  Nos pontos centrais de uma curva de calibração os resíduos são sempre
REGRESSÃO LINEAR
REGRESSÃO LINEAR
“Para casa”:
“Para casa”:
Vide ex. 4.9 e 4.10 do “Vogel – Análise Química Quantitativa”, 6ª Ed: Para determinar
Vide ex. 4.9 e 4.10 do “Vogel – Análise Química Quantitativa”, 6ª Ed:
Para determinar quitina por fluorescência molecular utilizou-se
padrões de quitina nas seguintes concentrações: 0,10; 0,20; 0,30 e
0,40 µg mL -1 e que resultaram nos seguintes valores de emissão,
respectivamente: 5,20; 9,90; 15,30 e 19,10, Cps sendo que o branco
gerou leitura de 0,00 Cps. Considerando-se que um coeficiente de
correlação linear superior a 0,99 é satisfatório, calcule a concentração
de quitina de uma amostra cujo sinal analítico foi de 16,10 Cps.
de quitina de uma amostra cujo sinal analítico foi de 16,10 Cps. (r= 0,9987 e C
(r= 0,9987 e C quitina = 0,32 µg mL -1 )
(r= 0,9987 e C quitina = 0,32 µg mL -1 )

40

REGRESSÃO LINEAR
REGRESSÃO LINEAR
Para se obter uma “boa calibração” é preciso que: a) Os únicos erros nas medidas
Para se obter uma “boa calibração” é preciso que:
a)
Os únicos erros nas medidas sejam devidos a flutuações na variável
dependente “y”
b) Os pontos tenham comportamento homocedástico (erros aleatórios
b) Os pontos tenham comportamento homocedástico (erros aleatórios

com média zero e variância constante) Testes: Cochran (Q) ou Levene Regressão “normal” ou ponderada

(Q) ou Levene  Regressão “normal” ou ponderada c) Garantir que os erros não sejam correlacionados
(Q) ou Levene  Regressão “normal” ou ponderada c) Garantir que os erros não sejam correlacionados
(Q) ou Levene  Regressão “normal” ou ponderada c) Garantir que os erros não sejam correlacionados

c) Garantir que os erros não sejam correlacionados Preparar todos os padrões do mesmo jeito e realizar as medidas experimentais de forma aleatória

e realizar as medidas experimentais de forma aleatória d) Os erros sigam uma distribuição normal Teste
e realizar as medidas experimentais de forma aleatória d) Os erros sigam uma distribuição normal Teste

d) Os erros sigam uma distribuição normal Teste de Shapiro Wilk

erros sigam uma distribuição normal Teste de Shapiro Wilk e) O modelo obtido não apresente falta

AI

REGRESSÃO LINEAR E EFEITO MATRIZ
REGRESSÃO LINEAR E EFEITO MATRIZ
AI REGRESSÃO LINEAR E EFEITO MATRIZ  Sendo a Regressão linear uma reta “média” pode -se
AI REGRESSÃO LINEAR E EFEITO MATRIZ  Sendo a Regressão linear uma reta “média” pode -se

Sendo a Regressão linear uma reta “média” pode-se calcular a incerteza dos seus coeficientes angulares e lineares

a incerteza dos seus coeficientes angulares e lineares  As incertezas desses coeficientes podem ser usadas
 As incertezas desses coeficientes podem ser usadas para avaliar a própria regressão bem como
 As incertezas desses coeficientes podem ser usadas para avaliar a própria
regressão bem como outros parâmetros
Avaliação do efeito matriz no desenvolvimento de um método analítico * (comparação dos coef. angulares,
Avaliação do efeito matriz no desenvolvimento de um método
analítico * (comparação dos coef. angulares, “a”):

0.020

0.018

0.016

0.014

0.012

0.010

0.008

0.006

0.004

0.002

0.000

-0.002

Curva de adição de padrão Curva analítica em meio ácido ( y= ax + b
Curva de adição de padrão
Curva analítica em meio ácido
( y= ax + b )
de padrão Curva analítica em meio ácido ( y= ax + b ) 0 2 4

0

2

4

6

8

10

Concentração de Pb (ug/L)

a

a

meio alcalino

meio ácido

1,60 10 -3 ± 0,05 10 -3

1,78 10 -3 ± 0,03 10 -3

± 0,05 10 - 3 1,78 10 - 3 ± 0,03 10 - 3 Comparação para
Comparação para um nível de 95% de confiança para saber se a calibração poderia ser
Comparação para um nível de 95% de
confiança para saber se a calibração
poderia ser feita em meio ácido !

(*) R.A.de Sousa et al. / Talanta 104 (2013) 9096

42

REGRESSÃO LINEAR E EFEITO MATRIZ  Cálculo das incertezas de a e b :
REGRESSÃO LINEAR E EFEITO MATRIZ
 Cálculo das incertezas de a e b :

S a =

MATRIZ  Cálculo das incertezas de a e b : S a = S y/x [

S y/x

 Cálculo das incertezas de a e b : S a = S y/x [ Σ

[ Σ(x i x ) 2 ] 1/2

S a = S y/x [ Σ (x i – x ) 2 ] 1 /
S a = S y/x [ Σ (x i – x ) 2 ] 1 /

S b = S y/x [ Σx i 2 / nΣ(x i - x ) 2 ] 1/2

[ Σ x i 2 / n Σ (x i - x ) 2 ] 1

^

S y/x = [ Σ(y i y ) 2 / (n-2) ] 1/2

x = [ Σ (y i – y ) 2 / (n-2) ] 1 / 2

Obtido usando a própria

equação de regressão

^
^

Uma observação cuidadosa dos valores de y i - y mostram que o erro da regressão é menor nas vizinhanças do centro da curva de calibração !

43

REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO  Estimativa dos LIMITE DE DETECÇÃO (LOD) e
REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO
 Estimativa dos LIMITE DE DETECÇÃO (LOD) e
LIMITE DE QUANTIFICAÇÃO (LOQ)
Representam a DETECTABILIDADE DO MÉTODO
(LOQ) Representam a DETECTABILIDADE DO MÉTODO “ LEMBRAR ” : LOD i n s t r

LEMBRAR: LOD instrumental é diferente do LOD método

m e n t a l é diferente do LOD m é t o d o

Exemplo

n t a l é diferente do LOD m é t o d o Exemplo Para

Para quantificar 0,02 mg.kg -1 Pb em uma amostra de peixe por GF AAS o LOQ deve ser consideravelmente menor que 0,02 mg.kg -1 Pb

Análise elementar = Amostra é digerida

- 1 Pb  Análise elementar = Amostra é digerida  Na solução final a amostra

Na solução final a amostra fica diluída (10x p. ex)

Na solução final a amostra fica diluída ( 10x p. ex )  C P b
Na solução final a amostra fica diluída ( 10x p. ex )  C P b

C Pb sol. amostra = 0,02 mg kg -1 / 10 = 0,002 mg kg -1

REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO  Estimativa dos LIMITE DE DETECÇÃO (LOD) e
REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO
 Estimativa dos LIMITE DE DETECÇÃO (LOD) e
LIMITE DE QUANTIFICAÇÃO (LOQ)
Limite de detecção:
Limite de detecção:
Definições
Definições

É a menor concentração ou massa de analito que pode ser detectado com uma certa confiança

Depende da magnitude do sinal analítico em relação à flutuação do

branco:

3 S branco LOD= m
3 S branco
LOD=
m
do sinal analítico em relação à flutuação do branco: 3 S branco LOD= m m= inclinação

m= inclinação curva analítica

REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO
REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO
REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO  CÁLCULO do LIMITE DE DETECÇÃO (LOD) CONSIDERAÇÃO: LOD
 CÁLCULO do LIMITE DE DETECÇÃO (LOD)
 CÁLCULO do LIMITE DE DETECÇÃO (LOD)
CONSIDERAÇÃO:
CONSIDERAÇÃO:
 CÁLCULO do LIMITE DE DETECÇÃO (LOD) CONSIDERAÇÃO: LOD  concentração correspondente ao Menor sinal
 CÁLCULO do LIMITE DE DETECÇÃO (LOD) CONSIDERAÇÃO: LOD  concentração correspondente ao Menor sinal

LOD concentração correspondente ao Menor sinal detectável

Menor sinal detectável = Sinal branco + 3 S branco Para que se tenha 99%
Menor sinal detectável = Sinal branco + 3 S branco
Para que se tenha 99% de confiança
branco + 3 S branco Para que se tenha 99% de confiança  SE Curva analítica:
branco + 3 S branco Para que se tenha 99% de confiança  SE Curva analítica:
branco + 3 S branco Para que se tenha 99% de confiança  SE Curva analítica:

SE Curva analítica: (1) Y= m X + b b= Sinal branco

( 1 ) Y= m X + b  b= Sinal b r a n c
Na concentração limite Y = Menor sinal detectável (2) X = LOD 3 S branco
Na concentração limite Y = Menor sinal detectável (2)
X = LOD
3 S branco = LOD
m

Substituindo (2) em (1): Sinal branco + 3 S branco = m LOD + Sinal branco

( 2 ) em ( 1 ): Sinal b r a n c o + 3

46

REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO  O LIMITE DE QUANTIFICAÇÃO (LOQ)  No
REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO
 O LIMITE DE QUANTIFICAÇÃO (LOQ)
 No nível do LOD a medida é significativamente afetada pelo
ruído instrumental (baixa precisão)
 As medidas quantitativas devem ser feitas num nível superior
ao LOD, geralmente:
10 S branco
LOQ=
m
 PODE ser determinado experimentalmente (em função da
precisão) ou considerado igual ao primeiro ponto da curva analítica

Sabemos calcular (estimar) ?

Sabemos calcular (estimar) ? Dúvidas ? Comentários ? OBS: Existem outras formas de calcular os valores
Dúvidas ?
Dúvidas ?
Comentários ?
Comentários ?
Sabemos calcular (estimar) ? Dúvidas ? Comentários ? OBS: Existem outras formas de calcular os valores

OBS: Existem outras formas de calcular os valores

de LOD e LOQ, dependendo da técnica e objetivo do

método/análise

48

Outros Usos da Estatística no Laboratório

Outros Usos da Estatística no Laboratório

Métodos

quimiométricos

para planejamento e

otimização de experimentos, análise multivariada de dados e

calibração multivariada

“A quimiometria pode ser definida como sendo a aplicação de

métodos matemáticos e estatísticos no planejamento ou na

otimização de procedimentos e na obtenção de informações químicas através da análise de resultados relevantes”

Recomendação  Literatura básica para estudos iniciais
Recomendação
 Literatura básica para estudos iniciais
Bruns, RE; Faigle, FG. “Quimiometria”, Quím. Nova, 8 (1985) 84 Gemperline, PJ. Practical Guide to
Bruns, RE; Faigle, FG. “Quimiometria”,
Quím. Nova, 8 (1985) 84
Gemperline, PJ.
Practical Guide to Chemometrics (2nd Ed),
CRC Press Taylor and Francis, New York (2006)

Alguns exemplos:

Alguns exemplos: 1 - Planejamento fatorial e otimização multivariada - Conhecer como os diferentes parâmetros

1- Planejamento fatorial e otimização multivariada

1 - Planejamento fatorial e otimização multivariada - Conhecer como os diferentes parâmetros experimentais
- Conhecer como os diferentes parâmetros experimentais afetam o resultado do experimento (ou análise).
- Conhecer como os diferentes parâmetros experimentais afetam
o resultado do experimento (ou análise).
Seleção das condições instrumentais para determinar Se por GF AAS em adoçantes dietéticos
Seleção das condições instrumentais para determinar Se por GF
AAS em adoçantes dietéticos
Seleção das condições instrumentais para determinar Se por GF AAS em adoçantes dietéticos Tpyr Tat tpyr

Tpyr

Tat

tpyr

Mod

51

1 - Planejamento fatorial e otimização multivariada - Estabelecer condições experimentais (instrumentais) otimizadas

1- Planejamento fatorial e otimização multivariada

1 - Planejamento fatorial e otimização multivariada - Estabelecer condições experimentais (instrumentais) otimizadas
- Estabelecer condições experimentais (instrumentais) otimizadas
- Estabelecer condições experimentais (instrumentais) otimizadas
condições experimentais (instrumentais) otimizadas Sousa, RA; Silva, JCJ; Teófilo, RF; Cadore, S.; Baccan, N.

Sousa, RA; Silva, JCJ; Teófilo, RF; Cadore, S.; Baccan, N. Study of Instrumental Parameters for the Analysis of Milk by ICP OES Employing Factorial Design”, Brazilian Meeting on Chemistry of Food and Beverages, 2004.

Brazilian Meeting on Chemistry of Food and Beverages, 2004. Seleção das condições instrumentais para análise de

Seleção das condições instrumentais para análise de leite por ICP OES

condições instrumentais para análise de leite por ICP OES 16 14 0 -0,24 -0,48 -0,96 -0,72
condições instrumentais para análise de leite por ICP OES 16 14 0 -0,24 -0,48 -0,96 -0,72
16 14 0 -0,24 -0,48 -0,96 -0,72 -1,2 0,24 12 0,48 10 0,72 8 0,96
16
14
0 -0,24 -0,48 -0,96 -0,72 -1,2
0,24
12
0,48
10
0,72
8
0,96
6
1,2
4
-1,2
N
-0,72
2
-0,24
0
0,24
0,72
1,2
P
Mg II / Mg I
y= 6.74 + 1.89 P – 4.34 N – 0.59 A – 0.69 PN –
y= 6.74 + 1.89 P –
4.34 N – 0.59 A – 0.69
PN – 0.34 PA + 0.34 NA

52

2- Análise multivariada de resultados

Um exemplo na área de Química analítica:
Um exemplo na área de Química analítica:
de resultados Um exemplo na área de Química analítica: Dados experimentais obtidos para as diferentes amostras:
Dados experimentais obtidos para as diferentes amostras:
Dados experimentais obtidos para as diferentes amostras:
 

ACP

ACN

Ca (mg L -1 )

178 - 232

107 237

Mg

87 - 129

50 88

Mn

1,8 2,8

1,0 4,8

Fe

0,08 0,18

0,04 0,18

Zn

0,20 0,36

não detectado

Cu

0,09 0,19

não detectado

2- Análise multivariada de resultados

2 - Análise multivariada de resultados  Considerando as variações para cada parâmetro (analito), busca-se as

Considerando as variações para cada parâmetro (analito), busca-se as possíveis similaridades entre as amostras

UTILIZAR: Recursos para Análise exploratória, como PCA

UTILIZAR : Recursos para Análise exploratória, como PCA Gráfico de scores : Amostras num espaço multidimensional

Gráfico de scores:

Amostras num espaço multidimensional
Amostras num espaço
multidimensional
como PCA Gráfico de scores : Amostras num espaço multidimensional PCA: Análise de Componentes Principais 54

PCA: Análise de Componentes Principais

54

 Na PCA realizada compara-se o Gráfico de scores com o de loadings para se
 Na PCA realizada compara-se o Gráfico de scores com o de
loadings para se entender as “separações” encontradas
Verificação de correlações entre dados
Verificação de correlações entre dados
scores com o de loadings para se entender as “separações” encontradas Verificação de correlações entre dados
scores com o de loadings para se entender as “separações” encontradas Verificação de correlações entre dados
scores com o de loadings para se entender as “separações” encontradas Verificação de correlações entre dados

55

3- Calibração multivariada para análise de solos, alimentos, medicamentos, fluidos biológicos,

- Utiliza-se um único método analítico para detectar e quantificar vários parâmetros em uma mesma
- Utiliza-se um único método analítico para detectar e
quantificar vários parâmetros em uma mesma análise
- Utiliza-se um único método analítico para detectar e quantificar vários parâmetros em uma mesma análise

56

3- Calibração multivariada para análise de solos, alimentos e medicamentos

para análise de solos, alimentos e medicamentos TABLE I: Correlation Coefficient Values for Both Calibration

TABLE I:

Correlation Coefficient Values for Both Calibration and Validation Models Obtained via PLSR 1 for All Inorganic Elements

Element

Correlation Coefficient

Element

Correlation Coefficient

Calibration

Validation

Calibration

Validation

Ca

0.99992

0.84705

K

0.99751

0.99558

P

0.98802

0.96488

Mg

0.96973

0.90379

Na

0.99367

0.98957

Cl

0.99982

0.99275

57

3- Calibração multivariada para análise de solos, alimentos e medicamentos

para análise de solos, alimentos e medicamentos TABLE II: Correlation Coefficient Values for Calibration and

TABLE II:

Correlation Coefficient Values for Calibration and Validation

Models Obtained via PLSR 1 for the Organic Compounds

Compounds

Correlation Coefficient

Calibration

Validation

Glucose

0.99165

0.94337

Urea

0.99925

0.95103

Creatinine

0.99093

0.96018

58

Outros exemplos importantes podem ser encontrados na literatura

Trata-se de um área em constante desenvolvimento
Trata-se de um área em constante
desenvolvimento
Trata-se de um área em constante desenvolvimento OBS: Várias ferramentas além destas exemplificadas podem

OBS: Várias ferramentas além destas

exemplificadas podem ser usadas com finalidades analíticas (desenvolvimento do método, avaliação de resultados e na própria calibração)

Estudem quimiometria !!

59

BIBLIOGRAFIA

1) D. A. Skoog, D. M. West, F. J. Holler, Stanley R. Crouch Fundamentos de Química Analítica, 8 a Ed., CENGAGE Learning, 2009

de Química Analítica , 8 a Ed., CENGAGE Learning, 2009 2) J. Mendham, R. C. Denney,

2) J. Mendham, R. C. Denney, J. D. Barnes, M. Thomas

2009 2) J. Mendham, R. C. Denney, J. D. Barnes, M. Thomas Vogel - Análise Química

Vogel - Análise Química Quantitativa, 6 a ed., LTC, 2002

3) D. C. Harris, Análise Química Quantitativa, 7 a ed., LTC, 2008

Análise Química Quantitativa , 7 a ed., LTC, 2008 4) B. B. Neto, I. E. Scarminio,
Análise Química Quantitativa , 7 a ed., LTC, 2008 4) B. B. Neto, I. E. Scarminio,

4) B. B. Neto, I. E. Scarminio, R. E. Bruns, Como Fazer Experimentos,

Editora da Unicamp, 2001

5) J. N. Miller, J. C. Miller, Statistics and Chemometrics for Analytical Chemistry, 5th Ed, Pearson Education Limited, 2005

60