1

QUIMIOMETRIA

1. INTRODUÇÃO

A quimiometria é uma área que se refere à aplicação de métodos

estatísticos e matemáticos, asim como aqueles baseados em lógica
matemática, a problemas de origem química.
Com a sofisticação crescente das técnicas instrumentais, impulsionada
pela invasão de microprocessadores e microcomputadores no laboratório
químico, tornaram-se necessários tratamentos de dados mais complexos do
ponto de vista matemático e estatístico, a fim de relacionar os sinais obtidos
(intensidades por exemplo) com os resultados desejados (concentrações).
As análises quantitativas que eram realizadas na maioria das vezes por
“via úmida” como titulação, precipitação e reações específicas, que são
demoradas e muitas vezes pouco precisas, estão cada vez mais sendo
substituídas por técnicas instrumentais como : Ressonância Magnética Nuclear,
Espectroscopia no Infravermenlho, Espectroscopia no visível/ultravioleta,
Espectroscopia de Massa, Cromatografia, Polarografia, Análise por Injeção em
Fluxo, etc., que aliam a velocidade de análise com uma boa qualidade de
resultados. Nessas técnicas instrumentais não é obtida uma informação direta
do resultado, mas sim uma grande quantidade de sinais (curvas, picos) que
podem ser tratados para uma possível quantificação das várias espécies
presentes.
Muita ênfase tem sido dada aos sistemas multivariados, nos quais se
pode medir muitas variáveis simultaneamente, ao se analisar uma amostra
qualquer. Nesses sistemas, a conversão da resposta instrumental no dado
químico de interesse, requer a utilização de técnicas de estatística multivariada,
álgebra matricial e análise numérica. Essas técnicas se constituem no momento
na melhor alternativa para a interpretação de dados e para a aquisição do
máximo de informação sobre o sistema.
 2

De todos os ramos da química clássica, talvez a química analítica tenha

sido a mais afetada pelo desenvolvimento recente da instrumentação química
associada a computadores. De fato, a “Chemometrics Society”, organização
internacional dedicada ao uso e desenvolvimento de métodos em quimiometria,
é composta principalmente por químicos interessados em problemas analíticos.
Atualmente é muito raro se encontrar qualquer periódico respeitável sobre
pesquisas em química analítica, que não traga artigos reportando dados obtidos
com o auxílio de microcomputadores, ou tratados por matemática multivariada
ou métodos estatísticos, sempore com o objetivo de melhorar a qualidade dos
resultados ou facilitar a sua interpretação.

1.1. Matrizes e sua notação

Os dados químicos multivariados podem ser arranjados na forma de uma

tabela de dados, onde objetos são dispostos em linhas e variáveis em colunas.
Os objetos frequentemente são compostos químicos, e as variáveis valores de
concentração, pH, diferença de potencial, condutividade, alturas ou áreas de
espectros ou picos cromatográficos.
A tabela de dados pode ser representada como uma matriz, do tipo
mostrado na figura 1, com n linhas e p colunas, onde o elemento da matriz, xik,
indica o valor do k-ésimo objeto e da i-ésima variável.
A notação normalmente empregada em álgebra linear e utilizada pelos
principais autores de textos sobre quimiometria será também aqui utilizada.
Letras maiúsculas em negrito representarão matrizes e letras minúsculas
também em negrito vetores (linhas ou colunas de matrizes). As letras
minúsculas normais representarão escalares, que podem ser elementos de
matrizes (aij), de vetores (aj) ou constantes (a). A transposta de uma matriz ou
vetor será representado como um superescrito “T”, como por exemplo xT. A
operação da transposição é dada pela troca das linhas pelas colunas.
 3

variáveis
1 .... i ... p
o p p
b 1 x11 x1k x1p
j .
.
e .
t k xk xki xkp
o . 1
s .
.
. xn1 xni xnp
n

Figura 1. A matriz de dados químicos

1.2. A Relação entre duas matrizes de dados - Calibração Multivariada

É possível estabelecer uma relação entre duas matrizes de dados X e Y,

quando houver uma dependência entre as propriedades que descrevem cada
uma delas. Por exemplo, sinais analíticos podem ser relacionados com
quantidades de substâncias. A forma de estabelecer esta relação é a base da
Calibração Multivariada.
A Calibração Multivariada consiste basicamente de duas fases : a
calibração e a previsão.
Na fase de Calibração, tomando como exemplo o caso a ser estudado
neste experimento, n espectros de misturas de metais serão obtidos, em p
comprimentos de onda diferentes, formando uma matriz X, com n linhas e p
colunas, para um conjunto de amostras com composição conhecida. Também
uma matriz com os valores de concentração, Y, em cada amostra da mistura de
metais é formada, tendo n linhas, correspondendo as diferentes misturas e q
colunas, indicando o número de diferentes metais presentes. Os dados
utilizados nesta etapa constituem o Conjunto de Treinamento.
O próximo passo é desenvolver um modelo matemático apropriado que
melhor possa reproduzir Y a partir dos dados da matriz X. Esse modelo é
utilizado na fase de Previsão para estimar as concentrações dos constituintes
 4

de novas amostras, a partir de seus espectros. Os dados utilizados nesta fase

formam o Conjunto de Teste.
Os dados para a Calibração Multivariada podem ser organizados
conforme mostrado na figura 2. Os valores de absorbância dos espectros, a
cada comprimento de onda, são as variáveis independentes, e as
concentrações dos metais nas amostras, as variáveis dependentes.

Calibração
Abs.

Ycal Xcal

Previsão

comp. de onda (nm)

? Xteste

Figura 2. Organização dos dados para a Calibração Multivariada.

Métodos de Calibração Multivariada tem sido cada vez mais utilizados em

química analítica, principalmente quando os componentes presentes numa
mistura necessitam ser determinados, mas a informação analítica disponível
não apresenta seletividade, ou seja, em uma mistura não é possível identificar
os componentes individuais de cada espécie a partir da resposta instrumental.
Existem vários métodos matemáticos para a realização da Calibração
Multivariada, como a Regressão Linear Múltipla, a Regressão de Componenetes
 5

Principais e o Método dos Mínimos Quadrados Parciais (PLS - Partial Least

Squares). Dentre esses métodos, há um enorme destaque ao PLS, que vem
ganhando importância devido principalmente à simplicidade do algorítmo e
excelente poder de previsão, sendo este o método utilizado nos cálculos a
serem realizados neste experimento.
Para um entendimento do PLS, é necessário reportar-se a uma breve
introdução da Análise de Componentes Principais, que é a base deste método.

1.3. A Análise de Componentes Principais (PCA)

A Análise de Componentes Principais (PCA - Principal Component

Analysis) consiste na aproximação de uma tabela de dados, uma matriz X, em
termos da soma de várias matrizes Mi, que não podem mais ser expandidas, e
mais uma matriz de erros. As matrizes Mi constituem os chamados
componentes principais, e são formadas pelo produto de dois vetores, t (os
scores) e p (os loadings) :

X = M1 + M2 + ... + Ma + E
X = t1p1 + t2p2 + ... + tapa + E
X = TPT + E
para “a” componentes principais.

Uma representação gráfica dessas matrizes é mostrada na figura 3.

A dimensionalidade do espaço original é igual ao número de colunas em
X, ou seja, o número de variáveis originais. No novo modelo, a
dimensionalidade é descrita pelo número de matrizes Mi necessárias para
descrever X, o que corresponde ao número de colunas em T, ou linhas em P.
Assim, se for possível descrever uma matriz X, que tenha muitas variáveis, por
um número pequeno dessas matrizes Mi, haverá um decrescécimo na
dimensionalidade, sem perda de informação.
 6

X = M1 + M2 +...+ Ma

p1 p2 pa
X = + +...+
t1 t2 ta

T P
X =

Figura 3. Representação gráfica da Análise de Componentes Principais.

Os principais objetivos desta técnica são o de encontrar relações entre

objetos, e classificá-los de acordo com suas similaridades. Associado a isto,
está a detecção de amostras anômalas, que não pertencem a nenhuma das
categorias conhecidas. Outro objetivo importante é a redução de dados, que
torna-se muito útil quando grandes quantidades de informações necessitam ser
manipuladas.

1.4. O Método dos Mínimos Quadrados Parciais (PLS)

No PLS, tanto a matriz das variáveis independentes X, como a das

variáveis dependentes Y são representadas pela Análise de Componentes
Principais :
X = TPT + E
Y = UQT + F
 7

Uma relação entre os dois blocos pode ser realizada correlacionando-se

os scores para cada componente de cada vez, utilizando-se um modelo linear :
uh = bhth
onde :
bh = uhth/thTth

para cada h=1,2,...,”a” componentes principais.

Esse modelo entretanto não é o melhor possível. Isto porque a Análise de

Componentes Principais é realizada em cada matriz separadamente, podendo
resultar numa relação não muito satisfatória (não linear) entre os scores dos
dois blocos. Deve-se buscar um modelo onde as matrizes de resíduos E e F
sejam as menores possíveis e, ao mesmo tempo, conseguir uma relação linear
entre t e u.
No PLS isto é realizado por uma leve mudança nos valores dos scores,
de forma a produzir a melhor relação possível. Como pode ser notado, há um
compromisso entre a habilidade dos componentes principais em descrever as
amostras nos espaços individuais (modelagem dos blocos X e Y), e o aumento
na correlação entre t e u.

2. EXPERIMENTAL

Determinação Simultânea de Co(II) e Ni(II) com PAR ( 4-(piridil-2-azo)

resorcinol ) utilizando Calibração Multivariada

2.1. Objetivo

Determinação simultânea de Co(II) e Ni(II) baseada na aplicação da

Calibração Multivariada em espectros dos complexos desses íons metálicos
com o agente complexante PAR (4-(piridil-2-azo)resorcinol).
 8

2.2. Princípio

O PAR (4-(piridil-2-azo)resorcional) é um conhecido reagente

cromogênico e muito utilizado em determinações espectrofotométricas de íons
metálicos. Em diferentes valores de pH, são formados complexos de PAR de
coloração intensa, geralmente vermelhos ou vermelho-violetas, com uma
grande quantidade de cátions metálicos como de Mg, Ca, Sr, Ba, Sc, Ti, V, Cr,
Fe, Co, Ni, Cu, Zn, Ga, Y, Zr, Nb, Rh, Pd, Ag, Cd, In, Sn e lantanídeos.
O espectro de absorbância do complexo PAR-Metal é dependente do pH,
e a pH=9.0, os complexos Co-PAR e Ni-PAR tem espectros muito parecidos,
com máximos de absorção em 510 nm e 495 nm respectivamente. O PAR não é
um reagente seletivo, e numa mistura desses metais, não existe um único
comprimento de onda que se possa ser selecionado como referente
exclusivamente ao complexo de Co-PAR ou ao complexo de Ni-PAR.
Nesses casos, onde não existe seletividade para a escolha dos
comprimentos de onda, pode-se lançar mão de métodos de estatística
multivariada, como a calibração multivariada, onde a perda da seletividade
química para a análise simultânea dos metais é compensada pela medida de
muitos valores de absorbância a diferentes comprimentos de onda, onde as
pequenas, mas significantes, diferenças entre os espectros são analisadas.

2.3. Experimental

 Solução estoque de Co(II) 1000 ppm

 Solução estoque de Ni(II) 1000 ppm
 Solução de PAR 5 X 10-4 mol/L em 0,05 mol/L de NH3
 9

2.3.1. Conjunto de Calibração

 Prepare soluções de misturas de Co(II) e Ni(II) com as concentrações

especificadas abaixo, em balões de 50 mL, colocando no balão também 5,0
mL da solução estoque de PAR/NH3 para haver a formação do complexo.

Solução Co(II)/ppm Ni(II)/ppm

1 0.0 0.0
2 0.0 0.5
3 0.0 1.0
4 0.5 0.0
5 0.5 0.5
6 0.5 1.0
7 1.0 0.0
8 1.0 0.5
9 1.0 1.0

 Obtenha espectros destas soluções na faixa de 450-600 nm, com intervalos

de 2 nm, armazenando os espectros num disquete.
 Estes espectros constituirão o conjunto de CALIBRAÇÃO , e serão utilizados
para a construção do modelo da calibração multivariada.

2.3.2. Conjunto de Validação

Prepare soluções de misturas de Co(II) e Ni(II) com as concentrações

especificadas abaixo, em balões de 50 mL, colocando no balão também 5,0 mL
da solução estoque de PAR/NH3 para haver a formação do complexo.
 10

solução Co(II)/ppm Ni(II)/ppm

1 0.3 0.3
2 0.3 0.6
3 0.6 0.3
4 0.6 0.6

 Obtenha espectros destas soluções na faixa de 450-600 nm, com intervalos

de 2 nm, armazenando os espectros num disquete.
 Estes espectros constituirão o conjunto de VALIDAÇÃO, e serão utilizados
para validar o modelo desenvolvido na calibração.

2.3.3. Cálculos com o PLS

 Utilizando o método de calibração multivariada PLS, construa o modelo a

partir dos espectros obtidos na CALIBRAÇÃO.
 Determine o número de componentes principais necessários para os
cálculos.
 Com o modelo desenvolvido faça previsões das concentrações de Co(II) e
Ni(II) a partir dos espectros obtidos para a VALIDAÇÃO

2.3.4. Modelo univariado

 A partir dos espectros dos complexos puros de Co(II) e Ni(II), determine o

valor de comprimento de onda do máximo de absorbância, e faça uma curva
de calibração utilizando o método univariado a partir do comprimento de
onda escolhido. Prepare soluções dos complexos puros na mesma faixa de
concentração das amostras do conjunto de VALIDAÇÃO.
 A partir da curva obtida, faça a determinação das amostras do conjunto de
VALIDAÇÃO.
 11

2.3.5. Relatório

 Coloque no relatório os valores de previsão para o conjunto de VALIDAÇÃO,

em termos de erros relativos porcentuais para as previsões realizadas com
os modelos construídos (univariado e multivariado).
 Compare os resultados obtidos com os dois modelos

2.3.6. Detecção de interferentes

2.3.6.1. Objetivo

Detectar a presença de um metal que interfere na determinação

simultânea de Co(II) e Ni(II) com PAR utilizando a calibração multivariada.

2.3.6.2. Experimental

 Solução estoque de Co(II) 1000 ppm

 Solução estoque de Ni(II) 1000 ppm
 Solução estoque de Cu(II) 1000 ppm
 Solução de PAR 5 X 10-4 mol/L em 0,05 mol/L de NH3

2.3.6.3. Procedimento

 Prepare soluções com misturas de Co(II), Ni(II) e Cu(II) com as

concentrações especificadas abaixo, em balões de 50 mL, colocando no
balão também 5,0 mL da solução estoque de PAR/NH 3 para haver a
formação do complexo.
 12

Solução Co(II)/ppm Ni(II)/ppm Cu(II)/ppm

1 0.25 0.25 0.50
2 0.25 0.50 1.00
3 0.50 0.25 1.00

 Obtenha espectros destas soluções na faixa de 450-600 nm, com intervalos

de 2 nm, armazenando os espectros num disquete.

2.3.6.4. Cálculos

 Faça gráficos dos scores dos 2 primeiros componentes principais, para tentar
identificar amostras diferentes da calibração.
 Utilizando o modelo de PLS obtido com o conjunto de CALIBRAÇÃO faça
previsões das concentrações de Co(II) e Ni(II).

2.3.6.5. Relatório

No relatório mostre as previsões obtidas e comente os gráficos dos

scores, indicando como é possível encontrar as amostras de interferentes.

3. BIBLIOGRAFIA

1. Bruns, R. E. e Faigle, J. F. G., "Quimiometria", Quimica Nova 4 (1985) 84.

2. Sharaf, M. A., Illman, D. L. e Kowalski, B. R., "Chemometrics", Wiley, New
York, 1986.
3. Martens, H. e Naes, T., “Multivariate Calibration”, Wiley, New York, 1989.
13