Acp Proposta Da Aplicação Da Análise Por Componentes Principais

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO (UFRJ)
INSTITUTO DE QUÍMICA (IQ)

DEPARTAMENTO DE QUÍMICA ANALÍTICA (DQA)
TRABALHO DE CONCLUSÃO DE CURSO
PROPOSTA DA APLICAÇÃO DA ANÁLISE POR COMPONENTES PRINCIPAIS

NO ROTEIRO DE UMA AULA DE ANÁLISE INSTRUMENTAL DO CURSO DE
GRADUAÇÃO EM QUÍMICA
Aluna: Laryssa dos Santos

DRE: 113046430
Orientadores: M.Sc. Humberto B. de Novaes, D. Sc. Vinicius Kartnaller e D. Sc. Paula F. de
Aguiar
RIO DE JANEIRO
Março 2020
LARYSSA DOS SANTOS
PROPOSTA DA APLICAÇÃO DA ANÁLISE POR COMPONENTES PRINCIPAIS

NO ROTEIRO DE UMA AULA DE ANÁLISE INSTRUMENTAL DO CURSO DE
GRADUAÇÃO EM QUÍMICA
Trabalho de conclusão de curso

apresentado ao Instituto de Química da
Universidade Federal do Rio de Janeiro,
como parte dos requisitos necessários à
obtenção do grau de Químico com
Atribuições Tecnológicas.
Orientadores: M Sc. Humberto Brevilato Novaes (Técnico em Química DQA/UFRJ)

D. Sc. Vinicius Kartnaller Montalvão (GQA/UFF)
D. Sc. Paula Fernandes de Aguiar (DQA/UFRJ)
Rio de Janeiro
Março 2020
AGRADECIMENTOS
À minha mãe por ser um exemplo de mulher forte, o qual venho tentando
seguir, e por todo suporte dado no caminho das minhas conquistas e sonhos,
independente dos sacrifícios exigidos.
À minha família, irmãos, primas, madrinha, padrinho, por toda a ajuda nos
momentos difíceis, aos risos nos momentos felizes e por terem acreditado em mim
em momentos cruciais.
À minha irmã por ser outro exemplo de mulher forte e por ter me ajudado a
priorizar a minha saúde mental diante de obstáculos.
Aos meus amigos que são responsáveis por muitos momentos importantes de
alegria e descontração, mesmo com a minha resistência em relaxar um pouco.
À professora e orientadora Paula Fernandes de Aguiar por ter me guiado não
só ao longo desse trabalho, mas ao longo de quase toda a graduação com “broncas”
e elogios quando merecidos.
Ao orientador Humberto Brevilato Novaes por ter disponibilizado todas as
condições operacionais para a realização desse e de outros trabalhos e por
compartilhar um pouco do seu vasto conhecimento em técnicas instrumentais.
Ao professor e orientador Vinicius Kartnaller pela paciência e pelas dicas
valiosas tanto para ferramenta quimiométrica selecionada quanto para a
organização e parte escrita do trabalho.
Ao Laboratório LAM (Laboratório de Análises Ambientais e Minerais) por me
fornecer o suporte para a realização dos experimentos.
À banca, professor Carlos Alberto da Silva Riehl e professor Rodolfo Santos
Barboza, por ter aceitado o convite.
Ao Instituto de Química (IQ) e à Universidade Federal do Rio de Janeiro
(UFRJ) por terem me acolhido e possibilitado o aprendizado de conhecimentos que
vão além dos conceitos ensinados no curso de Química.
RESUMO
PROJETO DE CURSO
TÍTULO: PROPOSTA DA APLICAÇÃO DA ANÁLISE POR COMPONENTES
PRINCIPAIS NO ROTEIRO DE UMA AULA DE ANÁLISE INSTRUMENTAL DO
CURSO DE GRADUAÇÃO EM QUÍMICA
ALUNA: Laryssa dos Santos
ORIENTADORES: M Sc. Humberto Brevilato Novaes (Técnico em Química

DQA/UFRJ), D. Sc. Vinicius Tadeu Kartnaller Montalvão (GQA/UFF) e D. Sc. Paula
Fernandes de Aguiar (DQA/UFRJ)
DATA DA DEFESA: 03/03/2020
PALAVRAS-CHAVE: Análise por Componente Principais, Graduação em Química

Águas minerais e Cromatografia de Íons.
No final do século passado, o avanço computacional e da instrumentação

científica promoveu o surgimento de uma grande quantidade de dados em diversos
níveis de complexidade. Neste contexto, e com o intuito de extrair, mediante a uma
abordagem multivariada, uma maior quantidade de informações relevantes dos
dados gerados no laboratório, auxiliando na sua interpretação e propondo
estratégias pré-experimentais, originou-se uma área nomeada Quimiometria.
Uma das frentes de pesquisa da Quimiometria e um dos focos deste trabalho
é o reconhecimento de padrões, o qual tem um dos principais métodos a Análise por
Componentes Principais (ACP ou PCA, do inglês Principal Component Analysis).
Esta ferramenta, permite a visualização gráfica de todo o conjunto de dados,
principalmente, quando o número de amostras e variáveis é elevado. Contudo, esta
técnica faz uso, principalmente, de conceitos de álgebra e estatística, áreas que têm
foco relativamente restrito nos cursos de Química em geral.
Entretanto, o uso de programas estatísticos bem construídos permite
substituir a complexidade matemática por uma simplicidade didática. Dessa forma,
este trabalho visou propor um roteiro de aula, no qual introduz os conceitos
principais da ferramenta estatística selecionada (ACP), usando uma rotina.
computacional que pode ser aplicada à uma plataforma de uso gratuito (GNU
Octave).
A disciplina selecionada para a utilização do roteiro foi a Análise Instrumental
I (código IQA366) ministrada para os alunos do curso de Química com Atribuições
Tecnológicas da Universidade Federal do Rio de Janeiro (UFRJ), na prática
experimental de análise da composição de águas minerais por meio da técnica de
cromatografia de íons.
As variáveis selecionadas foram as concentrações de 7 ânions (F -, Cl-, NO2-,
Br-, NO3-, PO43- e SO42-) em 16 águas minerais de marcas brasileiras e estrangeiras.
Ao quantificar os teores dos íons nas águas minerais, os íons Br- e PO43- se
apresentaram abaixo dos seus respectivos limites de quantificação e não foram
utilizados no estudo da ACP.
A ferramenta quimiométrica (ACP) foi aplicada através de uma rotina
preparada na plataforma GNU Octave 5.1.0, o qual possibilitou o cálculo e
construção dos gráficos para os scores e loadings das componentes principais PC1
e PC2, as quais explicam aproximadamente 80% da estrutura dos dados originais. A
interpretação desses dados viabilizou, inicialmente, a redução da dimensão dos
conjunto dos dados para o estudo em um plano PC1 versus PC2 e a distinção da
água mineral da marca S.Pellegrino devido ao seu alto teor de sulfato em relação ao
restante. Além disso, permitiu a distinção das marcas São Lourenço e Evian, por
apresentarem as maiores concentrações de nitrito e a Perrier, a maior concentração
de nitrato.
Ao longo da realização dos experimentos, tratamento de dados e uso da
plataforma foram feitas anotações, as quais auxiliaram, junto com o procedimento
atual descrito na apostila da disciplina, na elaboração do roteiro proposto para a
aula. Este roteiro, sugere a aplicação da ACP com uma rotina do GNU Octave para
amostras águas minerais brasileira e estrangeira como uma forma de iniciar a
implementação destas ferramentas no currículo do curso de Química.
Autorizamos a divulgação no Repositório Institucional da UFRJ-Pantheon.

Aluna: Orientadora: s
Assinatura Assinatura
ABSTRACT
At the end of the last century, computational advancement and scientific

instrumentation promoted the emergence of a large amount of data at various levels
of complexity. In this context, an area named Chemometrics emerged to extract,
through a multivariate approach, a greater amount of relevant information from the
data generated in the laboratory, assisting in its interpretation and proposing pre-
experimental strategies.
One of the research frontiers of Chemometrics and one of the focuses of this
work is the recognition of patterns, which has one of the main methods as the
Principal Component Analysis (PCA). This tool allows graphical visualization of the
entire dataset, especially when the number of samples and variables is high.
However, this technique makes use, mainly, of algebra and statistical concepts,
areas that have a relatively restricted focus on chemistry courses in general.
Nevertheless, the use of well-built statistical programs allows to replacement
of mathematical complexity with didactic simplicity. Thus, this work aimed to propose
a lesson script, in which it introduces the main concepts of the selected statistical tool
(PCA), using a computational routine that can be applied to the free use platform
(GNU Octave). The discipline selected for the use of the script was the Instrumental
Analysis I (code IQA366), taught to chemistry students for the Federal University of
Rio de Janeiro (UFRJ), in the experimental practice of analysis of the composition of
mineral waters by means of ion chromatography technique.
The variables selected were the concentrations of 7 anions (F-, Cl-, NO2-, Br-,
NO3-, PO43- and SO42-) in 16 mineral waters of Brazilian and foreign brands. By
quantifying the ion contents in mineral waters, Br- and PO43- ions were below their
respective quantification limits and were not used in the ACP study.
The chemometric tool (PCA) was applied through the free GNU Octave 5.1.0
software, which enabled the calculation and construction of the graphs for the scores
and loadings of the main PC1 and PC2 components, which explained approximately
80% of the structure of the original data. The interpretation of these data initially
made it possible to reduce the dimension of the data set for the study in a PC1
versus PC2 plan and, then, the distinction of mineral water of the S.Pellegrino brand
due to its high sulfate content in relation to the rest. Evenfurther, it allowed the
distinction of the brands São Lourenço and Evian, which had higher concentrations
of nitrite and the brand Perrier, with the highest concentration of nitrate.
During the performance of the experiments, the data processing and the use
of the software, notes were made, which assisted, together with the current
procedure described in the handout of the discipline, in the elaboration of the script
proposed for the class. This script suggests the application of the PCA with a GNU
Octave routine, for samples of Brazilian mineral water and foreign to start the
implementation of these tools in the Chemistry course curriculum.
LISTA DE SIGLAS
𝑦̂𝑖 Previsão da reta

𝑥̅ Média de todos os valores de concentração xi
𝑦̅ Média de todos os valores obtidos para a resposta yi
A Matriz de autovetores
ACP/PCA Análise por Componente Principais (Principal Component
Analysis)
ANOVA Analysis of Variance (Análise de Variância)
ANVISA Agência Nacional de Vigilância Sanitária
AOAC Association of Official Agricultural Chemists
b0 Ponto de interseção da reta ao eixo y
b1 Inclinação da reta
CEDAE Companhia Estadual de Águas e Esgotos do Rio de Janeiro
CI Cromatografia de Íons
ck contribuição do k-ésimo componente principal
CMD Concentração Média Determinada
CP/PC Componente Principal (Principal Component)
CV Coeficiente de Variação
DA Coeficiente de distribuição da espécie iônica A
DMEA Dimetiletanolamina
DPRlin Desvio padrão relativo do coeficiente angular (linearidade)
DPRrep Desvio padrão relativo (repetibilidade)
DVS/SVD Decomposição de Valor Singular (Single Value Decomposition)
ei Resíduo entre o valor medido e previsão da reta
F Valor de F no teste de análises de variâncias
Ftab Valor de tabelado para os graus de liberdades das variâncias
analisadas
gi Autovetores associados à um autovalor da matriz de covariância
H0 Hipótese inicial a ser testada
H1 Hipótese secundária em contrário à H0
INMETRO Instituto Nacional de Metrologia
IQ Instituto de Química
LAM Laboratório de Análises Ambientais e Minerais
LD Limite de Detecção
LQ Limite de Quantificação
mj Média da coluna j
MMA Metilmetacrilato
MQregr Média quadrática da Soma dos Quadrados da Regressão
MQres Média quadrática da Soma dos Quadrados dos Resíduos
n Número de experimentos
p Número de variáveis
P Matriz dos loadings
PS-DVB Polystyrene-divinylbenzene (Poliestireno-divinilbenzeno)
QAT Química com Atribuições Tecnológicas
R2 Coeficiente de Determinação
Rsoma Soma dos quadrados dos resíduos
S Matriz de scores
s Desvio padrão
sb Desvio padrão do coeficiente angular
sbranco Desvio padrão do sinal do branco
sip Scores
SQregr Soma dos Quadrados da Regressão
SQres Soma dos Quadrados dos Resíduos
SQT Soma dos Quadrados Totais
sy/x Erros aleatórios na direção y
TMA Trimetilamina
U Matriz relacionada aos scores
UFRJ Universidade Federal do Rio de Janeiro
V Matriz relacionada aos loadings
VIM Vocabulário Internacional de Metrologia
vip Loading da variável
W Matriz de valores singulares
X Matriz de dados
yi Resposta experimentais
Z Forma vetorial das p variáveis em cada n amostras após o pré-
tratamento
zij Valor obtido de cada amostra após o tratamento de dados
δj Desvio padrão da coluna
ᴧ Matriz de autovalores
λi Autovalores associados a matriz de covariância
Σ Matriz de covariância
LISTA DE FIGURAS
Figura 3.1: Diagrama do processo de troca iônica. Esquerda: troca catiônica. Direita:
troca aniônica. Adaptado de: EITH et al., 2007..........................................................25
Figura 3.2: Estrutura dos materiais de empacotamento mais usados. Esquerda:
poliestireno-divinilbenzeno (PS-DVB). Direita: polimetilmetacrilato (PMMA). Adaptado
de: NAZARIO & LANÇAS, 2013.................................................................................27
Figura 3.3: Grupos funcionais mais importantes para cromatografia de ânions.
Esquerda: trimetilamina (TMA). Direita: dimetiletanolamina (DMEA).........................27
Figura 3.4: Representação esquemática de um sistema de cromatografia de íons
com supressão de condutividade. Adaptado de: GUEDES,
2010............................................................................................................................29
Figura 3.5: Representação da reta obtida por regressão linear. Fonte: MASSART,
1997............................................................................................................................31
Figura 3.6: Exemplos de gráficos de resíduos. Fonte: MASSART,1997....................33
Figura 3.7: Projeções de duas para uma dimensão. (a) há perda de informação na
projeção; (b) PC1 - a informação é preservada. Fonte: MASSART, 1997.................42
Figura 3.8: (a) – PC2 é ortogonal à PC1; (b) – Gráfico construído com os
componentes principais PC1 e PC2; (c) – PC1. Fonte: MASSART, 1997.................43
Figura 3.9: Matriz de dados n x m. Adaptado de: MASSART,1997...........................44
Figura 3.10: Gráfico de scores de 3 tipos de vinhos italianos (∆ = Barolo, ● =
Barbera, x = Grignolino). Fonte: MASSART, 1997.....................................................51
Figura 3.11: Gráfico de loading de algumas variáveis para o exemplo de poluição do
ar. Fonte: MASSART, 1997........................................................................................52
Figura 4.1: CI à esquerda, computador usado para o tratamento de dados e, à
direita, o módulo do equipamento..............................................................................56
Figura 5.1: Cromatograma obtido na análise da solução com 0,20 mg.L -1 com os
sete íons estudados...................................................................................................62
Figura 5.2: Curva analítica para o íon fluoreto...........................................................64
Figura 5.3: Gráfico de resíduos construído para a curva analítica do íon
fluoreto........................................................................................................................65
Figura 5.4: Curvas analíticas para o íon cloreto. A – Faixa baixa. B – Faixa alta......68
Figura 5.5: Curva analítica para o íon nitrito..............................................................68
Figura 5.6: Curva analítica para o íon brometo..........................................................68
Figura 5.7: Curvas analíticas para o íon nitrato. A – Faixa baixa. B – Faixa alta.......69
Figura 5.8: Curva analítica para o íon fosfato............................................................69
Figura 5.9: Curva analítica para o íon sulfato.............................................................70
Figura 5.10: Gráfico de resíduos construído para as curvas analíticas do íon cloreto.
A – faixa baixa. B – faixa alta.....................................................................................70
Figura 5.11: Gráfico de resíduos construído para as curvas analíticas do íon
nitrito...........................................................................................................................71
brometo. ....................................................................................................................71
Figura 5.13: Gráfico de resíduos construído para as curvas analíticas do íon nitrato.
A – Faixa baixa. B – Faixa alta...................................................................................71
Figura 5.14: Gráfico de resíduos construído para as curvas analíticas do íon fosfato.
....................................................................................................................................72
Figura 5.15: Gráfico de resíduos construído para as curvas analíticas do íon sulfato.
....................................................................................................................................72
Figura 5. 16: Teores de sulfato, nitrato, cloreto e fluoreto apresentados na análise e
no rótulo para três águas minerais brasileiras............................................................80
Figura 5.17: Teores de sulfato, nitrato e cloreto apresentados na análise e no rótulo
para três águas minerais estrangeiras.......................................................................81
Figura 5.18: Percentagem cumulativa da contribuição dos componentes
principais....................................................................................................................84
Figura 5.19: Gráfico de scores (PC1 x PC2) .............................................................85
Figura 5.20: Gráfico dos loadings no plano PC1 x PC2.............................................87
Figura 5.21: Tela do programa com as principais funções destacadas...................102
Figura 5.22: Tela do programa com as funções para carregar os dados
destacadas...............................................................................................................107
LISTA DE QUADROS
Quadro 3.1: Classes de águas minerais quanto à composição química (Fonte de:
JEBER & PROFETA, 2018) ......................................................................................22
Quadro 3.2: Classificação das fontes de água mineral (Fonte de: JEBER &
PROFETA,2018)........................................................................................................23
Quadro 3.3: Principais resinas de troca de íons para cromatografia de íons (Fonte:
GUEDES, 2010).........................................................................................................28
Quadro 3.4: Quadro de análise de variância para o ajuste do modelo
quadrático*.................................................................................................................35
Quadro 3.5: Parâmetros de validação conforme o tipo de ensaio. Fonte: INMETRO,
2018............................................................................................................................36
Quadro 3.6: Critérios de aceitação para a repetibilidade. (Fonte: Association of
Official Agricultural Chemists,2016)………………………………………………………40
Quadro 3.7: Critérios de aceitação para recuperação. Fonte: AOAC,
2016............................................................................................................................41
Quadro 4.1: Marcas em que foram realizadas diluições, alíquotas e volumes
finais...........................................................................................................................55
Quadro 4.2: Características e condições operacionais do CI....................................57
Quadro 4.3: Faixas de concentração selecionadas para cada íon para a construção
da curva analítica.......................................................................................................58
Quadro 4.4 – Métodos utilizados para determinar LD e LQ.......................................59
Quadro 5.1: Áreas dos picos referentes ao íon fluoreto nas soluções padrões da
curva analítica............................................................................................................63
Quadro 5.2: Valores de Gcalc obtidos para os dados da curva analítica do
fluoreto........................................................................................................................63
Quadro 5.3: Valores de variância obtidos para os dados da curva analítica do
fluoreto........................................................................................................................64
Quadro 5.4: ANOVA para a curva analítica do íon fluoreto.......................................65
Quadro 5.5: Valores de Gcalc obtidos para os dados das curvas analíticas dos íons
cloreto, nitrito, brometo, nitrato, fosfato e sulfato.......................................................66
Quadro 5.6: Valores de variância obtidos para os dados das curvas analíticas dos
íons cloreto, nitrito, brometo, nitrato, fosfato e sulfato................................................66
Quadro 5.7: Valores calculados para a maior variância, o somatório das variâncias e
o Ccalc para as curvas analíticas dos íons cloreto, nitrito, brometo, nitrato, fosfato e
sulfato.........................................................................................................................67
Quadro 5.8: Valores calculados para Fcalc para as curvas analíticas dos íons cloreto,
nitrito, brometo, nitrato, fosfato e sulfato....................................................................67
Quadro 5.9: Resumo das equações das retas para os íons fluoreto, cloreto, nitrito,
brometo, nitrato, fosfato e sulfato e seus respectivos R2...........................................73
Quadro 5.10: Desvio padrão relativo do coeficiente angular para cada
íon...............................................................................................................................74
Quadro 5.11: Valores obtidos para as áreas dos picos para a análise de três
replicatas do branco...................................................................................................74
Quadro 5.12: Limites de quantificação e limites de detecção obtidos pela relação
sinal/ruído...................................................................................................................75
Quadro 5.13: Limites de detecção e quantificação decorrentes do método do desvio
padrão do branco e inclinação da reta.......................................................................75
Quadro 5.14: Desvios padrões relativos calculados para as soluções padrões com
0,10 mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1 dos íons em estudo.......................................76
Quadro 5.15: Recuperação analítica calculada para as soluções padrão com 0,10
mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1 dos íons em estudo...............................................77
Quadro 5.16: Concentrações calculadas para os íons fluoreto, cloreto, nitrito, nitrato
e sulfato para todas as 16 águas minerais.................................................................78
Quadro 5.17: Autovetores relacionados com a matriz de covariância dos dados pré-
tratados.......................................................................................................................82
Quadro 5.18: Autovalores relacionados com a matriz de covariância dos dados pré-
tratados.......................................................................................................................83
Quadro 5.19: Contribuição de cada componente principal para a explicação da
variância total.............................................................................................................83
Quadro 5.20: Percentagens cumulativas ao adicionar cada componente principal na
explicação da variação dos dados originais...............................................................84
Quadro 5.21: Loadings nas duas componentes principais (PC1 e PC2)...................86
Sumário
1. Introdução .................................................................................................................................. 18
2. Objetivo ....................................................................................................................................... 20
3. Fundamentação teórica .......................................................................................................... 21
3.1. Água mineral ..................................................................................................................... 21
3.2. Princípios da técnica de cromatografia de íons ...................................................... 25
3.3. Métodos matemáticos e testes estatísticos .............................................................. 30
3.3.1. Teste de Grubbs ............................................................................................ 30
3.3.2. Teste de Cochran .......................................................................................... 30
3.3.3. Regressão linear ............................................................................................ 31
3.3.4. Gráfico de resíduos ...................................................................................... 32
3.3.5. Análise de variância (ANOVA) ................................................................... 33
3.4. Validação parcial do método ......................................................................................... 36

3.4.1. Linearidade...................................................................................................... 37
3.4.2. Limites de detecção (LD) e limites de quantificação (LQ) .................. 38
3.4.3. Repetibilidade................................................................................................. 39
3.4.4. Recuperação analítica .................................................................................. 40
3.5. Quimiometria e suas ferramentas................................................................................ 41

3.5.1. Análise por componentes principais (ACP) ........................................... 41
3.6. Plataforma .......................................................................................................................... 52

3.6.1. GNU octave ..................................................................................................... 53
4. Material e métodos................................................................................................................... 54
4.1. Material ................................................................................................................................ 54
4.2. Seleção da amostra a ser estudada ............................................................................ 54
4.2.1. Determinação da quantidade e das marcas das águas minerais ..... 55
4.2.2. Procedimento analítico das análises das águas minerais ................. 55
4.3. Seleção da técnica analítica e condições operacionais da cromatografia de

íons 56
4.4. Construção das curvas analíticas e aplicação dos testes estatísticos ............. 57
4.5. Validação parcial .............................................................................................................. 58
4.5.1. Linearidade...................................................................................................... 59
4.5.2. Métodos de determinação de LD e LQ e procedimento de aplicação
59
4.5.3. Repetibilidade................................................................................................. 60
4.6. Seleção da ferramenta quimiométrica ........................................................................ 60

4.7. Seleção e uso da plataforma selecionada para a aplicação do PCA ................. 60
4.8. Elaboração do roteiro de aula e proposta de implementação no curso ........... 61
5. Resultados e discussão ......................................................................................................... 62
5.1. Construção da curva analítica e aplicação dos métodos matemáticos e testes
estatísticos ..................................................................................................................................... 62
5.2. Validação parcial .............................................................................................................. 73
5.2.1. Linearidade...................................................................................................... 73
5.2.2. Limites de detecção (LD) e quantificação (LQ) ..................................... 74
5.2.3. Repetibilidade................................................................................................. 76
5.3. Análise das águas minerais .......................................................................................... 77

5.4. Aplicação da técnica quimiométrica ........................................................................... 81
5.5. Elaboração do roteiro de aula e proposta de implementação no curso ........... 87
6. Conclusão .................................................................................................................................. 91
7. Referências bibliográficas ..................................................................................................... 92
8. ANEXO......................................................................................................................................... 95
ANEXO A – Passo a passo da aplicação do teste de Grubb .................................................. 95
ANEXO B - Quadro com os valores críticos de G ..................................................................... 97
ANEXO C – Passo a passo a para a aplicação do teste de Cochran ................................... 98
ANEXO D - Quadro com os valores críticos de C ..................................................................... 99
ANEXO E – Quadro com os valores críticos de F* ................................................................. 100
ANEXO F - Nomes, fontes e concentrações dos íons estudados descritos nos rótulos de
cada marca. ................................................................................................................................... 101
9. Apêndice ................................................................................................................................... 102
Apêndice A - Modo de utilização do software GNU Octave ................................................. 102
Apêndice B - Áreas dos picos referentes aos íons fluoreto, cloreto, nitrito, brometo, nitrato,
fosfato e sulfato nas soluções padrões das curvas analíticas. ............................................. 104
Apêndice C - Tabelas ANOVA das curvas analíticas dos íons cloreto, nitrito, brometo,
nitrato, fosfato e sulfato ............................................................................................................... 105
Apêndice D – Desvios padrões (DP) e concentrações médias determinadas (CMD) das
soluções padrões 0,10 mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1 ...................................................... 106
Apêndice E – Comandos utilizados na plataforma do GNU Octave para a aplicação do
ACP nos dados gerados na análise das 16 águas minerais ................................................. 107
Apêndice F – Scores calculados para cada componente principal ...................................... 113
1. Introdução
No final do século passado, o avanço computacional e da instrumentação

científica promoveu o surgimento de uma grande quantidade de dados em diversos
níveis de complexidade. Entretanto, ainda que seja possível retirar mais informação
de uma da amostra em estudo, a interpretação de todos os dados se tornou uma
tarefa árdua (VALDERRAMA et al., 2015).
Com o intuito de reduzir à poucas variáveis e facilitar a compreensão dos
dados, muitos analistas ainda recorrem à estatística univariada, na qual as variáveis
são estudadas isoladamente. Contudo, quando um fenômeno depende de muitos
fatores simultaneamente, geralmente este tipo de análise falha, pois as relações
existentes entre eles não são notadas e os efeitos antagônicos ou sinergéticos
existentes dificultam a interpretação do fenômeno (NETO, 2004).
Dessa forma, originou-se uma área, nomeada Quimiometria, na década de
1970, a qual se dedicava, com uma abordagem multivariada, a extrair uma maior
quantidade de informações relevantes dos dados gerados no laboratório, auxiliando
na sua interpretação e propondo estratégias pré-experimentais (VALDERRAMA et
al., 2015).
Uma das frentes de pesquisa da Quimiometria e um dos focos deste trabalho
é o reconhecimento de padrões, o qual tem um dos principais métodos a Análise por
Componentes Principais (ACP – sigla adotada neste trabalho - ou PCA, do inglês
Principal Component Analysis). Esta ferramenta, permite a visualização gráfica de
todo o conjunto de dados, principalmente, quando o número de amostras e variáveis
é elevado (CORREIA & FERREIRA, 2007). Contudo, esta técnica faz uso,
principalmente, de conceitos álgebra e estatística, áreas que têm foco relativamente
restrito nos cursos de Química em geral.
Os cursos de Química das universidades brasileiras começaram a incluir de
forma discreta ferramentas como esta em seus cursos. Segundo uma pesquisa
realizada no início desta década, com os cursos de graduação em Química de 70
Instituições de Ensino Superior no Brasil (PEREIRA et al., 2014), em apenas em 20
delas aparece uma disciplina específica de Quimiometria.
Isto se deve ao fato do enfoque matemático e estatístico necessário para o
entendimento e aplicação desse método ser, demandando a presença de pessoas
18
capacitadas no assunto e implicando, em alguns casos, na diminuição do tempo de
aula de outras disciplinas, razões que dificultam a incorporação desse assunto nas
grades curriculares atuais (NETO, 2004).
Entretanto, o uso de programas estatísticos bem construídos permite
substituir a complexidade matemática por uma simplicidade didática (NETO, J. M.
M., 2004). Deste modo, é possível trabalhar mais a parte da inferência estatística, ou
seja, o que se pode afirmar a partir dos dados disponíveis.
Assim, este trabalho visa propor um roteiro de aula para o Instituto de
Química (IQ) da Universidade Federal do Rio de Janeiro (UFRJ), no qual introduz os
conceitos principais da ferramenta estatística selecionada (PCA), usando rotina
computacional que pode ser aplicada à plataforma de uso gratuito aplicadas à
técnica de cromatografia de íons na análise da composição de águas minerais.
19
2. Objetivo
Propor um roteiro de aula o qual permita introduzir os conceitos principais da

ferramenta estatística escolhida ACP (Análise de Componentes Principais), aplicada
à técnica de cromatografia de íons na análise das diferenças de composição química
de águas minerais nacionais e oriundas de outros países para a disciplina de Análise
Instrumental I, de código IQA366, ministrada para os alunos do curso de Química
com Atribuições Tecnológicas (QAT).
20
3. Fundamentação teórica
3.1. Água mineral
Segundo o Código de Águas Minerais (Decreto-Lei nº 7.841, de 08 de agosto

de 1945), águas minerais são aquelas provenientes de fontes naturais ou de fontes
artificialmente captadas que possuem composição química ou propriedades físicas
ou físico-químicas distintas daquelas águas comuns, com características que lhes
conferem uma ação medicamentosa.
De acordo com esse Código, as águas minerais podem ser classificadas com
base na sua composição química (Quadro 3.1).
21
Quadro 3.1: Classificação de águas minerais quanto à composição química (Fonte:
JEBER & PROFETA, 2018)
Classes Tipos Características
Quando apesar de não atingirem os limites estabelecidos, forem
I Oligominerais classificadas como minerais pelo disposto nos parágrafos 2º e 3º
do art. da presente Lei.
Quando contiverem substâncias radioativas dissolvidas que lhes
II Radíferas
atribuam radioatividade permanente.
Alcalino- As que contiverem, por litro, uma quantidade de compostos
II
bicarbonatadas alcalinos equivalente, no mínimo a 0,2 g de bicarbonato de sódio.
As que contiverem, por litro, uma quantidade de alcalino terrosos
equivalentes no mínimo a 0,12 g de carbonato de cálcio,
distinguindo-se:
a) alcalino-terrosas cálcicas, as que contiverem, por litro, no
IV Alcalino-terrosas mínimo 0,048 g do cátion Ca2+, sob forma de bicarbonato de
cálcio;
b) alcalino-terrosas magnesianas, as que contiverem, por litro, no
mínimo, 0,030 g do cátion Mg2+, sob a forma de bicarbonato de
magnésio.
As que contiverem, por litro, no mínimo, 0,1 g do ânion SO42-,
V Sulfatadas
combinado aos cátions Na+, K+ e Mg2+.
VI Sulfurosas As que contiverem, por litro, no mínimo, 0,1 g do ânion S2-.
As que contiverem, por litro, no mínimo, 0,1 g do ânion NO3- de
VII Nitratadas
origem mineral.
VIII Cloretadas As que contiverem, por litro, no mínimo, 0,5 g de NaCl.
IX Ferruginosas As que contiverem, por litro, no mínimo, 0,005 g de Fe2+/Fe3+.
As que contiverem radônio em solução, nos seguintes limites:
a) fracamente radioativa: entre 5 e 10 unidades Mache por litro, a
20 °C e 760 mm Hg de pressão;
X Radioativas b) radioativas: entre 10 e 50 unidades Mache por litro, a 20 °C e
760 mm Hg de pressão;
c) fortemente radioativas: superior a 50 unidades Mache por litro,
a 20 °C e 760 mm Hg de pressão.
As que possuírem um teor em Torônio em solução
XI Toriativas equivalente em unidades eletrostáticas a 2 unidades Mache por
litro, no mínimo.
As que contiverem, por litro, 200 ml de gás carbônico
XII Carbogasosas
livre dissolvido a 20 °C e 760 mm Hg de pressão.
As fontes de água mineral, por sua vez, podem ser classificadas quanto a
presença de gases e quanto à temperatura (Quadro 3.2).
22
Quadro 3.2: Classificação das fontes de água mineral (Fonte: JEBER & PROFETA,
2018)
Critério Classificação Características
- Fracamente radioativas: as que apresentarem, no
mínimo, uma vazão gasosa de 1 litro por minuto com
um teor em radônio compreendido entre 5 a 10
unidades Mache, por litro de gás espontâneo, a 20 °C
e 760 mm Hg de pressão;
- Radioativas: as que apresentarem, no mínimo, uma
vazão gasosa de 1 litro por minuto com um teor em
Fontes
radônio compreendido entre 10 e 50 unidades
Radioativas
Mache, por litro de gás espontâneo, a 20 °C e 760
mm Hg de pressão;
Presença de Gases - Fortemente radioativas: as que apresentarem, no
mínimo, uma vazão gasosa de 1 litro por minuto com
um teor em radônio superior a 50 unidades Mache,
por litro de gás espontâneo, a 20 °C e 760 mm Hg de
pressão.
As que apresentarem, no mínimo, uma vazão gasosa
Fontes de 1 litro por minuto, com um teor em torônio na
Toriativas emergência equivalente em unidades eletrostáticas, a
2 unidades Mache por litro.
Fontes As que possuírem na emergência desprendimentos
Sulfurosas definidos de gás sulfídrico.
Frias Quando sua temperatura for inferior a 25 °C.
Quando sua temperatura estiver compreendida entre
Hipotermais
25 e 33 °C.
Temperatura Mesotermais
33 e 36 °C.
Isotermais
36 e 38 °C.
Hipertemais Quando sua temperatura for superior a 38 °C.
Ao confrontar algumas características das fontes de água mineral com a

composição química resultante, pode-se notar alguns fatores que justificam a
presença e a quantidade de algumas espécies químicas, por exemplo:
 grande parte da água mineral brasileira envasada provém de sistemas
de fluxos de natureza rasa (< 70 m) e de rápido tempo de trânsito, resultando em
águas de baixa mineralização e de pH ácido (BERTOLO, 2007);
 as águas de regiões litorâneas, nas quais nota-se a influência do mar
pela maior presença do sal cloreto de sódio que é transportado para as áreas
continentais juntamente com a umidade marinha;
 as águas da região centro-sul do Brasil, por sua vez, são mais
influenciadas pelo tipo de rocha percolada e pela profundidade de captação de água.
As águas minerais que são originadas do intemperismo de minerais de rochas
23
alcalinas, por exemplo, têm a oxidação de pirita como sua fonte de sulfato
(BERTOLO, 2007).
À exceção desses fatores naturais que podem ser relacionados com a
composição química, há também os fatores antrópicos, no qual o nitrato é a principal
espécie que indica a alteração de origem antrópica na qualidade da água. As
concentrações elevadas de nitrato na água indicam a ocorrência de contaminação
advinda de águas servidas, principalmente em ambiente urbano e por utilizações de
fertilizantes inorgânicos e orgânicos, em ambiente rural (MILANEZ et al., 2015).
Nos aspectos legais aplicáveis às águas minerais, podem-se destacar ainda
as Resoluções 274 e 275, da Agência Nacional de Vigilância Sanitária (ANVISA). A
primeira resolução regula a identidade e, principalmente, os limites máximos de
substâncias químicas que representam risco à saúde, e é aplicada às águas
envasadas e fabricação de gelo destinados ao consumo humano; a segunda trata
das características microbiológicas (como a imposição da ausência das bactérias
Escherichia coli ou coliformes termotolerantes) das águas Mineral Natural e Natural
(JEBER & PROFETA, 2018).
De acordo com Jeber & Profeta (2018), o setor de Água Mineral no Brasil
sofreu um aumento significativo a partir da década de 70, se tornando, em 2014, o
quinto maior mercado de água engarrafada do mundo. Algumas das principais
razões desse incremento são: o crescimento da população, a diminuição da oferta
de água potável pelos governos e a busca por um estilo de vida mais saudável por
parte dos consumidores (MOURA et al., 2011).
Um exemplo desse incremento tem sido vivenciado no início de 2020 na
cidade do Rio de Janeiro, com o aumento da demanda da água mineral vendida,
devido a problemas de gerenciamento e tratamento da água fornecida pela
Companhia Estadual de Águas e Esgotos do Rio de Janeiro (CEDAE) (G1, 2020). O
aumento na demanda resultou também no aumento de vendas de águas de baixa
qualidade e sem especificação, o que mostra a necessidade das análises químicas
de tais produtos.
À vista disso, analisar a composição química e verificar as distinções entre as
marcas disponíveis no Brasil e no exterior se faz necessário no sentido de
impulsionar o estudo de um produto com grande demanda no mercado brasileiro e
do mundo.
24
3.2. Princípios da técnica de cromatografia de íons
Uma das técnicas instrumentais mais utilizadas para avaliação de íons em

análises de água é a cromatografia de troca iônica ou cromatografia de íons (CI).
O princípio da técnica de CI tem como base uma interação entre os íons de
uma solução e uma substância sólida contendo os grupos funcionais (fase
estacionária), que podem reter íons devido a atrações eletrostáticas (PEREIRA,
2007).
Esse tipo de reação é chamada de troca iônica, uma vez que, primeiramente,
após a injeção da amostra e à medida que esta percola pela coluna, há a troca entre
o contra-íon original do grupo funcional da fase estacionária com o íon da amostra,
de acordo com a afinidade destes com o grupo funcional (EITH et al., 2007).
A Figura 3.1 apresenta um diagrama do processo de troca iônica para ânions
e cátions, nos quais a letra A representa o íon da amostra e a letra E, o eluente.
Figura 3.1: Diagrama do processo de troca iônica. Esquerda: troca catiônica.

Direita: troca aniônica. Adaptado de: EITH et al., 2007.
O processo de troca iônica, representado na Figura 3.1, ocorre na condição

de equilíbrio e a eficiência da separação dos íons participantes depende da
25
afinidade destes em relação aos grupos funcionais da fase estacionária (EITH et al.,
2007).
Assim, quando uma mistura de íons é submetida à separação
cromatográfica, um equilíbrio de distribuição é formado entre as fases estacionária e
móvel para cada íon. A separação desses íons ocorre apenas quando os
coeficientes de distribuição (DA – Equação 1) diferirem suficientemente uns dos
outros, de forma que o maior DA está associado a íons que são retidos mais
fortemente do que os íons associados a valores de DA menores.
[𝐴]𝑆
𝐷𝐴 = (Equação 1)
[𝐴]𝑀
Sendo:
[𝐴]𝑆 = íon A na fase estacionária
[𝐴]𝑀 = íon A na fase móvel
As fases estacionárias, por sua vez, requerem materiais de empacotamento

feitos de partículas muito pequenas os quais devem apresentar um rápido processo
de troca iônica. Há muitos materiais orgânicos e inorgânicos diferentes que são
adequados para essa função (resinas de polímeros orgânicos modificadas, sílica gel
modificada, sais inorgânicos – polifosfato, vidros, zeólitas, entre outros).
Atualmente, no entanto, os materiais de empacotamento mais usados são
baseados nos copolímeros do poliestireno-divinilbenzeno (PS-DVB do inglês
polystyrene-divinylbenzene) ou polímeros de metilmetacrilato (MMA) devido à
estabilidade química desses compostos em toda escala de pH (Figura 3.2). De
acordo com seu tipo de aplicação (cromatografia de ânions ou cátions), as fases
estacionárias são modificadas, com a inclusão de sítios ativos à estrutura da resina.
26
Figura 3.2: Estrutura dos materiais de empacotamento mais usados. Esquerda:
poliestireno-divinilbenzeno (PS-DVB). Direita: polimetilmetacrilato (PMMA). Adaptado
de: NAZARIO & LANÇAS, 2013.
Na troca de ânions, os grupos funcionais baseados em nitrogênio são

praticamente os únicos utilizados, em virtude da sua estabilidade química e um
vasto número de substituintes possíveis no átomo de nitrogênio. Dentre eles se
destacam derivados de trimetilamina (TMA) e dimetiletanolamina (2-
dimetilaminaetanol, DMEA), os quais tem as suas estruturas apresentadas na Figura
3.3 (EITH et al., 2007).
Figura 3.3: Grupos funcionais mais importantes para cromatografia de ânions.

Esquerda: trimetilamina (TMA). Direita: dimetiletanolamina (DMEA)
Por sua vez, os trocadores catiônicos mais usados pertencem a duas grandes
categorias: resinas trocadoras catiônicas fortes, onde temos as resinas sulfônicas; e
as resinas trocadoras catiônicas fracas, onde as mais usadas são as carboxílicas
(GUEDES, 2010).
No Quadro 3.3 encontra-se um resumo das principais resinas de troca iônica
para cromatografia de íons.
27
Quadro 3.3: Principais resinas de troca de íons para cromatografia de íons (Fonte:
GUEDES, 2010)
Grupo Trocador usual
Tipo de resina Constituição química
disponível
Trocador de cátions Ácido sulfônico ligado ao
- SO3-H+
fortemente ácido estireno e divinilbenzeno
Trocador de cátions Ácido carboxílico ligado ao
- CH2-COO-Na+
fracamente ácido acrílico e divinilbenzeno
Trocador de ânions fortemente Amônio quartenário ligado ao
- CH2N+(CH3)Cl-
básico estireno e divinilbenzeno
Trocador de ânions fracamente
Polialquilamina - N+HR2Cl-
básico
Esta técnica permite o uso de diversos métodos de detecção tais como: por
condutividade, amperométrico, potenciométrico, fotométrico, por fluorescência, entre
outros. A detecção por condutividade, método usado neste trabalho, monitora todas
espécies iônicas por meio da condutância elétrica, visto que esta é uma propriedade
comum a todas as espécies iônicas em solução (GUEDES, 2010).
Todavia, a alta condutividade dos íons presentes na fase móvel,
principalmente devido ao íon sódio, presente nos eluentes utilizados na
determinação de ânions, dificulta a quantificação de outros íons. Nesse contexto, o
uso de um supressor da condutividade do eluente, posicionado entre a coluna de
separação e o detector, surge como uma solução a este problema, pois os íons do
eluente são convertidos em espécies que contribuam para uma condutância baixa
ou nula (KAPPES, 2019).
Para o bicarbonato de sódio, eluente aplicado neste trabalho, o processo de
supressão química pode ser explicado pelo seguinte equilíbrio:
Na+HCO3- + RSO3-H+ → H2CO3 + RSO3-Na+ (Reação 1)
A supressão é realizada com um trocador de cátion com sítios ativos de troca
protonados. De acordo com a Reação 1, o eluente é neutralizado, uma vez que os
íons de sódio são substituídos por prótons, diminuindo drasticamente a
condutividade relacionada ao eluente (KAPPES, 2019).
A Figura 3.4 mostra um resumo de todas as etapas em cromatografia de íons
na forma de um esquema.
28
Figura 3.4: Representação esquemática de um sistema de cromatografia de íons
com supressão de condutividade. Adaptado de: GUEDES, 2010.
Da mesma maneira que é mostrado na Figura 3.4, o eluente é alimentado

através de uma ou mais bombas que formam um sistema que assegura o controle
da vazão da fase móvel ao longo dos diversos componentes do sistema
cromatográfico.
A amostra é, então, é introduzida por meio de uma seringa no “loop” ou alça
de amostragem, posicionado na válvula de injeção, na posição de carga. Ao girar o
manípulo da válvula para a posição de injeção, dá-se uma alteração no trajeto do
eluente no interior da válvula e a amostra é, então, é introduzida na corrente do
eluente, onde seus íons são separados à medida que se movem através da coluna
analítica, que contém a fase estacionária. Dependendo de sua interação com a fase
estacionária, o tempo de eluição dos ânions será maior ou menor. Após passar pela
coluna, os analitos juntamente com o eluente chegam à coluna supressora, que
suprime a condutividade do eluente, melhorando a detecção dos íons da amostra.
Ao sair do sistema de supressão, os analitos chegam ao detector, que registra a
condutância dos íons transmitindo o sinal para o computador (GUEDES, 2010).
29
3.3. Métodos matemáticos e testes estatísticos
Uma vez que o objetivo do trabalho era fazer a avaliação da análise águas
minerais usando um método de redução de variáveis (ACP), alguns pontos
relevantes para o entendimento da discussão dos resultados serão abordados neste
tópico. Inicialmente, o foco será na redução de variáveis pela quantificação da
concentração dos íons em solução, onde será descrito, de forma sucinta, a
construção da regressão linear e a avaliação do modelo proposto.
3.3.1. Teste de Grubbs
O teste de Grubbs tem como função, detectar valores discrepantes (outliers)

em um conjunto de dados, auxiliando, assim, na construção da curva analítica.
Existem dois testes de Grubbs; o aplicado para verificar a presença de um valor
discrepante por vez, e outro que permite detectar um par de valores discrepantes de
cada vez.
As etapas do procedimento para se aplicar o teste de Grubbs estão descritas
no Anexo A (página 94), sendo uma adaptação do procedimento descrito em
Massart (1997). Os parâmetros tabelados utilizados no teste encontram-se no Anexo
B (página 96).
3.3.2. Teste de Cochran
O método dos mínimos quadrados (Regressão Linear) tem como um dos

requisitos para sua aplicação a homocedasticidade do conjunto de dados a ser
utilizado, ou seja, que as variâncias, obtidas para cada concentração da curva
analítica, sejam homogêneas (MASSART,1997).
Para verificar esta característica, aplica-se o teste de Cochran, o qual
compara as variâncias de cada concentração da curva e verifica se são
estatisticamente equivalentes ou não. Todos os passos para aplicação desse teste
podem ser encontrados no Anexo C (página 97) e são uma adaptação do
procedimento descrito em Massart (1997). Os parâmetros tabelados utilizados no
teste encontram-se no Anexo D (página 98).
30
3.3.3. Regressão linear
A regressão seleciona qual a melhor curva a ser traçada que se ajusta a um

conjunto de dados experimentais, podendo ser uma reta ou uma curva qualquer, na
qual a distância entre os pontos e a reta/curva seja a menor possível (MASSART,
1997; OLIVEIRA, 2013).
Uma importante aplicação da regressão linear é a construção de curvas de
calibração para determinar a concentração de um analito em uma amostra. Nesse
contexto, a variável dependente, y, representa a resposta e a variável independente,
x, representa as concentrações das soluções padrão (MASSART, 1997).
Ao assumir que a relação entre a resposta e a concentração é uma reta
(Figura 3.5) e com o intuito de obter um modelo matemático que se ajuste aos dados
experimentais, o seguinte modelo é proposto:
𝑦̂ = 𝑏0 + 𝑏1 𝑥 (Equação 3)
Sendo:
𝑦̂ = resposta obtida pela regressão linear
b0 = ponto de interseção da reta ao eixo y (coeficiente linear)
b1 = inclinação da reta (coeficiente angular)
Figura 3.5: Representação da reta obtida por regressão linear. Fonte: MASSART,
1997.
Os parâmetros b0 e b1 podem ser calculados através das Equações 4 e 5:

∑𝑛 ̅)
𝑖=1(𝑥𝑖 − 𝑥̅ )(𝑦𝑖 − 𝑦
𝑏1 = ∑𝑛 2
(Equação 4)
𝑖=1(𝑥𝑖 − 𝑥̅ )
31
𝑏0 = (𝑦̅ − 𝑏1 𝑥̅ ) (Equação 5)
Sendo:
𝑦̅ = média de todos os valores obtidos para a resposta yi (Equação 6)
𝑥̅ = média de todos os valores de concentração xi (Equação 7)
n = número de experiências realizadas
∑𝑛
𝑖=1 𝑦𝑖
𝑦̅ = (Equação 6)
𝑛
∑𝑛
𝑖=1 𝑥𝑖
𝑥̅ = (Equação 7)
𝑛
A reta estimada construída a partir dos dados experimentais, também

chamada de linha dos mínimos quadrados, advém do método dos mínimos
quadrados, o qual minimiza a soma dos quadrados dos resíduos, S (Equação 8).
𝑅𝑠𝑜𝑚𝑎 = ∑𝑛𝑖=1 𝑒𝑖2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 )2 (Equação 8)
Sendo:
Rsoma = soma dos quadrados dos resíduos
ei = resíduo (calculado pela Equação 3 na seção 3.3.3 – Gráfico de resíduos –
página 29)
3.3.4. Gráfico de resíduos
Através da análise de resíduos (RODRIGUES, 2016), é possível avaliar se o

modelo empregado está correto, e ainda, detectar problemas como, por exemplo:
 Não-linearidade da relação entre x e y;
 Variância não-constante dos erros (heterocedasticidade);
 Correlação entre os erros;
 Presença de valores discrepantes (outliers).
O resíduo (ei) é a diferença entre o valor medido (yi) e a previsão da reta (𝑦̂𝑖 ),
e pode ser descrito pela Equação 2:
32
𝑒𝑖 = 𝑦𝑖 − 𝑦̂𝑖 (Equação 2)
Após estimar os resíduos, é construído um gráfico de valores de x versus

valores dos resíduos, no qual é analisada a presença, ou não, de algum dos
problemas citados anteriormente (MASSART,1997). Alguns exemplos de gráficos de
resíduos são descritos na Figura 3.6.
Figura 3.5: Exemplos de gráficos de resíduos. a – distribuição aleatória dos

resíduos, b – resíduos que indicam heterocedasticidade dos dados, c – resíduos
que indicam que os dados seriam melhor representados por um modelo quadrático.
Fonte: MASSART,1997.
Na Figura 3.6-a, os resíduos estão dispersos aleatoriamente e com um

número de resíduos positivos similar ao número de resíduos negativos indicando,
assim, que os dados apresentam um comportamento homocedástico e o modelo foi
empregado corretamente. Na Figura 3.6-b, no entanto, como os resíduos
encontram-se mais dispersos com o aumento de 𝑦̂, há o indício de que a condição
de homocedasticidade não é obedecida. Na Figura 3.6-c, por fim, o formato em U
dos resíduos indica que seria mais adequado que os dados fossem representados
por uma curva e não por uma reta indicando uma possível falta de ajuste e não
linearidade dos dados.
3.3.5. Análise de variância (ANOVA)
Segundo Teófilo e Ferreira (2006), a maneira mais confiável de se avaliar a

qualidade do ajuste de um modelo é empregando a análise de variância.
Análise de variância (frequentemente abreviada para ANOVA do inglês
Analysis of Variance) é uma técnica estatística que pode ser usada para separar e
estimar as diferentes causas de variação (MILLER & MILLER, 2010).
33
Como consequência da ANOVA, a variabilidade dos dados experimentais é
dividida em dois termos: soma dos quadrados da regressão (SQregr) e soma dos
quadrados dos resíduos (SQres). O primeiro termo mede a quantidade de
variabilidade explicada pelo modelo de regressão e, o segundo, a variação residual
que não é explicada pelas variáveis independentes (MONTALVÃO, 2014).
A variabilidade total dos dados experimentais é dada pela Soma dos
Quadrados Totais (SQT) descrita na Equação 9.
2
(∑ 𝑦𝑖 )
𝑆𝑄𝑇 = ∑ 𝑦 2 − = 𝑆𝑄𝑟𝑒𝑔𝑟 + 𝑆𝑄𝑟𝑒𝑠 (Equação 9)
𝑁
Assim sendo, a Equação 9 exibe a relação da variabilidade dos valores

experimentais em relação ao seu valor médio.
No tocante aos graus de liberdade de cada soma, ao seguir o raciocínio de
que um sistema, incialmente, possui (N-1) graus de liberdade e, ao fazer a
regressão linear, (p-1) graus são perdidos em decorrência da estimação dos
coeficientes desconhecidos (b1, b2, ..., bp), tem-se, ao final, (N-p) graus de liberdade
para a estimativa do erro.
A soma dos quadrados do erro descreve a variabilidade não explicada pela
regressão e pode ser definida como:
𝑆𝑄𝑟𝑒𝑠 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2 (Equação 10)
A soma dos quadrados da regressão, por sua vez, pode ser definida por:
2
(∑ 𝑦̂𝑖 )
𝑆𝑄𝑟𝑒𝑔𝑟 = ∑ 𝑦𝑖2 − (Equação 11)
𝑁
As médias quadráticas de cada soma são calculadas por meio da divisão dos
seus valores pelo seu respectivo grau de liberdade (Equações 12 e 13).
𝑆𝑄𝑟𝑒𝑠
𝑀𝑄𝑟𝑒𝑠 = (Equação 12)
𝑛−𝑝−2
34
𝑆𝑄𝑟𝑒𝑔𝑟
𝑀𝑄𝑟𝑒𝑔𝑟 = (Equação 13)
𝑝−1
Com a finalidade de analisar a variância na regressão, aplica-se o teste

estatístico-F Snedecor, o qual averigua se há uma correlação entre a resposta e
algum dos coeficientes de maneira que se pode declarar que a regressão é
significativa. Para o uso do teste F, um teste de hipóteses é elaborado, sendo:
𝐻0 : 𝑏1 = 𝑏2 = ⋯ = 𝑏𝑝 = 0
H1: Pelo menos um dos coeficientes 𝑏1 , 𝑏2 , ⋯ , 𝑏𝑝 não é zero
O valor de F pode ser encontrado pela razão a seguir:
𝑀𝑄𝑟𝑒𝑔𝑟
𝐹= (Equação 14)
𝑀𝑄𝑟𝑒𝑠
O Ftab (Anexo E, página 99) é localizado através dos graus de liberdade no

numerador (p-1), graus de liberdade no denominador (n-p) e o nível de significância
(α) com o valor, geralmente, de 5%.
Caso F > Ftab, a hipótese nula é rejeitada e é confirmada a correlação entre a
resposta e algum dos coeficientes.
O Quadro da análise de variância (Quadro 3.4) para o ajuste de um modelo
quadrático é composta, então, por 5 colunas com os termos descritos acima e pode
ser obtida através da planilha eletrônica Excel® com o uso de pacote de ferramentas
“Análise de Dados”.
Quadro 3.4: Quadro de análise de variância para o ajuste do modelo

quadrático*
Soma Média F
Fonte de variação Nº de graus de liberdade
Quadrática Quadrática
Regressão SQregr p-1 MQregr MQregr/ MQres
Resíduos SQres n-p MQres
Total SQT n-1
*SQregr= soma dos quadrados dos desvios para a regressão, SQ res= soma dos quadrados dos desvios
para os resíduos, SQT= soma dos quadrados dos Totais, p= número de coeficientes, n= número de
experiências realizadas, MQregr= quadrado médio da regressão, MQres= quadrado médio dos
resíduos, F= F calculado para o teste de análises de variâncias.
35
3.3.6. Coeficiente de determinação (R2)
O valor do coeficiente de determinação (Equação 15) é um parâmetro para

avaliar o poder de explicação do modelo de regressão, ou seja, se toda variação em
torno da média foi explicada pela regressão (MASSART, 1997).
𝑆𝑄𝑟𝑒𝑠
𝑅2 = 1 − (Equação 15)
𝑆𝑄𝑇
O valor de R2 representa a fração da variação que é explicada pela

falta de ajuste do modelo. Quanto mais próximo de 1 o valor do
coeficiente estiver, melhor estará o ajuste do modelo às respostas
observadas (TEÓFILO & FERREIRA, 2006, página 346-347).
3.4. Validação parcial do método
A validação consiste na demonstração de que o método possui as

características necessárias para a obtenção de resultado com a qualidade exigida
(INMETRO, 2018). Durante esse processo, alguns critérios devem ser avaliados de
acordo com o ensaio a ser realizado (Quadro 3.5).
Quadro 3.5: Parâmetros de validação conforme o tipo de ensaio. Fonte:

INMETRO, 2018
Tipo de ensaio
Parâmetros
Qualitativo Quantitativo
Seletividade x x
Linearidade/faixa de trabalho/Faixa
x
linear de trabalho/Sensibilidade
Limite de detecção x x
Limite de quantificação x
Tendência/recuperação x
Precisão x x
Robustez (*) (*)
(*) parâmetro opcional.
Neste trabalho foram abordados apenas os parâmetros: linearidade, limite de

detecção, limite de quantificação, repetibilidade e recuperação analítica.
36
3.4.1. Linearidade
De acordo com o INMETRO (2018), a linearidade de um procedimento

analítico é a habilidade em obter resultados que sejam diretamente proporcionais à
concentração do analito na amostra em uma determinada faixa de trabalho.
Tal parâmetro pode ser avaliado através da construção do gráfico dos
resultados de resposta medida em função da concentração do analito e, em seguida,
com a determinação da equação da reta que relaciona as duas variáveis através do
método de regressão linear (Seção 3.3.4 Regressão Linear – página 30).
Deve-se observar que a regressão linear deve ser aplicada após a verificação
da a ausência de valores discrepantes para cada nível de concentração da curva
(Seção 3.3.1. Teste de Grubbs – página 28) e da homocedasticidade (Seção 3.3.2.
Teste de Cochran – página 28) dos dados.
Antes de qualquer avaliação estatística para este parâmetro, segundo o Guia
para tratamento estatístico da validação analítica da ANVISA (2017), é importante
realizar uma análise visual para verificar se os pontos, quando dispostos no gráfico,
têm relação linear aparente.
Outra abordagem para a avaliação da linearidade se refere a verificação da
dispersão dos dados em torno da linha de tendência dos dados através do desvio
padrão relativo (DPRlin) do coeficiente angular (Equação 16) (GONZÁLEZ &
HERRADOR, 2007).
𝑠𝑏
𝐷𝑃𝑅𝑙𝑖𝑛 = (Equação 16)
𝑏1
Sendo:
sb = desvio padrão do coeficiente angular (Equação 17)
b1 = coeficiente angular
𝑠𝑦/𝑥
𝑠𝑏 = (Equação 17)
√∑𝑖(𝑥𝑖 − 𝑥̅ )2
Sendo: sy/x - erros aleatórios na direção de y (Equação 18)
37
∑(𝑦𝑖 − 𝑦̂𝑖 )2
𝑠𝑦/𝑥 = √ (Equação 18)
𝑛−2
O valor do DPRlin é considerado com outro parâmetro de desempenho e,

geralmente, o valor máximo adotado é de 5%.
3.4.2. Limites de detecção (LD) e limites de quantificação (LQ)
Segundo o INMETRO (2018), o limite de detecção (LD) de um procedimento

analítico individual é a menor quantidade de analito na amostra que pode ser
detectada, mas não necessariamente quantificada sob as condições estabelecidas
para o ensaio.
Já o limite de quantificação (LQ), consiste na menor quantidade do analito na
amostra que pode ser quantitativamente determinada com precisão e exatidão
aceitáveis.
Existem diversos modos de se calcular os limites de detecção. Algumas das
abordagens mais utilizadas são:
 método da relação sinal/ruído: sucessivas diluições da amostra são feitas até
se encontrar a razão sinal/ruído de aproximadamente 3:1;
 método do desvio padrão e inclinação da reta: o limite de detecção é
determinado pela Equação 19:
LD = (3,3.sbranco)/b1 (Equação 19)
Onde:
sbranco = desvio padrão do sinal do branco
b1 = inclinação da curva analítica
Já para o LQ, algumas das abordagens mais comumente utilizadas consistem
nos:
 método da relação sinal/ruído: sucessivas diluições da amostra são feitas até

se encontrar a razão sinal/ruído de aproximadamente 10:1;
 método do desvio padrão e inclinação da reta: o limite de detecção é
determinado pela Equação 20:
LD = (10.sbranco)/b1 (Equação 20)
38
Onde:
sbranco = desvio padrão do sinal do branco
b1 = inclinação da curva analítica
Ao colocar b em evidência nas Equações 19 e 20 e igualando, tem-se:
3,3 10
=
𝐿𝐷 𝐿𝑄
𝐿𝑄
𝐿𝑄 ≈ 3 𝐿𝐷 𝑜𝑢 𝐿𝐷 = (Equação 21)
3
Tanto o limite de detecção quanto o de quantificação são características do

método e, por isso, não possuem critério de aceitação.
3.4.3. Repetibilidade
De acordo com o Vocabulário Internacional de Metrologia (VIM - 2012), as

condições de repetibilidade de medição devem incluir o mesmo procedimento de
medição, os mesmos operadores, o mesmo sistema de medição, as mesmas
condições de operação e o mesmo local, assim como o período entre as medições
repetidas deve ser curto.
A repetibilidade pode ser expressa quantitativamente em termos da
característica da dispersão dos resultados e pode ser analisado por meio de análise
de padrões, material de referência ou adição do analito ao branco da amostra, em
concentrações baixa, média e alta da faixa de trabalho (INMETRO, 2018).
Para avaliar a repetibilidade é necessário calcular, através da Equação 22, o
desvio padrão relativo (DPRrep), também chamado de coeficiente de variação (CV),
obtido sob condições de repetibilidade.
𝑠
𝐶𝑉 = 𝐷𝑃𝑅𝑟𝑒𝑝 = 𝑥 100 (Equação 22)
𝐶𝑀𝐷
Sendo:
s = desvio padrão
CMD = concentração média determinada
De forma similar a recuperação analítica, os critérios para aceitação do DPR
estão atrelados ao nível de concentração (Quadro 3.6).
39
Quadro 3.6: Critérios de aceitação para a repetibilidade. (Fonte: Association of
Official Agricultural Chemists,2016)
Analito % Fração Mássica (C) Unidade DPR, %
100 1 100% 1,3
10 10-1 10% 1,9
1 10-2 1% 2,7
-3
0,1 10 0,1% 3,7
0,01 10-4 100 ppm (mg.kg-1) 5,3
0,001 10-5 10 ppm (mg.kg-1) 7,3
-6 -1
0,0001 10 1 ppm (mg.kg ) 11
0,00001 10-7 100 ppb (μg.kg-1) 15
0,000001 10-8 10 ppb (μg.kg-1) 21
-9 -1
0,0000001 10 1 ppb (μg.kg ) 30
3.4.4. Recuperação analítica
Matematicamente, recuperação analítica é a razão entre o valor observado e

o valor esperado para um analito (Equação 23) (INMETRO, 2018).
𝑣𝑎𝑙𝑜𝑟 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜
𝑅𝑒𝑐𝑢𝑝𝑒𝑟𝑎çã𝑜 𝑎𝑛𝑎𝑙í𝑡𝑖𝑐𝑎 = 𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜 × 100 (Equação 23)
Normalmente, os critérios de aceitação para a recuperação estão atrelados ao

nível de concentração. Na Quadro 3.7, estão apresentados os critérios sugeridos
pela AOAC.
40
Quadro 3.7: Critérios de aceitação para recuperação. Fonte: AOAC, 2016
Analito % Fração Mássica (C) Unidade Recuperação analítica, %
100 1 100% 98 – 102
-1
10 10 10% 98 - 102
1 10-2 1% 97 -103
0,1 10-3 0,1% 95 - 105
0,01 10-4 100 ppm (mg.kg-1) 90 – 107
-5 -1
0,001 10 10 ppm (mg.kg ) 80 - 110
0,0001 10-6 1 ppm (mg.kg-1) 80 – 110
0,00001 10-7 100 ppb (μg.kg-1) 80 - 110
-8 -1
0,000001 10 10 ppb (μg.kg ) 60 – 115
0,0000001 10-9 1 ppb (μg.kg-1) 40 - 120
3.5. Quimiometria e suas ferramentas
A Quimiometria, a qual consiste na aplicação de métodos matemáticos e

técnicas estatísticas para coletar informações significativas de dados químicos, pode
ser dividida em diversas frentes de pesquisa: planejamento e otimização de
experimentos, reconhecimento de padrões e desenvolvimento de modelos de
classificação, resolução de sinais analíticos, calibração multivariada, entre outros
(VALDERRAMA et al., 2015).
No contexto da retirada de informações relevantes a partir dos dados
experimentais, os métodos de reconhecimento de padrões merecem destaque,
dentre eles, principalmente a análise por componentes principais.
3.5.1. Análise por componentes principais (ACP)
Há uma crescente demanda por métodos que diminuam a dimensionalidade

dos dados produzidos atualmente, de maneira a facilitar a sua interpretação e, ao
mesmo tempo, preservar a maior parte da informação contida nesses dados. Nesse
contexto, apesar do desenvolvimento de muitas técnicas para este propósito, a
análise de Componentes Principais (ACP ou do inglês PCA – Principal Components
Analysis) é uma das ferramentas mais antiga e mais usada pela comunidade
científica (JOLLIFFE & CADIMA, 2016).
41
Uns dos primeiros artigos na literatura nos quais essa ferramenta foi utilizada,
datam de 1901 com Pearson (On lines and planes of closest fit to systems of points
in space) e 1933 com Hotteling (“Analysis of a complex of statistical variables into
principal componentes”), mas foi apenas depois de décadas, quando os
computadores se tornaram mais disponíveis, que ocorreu um aprofundamento maior
do assunto (JOLLIFFE & CADIMA, 2016 apud PEARSON, 1901; HOTTELING,
1933).
A ACP tem a capacidade de reduzir a dimensionalidade de um conjunto de
dados ao realizar combinações lineares das variáveis originais, estabelecendo,
assim, novas variáveis ortogonais entre si, denominadas componentes principais
(CPs ou PCs – sigla adotada neste trabalho), as quais preservam a maior
quantidade de informação (variância) possível (CORREIA & FERREIRA, 2007).
Uma forma de entender, de maneira intuitiva, como funciona a ferramenta
ACP, é através do caso mais simples de redução de variáveis: de duas variáveis
para uma. Nesse caso, deve-se apenas projetar os pontos do espaço bidimensional
(plano) para o espaço unidimensional (linha). Todavia a direção dessa linha é
importante, pois pode haver perda de informação ao longo desse processo de
projeção (Figura 3.7 – a).
Figura 3.7: Projeções de duas para uma dimensão. (a) há perda de informação na
projeção; (b) PC1 - a informação é preservada. Fonte: MASSART, 1997.
Ao comparar a Figura 3.7 – a com b, não é possível verificar, por exemplo, na

Figura 3.7 - a a existência de dois grupos de dados devido aos cruzamentos ao
longo da linha, já, na Figura 3.7 - b, a distinção entre eles torna-se perceptível.
42
Desse modo, de maneira a minimizar a perda de informações, deve ser
identificada a direção onde há maior variação dos dados para que a linha seja
desenhada ao longo deste eixo, chamado de primeiro componente, PC1, o qual
explica a maior variação possível dos dados. As projeções dos pontos do espaço
original x1-x2 no PC1 são chamadas de scores dos objetos. Os resíduos, ri,
apresentam a variação restante inexplicada e podem ser expressos em um segundo
eixo, PC2, que, por definição, é ortogonal ao primeiro, no qual também são
projetados os dados originais (Figura 3.8 - a).
Figura 3.8: (a) – PC2 é ortogonal à PC1; (b) – Gráfico construído com os
componentes principais PC1 e PC2; (c) – PC1. Fonte: MASSART, 1997
PC1 e PC2 podem ser considerados os novos eixos no mesmo espaço

bidimensional (Figura 3.8 - b). Entretanto, como o intuito da ACP é reduzir o número
de variáveis, o eixo PC1 pode ser o único a ser utilizado, pois este representa quase
toda a estrutura dos dados originais sem uma perda significativa de informação
(Figura 3.8 - c). Além disso, PC1 pode ser chamado de variável latente em
comparação às variáveis x1 e x2, as quais são chamadas de variáveis manifestas ou
variáveis expostas. Nesse caso específico, PC2 expressa essencialmente ruído.
A elucidação completa do processo matemático da ACP pode ser encontrada
em Jolliffe (1986). O presente trabalho vai apresentar tal elucidação de forma
superficial, através das seguintes etapas:
1)Construção da matriz de dados X (n x p);
2) Pré-tratamento de dados;
3)Construção da matriz de covariância;
43
4) Determinação dos autovalores e autovetores associados a matriz de
covariância;
5)Determinação das componentes principais;
6)Scores e loadings;
7)Cálculo da contribuição de cada componente principal;
8)Interpretação gráfica dos scores;
9)Interpretação gráfica dos loadings.
3.5.1.1. Construção da matriz de matriz de dados X (n x m)
Antes de aplicar a ACP, os dados devem ser organizados em uma tabela de

forma que n objetos/amostras constituem as linhas e p variáveis constituem as
colunas, construindo uma matriz de dados n versus p (Figura 3.9).
Figura 3.9: Matriz de dados n x m. Adaptado de: MASSART,1997.
O número de dimensões dessa matriz é equivalente ao número de variáveis

medidas para cada amostra, dessa forma, para visualizar todos os dados seria
necessário construir um gráfico com p-dimensões. Contudo, para um p maior que 3,
a visualização desse gráfico não é possível, tornando necessário uma redução para
3 ou menos variáveis (MASSART, 1997).
3.5.1.2. Pré-tratamento de dados
Algumas propriedades da ACP têm consequências indesejáveis quando as

variáveis originais possuem diferentes unidades de medida. O fato de a ACP ser
definido por um critério (variância), a qual depende das unidades de medida, faz
com que os componentes principais baseados na matriz de covariância sofram
44
mudanças se a unidade de uma ou mais variáveis sejam diferentes (JOLLIFFE &
CADIMA 2016).
Com o intutito de superar esse possível obstáculo, o uso de um pré-
tratamento dos dados originais é muito comum, sendo, a centralização pela média,
escalamento por variância e o auto escalamento, alguns dos pré-tratamentos mais
usados. Estes são descritos como:
 Centralização na média (mean centering – Equação 24): a média da

coluna correspondente (mj – Equação 25) é subtraída de cada elemento (xij) de
X.
𝑧𝑖𝑗 = 𝑥𝑖𝑗 − 𝑚𝑗 (Equação 24)
1
𝑚𝑗 = ∑𝑛𝑖=1 𝑥𝑖𝑗 (Equação 25)
𝑛
Para:
z = valor obtido de cada amostra após o tratamento de dados
x = valor medido para cada amostra
i = 1,..., n
j = 1, ..., p
O efeito da centralização da média é a translação paralela dos pontos que
representam os dados originais, fazendo com que seu centro coincida com a origem
do espaço.
 Escalamento por variância (variance scaling – Equação 26): cada

elemento é dividido pelo desvio padrão da coluna correspondente (δj - Equação
27):
𝑥𝑖𝑗
𝑧𝑖𝑗 = (Equação 26)
𝛿𝑗
1
𝛿𝑗 2 = ∑𝑛𝑖=1(𝑥𝑖𝑗 − 𝑚𝑗 )2 (Equação 27)
𝑛
45
Através do escalamento por variância, as variáveis são colocadas em uma
mesma escala de variâncias, tornam os dados com valores invariantes com respeito
à unidade utilizada originalmente.
 Auto escalamento (auto scaling – Equação 28): cada elemento (xij) é

subtraído da média da coluna (mj) e dividido pelo desvio padrão da coluna
correspondente (δj):
𝑥𝑖𝑗 − 𝑚𝑗
𝑧𝑖𝑗 = (Equação 28)
𝛿𝑗
O auto escalamento combina os efeitos tanto da centralização da média

quanto do escalamento por variância, permitindo, assim, que pequenas distinções
entre as variáveis fiquem mais evidentes.
O auto escalamento é indicado quando as variáveis têm diferentes unidade ou
quando a faixa de variação dos dados é expressivo, pois este pré-tratamento
possibilita igualar o impacto de cada uma das variáveis, minimizando o efeito de
uma variável dominante nos resultados da análise.
3.5.1.3. Construção da matriz de covariância
Uma das etapas para a determinação dos componentes principais é a

construção de uma matriz de covariância (Σ). Em teoria da probabilidade e na
estatística, a covariância (Equação 29), é uma medida do grau de interdependência
(ou inter-relação) numérica entre duas variáveis aleatórias (X, Y).
∑𝑛 ̅)]
𝑖=1[(𝑥 − 𝑥̅ )(𝑦−𝑦
𝑐𝑜𝑣 (𝑥, 𝑦) = (Equação 29)
𝑛
Sendo:
x = valor medido para a variável x
y = valor medido para a variável y
𝑥̅ = valor da média das amostras para a variável x
𝑦̅ = valor da média das amostras para a variável y
46
n = número de amostras
Considerando a situação em que se deseja calcular a cov (x, x), ou seja, a
covariância entre uma variável e ela mesma, o resultado obtido equivale a variância
de x (Equação 30).
∑𝑛
𝑖=1(𝑥 − 𝑥̅ )
2
𝑣𝑎𝑟 (𝑥) = (Equação 30)
𝑛
Para a construção da matriz, as p variáveis em cada n amostras, após o pré-
tratamento, podem ser expressas na forma vetorial por X = [X1, X2, ..., Xp]’, assim
como as médias dos dados m = [m1, m2, ..., mp]’, sendo o vetor associado as médias
dos dados calculado pela Equação 31.
1
𝑚𝑗 = ∑𝑛𝑖=1 𝑧𝑖 (Equação 31)
𝑛
Sendo:
zi = valor obtido pelo pré-tratamento correspondente ao valor original (xi) da
medida de cada amostra
j = 1, ..., p
A Equação 32, representa, então, a matriz de covariância Σ.
(Equação 32)
Dessa forma, cada elemento (i, j) da matriz da covariância consiste na

covariância entre o i-ésimo elemento com o j-ésimo elemento, quando i ≠ j, e a
variância do j-ésimo elemento, quando i = j.
47
3.5.1.4. Determinação dos autovalores e autovetores associados a
matriz de covariância
A etapa seguinte à construção da matriz de covariância é a determinação dos

pares de autovalores (λp) e autovetores (gp): (λ1, g1), (λ2, g2), ..., (λp, gp), em que λ1 ≥
λ2 ≥ ... ≥ λp, associados a Σ.
Diz-se que um vetor gi é um autovetor de uma matriz quadrada se a
multiplicação desta matriz pelo vetor resulta em um múltiplo do próprio vetor gi, isto
é, em λ x gi (multiplicação de um escalar pelo vetor). Nesse caso, λ é chamado de
autovalor da matriz quadrada associado ao autovetor gi.
Os autovalores podem ser obtidos através da Decomposição de Valor
Singular (DVS ou em inglês Single Value Decomposition – SVD) descrita pela
Equação 33, a qual representa a decomposição de uma matriz de dados X:
𝑋 = 𝑈 × 𝑊 × 𝑉𝑇 (Equação 33)
Sendo:
Z = forma vetorial das p variáveis em cada n amostras, após o pré-tratamento
U = matriz relacionada aos scores
V = matriz relacionada aos loadings
W = matriz de valores singulares (Equação 34)
⋀ = 𝑊2 (Equação 34)
Sendo:
ᴧ = matriz de autovalores (valores de autovalores encontram-se nas diagonais
dessa matriz)
3.5.1.5. Determinação dos componentes principais;
Após a determinação dos autovalores e dos autovetores, pode-se determinar

as componentes principais (as direções de maiores variações dos dados), onde o i-
ésimo componente principal pode ser definido por (Equação 35):
48
𝑃𝐶𝑖 = 𝑔𝑖′ 𝑋 = 𝑔𝑖1 𝑋1 + 𝑔𝑖2 𝑋2 + ⋯ + 𝑔𝑖𝑝 𝑋𝑝 (Equação 35)
Sendo:
Xj = forma vetorial das p variáveis em cada n amostras, após o pré-tratamento
gi = autovetor associado à um autovalor da matriz de covariância
A variável PCi é uma variável latente, isto é, não é mensurada a partir do

experimento ou levantamento amostral. Deve-se notar que como λ1 ≥ λ2 ≥ ... ≥ λp, os
primeiros autovetores possuem maiores autovalores, e explicam, necessariamente,
maior variabilidade experimental, definindo então a ordem das componentes
principais.
3.5.1.6. Scores e loadings
Como foi dito anteriormente, as projeções dos dados nos novos eixos,
correspondentes aos componentes principais, são chamados de pontuações, ou
scores (sip). No componente principal, os scores são uma soma ponderada
(Equação 36), ou seja, combinações lineares das variáveis originais (xij). Os pesos
da soma são chamados de loadings e contêm informação sobre as variáveis e o
quanto cada uma contribui para a nova variável (PC).
𝑠𝑖𝑝 = ∑𝑗 𝑣𝑖𝑝 × 𝑥𝑖𝑗 (Equação 36)
Sendo:
vip = peso (loading) da variável
xij = valor do i-ésimo objeto da para a variável original ou do valor
correspondente após o pré-tratamento de dados (zij)
Assim sendo, a Equação 36 relaciona os componentes principais às variáveis
originais.
Em notação de matriz (Equação 37):
𝑆𝑛𝑥𝑝 = 𝑋 𝑛𝑥𝑝 × 𝑉𝑝𝑥𝑝 (Equação 37)
49
Sendo:
S = matriz dos scores
X = matriz das variáveis originais ou matriz correspondente após o pré-
tratamento de dados (Z)
V = matriz relacionada aos loadings
Para obter os valores dos loadings utiliza-se a Equação 38.
𝑃 = 𝐴 × √⋀ (Equação 38)
Sendo:
P = matriz dos loadings
A = matriz de autovetores
ᴧ = matriz de autovalores (valores de autovalores encontram-se nas diagonais
dessa matriz)
3.5.1.7. Cálculo da contribuição de cada componente principal.
A contribuição de, por exemplo, o k-ésimo componente principal (PCi) é dada

por (Equação 39):
𝑣𝑎𝑟(𝐶𝑃𝐼 ) 𝜆𝑖 𝜆𝑖
𝑐𝑘 = ∑𝑃
× 100 = ∑𝑃
× 100 = × 100 (Equação 39)
𝐼=1 𝑣𝑎𝑟(𝐶𝑃𝑖 ) 𝐼=1 𝜆𝑖 𝑡𝑟 (Σ)
Pela proporção de explicação da variância total, que o modelo de k

componentes principais está associado, é possível determinar o número de
componentes que devem ser utilizados. Em muitos casos, adota-se modelos que
explicam pelo menos 80% da variação total.
3.5.1.8. Interpretação gráfica dos scores
Em uma dada situação com p variáveis, pode-se continuar extraindo

componentes principais até que p PC’s tenham sido extraídas, entretanto, apenas as
50
primeiras PC’s contêm uma maior variação, ou seja, um valor maior de pontuações,
o que implica em uma maior quantidade de informação.
Dessa forma, as projeções dos dados no plano PC1 x PC2 (ou até outros
planos que incluam PC’s que contribuem significativamente para explicação da
variância total) podem ser computadas e exibidas em um gráfico, chamado de
gráfico de pontuações, ou score plot (exemplo na Figura 3.10). Um exemplo de
aplicação é mostrado na Figura 3.10, onde tem-se 100 amostras com 3 tipos de
vinhos os quais foram avaliados utilizando-se 8 variáveis com o intuito de diferenciá-
los.
Figura 3.10: Gráfico de scores de 3 tipos de vinhos italianos (∆ = Barolo,

● = Barbera, x = Grignolino). Fonte: MASSART, 1997.
Com base na Figura 3.10, pode-se observar que as variáveis foram

adequadas para distinguir o vinho Barolo dos outros dois tipos de vinho uma vez que
no espaço bidimensional definido pelas componentes PC1 e PC2, eles se encontram
visualmente diferenciados dos outros vinhos.
3.5.1.9. Interpretação gráfica dos loadings
A informação contida nos loadings pode ser apresentada na forma de um

gráfico. Um exemplo pode ser visto na Figura 3.11, onde, na avaliação da poluição
do ar, foram estudadas concentrações de algumas substâncias em amostras de ar.
51
Figura 3.11: Gráfico de loading de algumas variáveis para o exemplo de
poluição do ar. Fonte: MASSART, 1997.
Assim como demonstrado na Figura 3.11, a interpretação do gráfico é

baseada na direção onde as variáveis estão em relação à origem. Ou seja, duas
variáveis são correlacionadas significativamente quando há um pequeno ângulo
entre as linhas conectando-as à origem. No exemplo apresentado, as variáveis
relacionadas as concentrações dos poluentes n-decano e n-dodecano estão
correlacionadas fortemente entre si, assim como as concentrações do estireno, orto-
xileno e para-xileno.
3.6. Plataforma
Há uma grande variedade de programas voltados para a análise multivariada

e a análise de componentes principais está presente na sua maioria. Dentre os
programas comerciais pode-se citar: Unscrambler®, Statistica®, Pirouette® e Matlab®.
Na categoria de programas livres, destaca-se o GNU Octave® (LYRA, et. Al, 2010).
52
3.6.1. GNU octave
O GNU Octave é uma linguagem de alto nível, destinada principalmente a

cálculos numéricos. Ele fornece uma interface de linha de comando conveniente
para resolver problemas lineares e não lineares numericamente usando uma
linguagem que é principalmente compatível com o Matlab®.
A motivação original para escrever o Octave era fornecer um software para
acompanhar um livro de graduação em engenharia química (Análise de Reatores
Químicos e Designs Fundamentais, em inglês - Chemical Reactor Analysis and
Design Fundamentals, publicado em 2002 e escrito por Jim Rawlings e John Ekerdt).
No entanto, Octave evoluiu, com o tempo, tornando-se uma ferramenta útil para a
área de computação numérica e de construção de gráficos, as quais são usadas
para uma grande variedade de tarefas (EATON, 2012).
O Octave, além disso, é uma plataforma livre desenvolvida por uma
comunidade de usuários, ou seja, é distribuída sob termos que garantem certas
liberdades para seus usuários, como a liberdade de executar, copiar, distribuir,
estudar, alterar e melhorar a plataforma (EATON, 2012).
53
4. Material e métodos
4.1. Material
O equipamento, material e reagentes utilizados ao longo do trabalho estão

descritos a seguir:
 Cromatógrafo de íons Thermo Scientific™ Dionex™;
 Sal Na2CO3 da marca Merck® para o preparo do eluente;
 H2SO4 P.A. da marca Merck® para o preparo do regenerante;
 Balão volumétrico de 2L para preparo do eluente e do regenerante;
 Solução padrão misto contendo 1000 mg.L -1 dos íons F-, Cl-, NO2-, Br-,
NO3-, PO43- e SO42- da marca SPECSOL®
 Pipeta automática de 15 - 300 μL da marca Eppendorf Xplorer®
 Pipeta automática de 100 - 1000 μL da marca Transferpette®
 Amostras (16 águas minerais de marcas diferentes);
 Tubos falcon de 15 mL.
4.2. Seleção da amostra a ser estudada
As amostras selecionadas para o presente estudo foram águas minerais de

marcas nacionais e estrangeiras, nas quais foram analisados, em cada marca, os
teores dos ânions: F -, Cl -, NO2 -, Br -, NO3 -, PO4 3- e SO4 2-.
Os sete íons foram analisados nas águas visto que o objetivo é propor um
roteiro para disciplina de Análise Instrumental I, na qual todos estes íons são
estudados mesmo que os rótulos das águas minerais indicarem, geralmente, apenas
os teores dos ânions F -, Cl -, NO3 - e SO4 2-.
Dentre os diversos produtos que são analisados na disciplina de Análise
Instrumental, a água mineral, além de ser um produto barato e de fácil obtenção,
também se apresenta como um sistema bastante complexo, por apresentar, por
exemplo, diversos sais em sua composição, sendo, dessa forma, uma amostra
oportuna para a aplicação da técnica quimiométrica selecionada.
54
4.2.1. Determinação da quantidade e das marcas das águas minerais
Com o intuito de obter uma diversidade nos resultados das análises, buscou-
se adquirir águas minerais de diferentes fontes e de marcas nacionais e
estrangeiras. Desse modo, 10 águas de marcas nacionais e 6 de marcas
estrangeiras foram selecionadas, nas quais 14 foram compradas em uma loja de
supermercados do Rio de Janeiro e 2 vieram de Portugal (Luso e Fastio). No Anexo
F (página 100), encontram-se os nomes, fontes e concentrações dos íons estudados
descritos nos rótulos de cada marca.
4.2.2. Procedimento analítico das análises das águas minerais
Todas as análises das águas minerais foram realizadas em triplicata. As

marcas que foram analisadas sem diluições foram: Bonafont, Pouso Alto (sem gás),
Sferriê, Petrópolis e Canção Nova (com gás).
Em algumas marcas, além da análise das soluções originais, foram feitas
diluições com base no rótulo, em água ultra purificada (tipo I) Milli Q, de forma que a
concentração obtida do íon de interesse ficasse no centro da curva analítica
construída para esse íon em questão. As soluções foram preparadas com o auxílio
de pipetas automáticas e avolumadas nos tubos falcons.
As marcas em que foram realizadas diluições, alíquotas e volumes finais das
soluções preparadas podem ser encontradas no Quadro 4.1.
Quadro 4.1: Marcas em que foram realizadas diluições, alíquotas e volumes finais.
Marca Alíquota (mL) Volume final (mL)
São Lourenço 2,00 10,00
Nestlè 2,25 10,00
Minalba Premium 5,00 10,00
Qualitá 4,25 10,00
Pouso alto (com gás) 3,80 10,00
Fastio 2,50 7,00
Luso 2,00 10,00
Evian 1,00 10,00
Acqua Panna 0,70 10,00
0,06 15,00
S. Pellegrino* 0,30 10,00
5,00 10,00
Perrier 0,45 10,00
*Foram feitas 3 diluições para a marca S.Pellegrino devido a presença de alguns íons em altas
concentrações.
55
Alíquotas de 15 mL, de cada água mineral com gás foram transferida,
separadamente, para cada tudo falcon e colocada por 45 minutos no ultrassom, de
maneira a eliminar todo gás carbônico dissolvido.
4.3. Seleção da técnica analítica e condições operacionais da

cromatografia de íons (CI)
A técnica de Cromatografia de Íons foi selecionada (Figura 4.1), pois, além de

ser de uma das técnicas abordadas nas práticas da disciplina escolhida, é bastante
conhecida e utilizada, devido, principalmente, à facilidade com que é feita a
separação, identificação e quantificação das espécies químicas.
Figura 4.1: Cromatógrafo de Íons à esquerda, computador usado para o

tratamento de dados e, à direita, o módulo do equipamento.
Os experimentos foram realizados parte no laboratório onde as aulas são

ministradas (laboratório 511, no quinto andar do Instituto de Química da
Universidade Federal do Rio de Janeiro - UFRJ) e parte no laboratório LAM
(Laboratório de Análise Ambiental e Mineral – laboratório 513), na mesma
localização.
No Quadro 4.2, encontram-se as principais características do equipamento e
condições operacionais utilizadas no CI, as quais correspondem às condições que
são utilizadas durante a aula de Análise Instrumental I.
56
Quadro 4.2: Características e condições operacionais do CI
Características e condições operacionais do CI
Marca Thermo Scientific™ Dionex™
Modelo ICS-1600
Coluna* AS9-HC
Pré-coluna* AG9-HC
Detector* DS6
Supressor* ASRS
Software Chromeleon 6.80
Corrente aplicada ao supressor 45 mA
Bomba* Isocrática
Volume de injeção 200 μL
Temperatura aplicada ao forno de coluna 30 ˚C
Eluente Solução com Na2CO3 9 mM
Regenerante Solução com H2SO4 25 mM
Vazão 1 mL/min
* componentes do CI que também pertencem a marca Thermo Scientific™ e Dionex™
4.4. Construção das curvas analíticas e aplicação dos testes

estatísticos
As curvas analíticas foram construídas a partir dos valores de concentração,

principalmente, para os íons F-, Cl-, NO3- e SO42-, nos rótulos de cada garrafa. Como
o padrão disponível para o preparo das soluções consistia em uma mistura dos
padrões com uma concentração de 1000 mg.L-1 de todos os íons (F-, Cl-, NO2 -, Br -,
NO3 -, PO43- e SO42-) e os valores de concentração nos rótulos das garrafas variavam
significativamente, principalmente para os íons Cl- e NO3 -, buscou-se uma ou duas
faixas que incorporassem a maioria dos valores de concentração sem a necessidade
de muitas diluições das amostras.
Dessa forma, foram selecionadas duas faixas de concentração, de 0,10 à
0,50 mg.L-1 (faixa baixa) e de 0,50 à 2,50 mg.L-1 (faixa alta), para o preparo das
soluções padrões, utilizando cada faixa de acordo com as concentrações dos rótulos
(Quadro 4.3).
Os níveis de cada faixa de concentração foram:
 Para a faixa de 0,10 à 0,50 mg.L-1: 0,10 – 0,20 – 0,30 – 0,40 – 0,50
 Para a faixa de 0,5 à 2,5 mg.L-1: 0,50 – 1,00 – 1,50 – 2,00 – 2,50
57
Quadro 4.3: Faixas de concentração selecionadas para cada íon para a
construção da curva analítica
Íon Faixa de concentração selecionada
Fluoreto 0,10 à 0,50 mg.L-1
Cloreto Ambas as faixas foram utilizadas
Nitrito 0,10 à 0,50 mg.L-1
Brometo 0,10 à 0,50 mg.L-1
Nitrato Ambas as faixas foram utilizadas
Fosfato 0,10 à 0,50 mg.L-1
Sulfato 0,50 à 2,50 mg.L-1
Cada nível foi preparado com o auxílio de pipetas automáticas e tubos falcon
e analisado em três replicatas falsas, isto é, três alíquotas da mesma solução foram
analisadas.
O software do equipamento além de fornecer o cromatograma resultante da
análise, apresenta como resultado diversos parâmetros da análise como tempo de
retenção de cada pico, a altura, a área, resolução, entre outros.
Com os dados das áreas dos picos de cada íon, fornecidos pelo software do
equipamento, foi realizado, para cada nível de concentração, primeiramente, o teste
de Grubbs para um valor suspeito e, depois, com todos os níveis, o teste de
Cochran.
Após aplicar todos os testes e confirmar que todos os dados são
homocedásticos, foi feita a regressão linear e as curvas analíticas foram construídas.
Por fim, foi construído o gráfico de resíduos, a tabela ANOVA, determinado o R2 e a
equação da reta de cada curva, avaliando, desse modo, o modelo proposto.
4.5. Validação parcial
Neste trabalho, realizou-se uma validação parcial do método com o objetivo

de demonstrar, por meio de alguns parâmetros de validação, que o método analítico
tem algumas características necessárias para obtenção de resultados com a
qualidade exigida.
58
Os seguintes parâmetros foram determinados: linearidade, limite de detecção,
limite de quantificação, repetibilidade e recuperação analítica.
4.5.1. Linearidade
Logo após a realização dos testes estatísticos, Grubbs e Cochran, e os

métodos matemáticos, foi feita a avaliação visual das curvas construídas e, em
seguida, a avaliação estatística por meio da avaliação do desvio padrão relativo do
coeficiente angular verificando se o valor calculado ficou abaixo de 5%, critério
sugerido como máximo.
4.5.2. Métodos de determinação de LD e LQ e procedimento de

aplicação
Os métodos escolhidos e seus respectivos procedimentos para a

determinação dos limites de detecção (LD) e quantificação (LQ) estão no Quadro
4.4.
Quadro 4.4 – Métodos utilizados para determinar LD e LQ

Método LD LQ
Aos resultados obtidos para LQ
Foram realizadas sucessivas
através da relação sinal/ruído
diluições até se encontrar a
Relação sinal/ruído foi aplicada a Equação:
razão sinal/ruído de
𝐿𝑄
𝐿𝐷 = aproximadamente 10:1
3
A partir da análise em
A partir da análise em triplicata
triplicata da água Mili Q e
Desvio padrão e da água Mili Q e da construção
da construção da curva
inclinação da reta da curva analítica foi aplicada a
analítica foi aplicada a
(regressão linear) seguinte equação:
seguinte equação:
LD = (3,3.sbranco)/b
LQ = (10.sbranco)/b
*sbranco = desvio padrão do branco e b = coeficiente angular da curva analítica
Os valores de LD para o método da relação sinal/ruído foram determinados,

indiretamente, pelos valores de LQ devido a uma maior confiabilidade nos valores de
sinais obtidos pela multiplicação pelo fator 10.
59
A repetibilidade foi avaliada através do cálculo do desvio padrão relativo das

concentrações baixa (0,10 mg.L-1), média (0,30 mg.L-1) e alta (0,50 mg.L-1) da faixa
de trabalho (0,10 – 0,50 mg.L-1) para todos os íons e comparando com as faixas
permitidas desse parâmetro de acordo com a concentração (analito presente em
0,00001% - %DPR<15%).
A recuperação analítica foi avaliada, de forma similar a repetibilidade, através

do cálculo da recuperação analítica das concentrações 0,10 mg.L -1, 0,30 mg.L-1 e
0,50 mg.L-1 para todos os íons e comparando com as faixas sugeridas como
permitidas desse parâmetro de acordo com a concentração (analito presente em
0,00001%, 80% – 110%).
4.6. Seleção da ferramenta quimiométrica
Apesar do crescente uso da quimiometria para resolução de problemas em

diversos campos da pesquisa, poucos são os artigos dedicados a uma abordagem
didática sobre a ACP e que demonstram, por meio de uma plataforma, uma
aplicação dessa ferramenta a uma matriz X de dados provenientes de variáveis
discretas (VALDERRAMA et al., 2015).
Além disso, os conhecimentos em quimiometria funcionam como uma
ferramenta que permite uma maior agilidade na interpretação de dados
multivariados, os quais são analisados por profissionais na área da Química quase
que diariamente.
4.7. Seleção e uso da plataforma selecionada para a aplicação do PCA
A plataforma selecionada foi o GNU Octave 5.1.0 por ser um programa livre e,
com isso, ser de fácil obtenção tanto pelos professores quanto para os alunos.
Ademais, há uma plataforma virtual que contém orientações, pacotes construídos
60
por colaboradores com funções pré-construídas, entre outras facilidades que
auxiliam o uso do software em questão.
O programa foi obtido na plataforma do GNU através do link:
https://www.gnu.org/software/octave/download.html
O pacote de estatística, o qual possui as funções necessárias para a
aplicação da ACP, foi obtido na plataforma do GNU através do link:
https://octave.sourceforge.io/statistics/index.html
A lista de todas as funções e seus comandos são encontrados no link:
https://octave.sourceforge.io/list_functions.php?sort=alphabetic
Com base nas funções indicadas pela plataforma do GNU Octave foi possível
a elaboração de um modo de utilização do GNU (Apêndice A, página 101).
Os resultados alcançados foram comparados com uma plataforma de
estatística multivariada comercial.
4.8. Elaboração do roteiro de aula e proposta de implementação no

curso
Ao longo da realização dos experimentos, tratamento de dados e uso do

software foram feitas anotações, as quais auxiliaram, junto com o procedimento
atual descrito na apostila da disciplina, na elaboração do método utilizado e do
roteiro proposto para a aula.
61
5. Resultados e discussão
Inicialmente, discorrer-se-á sobre os testes e métodos matemáticos, da

construção da curva analítica através da Regressão linear e da avaliação do modelo
proposto.
Em um segundo momento, a avaliação dos parâmetros selecionados para a
validação parcial é abordada, definindo se o método utilizado possui as
características necessárias para a obtenção de resultado com a qualidade exigida.
A aplicação da ACP para o sistema escolhido é abordada apenas com os
resultados obtidos pela plataforma.
5.1. Construção da curva analítica e aplicação dos métodos

matemáticos e testes estatísticos
Os cromatogramas obtidos para todas as soluções padrão analisadas

exibiram o formato similar com o apresentado a seguir construído para a análise da
solução, por exemplo, com 0,20 mg.L-1 com todos os íons (Figura 5.1).
Figura 5.1: Cromatograma obtido na análise da solução padrão com

concentração de 0,20 mg.L-1 com os sete íons estudados
62
A ordem de eluição dos íons apresentada na Figura 5.1 (Fl-, Cl-, NO2-, Br-,
NO3-, PO43- e SO42-) foi a mesma para todas as análises realizadas.
A fim de ilustrar como se sucedeu a aquisição e a discussão dos resultados
para a construção de todas as curvas de calibração, serão mostrados,
primeiramente, os resultados para o caso do fluoreto.
O Quadro 5.1 apresenta os valores obtidos, para cada replicata, pelo software
do equipamento, para as áreas dos picos referentes ao íon fluoreto nas soluções
padrões da curva analítica.
Quadro 5.1: Áreas dos picos referentes ao íon fluoreto nas soluções padrões da
curva analítica.
Concentração Área do pico (em μS*min)
(em mg.L-1) n=1 n=2 n=3
0,10 0,279 0,287 0,295
0,20 0,512 0,499 0,521
0,30 0,751 0,696 0,749
0,40 0,975 0,976 1,289
0,50 1,494 1,231 1,292
* n = replicata
Em cada nível de concentração, com os dados organizados em ordem
crescente, foi realizado o teste de Grubbs para um valor suspeito e foram obtidos os
seguintes valores de Gcalc (Quadro 5.2):
Quadro 5.2: Valores de Gcalc obtidos para os dados da curva analítica do fluoreto
Concentração
Gcalc
(em mg.L-1)
0,10 1,014
0,20 1,044
0,30 1,154
0,40 1,154
0,50 1,125
O valor tabelado (Gtab) é igual a 1,155, vide Anexo B (página 96).

Comparando os valores de Gcalc, verifica-se que, em relação a todos os valores,
Gcalc<Gtab e, com isso, nenhum valor discrepante foi encontrado nos dados do
fluoreto.
Os valores de variância, para cada concentração, podem ser encontrados no
Quadro 5.3.
63
Quadro 5.3: Valores de variância obtidos para os dados da curva analítica do
fluoreto
Concentração (em mg.L-1)
0,10 0,20 0,30 0,40 0,50
Variância 6,48E-05 1,21E-04 9,69E-04 3,26E-02 1,90E-02
Com base no maior valor de variância (3,26E-02), calculado para a

concentração de 0,40 mg.L-1, e o somatório de todas as variâncias (∑𝑛𝑖=1 𝑠𝑖 2 =
0,0527), foi possível utilizar o Teste de Cochran para avaliar a homcedasticidade dos
dados. Para isso, calculou-se o Ccalc (0,618) e comparou-se com o valor tabelado
(Ctab = 0,684), para 5 pontos na curva e 3 replicatas por ponto. Confrontando os
valores, verifica-se que Ccalc<Ctab, ou seja, pode-se dizer que as variâncias são
estatisticamente equivalentes e, dessa forma, os dados têm um comportamento
homocedástico.
A curva analítica, a equação da reta e o coeficiente de correlação estão
representados na Figura 5.2.
Curva analítica - fluoreto

2,000
Área do pico (µs.min)
1,500
1,000
0,500 y = 2,6738x - 0,0125

R² = 0,9465
0,000
0,00 0,10 0,20 0,30 0,40 0,50 0,60
Concentração (mg.L-1)
Figura 5.2: Curva analítica para o íon fluoreto
A partir do valor de R2 (equações 15 – página 36), o qual se apresenta bem

próximo à 1, constata-se que há uma correlação forte entre as variáveis estudadas.
O Quadro 5.4 representa a ANOVA para a curva analítica do íon fluoreto.
64
Quadro 5.4: ANOVA para a curva analítica do íon fluoreto.
Fonte de variação Soma Quadrática Nº de graus de liberdade Média Quadrática F
Regressão 2,160 4 0,540 51,19
Resíduos 0,105 10 0,010
Total 2,266 14
Relembrando, o teste-F no ANOVA permite a comparação da capacidade de

explicação da variabilidade experimental pela regressão em relação aos resíduos.
Ou seja, compara a média quadrática da regressão (SQ dividido pelo respectivo
grau de liberdade) com a média quadrática dos resíduos.
O valor de F tabelado (F(0,05;4,10)) é igual a 3,48, vide Anexo E (página 99).
Como o valor de Fcalc>Ftab (51,19>3,48), regressão é significativa e o modelo é
adequado para descrever a região estudada do sistema.
A Figura 5.3 mostra o gráfico de resíduos construído com base nos dados
adquiridos para o íon fluoreto.
Concentração X Resíduos (fluoreto)

0,4
Resíduos
0,2
0
0,00 0,10 0,20 0,30 0,40 0,50 0,60
-0,2
Figura 5.3: Gráfico de resíduos construído para a curva analítica do íon fluoreto
O valor associado a cada resíduo é pequeno, indicando que o valor

experimental não se afastou tanto do valor previsto pela reta.
Visto que o procedimento da aplicação da Regressão linear e verificação do
modelo proposto foi realizado de um modo similar ao feito para íon fluoreto, os
resultados obtidos para os íons cloreto, nitrito, brometo, nitrato, fosfato e sulfato
serão apresentados nesse tópico paralelamente.
O Apêndice B (página 103) apresenta os valores obtidos para as áreas dos
picos referentes a todos os íons estudados nas soluções padrões das curvas
analíticas.
O Quadro 5.5 apresenta os valores de Gcalc resultantes da aplicação do teste
de Grubb’s para um valor suspeito em todos os níveis de concentração, com os
65
dados organizados em ordem crescente, de todas as curvas analíticas dos íons
cloreto, nitrito, brometo, nitrato, fosfato e sulfato.
Quadro 5.5: Valores de Gcalc obtidos para os dados das curvas analíticas dos
íons cloreto, nitrito, brometo, nitrato, fosfato e sulfato
0,10 0,20 0,30 0,40 0,50 1,00 1,50 2,00 2,50
Cloreto 1,154 1,136 1,149 1,154 1,149 1,145 1,034 1,069 1,154
Nitrito 1,121 1,094 1,014 1,064 1,152 - - - -
Brometo 1,044 1,123 1,153 1,149 1,151 - - - -
Gcalc
Nitrato 1,074 1,060 1,038 1,098 1,136 1,148 1,015 1,133 1,144
Fosfato 1,008 1,095 1,109 1,145 1,150 - - - -
Sulfato - - - - 1,153 1,154 1,085 1,150 1,082
O valor tabelado (Gtab) é igual a 1,155, vide Anexo B (página 96).

Comparando os valores de Gcalc, verifica-se que, em relação a todos os valores,
Gcalc<Gtab e, com isso, nenhum valor discrepante foi encontrado.
Como alguns íons necessitaram de uma curva analítica com uma faixa de
concentração maior, os resultados das variâncias, para ambas as baixas (0,10 –
0,50 mg.L-1 e 0,50 – 2,50 mg.L-1, podem ser encontrados no Quadro 5.6)
Quadro 5.6: Valores de variância obtidos para os dados das curvas analíticas
dos íons cloreto, nitrito, brometo, nitrato, fosfato e sulfato
Concentração Variância
(em mg.L-1) Cloreto Nitrito Brometo Nitrato Fosfato Sulfato
0,10 1,41E-04 4,33E-06 3,08E-06 4,25E-05 1,52E-05 -
Faixa baixa
0,20 1,16E-05 5,50E-06 2,25E-05 2,79E-05 1,00E-05 -

0,30 8,74E-04 3,12E-04 1,09E-04 2,20E-04 1,05E-05 -
0,40 6,68E-05 1,31E-04 2,88E-05 8,49E-06 3,80E-06 -
0,50 4,95E-04 3,83E-05 1,09E-04 5,21E-05 5,11E-06 -
0,50 4,95E-04 - - 5,21E-05 - 5,60E-05
- - 9,80E-05 - 2,99E-04
Faixa alta
1,00 2,09E-03
1,50 3,04E-03 - - 4,91E-04 - 1,14E-03
2,00 1,10E-03 - - 3,26E-05 - 8,77E-05
2,50 2,08E-03 - - 1,38E-04 - 7,11E-04
No Quadro 5.7 são exibidos os valores, para cada curva analítica construída,
da maior variância, do somatório das variâncias e o resultado do Teste de Cochran
(Ccalc).
66
Quadro 5.7: Valores calculados para a maior variância, o somatório das
variâncias e o Ccalc para as curvas analíticas dos íons cloreto, nitrito, brometo,
nitrato, fosfato e sulfato
Cloreto Nitrito Brometo Nitrato Fosfato Sulfato
Maior valor de variância 8,74E-04 3,12E-04 1,09E-04 2,20E-04 1,52E-05 -
Faixa baixa
𝒏
∑ 𝒔𝒊 𝟐 1,59E-03 4,91E-04 2,72E-04 3,51E-04 4,47E-05 -
𝒊=𝟏
Ccalc 0,550 0,635 0,400 0,627 0,340 -
Maior valor de variância 3,04E-03 - - 4,91E-04 - 1,14E-03
Faixa alta
𝒏
∑ 𝒔𝒊 𝟐 8,81E-03 - - 8,11E-04 - 2,30E-03
𝒊=𝟏
Ccalc 0,345 - - 0,605 - 0,498
Confrontando todos os valores de Ccalc e o valor de Ctab (0,684 – Anexo D,

página 98), verifica-se que Ccalc<Ctab, ou seja, pode-se dizer que os dados têm um
comportamento homocedástico.
O Quadro 5.8 apresenta todos os valores de Fcalc obtidos pelos quadros para
ANOVA de todas as curvas analíticas, os quais encontram-se reunidos no Apêndice
C (página 97).
Quadro 5.8: Valores calculados para Fcalc para as curvas analíticas dos íons
cloreto, nitrito, brometo, nitrato, fosfato e sulfato
Faixa baixa (0,10 – 0,50 mg.L-1) Faixa alta (0,50 – 2,50 mg.L-1)
CLORETO NITRITO BROMETO NITRATO FOSFATO CLORETO NITRATO SULFATO
Fcalc 406,93 494,95 598,24 672,73 1272,24 3520,77 9989,31 5800,278
O valor de F tabelado (F(0,05;4,10)) é igual a 3,48, vide Anexo E (página 99).

Como o valor de Fcalc>Ftab, para todas as curvas analíticas, as regressões são
significativas e os modelos são adequados para descrever as regiões estudadas.
As curvas analíticas, as equações das retas e os coeficientes de correlação
dos íons cloreto, nitrito, brometo, nitrato, fosfato e sulfato estão representados nas
Figuras 5.4, 5.5, 5.6, 5.7, 5.8 e 5.9, respectivamente.
67
A
Curva analítica - Cloreto (Faixa baixa)

1,000
0,500
y = 1,3016x + 0,0985
R² = 0,977
0,000
0,00 0,10 0,20 0,30 0,40 0,50 0,60
B
Curva analítica - Cloreto (Faixa alta)
5,000
4,000
3,000
2,000 y = 1,8164x - 0,1923
R² = 0,997
1,000
0,000
0 0,5 1 1,5 2 2,5 3
Figura 5.4: Curvas analíticas para o íon cloreto. A – Faixa baixa. B – Faixa alta
Curva analítica - Nitrito (Faixa baixa)

0,500
0,400
0,300
0,200 y = 0,803x + 0,0017
0,100 R² = 0,990
0,000
0 0,1 0,2 0,3 0,4 0,5 0,6
Figura 5.5: Curva analítica para o íon nitrito.
Curva analítica - Brometo (Faixa baixa)

0,400
0,300
0,200
0,100
y = 0,6584x - 0,006
R² = 0,995
0,000
0 0,1 0,2 0,3 0,4 0,5 0,6
Figura 5.6: Curva analítica para o íon brometo.
68
A Curva analítica - Nitrato (Faixa baixa)
0,500

0,400
0,300
0,200 y = 0,791x - 0,0004
0,100
R² = 0,990
0,000
0 0,1 0,2 0,3 0,4 0,5 0,6
B
Curva analítica - Nitrato (Faixa alta)
2,500
2,000
1,500
y = 0,9289x - 0,0821
1,000
R² = 0,998
0,500
0,000
0 0,5 1 1,5 2 2,5 3
Figura 5.7: Curvas analíticas para o íon nitrato. A – Faixa baixa. B – Faixa alta
Curva analítica - Fosfato (Faixa baixa)

1,200
1,000
0,800
0,600
0,400 y = 2,2334x - 0,034
0,200 R² = 0,998
0,000
0 0,1 0,2 0,3 0,4 0,5 0,6
Figura 5.8: Curva analítica para o íon fosfato.
69
Curva analítica - Sulfato (Faixa alta)
4,000

3,000
2,000
1,000 y = 1,1917x - 0,0876

R² = 0,998
0,000
0 0,5 1 1,5 2 2,5 3
Figura 5.9: Curva analítica para o íon sulfato.
Com base no valor de R2, o qual se apresenta acima de 0,977, ou seja, bem
próximo a 1, constata-se que há uma correlação forte entre as variáveis estudadas.
As Figuras 5.10, 5.11, 5.12, 5.13, 5.14 e 5.15 mostram os gráficos de
resíduos construído com base nos dados adquiridos para os íons cloreto, nitrito,
brometo, nitrato, fosfato e sulfato, respectivamente.
A Concentração X Resíduos (Cloreto - Faixa baixa)

0,1
0,05
Resíduos
0
-0,05 0,00 0,10 0,20 0,30 0,40 0,50 0,60
-0,1
B Concentração X Resíduos (Cloreto - Faixa alta)

0,2
0,1
Resíduos
0
-0,1 0 0,5 1 1,5 2 2,5 3
-0,2
Figura 5.10: Gráfico de resíduos construído para as curvas analíticas do íon cloreto.
A – faixa baixa. B – faixa alta.
70
Concentração X Resíduos (Nitrito - Faixa baixa)
0,02
Resíduos
0
0,00 0,10 0,20 0,30 0,40 0,50 0,60
-0,02
-0,04 Concentração (mg.L-1
Figura 5.11: Gráfico de resíduos construído para as curvas analíticas do íon nitrito.
Concentração X Resíduos (Brometo - Faixa baixa)

0,02
Resíduos
0
0 0,1 0,2 0,3 0,4 0,5 0,6
-0,02

brometo.
A Concentração X Resíduos (Nitrato - Faixa baixa)

0,02
Resíduos
0
0 0,1 0,2 0,3 0,4 0,5 0,6
-0,02
-0,04 Concentração (mg.L-1)
B Concentração X Resíduos (Nitrato - Faixa alta)

0,05
Resíduos
0
0 0,5 1 1,5 2 2,5 3
-0,05
-0,1
Figura 5.13: Gráfico de resíduos construído para as curvas analíticas do íon nitrato.
A – Faixa baixa. B – Faixa alta
71
Concentração X Resíduos (Fosfato - Faixa baixa)
0,05
Resíduos
0
0 0,1 0,2 0,3 0,4 0,5 0,6
-0,05
Figura 5.14: Gráfico de resíduos construído para as curvas analíticas do íon fosfato.
Concentração X Resíduos (Sulfato - Faixa alta)

0,05
Resíduos
0
0 0,5 1 1,5 2 2,5 3
-0,05
-0,1
Figura 5.15: Gráfico de resíduos construído para as curvas analíticas do íon sulfato.
Ao observar os gráficos de resíduos, pode-se concluir que, algumas curvas

apresentaram pontos que se distanciaram um pouco de suas replicatas (brometo
faixa baixa e sulfato faixa alta) ou/e indicaram um pequeno aumento da dispersão
dos dados com o aumento da concentração (nitrito faixa baixa e nitrato faixa alta)
ou/e mostraram uma pequena curvatura dos resíduos (cloreto, nitrito e nitrato para a
faixa baixa).
Apesar dos gráficos de resíduos indicarem uma pequena não conformidade
dos dados, os testes estatísticos apontam que as curvas podem ser utilizadas.
As equações das retas construídas para todos os sete íons (fluoreto, cloreto,
nitrito, brometo, nitrato, fosfato e sulfato) e seus respectivos R2 encontram-se no
Quadro 5.9.
72
Quadro 5.9: Resumo das equações das retas para os íons fluoreto, cloreto, nitrito,
brometo, nitrato, fosfato e sulfato e seus respectivos R2
Curva analítica Curva analítica
(Faixa baixa) (Faixa alta)
Íon Equação da reta R2 Equação da reta R2
Fluoreto y = 2,6738x - 0,0125 0,9465 - -
Cloreto y = 1,3016x + 0,0985 0,9769 y = 1,8164x - 0,1923 0,9971
Nitrito y = 0,803x + 0,0017 0,9907 - -
Brometo y = 0,6584x - 0,006 0,9950 - -
Nitrato y = 0,791x - 0,0004 0,9895 y = 0,9289x - 0,0821 0,9977
Fosfato y = 2,2334x - 0,034 0,9976 - -
Sulfato - - y = 1,1917x - 0,0876 0,9985
5.2. Validação parcial
No decorrer da validação parcial, foi verificado se a qualidade dos dados

obtidos pelo método está de acordo com a exigida através da avaliação de alguns
parâmetros. Os parâmetros analisados foram linearidade, limites detecção e
quantificação por duas abordagens e repetibilidade.
5.2.1. Linearidade
Como foi mencionado anteriormente, a linearidade de um método pode ser

avaliada através da análise visual da curva analítica construída após a aplicação dos
testes estatísticos e pela verificação do valor do desvio padrão do coeficiente
angular.
A observação das curvas analíticas indica que os dados, para todos os íons
em questão, têm relação linear aparente e a proposta de descrevê-los através de um
modelo linear seria válida.
Para a outra abordagem, o Quadro 5.10 apresenta os valores do desvio
padrão relativo do coeficiente angular com os respectivos parâmetros usados para
obtê-lo para cada íon.
73
Quadro 5.10: Desvio padrão relativo do coeficiente angular para cada íon
F- Cl- NO2- Br- NO3-1 PO43- SO42-
sy/x 0,097 0,030 0,012 0,007 0,012 0,017 0,035
sb 0,176 0,055 0,022 0,013 0,023 0,030 0,007
b 2,674 1,302 0,803 0,658 0,791 2,233 1,192
DPRlin 0,066 0,043 0,027 0,020 0,029 0,014 0,005
DPRlin*100 6,6 4,3 2,7 2,0 2,9 1,4 0,5
Ao analisar o Quadro 5.10, observa-se que, para maioria dos íons, o valor de
RSD está abaixo do valor máximo permitido, indicando uma baixa dispersão dos
dados em torno da linha de tendência dos dados.
Apenas o íon fluoreto apresentou um desvio padrão relativo de seu
coeficiente ligeiramente maior que o valor estabelecido, o que não impede o uso da
curva analítica mesmo que de forma cautelosa.
5.2.2. Limites de detecção (LD) e quantificação (LQ)
Os limites de detecção e quantificação foram avaliados por meio de duas

abordagens: relação sinal/ruído e desvio padrão e inclinação da reta.
Em ambas as abordagens é necessário a análise do branco, o Quadro 5.11,
então, apresenta os valores obtidos para as áreas dos picos relativas à análise de
três replicatas do branco (água ultrapurificada Mili Q).
Quadro 5.11: Valores obtidos para as áreas dos picos para a análise de três
replicatas do branco
Área (µS.min)
ÍON Branco 1 Branco 2 Branco 3
Fluoreto 6,08E-03 5,32E-03 8,35E-03

Cloreto 8,19E-03 8,92E-03 1,10E-02
Nitrito 1,76E-03 1,99E-03 2,42E-03
Brometo 6,41E-05 4,42E-04 6,88E-04
Nitrato 1,76E-03 1,99E-03 2,42E-03
Fosfato 9,94E-04 2,55E-03 2,56E-03
Sulfato 1,08E-02 1,17E-02 1,08E-02
No método da relação sinal/ruído o valor de sinal esperado para o limite de

quantificação é resultado da multiplicação do sinal apresentado pelo branco por dez.
74
Desse modo, ao comparar o sinal obtido por sucessivas diluições procurou-se
a solução que apresentou um sinal próximo do valor de sinal esperado.
As áreas esperadas para o limite de quantificação, as áreas observadas em
que, após sucessivas diluições, foram encontradas a razão sinal/ruído de
aproximadamente 10:1, suas respectivas concentrações (LQ) e os limites de
detecção obtidos através da Equação 21 são mostrados no Quadro 5.12.
Quadro 5.12: Limites de quantificação e limites de detecção obtidos pela

relação sinal/ruído
Área esperada – Área
LQ LD
10*sinal branco observada
(mg.L-1) (mg.L-1)
(μS.min) (μS.min) - LQ
Fluoreto 0,066 0,073 0,03 0,009
Cloreto 0,094 0,100 0,05 0,018
Nitrito 0,021 0,023 0,03 0,01
Brometo 0,004 0,003 0,01 0,002
Nitrato 0,021 0,018 0,02 0,008
Fosfato 0,020 0,022 0,05 0,02
Sulfato 0,111 0,113 0,09 0,03
Os parâmetros utilizados para o cálculo dos limites pela abordagem da

regressão linear e os valores resultantes são mostrados no Quadro 5.13:
Quadro 5.13: Limites de detecção e quantificação decorrentes do método do

desvio padrão do branco e inclinação da reta
Desvio padrão Coeficiente LQ LD
Íon
(brancos) angular (mg.L-1) (mg.L-1)
Fluoreto 1,58E-03 2,674 0,006 0,002
Cloreto*1 1,47E-03 1,302 0,011 0,004
Nitrito 3,37E-04 0,803 0,004 0,001
Brometo 3,14E-04 0,658 0,005 0,002
Nitrato*1 3,37E-04 0,791 0,004 0,001
Fosfato 9,00E-04 2,233 0,004 0,001
Sulfato*2 5,34E-04 1,191 0,004 0,001
*1 Curvas analíticas utilizadas: 0,10 – 0,50 mg.L-1 (faixa baixa)
*2 Curva analítica utilizada: 0,50 – 2,50 mg.L-1 (faixa alta)
O método da regressão linear apresentou valores mais baixos do que os

obtidos para a relação sinal/ruído. Entretanto, ao realizar as análises no
75
cromatógrafo das soluções com as concentrações dos limites de quantificação
indicados (0,004 mg.L-1, 0,005 mg.L-1, 0,006 mg.L-1 e 0,01 mg.L-1), as áreas obtidas
apresentaram um valor muito diferente ao previsto pela equação da reta de cada
íon, indicando que esse limites não são confiáveis.
Portanto, optou-se por adotar os limites obtidos pela abordagem da relação
sinal/ruído.
Os desvios padrões e as concentrações médias calculados para os dados das

soluções padrões com concentração 0,10 mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1 de todos
os íons em estudo encontram-se no Apêndice D (página 98). A partir desses
resultados foi possível calcular os desvios padrões relativos, os quais são
representados no Quadro 5.14.
Quadro 5.14: Desvios padrões relativos calculados para as soluções padrões

com 0,10 mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1 dos íons em estudo
%Desvio padrão relativo
Concentração (mg.L-1) Fluoreto Cloreto Nitrito Brometo Nitrato Fosfato Sulfato
0,10 2,8 4,5 2,3 2,9 7,2 9,9 1,3
0,30 4,3 6,4 7,5 5,6 6,6 2,9 6,3
0,50 10,3 2,9 1,5 3,2 1,8 1,1 1,4
Ao confrontar os valores de %DPRrep com o valor máximo de aceitação para

%DPRrep sugerido pela AOAC (analito presente em 0,00001% - %DPRrep<15%),
verifica-se que, para todos os desvios padrões relativos, %DPRrep<15%. Com isso,
as condições de repetibilidade das medições são consideradas adequadas.
A recuperação analítica foi calculada através da comparação entre o valor

observado para a área do pico de cada íon nas concentrações 0,10 mg.L-1, 0,30
mg.L-1 e 0,50 mg.L-1 e o valor esperado pela equação da reta para as concentrações
selecionadas.
76
Quadro 5.15: Recuperação analítica calculada para as soluções padrão com 0,10
mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1 dos íons em estudo
Concentração
Replicata Fluoreto Cloreto Nitrito Brometo Nitrato Fosfato Sulfato
(mg.L-1)
n=1 0,10 109 112* 108 99 122* 104 90
n=2 0,10 113* 112* 112* 102 116* 104 93
n=3 0,10 116* 121* 113* 104 106 106 92
n=1 0,30 88 88 90 92 88 93 86
n=2 0,30 95 98 97 101 94 97 94
n=3 0,30 95 99 104 102 101 98 97
n=1 0,50 93 100 101 99 100 100 98
n=2 0,50 98 104 101 99 103 100 98
n=3 0,50 113* 105 104 105 104 100 101
* Valores fora da faixa sugerida como permitida
Ao confrontar os valores de recuperação analítica com o valor máximo de

aceitação para esse parâmetro sugerido pela AOAC (analito presente em 0,00001%,
80% - 110%), verifica-se que, para a maioria dos íons os valores calculados ficaram
na faixa.
Ao avaliar os resultados que ficaram fora da faixa, percebe-se que todos
ficaram próximos ao valor máximo e que não foram todas as replicatas para o íon
em questão que se apresentaram inadequadas, com isso, os resultados obtidos para
o parâmetro recuperação analítica foram considerados satisfatórios.
Os parâmetros adotados para a realização da validação parcial do método de

análise ânions em soluções aquosas pela técnica de cromatografia de íons
indicaram, de uma forma geral, que o método atende aos critérios exigidos,
indicando, portanto, que a validação parcial foi bem sucedida.
5.3. Análise das águas minerais
As concentrações calculadas para os íons (fluoreto, cloreto, nitrito, nitrato e

sulfato), através das equações das retas propostas para as curvas analíticas para
todas as 16 águas minerais, são apresentadas no Quadro 5.16, o qual apresenta
cada marca da água mineral com um respectivo código de 1 à 16.
77
Quadro 5.16: Concentrações calculadas para os íons fluoreto, cloreto, nitrito,
nitrato e sulfato para todas as 16 águas minerais
FLUORETO CLORETO NITRITO NITRATO SULFATO
1 0,14 1,51 0,84 2,32 3,29
São Lourenço 1 0,14 1,49 0,80 2,31 3,29
1 0,14 1,53 0,83 2,39 3,36
2 0,12 0,27 0,17 1,68 0,67
Bonafont 2 0,12 0,28 0,17 1,71 0,68
2 0,12 0,28 0,17 1,66 0,67
3 0,04 1,90 0,08 1,15 1,54
Nestlè 3 0,05 1,92 0,08 1,13 1,56
3 0,05 1,89 0,08 1,14 1,54
4 0,03 0,08 0,19 0,22 2,69
Pouso Alto 4 0,03 0,08 0,17 0,22 2,69
4 0,03 0,08 0,18 0,21 2,71
5 0,30 0,22 0,04 0,32 0,54
Sferrie 5 0,31 0,21 0,04 0,33 0,54
5 0,33 0,20 0,04 0,32 0,53
6 0,06 0,08 0,11 0,53 0,19
Minalba Premium 6 0,06 0,08 0,11 0,53 0,19
6 0,06 0,07 0,11 0,53 0,19
7 0,05 1,78 0,03 1,07 1,51
Petropolis 7 0,05 1,78 0,03 1,07 1,51
7 0,05 1,78 0,03 1,07 1,51
8 0,11 1,28 0,30 0,05 7,24
Qualitá 8 0,13 1,28 0,29 0,05 7,20
8 0,11 1,30 0,30 0,05 7,30
9 0,10 0,41 0,03 0,11 0,24
Canção Nova 9 0,15 2,43 0,03 0,21 1,28
9 0,16 2,41 0,03 0,12 1,26
10 0,04 0,30 0,03 0,23 2,39
Pouso Alto (gás) 10 0,04 0,26 0,03 0,22 2,39
10 0,04 0,27 0,03 0,23 2,78
11 0,03 4,19 0,05 1,63 0,85
Fastio 11 0,03 4,25 0,05 1,62 0,85
11 0,03 4,23 0,05 1,63 0,85
12 0,06 8,66 0,05 1,54 1,48
Luso 12 0,06 8,71 0,04 1,58 1,48
12 0,06 8,83 0,05 1,59 1,48
13 0,03 9,65 0,81 4,06 13,76
Evian 13 0,03 9,45 0,82 3,95 13,46
13 0,03 9,77 0,86 4,08 13,94
14 0,03 7,84 0,03 3,87 22,25
Acqua Panna 14 0,03 7,55 0,03 3,83 22,09
14 0,03 7,63 0,03 3,96 22,42
15 0,66 52,15 0,03 2,95 398,76
S.Pellegrino 15 0,58 51,94 0,03 3,02 399,53
15 0,76 51,26 0,03 3,02 442,77
16 0,03 20,50 0,03 8,89 26,00
Perrier 16 0,03 20,57 0,03 8,92 27,02
16 0,03 20,54 0,03 8,76 27,08
78
As águas que apresentaram concentrações abaixo do limite de quantificação,
tiveram os valores substituídos por seus respectivos limites de quantificação
(destacados em vermelho no Quadro 5.16).
Os íons brometo e fosfato se apresentaram, na maioria das amostras de
águas minerais, com teores abaixo dos limites de quantificação e, com isso, não
foram utilizados na aplicação do PCA.
Com a finalidade de exemplificar a comparação entre as concentrações
obtidas pela análise e as concentrações indicadas nos rótulos, a Figura 5.16
demonstra, para três marcas de águas minerais brasileiras (São Lourenço, Bonafont
e Sferriê), os teores de sulfato, nitrato, cloreto e fluoreto apresentados na análise e
no rótulo.
79
São Lourenço
Rótulo Amostra
3,32
2,34
1,51
0,14
2,17
1,5
1,61 Sulfato Nitrato
0,15
Cloreto Fluoreto
0 0,5 1 1,5 2 2,5 3 3,5
Bonafont
Amostra
0,68
1,68
0,28
0,12
0,54
0,78
Rótulo
0,1 Sulfato Nitrato

0,12
Cloreto Fluoreto
0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8
Sferriê
0,54
Amostra
0,32
0,21 Sulfato
0,31
Nitrato
0,20
Rótulo
0,50 Cloreto
0,42
0,33 Fluoreto
0 0,1 0,2 0,3 0,4 0,5 0,6

Figura 5. 16: Teores de sulfato, nitrato, cloreto e fluoreto apresentados na

análise e no rótulo para três águas minerais brasileiras
Ao analisar a Figura 5.16 e considerando o método adequado para

determinação das espécies em estudo, verifica-se que os teores de alguns íons
(SO42- e NO3-) obtidos pelas curvas não foram concordantes, nas três águas, com o
indicado no rótulo, indicando uma menor rigidez no controle dos teores pelas
empresas responsáveis pela fabricação ou a presença de um fator externo/interno
que resulte no aumento da concentração desses íons.
Com a finalidade de realizar a mesma averiguação para as águas minerais
estrangeiras das marcas Luso, Evian e Acqua Panna, foram construídos gráficos, os
quais são representados na Figura 5.17, comparando os resultados obtidos na
análise e os rótulos.
80
Luso
Rótulo Amostra
1,48
1,60
8,74
1,50
1,57
9,00
0 1 2 3 4 5 6 7 8 9 10
Concentração (mg.L-1) Sulfato Nitrato Cloreto
Evian
Rótulo Amostra
13,72
4,03
9,62
14,00
3,80
10,00
0 2 4 6 8 10 12 14 16
Acqua Panna
Amostra
22,25
3,89
7,67
22,00
Rótulo
2,90
8,50
0 5 10 15 20 25
Figura 5.17: Teores de sulfato, nitrato e cloreto apresentados na análise e no

rótulo para três águas minerais estrangeiras
Os resultados apresentados para as amostras na Figura 5.17, os quais foram

calculados da mesma maneira através das curvas analíticas que nas águas
brasileiras, indicam, ao ser comparados, com os valores no rótulo, uma boa
concordância.
Assim sendo, as empresas brasileiras responsáveis pela fabricação das três
águas citadas, apresentaram um menor controle na qualidade do de seus produtos
em relação as empresas estrangeiras responsáveis pelas marcas Luso, Evian e
Acqua Panna.
5.4. Aplicação da técnica quimiométrica
Os resultados atingidos de concentrações calculadas pelas regressões foram

utilizados como variáveis para descriminação das amostras por PCA. Os comandos
81
utilizados na plataforma GNU Octave para obter os resultados da aplicação da ACP
estão descritos e detalhados no Apêndice E (página 106) na forma de um roteiro. Os
resultados das 16 águas minerais gerados pela, serão mostrados de acordo com a
ordem empregada nesse anexo.
 Construção da matriz de dados X (n x p);
Os dados organizados, com as amostras nas linhas e as concentrações de

cada íon nas colunas e com códigos representando cada amostra de água (número
de 1 à 16) em uma coluna anterior aos resultados, foram copiados no programa e
carregados para o ambiente de trabalho do software.
 Pré-tratamento dos dados;
A matriz dos dados foi dividida em duas partes, códigos e resultados, e os

dados foram pré-tratados com o método de autoescalamento. usando um comando
que equivale a Equação 28 (tópico 3.5.1.2. – Pré-tratamento de dados).
 Determinação dos autovetores, autovalores e scores;
O pacote de estatística, o qual contém a função responsável pelo PCA

(princomp), foi carregado e função princomp foi, então, aplicada aos dados.
A partir dessa função foram obtidos os valores de autovetores (Quadro 5.17),
que indicam as direções dos novos eixos representados por cada componente, e
autovalores (Quadro 5.18), os quais representam a variância explicada por cada
componente.
Quadro 5.17: Autovetores relacionados com a matriz de covariância dos

dados pré-tratados
Autovetor
Variável Componente 1 Componente 2 Componente 3 Componente 4 Componente 5
Fluoreto -0.522 0.259 -0.322 -0.742 0.082
Cloreto -0.578 -0.156 0.098 0.387 0.694
Nitrito 0.105 -0.586 -0.800 0.072 0.028
Nitrato -0.206 -0.747 0.481 -0.348 -0.214
Sulfato -0.582 0.082 -0.124 0.417 -0.682
82
Quadro 5.18: Autovalores relacionados com a matriz de covariância dos
dados pré-tratados
Autovalores
Componente 1 2.806
Componente 2 1.185
Componente 3 0.878
Componente 4 0.119
Componente 5 0.012
Os scores relacionados com cada componente principal estão representados

no Apêndice F (página 111).
 Contribuição de cada componente principal;
A partir dos autovalores calculados foi possível calcular a contribuição de

cada componente principal para a explicação variância total, a qual consiste na
normalização em relação à soma dos autovalores.
Para calcular essa contribuição, pode ser explorado com os alunos o conceito
dos autovalores e mostrar como sua soma representa a variância total do
experimento. Os valores obtidos para cada contribuição estão descritos no Quadro
5.19.
Quadro 5.19: Contribuição de cada componente principal para a explicação

da variância total
Contribuição (%)
PC1 56.116
PC2 23.705
PC3 17.555
PC4 23.823
PC5 0.24081
As percentagens cumulativas ao adicionar cada componente principal no

estudo dos dados originais são exibidas no Quadro 5.20.
83
Quadro 5.20: Percentagens cumulativas ao adicionar cada componente
principal na explicação da variação dos dados originais
% Cumulativa
PC1 56.1
PC2 79.8
PC3 97.4
PC4 99.7
PC5 100.0
Um gráfico para %cumulativa ao adicionar cada componente principal na

explicação é retratada na Figura 5.18.
97,38 99,76% 100%
%
79,82%
56,11%
Figura 5.18: Percentagem cumulativa da contribuição dos componentes

principais
A primeira componente, de acordo com a Figura 5.18, contém mais de 50%

da variação, contendo, assim, mais informação sobre os dados originais do que as
outras componentes principais e as variáveis originais.
Verifica-se, também, que, ao usar apenas as componentes PC1 e PC2,
aproximadamente 80% da estrutura dos dados originais é explicada. A avaliação
desses dois componentes é considerada, então, suficiente para uma análise de
componentes principais sem uma perda significante de informação.
84
Dessa forma, PC3, PC4 e PC5 não contribuem significativamente e podem
ser descartadas, sendo possível, assim, reduzir de 5 dimensões (concentração dos
cinco íons) para 2 (PC1 e PC2).
 Construção do gráfico dos scores;
As projeções dos dados nos novos eixos (PC1 e PC2) é representada pelos
scores. Seus valores, no plano PC1 x PC2, são mostrados na Figura 5.19.
Figura 5.19: Gráfico de scores (PC1 x PC2) *
*Legenda
□ São Lourenço ○ Sferriê Canção Nova (gás) Evian
□ Bonafont ○ Minalba Premium Pouso alto (gás) Acqua Panna
□ Nestlè ○ Petrópolis Fastio S. Pellegrino (gás)
□ Pouso alto ○ Qualitá Luso Perrier (gás)
Ao observar a Figura 5.19, pode-se observar que apenas uma água (da
marca S.Pellegrino) se distanciou expressivamente das outras no eixo da
componente PC1. Ao avaliar os dados originais do rótulo (Anexo L), verifica-se que a
água mineral em questão apresentou, em comparação as outras marcas, o maior
teor de sulfato com uma concentração em torno de 410 mg.L -1.
85
É importante que, nesse tipo de análise, seja discutido com os alunos a
influência de cada variável original nas novas variáveis. A PC1 foi capaz de
distanciar a água S.Pellegrino das outras. Uma vez que essa água tem um alto teor
de sulfato, provavelmente a influência desta variável original é muito grande para a
PC1. Isso auxilia como recurso didático para que os alunos entendam os diferentes
tipos de análises possíveis que podem ser conseguidas a partir de uma ACP.
Em relação à separação no eixo da PC2, dois grupos de águas minerais são
constatados. O grupo com três águas minerais (elipse preta) com as marcas São
Lourenço, Evian e Perrier têm como diferencial as concentrações de nitrito e nitrato.
São Lourenço e Evian apresentam as maiores concentrações de nitrito e
Perrier a maior concentração de nitrato. Novamente, uma correlação das variáveis
originais através de uma análise dos scores pode ser feita, indicando possíveis
influências nos novos eixos.
 Determinação dos loadings;
Tendo discutido a análise das amostras pelos scores, pode-se introduzir a

relação das variáveis originais às novas variáveis. O peso de cada variável original
nas duas componentes principais (PC1 e PC2), ou seja, os loadings encontrados
são mostrados no Quadro 5.21.
Quadro 5.21: Loadings nas duas componentes principais (PC1 e PC2)

Variável original PC1 PC2
Fluoreto -0.87411 0.28162
Cloreto -0.969 -0.17033
Nitrito 0.17642 -0.63763
Nitrato -0.34564 -0.81382
Sulfato -0.9758 0.089851
Ao observar apenas a magnitude dos valores dos loadings, ignorando os

sinais, verifica-se que as concentrações de fluoreto, cloreto e sulfato tem os maiores
pesos no cálculo para a primeira componente principal. Já, as concentrações de
nitrito e nitrato, são as variáveis que mais influenciaram para a componente PC2.
O gráfico dos loadings no plano PC1 x PC2 encontra-se na Figura 5.20.
86
Figura 5.20: Gráfico dos loadings no plano PC1 x PC2
Ao examinar os ângulos entre os vetores criados pelo loading de cada

variável, é possível inferir que as concentrações de fluoreto, cloreto e sulfato são
correlacionadas significativamente entre si, diferentemente dos outros íons (nitrito e
nitrato).
Dessa forma é possível confirmar as observações feitas para o gráfico de
scores com relação as variáveis originais que mais influenciaram nas distinções
observadas em cada componente principal. Isso permite aos alunos entenderem
conceitualmente a aplicação de cada análise, de modo que a discussão sobre estas
naturaliza sua interpretação e aceitação.
5.5. Elaboração do roteiro de aula e proposta de implementação no curso
Com base no procedimento realizado para a análise de 16 águas minerais de

marcas diferentes com a técnica de cromatografia de íons foi proposto um roteiro
para a aula de Análise Instrumental I, do Instituto de Química da UFRJ.
A realização da prática proposta é viável considerando um tempo de aula com
duração de 4 horas, incluindo as injeções das soluções padrões (1,25 h), das
87
amostras (0,75 h), e da explicação da técnica utilizada pelo equipamento e da
ferramenta quimiométrica PCA e sem contar com a realização de replicatas.
Determinação de ânions utilizando a técnica de cromatografia de íons

com detecção condutimétrica
01 – Fundamentos (adaptado do roteiro atual)
A cromatografia de íons (CI) é uma técnica que engloba todos métodos

cromatográficos que separam substâncias iônicas e substâncias que se ionizam
facilmente na fase móvel. Estes métodos são a cromatografia de par iônico, a
cromatografia de troca iônica e a cromatografia por exclusão iônica. Em princípio,
tanto fase móvel como os analitos são substâncias polares e/ou iônicas. A
configuração básica de um cromatógrafo de íons é semelhante a um sistema de
cromatografia de alta eficiência (HPLC) convencional: uma bomba conduz a fase
móvel através de uma válvula de injeção. Os volumes típicos de injeção variam de 5
à 100 μL.
O coração de um sistema cromatográfico é a coluna de separação. A seleção
da fase estacionária adequada e das condições cromatográficas determina a
qualidade da análise. Em geral, a separação é obtida à temperatura ambiente. Em
poucos casos, tais como nas determinações de ácidos graxos de cadeia longa são
utilizadas maiores temperaturas. Os analitos são detectados e quantificados por um
sistema de detecção. O desempenho do detector é verificado de acordo com os
seguintes critérios: sensibilidade, linearidade, resolução e limite de detecção. O
detector comumente empregado em cromatografia iônica é o de condutividade, que
é usado com ou sem um sistema supressor de condutividade de fase móvel. Além
desse, são usados detectores UV/Vis, amperométrico e de fluorescência.
A CI é baseada em uma interação entre os íons de uma solução e uma
substância sólida contendo os grupos funcionais, que podem fixar íons como
resultado de forças eletrostáticas. No caso mais simples, na cromatografia de
cátions, são grupos de ácido sulfônico; enquanto na cromatografia de ânions, são
grupos de amônio quaternário. Teoricamente, íons com a mesma carga podem ser
completa e reversivelmente trocados entre duas fases. O processo de troca iônica
leva a uma condição de equilíbrio. O deslocamento de equilíbrio depende da
88
afinidade dos íons participantes em relação aos grupos funcionais da fase
estacionária.
02 – Aparelhagem
 Cromatógrafo de íons
 Coluna de separação de ânions
 Alça de amostragem: 200 μL
03 - Reagentes e soluções:
 Eluente: Na2CO3 25 mmol.L-1

 Solução de padrão misto contendo:
Ânion Concentração (mg.L-1)
Fluoreto 20
Cloreto 30
Nitrito 100
Nitrato 100
Sulfato 150
 Amostras: águas minerais brasileiras e estrangeiras
Preparo dos padrões para a cada curva analítica:

Diluir para balão de 10,00 mL os seguintes volumes da solução padrão misto:
40 μL, 60 μL, 80 μL e 100 μL. Completar o volume com água ultrapurificada do tipo I
Milli Q.
04 - Procedimento:
 Curva analítica:
Lavar e preencher a alça de amostragem manualmente com cerca de 1 mL
dos padrões preparados no equipamento. O tempo de corrida será de
aproximadamente 15 min. Integrar os sinais gerados no cromatograma e através do
software construir a curva analítica. O procedimento deverá ser consultado
anteriormente com o professor da disciplina ou o monitor disponível.
89
 Amostra de água:
Lavar e preencher a alça de amostragem manualmente com cerca 1 mL das
amostras que serão analisadas.
Observação: Caso os rótulos das águas minerais indiquem a presença dos ânions
com uma concentração acima do último ponto da curva, diluir as amostras com o
intuito adequar a concentração de todos os íons as faixas de trabalho selecionadas.
05 - Resultados:
 Construir as curvas analíticas para cada ânion analisado. Determinar
as concentrações dos ânions estudados nas amostras. Na amostra de água mineral,
comparar os resultados obtidos com os fornecidos no rótulo, expressando o erro
relativo.
 Com os resultados para cada água seguir o roteiro para a aplicação da
ACP no GNU Octave detalhada no Apêndice E (página 106).
90
6. Conclusão
A validação parcial do método utilizado para a análise de ânions na técnica de

cromatografia de íons, demonstrou, de uma forma geral, que o método é adequado,
apresentando, por exemplo, resultados para os parâmetros linearidade e
repetibilidade abaixo do permitido e limites de detecção e quantificação indicando
que, a maioria dos íons estudados, são detectados pelo equipamento com valores
abaixo dos apresentados nos rótulos das águas minerais.
A partir da ferramenta quimiométrica (ACP) aplicada no GNU Octave 5.1.0, foi
possível analisar as concentrações de cinco íons em diferentes marcas de águas
minerais apenas por 2 variáveis, PC1 e PC2, as quais explicaram aproximadamente
80% da estrutura dos dados originais.
A interpretação desses dados viabilizou a distinção da água mineral da marca
S.Pellegrino devido ao seu alto teor de sulfato em relação ao restante e a distinção
das marcas São Lourenço e Evian, por apresentarem as maiores concentrações de
nitrito e a Perrier, a maior concentração de nitrato.
Ao longo da realização dos experimentos, tratamento de dados e uso do
software foram feitas anotações, as quais auxiliaram, junto com o procedimento
atual descrito na apostila da disciplina, na elaboração do roteiro proposto para a
aula.
Tal roteiro sugere a aplicação da ACP com uma rotina do GNU Octave para
águas minerais brasileiras e estrangeiras como uma forma de iniciar a
implementação destas ferramentas no currículo do curso de Química.
91
7. Referências bibliográficas
ANVISA. Guia para tratamento estatístico da validação analítica -

Medicamentos. GUIA nº 10, versão 1, de 30 de agosto de 2017.
AOAC International. Official methods of analysis of AOAC International, in

Guidelines for Standard Method Performance Requirements. Gaithersbrurg,
Apêndice F, 2016.
BERTOLO, R; HIRATA, R.; FERNANDES, A. Hidrogeoquímica das águas

minerais envasadas do Brasil. Revista Brasileira de Geociências. 37(3): 515-529,
2007.
ANVISA. Resolução RDC nº 274, Diário Oficial, 23 de setembro de 2005.
COLLINS, C.H., BRAGA, G.L., BONATO, P.S. Fundamentos de

cromatografia. Editora da UNICAMP, Campinas - SP, 2006. 452p.
CORREIA, P. R. M.; FERREIRA, M. M. C. Reconhecimento de padrões por

métodos não supervisionados: explorando procedimentos quimiométricos
para tratamento de dados analíticos. Quim. Nova, Vol. 30, No. 2, 481-487, 2007.
EATON, J. W. GNU Octave and reproducible research. Journal of Process Control

22 (2012) 1433– 1438
EITH, C.; KOLB, M.; RUMI, A.; SEUBERT, A.; VIEHWEGER, K. H. Práticas em
Cromatografia de íons. 2º edição, Metrohm, Herisau – Suíça, 2007.
FREITAS, M. B.; BRILHANTE, O. M.; ALMEIDA, L. M. Importância da análise de

água para a saúde pública em duas regiões do Estado do Rio de Janeiro:
enfoque para coliformes fecais, nitrato e alumínio. Cad. Saúde Pública, Rio de
Janeiro, 17(3):651-660, 2001.
GONZÁLEZ, A. G.; HERRADOR, M. A. A practical guide to analytical method

validation, including measurement uncertainty and accuracy profiles. Trends in
Analytical Chemistry, Vol. 26, No. 3, 2007.
GUEDES, L. F. M. Separação em fase sólida para a determinação de ânions por

cromatografia de íons em amostra salinas, ambientais e da indústria de
petróleo. Dissertação de mestrado em Geociências – Universidade Federal
Fluminense (UFF), 2010.
GUIZELLINI, A. T.; ROSSI, V. V. Quimiometria na graduação em Química no

Brasil. In: Encontro Nacional de Ensino de Química,16.; ENCONTRO DE
EDUCAÇÃO QUÍMICA NA BAHIA, 5., 2012, Salvador. Anais eletrônicos.
Disponível em:
http://www.portalseer.ufba.br/index.php/anaiseneq2012/article/view/7113.
Acesso em: 28 agosto 2019.
92
HARRIS, D. C. Análise Química Quantitativa. 8 ed. Rio de Janeiro: LTC, 2012, p.
898
Hongyu, K., Sandanielo, V. L. M., Junior, G. J. O. Análise de Componentes

Principais: resumo teórico, aplicação e interpretação. E&S - Engineering and
Science, vol. 1, ed. 5, 2016.
HOTELLING H. Analysis of a complex of statistical variables into principal

components. J. Educ. Psychol. 24, 498–520, 1933.
INMETRO - Instituto Nacional de Metrologia, Normalização e Qualidade Industrial

Orientações sobre Validação de Métodos de Ensaios Químicos, DOQCGCRE-
008, 2018.
JEBER, A.; PROFETA, A. L. Recursos minerais de Minas Gerais On line: síntese

do conhecimento sobre as riquezas minerais, história geológica, e meio
ambiente e mineração de Minas Gerais - Águas minerais. Belo Horizonte:
Companhia de Desenvolvimento de Minas Gerais (CODEMGE) – 2018. Disponível
em: http://recursomineralmg.codemge.com.br/wp-
content/uploads/2018/10/AguasMinerais.pdf . Acessado em: 22/12/2019.
JOLLIFFE, I. T.; CADIMA, J. Principal component analysis: a review and recent

developments. Phil. Trans. R. Soc. A 374:20150202.
KAPPES, S. When HPLC fails : IC in food, water, and pharmaceutical analysis.

Metrohm International Headquarters; Herisau, Switzerland, 2019
LYRA, W. S.; SILVA, E. C.; ARAÚJO, M. C. U.; FRAGOSO, W. D. Classificação

periódica: Um exemplo didático para ensinar análise de componentes
principais. Quim. Nova, Vol. 33, No. 7, 1594-1597, 2010.
MASSART, D.L. et al. Handbook of Chemometrics and Qualimetrics: Part A –

Data Handling in Science and Technology –, Elsevier, v.20, 1997.
MILANEZ, T. V.; SOUZA, A.; BERNARDO, P. E. M. Nitrato e nitrito em água

mineral envasada comercializada na cidade de São Paulo. Bol. Inst Adolfo Lutz.
2015; 25(1):12-14.
MILLER, J. N.; MILLER, J. C. Statistics and Chemometrics for Analytical

Chemistry. Editora Pearson. Ed.6, pg:56 – 59, 2010.
MONTALVÃO, V. T. K. Modelagem cinética da liberação de calor de um sistema

de geração de nitrogênio (sgn) através de quimiometria e desenvolvimento de
programas em Matlab para sua predição .Dissertação de mestrado em Química –
Universidade Federal do Rio de Janeiro,2014.
MOURA, L. R. C.; PORTO, G. D.; CUNHA, N. R. S.; MOURA, L. E. L. de; VEIGA, R.

T. O comportamento de compra e a percepção dos atributos da água mineral
pelos consumidores. PERSPECTIVA, Erechim. v.35, n.130, p. 97-112, 2011.
93
NAZARIO, C. E. D.; LANÇAS, F. M. S. Suportes cromatográficos e fases
estacionárias para cromatografia líquida: preparo, evolução e tendências.
Scientia Chromatographica 2013; 5(2):111-135.
NETO, J. M. M. Estatística multivariada – Uma visão didática-metodológica.

Revista Crítica, Filosofia na ciência, 2004.
OLIVEIRA, E.C. de. Comparação das diferentes técnicas para a exclusão de

“outliers”. In: ENQUALAB 2008 – CONGRESSO DA QUALIDADE EM
METROLOGIA, São Paulo, 2008.
PEARSON K. 1901 On lines and planes of closest fit to systems of points in

space. Phil. Mag. 2, 559–572. (doi:10.1080/14786440109462720)
PEREIRA, J. S. F. Determinação de cloreto por cromatografia de íons em

petróleo extrapesado, coque e resíduo de vácuo após decomposição em
sistema fechado por combustão iniciada por microondas. Dissertação de
mestrado – Universidade Federal de Santa Maria, RS, 2007.
PEREIRA, P. C. S. et al. A quimiometria nos cursos de graduação em

química: proposta do uso da análise multivariada na determinação
de pkª. Quím. Nova, vol.37, no.8, São Paulo, 2014.
RODRIGUES, E. C. Modelos de Regressão Linear Simples – Análise de

Resíduos. Slides - UFOP, 27 de setembro de 2016.
TEÓFILO, R.F.; FERREIRA, M.M.C. Quimiometria II: Planilhas eletrônicas para

cálculos de planejamentos experimentais, um tutorial. Química Nova, v. 29, n.2,
p.338-350, 2006.
TORRES, L. Vendas de água mineral aumentaram 150% em supermercado no

Rio. G1, 2020. Disponível em: https://g1.globo.com/rj/rio-de-
janeiro/noticia/2020/01/27/vendas-de-agua-mineral-aumentaram-em-supermercado-
no-rio.ghtml. Acessado em: 18/02/2020.
VALDERRAMA, P.; PAIVA, V. B.; MARÇO, P. H.; VALDERRAMA, L. Proposta

Experimental didática para o ensino de análise de componentes principais.
Química Nova, Vol. XY, No. 00, p. 1-5, 26 outubro de 2015.
94
8. ANEXO
ANEXO A – Passo a passo da aplicação do teste de Grubbs
No caso do Teste de Grubbs para um valor suspeito há as seguintes etapas:

1) Colocar os valores em ordem decrescente ou crescente;
2) Calcular o valor de G (Gcalc) para o valor que se mais distancia da
média dos valores – Equação 39:
|(𝑥𝑖 −𝑥̅ )|
𝐺𝑐𝑎𝑙𝑐. = (Equação 39)
𝑠
Sendo:
𝑥𝑖 = valor suspeito de ser aberrante

𝑥̅ = média dos valores dos dados
s = desvio padrão dos valores dados (Equação 40)
∑𝑛
𝑖=1(𝑥𝑖 − 𝑥̅ )
2
𝑠= √ (Equação 40)
𝑛−1
Sendo:
n = números de análises
3) Comparar com valor de G tabelado (Gtab.) - Anexo B
Se Gcalc. > Gtab., o valor suspeito é aberrante e é retirado do conjunto.
Se Gcalc. < Gtab o valor suspeito não é aberrante.
4) Caso o valor suspeito seja discrepante, deve-se repetir os passos 1,2 e
3 até que na não constem mais valore discrepantes;
5) Caso o valor suspeito não seja aberrante, verifica-se a existência de
dois valores discrepantes em cada extremidade do conjunto.
No segundo teste, para dois valores suspeitos, há as seguintes etapas:

1) Calcular a diferença quadrática no conjunto com todos os valores (s 02 –
Equação 41).
𝑠02 = ∑𝑛𝑖(𝑥𝑖 − 𝑥̅ )2 (Equação 41)
2) Calcular a diferença quadrática no conjunto, sem os valores suspeitos, os
quais são os dois menores ou os dois maiores valores (s1,22 e sn-1,n2,
respectivamente).
95
2
𝑠1,2 = ∑𝑛𝑖=3(𝑥𝑖 − 𝑥̅1,2 )2 (Equação 42)
Sendo: 𝑥̅1,2 = média do conjunto, sem os dois menores valores.
∑𝑛
𝑖=3 𝑥𝑖
𝑥̅1,2 = (Equação 43)
𝑛−2
2
𝑠𝑛−1,𝑛 = ∑𝑛=2
𝑖=1 (𝑥𝑖 − 𝑥̅𝑛 −1,𝑛 )
2
(Equação 44)
Sendo: ̅̅̅̅̅̅̅̅
𝑥𝑛−1,𝑛 = média do conjunto, sem os dois maiores valores
∑𝑛−2
𝑖=1 𝑥𝑖
𝑥̅𝑛 −1,𝑛 = (Equação 45)
𝑛−2
3) Calcular o valor de G (Gcalc):
2
𝑠1,2
𝐺𝑐𝑎𝑙𝑐 = (Equação 46)
𝑠02
2
𝑠𝑛−1,𝑛
𝐺𝑐𝑎𝑙𝑐 = (Equação 47)
𝑠02
4) Comparar G calculado (Gcalc) com G tabelado (Gtab – Anexo B), em um

nível de significância (α) escolhido.
Se Gcalc < Gtab, o valor par suspeito é aberrante e é retirado do conjunto.
Se, Gcalc > Gtab, o valor par suspeito não é aberrante.
5) Caso o valor par suspeito seja aberrante, deve-se repetir os passos 1,
2, 3 e 4 até que não constem mais valores aberrantes.
96
ANEXO B - Quadro com os valores críticos de G
97
ANEXO C – Passo a passo a para a aplicação do teste de Cochran
Para a aplicação do teste de Cochran os seguintes passos são necessários:

1) Calcular o valor de C (Ccalc.);
2
𝑆𝑀á𝑥
𝐶𝑐𝑎𝑙𝑐. = ∑𝑛 2 (Equação 48)
𝑖=1 𝑠𝑖
Onde:
2
𝑆𝑀á𝑥 = maior valor de variância (variância máxima)
∑𝑛𝑖=1 𝑠𝑖2= somatório de todas as variâncias de cada nível da curva analítica
A variância de um conjunto de dados experimentais é dada por:
∑𝑛
𝑖=1(𝑥𝑖 − 𝑥̅ )
2
𝑠2 = (Equação 49)
𝑛−1
Sendo:
𝑥̅𝑖 = valor da média de todos os valores
n = número de replicatas
2) Comparar com o valor de C tabelado (Ctab.) – Anexo D.

Quando Ccalc. < Ctab., pode-se dizer que as variâncias são estatisticamente
equivalentes e, dessa forma, os dados têm um comportamento homocedástico.
Quando Ccalc. > Ctab., diz-se que as variâncias não são estatisticamente
equivalentes e aumentam (ou diminuem) conforme o aumento da concentração da
espécie analisada, sendo a condição de homocedasticidade violada. Nesse caso, é
preciso realizar uma transformação ponderada dos dados, de forma a transformar a
heterocedasticidade em homocedasticidade antes da utilização da Regressão
Linear.
98
ANEXO D - Quadro com os valores críticos de C
99
ANEXO E – Quadro com os valores críticos de F*
100
ANEXO F - Nomes, fontes e concentrações dos íons estudados descritos nos
rótulos de cada marca.
Fonte
F- Cl- NO3- SO42-
São Lourenço São Lourenço - MG 0,15 1,61 1,50 2,17
Bonafont Jundaí - SP 0,12 0,10 0,78 0,54
Nestlè Petrópolis - RJ N.D. 1,81 1,35 0,83
Pouso Alto Pouso Alto - MG 0,02 0,10 0,48 2,06
Sferrie Toledo - PR 0,33 N.D. 0,50 0,20
Minalba Premium Campos de Jordão - SP 0,04 0,18 0,74 0,12
Petrópolis Petrópolis - RJ N.D. 1,74 0,35 0,40
Qualitá Barra Mansa - SP 0,11 0,88 0,79 3,49
Canção Nova São Bento N.D. 1,61 0,01 0,78
Pouso Alto (gás) Pouso Alto - MG 0,03 0,05 N.D. 3,94
Fastio Chamoim - Portugal N.D. 4,20 N.D. 1,00
Luso Luso - Portugal N.D. 9,0 1,60 1,50
Evian Haute Savoie - França 0,06 10 3,8 14
Acqua Panna Toscana - Itália N.D. 8,5 2,9 22,0
S.Pellegrino Lombardia - Itália N.D. 49,4 2,9 402
Perrier Vergeze - França N.D. 22 7,8 33
* N.D. – Não Declarado
101
9. Apêndice
Apêndice A - Modo de utilização do software GNU Octave
Modo de utilização:
A sintaxe do Octave é amplamente compatível com o Matlab e, através do

Octave Forge, pode-se encontrar pacotes desenvolvidos para o GNU Octave,
semelhante às caixas de ferramentas do Matlab. A seguir é mostrada a tela do
programa (Figura 21) onde, na esquerda, tem-se o “Navegador de Arquivos”
(retângulo amarelo), onde é possível carregar os dados a serem utilizados para o
“Ambiente de Trabalho” (retângulo vermelho).
Figura 5.21: Tela do programa com as principais funções destacadas
Ainda na esquerda, há o “Histórico de Comandos” (retângulo verde), o qual

facilita a visualização e o uso das funções previamente utilizadas.
À direita, tem-se a “Janela de Comandos” (retângulo roxo) onde são
colocadas as funções para calcular os resultados.
Os dados gerados e variáveis criadas são encontrados no ambiente de
trabalho e, ao clicar duas vezes em cima de alguns deles, os dados são mostrados
102
em uma planilha no “Editor de Variáveis” (elipse preta), possibilitando a exportação
desses dados para, por exemplo o Excel.
A aba “Documentação” (elipse laranja), possui o índice de funções, o qual
fornece os comandos de todas as funções no GNU e suas utilidades. A aba “Editor”
(elipse azul), por sua vez, permite que os dados a serem utilizados sejam salvos no
formato que possibilite o seu carregamento e, com isso, seu uso pelo programa.
103
Apêndice B - Áreas dos picos referentes aos íons fluoreto, cloreto, nitrito,
brometo, nitrato, fosfato e sulfato nas soluções padrões das curvas analíticas.

0,10 0,20 0,30 0,40 0,50 1,00 1,50 2,00 2,50
n=1 0,279 0,512 0,751 0,975 1,494 - - - -
FLUORETO
n=2 0,287 0,499 0,696 0,976 1,231 - - - -
n=3 0,295 0,521 0,749 1,289 1,292 - - - -
n=1 0,255 0,330 0,480 0,605 0,746 1,571 2,368 3,467 4,339
CLORETO
n=2 0,255 0,329 0,432 0,620 0,786 1,583 2,429 3,492 4,339
n=3 0,276 0,335 0,485 0,619 0,782 1,655 2,478 3,532 4,418
n=1 0,089 0,157 0,252 0,330 0,408 - - - -
NITRITO
n=2 0,092 0,154 0,217 0,316 0,419 - - - -

Área do pico (em μS*min)
n=3 0,093 0,159 0,236 0,307 0,409 - - - -
n=1 0,063 0,122 0,193 0,252 0,339 - - - -

BROMETO
n=2 0,061 0,132 0,176 0,261 0,321 - - - -
n=3 0,059 0,129 0,194 0,251 0,320 - - - -
n=1 0,096 0,157 0,239 0,312 0,407 0,834 1,239 1,808 2,234
NITRATO
n=2 0,091 0,153 0,209 0,314 0,410 0,832 1,260 1,810 2,231
n=3 0,083 0,147 0,222 0,318 0,396 0,850 1,284 1,819 2,253
n=1 0,036 0,078 0,116 0,155 0,196 - - - -
FOSFATO
n=2 0,043 0,082 0,110 0,154 0,200 - - - -

n=3 0,040 0,084 0,111 0,151 0,197 - - - -
n=1 - - - - 0,540 1,082 1,617 2,322 2,888
SULFATO
n=2 - - - - 0,527 1,083 1,661 2,324 2,869

n=3 - - - - 0,528 1,113 1,684 2,339 2,922
104
Apêndice C - Tabelas ANOVA das curvas analíticas dos íons cloreto, nitrito,
brometo, nitrato, fosfato e sulfato
Nº de graus F
Fonte de variação SQ MQ
de liberdade
Regressão 0,517097 4 0,129274 406,929
CLORETO
Resíduos 0,003177 10 0,000318

Total 0,520274 14
Regressão 0,194296 4 0,048574 494,9534
NITRITO
FAIXA BAIXA (0,10 – 0,50 mg.L-1)
Resíduos 0,000981 10 9,81E-05

Total 0,195278 14
Regressão 0,032543 598,2394
BROMETO
0,130174 4
Resíduos 0,000544 10 5,44E-05
Total 0,130718 14
Regressão 0,18898773 4 0,047247 672,7303
NITRATO
Resíduos 0,000702316 10 7,02E-05

Total 0,189690046 14
Regressão 0,045465 4 0,011366 1272,239
FOSFATO
Resíduos 8,93E-05 10 8,93E-06

Total 0,045554 14
Regressão 24,80039 4 6,200098 3520,774
CLORETO
FAIXA ALTA (0,50 – 2,50 mg.L-1)
Resíduos 0,01761 10 0,001761

Total 24,818 14
Regressão 6,484502833 4 1,621126 9989,313
NITRATO
Resíduos 0,00162286 10 0,000162

Total 6,486125693 14
Regressão 10,66246 4 2,665615 5800,278
SULFATO
Resíduos 0,004596 10 0,00046

Total 10,66705 14
105
Apêndice D – Desvios padrões (DP) e concentrações médias determinadas
(CMD) das soluções padrões 0,10 mg.L-1, 0,30 mg.L-1 e 0,50 mg.L-1
Concentração
DP CMD
(mg.L-1)
0,10 0,008 0,287
Fluoreto
0,30 0,031 0,732
0,50 0,138 1,339
0,10 0,012 0,262
Cloreto
0,30 0,030 0,465
0,50 0,022 0,771
0,10 0,002 0,091
Nitrito
0,30 0,018 0,235

0,50 0,006 0,412
0,10 0,002 0,061
Brometo
0,30 0,010 0,188

0,50 0,010 0,327
0,10 0,007 0,090
Nitrato
0,30 0,015 0,223

0,50 0,007 0,404
0,10 0,004 0,039
Fosfato
0,30 0,003 0,112

0,50 0,002 0,198
0,10 0,002 0,122
Sulfato
0,30 0,020 0,309

0,50 0,007 0,532
106
Apêndice E – Comandos utilizados na plataforma do GNU Octave para a
aplicação do ACP nos dados gerados na análise das 16 águas minerais
Os comandos utilizados tiveram como base funções realizadas no Matlab e

funções encontradas na plataforma do GNU.
1) Construção da matriz de dados X (n x p);
 Organizar os dados de tal forma que as amostras fiquem nas linhas da

tabela e as concentrações de cada íon nas colunas;
 Para dados em que o valor ficar abaixo do limite de quantificação,
preencher o elemento da matriz com o próprio LQ;
 Colocar uma coluna anterior às concentrações enumerando cada amostra;
 Substituir as vírgulas por pontos nos dados e copiá-los no “Editor”
(indicado em vermelho);
 Nomear e salvar os dados;
 Carregar os dados através do navegador de arquivos (indicado em azul);
Figura 5.22: Tela do programa com as funções para carregar os dados destacadas
2) Pré-tratamento de dados;
 Dividir, na “Janela de comandos”, a matriz criada no intuito de delimitar a

parte correspondente as classes das amostras () e parte dos resultados
107
das amostras. No exemplo utilizado a primeira coluna com códigos de 1 à
16 corresponde as classes (matriz 48x1) e a parte dos resultados
corresponde ao restante da matriz (matriz 48x5).
>> y = dados(:,1);
>> X = dados(:,2:end);
 Normalizar os dados, através do autoescalamento, usando um comando

que equivale a Equação 19 (tópico 3.5.1.2. – Pré-tratamento de dados).
>> Xm = bsxfun(@rdivide, bsxfun(@minus,X,mean(X)),std(X));
3) Determinação dos autovalores, autovetores e scores;
 A função responsável pela aplicação do PCA no GNU pertence ao pacote

de estatística, o qual deve ser baixado na plataforma do GNU. Para utilizar
essa função, deve-se carregar o pacote.
>> pkg load statistics;
 Aplicar a função princomp para os dados tratados (Xm);
>> [COEFF, SCORE, latent] = princomp(Xm)
Sendo: COEFF = autovetores

SCORE = score
latent = autovalores
4) Cálculo da contribuição de cada componente principal para a explicação

da variância total;
108
 Determinar a contribuição de cada componente principal usando um
comando que equivale a Equação 27 (tópico 3.5.1.7. - Cálculo da
contribuição de cada componente principal).
>> Contribuicao = (latent/sum(latent))*100
 Construir um gráfico para melhor visualização das percentagens.
>> figure (); bar (Contribuicao(1:5, 1)); title ("Contribuicao de cada

componente principal (%)");
>> Componentes = {'PC1','PC2','PC3','PC4','PC5'}
Componentes =
{
[1,1] = PC1
[1,2] = PC2
[1,3] = PC3
[1,4] = PC4
[1,5] = PC5
}
>> set(gca,'XTickLabel',Componentes)
>> ylabel('Contribuicao %')
 Construir um gráfico que demonstre a percentagem cumulativa ao

adicionar cada componente principal na explicação.
>> cumsum(Contribuicao)
ans =
56.116
79.822
97.377
99.759
100.000
109
>> figure (); bar (cumsum(Contribuicao(1:5,1))); title ("% cumulativa de
contribuicao de cada componente principal");
>> set(gca,'XTickLabel',Componentes)
>> ylabel('% cumulativa de contribuicao')
5) Construção dos gráficos dos scores;
 Definir cada amostra de acordo com a linha da matriz “SCORE” e da

matriz de classes definida por y.
>> agua1 = SCORE(find(y==1),:);

 Construir o gráfico de scores (PC1 x PC2), relacionando, para cada

amostra, cada elemento da coluna 1 com o respectivo elemento da coluna
2 da matriz ”SCORE”, definindo a cor, tamanho e espessura da linha do
marcador.
>> figure;
110
>> plot(agua1(:,1), agua1(:,2),"rs", "markersize", 10, "linewidth", 2); hold
on;
>> plot(agua2(:,1), agua2(:,2),"bs", "markersize", 10, "linewidth", 2);
>> plot(agua3(:,1), agua3(:,2),"ys", "markersize", 10, "linewidth", 2);
>> plot(agua4(:,1), agua4(:,2),"gs", "markersize", 10, "linewidth", 2);
>> plot(agua5(:,1), agua5(:,2),"ro", "markersize", 10, "linewidth", 2);
>> plot(agua6(:,1), agua6(:,2),"bo", "markersize", 10, "linewidth", 2);
>> plot(agua7(:,1), agua7(:,2),"yo", "markersize", 10, "linewidth", 2);
>> plot(agua8(:,1), agua8(:,2),"go", "markersize", 10, "linewidth", 2);
>> plot(agua9(:,1), agua9(:,2),"r*", "markersize", 10, "linewidth", 2);
>> plot(agua10(:,1), agua10(:,2),"b*", "markersize", 10, "linewidth", 2);
>> plot(agua11(:,1), agua11(:,2),"y*", "markersize", 10, "linewidth", 2);
>> plot(agua12(:,1), agua12(:,2),"g*", "markersize", 10, "linewidth", 2);
>> plot(agua13(:,1), agua13(:,2),"rv", "markersize", 10, "linewidth", 2);
>> plot(agua14(:,1), agua14(:,2),"bv", "markersize", 10, "linewidth", 2);
>> plot(agua15(:,1), agua15(:,2),"yv", "markersize", 10, "linewidth", 2);
>> plot(agua16(:,1), agua16(:,2),"gv", "markersize", 10, "linewidth", 2);
>> title ('Grafico de scores (PC1 x PC2)')
>> xlabel('PC1')
>> ylabel('PC2')
 Repetir os passos acima para os gráficos entre as componentes principais

que contribuem significativamente para a explicação da variância total.
6) Determinação e construção do gráfico dos Loadings;
 Determinar os loadings, usando um comando que equivale a Equação 29

(tópico 3.5.1.6. - Scores e loadings).
>> for i=1:size(latent)

P(:,i) = COEFF(:,i) * sqrt(latent(i,1))
End
 Definir cada variável de acordo com a linha da matriz “P”.
111
>>fluoreto = P(1,:);
>>cloreto = P(2,:);
>>nitrito = P(3,:);
>>nitrato = P(4,:);
>>sulfato = P(5,:);
 Construir o gráfico de loadings relacionando, para cada amostra, cada

elemento da coluna 1 com o respectivo elemento da coluna 2 da matriz
”P”, definindo a cor, tamanho e espessura da linha do marcador.
>> figure;
>> plot(fluoreto(:,1), fluoreto(:,2), "k.", "markersize",25,"linewidth",1); hold
on;
>> plot(cloreto(:,1), cloreto(:,2), "k.", "markersize",25,"linewidth",1); hold on;
>> plot(nitrito(:,1), nitrito(:,2), "k.", "markersize",25,"linewidth",1); hold on;
>> plot(nitrato(:,1), nitrato(:,2), "k.", "markersize",25,"linewidth",1); hold on;
>> plot(sulfato(:,1), sulfato(:,2), "k.", "markersize",25,"linewidth",1); hold on;
>> title ('Grafico de loadings no plano PC1 x PC2')
>> xlabel ('PC1')
>> ylabel('PC2')
 O gráfico construído pode ser exportado e ser manipulado para adicionar,

a cada ponto, um rótulo com a respectiva variável a qual se relaciona e
uma reta da origem até o ponto.
112
Apêndice F – Scores calculados para cada componente principal
Scores (PC1) Scores (PC2) Scores (PC3) Scores (PC4) Scores (PC5)
1 0.56377 -15.517 -20.115 -0.27016 -0.060159
São Lourenço 1 0.54483 -14.614 -19.075 -0.28725 -0.062272
1 0.54788 -15.498 -19.628 -0.28801 -0.067121
2 0.50659 0.14972 -0.042375 -0.28359 -0.13275
Bonafont 2 0.50157 0.14345 -0.030084 -0.28974 -0.13539
2 0.497 0.16582 -0.041341 -0.29507 -0.12979
3 0.67122 0.39484 0.273 0.1544 -0.046096
Nestlè 3 0.66792 0.40826 0.26808 0.15208 -0.042346
3 0.67297 0.39139 0.25486 0.15504 -0.044249
4 0.92818 0.46517 -0.25159 0.3528 -0.057471
Pouso Alto 4 0.92186 0.50124 -0.20298 0.34857 -0.059056
4 0.9243 0.48817 -0.2223 0.35076 -0.058207
5 -0.023442 11.929 -0.32796 -0.9728 0.078968
Sferrie 5 -0.030736 12.004 -0.32519 -0.98337 0.079211
5 -0.10257 12.376 -0.36957 -10.864 0.090245
6 0.79022 0.57928 0.0034936 0.14193 -0.064369
Minalba Premium 6 0.78635 0.58225 0.0050651 0.13592 -0.064659
6 0.7837 0.58397 0.0049025 0.1319 -0.064607
7 0.64296 0.54733 0.39539 0.11933 -0.046691
Petropolis 7 0.64307 0.54748 0.39529 0.11934 -0.04668
7 0.6447 0.54663 0.39634 0.1218 -0.046865
8 0.65544 0.37962 -0.79634 0.10442 0.045842
Qualitá 8 0.59308 0.42845 -0.80394 0.018172 0.054322
8 0.65889 0.3826 -0.78604 0.11257 0.045464
9 0.65074 0.96562 0.082122 0.0094113 0.0056419
Canção Nova 9 0.38319 0.98574 0.020109 -0.17062 0.12271
9 0.36912 10.296 -0.015146 -0.18998 0.13485
10 0.81027 0.83977 0.21473 0.24949 -0.054679
Pouso Alto (gás) 10 0.83472 0.83281 0.22573 0.28108 -0.059156
10 0.80538 0.8403 0.21315 0.24492 -0.058634
11 0.56582 0.24132 0.51156 0.20757 0.024635
Fastio 11 0.56312 0.25221 0.51868 0.21065 0.028946
11 0.56441 0.24233 0.51091 0.20948 0.02726
12 0.27201 0.28025 0.48564 0.22298 0.28528
Luso 12 0.26471 0.27056 0.4972 0.21683 0.28452
12 0.26164 0.25912 0.49753 0.22322 0.28965
13 0.3244 -23.377 -12.594 0.25268 0.079012
Evian 13 0.35041 -23.314 -13.254 0.26558 0.081824
13 0.33895 -24.758 -14.308 0.26974 0.088799
14 0.058735 -0.49214 10.697 0.047732 -0.14293
Acqua Panna 14 0.076895 -0.47401 10.582 0.045094 -0.1535
14 0.058808 -0.52001 10.875 0.027835 -0.16435
15 -60.864 0.60267 -0.5202 0.18224 0.10204
S.Pellegrino 15 -58.152 0.4472 -0.33941 0.5556 0.035589
15 -6.62 0.78331 -0.76024 -0.11496 -0.20214
16 -10.083 -23.419 22.542 -0.34247 0.021826
Perrier 16 -10.149 -23.551 22.626 -0.34612 0.021658
16 -0.99829 -22.985 22.262 -0.32068 0.035879
113

Acp Proposta Da Aplicação Da Análise Por Componentes Principais

Enviado por

Direitos autorais:

Formatos disponíveis

Acp Proposta Da Aplicação Da Análise Por Componentes Principais

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Acp Proposta Da Aplicação Da Análise Por Componentes Principais

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE FEDERAL DO RIO DE JANEIRO (UFRJ)

INSTITUTO DE QUÍMICA (IQ)

PROPOSTA DA APLICAÇÃO DA ANÁLISE POR COMPONENTES PRINCIPAIS

Aluna: Laryssa dos Santos

PROPOSTA DA APLICAÇÃO DA ANÁLISE POR COMPONENTES PRINCIPAIS

Trabalho de conclusão de curso

Orientadores: M Sc. Humberto Brevilato Novaes (Técnico em Química DQA/UFRJ)

ALUNA: Laryssa dos Santos

ORIENTADORES: M Sc. Humberto Brevilato Novaes (Técnico em Química

DATA DA DEFESA: 03/03/2020

PALAVRAS-CHAVE: Análise por Componente Principais, Graduação em Química

No final do século passado, o avanço computacional e da instrumentação

Autorizamos a divulgação no Repositório Institucional da UFRJ-Pantheon.

At the end of the last century, computational advancement and scientific

𝑦̂𝑖 Previsão da reta

3.3.2. Teste de Cochran .......................................................................................... 30

3.3.3. Regressão linear ............................................................................................ 31

3.3.4. Gráfico de resíduos ...................................................................................... 32

3.3.5. Análise de variância (ANOVA) ................................................................... 33

3.4. Validação parcial do método ......................................................................................... 36

3.4.2. Limites de detecção (LD) e limites de quantificação (LQ) .................. 38

3.4.4. Recuperação analítica .................................................................................. 40

3.5. Quimiometria e suas ferramentas................................................................................ 41

3.6. Plataforma .......................................................................................................................... 52

4.2.2. Procedimento analítico das análises das águas minerais ................. 55

4.3. Seleção da técnica analítica e condições operacionais da cromatografia de

4.5.4. Recuperação analítica .................................................................................. 60

4.6. Seleção da ferramenta quimiométrica ........................................................................ 60

5.2.2. Limites de detecção (LD) e quantificação (LQ) ..................................... 74

5.2.4. Recuperação analítica .................................................................................. 76

5.3. Análise das águas minerais .......................................................................................... 77

No final do século passado, o avanço computacional e da instrumentação

Propor um roteiro de aula o qual permita introduzir os conceitos principais da

3.1. Água mineral

Segundo o Código de Águas Minerais (Decreto-Lei nº 7.841, de 08 de agosto

Ao confrontar algumas características das fontes de água mineral com a

Uma das técnicas instrumentais mais utilizadas para avaliação de íons em

Figura 3.1: Diagrama do processo de troca iônica. Esquerda: troca catiônica.

O processo de troca iônica, representado na Figura 3.1, ocorre na condição

As fases estacionárias, por sua vez, requerem materiais de empacotamento

Na troca de ânions, os grupos funcionais baseados em nitrogênio são

Figura 3.3: Grupos funcionais mais importantes para cromatografia de ânions.

Da mesma maneira que é mostrado na Figura 3.4, o eluente é alimentado

3.3.1. Teste de Grubbs

O teste de Grubbs tem como função, detectar valores discrepantes (outliers)

3.3.2. Teste de Cochran

O método dos mínimos quadrados (Regressão Linear) tem como um dos

A regressão seleciona qual a melhor curva a ser traçada que se ajusta a um

Os parâmetros b0 e b1 podem ser calculados através das Equações 4 e 5:

A reta estimada construída a partir dos dados experimentais, também

𝑅𝑠𝑜𝑚𝑎 = ∑𝑛𝑖=1 𝑒𝑖2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̂𝑖 )2 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑏0 − 𝑏1 𝑥𝑖 )2 (Equação 8)

3.3.4. Gráfico de resíduos

Através da análise de resíduos (RODRIGUES, 2016), é possível avaliar se o

Após estimar os resíduos, é construído um gráfico de valores de x versus

Figura 3.5: Exemplos de gráficos de resíduos. a – distribuição aleatória dos

Na Figura 3.6-a, os resíduos estão dispersos aleatoriamente e com um

3.3.5. Análise de variância (ANOVA)

Segundo Teófilo e Ferreira (2006), a maneira mais confiável de se avaliar a

Assim sendo, a Equação 9 exibe a relação da variabilidade dos valores

𝑆𝑄𝑟𝑒𝑠 = ∑(𝑦𝑖 − 𝑦̂𝑖 )2 (Equação 10)