Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
6, 1004-1011, 2004
^
X A
= TAPAT + E (1)
^
yA = TAqA + f (2)
SINAL ANALÍTICO LÍQUIDO E o modelo de regressão pode, então, ser representado por:
Exatidão Linearidade
Expressa o grau de concordância entre o valor estimado ou me- Em modelos de calibração multivariada uma medida quantitati-
dido e o valor tido como verdadeiro ou de referência16. Comumente va da linearidade não corresponde a uma tarefa simples, ou mesmo
em aplicações com Calibração Multivariada a exatidão é estimada possível. Qualitativamente, gráficos de resíduos e dos escores contra
através da raiz quadrada do erro médio quadrático de previsão a concentração, os quais devem ter comportamento aleatório e line-
(RMSEP – “Root Mean Squares Error of Prediction”): ar, respectivamente, podem indicar se os dados seguem ou não o
comportamento linear.
n
∑ (y − ŷ i )
2
i
RMSEP = i =1
(12) Sensibilidade
n
É definida como fração de sinal responsável pelo acréscimo de
onde n é o número de amostras de validação. uma unidade de concentração da propriedade de interesse. Para mo-
Segundo o protocolo emitido pela ICH15, a exatidão deve ser delos de calibração multivariada, como PLS, pode ser determinada
determinada usando um mínimo de 9 determinações em no mínimo como9,11
três níveis de concentração que cubram a faixa de aplicabilidade do
modelo. No presente trabalho ela foi determinada com base nas 39 1
amostras utilizadas como conjunto de validação. SÊN = (14)
b
∑ ∑ (ŷ )
n m 2
ij − ŷ i Intervalo de confiança
i =1 j =1
precisão = (13)
n(m − 1) O intervalo de confiança para o valor estimado de y para uma
amostra i pode ser definido como o intervalo no qual se pode afir-
onde m é o número de replicatas feitas, n o número de amostras, mar, com certo grau de confiança, ou probabilidade, que inclui o
y^– i é a média dos valores previstos de cada replicata y^ i,j. valor verdadeiro da propriedade de interesse3. É importante que os
limites de confiança estimados sejam consistentes e cubram o inter-
Ajuste do modelo valo esperado para aquele nível de probabilidade, isto é, para o nível
de 95% de confiança, 95 em 100 amostras devem ter o valor verda-
O grau de ajuste do modelo pode ser estimado a partir da corre- deiro da propriedade dentro do intervalo de confiança calculado. Sua
lação entre os valores de referência e os valores estimados da pro- utilidade não se restringe apenas à determinação da incerteza do va-
priedade de interesse pelo modelo para as amostras de calibração. lor estimado para a propriedade de interesse. Se existir um modelo
Isso é feito determinando-se, por mínimos quadrados, a reta que de calibração que apresenta erros de previsão que possam ser bem
melhor se ajusta aos valores de referência e os estimados pelo mode- representados por um modelo de distribuição de probabilidade, como
lo18,19. Uma vez que o escalar “nas” é determinado, o ajuste do mo- por exemplo normal ou t-student, esses intervalos podem ser utiliza-
delo também pode ser determinado através da melhor reta que se dos como um método na identificação de amostras anômalas.
ajusta ao gráfico do “nas” contra a concentração, para as amostras de O cálculo desses intervalos depende de uma estimativa razoável
calibração. da variância dos erros de previsão (V(EP)) para amostras desconhe-
cidas. De acordo com a norma E1655-00 da ASTM17, a variância
Vol. 27, No. 6 Validação de Modelos de Calibração Multivariada 1007
dos erros de previsão para amostras desconhecidas, em modelos de ortogonal à propriedade de interesse. Dessa forma, a seletividade
calibração multivariada, pode ser calculada por: calculada a partir da Equação 23 não se refere ao sentido geralmente
empregado para o termo em química analítica, com modelos
V(EPi) = (1 + hi)MSEC (18) univariados, e sim a uma forma de estimar quanto do sinal é perdido
por ortogonalidade.
onde ncal é o número de amostras de calibração, hi o “leverage” de
uma amostra desconhecida, definido como: Razão sinal ruído
MSEC = ∑
ncal
(y i − ŷ i )2 (20)
Teste para erro sistemático (“bias”)
i=1 ν
Segundo a IUPAC, “bias” é definido como a diferença entre a
onde ν é o número de graus de liberdade. média populacional e o seu valor verdadeiro. Erros sistemáticos são
Essa aproximação de V(EP) leva em consideração que as todas as componentes de erros que não são randômicas, logo, eles
variâncias das respostas instrumentais no conjunto de calibração e correspondem à parcela fixa do “bias” em uma medida química14. A
para amostras de previsão são iguais e que a variância dos erros de- existência desse tipo de erro afeta a precisão, a exatidão e a determi-
vido ao método de referência é insignificante. Estudos feitos por nação dos intervalos de confiança. A norma E1655-00 da ASTM17
Faber et al.21 mostram que a primeira suposição é consistente com a sugere um teste-t para avaliar se o “bias” incluso no modelo é
maior parte das aplicações práticas, contudo em ocasiões em que a significante. O “bias” médio pode ser calculado como:
variância do método de referência for significativa, esta deve ser n
Figura 2. Espectros NIR de reflectância difusa para as replicatas do conjunto Para construção do modelo, foram usadas 38 amostras na etapa
de calibração de calibração e 39 para validação. As demais amostras foram apon-
Vol. 27, No. 6 Validação de Modelos de Calibração Multivariada 1009
modelo PLS, seu cálculo e aplicação. Os resultados das figuras de 5. Chui, Q. S. H.; Zucchini, R. R.; Lichtig, J.; Quim. Nova 2001, 24, 374.
mérito determinadas para o modelo PLS discutido demonstram que 6. Barros Neto, B.; Scarminio, I. S.; Bruns, R. E.; Como Fazer Experimentos:
Pesquisa e desenvolvimento na ciência e na industria, 2ª ed., Ed. da
modelos de calibração multivariada podem ser validados, de forma a UNICAMP: Campinas, 2001.
atender às exigências impostas por órgãos de fiscalização e padroni- 7. Brereton, R. G.; Analyst 2000, 125, 2125.
zação. O resultados dos parâmetros estimados foram consistentes e 8. Jong, S.; Chemom. Intell. Lab. Syst. 1993, 18, 251.
de boa concordância com os resultados do modelo e valores teorica- 9. Lorber, A.; Faber, K.; Kowalski, B. R.; Anal. Chem. 1997, 69, 1620.
10. Faber, N. M.; Anal. Chem. 1998, 70, 5108.
mente esperados. O mesmo pode ser utilizado para a validação de
11. Ferré, J.; Brown, S. D.; Rius, F. X.; J. Chemom. 2000, 15, 537.
modelos PCR, salvo que o número de graus de liberdade utilizados 12. Goicoechea, H. C.; Olivier; A. C.; Chemom. Intell. Lab. Syst. 2001, 56,
no cálculo do MSEC não é determinado pela Equação 21. Para o 73.
PCR o número de graus de liberdade é estimado de forma usual, 13. Faber, N. M.; J. Chemom. 1998, 12, 405.
como o número de amostras menos o número de componentes prin- 14. Curie, L. A.; Anal. Chim. Acta. 1999, 391, 105.
15. International Conference on Harmonization, ICH Harmonised Tripartite
cipais utilizadas no modelo. Guideline – Validation of Analytical Procedures: Metodology, Fed. Regist.
1997, 62, 27463.
AGRADECIMENTOS 16. International Conference on Harmonization, ICH Harmonised Tripartite
Guideline – Text on Validation of Analytical Procedures, Fed. Regist.1995,
60, 11260.
Os autores agradecem à Cristália Produtos Químicos Farmacêu-
17. ASTM E 1655-00; Standards Practices for Infrared Multivariate
ticos Ltda., na pessoa do pesquisador Dr. J. A. Martins, que forneceu Quantitative Analysis.
o polimorfo III da Carbamazepina. 18. Moffat, A. C.; Trafford, A. D.; Jee, R. D.; Graham, P.; Analyst 2000, 125,
1341.
REFERÊNCIAS 19. Laasonen, M.; Pulkkinen, T. H.; Simard, C.; Rasanen, M.; Vuorela, H.;
Anal. Chem. 2003, 75, 754.
20. De la Pena, A. M.; Mansilla, A. E.; Valenzuela, M. I. A.; Goicoechea, H.
1. Barros Neto, B.; Pimentel, M. F.; Araújo, M. C. U.; Quim. Nova 2002, 25, C.; Olivieri, A. C.; Anal. Chim. Acta 2002, 463, 75.
856. 21. Fernandez, J. A.; Jin, L.; Wahl, F.; Faber, N. M.; Massart, D. L.; Chemom.
2. http://www.analytik-news.de/Presse/2002/178.html, acessada em Agosto Intell. Lab. Sys. 2003, 65, 281.
2003. 22. Voet, H. V. D.; J. Chemom. 1999, 13, 195.
3. Charne, R.; Freire, C. A. De Luna; Charnet, E. M. R.; Bovino, H.; Análise 23. Borka, L.; Lönmo, A.; Winsnes, R.; Pharm. Acta Helv. 1992, 8, 231.
de Modelos de Regressão Linear: com aplicações, Ed. da UNICAMP: 24. Rustichelli, C.; Gamberini, G.; Ferioli, V.; Gamberini, M. C.; Ficarra, R.;
Campinas, 1999. Tommasini, S.; J. Pharm. Biomed. Anal. 2000, 23, 41.
4. Miller, J. N.; Miller, J. C.; Statistics and Chemometrics for Analytical
Chemistry, 4ª ed., Prentice Hall: United Kingdom, 2000.