3

Modelagem da curva de calibrao

A calibrao muitas vezes considerada como uma maneira de estabelecer
a exatido de um sistema de medio, ou seja, o grau de concordncia entre o
resultado de uma medio e um valor verdadeiro convencional do mensurando
(Vocabulrio internacional de termos fundamentais e gerais de metrologia, 2000).
Na realidade, a calibrao um processo que compara valores de dois ou
mais sistemas de medio. O primeiro o sistema de referncia, ou laboratrio, e
o segundo o sistema de medio que est sendo calibrado, por exemplo.
No procedimento de medio qumica a comparao pode ser feita usando
medies obtidas do mesmo Material de Referncia Certificado, MRC. Considera-
se que cada quantidade do MRC utilizada a mesma, pelo menos no que diz
respeito s propriedades do analito, embora se saiba que existem incertezas at
mesmo para duas quantidades de um mesmo material. Quando amostras so
utilizadas para calibrao, a homogeneidade crtica e a contribuio da
variabilidade do MRC deve ser declarada no resultado analtico do laboratrio.
Utiliza-se a regresso estatstica para avaliar o sistema de calibrao e suas
incertezas associadas.
O modelo linear de regresso assume que a varivel aleatria x
conhecida e a varivel dependente y desconhecida. Atravs dos mnimos
quadrados calcula-se as estimativas do coeficiente angular e do intercepto da
curva de regresso resultante. Este modelo utilizado para predizer os valores de
y a partir dos valores de x.
J no procedimento de medio qumica, a calibrao mais complexa,
pois os valores de y so utilizados para predizer os valores de x, sendo assim
denominada regresso inversa.
Os pressupostos na obteno da curva de calibrao so: linearidade do
modelo; erro somente em y; erros aleatrios e com varincia homognea; e erros
com distribuio probabilstica normal.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


28


Neste captulo sero abordadas: a avaliao dos pressupostos na
modelagem da curva de calibrao; o mnimo valor detectvel; o mnimo valor
quantificvel e as incertezas decorrentes da obteno e utilizao da curva de
calibrao, como a primeira parte do processo de validao do mtodo analtico.

3.1
Sinal observado e funo de calibrao
A funo de calibrao definida como a relao funcional do
procedimento de medies qumicas que se refere ao valor esperado do sinal
observado, y, ou varivel resposta, E(y), dada uma certa quantidade de analito x.
O grfico correspondente denominado de curva de calibrao (ou curva
analtica), para dados multivariados, superfcie de calibrao.
A curva de calibrao uma funo montona da resposta, y, determinada
pelos mtodos de estimao, com a pressuposio de que a varincia da resposta
seja constante para diferentes nveis de quantidade.
Para a curva de calibrao linear, o sinal observado ou resposta, y, dado
por:
y = F(x)+ e
y
(3.1)
Com
F(x) = B +Sn (3.2)
Ou
F(x) = B +Ax (3.3)
Onde:
Sn denota o sinal (puro sem rudo);
B, o sinal do branco;
x, quantidade de analito ou concentrao;
A chamado de sensibilidade; e
e
y

o erro aleatrio, que segue uma distribuio normal com mdia zero e desvio-
padro , ou seja, e
y
~ N(0,
2
).

A estimativa do sinal dada por:

B f
S B B

(3.4)

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


29



De modo geral, a equao (3.1) abrangendo dados multivariados ser:
y = F(x)+ e
y
(3.5)

Com y, x e e
y
vetores, e com a funo de calibrao levando em considerao a
relao multidimensional entre as respostas, analitos e interferncias.
A funo estimativa a inversa da funo calibrao, em geral aplicando o
operador inverso G, G(F(x)) = G(E(y)), isto , para G inversa de F, o operador
G(F(x)) retorna a concentrao x. Desta forma, para uma funo de calibrao
simples (reta),
) y ( G x
^
= (3.6)
^
^
^
A
) B y (
x

= (3.7)
Esse processo no simples, devido possibilidade de interferncias e
perdas, no-normalidade do erro aleatrio e
y
e no-linearidade da funo F.
Para o caso geral da equao (3.5), trabalha-se com G(F(x)), sendo G a
inversa generalizada de F. Se G for um operador linear derivado da funo
calibrao, este ser estimado pelos mnimos quadrados.
O clculo da inversa, G, pode ser dificultado por problemas de
multicolinearidade decorrentes da identificao do analito de interesse.
3.2
Faixa de trabalho e linearidade do mtodo
A faixa de trabalho de um mtodo determinada pelo exame de amostras
com diferentes concentraes de analito, e definida como a faixa de
concentrao na qual podem ser alcanadas a exatido
1
e reprodutibilidade
2

aceitveis (INMETRO, 2000).
A regio inferior da faixa de trabalho delimitada pelos mnimos valores
detectveis e quantificveis (abordados na seo 3.3), enquanto a regio superior

1
Exatido do mtodo a proximidade do valor obtido do analito em relao ao valor verdadeiro
convencional.
2
Reprodutibilidade do mtodo o grau de concordncia entre os ensaios mutuamente
independentes, sendo normalmente apresentada em forma de desvio-padro.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


30


tem sua delimitao por vrios efeitos, entre os quais o sistema de resposta do
instrumento.
A faixa de trabalho determinada por regresso, utilizando-se o mtodo
dos mnimos quadrados; a quantidade ou concentrao do analito pertencente a
esta faixa deve ter uma relao linear com a resposta ou sinal. Sendo necessrias
dez amostras independentes para pelo menos seis concentraes do material de
referncia (EURACHEM, 2000), para a determinao da faixa de trabalho.
A linearidade da curva de calibrao, determinada pelo ensaio de
amostras que possuem concentraes de analito dentro da faixa de trabalho
pretendida.
A curva de calibrao muitas vezes dada apenas pela faixa linear da
curva que relaciona a resposta ou sinal com a quantidade ou concentrao do
analito. Se a curva de calibrao no linear, o valor da sensibilidade varia com a
concentrao do analito, enquanto que, trabalhando na faixa linear, o valor da
sensibilidade fica constante em toda essa faixa. Isso possui vrias vantagens, em
particular no caso de aparelhos analgicos que convertem internamente e de
maneira automtica o sinal em quantidade ou concentrao e trabalham com uma
funo linear, no admitindo outra forma de funo. Por essas razes, muitas
vezes na prtica, trabalha-se apenas na faixa linear.
Avalia-se a linearidade da curva de calibrao pelo teste de ajustamento,
que consiste em decompor a varincia total em trs componentes devida
regresso, ao modelo e aos resduos (Neto, 2001; Seber 1977).
Considera-se que, em cada concentrao j, o modelo gera n resduos, um
para cada medio; assim, para b concentraes, tm-se as seguintes somas de
quadrados residuais:
Soma de quadrados dos resduos (SQ
R
) na concentrao j:

=
=
n
1 k
2
. j jk j R
) y y ( ) SQ (
Soma de quadrados residuais:

= = =
= =
b
1 j
n
1 k
2
. j jk
b
1 j
j R R
) y y ( ) SQ ( SQ


P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


31


Cada resduo individual pode ser decomposto algebricamente na diferena
de dois termos:
) y y ( ) y y ( ) y y (
. j . j . j jk . j jk
= (3.8)
onde
. j
y a mdia das respostas observadas na concentrao j.
Pode-se demonstrar que o somatrio dos termos cruzados se anula quando
se eleva a equao (3.8) ao quadrado, obtendo-se:

= = = = = =
+ =
b
1 j
n
1 k
2
. j . j
b
1 j
n
1 k
2
. j jk
b
1 j
n
1 k
2
. j jk
) y y ( ) y y ( ) y y ( (3.9)
O primeiro somatrio do lado direito reflete apenas a disperso do sinal
(resposta), y
jk,
em torno de suas mdia,
. j
y , oferecendo uma medida do erro
aleatrio, e sendo, portanto, denominado de Soma de Quadrados devido ao Erro
Puro, SQ
EP
.
O segundo somatrio decorre do modelo e sua magnitude depende do
afastamento da estimativa da concentrao,
. j
y , da respectiva mdia,
. j
y .
Esse termo fornece uma medida da falta de ajuste do modelo s respostas
observadas, sendo chamado por isso de Soma de Quadrados devido Falta de
Ajuste - SQ
Faj
.

Assim, com a decomposio da soma de quadrados obtm-se a Tabela de
anlise de varincia, indicada na Tabela 3.1.

Tabela 3.1. Anlise de varincia para o ajuste, pelo mtodo dos mnimos
quadrados, de um modelo linear nos parmetros (n = nmero de medies, b
= nmero de concentraes e p = nmero de parmetros do modelo).

Fonte
De
Variao
Graus
De liberdade

SQ

QM

F
Regresso p-1 SQ
Reg
SQ
Reg
/(p-1) QM
Reg
/QM
r

Resduo nb-p SQ
r
SQ
r
/(nb-p)
Falta de Ajuste b-p SQ
Faj
SQ
Faj
/(b-p) QM
Faj
/QM
EP

Erro Puro nb - b SQ
EP
SQ
EP
/(nb-b)
Total nb -1 SQ
Total

% variao explicada: SQ
Reg
/SQ
Total
% mxima de variao explicvel : (SQ
Total
SQ
EP
)/SQ
Total




P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


32


3.3
Mnimo valor detectvel e mnimo valor quantificvel

As caractersticas de desempenho do procedimento de medies qumicas
so aquelas que servem para medir as capacidades de deteco e de quantificao.
As medidas de capacidade de deteco e quantificao so particularmente
teis quando as mensuraes do analito ou de seus nveis so baixas, como por
exemplo, em anlise de elementos trao.
Para o propsito de validao de mtodos analticos suficiente indicar em
que concentrao do analito a deteco problemtica. Assume-se que o branco
acrescido de trs desvios-padro das medies uma aproximao suficiente e
usual desse limiar, pois em muitos casos o branco difcil de ser obtido, de modo
que seu desvio-padro, na prtica, diferente de zero (EURACHEM,1998).
Para uma anlise mais rigorosa, as equaes (3.1) a (3.7) fornecem a base
dos conceitos de mnimo valor detectvel (resoluo do instrumento, VIM, 2000)
e mnimo valor quantificvel (tanto para o sinal como para a concentrao) em
anlise qumica.
O mnimo valor detectvel (resoluo) ou limite de deteco, baseado na
teoria de teste estatstico de hiptese com as probabilidades de falso positiva, , e
falso negativa, .
O mnimo valor quantificvel (limite de quantificao) expresso em
termos de desvio-padro relativo, denotado por DPR
Q
,

e pode ser definido como a
mais baixa concentrao do analito determinada, com nvel de exatido e
repetitividade aceitveis.
importante enfatizar que esses parmetros so caractersticas de
desempenho do processo de medio qumica associados ao valor verdadeiro
convencional da espcie de interesse, j que representam nveis cuja quantificao
impossvel, sendo, portanto uma aproximao da incerteza na vizinhana do
mnimo valor detectvel (Currie, 1999; EURACHEM, 2000).

Assim, o valor crtico, L
C,
o menor valor tal que:
( ) = > 0 L L L

Pr
C
(3.10)

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


33


O mnimo valor detectvel, L
D
, (limite de deteco) referente
concentrao, x
D
ou sinal, y
D
, o menor valor tal que:
( ) = =
D C
L L L L

Pr (3.11)
O mnimo valor quantificvel, L
Q
, (limite de quantificao) o menor
valor cujo DPR
Q
(desvio-padro relativo, definido como
Q
/V
Q
, sendo

V
Q

referente concentrao, x
D
ou ao sinal, y
D
) igual ao mximo tolerado.
De acordo com a ISO e a IUPAC, os valores convencionalmente para e
so de 5% e o valor de 10% para DPR
Q
(Currie,1999).
Assim,
DPR
Q
=
Q
/ L
Q
= 0,1 (3.12)
como k
Q
= 1/ DPR
Q
e pela expresso (3.12) k
Q
=10; logo,
L
Q
= 10
Q
(3.13)
Se L

normalmente distribuda com varincia conhecida

0
=
D
, ento:
L
C
= z
1-

D
(3.14)
L
D
= L
C
+ z
1-

D
(3.15)
Onde z
1-
e

z
1-


representam

valores crticos

da distribuio normal padro e

D
o desvio-padro da quantidade estimada (sinal ou concentrao), sob a
hiptese nula (ausncia do analito).
Como a varincia constante entre L = 0 e L = L
D
, ento (3.15) se reduz a:
L
D
= (z
1-
+ z
1-
)
D
(3.16)

Considerando = = 5%, pode-se observar na Figura 3.1






Figura 3.1. Relao entre o valor crtico e o mnimo valor detectvel
L
D
= 2z
1-

D
(3.17)
Ou seja:
L
D
= 3,29
D
(3.18)
2L
C
Sinal 0 L
C
L
D
fdp
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


34


Se a funo de calibrao F(x) for montona, com as incertezas de seus
parmetros desprezveis, o mnimo valor detectvel referente concentrao, x
D
,


pode ser calculado a partir de F
-1
(y
D
), onde y
D
mnimo valor detectvel referente
ao sinal, com
y
D
= B+Sn
D
(3.19)
e Sn
D
o sinal de deteco.
Para F(x) linear (3.2), F(x) = B+Ax, x
D
obtido como:
A
Sn
x
D
D
=
(3.20)
A
B y
x
D
D

=
(3.21)
Pressupondo normalidade e homogeneidade de varincia, segue que:
A
Sn 2
x
C
D
= (3.22)
com Sn
C
o sinal crtico.
Se = 5% e = 5%, tem-se que
A
29 , 3
x
D
D

= (3.23)
Nas mesmas condies anteriormente mencionadas, o mnimo valor
quantificvel referente concentrao, x
Q
,

pode ser obtido por:
A
10
x
D
Q

= (3.24)

3.4
Avaliao da curva de calibrao
A curva de calibrao representa a relao entre a concentrao do analito
ou valor apropriado e o sinal. Como visto em 3.2, ela est sendo definida neste
trabalho na faixa em que essa relao linear. Os clculos da regresso podem ser
complementados pela inspeo visual e testes de ajustamentos, os quais sero
apresentados nas etapas que fazem parte do diagrama da Figura 3.2.
Quando vrias sries so utilizadas para a obteno da curva de calibrao,
deve-se conduzir a anlise da resposta como funo das concentraes e fazer
uma anlise de regresso para cada srie individualmente. (Hubert et al., 1999).
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


35


A anlise e composio de duas sries de dados sero abordadas
posteriormente (atravs de um exemplo), a fim de analisar a resposta a partir de
duas sries de dados.
A seguir apresenta-se um procedimento em seis etapas para avaliao da
curva de calibrao, sintetizado no diagrama da Figura 3.2.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


36
































Figura 3.2. Determinao da funo resposta (Adaptado de Hubert et al.,
1999).
Etapas
A
1
A
2
A
3
A
4
A
5
A
6
Outro tipo de modelo de regresso
Transformao matemtica
Remoo
dos dados
ou mudana do
mtodo analtico
Outro tipo de modelo de regresso
Anlise do grfico:
Ajuste linear?
Resposta y
ijk
Grfico das sries como funo das
concentraes
Modelo de regresso e determinao
dos resduos das sries.
Diagrama de resduos:
Dados aberrantes?
Diagrama de resduos:
Ajuste linear?
Composio da resposta a partir das sries
da
Heterocedasticidade?
Ajuste Linear?
Ponderao ou transformao
matemtica
Adequao da faixa de trabalho
Modelo linear resultante
LD e LQ
Curva de calibrao
Transformao matemtica
Outro tipo de modelo de regresso
Sim
No
Ou Sim
No
No
Ou
Sim
No
Sim
Ou
No
Sim
Teste
dados
discrepantes
Limites de deteco e quantificao
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


37


3.4.1
Etapa A
1
- Grfico da resposta como funo das concentraes
Faz-se um grfico de resposta por concentrao para visualizar desvios de
linearidade, mostrando a necessidade de transformaes matemticas de modo a
se obter funes montonas e lineares, ou at mesmo, de realizar outro tipo de
regresso (polinomial, quadrtica, etc.).
Outra maneira, mais formal, de avaliar a linearidade da curva de
calibrao atravs do teste de ajustamento que consiste em decompor a
varincia total do modelo de regresso em trs componentes, como discutido no
Captulo 5 deste trabalho.

3.4.2
Etapa A
2
- Modelo de regresso e determinao dos resduos
Se o ajuste linear no for satisfatrio, utiliza-se o modelo de regresso
usual para obteno dos valores previstos, e, conseqentemente, dos resduos, pela
diferena entre os valores previstos e observados.
Dando prosseguimento anlise da resposta como funo da concentrao,
testam-se a normalidade dos resduos, a existncia de dados discrepantes e a
homogeneidade de varincia.

3.4.2.1
Teste de normalidade dos resduos
Como as anlises nas etapas seguintes envolvem testes de hipteses e
construo de intervalos de confiana, desvios da normalidade afetam o nvel de
significncia e, conseqentemente, o poder do teste.
Aps o ajuste do modelo, obtem-se um conjunto de resduos, cujo
comportamento em relao normalidade deseja-se verificar.
Uma investigao grosseira a construo de intervalos de [-s, s] e
[-2s, 2s] que devem conter respectivamente cerca de 68% e 95% dos resduos.
Uma avaliao da normalidade pode ser feita atravs do histograma dos
resduos. Se a pressuposio de normalidade satisfeita, o grfico dever se
parecer com o grfico de uma amostra de distribuio normal centrada na origem.
Entretanto, em pequenas amostras, flutuaes considerveis ocorrem com
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


38


freqncia, por isso o aparente afastamento da normalidade no implica
necessariamente em uma violao sria desse pressuposto.
Outro procedimento para o teste de normalidade dos resduos consiste na
construo do diagrama de probabilidade normal, que um grfico das
distribuies acumuladas (Montgomery,1996).
Para construir o diagrama, os resduos so postos em ordem crescente e
relacionados com as respectivas probabilidades acumuladas P
k
, obtidas pela
expresso (3.25).
nb
)
2
1
k (
P
k

= k=1,2,...,nb (3.25)
No grfico em questo, os resduos so relacionados com o valor da
distribuio padro acumulada inversa. Assim:
) P ( P x
k
1
k k

(3.26)
e
) P ( z
k
1
k

= (3.27)
Com ~N(0,1) acumulada.
Os pares (x
k
, z
k
) so relacionados no grfico e se x
k
tem distribuio
normal, os pares formam uma linha aproximadamente reta (salvo flutuaes
aleatrias).
Um dos testes empregados para verificao de normalidade, tambm
utilizando freqncias acumuladas o teste do Anderson-Darling. uma
modificao do teste de Kolmogorov-Smirnov (K-s) (Shapiro, 1990) sendo um
teste mais sensvel. As hipteses so:
H
0
: Os dados seguem uma distribuio normal.
H
1
: Os dados no seguem a distribuio normal
A estatstica de teste definida como:
|
.
|

\
|
+ + =
2
2 * 2
n
25 , 2
n
75 , 0
1 A A (3.28)

onde
n
n
)] Z 1 ln( ) Z )[ln( 1 k 2 (
A
n
1 k
k 1 n k
2

+
=

=
+
(3.29)
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


39



com Z
k
sendo a funo de distribuio acumulada da distribuio normal padro.
Os valores crticos para o teste do Anderson-Darling so dependentes da
distribuio que est sendo testada: normal, lognormal, exponencial, Weibull,
logstica. A hiptese nula rejeitada se A
2*

for maior do que o valor crtico.

A Tabela 3.2 fornece os valores crticos A
2*

para distribuio normal, ao

nvel de significncia de .

Tabela 3.2. Os valores crticos A
2*

para distribuio normal.

% 25 20 15 10 5 2,5 1 0,6
A
2*

0,472 0,509 0,561 0,631 0,752 0,873 1,035 1,159

3.4.2.2
Dados discrepantes (outliers)
freqente, em anlise qumica, aparecerem dados de medio cujo
comportamento bastante diferente dos demais; a estes dados de comportamento
diferente d-se o nome de dados discrepantes (outliers). A existncia desses
dados pode provocar srios problemas no resultado da anlise, no ajuste do
modelo e na estimao dos parmetros. Por isso, importante a avaliao desse
tipo de dado, envolvendo trs etapas bem definidas:
i) identificao de possveis dados discrepantes;
ii) avaliao dos efeitos sobre os estimadores e previses;
iii) anlise criteriosa para eliminao ou no dos mesmos.
Existem vrios procedimentos para detectar dados discrepantes, que se
baseiam no exame dos resduos padronizados:
r
jk
jk
QM
e
d = (3.30)
Onde:
e
jk
o k-simo resduo da j-sima concentrao
QM
r
o quadrado mdio do resduo
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


40


Se os resduos seguem aproximadamente uma distribuio normal, ento,
ao serem padronizados, devem se aproximar de uma distribuio normal com
mdia zero e varincia um, d
jk
~N(0,1). Dessa forma, aproximadamente 68% dos
resduos padronizados pertencem ao intervalo de 1, 95% pertencem ao intervalo
de 2 e 99,73% ao intervalo de 3. Assim, resduos maiores em mdulo que 3 ou
4 desvios-padro so considerados dados discrepantes em potencial.
O teste utilizado nesse trabalho, baseado nos resduos padronizados, o
teste de Grubbs. Este teste um teste unilateral, no qual os dados so dispostos
em ordem crescente, de modo a visualizar a discrepncia de alguns dados quando
comparadas com os demais. As estatsticas de teste so:
S
y y
G
min
1

= (3.31)
S
y y
G
max
2

= (3.32)
Onde:
y
min
e y
max
suspeitos de serem dados discrepantes,
y a mdia das observaes amostrais;
S o desvio-padro amostral;
As estatsticas G
1
ou G
2
so comparadas com os valores crticos tabelados
segundo o nvel de significncia e o tamanho da amostra.

3.4.2.3
Heterogeneidade da varincia
A avaliao da heterogeneidade da varincia pode ser feita pela anlise do
grfico dos resduos ou com um teste de hiptese formal.
Existem vrios testes para este propsito. O mais utilizado o teste de
Bartlett. O procedimento envolve uma amostra de distribuio
2
, com b-1 graus
de liberdade, quando as amostras aleatrias so oriundas de populaes normais e
independentes.

As hipteses so:
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


41

= = =
m l , : H
... : H
2
m
2
l 1
2
b
2
2
2
1 0


Com a estatstica de teste:
c
q
3026 , 2
2
Calculado
= (3.33)
com
2
j 10
b
1 j
j
2
c 10
S log ) 1 n ( S log ) b nb ( q =

=

|
|
.
|

\
|

+ =

=

b
1 ij
1 1
j
) b nb ( ) 1 n (
) 1 b ( 3
1
1 c e
b nb
S ) 1 n (
S
b
1 j
2
j j
2
c

=

=


Se
2
Calculad

<
2
Crtico

= ) b %( 5
2

no se pode rejeitar H
0
, ou seja, as varincias
podem ser consideradas iguais
Vrios estudos provam que o teste de Bartlett muito sensvel
pressuposio de normalidade e por isso no deve ser aplicado quando essa
pressuposio duvidosa (Montgomery,1996).
Uma alternativa ao teste de Bartlett o teste de Cochran, que indicado
pela ISO 5727 para comparar desempenhos interlaboratoriais. um teste
unilateral e pressupe que as varincias tenham sido obtidas de um mesmo
nmero de amostras. Na comparao de desempenho interlaboratorial, utilizado
quando se deseja verificar se a varincia dos resultados obtidos por um laboratrio
excessiva em relao aos demais laboratrios.
As hipteses so:

>
=
0 ... : H
0 ... : H
2
b
2
Max 1
2
b
2
Max 0

O procedimento o seguinte:

1. Calcula-se a soma de todas as b varincias:

=
b
1 j
2
j
S
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


42


Cada qual com o mesmo nmero de graus de liberdade (= n-1);


2. Obtm-se o coeficiente de Cochran como a razo entre a maior varincia e
a soma das varincias:

=
=
b
1 j
2
j
2
max
Calculado
S
S
C
3. Compara-se o valor C
Calculado
com um par de valores crticos
C
Crtico
= C
% (b;)
: (C
1% (b;),
C
5% (b;)
)
4. Toma-se a deciso:
Se C
Calculado
< C
(5%),
aceita-se

H
0
, a varincia do laboratrio no
excessiva;
Se C
(5%)
<C
Calculado
< C
(1%),
nada se pode concluir;
Se C
Calculado
> C
(1%),
rejeita-se H
0
, ou seja,

a varincia do laboratrio
considerada excessiva.

3.4.2.4
Transformaes que podem estabilizar a varincia
Se existir uma relao entre a mdia e a varincia, esta informao pode
ser utilizada para se fazer uma transformao que estabilize a varincia.
Se E(y)= a mdia de y e supondo que a relao entre o desvio-padro e
a mdia de y seja da forma:

y

a
Com a>0, a transformao dos dados originais de y que torna sua varincia
constante :
y* = y
b
(3.34)
Pode ser mostrado que:

y*

b+a -1
(3.35)
Claramente, se b= 1 - a, a varincia dos dados transformados y*
constante.
As principais transformaes que estabilizam a varincia so apresentadas
na Tabela 3.3 a seguir.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


43





Tabela 3.3. Transformaes que estabilizam a varincia.

Relao entre
y
e =1- Transformao

y
constante 0 1 No existe transformao

y*

1/2
1/2 1/2 Raiz quadrada

y*
1 0 Log

y*

3/2
3/2 -1/2 Raiz quadrada

y*

2
2 -1 Raiz quadrada

3.5
Etapa A
3
- Composio da resposta a partir das sries
As sries analisadas separadamente devem ser compostas em uma nica
srie para os procedimentos das etapas seguintes.

3.6
Etapa A
4
- Heterogeneidade da varincia
A avaliao da heterogeneidade da varincia (heterocedasticidade), pode
ser feita pela anlise (inspeo visual) dos grficos dos resduos, ou com um teste
de hiptese formal como j descrito na etapa A
2
e detalhado

no Exemplo
Numrico 6.2.

3.7
Etapa A
5
- Avaliao da linearidade da curva composta para
estabelecimento da faixa de trabalho
Uma vez composta a srie, a linearidade avaliada, como proposto nos
procedimentos da etapa A
1
.
Nesta etapa estabelecida a faixa de trabalho, com a regio inferior desta
delimitada pelo mnimo valor detectvel ou mnimo valor quantificvel (etapa A
6
)
e a superior pela descontinuidade da curva analtica, que geralmente depende do
sistema de resposta do instrumento.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


44



3.8
Etapa A
6
Modelo linear resultante
Com o modelo resultante se estabelecem o mnimo valor detectvel e o
mnimo valor quantificvel, conforme detalhado na Seo 3.2 deste trabalho.
Para perfeita compreenso, os procedimentos aqui descritos so ilustrados
no Captulo 6 com exemplos.

3.9
Incerteza da curva de calibrao
O intervalo de confiana calculado para a reta de regresso, utilizando a
distribuio t de Student, ao nvel de confiana e nb-2 graus de liberdade,
usualmente entendido como a incerteza da funo calibrao. A incerteza para
qualquer ponto dentro da faixa de trabalho estudada para valores individuais pode
ser expressa como:
u(y
i
)= t
/2 (nb-2)
S
Y
(3.36)
Portanto, o intervalo de confiana para y
i
, dado por:
y
i
[ y
i
t
(/2, nb-2)
S
Y
]

(3.37)
Com
( )
2
o
2
A
2
B Y
.. x x S S
nb
QME
S + + = (3.38)
e
2
x
2
2
A
S
S

=
(3.39)
2
2
x
b
1 j
n
1 k
2
jk
2
B
nbS
x
S =

= =

(3.40)
2
b
1 j
n
1 k
jk
2
x
..) x x ( S =

= =

(3.41)
Para cada valor de y
i
existe um intervalo cujos limites so estabelecidos
por duas curvas hiperblicas, definindo o limite superior e o limite inferior da
curva mdia da regresso.
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


45


Na prtica, quando se usa o mtodo analtico o interesse de obter a
incerteza de x
i
, que corresponde aos valores dos limites do intervalo de confiana
de y
i
, com um dado nvel de confiabilidade, o qual pode ser obtido pela
expresso:
(
(

A
S t
A
B y
x
Y ) 2 nb ; 2 / (
i
i
(3.42)
No entanto, a incerteza da curva de calibrao um problema de anlise
bivariada, pois no depende apenas das distribuies marginais do intercepto e do
coeficiente angular.
possvel observar na Figura 3.3, que ao se considerar o intervalo de
confiana para os parmetros da curva de calibrao, o ponto q pertence ao
intervalo de confiana conjunto (representado pela elipse), mas no ao intervalo
de confiana para B. J o ponto p, no pertence ao intervalo conjunto, mas aos
dois intervalos marginais.




P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


46


Figura 3.3. Incerteza dos parmetros da curva de calibrao (Adaptado de
ASQ, 2001)
Para esta questo, no trivial, determina-se um intervalo conjunto para
uma famlia de estimativas, uma famlia de confiana dos coeficientes com a
verossimilhana que indique que todos os parmetros estimados estejam corretos
em repetidas amostragens. Isto envolve alguns ajustes nos intervalos de confiana
convencionais.
Consideram-se os seguintes eventos:
E
1
= {a probabilidade do primeiro intervalo de confiana de no conter B};
E
2
= {a probabilidade do segundo intervalo de confiana no conter A}.

Assim:
= ) E ( P
1
e = ) E ( P
2
(3.43)

Sabe-se que:
) E E ( P ) E ( P ) E ( P ) E E ( P
2 1 2 1 2 1
+ = (3.44)

Em termos de probabilidades complementares:
)] E E ( P ) E ( P ) E ( P [ 1 ) E E ( P
2 1 2 1 2 1
+ = (3.45)
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


47


Como 0 ) E E ( P
2 1
, pode-se encontrar a desigualdade de Bonferroni
pela desigualdade:
) E ( P ) E ( P 1 ) E E ( P
2 1 2 1
(3.46)

Finalmente, se expressa a desigualdade de Bonferroni para o intervalo de
confiana como:
= 2 1 1 ) E E ( P
2 1
(3.47)
Desta forma, pode-se construir o intervalo de confiana conjunto, de
1 - , para B e A. Se a amostra utilizada para medio foi obtida da mesma
populao (mesma quantidade, mesmos nveis para x), B e A devem pertencer ao
intervalo conjunto denominado de elipse de confiana ao nvel de confiana
1 - .
O intervalo de confiana conjunto para as estimativas B e A dado por:
B f
S B B

(3.48)

A f
S B A

(3.49)
) 2 n ;
4
1 (
f
t B

= (3.50)
A desigualdade de Bonferroni utilizada no desenvolvimento do teste de
hiptese simultneo:

=
(

*
*
1
*
*
0
A
B
A
B
: H
A
B
A
B
: H


A estatstica teste, F, modificada obtida pela seguinte expresso:
QME 2
) A A )( x ( ) A A )( B B )( x ( 2 ) B B ( nb
F
b
1 j
n
1 k
b
1 j
n
1 k
2 * 2
jk
* *
jk
2 *
Calculado

= = = =
+ +
=
(3.51)
Com F
Crtico
= F
1- (2; nb-2)
. Se F
Calculado
> F
Crtico
, rejeita-se H
0
.

P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B


48


A incerteza da curva de calibrao calculada baseada no intervalo de
confiana de Working-Hotelling. Nota-se que a estatstica teste F permite 2 e nb-2
graus de liberdade de modo que pode ser utilizada para toda a faixa de trabalho da
curva de calibrao de x, e no apenas de x
0
.
Hunter apud ASQ (2001), menciona que o intervalo t vlido apenas para
predizer a resposta mdia de x
0
, enquanto o intervalo de Working-Hotelling que
emprega F de Sndecor vlido para toda faixa de trabalho.

u(y
iH
)= W

S
YH
(3.52)
Onde:
W
2
=2F
1- (2; nb-2)
(3.53)

Com intervalo de confiana para y
iH
, dado por:

y
iH
[ y
iH
W S
YH
]

(3.54)

Sendo:
(

+ =
2
x
2
H
YH
S
..) x x (
nb
1
QMr S (3.55)


O intervalo obtido do intervalo de confiana de Working-Hotelling,
associado incerteza dos valores obtidos nos eixos das abcissas, pode ser obtido
pela expresso:

(
(

A
S F 2
A
B y
x
YH ) 2 nb ; 2 ( 1
i
iH
(3.56)
P
U
C
-
R
i
o

-

C
e
r
t
i
f
i
c
a

o

D
i
g
i
t
a
l

N

0
1
1
6
4
6
0
/
C
B