Embed Size (px)
Citation preview
Alessandra Miranda Cabral
CONSTRUÇÃO DE MODELOS MULTIVARIADOS PARA DETERMINAÇÃO DE
LIPÍDIOS TOTAIS E UMIDADE EM LEITE EM PÓ COMERCIAL UTILIZANDO
ESPECTROSCOPIA NO INFRAVERMELHO PRÓXIMO
Dissertação de Mestrado submetido ao Programa de Pós-
Graduação em Química da UFRN, como pré-requisito a
obtenção do Grau de Mestre em Química
Orientador (a): Profa Drª Maria de Fátima Vitória de Moura
NATAL / RN
2011
Divisão de Serviços Técnicos
Catalogação da Publicação na Fonte. UFRN / Biblioteca Setorial de Química
Cabral, Alessandra Miranda.
Construção de modelos multivariados para determinação de lipídios totais e unidade
em leite em pó comercial utilizando espectroscopia no infravermelho próximo / Alessandra
Miranda Cabral. Natal, RN, 2011
104 f.
Orientador: Maria de Fátima Vitória de Moura.
.
Dissertação (Mestrado em Química) - Universidade Federal do Rio Grande do Norte.
Centro de Ciências Exatas e da Terra. Programa de Pós-Graduação em Química.
1. Leite em pó – Dissertação. 2. Infravermelho próximo (NRI) – Dissertação. 3.
Calibração Multivariada – Dissertação. I. Moura, Maria de Fátima Vitória de. II.
Universidade Federal do Rio Grande do Norte. III. Título.
RN/UFRN/BSE- Química CDU 637.147
A Deus, por ter me proporcionado sabedoria e vigor para continuar minha caminhada.
A minha mãe e irmão, pelo incentivo, carinho e amor.
AGRADECIMENTOS
Ao Senhor Jesus Cristo que me ensinou o verdadeiro amor a vida, cobriu-me com sua
mão de proteção no esconderijo do altíssimo me guardando, pois ele reservou para todos os
que o adoram uma chuva de bênçãos transbordantes, e fazendo-me crê que sem ele nada do
que se fez seria realidade hoje.
À minha mãe, Fátima Miranda, que me orientou a lutar pela realização dos meus
projetos, sempre me colocando a frente à fé e o trabalho.
Ao meu irmão, Alciney Miranda, agradeço pelas palavras de incentivo, pela
colaboração nas minhas necessidades em todos os momentos, que Jesus o Abençoe!
Aos meus amigos pela compreensão.
À Universidade Federal do Rio Grande do Norte.
À Profa. Dr
a. Maria de Fátima Vitória de Moura pela orientação e compreensão.
A todos os meus professores da graduação e Pós – Graduação.
Ao Instituto de Química da UFRN, seus professores e funcionários.
Ao Programa de Pós-Graduação em Química.
A todos quanto contribuíram direto ou indiretamente para realização desse trabalho.
Aos meus colegas de laboratório: Janaína, Ângela, Denise.
Ao Professor Dr. Henrique Eduardo, pelas sugestões neste trabalho.
A Capes pelo auxílio bibliográfico e fomento dos meus estudos.
O Temor a Deus é o Princípio da Sabedoria
Provérbios de Salomão cap.1. Vers.7
Portanto, não se glorie o sábio na sua sabedoria, nem se glorie o forte na sua força.
Jeremias cap. 9. Vers.23
RESUMO
Neste trabalho foram construídos modelos de calibração para determinar os teores de lipídios
totais e umidade em amostras de leite em pó. Para isso, utilizou-se a espectroscopia no
infravermelho próximo por reflectância difusa, aliado à calibração multivariada. Inicialmente,
os dados espectrais foram submetidos à correção multiplicativa do espalhamento da luz
(MSC) e alisamento de Savitzsky-Golay. Em seguida, as amostras foram divididas em
subgrupos por aplicação da análise por agrupamento hierárquico das classes (HCA) e critério
de Ward Linkage. Desta forma, tornou-se possível construir modelos de regressão por
mínimos quadrados parciais (PLS) que permitiu a calibração e previsão dos teores de lipídios
e umidade, com base nos valores obtidos por métodos de referência de Soxhlet e secagem a
105 ° C, respectivamente. Portanto, conclui-se que o NIR apresentou um bom desempenho
para quantificação de amostras de leite em pó, principalmente pela minimização do tempo das
análises, não destruição das amostras e não geração de resíduos. Os modelos de previsão para
determinação de lipídios totais apresentaram correlação (R) de 0,9955, RMSEP de 0,8952,
por conseguinte, o erro médio entre o Soxhlet e o NIR foi ± 0,70%, enquanto o modelo de
previsão para teor de umidade apresentou correlação (R) de 0,9184, RMSEP, 0,3778 e erro de
± 0,76%.
Palavras Chave: Leite em pó. Infravermelho Próximo (NIR). Calibração Multivariada.
ABSTRACT
In this work calibration models were constructed to determine the content of total lipids and
moisture in powdered milk samples. For this, used the near-infrared spectroscopy by diffuse
reflectance, combined with multivariate calibration. Initially, the spectral data were submitted
to correction of multiplicative light scattering (MSC) and Savitzsky-Golay smoothing. Then,
the samples were divided into subgroups by application of hierarchical clustering analysis of
the classes (HCA) and Ward Linkage criterion. Thus, it became possible to build regression
models by partial least squares (PLS) that allowed the calibration and prediction of the
content total lipid and moisture, based on the values obtained by the reference methods of
Soxhlet and 105 ° C, respectively . Therefore, conclude that the NIR had a good performance
for the quantification of samples of powdered milk, mainly by minimizing the analysis time,
not destruction of the samples and not waste. Prediction models for determination of total
lipids correlated (R) of 0.9955, RMSEP of 0.8952, therefore the average error between the
Soxhlet and NIR was ± 0.70%, while the model prediction to content moisture correlated (R)
of 0.9184, RMSEP, 0.3778 and error of ± 0.76%.
Keywords: Powdered Milk. Near Infrared (NIR). Multivariate Calibration.
LISTA DE FIGURAS
Figura 2.1 Representação das estruturas moleculares e estruturas de micela............ 19
Figura 2.2 Ilustração do primeiro leite em pó do Brasil........................................... 21
Figura 3.1 Representação de um oscilador................................................................ 24
Figura 4.1 Extrator de Soxhlet, 1879......................................................................... 33
Figura 4.2 Esquema de um extrator de Soxhtec baseado no Soxhlet, 2011.............. 34
Figura 5.1 Ilustração dos efeitos de espalhamento de luz, (a) Antes, (b) após a
Correção................................................................................................... 39
Figura 5.2 Espectro de NIR antes o tratamento MSC (a), depois do tratamento....... 40
Figura 5.3 Espectro e tratamento derivativo: (Linha sólida: espectro original),
(Linha tracejada: espectro com 1ª derivada), (Linha pontilhada:
espectro com 2ª derivada)......................................................................... 41
Figura 5.4 Representação dos scores(a), loadings(b)............................................... 44
Figura 5.5 Processo de separação de amostras.......................................................... 47
Figura 5.6 Representação do ajuste para PC.............................................................. 47
Figura 5.7 Representação do Modelo PLS................................................................ 49
Figura 6.1 Ilustração do Extrato Soxhlet.................................................................. 53
Figura 6.2 Espectrofotômetro no NIR (a) ilustração das condições aplicada nas
análises (b), instrumentação completa (c)................................................ 54
Figura 7.1 Espectros originais com varredura de 1145.83 a 2489.15nm ................. 56
Figura 7.2 Espectros das 33 amostras de leite em pó, Alisamento de Savitzky
Golay e Correção de Espalhamento Multiplicativo (MSC)..................... 57
Figura 7.3 Espectros representativos de amostras de leite em pó.............................. 58
Figura 7.4 Gráfico dos loadings................................................................................ 60
Figura7. 5 Dendograma para separação das 33 amostras de leite em pó................... 62
Figura 7.6 Estimativa do erro versus o número de fatores (Modelo para %
lipídios)..................................................................................................... 64
Figura 7.7 Espectro com aplicação de 1ª derivada com janela de 9 pontos............... 65
Figura 7.8 Gráfico de Calibração (Teores de Lipídios Totais), 1ª derivada 9 pontos 66
Figura 7.9 Gráfico de Previsão (Teores de Lipídios Totais), 1ª derivada 9 pontos... 67
Figura 7.10 Gráfico de Calibração (Lipídios Totais - Rótulo), 1ª derivada 9 pontos. 69
Figura 7.11 Gráfico de Previsão (Teores de Lipídios Totais - Rótulo), 1ª derivada 9
pontos....................................................................................................... 70
Figura 7.12 Gráfico de Calibração (Teor de Umidade), 2ª derivada 15 pontos........... 72
Figura 7.13 Estimação do erro versus o número de fatores (Modelo para %
umidade).......................................................................................... 73
Figura 7.14 Espectro de 2ª derivada com janela de 15 pontos................................... 73
Figura 7.15 Gráfico de Previsão (Teor de Umidade), 2ª derivada 15 pontos.............. 74
LISTA DE TABELAS
Tabela 4.1 Parâmetros que avalia a precisão de um método analítico...................... 34
Tabela 6.1 Validação das condições para obtenção dos espectros, NIR.................... 55
Tabela 7.1 Resultados da Análise Espectral.............................................................. 59
Tabela 7.2 Intervalos dos teores de lipídios totais e umidade.................................... 63
Tabela 7.3 Resultados da modelagem por PLS (% lipídios totais).......................... 64
Tabela 7.4 Valores Preditos (% lipídios totais).......................................................... 68
Tabela 7.5 Erros entre o Método de Referência e o NIR........................................... 68
Tabela 7.6 Resultados da modelagem por PLS (% lipídios totais - Rótulo).............. 69
Tabela 7.7 Valores Preditos baseado no valor rotulado............................................. 70
Tabela 7.8 Erro médio (valor rotulado)...................................................................... 71
Tabela 7.9 Resultados da modelagem por PLS ( % umidade)................................ 72
Tabela 7.10 Valores Preditos (% umidade).................................................................. 74
Tabela 7.11 Erro médio (% Umidade)......................................................................... 75
LISTA DE ABREVIATURAS
CV - Coeficiente de variação
DP - Desvio padrão relativo
FT - Transformada de Fourier
GRAMS -graphic relational – array management system
IBM - International Business Machines (Negócios de Tecnologia Internacional)
MAPA - Ministério da Agricultura, Pecuária e Abastecimento
MERCOSUL - Mercado Comum do Sul
MSC - Multiplicative Scatter Correction (correção multiplicativa da luz)
NIR - Near Infrared (Infravermelho Próximo)
NUPEG - Núcleo de pesquisa de petróleo de gás natural
PCA - Principal Components Analysis (Análise por Componentes Principais)
PCR - Principal Components Regression (Regressãopor Componentes Principais)
PLS - Partial Least Squares,(Regressão por Mínimos Quadrados Parciais)
R - Coeficiente de correlação
RMSEC - Root Mean Square Error of Calibration (Raiz Quadrada do Erro Médio
Quadrático da Callibração)
RMSEP - Root Mean Squares Error of Prediction (Raiz Quadrada do Erro Médio
Quadrático de Previsão)
RMSECV - Root Mean Squares Error of Validation (Raiz Quadrada do Erro Médio
Quadrático de Validação)
SECEX - Secretaria do Comércio Exterior
UFRN - Universidade Federal do Rio Grande do Norte
PETS - Personal Electronic Transactor (Computador pessoal)
UNIVAC – Universal Automatic Computer (Computador Automático Universal)
ASTM - American Society for Testing and Materials
NAS - Net Analyte Signal (Sinal Analítico Líquido)
SUMÁRIO
1 INTRODUÇÃO E OBJETIVOS................................................................. 14
1.1 INTRODUÇÃO............................................................................................... 14
1.2 OBJETIVOS.................................................................................................... 16
1.2.1 Objetivo Geral............................................................................................... 16
1.2.2 Objetivos Específicos..................................................................................... 16
2 LEITE EM PÓ: origem e características.................................................... 17
2.1 LEITE “IN NATURA”.................................................................................... 17
2.2 DE “IN NATURA” A LEITE EM PÓ............................................................. 20
2.3 O COMÉRCIO INTERNACIONAL E NACIONAL DOS PRODUTOS
LÁCTEOS....................................................................................................... 22
3 ESPECTROSCOPIA NO INFRAVERMELHO PRÓXIMO................... 24
3.1 PRINCÍPIOS................................................................................................... 24
3.2 INSTRUMENTAÇÃO.................................................................................... 25
3.2.1 Transformada de Fourier............................................................................. 26
3.2.2 Refletância Difusa.......................................................................................... 27
3.3 ORIGEM E PIONEIROS DA ESPECTROSCOPIA NO NIR ...................... 28
3.4 APLICAÇÕES................................................................................................ 30
4 MÉTODO DE REFERÊNCIA..................................................................... 31
4.1 CONCEITOS E APLICAÇÕES...................................................................... 31
4.2 MÉTODOS GRAVIMÉTRICOS.................................................................... 31
4.2.1 Determinação de Umidade............................................................................ 31
4.2.2 Determinação de Lipídios............................................................................. 32
5 CALIBRAÇÃO MUTIVARIADA............................................................... 36
5.1 ANÁLISE MULTIVARIADA....................................................................... 36
5.2 QUIMIOMETRIA........................................................................................... 36
5.3 PRÉ – TRATAMENTOS................................................................................ 38
5.3.1 Centralização na Média................................................................................ 38
5.3.2 Correção do Espalhamento Multiplicativo de luz (MSC).......................... 39
5.3.3 Alisamento de Savitzky-Golay...................................................................... 40
5.3.4 Cálculo das derivadas.................................................................................... 41
5.4 MODELAGENS DOS DADOS..................................................................... 42
5.4.1 Métodos de Regressão................................................................................... 44
5.4.1.1 Regressão por Mínimos Quadrados Parcias (PLS)......................................... 48
6 METODOLOGIA................................................................................................. 52
6.1 AMOSTRAGEM............................................................................................. 52
6.2 ANÁLISES GRAVIMÉTRICAS................................................................... 52
6.2.1 Determinação de Umidade............................................................................ 52
6.2.2 Determinação de Lipídios............................................................................ 53
6.3 ANÁLISE ESPECTROSCÓPICA.................................................................. 54
6.3.1 Análise Multivariada..................................................................................... 55
7 RESULTADOS E DISCUSSÃO.................................................................. 56
7.1 MODELAGEM DOS ESPECTROS NO NIR................................................ 56
7.1.1 Escolha da Região Espectral de Trabalho................................................... 56
7.1.2 Análise da Necessidade de Pré-Tratamento................................................ 57
7.2 ANÁLISE QUALITATIVA DAS BANDAS NO NIR................................... 58
7.3 ANÁLISE DO PESO DAS VARIÁVEIS ...................................................... 60
7.4 CONSTRUÇÃO DOS MODELOS MULTIVARIADOS ............................. 61
7.4.1 Seleção das amostras..................................................................................... 61
7.4.2 Construção dos Modelos para Previsão de Teores de Lipídios................. 63
7.4.3 Construção dos Modelos para Previsão de Teores de Lipídios (Valores
Rotulados)...................................................................................................... 69
7.4.4 Construção dos Modelos para Previsão de Teores de Umidade............... 72
7.2 CONSIDERAÇÕES FINAIS.......................................................................... 75
8 CONCLUSÃO................................................................................................ 77
9 PERSPECTIVAS........................................................................................... 78
REFERÊNCIAS............................................................................................ 79
APÊNDICE.................................................................................................... 94
APÊNDICE A Resultados experimentais (teores de umidade e de lipídios). 94
APÊNDICE B – Tabelas de valores preditos para teores de lipídios e
umidade pelo método NIR com base em método de referência (Soxhlet) e
105 º C Valores modelados por PLS.............................................................. 97
ANEXOS........................................................................................................ 102
14
1 INTRODUÇÃO E OBJETIVOS
1.1 INTRODUÇÃO
O Ministério da Agricultura da Pecuária e Abastecimento (MAPA) através da Lei
1.283 Portaria 146 de 07/03/1996 define leite em pó, como sendo um produto obtido por
desidratação do leite de vaca integral, desnatado ou parcialmente desnatado e hábil para a
alimentação humana, mediante processos tecnologicamente adequados. Desta forma, a análise
química, em alimentos, é imprescindível para o controle de qualidade da composição
nutricional destes produtos. O pesquisador Franz Ritter Soxhlet em 1879 descreveu um
dispositivo capaz de extrair gordura presente no leite por evaporação de solvente orgânico.
Esse método é considerado método de referência pelos órgãos que regulamentam o controle
de qualidade, em produtos lácteos (JESEN, 2007), que por sua vez estão em concordância
com a Comissão do Codex Alimentarius, criada em 1962 pela OMS, e tem como objetivos
estabelecer padrões para os alimentos, protegendo assim a saúde do consumidor e
incentivando práticas justas no comércio internacional (HAWKE, 2004). Além da garantia de
um produto com condições higiênico-sanitárias satisfatórias, a verificação da conformidade
dos dizeres da rotulagem é obrigatória por se tratar de um alimento embalado na ausência do
consumidor e pronto para a comercialização. A rotulagem inclui qualquer matéria escrita,
impressa ou gráfica que está presente no rótulo, acompanha o alimento, ou é exibido próximo
ao alimento, inclusive o de efeito promover a sua venda ou eliminação. O rótulo deve ser fiel
ao produto que o contém e ser escrito de forma clara e legível, não induzindo a equívocos,
além de conter todas as informações previstas na legislação, servindo de elo de comunicação
entre o produtor e o consumidor (CODEX ALIMENTARIUS, 2007).
Contudo, segundo Burns et al, (2001) com desenvolvimento e a demanda de produção
de alimentos industrializados e controle de qualidade, houve a necessidade de investimento
em técnicas de análises que fornecessem resultados de maneira rápida e não gerasse resíduos
e demanda de mão-de-obra. Nesse contexto, a espectroscopia no infravermelho próximo, do
inglês, “Spectroscopy Near Infrared” (NIR) tornou-se alvo de estudo contínuo, pois é uma
técnica com todas as vantagens relatadas de não destruir as amostras, não produzir resíduo e
resulta em economia de tempo e pessoal nas análises envolvidas (LAPORTE; PAQUIN,
1999; KALININ; KRASHENINNIKOV, 2008; SASIC; OZAKI, 2001). Quando empregada
apresentou um bom desempenho, sendo, portanto um método alternativo de análise, que
oferece muitas vantagens para controle de qualidade de produtos alimentares.
15
A combinação da espectroscopia e Calibração Multivariada é uma estratégia
multidisciplinar que explica com base em métodos estatísticos e matemáticos como variáveis
e parâmetros analisados se relacionam e que informações podem ser retiradas dessa análise
para o controle de qualidade em alimentos (NAES, 2004; RODRIGUEZ-NOGALES;
VASQUEZ, 2007; SACCO et al, 2009; LANARRANGA-SOLA; NAVARRO-BLASCO,
2009).
Desta maneira, o NIR tem sido empregado, principalmente para determinação
quantitativa. Um exemplo é o trabalho (MAGGIO et al, 2010) que utiliza esse método para
determinar adulterantes em azeite de oliva. Dentre aplicações como: em análises patológicas
um exemplo é o trabalho de (MEHROTRA et al, 2009). Inácio et al, (2011) classificam e
determinam, com base em modelos quimiométricos, os teores de proteínas presente no leite
em pó. Porém, os autores não determinam teores de lipídios e outros constituintes. Como
também, (CHEN et al, 2010), quando determina cafeína em amostras de chás. Aplicações da
análise quantitativa de compostos majoritários estão presentes em trabalhos como em:
(AZIZIAN et al, 2005; LAPORTE, 1999; MARTIN et al, 2007, PURNOMOADI et al, 1999,
SALVADOR et al, 2007, YOUNG et al, 2002, WU et al, 2009, WU et al, 2008). Todos esses
pesquisadores se diferenciam por utilizar métodos de referência, faixa de trabalho e amostras
de origem diversificadas.
Portanto, este trabalho tem objetivo principal, demonstrar que o NIR é adequado para
o controle de qualidade de amostras de leite em pó comercial quanto ao teor de lipídios totais
e umidade, utilizando técnicas multivariadas de regressão por mínimos quadrados parciais
(PLS), sob condição de pré-tratamentos aos espectros como: alisamento Savitzky-Golay e
MSC (Correção multiplicativo da luz) e aplicação de métodos derivativos adequados para
intensificação de sinal no espectral e suavização de bandas na região de 1145,83 a 2489,15
nm (FRANKHUIZEN et al, 2001).
16
1.2 OBJETIVOS
1.2.1 Geral
O objetivo deste trabalho é construir modelos multivariados, a partir da análise
espectroscópica no NIR, empregando técnicas de regressão por mínimos quadrados parciais.
No sentido de quantificar teores de lipídios totais e umidade em amostras de leite em pó.
1.2.2 Específicos
Determinar o teor de umidade em amostras por métodos de análise convencional
Gravimétrica utilizando secagem em estufa a 105º C seguida de pesagem até obtenção
de peso constante.
Determinar o teor de lipídios por métodos de análise convencional como a Gravimetria
utilizando extração em Soxhlet com pesagem após evaporação do solvente.
Verificar se há divergência entre os valores rotulados e o aceitável pela Legislação em
Vigor, Lei 1.283 do MAPA.
Obter espectros do NIR e seguido de seu pré-tratamento, sendo: Alisamento de
Saviztsky e MSC.
Aplicar a Quimiometria utilizando análise multivariada.
Construir modelo de Calibração e Previsão PLS, para determinação de Lipídios Totais.
Construir modelo de Calibração e Previsão PLS, para determinação de Lipídios Totais
com base, nos Valores Rotulados.
Construir modelo de Calibração e Previsão PLS para determinação de Umidade.
17
2 LEITE EM PÓ: origem e características
2.1 LEITE “IN NATURA”
O leite é considerado um alimento próximo de perfeito devido à sua alta quantidade de
componentes nutritivos tais como: lipídios, proteínas, açúcares e minerais. O leite é fonte de
macro e micronutrientes cujo conteúdo ativo desempenha um papel importante na nutrição e
manutenção do equilíbrio do sistema imunológico (BOZA et al.,1997). A composição
nutricional e propriedades físico-químicas variam conforme a espécie do ruminante, da
genética, da fisiologia, e principalmente da saúde dos mamíferos (JESEN, 2002;
PALMQUIST et al., 1993). Contudo, o leite “in natura” apresenta basicamente 87% de água
e 5% são de matéria lipídica (OETTERE et al, 2006). Essa mistura muito complexa, a 40 ° C
apresenta-se em uma fase líquida, enquanto que a 35 ° C ele está na fase sólida (NUNES et al,
2010). A idéia pejorativa, de que a gordura do leite seria prejudicial à saúde, esteve presente
por muito tempo, fato este que era devido à quantidade insatisfatória de colesterol e ácidos
graxos saturados, uma vez que tais compostos eram responsáveis por muitas doenças
cardiovasculares É importante enfatizar que na gordura, presente no leite está os componentes
também responsáveis pela manutenção da vida, dentre eles está o ácido linoléico que consiste
em um grupo de ácidos graxos cuja função é de combater a diabetes e a obesidade, além de
favorecer o sistema imunológico e estrutura óssea. O ácido butírico, também um ácido graxo,
exibe propriedades de combate a proliferação de células cancerígenas (NUNES et al, 2010).
Do ponto de vista físico-químico, o leite é considerado uma emulsão, especificamente,
uma solução coloidal, pois está organizado por uma estrutura denominada de micelas,
constituindo-se de moléculas protéicas do tipo caseínas. A conformação dessa estrutura
classifica as caseínas como: alfa, beta, e gama, denominação dada por causa da instabilidade
dessa molécula com relação à estrutura química (MAN, 1999).
A formação das macromoléculas, no leite, dá-se através de uma interação de um
líquido em outro que, por sua vez, é estabilizado por outro terceiro componente denominado
de emulsificante entre eles estão à caseína presente no leite, essas interações determinam as
propriedades dos colóides Segundo as forças externas devidas ao campo da gravidade ou ao
cisalhamento também influenciam a interação e as colisões entre partículas. Essas forças de
interação entre as superfícies das partículas coloidais advêm da natureza eletromagnética das
interações entre a matéria. Nesta perspectiva, o efeito Tyndall é o propulsor desse sistema
18
coloidal, uma vez que, está presente em muitos fenômenos da natureza foi descoberto pelo
físico Britânico, Jonh Tyndall (BARTON, 2011; BAHL et al, 2009).
A análise química, nesse alimento, é imprescindível, para o controle de qualidade da
composição nutricional destes produtos. Um exemplo disso é o trabalho dos pesquisadores
(MAAMOURI et al, 2008) que aplicaram técnicas e métodos para monitoramento da
qualidade do leite, a fim de obter um produto com quantidades ideais de nutrientes. Os testes
realizados avaliaram a qualidade de leite caprino em termos de composição, onde foi possível
observar que, essa qualidade eleva-se à medida que se ministra diferentes rações variando-se
todos os parâmetros composicionais de acordo com alimentação ministrada a raças específicas
de mamíferos.
O termo lipídios vem (do grego lipos, “gordura”) é utilizado para designar-se a
gorduras e substâncias gordurosas (INSTITUTO ADOLF LUTZ, 2008). Neste aspecto, há
uma grande dificuldade para definir essa classe de substâncias chamadas de lipídios, sua
definição é baseada na solubilidade dessas substâncias em solventes orgânicos como: éter,
benzeno, clorofórmio e sua conseqüente não solubilização em água, normalmente, as
características dos ácidos graxos que são os lipídios é o potencial de derivados dos ácidos
graxos (MAN, 1999). Portanto, essa dificuldade para elaborar uma definição para algumas
classes de substâncias chamadas de lipídios, antes as definições eram baseadas na solubilidade
das substâncias em solventes orgânicos, como já citados anteriormente (HOLME, 1998).
Os lipídios são considerados indispensáveis para a saúde de um organismo sendo
encontrados em diversos produtos naturais tais como óleos, gorduras, ceras e compostos
complexos. Quanto à origem de lipídios no organismo de mamíferos ruminantes, há uma
peculiaridade muito em comum e complexa que é a capacidade de transformar o alimento
ingerido, em tipos de nutrientes. Tudo isso, através de mecanismos e reações químicas
principalmente orgânicas, esse filtro estabelecido entre o sangue e os órgãos (MOTTA, 1999).
A produção de leite ocorre nas glândulas mamárias, quando in natura o leite tem um
alto teor de lipídios totais, incluindo gorduras saturadas e insaturadas, essa produção é um
mecanismo de caráter energético. Os ácidos graxos originários através de reações orgânicas
sob ação de enzimas e glicose aceleram esse processo bioquímico, presente na corrente
sanguínea do mamífero (MOTTA, 1999).
19
Figura 2.1 – Representação das estruturas moleculares e estruturas de micela.
Fonte: Thomas, (2007)
Os ácidos graxos ocorrem, principalmente, como ésteres de glicerol (acilgliceróis). A
classe dos acilgliceróis depende do número de ácidos graxos presentes na molécula: monoglic
erídios (um ácido graxo esterificado), diglicerídios (dois ácidos graxos esterificados) e
triglicerídios (três ácidos graxos esterificados). Os triglicerídios (triacilglicerois) são
sintetizados no fígado e intestino e são as formas mais importantes de armazenamento e
transporte de ácidos graxos (MOTTA, 1999).
Quase todas as gorduras ingeridas na dieta são triglicerídeos formados por ácidos
graxos saturados e insaturados. Alguns ácidos graxos poliinsaturados (ácidos linolênico,
linoléico e araquidônico) não são sintetizados no organismo e devem ser supridos na dieta.
Neste contexto, sabendo que, os ácidos graxos são constituídos de grandes cadeias orgânicas e
grupos de ácidos carboxílicos, em conjunto, eles entram no organismo do mamífero para
formar lipídios totais, sendo formada uma determinada estrutura micela que compõem
moléculas de ácidos graxos, componentes principais para formação dos lipídios, como
também estruturas ainda mais complexas chamadas de fosfolipídios apresentada na Figura 2.1
(THOMAS, 2007).
Desta maneira, os ácidos graxos podem ser classificados de acordo com o tamanho da
cadeia orgânica que ele constitui. A classificação é estabelecida, da seguinte forma: quando
eles são constituídos de dois a quatro átomos de carbono são denominados de cadeia curta;
20
quando o número de carbono está entre seis e dez são chamados de cadeia média; cadeias
longas de ácidos graxos o número correspondente de carbono é de doze a vinte seis. Com
relação as análise produtos consumidos, diariamente, presentes em fontes alimentares, existe
na literatura alimentar, muitas fontes de dados que determinam através de procedimentos
padrões de análise quantidade os teores de lipídios, esses procedimentos são estabelecidos
pelos órgãos de controle de qualidade e legislação brasileira e são muito relevantes. Sendo
assim, o teor de lipídios no leite em pó integral deve ser em torno de 27,5 % a cada cinco
gramas de amostra analisada, este é critério adotado para um controle de qualidade rigoroso
em indústrias de leite em pó, que no Brasil podem chegar cinqüenta fábricas, para que esses
produtos sejam adequados para o consumo humano (OETTERE et al, 2006).
É importante ressaltar que, entre os lipídios e as proteínas pode haver interações, pois,
eles formam misturas com outras substâncias, nestas os lipídios totais estão presentes na
forma livre ligados a outras substâncias não lipídicas. Assim, os lipídios reagem diretamente
com proteínas formando as lipoproteínas, sendo que, as ligações na interação lipídio-proteína
são principalmente hidrofóbicas, e as em menor extensão são a interações de hidrogênio
(MAN, 1999). O processamento dos lipídios acontece em ciclo, uma vez que estão ligados a
outras substâncias e passam a ficar livre, nesse processo.
2.2 DE “IN NATURA” A LEITE EM PÓ
O leite é um alimento conhecido e consumido desde muitos séculos, a saber que para
os povos antigos (egípcios e hebreus) o leite era um símbolo de vida, fertilidade e fartura.
Sendo assim, com o decorrer do tempo esse alimento presente na vida de todos os mamíferos,
teve uma designação mais específica, no que se refere à presença dos nutrientes, havendo
assim um crescente consumo. Desta maneira, houve uma crescente necessidade de obtenção
de um produto semelhante ao leite “in natura” e que sua qualidade fosse mantida a períodos
longos de tempo (MASTELLONE, 2011).
A primeira fórmula infantil de todo o mundo foi obtida através dos experimentos de
Henri Nestlé que data de 1866, que consistiu na combinação do leite “in natura” (da vaca)
com farinha de trigo e açúcar. Em 1867 é lançada “NESTLÉ FARINHA LÁCTEA®” na
Suíça. Este evento culminou com a disseminação das atividades da “Société Nestlé” no
mundo, a marca Nestlé foi simbolizada pelo brasão, um ninho de passarinhos, da família
Henri Nestlé. Nove anos depois em 1876, a farinha láctea foi importada para o Brasil.
Entretanto em 1905 a “Sociéte Nestlé” (que tinha sido comprada de Henri Nestlé por Jules
21
Monnerat em 1974) e a “Anglo-Swiss Condensed Milk Company” se fundem, devido à forte
concorrência (KOESE, 2008; BOYD, 2011).
No Brasil em 1922, foi instalada a primeira sede da “NESTLÉ”, na Rua da
Misericórdia no Rio de Janeiro. Contudo, em 1928 foi fabricado o primeiro leite em pó. A
marca era na época era designada de “Molíco”, sua composição era do leite puro de vaca, ou
seja, não modificado, do qual foi simplesmente extraída a água. Essa marca específica ao
longo dos anos, além da água, a gordura original passou a ser quase totalmente extraída.
Segundo a fábrica dessa marca na Suíça, desse momento em diante, ocorreu à introdução dos
leites instantâneos que determinou uma grande transformação na estrutura do mercado do
leite em pó. Desta forma, o leite tradicional manteve sua imagem extremamente ligada à
alimentação dos lactentes, enquanto que os instantâneos assumiram a imagem de produtos
menos adequados à alimentação infantil, assemelhando-se ao “in natura” e,
conseqüentemente, mais recomendados para adulto. Neste contexto, o primeiro leite fabricado
no Brasil em 1928 Ilustrado na Figura 2.2, pela “Société Nestlé”, marca Suíça, foi o
“MOLÍCO”, cujo procedimento para obtenção era apenas um processo de secagem do leite
“in natura”, neste produto havia quantidade relevante de fração gordurosa (CASTRO, 2002;
NESTLÉ BRASIL LTDA, 2009; NESTLÉ, 2010).
Figura 2.2 – Ilustração do primeiro leite em pó do Brasil
Fonte: NESTLÉ BRASIL LTDA, 2009
O teor de gordura totais nesse produto era de 20 %, como é indicado no rótulo do
produto na Figura 2.2. Geralmente, nos dias atuais, esse valor de gordura é semelhante ao teor
de leite em pó integral que, varia de marca para marca, estando entre 20 e 26%.
O leite em pó é uma nova alternativa de consumo do leite, pois está inserido na era do
aleitamento artificial que data do início do século vinte aproximadamente em 1911, e
dependeu da industrialização, a urbanização, e o trabalho externo da mulher, como também,
da necessidade de se armazenar o leite de forma a manter suas propriedades, a fim de
22
minimizar o possível surgimento de alterações, como por exemplo: deterioração, fermentação,
entre outros eventos que ocorrem em alimentos “in natura” (AKRÉ, 1994).
Nesta perspectiva, todo o avanço na indústria de leite em pó exigiu um controle de
qualidade que garantisse quantidades adequadas de nutrientes, e que esse produto
comercializado tivesse semelhanças com o “leite in natura”, por isso o interesse das
legislações, em exigir a elaboração métodos de análises, que sejam precisos e exatos quanto
ao controle de qualidade. Portanto, o desenvolvimento dos instrumentos e softwares
possibilitou um grande avanço dos métodos analíticos para análise de alimentos, uma vez que,
através destes é possível determinar de forma exata e precisa a quantidade de nutrientes e
componentes presentes em uma mistura complexa, principalmente, aliando os métodos
estatísticos. O avanço e a expansão da Agricultura deram contribuição importante no
desenvolvimento dos métodos instrumentais de análise, uma vez que, as indústrias de
alimentos, necessitam de métodos que consumam o mínimo de tempo para análise e não
gerem resíduos, fato este justificado pela crescente busca por métodos que sejam alternativos
e que não provoquem impacto no meio ambiente, essa consciência ambiental foi um fator que
desencadeou um interesse mútuo entre pesquisadores, indústrias, governos e sociedade de se
investir em pesquisas que envolvesse tais métodos capazes de determinar os constituintes de
um produto alimentar em substituição aos métodos convencionais de análise aliando-se
métodos estatísticos que ajudam a análise de alimentos complexos (KAROUI;
BAERDEMAEKE, 2004; MAZEROLLES et al, 2006; MILLAN, 1996) .
2.3 O COMÉRCIO INTERNACIONAL E NACIONAL DOS PRODUTOS LÁCTEOS
Segundo Leite et al, (2010), nos últimos anos, é perceptível uma mudança no perfil
das transações internacionais de lácteos. Apesar do protecionismo existente neste comércio, o
volume e freqüência dos negócios envolvendo lácteos têm aumentado. Os maiores valores
negociados de leite e derivados ainda são na União Européia. Os Estados Unidos também
sobressaem nesse mercado. No entanto, países asiáticos e latino-americanos têm ampliado
suas participações neste comércio, alcançando posições de destaque entre os grandes
importadores e exportadores desses produtos.
Considerado por muito tempo como um importador líquido de lácteos, em 2004, pela
primeira vez na história, as exportações brasileiras de lácteos foram superiores às importações
e, lentamente, vem ganhando espaço no comércio internacional de leite e derivados. Os
principais produtos da pauta de exportação de lácteos brasileira têm sido leite em pó, leite
23
condensado, leite evaporado, além de diversificada variedade de queijos especiais. O mercado
mundial de lácteos possui algumas características peculiares, uma delas é o fato muito comum
ao agronegócio do leite quanto à sua regionalidade de produção e consumo. Na Europa, por
exemplo, 60% do leite produzido são consumidos lá mesmo, acontecendo o mesmo nos
Estados Unidos e Canadá. No Brasil, esta característica regional também se aplica.
Observando-se a origem da maioria do leite comercializado no comércio varejista, pode-se
constatar o quanto a região tem peso no fornecimento. O Brasil ainda vive um momento em
que a principal barreira interna para o atendimento ao mercado internacional de leite em pó é
a capacidade fabril que precisa de grandes investimentos para que possa atender às demandas
internacionais e a recorrente questão da qualidade dos produtos. O primeiro produto lácteo
mais importante para a balança comercial brasileira, em volume, é o leite em pó integral,
desnatado e/ou adocicado, doravante denominado, simplesmente, de leite em pó (LEITE et al,
2010).
Não somente a nível industrial, mas também pesquisas e reflexões tem sido realizadas
com objetivo de se despertar para essa problemática, como no caso do trabalho de Nunes et al,
(2010), cuja a composição do leite é questionado, no sentido de se modificar a gordura
presente nesse alimento, o autor faz uma breve revisão mostrando alguns conceitos a fim de
propor mecanismos da modificação da gordura do leite, almejando obter uma substituição da
hidrogenação parcial de óleos vegetais por processos que não gerem gordura trans,
juntamente com o incentivo para geração de um ao processo de interesterificação enzimática
da gordura do leite, visando à obtenção de um produto que alie suas características
organolépticas agradáveis a melhores propriedades físicas e nutricionais, além de incentivar a
sua produção sem que, haja geração de resíduos, e que sejam capazes de reduzir perdas na
qualidade sensorial do produto.
24
3 ESPECTROSCOPIA NO INFRAVERMELHO PRÓXIMO
3.1 PRINCÍPIOS
É conhecido que sub-regiões do infravermelho incluem informações relevantes, do
que ocorre na matéria com a interação da radiação eletromagnética. Em resumo, a matéria na
própria natureza exibe um comportamento energético. Baseado nessas mudanças com uso de
métodos que mapeiam esses registros, o método ou técnica utilizada dependerá,
principalmente, da natureza da matéria a ser analisada e da informação adquirida (ATKINS et
al, 1999; BARBANO; LYNCH, 2006).
Para este trabalho, a faixa de comprimento de onda trabalhado é de 750 a 2500 nm,
que corresponde a região do IVP. Porém, diversos trabalhos elucidados na literatura
espectroscópica trabalham com regiões muito próximas do visível para análise de alimentos,
devido a muitos fatores entre eles: disponibilidade dos equipamentos nas instituições de
pesquisas, a origem e diversidade das amostras analisadas. O IVP, aplicado à ciência dos
alimentos, é uma técnica muito versátil. Essa técnica tem sido, aplicada ao conhecimento
básico da composição centesimal dos alimentos, pois é técnica não destrutiva e rápida na
avaliação da qualidade dos alimentos, com a vantagem de ser fácil o seu uso, se for associado
à quimiometria para análise quantitativa, de maneira que, o IVP revela informações
relacionadas com o comportamento vibracional molecular (CEN et al, 2007).
Sendo assim, os métodos que envolvem fenômenos de absorção são considerados
como um oscilador harmônico, ou seja, apresentam um comportamento de uma molécula
diatômica, cujo modelo apresenta parâmetros: como massas mA e mB as distâncias
int.ermoleculares menores que 10% (BAHL, 2009).
Figura 3.1 – Representação de um oscilador
Fonte: BAHL (2009); CHU et al, (1996)
25
Assim sendo:
(3.1)
Onde K é a constante da força de ligação, r a distancia internuclear durante o estado
vibracional, re, . O modelo com υo:
(3.2)
A massa m é minimizada por:
(3.3)
A equação de Schrödinger trata a energia vibracional da molécula como única e
discreta e o valor é representado por:
(3.4)
Onde h é a constante de Planck, frequência da vibração, n é o número quântico.
Porém se a relação
≠ 0 e mB ≤ mA, logo trata-se de um oscilador harmônico (SIELER et al,
2001). Desta maneira, o espectro eletromagnético de infravermelho próximo (750 a 2500) é
uma conseqüência da dispersão da radiação policromada, corroborando em combinações
vibracionais de 1º, 2º e 3º sobretons:
(3.5)
3.2 INSTRUMENTAÇÃO
Nos dias atuais, existem diversos tipos de instrumentos que operam no NIR. No
tocante, as suas características, há muitas semelhanças com instrumentos de UV-VIS,
contudo, apresenta segundo Skoog et al, (2009) a configuração igual a outras técnicas de
absorção:
Fontes: é o local de origem de um feixe com potência de radiação contínua, cuja sua função é
de facilitar a detecção das medidas. Para o infravermelho próximo aplicam-se fontes
contínuas como lâmpadas de filamento de tungstênio/halogênio com janelas de quartzo, elas
são constituídas de pequenas quantidades de iodo que se encontra em uma cápsula de vidro no
26
qual protege o filamento de tungstênio, sendo aquecidos entre 1500 a 2000 K, já o quartzo
permite que o filamento opere em uma temperatura de 3500 K, o que possibilita que
intensidades mais altas e que a faixa de operação dessa lâmpada aumente para o ultravioleta,
essa lâmpada em especial tem um tempo de vida duas vezes maior que as lâmpadas comuns.
Essa lâmpada específica é indicada para região de comprimento de onda entre 350 a 2500nm
que cobre a região do ultravioleta-visível e infravermelho próximo.
Seletor de comprimento de onda: é dispositivo que seleciona a radiação em uma faixa de
comprimento de onda de interesse, um exemplo: monocromadores ou filtros.
Detector: É dispositivo cuja função é de captar a radiação emitida pelo material analisado e
converter em sinal elétrico, pelo qual se obtém os espectros, no caso deste de absorção. Os
detectores mais comumente empregados são os fotocondutores que se baseia no processo de
fotocondução, no qual a radiação promove os elétrons para bandas de condução, ou seja, a
condução é baseada no aumento da condutividade. Os fotocondutores mais utilizados para o
NIR são os de PbS (sulfeto de chumbo) que é empregado para uma região de 3000 a 1000 nm
e pode ser operado a temperatura ambiente e InGaAs (arsenato de gálio e índio) esses material
semicondutor é depositado sobre uma superfície não condutora de vidro e selada em um
invólucro sob vácuo a fim de impedir a interação da atmosfera com o material.
Software para NIR: GRAMS (do inglês, grafic relational – array management system), é
um conjunto de módulos de programas instalados centrados em torno do programa GRAMS
/AI de processamento de exibição de dados espectroscópicos.
Registrador: é responsável por processar e registrar o sinal que é emitido pelo detector, à
informação obtida é através de um espectro.
3.2.1 Transformada de Fourier
Para estudar o espectro de infravermelho de estrelas distantes, os astrônomos em 1950
desenvolvem a espectroscopia com transformada de Fourier (do inglês, Fourier transform
Infrared). Eles utilizam um dispositivo engenhoso denominado interferômetro de Michelson,
o qual foi desenvolvido há muitos anos por A. A. Michelson para efetuar medidas precisas do
comprimento de onda da radiação eletromagnética e para medir de distância com incrível
exatidão (SKOOG et al, 2009).
A primeira aplicação aconteceu apenas uma década mais tarde onde era empregado
para uma região de baixa energia no infravermelho distante. As vantagens oferecidas pelo FT
27
são porque eles possuem poucos caminhos ópticos e não possuem fendas que atenuem a
radiação, em conseqüência a radiação que atinge o detector é muito maior em relação aos
instrumentos dispersivos. A segunda vantagem é com relação ao seu alto poder de resolução e
reprodutibilidade do comprimento de onda, que permite a análise de espectros muito
complexos. A terceira vantagem refere-se ao fato de que todos os elementos da fonte atingem
o detector de forma simultânea, o que torna possível a obtenção de dados de toda faixa
espectral em apenas um segundo ou até menos. O interferômetro de Michelson é constituído
de uma fonte contínua, de dois espelhos em dois espelhos em plano perpendicular, um deles
se move ao longo seu eixo a uma velocidade comum, sob um separador de feixe. A fonte de
energia é refletida parcialmente para o espelho fixo e refletindo a energia restante para o
espelho móvel. Os feixes são refletidos pelo espelho que são recombinados e dirigidos ao
detector. No tocante, ao retardo óptico ele é igual ao dobro do deslocamento do espelho em
movimento. Quando o espelho fixo e móvel estão eqüidistante, o retardo é zero para todas as
freqüências e os dois feixes interferem construtivamente. Portanto, há perdas mínimas, toda a
energia da fonte atinge o detector neste momento. A variação na intensidade como o espelho
em movimento é deslocadas contêm informações espectrais sendo recuperadas por
Transformada de Fourier. A intensidade do sinal detector de uma fonte de banda larga
(MCCARTHY et al, 2001).
3.2.2 Refletância Difusa
É fenômeno físico que ocorre quando um feixe de radiação atinge a superfície de um
sólido sendo um pó finamente dividido. Contudo, a radiação refletida é espalhada em todas as
direções, uma vez que, existem muitas superfícies orientadas aleatoriamente.
Para descrever em termos a intensidade da radiação refletida de forma difusa existem
vários modelos, o que é mais amplamente usado foi desenvolvido por Kubelka e Munk Fuller
e Griffiths, eles mostraram que, a intensidade da refletância relativa para um pó é dado pela
equação abaixo:
(3.6)
(3.7)
28
Onde é a razão das intensidades refletidas pela amostra e pelo que não absorve
como o Politetrafluoretileno, (K) é o coeficiente de absorção molar do analito, S é o
coeficiente de espalhamento, (a) é a absortividade molar do analito, (c) é sua concentração.
Como é possível observar, a função de Kubelka-Munk é conhecida como a lei de Beer da
espectroscopia de refletância, uma vez que, transforma espectros de reflectância em espectros
semelhantes a espectros de absorbância (GRIFFITHS et al, 2001).
3.3 ORIGEM E PIONEIROS DA ESPECTROSCOPIA NO NIR
O início da revolução digital deu-se de forma, a afirmar que, a técnica NIR depende
muito da qualidade do microprocessador, ou seja, de sua capacidade em coletar resultados
para facilitar a calibração desses dados instrumentais. Mas, foi em 1930 que, os fundamentos
dessa técnica começaram a serem firmados, principalmente com o trabalho de espalhamento
de luz na transmissão e reflexão. Neste contexto, começaram a surgir os primeiros
microprocessadores, conseqüentemente os programas para tratamentos desses dados,
juntamente com eles a concorrência começou a emergir (LUNDSTROM, 1987).
No ano de 1950, que o primeiro computador comercial, UNIVAC, estava disponível no
comércio. Logo em seguida, nesse mesmo ano, 1950, surge o FORTRAN, a primeira estrutura,
a linguagem científica que tinha sido desenvolvida por Backus na IBM. Entretanto o primeiro
computador pessoal PC foi, provavelmente, o Altair em 1975, seguido em 1977 pela
Commodore PETS, no mesmo ano que Bill Gates e Paul Aleen iniciaram a Microsoft. Logo a
IBM entrou na concorrência com os seus Primeiro computador, PC, em 1981 e seus projetos
definiu o formato de compatibilidade. As vendas de computadores em 1981 dispararam para
3.000 mil no ano seguinte. Desse ponto em diante, o PC se tornou uma ferramenta
indispensável para os laboratórios que possuíam equipamentos instrumentais no NIR. Antes,
os trabalhos publicados nessa área foram específicos, quanto à aplicação na resolução de
problemas associados à indústria de alimentos. Entretanto, estas descobertas só foram
divulgadas em estudos, espectrométricos, a partir de 1950 quando pesquisadores dessa área
começaram a investigar esta região. Contudo, a segunda guerra mundial, a primeira aplicação
dessa técnica foi no monitoramento da qualidade e controle da produção na indústria
petroquímica. Logo, histórico do NIR, pode ser resumido por: descobrimento (1800 – 1939);
definição (1940 – 1959); Agricultura (1960 – 1979); Quimiometria (1980 – 1989); Indústria
(1990 -1999) (BROWN, 1995).
29
No tocante a região do infravermelho próximo (NIR, do inglês Near Infrared) ela
estende - se de 750 à 2500nm (13.000 a 4000 cm-1
). As bandas de absorção nesta região
referida são overtones ou combinações de vibrações fundamentais de estiramento. As ligações
envolvidas são do tipo: C – H, N – H, O – H, C = O. Logo, uma vez que, as bandas são
combinações, suas absortividades são baixas e os limites de detecção são da ordem de 0,1 %.
Sendo assim, o uso do NIR pode ser aplicado em determinações quantitativas de rotina, de
espécies como água, proteínas, hidrocarbonetos de baixa massa molecular e lipídios em
produtos de indústrias alimentícias, agrícolas, petrolíferas e químicas (CECCHI, 2003).
As vantagens dos métodos multivariados em relação aos métodos univariados dentre
eles pode ser citado que em uma medida univariável somente a absorbância de uma única
freqüência está associada à concentração do analito sendo a precisão dependente da
capacidade para identificar uma única banda isolada para cada componente. Enquanto isso,
em medidas multivariadas há o reconhecimento de mais de uma freqüência, ou seja, a região
espectral se caracterizará pela formação de várias bandas, sendo que as informações são
obtidas simultaneamente mesmo com a sobreposição dessas bandas espectrais (SKOOG et al,
2009). Os pesquisadores Costa Filho et al, (2001) confirmam essa aplicação através da
determinação da quantidade de triglicerídeos no sangue, utilizando o NIR aliada à ferramentas
quimiométricas.
Quando se fala em meio ambiente, é possível a importância da espectroscopia, isso
porque há uma grande necessidade da valorização do meio, e opção de produzir e pesquisar,
sustentavelmente, para isso publicou-se em 2010 um artigo de revisão, cuja pretensão foi de
aplicar a métodos quimiométricos usando NIR para análise ambiental de poluentes orgânicos.
Um exemplo é o trabalho de Mas et al, (2010), o qual determina hidrocarbonetos aromáticos
dentre outros poluentes, presentes nos pesticidas, realizando um estudo de suas definições,
toxidade e impacto no meio ambiente.
Portanto, o fato de o Brasil ser um país que possui um campo importante na
agricultura, levou os pesquisadores analíticos a ingressarem nessa área, esse fator justifica
quantidade de trabalhos elaborados fundamentados nos métodos espectroscópicos de análise,
nos últimos anos, dissertações e teses com assuntos voltados para a análise espectroscópica
utilizando a calibração têm sido publicadas como artigos em revistas nacionais e
internacionais e tomados como referência para muitos pesquisadores brasileiros (FIDÊNCIO
et al, 2002; FERRÃO et al, 2007).
30
3.4 APLICAÇÕES
O NIR tem sido para determinação de proteína, umidade, amido, óleo, lipídios e
celulose em produtos agrícolas como grãos e sementes oleaginosas (CECCHI, 2003).
Os métodos tradicionais de análise utilizados para determinar umidade, lipídios,
proteínas entre outros se utilizam de análises gravimétricas, no qual demandam tempo na
análise e envolve pessoal para todo o processo, além de consumir grande quantidade de
energia, solventes reagentes e resíduos. Neste sentido, o advento da espectroscopia de
infravermelho próximo, em conjunto com as ferramentas quimiométricas e prévia validação
de metodologia, é útil detecção de fraudes e conseqüente adulteração de produtos. Como no
caso do trabalho de Borin et al, (2006), que utiliza o NIR e calibração multivariada para
quantificar adulterantes em leite em pó.
Os pesquisadores Maamouri et al, (2008) aplicaram o infravermelho médio por
reflexão total, a fim de obter espectros para quantificação por calibração multivariada de
amostras de leite “in natura”, de uma raça de ovelha, o objetivo era avaliar a qualidade desse
leite, variando a ração ministrada aos mamíferos em um período de lactação antes do parto, a
qualidade do leite foi monitorada com aplicação de espectros na região de 5882,35 a 6600,70
nm . Kawamura et al, (2007) construíram um sensor no NIR, para monitorar a qualidade do
leite, na própria ordenha, em uma faixa espectral de 600 a 1050 nm, quanto aos seus
parâmetros nutricionais como lipídios, proteína e lactose.
Os pesquisadores Iñón et al, (2004) utilizaram a análise de agrupamento hierárquico
(HCA) para classificação das amostras e a fim de obter informações sobre a gordura total,
proteínas totais, carboidratos totais e minerais como o cálcio, a análise envolveu marcas de
leite comercial da classe integral, desnatado, semi-desnatado e compostos lácteos. Outras
técnicas espectroscópicas podem ser aplicadas para análise multivariada, Goverin et al, (2010)
destaca que a espectroscopia no Raman tem um potencial significativo para a quantificação
de produtos alimentares, o pesquisador construiu modelos de em calibração para proteínas e
gorduras leite em pó para quantificar uma grande concentração número grande de amostras
de leite em pó.
31
4 MÉTODO DE REFERÊNCIA
4.1 CONCEITOS E APLICAÇÕES
Segundo o Instituto Adof Lutz (2008), para que um método seja de referência, ele
deve ser preciso, exato e conseqüentemente robusto. No entanto, para que esses critérios
sejam atendidos deve-se planejá-lo e aperfeiçoá-lo, para que a partir dele seja possível validar
novos métodos instrumentais, cujos resultados analíticos gerem modelos capazes de fornecer
respostas com a mesma dimensão deste método já validado, ou seja, o método de referência é
utilizado para a calibração, para validação e para fases de treinamento.
O método de Referência é de grande relevância para determinações da composição
nutricional como lipídios, lactose, proteínas e outros constituintes presentes nas amostras de
alimentos. As medidas espectroscópicas exigem um método de referência para que uma
determinada metodologia seja validada, e referenciada pelas legislações (HAMMAMI et al,
2010; LAPORTE; PAQUIN, 1999).
Portanto, para adoção e seleção de um novo método levam-se muitos parâmetros, não
só do ponto de vista estatístico, mas principalmente com relação a sua capacidade de
minimizar os efeitos gerados em análise, como em reduzir a quantidade de resíduos, sem que
afete o seu desempenho com relação à facilidade e etapas para procedimentos realizados, com
também, a disponibilidade de reagentes e aparelhos para determinações analíticas, por isso
justifica-se a seleção de um método alternativo, no qual consiste em um método que
demonstra ou estima, qual e quanto há de analito, como ele é medido utilizando-se de um
método de referência não havendo necessidade de preparo procedimentos de analises, apenas
preparação de amostras para treinamento ou fase de testes Instituto (INSTITUTO ADOLF
LUTZ, 2008).
4.2 MÉTODOS GRAVIMÉTRICOS
4.2.1 Determinação de Umidade
O leite em pó é um alimento obtido por um processo industrial de secagem em uma
determinada temperatura, porém na sua composição ou superfície existe água, uma vez que,
trata-se de um solido finamente dividido. Portanto, a quantidade de umidade, no leite em pó é
verificada por procedimentos que, visam à qualidade desse produto. Logo, a legislação
32
brasileira através da lei 1283 portaria 146, 07/03/1996 do MAPA (Ministério da Agricultura,
Pecuária e Abastecimento) regulamenta que esse valor, expresso em gramas por cem gramas
de amostra, deve ser de 4% para leite em pó desnatado e 3,5% para leite em pó integral.
Há outros métodos empregados no controle de qualidade de alimentos, para retirada de
água da sua superfície, dentre eles está o método de Karl Fischer que é fundamentado na
redução do iodo pelo dióxido de enxofre, iodo e um determinado reagente orgânico. Para um
procedimento deste tipo é necessário que se tenha disponível um aparelho responsável por
retirada a influência da umidade do ar e fornecer condições de ambiente para realizar uma
titulação em replicas que produza o mínimo de desvio possível. Contudo, o método de
referência utilizado para análise de umidade em leite em por consiste apenas de secagem em
estufa com circulação forçada a 105 º C.
4.2.2 Determinação de Lipídios
Apesar da existência de diversos métodos para extração de lipídios em matéria
orgânica, especificamente em alimentos. O método Soxhlet é mundialmente conhecido, ele e
idealizado pelo Francês Franz Ritter Soxhlet, nascido em 12 de janeiro de 1848, em Brunn,
que se dedicou a ciência e depois de ter recebido o título de pós-doutorado pela Universidade
Leipzig em 1872, associou-se ao instituto de Agricultura e Química Animal em Leipzi, sendo
professor de fisiologia animal e produtos lácteos no ensino técnico em Monique. Entretanto
foi em 1879, que esse cientista ilustre descreveu um dispositivo capaz de extrair gordura
presente no leite que o denominou de Soxhlet, mais tarde, esse dispositivo avançou muito
através dos estudos químico dos lipídios, sendo ainda, muito utilizado e referenciado,
atualmente, e tomado com método de referência pelos órgãos que regulamentam o controle de
qualidade em produtos lácteos. Além disso, o Francês estudou, também, as propriedades
químicas que influencia nas análises de açucares e acidez. Entretanto em 1886, ele descreveu
o processo de pausterização do leite a fim de evitar a deteriorização e consecutivas
transmissões de doenças (JESEN 2007). Dispositivo, de uso doméstico, foi capaz de
esterilizar o leite materno.
Na Alemanha Franz Soxhlet é conhecido por reformar a alimentação infantil,
concomitantemente ele elucidou as principais diferenças de termos físico-químicas entre o
leite humano e o bovino. Desta maneira, surgiu a possibilidade de isolar as proteínas
existentes no leite como caseína, albumina e globulinas, além de estudar a lactose o açúcar do
leite. Em 1900, foi clara a investigação das relações entre o teor de cálcio e o raquitismo. Em
33
1912, a presença de ferro no leite humano e bovino foi associada à anemia infantil. Franz
Soxhlet dedicou-se ao estudo do leite, descrevendo o dispositivo de Soxhlet (Figura 4.1).
Figura 4.1 - Extrator de Soxhlet, 1879.
Fonte: JESEN, 2007
Onde a letra D acima é exatamente o sifão que operaria a temperatura constante,
enquanto que A parte superior refere-se à entrada de amostras, enquanto que o compartimento
C para a saída de solvente.
Os lipídios são compostos orgânicos que exibem propriedades bioquímicas de alta
energia, pois, consistem de ácidos graxos essenciais, cuja função é de atuar como transporte
de vitaminas lipossolúveis. Obviamente, há outros métodos para determinação de lipídios
totais, que se configuram para extração em amostras de leite, um exemplo é o método de
Gerber que se baseia na quebra da emulsão do leite pela adição de soluções específicas.
(PINHEIRO et al, 2010).
Neste contexto, pode-se mencionar que a determinação de lipídios é realizada na
maioria das vezes por extração com solvente orgânico. Os métodos para determinação de
lipídios são classificados de acordo com o ministério da saúde para leite em pó o mais
utilizado é o de extração por solvente a quente.
Segundo Mills (2011), no comércio existe vários aparelhos destinados para essas
análises que vai de aparelhos mais simples aos mais sofisticados, entretanto todos eles têm em
comum um princípio de destilação, a partir da Figura 4.2, é possível observar que ao ser
submetido a uma determinada temperatura o solvente evapora entrando assim, em contato
com uma coluna de destilação, responsável por resfriar esse vapor, que retorna ao recipiente e
extrai o analito, desta forma, todos os lipídios presentes nessa amostra dentre ele gorduras
totais e pigmentos, interagem com o solvente e são extraídos.
34
Figura 4.2 - Esquema de um extrator de Soxhtec baseado no Soxhlet, 2011.
Fonte: Mills (2011)
O extrator ilustrado pela Figura 4.2, mostra o extrator de lipídios totais, trata-se do
mesmo princípio do extrator de Soxhlet, entretanto ele tem maior eficiência, pois, é
estabelecido maior vácuo para essa extração.
Como todo método de referência deve ser analiticamente a avaliação de alguns
parâmetros estabelecidos a fim de se gerar uma base de dados de teores de lipídios e umidade
em leite em pó. Desta maneira, é necessário definir qual amostra a ser analisado, com
também, a disponibilidade no que se refere ao número de amostras, sendo necessário conhecer
o intervalo de quantidade tanto para umidade quanto para lipídios, feito isto o seu método
deve ser exato e preciso, para isso, avalia-se o desvio gerado durante o experimento, e os
possíveis, como também, a má de calibração dos equipamentos e erros de sistemáticos. Na
Tabela 4.1 constam os parâmetros necessários, para avaliar a precisão do método de
referência (SKOOG et al, 2009).
Tabela 4.1 – Parâmetros que avalia a precisão de um método analítico
Termos Fórmula Empregada
Desvio padrão absoluto (s)
Desvio padrão relativo (DPR)
Erro padrão da média, Sm
Coeficiente de variação (%CV)
Fonte: SKOOG et al, (2009)
35
A precisão de um método analítico estabelece o grau de concordância simultânea
existente entre os dados que foram obtidos através dos métodos de referência. Enquanto que
um método exato quanto à proximidade do valor real e o valor obtido através do
experimental. Sendo assim, quanto mais réplicas se fazem das amostras significa que mais
robusto será o método em questão. Desta maneira, é necessário realizar no mínimo triplicatas
das análises experimentais, para essa análise deve-se considerar o viés designado de erros
sistemáticos cuja definição é concentrada, na equação 3.1.
(3.1)
Sendo assim, o viés representa o erro sistemático associado a uma análise, uma vez
que em termos de cálculos o valor é expresso por um sinal negativo no caso do resultado for
mais baixo e um sinal positivo no caso oposto.
O Instituto Adolf Lutz (2008) recomenda a detecção os erros sistemáticos, que pode
ser de três classes: instrumentais, do próprio analista ou até mesmo do método empregado,
uma vez que procurasse um método de referência cujo objetivo é validar um novo método
instrumental necessário a realização desses procedimentos, que poderão ser realizados com
calibração dos equipamentos a serem utilizados, cuidado e disciplina na verificação de forma
sistemática a leitura dos instrumentos, no caso de extração por método de Soxhlet, é
necessário um cuidado com a temperatura e o solvente utilizado, o este deve ser adequado
para as amostras, desta maneira, se o analista conhecer a precisão e exatidão de suas análises e
seu método aceitá-lo, como um método de referência. No que se refere a erros associados ao
método uma opção de correção é a adição de padrão e determinação de um branco que é uma
solução que contém o solvente e todos os reagentes usados na análise eles também podem
conter constituintes adicionados para simular a matriz da amostra, o termo matriz comumente
empregado é designado para fazer referência ao conjunto de todos os constituintes de uma
amostra.
36
5. CALIBRAÇÃO MULTIVARIADA
5.1 ANÁLISE MULTIVARIADA
A análise multivariada é constituída de procedimentos que relaciona muitas respostas
instrumentais, a respeito de um analito. Os métodos de calibração multivariada são
contemporâneos e relevantes, uma vez que se tornaram comuns, no meio científico (GELADI,
2002). Contudo, seu avanço depende muito do desenvolvimento de novos instrumentos
associados a eles novos softwares, ou seja, esses instrumentos são capazes de fornecer
respostas multidimensionais, sendo eles, descritos por faixas de comprimentos de ondas que
se estendem a muitas absorbâncias, parâmetros estes que são aliados de maneira, a gerar uma
matriz com n dados. (SKOOG et al, 2009). Desta maneira, os métodos de análise multivariada
são ferramentas analíticas muito interessantes, pois eles são capazes de determinar a
composição de misturas complexas como o leite em pó, uma vez que são capazes de causar
uma redundância nas medidas.
Segundo Geladi (2002), a calibração é uma parte da atividade científica e muitos
métodos de calibração têm sido propostas e introduzidas ao longo dos anos. Sendo que, a
Calibração univariada é bastante simples, mas não tão útil quanto calibração multivariada, no
qual envolve muitas variáveis. Desta forma, alguns quimiometristas tendem a perder a visão
geral na literatura, e não sabem distinguir quais são as diferenças entre os métodos de
calibração; o que deve ser olhado além da escolha de métodos de calibração; quais são as
melhores diagnósticos e como devem ser interpretado? Muitas mais perguntas podem ser
feitas.
5.2 QUIMIOMETRIA
A Quimiometria é definida, como sendo, a aplicação de métodos estatísticos e
matemáticos para análises de registros químicos e tratamento dos mesmos (BURNS et al,
2001).
Pomerantsev et al, (2010) realizaram uma pesquisa bibliográfica de noventa artigos
publicados nessa área a fim de criticá-las e inserir conceitos importantes que poderiam ter
sido citadas mas não foram. Os pesquisadores concluem que, alguns livros e handbooks
designados para estudo da análise quantitativa do NIR são constituídos de relatos a
experiências de pesquisadores, sendo uma ferramenta analítica para levar aos
37
espectroscopistas a compreensão da quimiometria. Logo, é de fundamental importância
conhecer, ainda mais, os métodos multivariados. Uma vez que, a quimiometria é
interdisciplinar e continua, atualmente, sendo conceituados através de publicações em
periódicos, alguns deles inseridos nos anexos deste trabalho. Sendo assim, é importante que se
mencione que o primeiro texto quimiométrico foi realizado por (MASSART et al, 1988).
Segundo Geladi (2002), existe uma ansiedade pelo futuro quimiometria, sendo assim,
o pesquisador indaga sobre, como poderemos enfretar os próximos anos, sabendo que, a
maioria dos pioneiros na quimiometria se aposentou ou estão afastados, alguns deles foram
substituídos por uma nova geração de quimiometristas. Sendo assim, para o pesquisador, em
alguns países. As atividades da quimiometria estão, seriamente, ameaçadas, pois muitas
universidades parecem estar interessados em substituição de corpo docente em quimiometria,
para o autor todos os objetivos originais de quimiometria foram alcançados e superadas. Esses
objetivos foram formulados primeiramente como uma comunidade a duas semanas de duração
(NATO Estudos Avançados) Instituto que foi realizada em setembro de 1983, em Cosenza, na
Itália, onde todos o quimiometristas importantes e a seus pós-graduandos ao longo do tempo,
reuniram-se e palestraram abrangerando todos os aspectos da quimiometria. Dentre eles
formam: foram Bruce Kowalski, Deborah Illman e Ildiko Frank.
Esta técnica matemática surgiu através da necessidade de utilizar técnicas analíticas
que difundidas por todo o mundo, nos EUA na década de 70 os pioneiros nessa área foram os
seguintes pesquisadores: Steve Broun, Karl Booksh, Paul Gemperline, John Kalivas, na
Ingleterra e Richard Brereton. Os pioneiros nessa técnica matemática foram o Professor
Svante Wold da Universidade na Suécia e Professor Kowalski da Universidade em
Washington Seatle nos EUA. Contudo, a quimiometria surgiu da necessidade de se tratar
grandes quantidades de dados, uma vez que a partir de 1970, houve uma presença assídua dos
microprocessadores em laboratórios de Química Analítica. Poppi et al, (1993) foram os
pioneiros da calibração multivariada no Brasil.
Segundo Geladi et al, (2004), é possível a técnica utilizando dados hiper-espectrais
podem ajudar resolver problemas na calibração multivariada, pois a partir de imagens para
análise de imagem multivariada é possível obter modelos mais robusto, uma vez que, é
realizado uma seleção de padrões de referência e correção dos cálculos em algoritmos, sendo
uma altenativa multivariada para próximos trabalhos. Em se tratando, dos critérios necessários
para lidar com a quimiometria, inicialmente, é preciso conhecer em um primeiro momento a
álgebra básica para entendimento e cálculos realizados por programas computacionais
específicos, responsáveis pela modelagem e tratamento de dados analítico.
38
Segundo Casale et al, (2010) em seu trabalho de caracterização do óleo de oliva
cultivado na Itália por infravermelho próximo (NIR) realizado por um monitoramento de 46
amostras, em função de sua qualidade em ácidos graxos, é possível elaborar um modelo para
classificação dessas amostras, como também determinar os ácidos graxos por cromatografia
gasosa e correlação com o NIR, a fim de averiguar sua eficiência.
A calibração multivariada é aplicada a diversos tipos de análise, e áreas de estudo
diversificadas. Na literatura científica, podem ser encontrados, trabalhos para classificação de
amostras de tomates quanto ao genótipo, essas análises são realizadas através, obviamente,
por um método de referência, associando-o a um método espectroscópico. Wi et al, (2009)
aplicaram espectroscopia no visível e infravermelho próximo. Trabalhos como esse que
utilizam uma região muito próxima do visível, a fim de construir modelos para classificação e
quantificação de amostras de alimentos, é muito comum em pesquisas desenvolvidas por
pesquisadores de origem chinesa. Outro exemplo, é o trabalho de Ye et al, (2009), quando
classificam amostras de achocolatados comerciais, quanto ao teor de sacarose.
5.3 PRÉ - TRATAMENTOS
Durante a obtenção dos espectros muitos fatores podem interferir nas análises. Para
minimizá-los, é necessário o pré-tratamento dos dados é a fase de maior relevância para
interpretação correta e coerente dos resultados, pois indicará com maior precisão e exatidão, o
melhor modelo a serem aplicados, aumentando a relação sinal/ruído dos espectros (GELADI
et al, 2010). Esses critérios facilitam a interpretação de resultados e conseqüentemente
melhoram a modelagem dos parâmetros a serem pesquisados. Assim, o pré-tratamento é
considerado um processo para manipulação de dados instrumentais realizados antes de uma
análise de resultados, cujo objetivo é de reduzir possíveis variações, de maneira que, seja
possível desenvolver modelos robustos, precisos e exatos (NAES, 2004).
5.3.1 Centralização na Média
Consiste na aplicação da subtração do valor da média de cada variável e cada elemento
da variável. Considera-se o conjunto de dados R(i x j), logo:
39
(5.1)
onde: é o elemento da i-ésima linha da columa j, valor médio de j.
5.3.2 Correção do Espalhamento Multiplicativo de luz (MSC)
Geladi et al, (1985) foram os primeiros pesquisadores a aplicar o MSC que consiste
em um método aplicado para correção e redução do efeito de espalhamento da luz em
espectroscopia NIR por refletância difusa durante a aquisição dos dados. Sendo uma técnica
comparada, em termos de eficiência, com os métodos derivativos, pois tem a capacidade de
suavizar espectros e retirar informações desnecessárias. Portanto, para um espectro individual
o modelo MSC é expresso da seguinte forma:
Figura 5.1- Ilustração dos efeitos de espalhamento de luz, (a) Antes, (b) após a Correção
Fonte: A autora, 2011.
A correção é determinada pela regressão do espectro, e sua média, cujo modelo MSC.
Onde i representa a amostra, λ comprimento de onda, efeito adicional, efeito
multiplicativo na amostra (BOYSWORTH et al, 2000). Como a e b são constantes para todos
os λ na amostras. A correção é determinada escala entre derivação e regressão, logo:
(5.2)
Apesar de não corrigir defeitos na linha de base, o MSC é responsável por suavizar as
linhas espectrais, como ilustra a Figura 5.2. Por ser um tratamento eficiente, no que se refere à
eliminação dos efeitos de espalhamento da luz, esse método matemático de suavização
40
espectral é um tratamento básico para uma modelagem de dados, pois elimina possíveis
interferências provocadas pelo espalhamento da luz (MCCLURE, 2001).
Figura 5.2- Espectro de NIR antes o tratamento MSC (a), depois do tratamento
Fonte: NAES et al, 2004.
5.3.3 Alisamento de Savitzky-Golay
Em 1964, Saviztky e Golay elaborou um método para suavização e diferenciação de
dados, esse método consiste de um método matemático cujo objetivo é de suavizar os
espectros visando à remoção de ruídos causados por interferências aleatórias adquirido no
procedimento instrumental. Esse alisamento é uma maneira de, escolher uma janela “n”, ou
seja, como o número de pontos ideal de forma a não elevar relação sinal/ruído e com cuidado
para não retirada de informações essenciais necessários a interpretação dos resultados
analíticos. O algoritmo Savitzsky-Golay ajusta um polinômio a cada segmento de curva
sucessivo, substituindo assim os valores originais por variações regulares. (NAES et al, 2004).
Gorry, (1990) afirma que o melhor procedimento para minimizar os ruídos espectrais
sem que ocorra a retirada de informações essenciais é aquele que resulte em suavização
através da aplicação do cálculo de polinômio.
(a) (b)
41
5.3.4 Cálculo das derivadas
Através de um modelo linear é possível realizar os cálculos derivativos. Logo, para os
espectros em uma determinada região como 850 a 1048 nm. Os espectros de primeira e
segunda derivada são representados, pela Figura 5.3
Figura 5.3 - Espectro e tratamento derivativo (Linha sólida: espectro original), (Linha tracejada: espectro com 1ª
derivada), (Linha pontilhada: espectro com 2ª derivada)
Fonte: NAES et al, 2004
Portanto, o modelo linear que representa os cálculos derivativos é apresentado pela
equação 5.7, abaixo:
(5.3)
Onde: y é a intensidade do sinal, neste caso absorbância, a, b e c são parâmetros estimados
pelos cálculos, sendo ele coeficiente angular, coeficiente linear (b) no qual expressa o desvio
da linha de base. Como um critério admitiu-se a equação seguinte descrita por:
(5.4)
Aplicando-se a primeira derivada, tem-se que:
(5.5)
42
Quando esse cálculo evolui para uma segunda derivada, então:
(5.6)
Admitindo- se que: C = 0. Logo a equação é representada por:
(5.7)
(5.8)
O cálculo do algoritmo aplica-se o método de Savitzsky-Golay. O resultado desse
tratamento é mostrado pela Figura 5.3. A vantagem da aplicação dos cálculos derivativos é
por que é capaz de aumentar a relação sina/ruído, entretanto é necessário, muita cautela
aplicar esse tipo de tratamento, no que se refere, ao cuidado para não ocorrer à eliminação de
regiões muito importantes, para uma futura modelagem. Portanto, aplica-se uma janela de
pontos e se observa a intensidade dos sinais que, podem ser obtidos, através da verificação
dos gráficos de loadings, ou seja, avaliar se o peso das variáveis foi minimizado
(BOYSWORTH et al, 2008).
5.4 MODELAGENS DOS DADOS
A modelagem de dados requer aplicação das técnicas multivariadas e se utiliza de
todas as variáveis para interpretação dos resultados (KAROUI; BAERDEMAEKE, 2007).
O avanço da indústria de computação possibilitou o desenvolvimento de vários
softwares, os quais através deles são realizados cálculos matemáticos, que exibem um
comportamento bastante complexo. As técnicas multivariadas utilizadas, nesse trabalho, e
análise por agrupamento (HCA) para seleção das amostras para construção dos modelos, é
Regressão por mínimos quadrados (PLS), Análise por Componentes para traçar o gráfico dos
loadings (THOMAS, 1994).
Segundo a CAMO S.A 2011, Análise de Componentes Principais (do inglês PCA) –
Principal Components Analysis é muito utilizada, a fim de gerar uma compreensão dos
resultados para que não haja perdas de informações importantes na interpretação de
resultados. A modelagem é realizada, de maneira a possibilitar que os conjuntos de dados
possam ser representados através de um número de novas variáveis chamadas de fatores ou
Componentes Principais que são combinações lineares das variáveis originais, essas variáveis
43
são reduzidas de acordo com a matriz gerada dos dados (THOMAS, 1994). Portanto, o PCA
é capaz de decompor uma determinada matriz original, dada por (m x n) em uma soma de
matrizes, que são produtos de vetores denominados de scores e loadings que são o peso das
variáveis. Desta maneira, a primeira componente principal (PC1), é definida em uma direção
com máxima variância de um conjunto de dados. Enquanto que, a segunda componente
principal (PC2) consiste de uma descrição da máxima variância no espaço da primeira
componente principal, e assim por diante. Cada componente principal é responsável por uma
parcela de contribuição em uma fração de variância dos dados. Sendo descrita como (PC1,
PC2, PC3, PC4, PC5,...), essas componentes estão em um sistema de coordenadas ortogonais
entre si, não existindo correlação entre elas. É importante enfatizar que a variância total é
explicada pelas primeiras componentes principais.
Como mencionado, o PCA decompõe a matriz X no produto de duas matrizes, logo:
(5.9)
(5.10)
Com o objetivo de calcular os scores e loadings, é realizado através de um algoritmo
de decomposição de valores singulares (SVD), sabendo-se que a matriz X é determinada pela
equação 5.11
(5.11)
Onde: P é a matriz dos loadings, e US é a matriz T dos scores, U e P são as colunas
ortogonais enquanto que S é uma matriz diagonal no qual seus elementos são valores
singulares e fornece informações sobre a variância que cada componente descreve como
sendo, representada pela equação 5.12
(5.12)
A equação 5.12, mostra que o denominador refere-se à variância total, enquanto que
“p” indica o número total de valores singular do conjunto de dados, o numerador refere-se à
variância de cada componente principal.
A CAMO S.A (2011) explica que, as distâncias entre a média e a componente
principal são os scores (t) para amostra e loadings são exatamente os pesos que as variáveis
exercem, no gráfico da Figura 5.4(b), o ponto “p” é a distância do vetor X1 o ponto
44
representada pela cor azul, a direção escrita pela cor vermelha é descrita pelos loadings de
Figura 5.4 – Representação dos scores(a), loadings(b)
(a)
(b)
Fonte: CAMO. S.A - Manual do Unscrambler, (2011)
Para se construir um gráfico que represente as componentes principais, deve-se tomar
por base alguns critérios. Inicialmente, é necessário o auxílio de um software, seguida de um
tratamento da matriz de dados. Desta maneira, geram-se algumas variáveis de categoria para
cada classe de amostras individual, selecionam-se, também, os números de variáveis e
amostras, fazendo uma sugestão do número de componentes principais a serem utilizadas.
A aplicação da técnica de validação cruzada (Full Cross Validation) tem objetivo por
obter um número ideal de componentes principais para modelagem de cada classe sendo os
dados centrados na média e possibilitar modelos com um mínimo de erro de previsão.
Finalmente, executa-se a análise de PCA, no qual são realizadas combinações lineares dos
dados, a fim de gerar um gráfico de scores.
5.4.1 Métodos de Regressão
A regressão por mínimos quadrados parciais (PLS) caracteriza-se por serem métodos,
cujo objetivo é ajustar, de maneira, linear as variáveis (GELADI, 2002).
Contudo, o PLS e PCR (regressão por componentes principais) apresentam algumas
vantagens sob o MLR (regressão linear múltipla), pois, estes utilizam as variáveis originais,
tendo como critério, o fato do número de amostras serem maiores que as variáveis de
45
respostas. Os modelos PLS tendem a serem sempre mais parcimoniosos, ou seja, usam um
menor número de fatores ou variáveis latentes.
Logo, pode-se descrever que para modelos de PCR podem existir algumas falhas,
devido ao fato de sempre utilizar a matriz X para modelagem. Por conseguinte, ao encontrar
as combinações lineares apropriadas das variáveis que modelam as concentrações, esse
modelo pode ser falho.
Dada uma matriz (n x m), especificamente X (1100 x 2400) inicialmente é calculado a
matriz correlação, da por:
(5.13)
Sendo que para cálculo desta matriz é necessário proceder ao cálculo da matriz
covariância que é dado pela expressão abaixo descrita:
(S i = j) logo a expressão a matriz é descrita por:
(5.14)
(Si ≠j) logo a expressão é descrita por:
(5.15)
Em segunda etapa, são calculados os autovalores, seguido do cálculo dos autovetores,
sendo obtida a norma, procedimento este necessário para se obter os scores e os loadings (p).
A equação abaixo descrita corresponde aos autovalores autovetores da matriz x
(5.16)
Onde: X é a matriz original, λ é o autovalor e I a matriz identidade, Para encontrar o autovetor
normalizado, o procedimento é descrito abaixo:
46
(5.17)
Por fim, é realizado o cálculo do scores, admiti-se a combinação linear expressa pela
equação abaixo:
(5.18)
Corresponde a primeira componente principal, segunda componente. Segui-se até a
“n”, componente principal. Para isso, encontra-se o modelo abaixo:
í (5.19)
A seleção das variáveis é realizada, com base no para processamento do cálculo do
algoritmo do PCR. Admitindo-se que, para o espectro e obtenção da matriz original (n x m)
no qual aplicando aos resultados n é o número de amostras correspondente a quantidade de
espectros gerados, enquanto que m é o número de variáveis desse espectro. No tocante a esse
trabalho o número de amostras é trinta e três sendo o número de variáveis 1300, incluindo a
os pré- tratamento. A seleção das amostras, para cada fase de processamento, é fundamental,
no qual a matriz original “X” é dividida em três porções, se constituído de fase de calibração,
validação e previsão. Desta maneira, 60% das amostras são designadas para fase de
calibração, a validação corresponde a 20 %, equivalentemente a previsão fica com 20 % das
amostras. Sendo assim, denomina-se Xcal, X val, Xprev. Para efeitos de cálculos Xprev é fixo,
enquanto que Xcal é a resposta do modelo, então:
(5.20)
Avaliação do modelo de calibração consiste em observar o RMSEC do inglês “Root
mean square error calibration”, o RMSEC é definido pela expressão abaixo (BURNS, 2001):
47
(5.21)
O RMSEC é definido pela escala das respostas. Logo, para um erro ser considerado
pequeno ele deve ser no máximo 10 % da escala de y (BURNS, 2001).
O processo de validação é realizado individualmente para cada variável, o gráfico da
Figura 5.5 exemplifica o processo de validação cruzada ou interna.
Figura 5.5 – Processo de separação de amostras
Fonte: Adaptado de CAMO. S.A - Manual do Unscrambler, (2011)
Todo modelo de regressão para ser ideal, ele deve obedecer a alguns critérios, quanto
ao erro gerado para fase de calibração, são eles: RMSEC e RMSECV devem ser menores que
10 %, sendo o coeficiente R o mais próximo de um e o Bias (inclinação da equação da reta)
igual a zero. Contudo para uma fase de previsão esses erros tendem a aumentar.
Quanto à investigação da variância residual, preferencialmente, a primeira componente
principal deve ser suficientemente capaz de solucionar os problemas referentes aos ruídos.
Figura 5.6 – Representação do ajuste para PC
Fonte: Adaptado de CAMO. S.A - Manual do Unscrambler, (2011)
48
O número ideal de fatores é representado pelo círculo em cinza, no qual no quadrante
esquerdo há um sub ajuste, enquanto que no direito um sob ajuste.
Contudo, o PCR exibe algumas desvantagens, no que se refere à perda de informações
muitos relevantes somente se o número de componentes principais for incorreto. Outro fato é
que o PC é obtido apenas coma matriz original.
Para identificar os outlier na calibração toma-se com fundamento o gráfico da amostra
leverage (influência) versus o resíduo de t-Student, sendo assim, a amostras leverage é
determinada pela equação:
(5.22)
Onde: é a linha associada de U com os fatores significativos para i da amostra.
Então, o resíduo de t-Student é calculado através de:
(5.23)
(5.24)
Sendo I o número de fatores, para o PCR componentes principais na calibração do
modelo. Portanto o leverage (influência) é a distância entre a amostra e o resíduo, logo o
procedimento mais indicado para correção dos outlier é a eliminação das amostras que ficam
anômalas ao modelo. Neste contexto, alguns trabalhos utilizam o PCR, como método de
regressão, contudo esse procedimento em um artigo não é o único a método a ser trabalhado
em publicação, na maioria das vezes esse procedimento é aliado a outros métodos, a fim de
fornecer mais confiabilidade na interpretação dos resultados.
5.4.1.1 Regressão por Mínimos Quadrados Parciais (PLS)
Segundo a CAMO. S.A (2011), o PLS é uma técnica multivariada, este método de
regressão foi desenvolvido em 1970 por Herman Wolf. É aplicada geralmente para análise no
NIR, onde existe uma maior complexidade das bandas em determinados componentes. Assim,
no modelo PLS as informações espectrais de uma matriz e concentração da matriz Y são
correlacionadas a fim de obter uma relação linear na fase de calibração
49
Muitos pesquisadores empregam a calibração multivariada utilizando o método PLS
afim de construir modelos para previsão de teores de nutrienes em diversos tipos de
alimentos. Sinelli et al, (2008), no qual determina de flavonóides antocianinas ácido ascórbico
dentre outros sólidos em amostras de beterraba a partir da construção de modelos PLS.
A Figura 5.7 exemplifica, de forma genérica, como PLS processa os dados da matriz.
Logo, para construção desse modelo a regressão dos mínimos quadrados retira informações de
um conjunto de dados da matriz X e correlaciona-os coma informações retiradas do conjunto
de dados da matriz Y.
Figura 5.7 – Representação do Modelo PLS
Fonte: Adaptado de CAMO. S.A - Manual do Unscrambler, (2011)
Contudo, através da combinação linear entre os dados da matriz X referente das
informações espectrais e os dados de uma matriz Y referente aos dados fornecidos pelo
método de referência. Sendo possível, obter um determinado número de fatores denominados
de varáveis latentes que são indispensáveis para realizar a correlação dos dados. Quanto à fase
de calibração o número de variáveis latentes é utilizado de maneira que, gere o menor
RMSEP (erro de previsão) possível.
A respeito do PCR, através do gráfico de leverage em função do resíduo de t-Student é
possível identificar amostras anômalas, isso significa que, esse teste é capaz de mostrar pelo
método de regressão dos mínimos quadrados as amostras que estão fora do limite de
confiança de 95 %. Como foi mencionado, o modelo de regressão por mínimos quadrados
(PLS) é estimado por variáveis latentes e a matriz X (variáveis independentes) e matriz Y
(matriz de variáveis dependentes) são representadas pelos scores e loadings. Sendo assim, a
equação 5.25, simplifica essa afirmação.
Sabendo-se que:
e
Onde:
50
Então:
X = p(T) + E (5.25)
Y = q(U) + f (5.26)
Onde T é a matriz de scores de X, enquanto que U é a matriz de scores de Y.
Quando se relaciona as equações:
Y = q(w(x)) + f (5.27)
Y = b(x) + f (5.28)
Onde o coeficiente de regressão e Y é a matriz das concentrações das amostras, (E) é
um vetor que representa os erros dos modelos.
Diante dessas informações, conclui-se que o PLS tem por objetivo obter uma melhor
relação entre os scores de T e U, e resíduos os menores possíveis de (E) e (f). Para avaliar o
modelo PLS devem-se obedecer alguns critérios principalmente quanto ao número ótimo de
variáveis latentes, deve-se saber que a sua complexidade aumentará com a adição de mais
variáveis latentes, e conseqüentemente a calibração terá maior capacidade estimativa,
entretanto esse procedimento pode acarretar a inclusão de ruídos provocando erros ao modelo,
conseqüentemente acarretando na construção de modelos de previsão não reais quando
aplicado a amostras futuras. Desta maneira, o número de variáveis latentes mais adequados é
aquele que produza o mínimo de erro na previsão (RMSEP), sem que diminua a
complexidade desse modelo.
Valderrama et al, (2009) afirma que para calibração multivariada de dados de primeira
ordem. As figuras de mérito como: exatidão, precisão, robustez e bias, são estimadas de
maneira bastante similar aos métodos de calibração univariada. Enquanto que, linearidade,
sensibilidade, razão sinal/ruído, ajuste, seletividade e intervalos de confiança, há outras
abordagens. Sendo que, a seletividade e a razão sinal/ruído são parâmetros ainda mais
complexos que somente, podem ser estimados mediante o cálculo do sinal analítico líquido
(NAS) para a propriedade de interesse a ser quantificada.
O cálculo das Figuras de Mérito em calibração multivariada aplicada ao NIR para
validação de uma metodologia é regulamentado ASTM norma E1655. Enquanto que, quando
se compara métodos às definições são propostas pela norma ASTM D4855-97 de 2002. De
maneira que, as figuras de mérito em calibração multivariada como:
51
Exatidão
É e utilizado para a comparação dos resultados obtidos em trabalhos com calibração
multivariada, pelo erro médio de estimativa da propriedade de interesse é referido como uma
estimativa. Em se tratando, da calibração multivariada esse valor previsto é representado pela
raiz quadrada do erro médio quadrático da previsão (RMSEP – do inglês, Root Mean Squares
Error of Prediction).
(5.1)
Onde: I é o número de amostras do conjunto de validação, correspondem aos valores
de referência e os previstos pelo modelo multivariada, respectivamente.
Precisão
Para a E1655-00 da ASTM leva em consideração expressa a capacidade dos resultados
apresentarem repetibilidade, a precisão intermediária e reprodutibilidade.
BIAS
Segundo a norma da E1655-00 da ASTM a observação das bias é feita através deste
parâmetro sendo averiguada a presença de os erros sistemáticos, que na equação da reta é a
inclinação da curva a ser gerada pela construção do modelo multivariado. Durante a
calibração é necessário que se conheça o número ideal de fatores a ser utilizado, para isso
toma-se com critério de avaliação o erro de previsão do modelo, o RMSEP expresso na
equação sendo definida através do modelo de calibração tal como PLS (regressão por
mínimos quadrados). Sendo assim, a sensibilidade de tais modelos é definida Burns et al,
(2001) pela equação 5.2, sendo é possível calcular a inclinação da reta (bias), portanto:
(5.2)
onde: D é a diferença entre as duas médias, N é o número de amostras
52
6 METODOLOGIA
6.1 AMOSTRAGEM
Os materiais, solventes e software necessários para os procedimentos analíticos foram:
Balança analítica marca Tecnal modelo 210, Estufa de secagem marca Quimis modelo
314M243, Aparelho Extrator de Soxhlet marca Tecnal modelo TEO44, Estufa para secagem
com circulação de ar, cartucho de celulose para extração em soxhlet, cápsula de porcelana,
espátula de metal, pinça de metal, dessecador, sílica gel e computador tipo PC, e programa
Unscrumbler® instalado classificação por HCA.
6.2 ANÁLISES GRAVIMÉTRICAS
Os procedimentos e ensaios relatados neste trabalho estão inseridos no manual de
Métodos Físico-químicos de análise do Instituto Adolfo Lutz (2008) e Instrução Normativa nº
68, de 12 dezembro de 2006, regulamentado pela Lei 1.283 de 18/12/50 com Decreto 2.244
de 04/06/97 e Portaria 146 de 07/03/1996 do MAPA que trata dos Regulamentos técnicos de
identidade bem como da Qualidade dos produtos lácteos.
6.2.1 Determinação de Umidade
O teor de umidade foi determinado pelo Método nº 12/IV baseado na secagem de
amostra “in natura” a 105 º C e pesagem da matéria seca. Inicialmente, as amostras foram
separadas em partes representativas das amostras e procedeu-se com sua abertura por
quarteamento. Pesou-se em triplicata dez gramas de cada réplica. Submeteram-se as amostras
à secagem, em estufa a 105 ºC, por três horas e refriou-se. Pesaram-se as amostras secas e
registrou-se o Peso 1. O procedimento foi realizado até a obtenção de peso constante
(P1,P2,P3,...,Pc). Realizaram-se os cálculos, para determinação de teor de umidade em cem
gramas de amostra.
(6.1)
Onde: N é o número em gramas de umidade expresso por perda de massa, P é o número de
gramas da amostra.
53
6.2.2 Determinação de Lipídios
O teor de lipídios totais foi determinado pelo Método nº 032/IV baseado na extração
por evaporação de solvente. O procedimento para determinação de gordura total das 33
amostras foi realizado por pesagem em triplicata de cinco gramas amostras e extração da
gordura total em aparelho Soxhlet programado a temperatura constante de 90 º C, utilizando-
se um volume de 50 mL de éter por um tempo de 2h, em seguida a fração lipídica foi extraída
por evaporação do solvente e secagem do extrato étero a 100 º C em estufa com circulação
forçada durante 5 minutos e refriamento em dessecador com sílica em gel. O cálculo foi
realizado pesando-se a quantidade de gordura extraída relacionado a leite em pó, conforme a
equação 1, ilustrada abaixo. O procedimento citado foi realizado até obter peso constante
(P1,P2,P3,...,Pc). Através dos cálculos determinou- se o teor de lipídios em leite em pó:
é
No procedimento de deteminação de lipídios em leite em pó denominado pelo método
de Soxhlet, no qual o solvente dentro de um sifão é submetido a sua temperatura de
evaporação (90 º C) este elui no interior da cesta onde está a amostra com o analito. Logo os
lipídios foram extraídos em um cartucho de vidro esse processo é de aproximadamente 2
horas.
Figura 6.1 Ilustração do Extrato Soxhlet
54
O “1” é o tubo de destilação, “2” é o cartucho com para coleta do lipídios em solvente,
“3” é a manta de aquecimento, “5” e “6” são as entrada e saída de água respectivamente, “4” é
o controle de temperatura, “7” controle para cesta com amostra (Figura 6.1).
6.3 ANÁLISE ESPECTROSCÓPICA
A obtenção dos espectros foi realizada utilizando-se um espectrômetro com
transformada de Fourier, FTIR da ABB BOMEN. A temperatura da sala estava em torno de
20 º C, com umidade controlada. O número de pessoas foi restrito a dois analistas. O
procedimento foi iniciado a partir de 30 min após o equipamento ser ligado. As condições
para obtenção dos espectros foram: A faixa espectral entre 714,2 a 2502,4 nm (sem
tratamento matemático); resolução de 8 cm -1
; o acessório de refletância difusa posicionado
no modo rotativo; 50 varreduras para cada espectro. O padrão de referência foi o
Politetrafluoretileno.
Figura 6.2 Espectrofotômetro no NIR (a) ilustração das condições aplicada nas análises (b)
(a)
(b)
Fonte: Laboratório de análise em Petróleo (NUPEG – UFRN)
As amostras de leite em pó, não passaram por nenhum pré-tratamento, ou seja, foram
retiradas diretamente das embalagens, sem sofrer qualquer tratamento químico. Desta forma,
as amostras foram: transferidas para o porta amostra (recipiente de vidro adequado para
leitura no NIR) e posicionadas no acessório de Refletância Difusa no modo rotativo. A
calibração do equipamento constitui-se a etapa inicial do procedimento realizado da seguinte
forma: Inicialmente obteve-se o espectro da referência (Politetrafluoretileno), sendo este
material posicionado nas mesmas condições de análise das amostras e seu espectro foi
registrado. Em seguida foi realizada uma validação do método para obtenção dos espectros
55
das amostras e validou-se o método, para as amostras de leite em pó, que consistiu em obter
os espectros de refletância, sob as condições descritas pela Tabela 6.1
Tabela 6.1 - Validação das condições para obtenção dos espectros, NIR
A partir da Tabela 6.1, selecionou-se as condições que gerasse o mínimo de desvio
padrão, sendo de 8 cm -1
em modo rotativo. Com base nisso foi realizado, a aquisição dos
espectros originais para cada amostra em triplicata.
6.3.1 Análise Multivariada
Após a obtenção dos espectros, os dados foram importados para o software
Unscrambler 9.7 da Camo S.A, seguindo-se dos pré-tratamentos, sendo eles: MSC,
alisamento de Savizkty – Golay, e cálculos de 1ª e 2ª derivadas.
As amostras de leite em pó foram separadas pelo Método Ward Linkage (VARMUZA;
FILZMOSER, 2008). A análise estatística foi realizada com o auxílio do software statistc 9.0
e Unscrambler 9.7 da CAMO S.A®. O procedimento consistiu principalmente na seleção do
método hierárquico no qual há a necessidade da aplicação da análise de “clusters” cuja etapas
foram: seleção das amostras indiviaduais para serem agrupadas; definição do parâmetro a
partir do qual obteve-se a informação necessaria ao agrupamento; definição da distância de
cada grupo; definição do algoritmo para classificação; validação dos resultados encontrados.
O critério de Ward apresentou as etapas como cálculo das médias para cada grupo, cálculo do
quadrado da distância Euclidiana entre as médias e os valores do parâmetro para cada
amostra, soma das distância para todas as amostras, minimização da variância entre os grupos,
isto é a soma dos quadrados dos erros e validação do procedimento.A seleção por HCA
(Análise Hierárquica por Agrupamento das classes) mostrou que 19 amostras seriam
utilizadas para fase de calibração, 7 para validação e 7 para previsão. A partir dessa
separação da matriz original em três porções, construíram-se modelos por PLS: de calibração
e previsão de teores de lipídios e umidade em leite em pó.
Resolução (cm -1
) Tempo de análise (min.) Desvio padrão
8 2 0, 00818
4 1,5 0, 00967
2 1,0 0, 01450
56
7 RESULTADOS E DISCUSSÃO
7.1 MODELAGENS DOS ESPECTROS NO NIR
7.1.1 Escolha da Região Espectral de Trabalho
Os espectros das 33 amostras de leite em pó foram trabalhados na faixa de 1145,83 a
2489,15 nm, de acordo com a Figura 7.1. Embora, os espectros tenham sido obtidos em uma
região de 714,2 a 2502,4nm, houve a eliminação da região de 750 a 1145,83nm, por se tratar
de uma região com ruídos, pois nessa região o detector do espectrômetro Bomen apresenta
uma baixa relação sinal ruído, desta maneira, essa faixa foi eliminada para evitar que
houvesse inserção de informação ruidosa aos modelos quimiométricos. Este critério foi
adotado para a região de 2489.15 a 2500 nm.
Figura 7.1 – Espectros originais com varredura de 1145.83 a 2489.15nm
Portanto, a região de 1100 a 2500 nm contêm informações mais relevantes, referentes
à composição de leite em pó, como também os derivados do leite dentre eles: queijo,
manteiga, iogurte, dentre outros (FRANKHUIZZEN et al 2008)
57
7.1.2 Análise da Necessidade de Pré-Tratamento
Nesta etapa, foi realizada uma avaliação da necessidade de um pré-tratamento dos
espectros. A partir dos espectros originais , Figura 7.2, pode-se notar que existe um
deslocamento entre os espectros das amostras de leite em pó em relação ao eixo de
reflectância. Este fenômeno ocorre devido às diferenças na granulometria dessas amostras.
Para reduzir esse efeito aplica-se técnicas de correção, antes da calibração. Tal método foi
aplicado pela primeira vez por Geladi et al, (1985) para corrigir esse espalhamento. Portanto,
o MSC evita que tal erro ocorra, essas oscilações sejam incluídas nos modelos
quimiométricos.
Figura 7.2 – Espectros das 33 amostras de leite em pó; Alisamento de Savitzky Golay e Correção de
Espalhamento Multiplicativo (MSC).
Antes da correção expresso na Figura 7.2, verificou-se a presença de pequenos
componentes ruidosos. Para suavizar esses espectros testou-se as técnicas de pré-tratamentos
de Alisamento de Saviztky- Golay e Correção multiplicativa do espalhamento da luz como
resultado foram gerados modelos com um reduzido erro de previsão.
Essa evidência é constatada por Borin et al, (2006) que demostram a eficiência das
técnicas de pré-processamento em espectro de leite em pó, sendo os espectros coletados em
região de 1000 a 2400 nm. Desta forma, os pesquisadores aplicam ferramentas
quimiométricas no sentido de quantificar adulterantescomo sacarose em leite em pó. Os pré-
58
tratamentos utilizados, segundo os autores, foiram o MSC para correção do espalhamento
multiplicativo da luz que é o mais adequado pois resulta em um reduzido erro de previsão,
sendo de RMSEP de 1,47.
7.2 ANÁLISE QUALITATIVA DAS BANDAS NO NIR
Figura 7.3 – Espectros Representativos de amostras de leite em pó
As amostras de leite em pó que apresentaram mais semelhanças foram de leite caprino
e bovino. Deste modo, todas as amostras de leite integral, desnatado e soja apresentaram
bandas semelhantes em torno de 1200 nm, referentes ao segundo sobreton de C = O de
lipídios; 1461,77 nm do primeiro sobreton de O – H de água; entre 2200 a 2489,15 nm do
segundo sobreton de C – H de lipídios, conforme explica (Rob Frankhuizzen et al, 2008).
Dessa forma, as bandas referentes a lipídios estão em 1461,77 nm (linha preta), referente a
leite integral. Em 2200 nm (linha preta) de leite integral. Para umidade as principais bandas
são: 1461,77nm (linha azul) leite desnatado.
O NIR é um método alternativo de análise se for baseado em um método de referência,
uma vez que, os vários comprimentos de onda são determinantes para análise dos alimentos,
especificamente, dos lácteos, de maneira que as moléculas mais influentes, nessa
configuração, são de água, lipídios e proteínas (BURNS et al, 2008). Portanto, quando se
observa toda a região espectral os resultados qualitativos obtidos dessa análise, são expressos
na Tabela 7.1.
59
Tabela 7.1- Resultados da Análise Espectral
GRUPO FUNCIONAL COMPRIMENTO DE ONDA (nm) TRANSIÇÃO
VIBRACIONAL
C = O (ácidos graxos) 1200 – 1145,83 Segundo sobretom
C – H (ácidos graxos) 2200 – 2489,15 Segundo sobretom
O – H (água) 1640 Primeiro sobretom
Ligação de H (água) 1698 Primeiro sobretom
O – H (água) 1800 – 2200 Combinações vibracionais
O – H (água) 1900 – 1950 Combinações vibracionais
A partir da região de 2200 a 2489,15 nm é possível, identificar combinações
vibracionais de C – H de lipídios, possibilitando assim uma investigação dessa região que, por
sua vez, quando são submetidas a tratamento matemático, há maior confirmação da presença
desses grupos característicos, pois essas informações tornam-se mais acentuadas (VESELA et
al, 2007).
A literatura científica afirma que essa região no NIR é de extrema relevância para
identificação de gorduras (FRANKHUIZZEN et al, 2008). Carbanás et al, (2006) identica e
quantifica os ácidos graxos presentes em alimentos com alto teor de lipídios. Neste trabalho, o
autor afirma que, dependendo do pré-tratamento e da região escolhida essas informações
podem ser mais acentuadas, implicando em modelagem capaz de determinar gordura com um
erro bastante reduzido.
O controle de qualidade nesses lácteos é imprescindível, pois é fundamental gerenciar
os processos de fabricação, em indústrias de alimentos (FRANKHUIZZEN et al, 2008). O
exemplo disso é o trabalho de Costa Filho (2009), onde para estabelecer um método novo
para o controle de qualidade em uma indústria de lácteos, o autor propõe à utilização do NIR
aliado à calibração multivariada a fim de construir modelos precisos, robustos, exatos e
conseqüentemente hábeis para previsão de componentes em um produto lácteo.
60
7.3 ANÁLISE DO PESO DAS VARIÁVEIS
O gráfico dos loadings é obtido porque confirma as regiões que apresentam maior
peso, ou maiores informações, conforme ilustra a Figura 7.4.
Figura 7.4 - Gráfico dos Loadings
Neste aspecto, a presença de lipídios e umidade também foi confirmada pelos gráficos
de loadings. Logo, quando se avalia as amostras de leite em pó quanto à presença de gordura,
obviamente, que as amostras se diferem entre si, pois, entre integral e desnatado há uma
expressiva diferença na presença de lipídios.
Apesar de ser uma análise qualitativa, o gráfico dos loadings mostra e confirma as
regiões que determinam as características dos lipídios, sendo elas: 2308,51: 2350,36: 2398,20
nm, onde há as combinações vibracionais, de segundo sobreton de C – H, e também;
1215,12nm que correspondem ao segundo sobreton de C = O.
As regiões que se destacam, pela presença de umidade, ou seja, água que é facilmente
identificada, como sendo: 1729 e 1769,17 nm de O – H.
Para determinação de lipídios e umidade, em leite em pó (1100 a 2500 nm) Os
modelos PLS para calibração e previsão deve ter reduzido RMSEC e RMSEP, ou seja, deve
produzir resultados semelhantes ao método de referência (FRANKHUIZZEN et al, 2008).
61
Contrariando esse argumento os pesquisadores Liu et al, (2009) utilizaram a região de
400 a 1000 nm, muito próxima do visível, é adequada determinação (PLS) e classificação
(PCA) de amostras de achocolatados. Contudo essa faixa é para determinação de açúcares.
A partir desses estudos os pesquisadores desenvolveram instrumentos portáteis para
aplicação comercial na detecção de adulteração de leite desses produtos, concluindo que os
modelos obtiveram um bom desempenho, pois, houve a seleção de regiões importantes para
análise de sacarose em derivados lácteos (CEN et al, 2007).
Os pesquisadores Wu di et al, (2009) relatam que as regiões mais significativas para
elaboração de modelagem é a de: 1400 a 2500 nm, confirmando que existe diferença nas
regiões trabalhadas devido à disponibilidade do espectrômetro em cada laboratório analítico.
7.4 CONSTRUÇÃO DOS MODELOS MULTIVARIADOS
7.4.1 Seleção das amostras
Granato et al, (2010) enfatiza que o objetivo principal da Análise por Agrupamento
Hierárquico (HCA) é de mostrar os dados de tal forma a enfatizar sua tendência em um
espaço bidimensional, sendo os resultados qualitativos na sua natureza, são apresentados na
forma de um dendrograma, permitindo a visualização dos clusters e correlações entre as
amostras ou variáveis. De maneira que, o método HCA calcula as distâncias euclidianas entre
as amostras ou variáveis, e as transforma em matriz de similaridade cujos elementos
são índices de similaridade variando de 0 a 1; uma distância menor significa um índice
maior e, portanto, uma maior semelhança, é realizada com finalidade de selecionar o espaço
amostral. Conseqüentemente, a classificação levando-se em consideração a formação de
“clusters” ou grupos de amostras de acordo com a semelhança, neste caso baseado no
parâmetro gordura. De forma que, o emprego do método Ward Linkage é importante, pois se
trata de uma técnica de agrupamento hierárquico que interliga as amostras por suas
associações, produzindo um dendrograma, cujas amostras semelhantes, segundo as variáveis
escolhidas, são agrupadas entre si. A suposição básica de sua interpretação é que quanto
menor a distância entre os pontos, maior a semelhança entre as amostras. O dendrograma é
utilizado para visualização de semelhanças entre amostras ou objetos representados por
pontos em espaço com dimensão maior do que três, onde a representação de gráficos
convencionais não é possível (MOITA et al., 1998). A análise de cluster identifica as
diferenças existentes nos grupos das amostras (Varmuza e Filzmoser, 2008), através do
62
cálculo da distância Euclidiana entre os grupos de amostras de leite em pó expresso pelo
dendograma. A Figura 7.5 mostra como é realizada essa separação das amostras de leite em
pó para fases de calibração, validação e previsão (externa).
Figura 7.5 – Dendograma para separação das 33 amostras de leite em pó
A partir do cálculo da distância Euclidiana entre as amostra de leite em pó é gerado
um dendograma, onde é possível observar que cinco tipos de amostras podem ser
identificados em variação de três. Por conseguinte três tipos de grupos estão em evidência.
Desta maneira, as amostras foram separadas em subgrupos, sendo que 19 amostras foram
selecionadas para fase de calibração e 7 destinadas para fase de previsão externa. O método
Ward Linkage foi escolhido porque é capaz de interligar as amostras fazendo associações e
gerando um dendrograma.
É importante ressaltar que este Método (HCA) é muito utilizado em trabalhos
destinados a determinação de compostos majoritários em alimentos, pois é uma técnica
apropriada para seleção de amostras de leite em pó, sendo a maioria delas é de leite integral,
como demonstrou os pesquisadores Wu et al, (2008) que também utilizaram o método Ward
Linkage.
Portanto, é necessário afirmar que o método mostrou-se eficiente para selecionar
amostras de leite em pó, pois, esta análise envolve muitas variáveis, sendo muito útil nesse
trabalho, uma vez que o modelo PLS tende a gerar um erro bastante reduzido. O argumento é
condizente com valor limite.
63
Conclui- se para esse trabalho no qual são utilizadas 33 amostras e 1342 variáveis, o
método de Ward Linkage corresponde à perspectiva da construção de modelos de calibração
por PLS. A Tabela 7.2 mostra o resultado dessa separação.
Tabela 7.2 – Intervalos dos teores de lipídios totais e umidade.
PARÂMETRO FASES M MÍN MÁX DP
Lipídios totais
Calibração 18,7878 0,0047 25,1240 5,6191
Previsão 18,4827 4,8590 24,9097 6,8445
Umidade
Calibração 5,3444 3,6609 6,9312 0,8584
Previsão 5,4801 4,2444 7,01920 1,0048
A partir da Tabela 7.2, na qual a distribuição do conjunto de validação externa (fase de
previsão) é um conjunto externo que pode representar e testar o conjunto de calibração. As
amostras selecionadas para calibração e previsão de teores de lipídios têm seus valores
máximos semelhantes, condizente com a faixa de teores de lipídios.
Porém, para umidade a média e desvio padrão (DP) são compatíveis com a escala de
teor de umidade trabalhada. A dificuldade de realizar uma análise quantitativa no NIR está
associada à construção de modelo de calibração confiável. Desta forma as ferramentas
quimiométricas empregadas neste trabalho são importantes, uma vez que os modelos que se
adéqüem à precisão e exatidão do método de referência (CEN et al, 2007).
7.4.2 Construção dos Modelos para Previsão de Teores de Lipídios
Com base na seleção das amostras, e na resposta fornecida pelo método de referência
construíram-se os modelos de calibração. A primeira etapa seguida foi determinar o número
ideal de variáveis latentes a serem adicionadas ao modelo, uma vez que, o modelo PLS
consiste em estimar parâmetros do modelo havendo assim a necessidade de controlar a adição
desses fatores. Poucos fatores podem prejudicar o desempenho do modelo, uma vez que
algumas informações importantes podem não ser modeladas (BJØRSUIR et al, 2008), logo
esse procedimento consisti em realizar uma validação cruzada (Full Cross Validation) onde
são determinados o melhor nímero de fatores a ser inserido no modelo.
64
Testou-se os dados no conjunto dos tratamentos e cálculos derivativos, obtendo-se
resultados contidos na Tabela 7.3
Tabela 7.3 – Resultados da modelagem por PLS ( % lipídios totais).
PRÉ-TRATAMENTO R RMSEC BIAS R RMSEP BIAS
1ª derivada 9 pontos 0,9942 0,5861 2,732*10-6
0,9955 0,8952 0,2869
1ª derivada 15 pontos 0,9999 0,0148 7,215*10-8
0,9838 1,3400 0,4752
1ª derivada 21 pontos 0,9999 0,0221 1,223*10-7
0,9852 1,3792 0,7039
2ª derivada 15 pontos 0,9999 0,00753 1,162*10-7
0,8183 3,1726 0,9680
2ª derivada 31 pontos 0,9997 0,1111 7.215*10-8
0,9911 1,3879 0,5907
Desta maneira, através dos tratamentos realizados, sob a influência dos cálculos
derivativos, foi possível detectar que, o modelo que apresenta o menor erro de previsão de
teores de lipídios tem R 0,9955 e RMSEP de 0,8952. Desta forma, segundo Burns et al,
(2008) afirmam que se forem usados muitas fatores, pode ocorrer medição de ruído, ou seja,
há um risco desses ruídos espectrais serem incluídos no modelo de calibração. A Figura 7.6
comprova essa afirmação, onde é expresso o número de fatores a serem utilizados e o erro
gerado para o modelo PLS, onde é mostrado que o erro estimado pelo valor predito é reduzido
conforme se aumenta a complexidade do modelo (fatores = 1,2,3,...,9). Portanto, a
variabilidade do conjunto de calibração, aumenta progressivamente com a adição de fatores.
Figura 7.6 - Estimativa do erro versus o número de fatores (Modelo para % lipídios)
O resultado da primeira derivada em janela de 9 pontos contida na Figura 7.6, é o
cálculo que resulta em modelo com o menor erro na fase de previsão (RMSEP).
65
Figura 7.7 - Espectro com aplicação de 1ª derivada com janela de 9 pontos
Logo, conclui-se que nas regiões de 1145,83 a 2489 nm há mais informações para
modelagem de dados capazes de quantificar lipídios totais, em torno de 2200 nm,
correspondente ao 2º sobreton de C – H. Essas afirmações condizem com o trabalho de Wu et
al, (2008), no qual foram determinados os lipídios totais em amostras de leite em pó
resultando em modelos com coeficiente de determinação (R) na fase de previsão de 0,981.
Mas vale ressaltar que os pesquisadores utilizaram uma região espectral bem próxima do
visível de 800 a 1050nm, por isso, há essa diferença entre esses dois trabalhos. Outra razão
para tal, está muito associada também ao método de referência que foi utilizado. Sendo assim,
o método utilizado neste trabalho foi o de Rose-Gottieb, segundo os autores esse método é
regulamentado e Normatizado pelo GB/T 5413,3-1997 da China. Enquanto o método
utilizado neste trabalho é o Soxhlet, pelo MAPA, baseado em extração por evaporação de
solvente.
Purnomoadi et al, (1999) trabalharam nesta região de 1100 a 2500nm quando
construíram modelos para determinação de lipídios. Contudo, os pesquisadores utilizaram um
Método de Regressão linear (MLR), no qual é aplicado o cálculo da 1ª derivada. A região
1718 nm é referente a lipídios. O objetivo de se aplicar primeira derivada com janela de 9
pontos é de acentuar as informações espectrais mais importantes e obter modelos que sejam
capazes de prever teores de lipídios com o erro reduzido em relação ao Método de Referência,
como explica Burns et al (2008). O erro dos modelos entre o método de referência e o NIR
encontrados pelos modelos dos pesquisadores, esteve em torno de ± 4%. Logo, a Figura 7.8
66
representa a calibração das amostras de leite em pó, considerando-se os critérios citados
anteriormente.
Figura 7.8 - Gráfico de Calibração (Teores de Lipídios Totais), 1ª derivada 9 pontos
No conjunto da Figura 7.8 não estão incluídas as amostras da fase de validação, pois,
nesta fase, o conjunto validado participou da fase de testes, internamente, logo a técnica
utilizada para a construção desse modelo foi à validação cruzada, no qual se obteve para fase
de calibração, um RMSEC de 0,5861, valor dentro do limite de erro permitido. A correlação
(R) sendo de 0,9942, foi a melhor possível com base nos teores de lipídios proporcionados
pelos valores do método de Soxhlet, obtidos experimentalmente.
A respeito, dos tratamentos derivativos (Carbanás et al, 2006) afirmam que, para
construção de modelos por PLS, a fim de determinar os ácidos graxos em uma região de 400
a 2500 nm, que contempla o visível e o NIR, tratamento mais adequado para intensificação
dos sinais analíticos é o cálculo de 1ª de 2ª derivada.
Contudo, neste trabalho quando foram aplicados e testados nos modelos esses
cálculos, alguns apresentaram um erro elevado, possivelmente devido o método de referência
admitir um valor maior que o NIR. Um exemplo é o trabalho de (Casale et al, 2010) que
caracterizaram e classificaram as amostras de olivas cultivadas em diversas regiões da Itália.
Os pesquisadores afirmam que, o melhor tratamento para quantificação de ácidos capazes de
fornecer modelos exatos e precisos são os cálculos da primeira derivada.
A eficiência do tratamento derivativo na predição de teores de lipídios é representada
pelo modelo da Figura 7.9, referente à fase de validação externa (previsão).
0
5
10
15
20
25
0 5 10 15 20 25
Mét
od
o N
IR (
%li
píd
ios)
Método de Referência - Soxhlet (% lipídios)
67
Figura 7.9 – Gráfico de Previsão (Teores de Lipídios Totais), 1ª derivada 9 pontos.
Portanto, foi utilizado esse cálculo, pois, a partir dos modelos propostos, desta feita o
pré-tratamento utilizado foi alisamento de Saviztky-Golay e MSC.
O erro expresso pelo gráfico abaixo sugere que este modelo se adéqua a quantificação
de lipídios, uma vez que é obtido modelo com RMSEP de 0,8952 com o emprego de 9
variáveis latentes, logo a diferença estabelecida entre o presente trabalho é o número de
amostras e a região espectral utilizada para essa modelagem e principalmente a classe de leite
em pó. Neste trabalho a escala trabalhada é mais ampla, pois, contem amostra de leite
integral, desnatado. Os erros sistemáticos são representados pelo bias, logo o teste para
amostras na fase de validação está em 95 % de confiança e sabendo que o t para o bias é
calculado através da equação abaixo, conforme explica Valdemana et al, (2009). Com relação
ao valor do bias para o modelo, segue-se a equação 7.1.
(7.1)
De modo que o resultado obtido é de 0,07387, indicando um valor menor que o valor
crítico de 3,707 para um grau de liberdade em nv-1 . Desta forma, para esse modelo
multivariado não há a presença de erros sistemáticos significativos conforme descreve a
norma E1655-00 da ASTM. A Tabela 7.4, mostra a capacidade de previsão do modelo
expresso pelo erro médio. A Lei 1283 do MAPA estabelece um erro máximo de 26 % do
4
8
12
16
20
24
4 8 12 16 20 24
Mét
odo N
IR
Método de Referência - Soxhlet
68
valor nominal de 26g/100 g amostra, para leite desnatado esse erro deve ser no máximo de 1,5
% do valor nominal.
Tabela 7.4 - Valores Preditos (% lipídios totais).
AMOSTRAS REFERÊNCIA (SOXHLET) PREDITO (NIR) ERRO (%)
A6 16,4488 16,2520 1,1964
A11 24,9197 24,1190 3,2131
A2 23,8083 24,1840 -1,5780
A15 20,1145 20,1110 0,0174
A16 16,7496 16,7730 -0,1397
A28 22,4848 22,4800 0,0213
A29 4,8595 4,7730 1,7800
Desta forma, o modelo construído consegue prever com reduzidos erros os teores de
lipídios totais, sendo observada uma ótima correlação entre os dois Métodos. A Tabela 7.5
expressa o erro médio entre esses métodos considerando cada técnica de tratamento utilizada.
Tabela 7.5 – Erros entre o Método de Referência e o NIR.
PRÉ-TRATAMENTOS ERRO MÉDIO (%)
1ª derivada 9 pontos ±0,70
1ª derivada 15 pontos ±1,78
1ª derivada 21 pontos ±7,40
2ª derivada 15 pontos ±2,25
2ª derivada 31 pontos ±2,18
O erro médio entre o método de referência e o método NIR é de ± 0,70%, indica que, o
modelo PLS foi bastante exato, quanto à previsão desses valores, apresentou um bom
desempenho na predição dos teores de lipídios totais como era de se esperar pela boa
correlação dos modelos valores de RMSEP reduzidos.
69
7.4.3 Construção dos Modelos para Previsão de Teores de Lipídios (Valores Rotulados)
Para avaliar a eficiência deste modelo utilizou-se um procedimento que consistiu em
construir modelos PLS, com base nos valores indicados no Rótulo dos leites em pó. Para isso
mantiveram-se as condições utilizadas anteriormente com a modelagem dos dados
experimentais, admitindo-se que os Pré-Tratamentos aplicados são Alisamento de Savizsky-
Golay e MSC. Os resultados obtidos estão expostos na Tabela 7.6.
Tabela 7.6 – Resultados da modelagem por PLS (% lipídios totais - Rótulo)
PRÉ - TRATAMENTOS R RMSEC BIAS R RMSEP BIAS
1ª derivada 9 pontos 0,9989 0,3108 1,355*10-6
0,2412 5,3400 2,8141
1ª derivada 15 pontos 0,9990 0,0207 0
0,5038 4,4063 1,2922
1ª derivada 21 pontos 0,9990 0,0568 -1,506*10-7
0,2393 6,5591 -1,5909
2ª derivada 15 pontos 0,8070 3,9593 -2,51*10-7
0,4718 6,3487 -2,5008
2ª derivada 31 pontos 0,7899 4,1113 4.517*10-7
0,6302 4,3857 0,1063
O teor de lipídios presente no leite em pó pode ser determinado pelo NIR. Os modelos
de previsão mais satisfatórios são aqueles com menores erros (BARABÁSSY, 2001; WU et
al, 2007). Desta maneira, os erros altos nas com base no teor de lipídios rotulados nos leites, é
possível afirmar que o modelo PLS não se adequou para a distribuição de teores de lipídios
em leite em pó comercial. Enquanto que, quando esse modelo PLS foi testado para os valores
experimentais, ele apresentou um bom desempenho. Afirmação esta comprovada pelos
modelos da Figura 7.10.
Figura 7.10 Gráfico de Calibração ( Lipídios Totais - Rótulo), 1ª derivada 9 pontos.
0
5
10
15
20
25
30
0 5 10 15 20 25 30
Mét
odo N
IR
Valor Rotulado
70
No processo de calibração, no qual se comparou o valor do rótulo e valores previstos
pelo NIR observou que as amostras se correlacionavam, indicado pelo R de 0, 9989, essa
tendência também é seguida para os modelos com aplicação da primeira derivada com janela
de 15 e 21 pontos. Contudo, quando os dados são submetidos aos tratamentos de segunda
derivada com janela de 15 e 31 pontos, os resultados obtidos são poucos satisfatórios,
constatando-se que essas amostras não se adéquam aos modelos citados anteriormente.
(7.1)
A exatidão (equação 7.1) do modelo é expressa pelo RMSEC, enquanto que o SEC
está associado à precisão, e o bias a presença de erros sistemáticos (POWERATSEV et al,
2006). Desta maneira, a partir da Figura 7.11, referente ao modelo de previsão, afirma-se
que:
Figura 7.11 – Gráfico de Previsão (Teores de Lipídios Totais - Rótulo), 1ª derivada 9 pontos
Os valores do rótulo e os previstos pelo NIR pouco se correlacionam, pois o R é de
0,2412 e RMSEP de 5,34. A Tabela 7.7, comprova esse fato.
Tabela 7.7 - Valores Preditos, baseado no Valor Rotulado
AMOSTRA RÓTULO PREDITO ERRO (%)
A6 26,920 27,448 1,9613
A11 26,920 26,744 0,6537
A2 25,380 24,697 2,6911
A15 19,280 19,430 0,548003
A16 19,130 23,574 -0,7780
A28 16,470 31,976 94,1469
A29 19,160 22,805 -19,0240
16
20
24
28
32
16 18 20 22 24 26
Mét
odo N
IR
Valor Rotulado ( m/m de amostra)
71
Comparando-se os erros deste modelo pode-se observar que com os erros dos modelos
baseado no Método de Referência, estudados neste trabalho, todos os valores são maiores que
o aceitável de pelo Método de Referência, ou seja, o erro médio, entre o Rótulo e o Método
NIR, é de 19 %. Contudo, as amostras A11 e A15 apresentam erros baixos, pois,
correspondem a boas marcas (confiáveis) de leite em pó. Vale ressaltar que, os valores de
rótulo não devem entrar no modelo, pois, não se correlacionam com os valores obtidos pelo
NIR. A Tabela 7.8 mostra o resultado do teste. O modelo descrito apresentou uma melhor
correlação (R), RMSEC e RMSEP, o cálculo de segunda derivada apresentou o resultado
dentre os demais, mais satisfatórios.
Tabela 7.8 – Erros médio valor rotulado
Desta forma, o resultado não condiz com o encontrado através do método
experimental, pois, o erro entre o valor rotulado e o método de referência, para o modelo
explicado é de: ±0,70 %, enquanto que o resultado da Tabela 7.8 indicou um erro de ± 7,95%.
PRÉ-TRATAMENTOS ERRO MÉDIO (%)
1ª derivada 9 pontos 19,39
1ª derivada 15 pontos 7,95
1ª derivada 21 pontos 15,67
2ª derivada 15 pontos 11,06
2ª derivada 31 pontos 18,05
72
7.4.4 Construção dos Modelos para Previsão de Teores de Umidade
As amostras foram selecionadas conforme a Tabela 7.5, mantendo-se os mesmos
critérios para a divisão do grupo total de amostras. É necessário mencionar que os critérios
adotados para modelagem dos dados é condizente com a afirmação de Shao et al, (2007), no
qual os tratamentos são utilizados, nesta fase, para testar a influência do pré-processamento na
fase de previsão e calibração do modelo, logo cinco modelos foram construídos, conforme
ilustra a Tabela 7.9
Tabela 7.9 – Resultados da modelagem por PLS ( % umidade)
PRÉ-TRATAMENTO R RMSEC BIAS R RMSEP BIAS
1ª derivada 9 pontos 0,9983 0,0386 7,529*10-7
0,7665 0,9104 0,3512
1ª derivada 15 pontos 0,9899 0,0037 -1,004*10-7
0,8340 0,5930 0,2181
1ª derivada 21 pontos 0,9862 0,1379 2,51*10-8
0,5704 1,0371 0,2164
2ª derivada 15 pontos 0,9874 0,1318 -1,004*10-7
0,9184 0,3778 0,0009
2ª derivada 31 pontos 0,9999 0,0037 -1,004*10-7
0,5224 1,39001 0,3982
A partir dos critérios utilizados na Tabela 7.8, os melhores resultados obtidos, quanto
aos erros, gerados na fase de calibração do modelo, indica o RMSEC foi de 0,01318 e
RMSEP foi 0,3778, correspondente ao tratamento derivativo de segunda ordem e aplicação de
janela de 15 pontos, de maneira que o modelo para calibração é ilustrado na Figura 7.12
Figura 7.12 – Gráfico de Calibração (Teor de Umidade), 2ª derivada 15 pontos
4
4,5
5
5,5
6
6,5
7
7,5
4 4,5 5 5,5 6 6,5 7
Mét
odo N
IR
Método de Referência - 105 º C
73
O tratamento mais adequado para construção dos modelos que oferecessem menos
erros de previsão e validação foi a o cálculo da 2ª derivada (VESELA et al, 2007). Conforme
ilustra o Gráfico da Figura 7.13.
Figura 7.13 - Estimação do erro versus o número de fatores (Modelo para % umidade)
Aplicou-se primeira derivada em janela de 9, 15 e 21 pontos e segunda derivada em
janela de 15 e 31 pontos. Contudo, a que apresentou resultado mais favorável para os modelos
de calibração e predição foi com a segunda derivada em janela de 15 pontos. A Figura 7.14
mostra o resultado do cálculo derivativo que foi o mais adequado aquele capaz de gerar um
modelo com um reduzido erro, para uma fase de previsão, neste caso específico.
Figura 7.14 - Espectro de 2ª derivada com janela de 15 pontos
74
O cálculo desenvolvido é o mais indicado para obtenção de maiores informações em
uma região em torno de 1940 nm (FRANKHUIZZEN, 2008). A Figura 7.15 é o resultado do
modelo para a fase de calibração com base nos teores de umidade obtidos,
experimentalmente.
Figura 7.15 – Gráfico de Previsão (Teor de Umidade), 2ª derivada 15 pontos
O método de referência admite que o erro seja de 3,5 % para leite integral e 4 % para
leite desnatado, do valor nominal. Esses valores são normatizados pelo MAPA, de maneira
que os resultados deste Método com relação ao erro gerado na fase de previsão para cada
amostra são representados pela Tabela 7.10.
Tabela 7.10 – Valores Preditos (% umidade)
AMOSTRAS REFERÊNCIA (105º C) PREDITO (NIR) ERRO (%)
A6 5,6862 5,6760 0,175871
A11 4,2444 4,2470 -0,07069
A2 4,5236 4,5250 -0,0221
A15 6,4313 6,4280 0,046649
A16 4,9332 5,4050 -9,56821
A28 5,5226 5,9170 -7,1338
A29 7,0090 6,2300 11,24092
Quando os teores são previstos, os resultados erros médios equivale a ± 0,76 %.
Conforme explica a Tabela 7.10. Conclui-se que, apesar da utilização, de poucas amostras na
fase de previsão, o Método NIR apresentou um bom desempenho para determinação de teores
de Umidade em leite em pó. Sabendo que, em muitas análises o erro gerado, entre o método
4
4,5
5
5,5
6
6,5
7
4 4,5 5 5,5 6 6,5 7
Mét
odo N
IR
Método de Referência - 105 º C
75
de referência e o Método NIR é relativamente alto, uma vez que, em procedimentos
gravimétricos que envolva secagem em estufa, é conhecido que o resultado pode ser afetado
pela umidade relativa do ar, este tem uma pode trazer prejuízos à precisão do Método
(FRANKHUIZZEN, 2008). Logo, a limitação para esse procedimento é o número de
amostras. Apesar disso o resultado obtido para os modelos de calibração e previsão foram
aceitáveis pelo Método de Referência. Como é expresso pela Tabela 7.9
Tabela 7.11 – Erros médio Teor de Umidade
Os argumentos citados são confirmados pelos resultados expressos na Tabela 7.11, no
qual o erro médio entre o NIR e o método 105 º C é de ±0,76 %, o menor possível. Indicando
uma excelente capacidade de previsão do modelo proposto, uma vez que, os dois métodos se
correlacionam.
7.2 CONSIDERAÇÕES FINAIS
A técnica de Reflectância Difusa foi de muita relevância para obtenção dos espectros
no NIR, uma vez que, mostrou-se eficiente, quanto à modelagem dos dados em calibração
multivariada.
Construir modelos que, sejam capazes de determinar constituintes no leite em pó
comercial, não é uma tarefa muito fácil por dois motivos: a variação de teores entre valor
rotulado e experimental; os pesquisadores, espectroscopistas, indicarem diversas regiões
características de lipídios e umidade, mostrados neste trabalho. Desta forma, obtiveram-se os
espectros de reflectância e houve um cuidado, na escolha dessa região, levando em
consideração que, as regiões características para lipídios e água são: 1200; 2200-2489,15 nm ;
1461,77 nm respectivamente. Argumento respaldado por Frankhuizzen, (2008) quando utiliza
filtros específicos nas regiões mencionadas e se obtém informações importantes para
PRÉ-TRATAMENTOS ERRO MÉDIO (%)
1ª derivada 9 pontos ±6,23
1ª derivada 15 pontos ± 3,51
1ª derivada 21 pontos ±4,54
2ª derivada 15 pontos ± 0,76
2ª derivada 31 pontos ± 3,51
76
modelagem de dados por PLS e posterior construção de modelos com reduzido erro na fase de
previsão.
Como foi proposto, neste trabalho, são obtidos modelos PLS para determinação de
lipídios totais. Para fase de calibração com boas correlações e erro (RMSEC) baixo, podendo
comprovar que, com aplicação da primeira derivada em janela de 9 pontos os erros para a fase
de previsão (RMSEP) de 0,8952 , relativamente baixos, se comparado a tratamento de 15, 21
e 15 e 31 da segunda derivada, de igual modo quando são construídos modelos para
calibração e previsão de umidade o melhor tratamento é de segunda derivada com janela de
15 pontos, uma vez que o R é de 0,9184 e RMSEP de 0,3781.
Kawamura et al, (2007), apesar da escolha de uma região espectral de 600 a 1100 nm,
eles desenvolvem modelos de previsão para teores de lipídios, proteína, lactose, células
somáticas e nitrogênio para o controle de qualidade do leite na própria ordenha, um dos
parâmetros medido (lipídios) apresentou SEP para é de 0,42. Os pesquisadores concluíram
que o sensor no NIR, teve um bom desempenho, uma vez que esses resultados indicaram uma
modelagem exata. Os modelos para determinação de lipídios e umidade, propostos também
apresentou um bom desempenho, com base nos erros médios de ± 0,70 % para teor de lipídios
e ± 0,76 % para teor de umidade.
77
8 CONCLUSÃO
Conclui-se a partir da análise dos rótulos dos leites em pó que, apesar da Lei de 1.283
de 18/12/50 do MAPA regulamentar que o leite em pó integral deve apresentar valor ≥ 26,0% o
que verificou foi que das 33 amostras, adquiridas no Comércio de Natal, 12 indicaram valores
abaixo de 20 %, segundo o rótulo. Enquanto que, segundo a metodologia empregada prescrita
Manual de Métodos Físicos Química para Análise em Alimentos (INSTITUTO ADOLF
LUTZ, 2008) apenas 11 amostras indicaram valores próximos ao obtido pelo Método de
Referência Soxhlet.
A metodologia empregada para obtenção dos espectros no infravermelho próximo por
reflectância difusa, a fim de determinar teores de lipídios e umidade em leite em pó,
apresentou algumas vantagens, uma vez que o tempo para análise espectral foi de 2 minutos,
como também o fato das amostras não serem alteradas durante análise é um requisito muito
relevante além da não geração de resíduos.
Os resultados dos modelos por PLS para de calibração e previsão, os resultados
obtidos foram os melhores, para dados com aplicação da 1ª derivada em janela de 9 pontos
com correlação (R) 0,9955 e RMSEP de 0,8952, ou seja, indicam um valor pequeno para fase
de previsão. A maioria das amostras, analisadas, apresentou o teor de lipídios condizentes
com o método de Referência Soxhlet, sendo o erro médio entre o NIR e o Soxhlet em torno de
±0,70 % indicando um bom desempenho para determinação (previsão) de teores de lipídios
em leite em pó, pela NIR empregando modelos por PLS.
Os modelos construídos por PLS para calibração e previsão, tendo como base valores
indicados no Rótulo das embalagens, admitindo-se que os dados a eficiência da primeira
derivada com janela de 9 pontos, deve ser mantida, logo os valores de correlação (R) foi de
0,2412 e RMSEP de 5,34. Sendo que, o erro médio entre o NIR e o valor rotulado foi de ±
7,95%, logo é possível afirmar que o modelo PLS, não se mostrou satisfatório para previsão
de teores de lipídios, tendo como base a rotulagem dos produtos (leite em pó) adquiridos no
mercado da cidade de Natal/RN.
A construção dos modelos PLS para calibração e previsão de teores de umidade
apresentou resultados com aplicação da segunda derivada em janela de 15, apresentando
correlação (R) de 0,9184 e RMSEP de 0,3781, enquanto que o erro médio do método de
secagem em estufa a 105 º C e o método NIR, foram de ± 0,76 %, com base nesse valor é
possível afirmar que, os modelos construídos previram teores de umidade semelhantes aos
valores obtidos pelo Método de Referência.
78
9 PERSPECTIVAS
Com a finalização do trabalho em questão observou-se a algumas perspectivas para um
aprofundamento nas análises espectroscópicas associada ao matriz em estudo (leite em pó).
Obter um maior número de amostras de leite em pó integral e desnatado a fim de
melhorar ainda mais sua classificação, quanto ao teor de lipídios.
Realizar outras análises em amostras comerciais de leite em pó como: determinação de
acidez titulável, cinzas e posterior determinação dos minerais, como cálcio e Construir
modelos PLS para os parâmetros, citados acima.
Utilizar modelos multivariados não lineares e métodos para seleção de variáveis.
Validar a metodologia no NIR, priorizando as figuras de mérito da calibração
multivariada, bem como cálculo do NAS (Sinal analítico líquido).
79
REFERÊNCIAS
AKRÉ. J. Alimentação infantil: bases fisiológicas. São Paulo: IBFAN, Instituto de Saúde de
São Paulo, 1994. p. 97.
ALISHAHI, A.; FARAHMANDA, H.; PRIETO , N.; COZZOLINO , D. Identification of
transgenic foods using NIR spectroscopy: A review. Spectrochimica Acta Part A , v.75 p.
1–7, 2010. Disponível em:
http://www.sciencedirect.com/science?_ob=ArticleListURL&_method=list&_ArticleListID=
1785650729&_st=13&view=c&_acct=C000050221&_version=1&_urlVersion=0&_userid=1
0&md5=1e000a178c341c5e94e36db882b02402&searchtype=a
Acesso em: 04 maio 2011.
ANNUAL BOOK OF ASTM STANDARDS. Standards practices for infrared,
multivariate, quantitative analysis, E1655. ASTM International: West Conshohocken,
2000. Disponível em: http://www.astm.org/Standards/ E1655.htm. Acesso em: 19 jul. 2011.
ANNUAL BOOK OF ASTM STANDARDS. Standards practices for infrared,
multivariate, quantitative analysis, D4855-97 de 2002. ASTM International: West
Conshohocken, 2000.
Disponível em: http://www.astm.org/Standards/D4855.htm. Acesso em: 19 Jul 2011.
AZIZIAN. H.; KRAMER.; J. K.G. A Rapid Method for the Quantification of Fatty Acids in
Fats and Oils with Emphasis on trans Fatty Acids Using Fourier Transform Near Infrared
Spectroscopy (FT-NIR). Lipids, v. 40, p. 855 – 867, 2005. Disponível em: http://www.springerlink.com.ez18.periodicos.capes.gov.br/content/f645162222526163/fulltex
t.pdf. Acesso em: 20 jul 2011
BAHL, A.; BAHL,B.S; TULI,G.D. Colloids. In:_______. Essential of physical chemistry.
ed. 24. India: S CHAND, 2009. Cap. 22. p 807 -833
BARABÁSS, S. The application of near infrared spectroscopy (NIR) technique for non-
destructive investigation of mixed milk powder products. Mljekarstvo, v. 51, p. 263–272,
2001. Disponível em:
http://www.google.com.br/#hl=pt-
BR&q=The+application+of+near+infrared+spectroscopy+%28NIR%29+technique+for+non-
destructive+investigation+of+mixed+milk+powder+products.&oq=The+application+of+near
+infrared+spectroscopy+%28NIR%29+technique+for+non-
destructive+investigation+of+mixed+milk+powder+products.&aq=f&aqi=&aql=&gs_sm=s&
gs_upl=31581l31581l0l32924l1l1l0l0l0l0l0l0ll0&bav=on.2,or.r_gc.r_pw.&fp=6fc745fcda6ba
ff9&biw=1366&bih=573. Acesso em: 23 jul 2011.
BARBANO, D. M.; LYNCH, J. M.. Major Advances in Testing of Dairy Products: Milk
Component and Dairy Product Attribute Testing. Journal Dairy Science, v. 89, p. 1189–
1194, 2006. Disponível em:
http://download.journals.elsevierhealth.com/pdfs/journals/0022-
0302/PIIS0022030206721889.pdf
Acesso em: 24 junh 2010.
80
BORIN, A.; FERRÃO , M. F.; MELLO. C.; MARETTO, D. A .;POPPI, R. J. Least-
squares support vector machines and near infrared spectroscopy for quantification of common
adulterants in powdered milk. Analytica Chimica Acta , v. 579 , p. 25–32 , 2006.Disponível
em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-4PHBWTM-1-
1&_cdi=5216&_user=687335&_pii=S0003267007013955&_origin=search&_zone=rslt_list_
item&_coverDate=10%2F03%2F2007&_sk=993989998&wchp=dGLbVzW-
zSkzS&md5=9d4fa0e65be7c7641c9bc4b5cfc5ca7e&ie=/sdarticle.pdf . Acesso em: 19 mar
2010.
BARTON, R. The history of John Tyndall. Inglaterra: BRITANNICA ACADEMIC
EDITION, 2011. Disponível em: http://www.britannica.com/EBchecked/topic/611577/John-Tyndall.
Acesso em: 20 mar 2011
BOYD, C. The Nestlé Infant Formula Controversy and a Strange Web of Subsequent
Business Scandals. Journal of Business Ethics, v. 1, p. 1-11, 2011
Disponível em:
http://www.springerlink.com.ez18.periodicos.capes.gov.br/content/n2173367q0nn7442/fullte
xt.p
Acesso em: 20 nov 2011
BØYSWORTH, M. K.; BOOKSH.K.S. Aspects of multivariate calibration applied to near-
infrared spectroscopy. In: BURNS, D. A.; CIURCZAK, E. W. Handbook of Near-Infrared
Analysis. New York, 2001.Cap.10, p. 208 – 210.
BROWN, S.Has the chemometrics revolution ended? Some views on the past, present and
future of chemometrics. Chemometrics and Intelligent Laboratory Systems, v. 30, p. 49-58,
1995.Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271351&_user=687335
&_pii=0169743995000348&_check=y&_origin=search&_zone=rslt_list_item&_coverDate=
1995-11-30&wchp=dGLbVlk-zSkzk&md5=175c024e4d46a146bfad091bacabb75a/1-s2.0-
0169743995000348-main.pdf
Acesso em: 03 abr 2010.
BURNS, D. A.; CIURCZAK, E. W. Handbook of Near-Infrared Analysis. New York:
Marcel Dekker, 2001.
CABANÁS, V.M.; POLVILLO, O.; BOTELLA, B.; HORCADA, A. Rapid determination of
the fatty acid profile in pork dry-cured sausages by NIR spectroscopy . Food Chemistry
v.124, p. 373–378, 2011. Disponível em: http://www.sciencedirect.com.ez18.periodicos.capes.gov.br/science?_ob=MImg&_imagekey
=B6T6R-509B299-2-
5&_cdi=5037&_user=923856&_pii=S0308814610007417&_origin=gateway&_coverDate=0
1%2F01%2F2011&_sk=998759998&view=c&wchp=dGLbVzz-
zSkWW&md5=cdc1ef019380d219f1bdedef840c6198&ie=/sdarticle.pdf. Acesso em: 29 jan
2011.
CASALE, M.; ZUNIN, P.; COSULICH, M. E .; PISTARINO E .; PEREGO P.; LANTERI
,S. Characterisation of table olive cultivar by NIR spectroscopy. Food Chemistry. v .122, p.
81
1261–1265, 2010.Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6T6R-4YNT4DC-5-
7&_cdi=5037&_user=687335&_pii=S0308814610003730&_origin=search&_zone=rslt_list_
item&_coverDate=10%2F15%2F2010&_sk=998779995&wchp=dGLzVzz-
zSkzS&md5=14fd2182370057c9d4087812c018a1e6&ie=/sdarticle.pdf.
Acesso em: 26 jan 2011
CECCHI, M. H. Fundamentos Teóricos e Práticos em Análise de Alimentos. 2. ed.
Campinas, SP: Unicamp, 2003.
CEN, H .; HE, Y. Theory and application of near infrared reflectance spectroscopy in
determination of food quality. Trends in Food Science & Technology, v. 18, p. 72 – 83,
2007 Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6VHY-4M69JH7-1-
1&_cdi=6079&_user=687335&_pii=S0924224406002524&_origin=&_coverDate=02%2F28
%2F2007&_sk=999819997&view=c&wchp=dGLbVzW-
zSkzk&md5=5833c77359df75faaa4f78d2fab2e03e&ie=/sdarticle.pdf. Acesso: 4 fev 2011
CHEN, Q .; ZHAO, J.; GUO, Z.; WANG, X . Determination of caffeine content and main
catechins contents in green tea (Camellia sinensis L.) using taste sensor technique and
multivariate calibration. Journal of Food Composition and Analysis, v. 23, p. 353–358,
2010. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6WJH-4YVJ3X9-4-
C&_cdi=6879&_user=687335&_pii=S0889157510000797&_origin=search&_zone=rslt_list_
item&_coverDate=06%2F30%2F2010&_sk=999769995&wchp=dGLbVlz-
zSkWb&md5=9f889da9368149c3306f86e66c22e25a&ie=/sdarticle.pdf . Acesso: 4 fev 2011
CHO, S.; PROSKY, L.; DREHER, M. Complex Carbohydrates in foods. New York:
Marcel Dekker, 1999.
CHU, S.; GRAYBEAL, J.; HURST, G.; STONER, J. Molecular Spectroscopy. Inglaterra:
BRITANNICA ACADEMIC EDITION, 1996. Disponível em:
http://www.britannica.com/EBchecked/topic/558901/spectroscopy/80627/Infrared-
spectroscopy?anchor=ref620336
Acesso em: 20 mar 2011
CODEX ALIMENTARIUS. Codex Stan1-1985, General standard for labeling of
prepackaged foods.5. ed. Roma/Itália, p. 1-10, 2007.
COSCIONE, A.; ANDRADE, J.; POPPI, R .; MELLO, C .; RAIJ, B .; ABREU, M.
Multivariate calibration applied to a highly interfering chemical system The simultaneous
spectrophotometric determination of aluminium and iron in plants using xylenol orange and
partial least-squares regression . Analytica Chimica Acta, v. 423, p. 31–40, 2000. Disponível
em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-41C2RSV-4-
1&_cdi=5216&_user=687335&_pii=S0003267000011028&_origin=search&_zone=rslt_list_
item&_coverDate=09%2F20%2F2000&_sk=995769998&wchp=dGLbVzW-
zSkWB&md5=fe8d779f3f2c4b4d37d44d3d8134b901&ie=/sdarticle.pdf
Acesso em: 4 fev 2011
82
COSTA FILHO, P. A. .; POPPI, R. J. Determination of triglycerides in human plasma using
near-infrared spectroscopy and multivariate calibration methods. Analytica Chimica Acta ,
v. 446, p. 39–47, 2001. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-44B2FHT-5-
P&_cdi=5216&_user=687335&_pii=S0003267001009564&_origin=search&_zone=rslt_list_
item&_coverDate=11%2F19%2F2001&_sk=995539998&wchp=dGLzVzz-
zSkWA&md5=67f84c4d2e202f4aa0aca6530ceacdbe&ie=/sdarticle.pdf
Acesso em: 22 jul 2011
COSTA FILHO.A.C. Rapid determination of sucrose in chocolate mass using near infrared
spectroscopy . Analytica Chimica Acta, v. 631, p. 206-211, 2009. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-4TT9GKW-1-
N&_cdi=5216&_user=687335&_pii=S0003267008018114&_origin=search&_zone=rslt_list_
item&_coverDate=01%2F12%2F2009&_sk=993689997&wchp=dGLzVlb-
zSkWl&md5=fab00a52334a4d61fc6e5a6a480e784c&ie=/sdarticle.pdf
Acesso em: 14 jun 2010.
DEMAN, M. J. Principles of Food Chemistry. 3. ed. Mayland: An aspen publication
Gaithersburg, 1990.
FERRÃO, M.; MELLO, C. BORIN, A. MARETTO, D.;POPPI,R. LS-SVM: uma nova
ferramenta quimiométrica para regressão multivariada. Comparação de modelos de regressão
LS-SVM e PLS na quantificação de adulterantes em leite em pó empregando NIR. Química
nova, v. 30, n 4, p. 852-859, 2007.Disponível em:
http://www.scielo.br/pdf/qn/v30n4/a18v30n4.pdf. Acesso em: 25 Jul 2011
FERREIRA, M. C.; ANTUNES, A. M.; MELGO, M. S.; VOLPE, L. O. Quimiometria I:
Calibração Multivariada, um Tutorial. Química Nova, v. 22, p.724-731,1999.Disponível em:
http://www.scielo.br/scielo.php?pid=S0100-40421999000500016&script=sci_arttext acesso em: 25 jul 2011
FIDÊNCIO, P. H..; POPPI , R. J..; ANDRADE , J.C. Determination of organic matter in
soils using radial basis function networks and near infrared spectroscopy. Analytica Chimica
Acta, v. 453 p. 125–134, 2002. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-44YS1P0-2-
X&_cdi=5216&_user=687335&_pii=S0003267001015069&_origin=search&_zone=rslt_list_
item&_coverDate=02%2F18%2F2002&_sk=995469998&wchp=dGLbVzz-
zSkWB&md5=bd5b03e85909206ca0d17a47f15f9a0f&ie=/sdarticle.pdf
Acesso em: 4 fev 2011.
FRANKHUIZEN, R. NIR Analysis of Dairy Products. In: BURNS, D. A.; CIURCZAK, E.
W. Handbook of Near-Infrared Analysis. New York: CRC Press, 2001.Cap.20, p. 415 -
438.
GELADI , P.; BURGER , J .; LESTANDER, T. Hyperspectral imaging: calibration problems
and solutions. Chemometrics and Intelligent Laboratory Systems, v. 72, p. 209– 217,
2004. Disponível em:
http://www.sciencedirect.com/science/article/pii/S0169743904000371
Acesso em: 25 jul 2011.
83
GELADI, P.; HADJIISKI , L .; HOPKE , P. Multiple regression for environmental data:
nonlinearities and prediction bias. Chemometrics and Intelligent Laboratory Systems, v.
47, p. 165–173, 1999.Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TFP-3W4PMXX-5-
1G&_cdi=5232&_user=687335&_pii=S0169743998002044&_origin=search&_zone=rslt_list
_item&_coverDate=05%2F17%2F1999&_sk=999529997&wchp=dGLbVzW-
zSkzk&md5=5ebd2d5062994cf28ad60e35f4272654&ie=/sdarticle.pdf.
Acesso: 17 fev 2011.
GELADI, P. Some recent trends in the calibration literature. Chemometrics and Intelligent
Laboratory Systems, v. 60, p. 211 – 224, 2002. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TFP-44B5GW9-8-
14&_cdi=5232&_user=687335&_pii=S0169743901001976&_origin=search&_zone=rslt_list
_item&_coverDate=01%2F28%2F2002&_sk=999399998&wchp=dGLbVzz-
zSkzS&md5=f4ef87cdff64deeabf62945dcb036520&ie=/sdarticle.pdf.
Acesso em: 17 fev 2011.
GELADI, P. MACDOUGALL, D.; MARTENS, H. Linearization and scatter correction for
near – infrared reflectance spectra of meat. Applied Espectroscopy, v.39, n.3, p.491-
500,1985. Disponível em:
http://www.opticsinfobase.org/view_article.cfm?gotourl=http%3A%2F%2Fwww.opticsinfob
ase.org%2FDirectPDFAccess%2F42C0F551-90ED-9F76-
D37B2E77F51C28C4_125874.pdf%3Fda%3D1%26id%3D125874%26seq%3D0%26mobile
%3Dno&org=Universidade%20Federal%20do%20Rio%20Grande%20do%20Norte
Acesso em: 22 Jul 2011.
GORRY, P. General Least-Squares Smoothing and Differentiation by the Convolution
(Savitzky-Golay) Method. Analytical Chemistry , v. 62. p. 570-573, 1990. Disponível em:
http://www.sciencedirect.com/science/article/pii/S0169743904000371. Acesso em: 25 jul
2011.
GOVERIN, C.; CLARK A.S.; HOLROYD, S.; GORDON, K. Raman spectroscopic
quantification of milk powder constituents. Analytica Chimica Acta, v. 673, p. 26–32, 2010.
Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271374&_user=687335
&_pii=S0003267010006070&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2010-07-12&wchp=dGLzVlS-zSkzk&md5=3d9cfd0f56a63a2f15c757fc2d8adf72/1-s2.0-
S0003267010006070-main.pdf
Acesso em: 25 dez 2010.
GRANATO, D.; CASTRO, I.A.; KATAYAMA, F.U. Assessing the association between
phenolic compounds and the antioxidant activity of Brazilian red wines using chemometrics.
LWT-Food Science and Technology, v. 43, p.1542-1549, 2010. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=272383&_user=687335
&_pii=S0023643810001970&_check=y&_origin=&_coverDate=31-Dec-
2010&view=c&wchp=dGLbVlt-zSkWz&md5=7eafbeea94cc88955fe8025e2e1074ce/1-s2.0-
S0023643810001970-main.pdf
Acesso em: 25 jan 2011.
84
GRIFF ITS, P. R.; DAHM, D.J. Continuum an Discontinuum theories of diffuse reflection.
In: BURNS, D. A.; CIURCZAK, E. W. Handbook of Near-Infrared Analysis. New York,
2001. Cap.3, p. 22 - 61.
HAMMAMI, M.; ROUISSI, H.; SALAH, N.; SELMI, H.; AL-OTAIBI, M.; BLECKER, C.;
KAROUI, R. Fluorescence spectroscopy coupled with factorial discriminant analysis
technique to identify sheep milk from different feeding systems. Food Chemistry, v. 122, p.
1344–1350, 2010. Disponível em: http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271163&_user=687335
&_pii=S0308814610004012&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2010-10-15&wchp=dGLbVlS-zSkzV&md5=33e35393e3759960220ff0fe824c3d8d/1-s2.0-
S0308814610004012-main.pdf
Acesso em: 25 dez 2010
HAWKE, C. Nutrition labels and health claims: the global regulatory environment.
Geneva: World Health Organization, 2004.
HOLME, D. J; PERCK, Hazel. Analytical Biochemistry. 3. ed. Inglaterra: Prentice Hall,
1998.
HOLSE, M .; LARSEN , F.; HANSEN, A.; ENGELSEN , S. Characterization of marama
bean (Tylosema esculentum) by comparative Spectroscopy: NMR, FT-Raman, FT-IR and
NIR. Food Research International, v. 44, p. 373–384, 2011. Disponível em:
http://www.sciencedirect.com/science/article/pii/S0963996910003649
Acesso em: 10 fev 2011
INÁCIO, M. R.C.; MOURA, M. F. V.; LIMA, K. M. G. Classification and determination of
total protein in milk powder using near infrared reflectance spectrometry and the successive
projections algorithm for variable selection. Vibrational Spectroscopy, v.57, p. 342-345,
2011. Disponível em:
http://www.sciencedirect.com/science/article/pii/S0924203111000907#cor0005.
Acesso em: 16 jul 2011
IÑÓN, F.; GARRIGUES, S.; DE LA GUARDIA, M. Nutritional parameters of
commercially available milk samples by FTIR and chemometric techniques. Analytica
Chimica Acta, v. 513, p. 401–412, 2004. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271374&_user=687335
&_pii=S0003267004003150&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2004-06-25&wchp=dGLzVlt-zSkWb&md5=79c740e26c0eeac80fe7665a0a970db9/1-s2.0-
S0003267004003150-main.pdf
Acesso em: 10 mar 2010.
INSTITUTO ADOLF LUTZ. Leite e Derivados. In:______. Métodos físico-químicos para
Análise de Alimentos. 1. ed. São Paulo, 2008. Cap.27, p. 851 - 854. Disponível em:
http://www.ial.sp.gov.br/index.php?option=com_remository&Itemid=0&func=startdown&id=
26. Acesso em: 02 fev 2010
JESEN, W.B. The origin of the Soxhlet Extractor. Journal Chemical educational, v. 84,
p.1913-1914, 2007. Disponível em:
http://pubs.acs.org/doi/pdfplus/10.1021/ed084p1913. Acesso em: 21 Jul 2011.
85
KALININ, A. V.; KRASHENINNIKOV, V. N. Portable milk product quality analyzer based
on spectrometry in the near ir range. Journal of Applied Spectroscopy, v.75, p.288-294,
2008. Disponível em: http://www.springerlink.com/content/cm1v635x528533v7/
Acesso em: 21 Jul 2009
KAROUI , R.; MOUAZEN , A. M.; DUFOUR , E .; SCHOONHEYDT, R .;
BAERDEMAEKER , J. D. A comparison and joint use of VIS-NIR and MIR spectroscopic
methods for the determination of some chemical parameters in soft cheeses at external and
central zones: a preliminary study. European Food Research and Technology, v. 223,p.
363–371, 2006. Disponível em:
http://www.springerlink.com/content/f3l6705j7v586624/fulltext.pdf
Acesso em: 21 Jul 2009
KAROUI, R.; BAERDEMAEKE, J. A review of the analytical methods coupled with
chemometric tools for the determination of the quality and identity of dairy products. Food
Chemistry, v.102, p. 621–640, 2007. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271163&_user=687335
&_pii=S0308814606004353&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2007-12-31&wchp=dGLzVlB-zSkWA&md5=0bb4042568e1a9052c7bbe103c62736d/1-
s2.0-S0308814606004353-main.pdf
Acesso em: 29 jun 2010.
KAWAMURA, S.; KAWASAKI , M.; NAKATSUJI , H.; NATSUGA , M. Near-infrared
spectroscopic sensing system for online monitoring of milk quality during milking. Sensing
and Instrumentation for Food Quality and Safety, v. 1, p. 37–43, 2007. Disponível em:
http://www.springerlink.com/content/3835256007q83288/fulltext.pdf
Acesso em: 14 jul 2009.
KENNARD, R. W.; STONE, L. A. Computer Aided Design of Experiments,
Technometrics, v.11, p. 137 – 148, 1969. Disponível em:
http://www.jstor.org/stable/1266770
Acesso em: 03 mar 2011.
KOESE, Y. Nestlé in the Ottoman Empire: Global Marketing with Local Flavor 1870–1927.
Enterprice & Society, v.4, p.724-761, 2008.
Disponível em:
http://es.oxfordjournals.org.ez18.periodicos.capes.gov.br/content/9/4/724.full.pdf+html?maxt
oshow=&hits=30&RESULTFORMAT=1&andorexacttitle=or&andorexacttitleabs=or&fulltex
t=the+AND+history+AND+nestl%25E9&andorexactfulltext=or&searchid=1&FIRSTINDEX
=0&sortspec=relevance&resourcetype=HWCIT
Acesso em: 24 jun 2011
LAPORTE, M. F.; PAQUIN.; GELADI.P . Near-Infrared Analysis of Fat, Protein, and Casein
in Cow’s Milk. J. Agric. Food Chem, v. 47, P. 2600- 2605, 1999. Disponível em:
http://pubs.acs.org/doi/pdfplus/10.1021/jf980929r. Acesso em: 25 jul 2009.
LEE, K.; HERRMAN , T.; Jones B. Application of multivariate statistics in a risk-based
approach to regulatory compliance. Food Control, v. 20, p. 17–26, 2009. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271164&_user=687335
86
&_pii=S0956713508000388&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2009-01-31&wchp=dGLzVlt-zSkWb&md5=3b28b6da0921e7bcc2257dafe4ca5a0c/1-s2.0-
S0956713508000388-main.pdf
Acesso em:24 jan 2010.
LEITE, J. L. B.; CARVALHO, G. C.; SIRQUEIRA, K. B. Comércio internacional de
lácteos. 2. ed. Juiz de fora/MG: Embrapa, 2009. Disponível em: http://www.cnpg.embrapa.br.
Acessado em: 25 out 2010.
LIJUAN, X.; YIBIN, Y.; HONGJIAN, L.; YING, Z.; XIAOYING, N. Nondestructive
determination of soluble solids content and pH in tomato juice using NIR transmittance
spectroscopy. Sensing and Instrumentation for Food Quality and Safety, v.2, p. 111–115,
2008. Disponível em: http://www.springerlink.com/content/8743285038375338/fulltext.pdf
Acesso em: 10 ago 2009.
LIU, F.; YE, X.; HE, Y .; LI, W. Application of visible/near infrared spectroscopy and
chemometric calibrations for variety discrimination of instant milk teas. Journal of Food
Engineering, v.93, p. 127–133, 2009. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271146&_user=687335
&_pii=S026087740900017X&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2009-07-31&wchp=dGLbVlk-zSkWz&md5=eb76164ef5de30d6bc07f8432417d651/1-s2.0-
S026087740900017X-main.pdf
Acesso em: 10 abr 2010.
LUNDSTROM, D. Few Good Man from Univac. Cambriage:MIT Press, 1987.
MAAMOURI, O.; ROUISSI, H.; DRIDI, A .; KAMMOUN, A.; MOUNIR , S
BAERDEMAEKER, J.; KAROUI, R. Mid infrared attenuated total reflection spectroscopy as
a rapid tool to assess the quality of Sicilo-Sarde ewe’s milk during the lactation period after
replacing soybean meal with scotch bean in the feed ration. Food Chemistry, v.106, p. 361-
368, 2008.Disponível:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271163&_user=687335
&_pii=S0308814607005171&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2008-01-01&wchp=dGLzVlB-zSkWA&md5=2075b36c34e0534837ccc41eda1ff12a/1-s2.0-
S0308814607005171-main.pdf
Acesso em: 15 ago 2009.
MAGGIO, R.; CERRETANI , L.; CHIAVARO , E.; KAUFMAN, T.; BENDINI , A. novel
chemometric strategy for the estimation of extra virgin olive oil adulteration with edible oils.
Food Control, v. 21, p.890–895, 2010. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271164&_user=687335
&_pii=S0956713509003314&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2010-06-30&wchp=dGLzVlt-zSkWb&md5=311d7e4316a33ad4487e0bbb5394ed96/1-s2.0-
S0956713509003314-main.pdf
Acesso em: 22 out 2010.
MANUAL do Usuário “The Unscrambler X 10.1”, CAMO S.A, Noruega, 2011. Disponível
em: http://www.camo.com.html. Acesso em: 03 fev 2011.
87
MAN, John M. Lipids of Foods. In:_____. Principles of Food Chemistry. 3. ed. Gaithersburg: [s.n], 1999. Cap.2, p. 51 -70.
MAPA. Seminário de Sensibilização sobre Ensaios de Proficiência no Âmbito do Projeto
Mercosul regulamentação técnica na indústria de alimentos. Ministério da agricultura e
abastecimento.cna. Rio de Janeiro. RN, 2005 Disponível em:
http://www.inmetro.gov.br/credenciamento/palestras/RegulamentacaoTecnica.pdf. Acesso
em: 01 fev 2010.
MARTIN ,G.; HIERRO, J.; SANCHO , R.; ESTEBAN , J.; QUINTANA , A.; REVILLA , I.
Determination of the percentage of milk (cow’s, ewe’s and goat’s) in cheeses with different
ripening times using near infrared spectroscopy technology and a remote reflectance fibre-
optic probe. Analytica Chimica Acta ,v. 604, p. 191 - 196 , 2007. Disponível em: http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271374&_user=687335
&_pii=S0003267007017229&_check=y&_origin=&_coverDate=05-Dec-
2007&view=c&wchp=dGLzVlB-zSkWA&md5=7ac7debbbf885c73364675f60a366d89/1-
s2.0-S0003267007017229-main.pdf
Acesso em: 22 out 2009.
MASTELLONE, P. El Mundo de La Leche. Espanha: [s.n], 2011.
MAS, S.; JUAN, A.; TAULER, R.; OLIVIERI, A.; ESCANDAR, G. Application of
chemometric methods to environmental analysis of organic pollutants: A review. Talanta, v.
80, p. 1052–1067, 2010. Disponível:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271360&_user=687335
&_pii=S0039914009007516&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2010-01-31&wchp=dGLbVlk-zSkWb&md5=fc45eedde6bcae8c43465269ae7b0d8f/1-s2.0-
S0039914009007516-main.pdf
Acesso em: 25 fev 2010.
MASSART, D.L.; VANDEGINSTE.; B,G.M .; DEMING , S.N.; KAUFMAN , Y.
Comparison of the performance of the class modelling techniques UNEQ, SIMCA, and
PRIMA. Chemometrics and Intelligent Laboratory Systems, v. 4, 65-93, 1988.Disponível
em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271351&_user=687335
&_pii=0169743988800133&_check=y&_origin=search&_zone=rslt_list_item&_coverDate=
1988-07-31&wchp=dGLzVlk-zSkzk&md5=8002a701fdc375303ebaeb7512fd2bfd/1-s2.0-
0169743988800133-main.pdf
Acesso em: 25 ago 2009.
MAZEROLLES, G.; HANAFI, M.; DUFOUR, E.; BERTRAND, D.; QANNARI, E.M.
Common components and specific weights analysis: A chemometric method for dealing with
complexity of food products. Chemometrics and Intelligent Laboratory Systems, v. 81, p.
4- 49, 2006. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271351&_user=687335
&_pii=S0169743905001504&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2006-03-31&wchp=dGLbVlt-zSkWb&md5=d0d0aac1a3792f268ffa8db17f8720d5/1-s2.0-
S0169743905001504-main.pdf
Acesso em: 15 out 2009.
88
MCCARTHY, W.; KEMENY, G. Fourier Transform Spectrophotometers in the Near-
Infrared. In: BURNS, D. A.; CIURCZAK, E. W. Handbook of Near-Infrared Analysis.
New York: CRC Press, 2001.Cap.5.p 93 -121.
MCCLURE, W. F. Analysis Using Fourier Transforms. In: BURNS, D. A.; CIURCZAK, E.
W. Handbook of Near-Infrared Analysis. New York: CRC Press, 2001.Cap.6, p. 93-119.
MCQUEEN, D.; WILSON, R.; KINNUNEN, A.; JENSEN, E. Comparison of two infrared
spectroscopic methods for cheese analysis. Talanta , v .42, p. 2007-2015, 1995. Disponível
em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271360&_user=687335
&_pii=0039914095016856&_check=y&_origin=search&_zone=rslt_list_item&_coverDate=
1995-12-31&wchp=dGLbVlt-zSkzS&md5=ab0165600605b585f9c83c742e202b69/1-s2.0-
0039914095016856-main.pdf
Acesso em: 17 out 2010.
MEHROTRA , R.; TYAGI , G.; JANGIR , D.; DAWAR , R.; GUPTA, N. Analysis of
ovarian tumor pathology by Fourier Transform Infrared Spectroscopy. Journal of Ovarian
Research, v.3, p.2-6, 2010. Disponível em:
http://www.ovarianresearch.com/content/pdf/1757-2215-3-27.pdf
Acesso em: 05 fev 2011
MILLS, R. Finding the balance with saturated fat Protein analysis revisited. The FOSS
Group magazine covering analysis in food, dairy and agricultural industries. v. 34, n. 2,
p.16 -24, 2011. Disponível em: http://www.foss.dk/. Acesso em: 19 mar 2011.
MILLAN, R.; SAAVEDRA, P.; SANJUAN, E.; CASTELO, M. Application of discriminant
analysis to physico-chemical variables for characterizing Spanish cheeses. Food
Chemistry,v. 55, p. 189–191, 1996.Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271163&_user=687335
&_pii=0308814695000801&_check=y&_origin=&_coverDate=31-Dec-
1996&view=c&wchp=dGLzVlk-zSkzS&md5=7538f03070d92597595f5f89c8b75c7e/1-s2.0-
0308814695000801-main.pdf
Acesso em: 16 out 2009.
MOITA , J. N. M .; MOITA, G. C. Uma introdução à análise exploratória de dados
multivariados. Química Nova, v. 21, n. 4, P. 467 - 469.1998. Disponível em:
http://www.cfh.ufsc.br/gcn3506/documents/MoitaNeto1998AnaliseExploratoria.pdf
Acesso em: 23 Jul 2010.
MOTTA, V. T. Lipídios, Lipoproteínas e Apoproteínas. In: ______. Bioquímica Clínica:
Princípios e Interpretações. Caxias do Sul, RS: Auto Lab, 1999. v. 10, p.125.
NAES, T.; ISAKSSON, T.; FEAM, T.; Davies, T. Multivariate Calibration and
Classification. Inglaterra: NIR Publications, 2004.
NESTLÉ BRASIL LTDA, Revista Nestlé on-line: Nestlé Institucional, 2009. Disponível em:
http://www.nestle.com.br/site/anestle/historia.aspx
Acesso em: 24 Jun 2011.
89
NESTLÉ. The Nestlé Corporate Business Principles: Principles Mandatory, Switzerland,
Jun 2010. Disponível em:
http://www.nestle.com/Common/NestleDocuments/Documents/Library/Documents/Corporate
_Governance/Corporate-Business-Principles-EN.pdf
Acesso em: 24 Jun 2011.
NOLLET, M.L.; TOLDRA,F. Handbook of Muscle Foods Analysis.. Estados Unidos: CRC
Press, 2009.
NUNES, G. F. M.; PAULA, A. V.; CASTRO, H. F. Modificação bioquímica da gordura do
leite. Quimica Nova, v. 33, n. 2, p. 431-437, 2010.
OETTERE, M.; D’ARCE, M.; SPOTO, F. Fundamentos de ciência e tecnologia de
alimentos. Barueri/SP: Manole, 2006.
PALMQUIST, D.L.; BEAULIEU, A.D.; BARBANO, D.M. Feed and animal factors
influencing milk fat composition. Journal Dairy Science, 76, 1753-1771, 1993. Disponível
em: http://download.journals.elsevierhealth.com/pdfs/journals/0022-
0302/PIIS0022030293775086.pdf
Acesso em: 20 fev 2011.
PINHEIRO, P. R. S.; SILVA, J. A. Monitoramento da qualidade do leite humano ordenhado e
distribuído em banco de leite de referência. Revista Instituto Adolfo Lutz, v.69, p.1- 22,
2010. Disponível em:
http://revista.ial.sp.gov.br/index.php?option=com_remository&Itemid=27&func=startdown&i
d=541. Acesso em: 30 de julho de 2011.
POMERANTSEV , A. L.; RODIONOVA , O.Y. Chemometric view on “comprehensive
chemometrics”. Chemometrics and Intelligent Laboratory Systems, v.103, p. 19-24, 2010.
Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271351&_user=687335
&_pii=S0169743910000675&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2010-08-15&wchp=dGLzVlV-zSkzV&md5=3c2c042372f51ec0115e0b30bca9a7d8/1-s2.0-
S0169743910000675-main.pdf
Acesso em: 20 abr 2011.
POMERANTSEV, A. L.; RODIONOVA, O. Ye. Construction of a Multivariate Calibration
by the Simple Interval Calculation Method. Journal of Analytical Chemistry, v. 61, n. 10, p.
952–966 , 2006. Disponível em:
http://www.springerlink.com/content/m168861443801r44/fulltext.pdf.
Acesso em: 22 fev 2011.
POPPI, R.J.; PASQUINI, C. Spectrophotometric determination of a mixture of weak acids
using multivariate calibration and flow injection analysis titration. Chemometrics and
Intelligent Laboratory Systems, v.19, P. 243-254, 1993. Disponível em:
http://www.sciencedirect.com/science/article/pii/016974399380108T.
Acesso em: 30 de julho de 2011.
PURNOMOADI, A.; KESHAB, K.; KOICHIRO, U.; FUMINORI, T. Influence of feed
source on determination of fat and protein in milk by near-infrared spectroscopy.
90
International Dairy Journal v. 9, p. 447-452, 1999. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271246&_user=687335
&_pii=S0958694699000503&_check=y&_origin=&_coverDate=31-Jul-
1999&view=c&wchp=dGLbVlt-zSkzV&md5=640da6f9a933b9b4b2f363315133d2b9/1-s2.0-
S0958694699000503-main.pdf
Acesso em: 22 ago 2010.
RODRIGUEZ-NOGALES, J. M.; VASQUÉZ, F. Application of electrophoretic and
chemometric analysis to predict the bovine, ovine and caprine milk percentages in Panela
cheese, an unripened cheese. Food Control, 18, 570–576, 2007.Disponível em: http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271164&_user=687335
&_pii=S0956713506000260&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2007-05-31&wchp=dGLbVBA-zSkWz&md5=e0767256fac163c7c7a021fc27a17811/1-
s2.0-S0956713506000260-main.pdf
Acesso em: 28 out 2009.
ROUESSAC, F.; ROUESSAC, A. Chemical Analysis - Modern instrumentation Methods
and Techniques. Inglaterra:Wiley 1994.
SALVADOR, E. J.; .QUINTANAB, V. A.; REVILLA, I. Determination of the percentage of
milk (cow’s, ewe’s and goat’s) in cheeses with different ripening times using near infrared
spectroscopy technology and a remote reflectance fibre-optic probe. Analytica Chimica
Acta, v. 604, p. 191–196, 2007. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-4PXDM59-1-
5&_cdi=5216&_user=687335&_pii=S0003267007017229&_origin=&_coverDate=12%2F05
%2F2007&_sk=993959997&view=c&wchp=dGLzVzb-
zSkWz&md5=36cd814f193a96b7624ada5a026e716c&ie=/sdarticle.pdf. Acesso em: 29 out
2010.
SACCO, D.; BRESCIA, M. A.; SGARAMELLA, S.; CASIELLO, G.; BUCCOLIERI, A.;
OGRINC, N. Discrimination between Southern Italy and foreign milk samples using
spectroscopic and analytical data. Food Chemistry, 114, 1559–1563, 2009.Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271163&_user=687335
&_pii=S0308814608013927&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2009-06-15&wchp=dGLbVlV-zSkzV&md5=7758388b4120e46ba2b6b20991457f1b/1-s2.0-
S0308814608013927-main.pdf
Acesso em: 20 out 2010.
SASIC, S.; OZAKI, Y. Short-Wave Near-Infrared Spectroscopy of Biological Fluids.
Quantitative Analysis of Fat, Protein, and Lactose in Raw Milk by Partial Least-Squares
Regression and Band Assignment. Analytical Chemical, v.73, p. 64-71, 2001.
CASTRO, A. P. Sede do observatório social: Mapa de empresa. Florianópolis /SC: Nestlé
Brasil LTDA, set 2002.
Disponível em: http://www.observatoriosocial.org.br/download/mapanestle.pdf
Acesso em: 24 Jun 2011.
SHAO, Y.; HE.Y.; FENG, S. Measurement of yogurt internal quality through using Vis/NIR
spectroscopy. Food Research International, v. 40, p. 835-841, 2007 Disponível em:
91
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6T6V-4N1466H-1-
1&_cdi=5040&_user=687335&_pii=S0963996907000294&_origin=&_coverDate=08%2F31
%2F2007&_sk=999599992&view=c&wchp=dGLbVlz-
zSkWl&md5=9f0c68d3e2027336629918dc5c526547&ie=/sdarticle.pdf. Acesso em: 23 jul
2011
SIESLER, H. W. NIR Basic principles os Near – Infrared spectroscopy. In: BURNS, D. A.;
CIURCZAK, E. W. Handbook of Near-Infrared Analysis. New York, 2001.Cap.2, p. 7 -
18.
SILAGHI, F. ; GIUNCHI, A.; FABBRI , A.; RAGNI , L. Estimation of rheological
properties of gelato by FT-NIR spectroscopy. Food Research International. v. 43, p. 1624–
1628 , 2010. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6T6V-503GHBV-6-
F&_cdi=5040&_user=687335&_pii=S0963996910001602&_origin=search&_zone=rslt_list_
item&_coverDate=07%2F31%2F2010&_sk=999569993&wchp=dGLzVzb-
zSkWz&md5=5be49d056fbdbea6f0550f6fd0cf1e18&ie=/sdarticle.pdf. Acesso em: 30 jan
2011.
SINELLI, N.; SPINARDI, A.; EGIDIO, V.; MIGNANI, I.; CASIRAGHI, E. Evaluation of
quality and nutraceutical content of blueberries (Vaccinium corymbosum L.) by near and mid-
infrared spectroscopy. Postharvest Biology and Technology, v. 50, p. 31–36, 2008.
Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TBJ-4SYKKVT-1-
7&_cdi=5144&_user=687335&_pii=S0925521408001221&_origin=&_coverDate=10%2F31
%2F2008&_sk=999499998&view=c&wchp=dGLbVlW-
zSkWl&md5=fb8dde7c179185b4c190813e59e3014c&ie=/sdarticle.pdf.
Acesso em: 22 Jul 2011.
SOLA-LANARRANGA, C.; NAVARRO-BLASCO, I. Chemometric analysis of minerals
and trace elements in raw cow milk from the community of Navarra, Spain. Food Chemistry,
112, 189–196, 2009. Disponível em:
http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271163&_user=687335
&_pii=S0308814608006201&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2009-01-01&wchp=dGLbVBA-zSkzS&md5=bdba206813ec5c20fe31cdbbad1db1e9/1-s2.0-
S0308814608006201-main.pdf
Acesso em: 07 abr 2010.
SKOOG, D.A.; HOLLER, F.G.; CROUCH, S.R.. Princípios de Análise Instrumental. Porto
Alegre / RS: Bookman, 2009.
SUNDQVIST, K.; TYSKLIND , M .; GELADI , P.; CATO, I.; WIBERG , K . Congener
fingerprints of tetra- through octa-chlorinated dibenzo-p-dioxins and dibenzofurans in Baltic
surface sediments and their relations to potential sources. Chemosphere, v. 77, p. 612–620,
2009. Disponível em: http://www.sciencedirect.com/science?_ob=MiamiImageURL&_cid=271852&_user=687335
&_pii=S004565350901042X&_check=y&_origin=search&_zone=rslt_list_item&_coverDate
=2009-10-31&wchp=dGLzVlt-zSkzk&md5=5692d6d453ce49386884c944c6dfcba4/1-s2.0-
S004565350901042X-main.pdf
Acesso em: 26 mar 2010.
92
THOMAS, E. V. A primer on Multivariate Calibration, Analytical Chemistry, v. 66, p. 795-
805, 1994.Disponível em: http://pubs.acs.org/doi/pdf/10.1021/ac00087a002
Acesso em: 20 out 2009.
THOMAS, E. Stearic Acid: Structure and Properties. Inglaterra: BRITANNICA
ACADEMIC EDITION, 2007. Disponível em:
http://www.britannica.com/EBchecked/media/92231/Structure-and-properties-of-two-
representative-lipids-Both-stearic-acid. Acesso em: 20 jul 2011
TRIPATHI , S .; PATEL , K. G..; BAFNA, A. M. Nondestructive determination of
curcuminoids from turmeric powder using FT-NIR. Journal of Food Science and
Technology, v.47, p. 678–681, 2010. Disponível em:
http://www.springerlink.com/content/pk88553887484731/fulltext.pdf.
Acesso em: 22 Jul 2011.
VALDERRAMA, P.; BRAGA, W.; POPPI, R. Estado da arte de figuras de mérito em
calibração multivariada. Quim. Nova, v. 32, p. 1278-1287, 2009. Disponível em:
http://www.scielo.br/pdf/qn/v32n5/v32n5a34.pdf. Acesso em: 22 out 2009.
VARMUZA, K.; FILZMOSER, K. Introduction to Multivariate Statistical Analysis in
Chemometrics. Nova York: Academic Press, 2008.
VENAS, T.; RINNAN, A. Determination of weight percent gain in solid wood modified with
in situ cured furfuryl alcohol by near-infrared reflectance spectroscopy. Chemometrics and
Intelligent Laboratory Systems, v. 92, p.125–130, 2008 Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TFP-4RVG3CH-1-
C&_cdi=5232&_user=687335&_pii=S0169743908000191&_origin=search&_zone=rslt_list_
item&_coverDate=07%2F15%2F2008&_sk=999079997&wchp=dGLbVzW-
zSkWA&md5=d460fbd6cb920e0ff504f3f89ffe5284&ie=/sdarticle.pdf.
Acesso em:17 fev 2011
VESELA , A.; BARROS , A.; SYNYTSYA, A.; DELGADILLO , I.; COPIKOVA, J.;
COIMBRA , M. Infrared spectroscopy and outer product analysis for quantification of fat,
nitrogen, and moisture of cocoa powder. Analytica Chimica Acta, v. 6 0 1, p.77–86, 2007.
Disponível em: http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-
4PHBWTM-1-
1&_cdi=5216&_user=687335&_pii=S0003267007013955&_origin=search&_zone=rslt_list_
item&_coverDate=10%2F03%2F2007&_sk=993989998&wchp=dGLbVzW-
zSkzS&md5=9d4fa0e65be7c7641c9bc4b5cfc5ca7e&ie=/sdarticle.pdf
Acesso em: 04 fev 2011.
WILLIAMS, P.; GELADI, P.; FOX, G.; MANLEY, M. Maize kernel hardness classification
by near infrared (NIR) hyperspectral imaging and multivariate data analysis. Analytica
Chimica Acta, v. 653, p. 121–130, 2009. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-4X5JR7X-5-
T&_cdi=5216&_user=687335&_pii=S000326700901191X&_origin=search&_zone=rslt_list
_item&_coverDate=10%2F27%2F2009&_sk=993469997&wchp=dGLbVzW-
zSkWA&md5=216ba6f25566975ce2947f6d415c289b&ie=/sdarticle.pdf.
Acesso em: 17 fev 2011.
93
WU, Di.; HE, Y.; FENG, S. Short-wave near-infrared spectroscopy analysis of major
compounds in milk powder and wavelength assignment. Analytica Chimica Acta, v. 6 1 0 ,
p. 232–242 , 2008 . Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-4RRFNDG-3-
T&_cdi=5216&_user=687335&_pii=S0003267008001414&_origin=search&_zone=rslt_list_
item&_coverDate=03%2F10%2F2008&_sk=993899997&wchp=dGLbVzz-
zSkzS&md5=f430aafb50aa72481beb97c14ff8e5b1&ie=/sdarticle.pdf.
Acesso em: 06 Jul 2010.
WU, Di.; HE, Y.; SHI , J .; FENG, S. Exploring Near and Midinfrared Spectroscopy to
Predict Trace Iron and Zinc Contents in Powdered Milk. Journal Agricultural Food
Chemical, v. 57, p.1697–1704, 2009. Disponível em:
http://pubs.acs.org/doi/pdfplus/10.1021/jf8030343. Acesso em: 04 fev 2011.
WU , D.; FENG. S.; HE, Y. Short-Wave Near-Infrared Spectroscopy of Milk Powder for
Brand Identification and Component Analysis. Journal of Dairy Science, v. 91, p. 939 -949,
2008. v. Disponível em:
http://download.journals.elsevierhealth.com/pdfs/journals/0022-
0302/PIIS0022030208713493.pdf.
Acesso em: 23 de julho de 2011
XIE, L.; YING, Y.; YING, T. Classification of tomatoes with different genotypes by visible
and short-wave near-infrared spectroscopy with least-squares support vector machines and
other chemometrics. Journal of Food Engineering , v .94,p. 34–39, 2009. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6TF4-4X5JR7X-5-
T&_cdi=5216&_user=687335&_pii=S000326700901191X&_origin=search&_zone=rslt_list
_item&_coverDate=10%2F27%2F2009&_sk=993469997&wchp=dGLbVlz-
zSkWA&md5=216ba6f25566975ce2947f6d415c289b&ie=/sdarticle.pdf.
Acesso em: 04 fev 2011.
YAZDANPANAH , N.; LANGRISH , T. A.G. Egg-shell like structure in dried milk powders.
Food Research International, v. 44, p. 39–45, 2011. Disponível em:
http://www.sciencedirect.com/science?_ob=MImg&_imagekey=B6T6V-51HMX02-1-
9&_cdi=5040&_user=687335&_pii=S0963996910004527&_origin=&_coverDate=01%2F31
%2F2011&_sk=999559998&view=c&wchp=dGLzVzb-
zSkzk&md5=f726d1ad288d9f5aade8ad1d74c3f40a&ie=/sdarticle.pdf Acesso em: 22 Jul2011.
YOUNG.A .H.; YOKO T.; CHEN, J. Y.; CHIE, F. T.; KAWANO , S. Development of a
New Measurement Unit (MilkSpec-1) for Rapid Determination of Fat, Lactose, and Protein in
Raw Milk Using Near-Infrared Transmittance Spectroscopy. Applied Spectroscopy, v. 56, n.
5, p.599 - 602, 2002. Disponível em:
http://www.opticsinfobase.org.ez18.periodicos.capes.gov.br/view_article.cfm?gotourl=http%
3A%2F%2Fwww.opticsinfobase.org%2FDirectPDFAccess%2F3E6BD052-9229-A087-
084DE7DFA86F94B9_119457.pdf%3Fda%3D1%26id%3D119457%26seq%3D0%26mobile
%3Dno&org=Funda%E7%E3o%20Coordena%E7%E3o%20de%20Aperfei%E7oamento
Acesso em: 22 Jul 2011.
94
APÊNDICE A – Resultados Experimentais (Teores de Umidade e de Lipídios)
Tabela A.1 – Resultados experimentais do método de referência
Amostras Um105 ° C (g/100g)
Lipídios (g/100g)
Integral
( DP CV(%) ( DP CV(%)
1 4,9486 0,0143 0,2894 18,5947 0,0257 0,1381
2 4,5236 0,0334 0,7386 23,8083 0,0504 0,2119
3 5,3940 0,0271 0,5028 20,8696 0,0713 0,3415
4 5,8876 0,0107 0,1824 24,8535 0,1221 0,4911
5 5,4726 0,0119 0,2178 16,3504 0,4068 2,4882
6 5,6862 0,0609 1,0717 16,4488 0,1322 0,8038
7 4,5306 0,0123 0,2708 18,5695 0,0421 0,2269
8 3,6609 0,0650 1,7762 10,3475 0,1892 1,8284
9 4,5306 0,0123 0,2708 25,1214 0,0554 0,2207
10 6,9313 0,1031 1,4875 18,5695 0,0421 0,2269
11 4,2444 0,0124 0,2914 24,9097 0,1461 0,5867
12 6,4313 0,0637 0,9905 19,9061 0,0542 0,2721
13 5,5635 0,0065 0,1165 19,8561 0,1249 0,6289
14 4,9399 0,0632 1,2802 21,1370 0,0896 0,4239
15 6,4313 0,0637 0,9905 20,1145 0,0998 0,4960
16 4,9332 0,0727 1,4733 16,7496 0,1913 1,1420
17 6,3344 0,0592 0,9347 20,0184 0,2357 1,1776
18 4,7482 0,0404 0,8499 20,1855 0,1749 0,8663
19
Desnatado
5,4097 0,0533 0,9851 19,9186 0,0198 0,0994
20 5,4251 0,0843 1,5532 4,8343 0,0898 1,8576
21 6,3472 0,0528 0,8321 0,8107 0,0423 5,2146
22 6,4386 0,0534 0,8296 1,0066 0,0070 0,6986
23 6,8344 0,0534 0,7819 1,0046 0,0014 0,1363
24 6,8472 0,1367 1,9964 0,0060 0,0001 1,6670
25 4,2286 0,0675 1,5973 0,0047 0,0001 2,1276
26 6,5590 0,1764 2,6894 4,9169 0,0021 0,0042
27 4,0000 0,1188 2,9700 1,5020 0,0423 2,8145
28 Soja
5,5226 0,1577 2,8555 22,4888 0,4433 1,9712
29 7,0009 0,0344 0,4901 4,8595 0,0020 0,0409
30 Caprino 5,9589 0,0514 0,8634 16,4845 0,1615 0,9800
31
Integral
6,1980 0,0345 0,5566 7,5870 0,0248 0,3266
32 5,5255 0,0285 0,5165 6,5860 0,0346 0,5249
33 7,0183 0,0545 0,7774 5,8130 0,0155 0,2664
95
Tabela A.2 - Tabela de valores de lipídios expressos no rótulo de embalagens das amostras de leite em pó
AMOSTRA (N) RÓTULO % LIPÍDIOS TOTAIS EM LEITE EM PÓ
LOTE EXPERIMENTAL DESVIO
1 26,15 0302 A 18,5947 0,02568
2 25,38 221 23,8083 0,05045
3 26,67 L:02171021:18 20,8696 0,07128
4 27,31 F6L1 24,8535 0,12206
5 26,66 2B 16,3504 0,40682
6 26,92 --- 16,4488 0,13221
7 26 04 2 18,5695 0,04213
8 13,2 816930 m 5sf52041 10,3475 0,18919
9 26,8 139/02 25,1214 0,05543
10 26,92 M13 18,5695 0,04213
11 26,92 93431333323PM 24,9097 0,14614
12 19,15 27 F1 19,9061 0,05416
13 19,15 ----- 19,8561 0,12487
14 19,16 ----- 21,1370 0,08959
15 19,28 B4 20,1145 0,09978
16 19,13 1426 07 16,7496 0,19127
17 19,23 M1 L654 20,0184 0,23574
18 17,84 ---- 20,1855 0,17486
19 26,93 ---- 19,9186 0,01980
20 0 45 4,8343 0,08980
21 7,5 L03 0,8107 0,04227
22 0 191504 1,0066 0,00703
23 0 ---- 1,0046 0,00137
96
Tabela A.2 - Tabela de valores de lipídios expressos no rótulo de embalagens das amostras de leite em pó
(continuação...)
AMOSTRA (N) RÓTULO % LIPÍDIOS TOTAIS EM LEITE EM PÓ
LOTE EXPERIMENTAL DESVIO
24 0 F2L2 0,0060 0,00145
25 0 163404 0,0047 0,00056
26 0 ---- 4,9169 0,00087
27 0 D 1,5020 0,04227
28 16,47 36 22,4888 0,44331
29 14,28 100323 4,8595 0,00199
30 19,16 8 16,4845 0,16154
97
APÊNDICE B – Tabelas de valores preditos para teores de lipídios e umidade pelo método
NIR com base em método de referência (Soxhlet) e 105 º C – Valores modelados por PLS
Tabela B.1 – PLS – 1ª derivada em janela de 9 pontos
AMOSTRAS REFERÊNCIA (Soxhlet) PREDITO (NIR) DESVIO
A6 16,4488 16,252 0,06965
A11 24,9197 24,1190 0,279661
A2 23,8083 24,1840 0,132936
A15 20,1145 20,1110 0,001414
A16 16,7496 16,7730 0,008132
A28 22,4848 22,4800 0,003182
A29 4,8595 4,7730 0,030406
Tabela B.2 – PLS – 1ª derivada em janela de 15 pontos
AMOSTRAS REFERÊNCIA (Soxhlet) PREDITO (NIR) DESVIO
A6 16,4488 16,4350 0,009899
A11 24,9197 24,7990 0,078489
A2 23,8083 23,7530 0,038891
A15 20,1145 20,1270 0,008485
A16 16,7496 19,860 2,199102
A28 22,4848 16,2360 4,421539
A29 4,8595 5,950 0,771453
Tabela B.3 – PLS – 1ª derivada em janela de 21 pontos
AMOSTRAS REFERÊNCIA (Soxhlet) PREDITO (NIR) DESVIO
A6 16,4488 16,4720 0,016263
A11 24,9197 24,8770 0,023335
A2 23,8083 23,8600 0,03677
A15 20,1145 20,1230 0,005657
A16 16,7496 16,7700 0,014142
A28 22,4848 19,3490 2,220315
A29 4,8595 3,0010 1,313804
98
Tabela B.4 – PLS – 2ª derivada em janela de 15 pontos
AMOSTRAS REFERÊNCIA (Soxhlet) PREDITO (NIR) DESVIO
A6 16,4488 16,4490 0,0001
A11 24,9197 24,9100 0,0069
A2 23,8083 23,8090 0,0005
A15 20,1145 20,1140 0,0004
A16 16,7496 16,7510 0,0010
A28 22,4848 12,8660 6,8015
A29 4,8595 7,7040 2,0114
Tabela B.5 – PLS – 1ª derivada em janela de 31 pontos
AMOSTRAS REFERÊNCIA (Soxhlet) PREDITO (NIR) DESVIO
A6 16,4488 16,345 0,0735
A11 24,9197 24,637 0,1930
A2 23,8083 23,651 0,1110
A15 20,1145 20,115 0
A16 16,7496 19,495 1,941008
A28 22,4848 24,863 1,678671
A29 4,8595 4,409 0,318198
Tabela B.7 – PLS – 1ª derivada em janela de 9 pontos (Rótulo)
AMOSTRAS REFERÊNCIA (RÓTULO) PREDITO (NIR) DESVIO
A6 26,920 27,448 0,3733
A11 26,920 26,744 0,1244
A2 25,380 24,697 0,4829
A15 19,280 19,430 0,1060
A16 19,130 23,574 3,1423
A28 16,470 31,976 10,9644
A29 19,160 22,805 2,5774
99
Tabela B.8 – PLS – 1ª derivada em janela de 15 pontos (Rótulo)
AMOSTRAS REFERÊNCIA (RÓTULO) PREDITO (NIR) DESVIO
A6 26,920 26,946 0,0183
A11 26,920 26,905 0,0106
A2 25,380 25,356 0,0169
A15 19,280 19,278 0,001414
A16 19,130 23,107 2,8112
A28 16,470 26,332 6,9734
A29 19,160 14,381 3,3792
Tabela B.9 – PLS – 1ª derivada em janela de 21 pontos (Rótulo)
AMOSTRAS REFERÊNCIA (RÓTULO) PREDITO (NIR) DESVIO
A6 26,920 26,954 0,0240
A11 26,920 26,828 0,6505
A2 25,380 25,322 0,0410
A15 19,280 23,660 0,0084
A16 19,130 19,268 3,2031
A28 16,470 16,470 12,5405
A29 19,160 19,160 2,8581
Tabela B.9 – PLS – 2ª derivada em janela de 15 pontos (Rótulo)
AMOSTRAS REFERÊNCIA (RÓTULO) PREDITO (NIR) DESVIO
A6 26,920 18,413 6,015
A11 26,920 26,080 0,5939
A2 25,380 24,119 0,8916
A15 19,280 21,202 1,3590
A16 19,130 25,134 4,2454
A28 16,470 14,438 1,4368
A29 19,160 6,369 9,0446
100
Tabela B.9 – PLS – 2ª derivada em janela de 31 pontos (Rótulo)
AMOSTRAS REFERÊNCIA (RÓTULO) PREDITO (NIR) DESVIO
A6 16,275 26,920 7,5271
A11 25,558 26,912 0,9574
A2 24,341 25,371 0,7283
A15 20,448 19,282 0,8244
A16 26,051 24,688 0,9639
A28 16,792 20,862 2,8779
A29 7,028 9,697 1,8872
Tabela B.7 – PLS – 1ª derivada em janela de 9 pontos (Umidade)
AMOSTRAS REFERÊNCIA (105º C) PREDITO (NIR) DESVIO
A6 5,6862 5,6520 0,0240
A11 4,2444 4,3110 0,0473
A2 4,5236 4,5160 0,0057
A15 6,4313 6,4320 0,0007
A16 4,9332 4,7590 0,1230
A28 5,5226 7,9140 1,6907
A29 7,0090 7,2360 0,1534
Tabela B.7 – PLS – 1ª derivada em janela de15 pontos (Umidade)
AMOSTRAS REFERÊNCIA (105º C) PREDITO (NIR) DESVIO
A6 5,6862 5,6860 0,0240
A11 4,2444 4,2460 0,0473
A2 4,5236 4,5190 0,0056
A15 6,4313 6,4320 0,0007
A16 4,9332 5,3010 0,1230
A28 5,5226 7,5690 1,6907
A29 7,0090 5,6250 0,1534
101
Tabela B.7 – PLS – 1ª derivada em janela de 21 pontos (Umidade)
AMOSTRAS REFERÊNCIA (105º C) PREDITO (NIR) DESVIO
A6 5,6862 5,6930 0,0049
A11 4,2444 4,2460 0,0014
A2 4,5236 4,5150 0,0063
A15 6,4313 6,4310 0,0003
A16 4,9332 5,0210 0,0622
A28 5,5226 8,0400 1,7797
A29 7,0090 5,9310 0,7693
Tabela B.7 – PLS – 2ª derivada em janela de 15 pontos (Umidade)
AMOSTRAS REFERÊNCIA (105º C) PREDITO (NIR) DESVIO
A6 5,6862 5,676 0,1758
A11 4,2444 4,247 -0,070
A2 4,5236 4,525 -0,0221
A15 6,4313 6,428 0,0466
A16 4,9332 5,405 -9,5682
A28 5,5226 5,917 -7,1338
A29 7,0090 6,230 11,2409
Tabela B.7 – PLS – 2ª derivada em janela de 31 pontos (Umidade)
AMOSTRAS REFERÊNCIA (105º C) PREDITO (NIR) DESVIO
A6 5,6862 5,6860 0,0002
A11 4,2444 4,2460 0,0014
A2 4,5236 4,5190 0,0035
A15 6,4313 6,4320 0,0007
A16 4,9332 5,3010 0,2602
A28 5,5226 7,5690 1,4467
A29 7,0090 5,6250 0,9857
102
ANEXOS
Tabela 1 - Requisitos físicos e químicos para o leite
Parâmetros Resultados
Lipídios (g / 100 mL de leite) Mín 3,0
Densidade (a 15 oC) 1,028 a 1,034
Acidez (g de ácido lático / 100 mL de leite) 0,14 a 0,18
Cinzas (g / 100 mL de leite) Min 8,2
Ponto Crioscópico Máx. -0,512 oC
Fonte: Instrução Normativa nº 68, de 12 dezembro de 2006 do MAPA
Tabela 2 - Relação entre a composição do leite de soja, bovino e humano
Teor (g / 100 g de amostra)
“Leite de soja” Leite bovino Leite humano
Calorias (Kcal) 44 59 62
Composição centesimal (%)
Água 90,8 88,6 88,2
Proteína 3,6 2,9 1,4
Lipídios 2 3,3 3,1
Carboidratos 2,9 4,5 7,1
Cinza 0,5 0,7 0,2
Minerais (mg)
Cálcio 15 100 35
Fósforo 49 90 25
Sódio 2 36 15
Ferro 1,2 0,1 0,2
Vitaminas (mg)
Tiamina (B1) 0,03 0,04 0,02
Riboflavina (B 2) 0,02 0,15 0,03
Niacina 0,5 0,2 0,2
Ácidos graxos saturados (%) 40-48 60-70 55,3
Ácidos graxos insaturados (%) 52-60 30-40 44,7
Colesterol (mg) 0 9,24-9,9 9,3-18,6
Fonte: Chen, 1990
103
Tabela 3- Relação entre publicações e faixa de comprimento de onda (nm)
ARTIGOS λ (nm) MÉTODO DE
REFERÊNCIA
MODELO
APLICADO AMOSTRA ANALITO
KAROUI e tal, 2006 1110-2000 MID (comparação) PLS Queijo Lipídios,
Proteína
CHEN , et al.2010 909-2500 HPLC SIMCA E PLS Chá Cafeína
GONZÁLEZ-
MARTÍNA, et
al.2007
1100-2000 Físico PLS, PCR, MPLS Queijo Leite
BORIN, et al. 2006 1000-2400 Cromatografia
eletroforese
PLS, PCR, LS-
SVM Leite em pó
Adulterantes
(sacarose)
XIE, et al.2009 400 -1000 Genótipo SIMCA, LS-SVM Tomates
transgênicos Classificação
LIU, et al.2009 400-1000 (qualitativo) LS-SVM, SIMCA Leite
modificado Qualitativo
CASALE, et al.2010 1000-2500 CG e extração SIMCA Azeite Ácidos graxos
CABANÁS, et
al.2011 400 -2500 CG PLS Carne da suína Lipídios
PURNOMOADI, et
al.1999 1100-2500 --- MLR Leite
Proteínas,
Lipídios
LAPORTE, et
al.1999 1100-2500
Método de Mojonnier
Método de Kjeldahl PLS Leite
Proteínas,
Lipídios
WU, et al.2009 1428-2500 MID LS-SVM, PLS Leite em pó
Traços de
zinco
e írion
TRIPATHI , et al.
2010 1667-2222 UV-VIS (420NM) PLS
Açafrão em pó
(cúrcuma)
Curcuminóides
(pigmento)
ANDRE, et al.2006 1860-2020 físico PLS Madeira Propriedades
físicas
CHEN, et al NÃO HPLC PLS, ANN Chá Cafeína
MAAMOURI, et
al.2008 1111-3333 ------- PCA Leite de ovelha
Ph, densidade,
lipídios,
Proteínas,
Lactose
FILHO.2001 1200-2200 Polarimetria PLS Chocolate Sacarose
KAWAMURA.2007 600-1050 ---- PLS Leite
Lipídios,
Proteínas
E lactose
XIE, et al.2008 800-2400 refratometria,
potenciometria PLS Tomate
Sólidos totais,
pH
ESTEVES, et al.
2008 omitiu Físico, soxhlet PLS
Pinho e
eucalipto
Propriedades
mecânicas,
Extrato
VESELA, et al. 2007 1100-2500
Método de kjeldahl,
soxhlet, secagem em
estufa
PLS1 Cacau em pó
Lipídios,
Proteínas,
Umidade
COSCINE, et
al.2000 350-650 ICP- OES PLS Plantas
Alumínio,
írion
FILHO, et al . 2001 740-2222 Análise clinica MLR, AGG Sangue humano Triglicerídeos
FIDÊNCIO, et
al.2002 1000 - 2400 Análise clinica MLR, PLS, RBFN Solo
Conteúdo
De matéria
orgânica
BORIN, et al. 2006 1000-2400 Adição de padrão LS-SVM, PLS Leite em pó Adulterantes
(sacarose)
LACHENMEIER ,
et al .2010 Médio Destilação PLS Fruto Álcool
VENÅS, et al.2008 400-2500
PLS Madeira Físicos
PATIL, et al.2010 850-1048 CG MPLS Soja Ácidos
Graxos
Fonte: Portal da Capes 2009 a 2011
104
Relação dos principais periódicos e bases citadas neste trabalho e utilizadas acervo
bibliográfico Tabela 4.
Tabela 4 – Relação das Algumas Revistas
Periódico Base
Analytica Chimica Acta Elsevier
Journal of Food Engineering Elsevier
Eur Food Res Technol Springer
Sens. & Instrumen. Food Qual. Springer
Food Chemistry Elsevier
International Dairy Journal Elsevier
J. Agric. Food Chem. American Chemical Society
Journal of Food Composition and Analysis Elsevier
Talanta Elsevier
Journal Near Infrared NIR Publications
Spectrochimica Acta Part A: Molecular and
Biomolecular Spectroscopy
Elsevier
Chemometrics and Intelligent Laboratory Systems Elsevier
Food Control Elsevier
Food Research International Elsevier
Forensic Science International Elsevier
Meat Science
Trends in Analytical Chemistry Elsevier
Journal Chemometrics WILEY
Fonte: Portal da Capes, 2009 a 2011
