QUÍMICA ANALÍTICA AVANÇADA – 1S 2017

MÓDULO 2

Estatística Aplicada à Química Analítica

- Conceitos básicos

Prof. Rafael Arromba de Sousa

Departamento de Química - ICE
[email protected]

Notas de aula: www.ufjf.br/baccan

 Estatística Aplicada à Química Analítica

Aula anterior:

Conceitos e definições básicos

 Não existe um valor absoluto para um resultado analítico
 Forma correta de expressar os resultados
 Definição de exatidão e precisão
 Importância de rejeitar resultados anômalos

Exercícios:

Exerc. 1 Algarismos significativos

Exerc. 2 Precisão e rejeição de resultados 3

 Estatística Aplicada à Química Analítica

Aula anterior:

Conceitos e definições básicos

 Não existe um valor absoluto para um resultado analítico
 Forma correta de expressar os resultados
 Definição de exatidão e precisão
 Importância de rejeitar resultados anômalos

Nessa aula:

- Conceitos básicos (continuação)

- Noções de Quimiometria (?)
3
RELAÇÃO ENTRE EXATIDÃO E PRECISÃO
A Exatidão e a Precisão se relacionam de 3 formas principais:

Método
de análise

C preciso e exato !

B preciso mas inexato

A impreciso e inexato

valor Conc. do analito

verdadeiro

EXEMPLOS PRÁTICOS ?? 4
 Algumas formalidades... TERMINOLOGIAS

1) Boa precisão = Boa repetibilidade ≠ reprodutibilidade

Codex Committee on Methods of Analysis and Sampling. Guidelines on

Analytical Terminology (CAC/GL72 – 2009)

5
 TERMINOLOGIAS

2) Precisão intermediária

(Semelhante ao apresentado na Rev. 05 – Ago 2016) 6

 A ESTATÍSTICA NA ANÁLISE QUÍMICA

Comparação de Resultados:
1. Definição do problema analítico
2. Escolha do método de análise
3. Amostragem
4. Tratamento da amostra (e separação da espécie de interesse)
5. Calibração
6. Medida analítica RESULTADO (MÉDIA ± INCERTEZA)
7. Avaliação dos resultados : RESULTADO OBTIDO x RESULTADO ESPERADO
8. Ação

Precisões (Teste F)
Comparação
Médias (Teste t de Student)
7
 Teste F (ou Teste de Snedecor)

Comparar precisões SA2

(ou variâncias) F=
de duas médias (A e B) S B2
“A” refere-se à média com o maior desvio

SE Fcalculado < Fcrítico para a confiabilidade desejada

Não existe diferença significativa entre os conjuntos

de dados em termos de precisão…

SE Fcalculado  Ftabelado para a confiabilidade desejada

Existe diferença significativa entre os conjuntos

de dados
8
 Tabelas para os valores críticos de F

Ex: Valores críticos para F ao nível de 5%*

Graus
lib. 3 4 5 6 12 20 Numer.

3 9,28 9,12 9,01 8,94 8,74 8,64

4 6,59 6,39 6,26 6,16 5,91 5,80
5 5,41 5,19 5,05 4,95 4,68 4,56
6 4,76 4,53 4,39 4,28 4,00 3,87
12 3,49 3,26 3,11 3,00 2,69 2,54
20 3,10 2,87 2,71 2,60 2,28 2,12
Denom.

* A tabela indica as probabilidades dos valores serem diferentes

(confiabilidade de 95% para não haver diferença significativa entre os resultados)
9
 EXERCÍCIO

Exercício 3-
Comente sobre a diferença na precisão obtida nos laboratórios
A e B para a determinação de Mg em uma mesma amostra de
leite considerando um nível de confiança de 95%.

Dados:
Lab. A : 34,97; 34,85; 34,94 e 34,88 mg L-1 e
Lab. B : 35,02; 34,96; 34,99; 35,07 e 34,85 mg L-1

(Precisões semelhantes, comparáveis) 10

 MAS para avaliar os parâmetros precisão e
exatidão: entender que erros afetam esses
parâmetros ?

TIPOS ERROS:

- SISTEMÁTICOS (rastreáveis e pode ser evitados)

- ALEATÓRIOS (sempre presentes... )

11
 1) Erros Sistemáticos ou Determinados
(Podem ser conhecidos e rastreados)

Erros de Método : surgem do comportamento

químico ou físico não ideal de sistemas analíticos

Erros Pessoais : resultam da falta de cuidado,

falta de atenção ou limitações pessoais do afetam a
analista
exatidão

Erros Instrumentais: causados pelo

comportamento não ideal de um instrumento, por
calibrações falhas ou pelo uso de condições
inadequadas

12
Erros Sistemáticos ou Determinados
(Podem ser conhecidos e rastreados)

Como detectar um erro sistemático?

• Materiais de Referência Certificados (CRM)

• Método de adição e recuperação de analito

(“spike”)

• Métodos comparativos

• Testes interlaboratoriais

13
Erros Sistemáticos ou Determinados

CRM

- Adquirir de empresas especializadas (NIST*)

• Amostras com certificado de análise (resultado ± incertza)

Substâncias comumente encontradas em amostras:

AMBIENTAIS – CLÍNICAS – BIOLÓGICAS – FORENSES

(*) National Institute and Technology

14
Erros Sistemáticos ou Determinados

Exercício 4-

PESQUISAR PARA A PRÓXIMA AULA

- Se existem CRMs disponíveis comercialmente para as

suas matrizes de estudo (ou interesse)

15
 2) Erros Indeterminados
(aleatórios ou randômicos)
 Não podem ser localizados…

Medidas flutuam
aleatoriamente
ao redor da média

afetam a precisão

Variam de acordo com

uma distribuição normal

16
 Ex de uma Distribuição Normal (Calibração de uma pipeta)

50
% das medidas

Curva de Gauss
30
(Perfil da distribuição)

10
9.969 9.975 9.981 9.987 9.993
9.971 9.977 9.983 9989 9.995 volume (mL)

Histograma mostrando a
distribuição de 50 medidas do
volume escoado por uma pipeta
de 10,00 mL
17
OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)
 Karl F. Gauss

Característica de uma Distribuição Normal

Os resultados são alterados ora para menos, ora para mais,

por erros que parecem se dar ao acaso (aleatórios), que é um
comportamento esperado e, por isso, “normal”

18
 Distribuição Normal de Gauss

 Probabilidade de ocorrência de um resultado (Y)

(X
1 exp - 1 i - )2
Y=
 2 2 2

µ corresponde a média da população

(situação de várias medidas)

 Assim, pode-se calcular uma faixa para um resultado R supondo que

os desvios observados seguem uma distribuição normal

19
OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)
 Distribuição Normal e a Estatística Clássica

Para a estatística clássica os desvios da normalidade não afetam os

resultados do ponto de vista estatístico (métodos robustos) e esta
ideia é apresentada no “Teorema do Limite Central”:

“Se a flutuação total numa certa variável aleatória for o resultado da

soma das flutuações de muitas variáveis independentes e de
importância mais ou menos igual, a sua distribuição tenderá para a
normalidade, não importa qual seja a natureza das distribuições das
variáveis individuais”

W S Gossett (1868 – 1937):

Desenvolveu a distribuição de Student para analisar

resultados do teor de álcool em cerveja

20
 Limites de confiança para a media de um resultado


 =x  z
0,4 -2 -1 +1+2
N
Frequência relativa

0,3 Níveis de
Confiança para Z %
50 0,67
0,2 68 1,00
80 1,28
90 1,64
0,1
95 1,96
95,4 2,00
0_ 99 2,58
0 + 99,7 3,00
Distribuição Normal de Gauss 99,9 3,29

21
OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)
 Limites de confiança da média quando não se tem µ

 =x  z  =x  tS
N N
Graus de liberdade 95% 99%

1 12,71 63,66
2 4,30 9,93
3 3,18 5,84
4 2,78 4,60
5 2,57 4,03
6 2,45 3,71
7 2,36 3,50
8 2,31 3,36
9 2,26 3,25
10 2,23 3,17
. . .
. . .
 1,96 2,58
22
OBS: Transparência preparada a partir de material do Prof Célio Pasquini (IQ-Unicamp)
Exemplo 4 (aplicação do conceito na expressão de um resultado):

Um indivíduo fez quatro determinações de ferro em uma

liga metálica, encontrando um valor médio de 31,40% m/m
e uma estimativa do desvio padrão de 0,11% m/m. Qual o
intervalo em que deve estar a média da população, com um
grau de confiança de 95%?

µ=?

 =x  tS
N
µ = 31,40 ± (3,18 x 0,11) /  4

µ = 31,40 ± 0,17  C Fe = (31,23 – 31,57)% m/m

23
 Comparação de médias

Situação 1 Situação 2

Resultado ± incerteza Resultado ± incerteza

Valor de referência Valor de referência ± incerteza

24
Exemplo de aplicação – SITUAÇÃO 1 (Exp. de amostragem)

Ex: Comparação da distribuição de cores de confeitos M&M

com a especificação do fabricante

 Com base na amostragem e análise (contagem) dos analistas

diferentes

 média (X) e estimativa do desvio (S) para cada cor

 Média do fabricante (µ)

 Calcula-se t com a confiança desejada e compara-se com o valor

tabelado:
t =  - x
N
S

Se o t calc < t tab

 não existe diferença significativa entre as médias 25
Outro modo de usar o Limite de confiança da média pra esse mesmo
tipo de comparação

Comparação de uma média com um valor de referência

quando não se tem o desvio do valor de referência

Ex de situação em
Valor referência que o resultado
obtido
concorda com o
IC para o resultado “R” valor de referência

 =x  tS
ν t tabelado = N-1
N 26
  PARA A SITUÃO 2: Se as precisões forem
comparáveis, compararam-se as médias:
Teste t, de Student

x 1 - x2
t= n é o número das medidas
para cada média
n1 + n2
Sp n1 . n2 Sp corresponde a S “agrupado”

(n1-1) S12 + (n2 -1) S22 ν = n1+n2-2

Sp= n1 + n2 - 2
t tabelado

SE tcalculado < tcrítico para o nível de confiança desejado:

não existe diferença significativa entre as médias e as
diferenças observadas se devem a erros aleatórios 27
  MAS se as precisões não forem comparáveis:

x1 - x2
t= (n1-1) S12 + (n2 -1) S22
n1 + n2 Sp= n1 + n2 - 2
Sp n1 . n2

ν t tabelado:

FÓRMULAS ESPECÍFICAS (Pesquisar...)

ν t tabelado = n1+n2-2
 n1 = n2
 n1 ≠ n2
28
 Valores críticos para t nos níveis de 95 e 99%
(P= 0,025 e P= 0,005)

Graus de liberdade 95% 99%

1 12,71 63,66
2 4,30 9,93
3 3,18 5,84
4 2,78 4,60
5 2,57 4,03
6 2,45 3,71
7 2,37 3,50
8 2,31 3,36
9 2,26 3,25
10 2,23 3,17
. . .
. . .
 1,96 2,58

 Testes estatísticos são válidos quando os erros envolvidos são aleatórios

 Mais confiáveis serão os testes quanto maior o ν (graus de liberdade)

29
Outras formas de utilizar o teste-t

Comparação de dados em pares (teste-t pareado)

Amostras diferentes (do mesmo tipo ou de lotes diferentes) analisadas por

métodos diferentes ou analistas diferentes

Procedimento:

1) Organizar os dados em pares

2) Calcular o “desvio padrão” entre as diferenças das médias (dos pares)
3) Calcular o valor de t:

d
t = ν = N-1
Sd N t tabelado

ν= número de graus de liberdade 30

 EXERCÍCIO

Exercício 5-

No seu trabalho de pós-graduação você fará comparação de resultados?

Em caso afirmativo, qual teste será usado? Por quê?

31
 Testes estatísticos para
comparação de resultados

- Precisão
- Exatidão

Testes de hipóteses

- Hipótese nula (H0)

H0: µ = µ0
(µ0 é o valor verdadeiro ou de referência)

- Hipótese alternativa (Ha)

Ha: µ ≠ µ0 32
33
 Alguns Exemplos de Propagação de “Erros”

 Leva-se em consideração as incertezas de cada etapa do

processo
Para erros indeterminados (situação mais usual)

Para um resultado “R”:

AB
R = A + B – C (soma e sub.) R = (multiplicação e divisão)
C

2 2 2
SR SA SB SC
SR =  SA2 + SB2 + SC2 = + +
R A B C

34
 Propagação de Erros
Para “casa”

Exerc. 6:

Considerando que o S de uma balança seja de 0,0001 g,

calcule a estimativa do desvio-padrão de uma pesagem
feita nesta balança.

(SR= 0,0001g)
35
CASO DE MÉTODOS INSTRUMENTAIS DE ANÁLISE

O TRATAMENTO ESTATÍSTICO INCLUE TAMBÉM:

 Regressão linear

 Curva de calibração (ou analítica)

Tipos: - univariada (“convencional”)
- multivariada (métodos quimiométricos)

 Estimativa dos Limites de detecção e quantificação

 Cálculos baseados na Estimativa do desvio padrão do

branco para prever a detectabilidade do instrumento e
método
36
 REGRESSÃO LINEAR

É a reta que melhor representa a relação entre a

propriedade medida (Abs, p. ex) e a concentração dos
padrões

Padrões
Abs= 48,3x + 0,24
r= 0,9987
Absorbância

Branco
0 Concentração (mg L-1) 1

- O coeficiente de correlação (r) varia entre -1 e +1 37

- Quanto mais próximo da “unidade”, melhor é a correlação
REGRESSÃO LINEAR

 Uma Curva analítica linear nem sempre é possível e uma

Regressão não-linear pode ser usada desde que apresente “boa
correlação”

 As Regressões lineares são as mais usuais e podem ser obtidas

por meio de softwares, que usam o “Método dos mínimos quadrados”:

Para y= ax + b, com coef. correlação “r”:

n Σxiyi – ΣxiΣyi
a = ______________ b = y - x
n Σxi2 – (Σxi)2
n= no de pontos (x1;y1) da calibração

n Σxiyi – ΣxiΣyi
r = _______________________________
{ [nΣxi2 – (Σxi2)] [nΣyi2 – (Σyi )2] } 1/2 38
REGRESSÃO LINEAR

 O “Método dos mínimos

quadrados” minimiza os “resíduos”
(erros) que a reta de regressão
gera para cada um dos pontos

 Nos pontos centrais de uma

curva de calibração os resíduos
são sempre menores

Implicações ...

39
 REGRESSÃO LINEAR

“Para casa”:

Vide ex. 4.9 e 4.10 do “Vogel – Análise Química Quantitativa”, 6ª Ed:

Para determinar quitina por fluorescência molecular utilizou-se

padrões de quitina nas seguintes concentrações: 0,10; 0,20; 0,30 e
0,40 µg mL-1 e que resultaram nos seguintes valores de emissão,
respectivamente: 5,20; 9,90; 15,30 e 19,10, Cps sendo que o branco
gerou leitura de 0,00 Cps. Considerando-se que um coeficiente de
correlação linear superior a 0,99 é satisfatório, calcule a concentração
de quitina de uma amostra cujo sinal analítico foi de 16,10 Cps.

(r= 0,9987 e C quitina = 0,32 µg mL-1)

40
REGRESSÃO LINEAR

Para se obter uma “boa calibração” é preciso que:

a) Os únicos erros nas medidas sejam devidos a flutuações na variável

dependente “y”

b) Os pontos tenham comportamento homocedástico (erros aleatórios

com média zero e variância constante)
Testes: Cochran (Q) ou Levene
 Regressão “normal” ou ponderada

c) Garantir que os erros não sejam correlacionados

Preparar todos os padrões do mesmo jeito e realizar as
medidas experimentais de forma aleatória

d) Os erros sigam uma distribuição normal

Teste de Shapiro Wilk

e) O modelo obtido não apresente falta de ajuste (ANOVA) 41

 REGRESSÃO LINEAR E EFEITO MATRIZ
Sendo a Regressão linear uma reta “média” pode-se calcular a incerteza dos
seus coeficientes angulares e lineares

 As incertezas desses coeficientes podem ser usadas para avaliar a própria

regressão bem como outros parâmetros

Avaliação do efeito matriz no desenvolvimento de um método

analítico * (comparação dos coef. angulares, “a”):
0.020 Curva de adição de padrão
Curva analítica em meio ácido
0.018 a a
0.016
meio alcalino meio ácido
( y= ax + b )
0.014

0.012
1,60 10-3 ± 0,05 10 -3 1,78 10-3 ± 0,03 10-3
0.010
AI

0.008

0.006

0.004 Comparação para um nível de 95% de

0.002
confiança para saber se a calibração
poderia ser feita em meio ácido !
0.000

-0.002
0 2 4 6 8 10

Concentração de Pb (ug/L)

(*) R.A.de Sousa et al. / Talanta 104 (2013) 90–96 42

 REGRESSÃO LINEAR E EFEITO MATRIZ

 Cálculo das incertezas de a e b :

S S y/x
= ______________
a S b = S y/x [ Σxi2 / nΣ(xi- x )2 ]1/2
[ Σ(xi – x )2 ]1/2

S y/x = [ Σ(yi – y^ )2 / (n-2) ] 1/2

Obtido usando a própria

equação de regressão

Uma observação cuidadosa dos valores de yi - y ^

mostram que o erro da regressão é menor nas
vizinhanças do centro da curva de calibração ! 43
 REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO

 Estimativa dos LIMITE DE DETECÇÃO (LOD) e

LIMITE DE QUANTIFICAÇÃO (LOQ)

Representam a DETECTABILIDADE DO MÉTODO

“LEMBRAR”: LOD instrumental é diferente do LOD método

Exemplo
Para quantificar 0,02 mg.kg-1 Pb em uma amostra de peixe por GF AAS
o LOQ deve ser consideravelmente menor que 0,02 mg.kg-1 Pb

 Análise elementar = Amostra é digerida

 Na solução final a amostra fica diluída (10x p. ex)

C Pb sol. amostra= 0,02 mg kg-1 / 10 = 0,002 mg kg-1

 LOQ instrumental ≤ 0,002 mg.kg-1 Pb e não 0,02 mg kg-1 44

 REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO

 Estimativa dos LIMITE DE DETECÇÃO (LOD) e

LIMITE DE QUANTIFICAÇÃO (LOQ)

Definições

Limite de detecção:

É a menor concentração ou massa de analito que pode ser detectado

com uma certa confiança

Depende da magnitude do sinal analítico em relação à flutuação do

branco:
3 Sbranco
LOD=
m m= inclinação curva analítica
45
 REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO

 CÁLCULO do LIMITE DE DETECÇÃO (LOD)

CONSIDERAÇÃO:

LOD  concentração correspondente ao Menor sinal detectável

Menor sinal detectável = Sinal branco + 3 S branco

Para que se tenha 99% de confiança

 SE Curva analítica: (1) Y= m X + b  b= Sinal branco

Na concentração limite Y = Menor sinal detectável (2)

X = LOD

 Substituindo (2) em (1): Sinalbranco + 3 Sbranco = m LOD + Sinalbranco

3 Sbranco = LOD 46
m
REGRESSÃO LINEAR E OS PARÂMETROS DE MÉRITO

 O LIMITE DE QUANTIFICAÇÃO (LOQ)

 No nível do LOD a medida é significativamente afetada pelo

ruído instrumental (baixa precisão)

 As medidas quantitativas devem ser feitas num nível superior

ao LOD, geralmente:

10 Sbranco
LOQ=
m

 PODE ser determinado experimentalmente (em função da

precisão) ou considerado igual ao primeiro ponto da curva analítica
47
Sabemos calcular (estimar) ?

Dúvidas ?

Comentários ?

OBS: Existem outras formas de calcular os valores

de LOD e LOQ, dependendo da técnica e objetivo do
método/análise
48
 Outros Usos da Estatística no Laboratório ...

Métodos quimiométricos para planejamento e

otimização de experimentos, análise multivariada de dados e
calibração multivariada

“A quimiometria pode ser definida como sendo a aplicação de

métodos matemáticos e estatísticos no planejamento ou na
otimização de procedimentos e na obtenção de informações
químicas através da análise de resultados relevantes”

49
Recomendação

 Literatura básica para estudos iniciais

Bruns, RE; Faigle, FG. “Quimiometria”,

Quím. Nova, 8 (1985) 84

Gemperline, PJ.
Practical Guide to Chemometrics (2nd Ed),
CRC Press Taylor and Francis, New York (2006)

50
 Alguns exemplos:
1- Planejamento fatorial e otimização multivariada

- Conhecer como os diferentes parâmetros experimentais afetam

o resultado do experimento (ou análise).

Seleção das condições instrumentais para determinar Se por GF

AAS em adoçantes dietéticos

Tpyr Tat tpyr Mod 51

1- Planejamento fatorial e otimização multivariada

- Estabelecer condições experimentais (instrumentais) otimizadas

Sousa, RA; Silva, JCJ; Teófilo, RF; Cadore, S.; Baccan, N.

“Study of Instrumental Parameters for the Analysis of Milk by
ICP OES Employing Factorial Design”,
Brazilian Meeting on Chemistry of Food and Beverages, 2004.

Seleção das condições instrumentais para análise de leite por

ICP OES
16

14

y= 6.74 + 1.89 P –
12
Mg II / Mg I

10

6
8
4.34 N – 0.59 A – 0.69
-1,2
-0,72
-0,24
2
4
PN – 0.34 PA + 0.34 NA
0
0,24
-1,2 6
- 0 ,9 2
-0,7 8
N

-0,4

0,72
- 0 ,2
0

4
0,2
0 ,4

1,2 P
8
0,7

52
2
0,9
6
1,2
 2- Análise multivariada de resultados

Um exemplo na área de Química analítica:

Dados experimentais obtidos para as diferentes amostras:

ACP ACN
Ca (mg L-1) 178 - 232 107 – 237
Mg 87 - 129 50 – 88
Mn 1,8 – 2,8 1,0 – 4,8
Fe 0,08 – 0,18 0,04 – 0,18
Zn 0,20 – 0,36 não detectado
Cu 0,09 – 0,19 não detectado
53
 2- Análise multivariada de resultados
 Considerando as variações para cada parâmetro (analito), busca-se
as possíveis similaridades entre as amostras

UTILIZAR: Recursos para Análise exploratória, como PCA

Gráfico de scores:

Amostras num espaço

multidimensional

54
PCA: Análise de Componentes Principais
 Na PCA realizada compara-se o Gráfico de scores com o de
loadings para se entender as “separações” encontradas

Verificação de correlações entre dados

55
3- Calibração multivariada para análise de solos, alimentos,
medicamentos, fluidos biológicos, ...

- Utiliza-se um único método analítico para detectar e

quantificar vários parâmetros em uma mesma análise

56
 3- Calibração multivariada para análise de solos, alimentos
e medicamentos

TABLE I:
Correlation Coefficient Values for Both Calibration and Validation Models Obtained via PLSR 1 for All Inorganic Elements

Correlation Coefficient Correlation Coefficient

Element Element
Calibration Validation Calibration Validation

Ca 0.99992 0.84705 K 0.99751 0.99558

P 0.98802 0.96488 Mg 0.96973 0.90379

Na 0.99367 0.98957 Cl 0.99982 0.99275

57
 3- Calibração multivariada para análise de solos, alimentos
e medicamentos

TABLE II: Correlation Coefficient Values for Calibration and Validation

Models Obtained via PLSR 1 for the Organic Compounds
Correlation Coefficient
Compounds
Calibration Validation

Glucose 0.99165 0.94337

Urea 0.99925 0.95103

Creatinine 0.99093 0.96018

58
Outros exemplos importantes podem ser
encontrados na literatura

Trata-se de um área em constante

desenvolvimento

OBS: Várias ferramentas além destas

exemplificadas podem ser usadas com finalidades
analíticas (desenvolvimento do método, avaliação de
resultados e na própria calibração)

 Estudem quimiometria !! 59
BIBLIOGRAFIA

1) D. A. Skoog, D. M. West, F. J. Holler, Stanley R. Crouch

Fundamentos de Química Analítica,
8a Ed., CENGAGE Learning, 2009

2) J. Mendham, R. C. Denney, J. D. Barnes, M. Thomas

Vogel - Análise Química Quantitativa,
6a ed., LTC, 2002

3) D. C. Harris,
Análise Química Quantitativa,
7a ed., LTC, 2008

4) B. B. Neto, I. E. Scarminio, R. E. Bruns,

Como Fazer Experimentos,
Editora da Unicamp, 2001

5) J. N. Miller, J. C. Miller,
Statistics and Chemometrics for Analytical Chemistry,
5th Ed, Pearson Education Limited, 2005
60