TY: THES T1 - Análise de polissacaridos da parede celular da laranja por quimimetria A1 - Barros, Mário Jorge Oliveira N2 - O objectivo deste trabalho é a aplicação de técnicas estatísticas multivariadas com potencial aplicação no controlo de qualidade analítica. Estas técnicas estatísticas foram usadas na análise de dados químicos e espectroscópicos de polissacáridos da parede celular da polpa da laranja. Na primeira parte deste texto é feita a exposição de algumas técnicas matemáticas e estatísticas que são usadas de forma mais ou menos frequente em química analítica. Algumas destas técnicas são descritas de forma mais pormenorizada devido à sua importância e por serem usadas posteriormente no trabalho analítico. Ainda na primeira parte deste estudo é feita uma descrição sucinta e geral do tipo de material que é analisado posteriormente neste trabalho - polissacáridos de frutos. Na segunda parte deste trabalho é feita a análise de um conjunto de dados químicos e espectroscópicos usando técnicas quimiométricas. À partida temse um conjunto de fracções da parede celular das quais se conhece a composição química (em sacáridos) e os espectros de infravermelho médio (no intervalo 1850-900 cm-1). Com estes dados aplica-se a análise de correlações, a análise de factores, a análise em componentes principais, o reconhecimento de padrões (com e sem supervisão) e modelos de calibração. Todas as técnicas se mostraram úteis na caracterização ou classificação das amostras; na maior parte dos casos confirma-se a classificação preconcebida em função dos processos de extracção química mas as técnicas estatísticas são particularmente úteis na caracterização e classificação das fracções extraídas em etapas em que é difícil fazer a classificação das amostras. As classificações mais fáceis de interpretar são obtidas com as técnicas de reconhecimentos de padrões com o algoritmo das K-médias (análise sem supervisão) e com a função discriminante condicionada pelo teorema de Bayes (na análise com supervisão). Os modelos de calibração (MLR, PCR, PLS1 e PLS2) além de contribuírem para a caracterização das amostras mostraram-se também razoáveis na capacidade de previsão da quantidade dos sacáridos principalmente dos ácidos urónicos e da xilose. Em geral, as técnicas de regressão linear múltipla (MLR) com introdução progressiva de variáveis e a regressão dos mínimos quadrados parciais (com algoritmo PLS1) apresentaram as melhores capacidades de regressão. ABSTRACT: The aim of this work is the application of multivariate statistical analysis in the context of the post-graduation course (analytical quality control). Some statistical methods were applied to chemical and spectroscopic data from orange cell wall polysaccharides. In the first part some mathematical and statistical techniques of frequent use in analytical chemistry are explained. Some of these are described in more detail due to its importance and because they are used latter at this study. It is also briefly and generally described the kind of samples (fruit cell wall polysaccharides) latter used in this work. A group of fractions, whose chemical composition and medium infrared spectra was known, was used for this study. Correlation analysis, factor analysis, principal component analysis, pattern recognition (supervised and unsupervised) and calibration methods were applied to this data. All these techniques were shown useful in characterization or clustering the samples. The classification due to chemical extraction process was confirmed at most cases but the statistical techniques were particularly useful in the characterization and cluster assignment of fractions whose chemical extraction didn't allow easy classification. Pattern recognition using K-means algorithm and discriminant analysis using Bayes' theorem give back easier clustering information. The calibration methods besides giving information to allow characterization of the fractions also give prevision of quantity of saccharides namely uronic acids and xylose. Multiple linear regression (MLR) with forward selection technique and partial least squares (PLS1 algorithm) showed in general better ability to perform regression. UR - https://ria.ua.pt/handle/10773/3089 Y1 - 2004 PB - Universidade de Aveiro