Neste módulo estudamos a equação da reta como modelo de calibração, e o principal objetivo é fornecer ferramentas adequadas para verificar se o modelo obtido é estatisticamente adequado para representar o conjunto de dados.

II.I Equação da reta

Iniciamos estudado por que é utilizado a equação da reta, e então como estimamos os seus parâmetros e como fazer novas predições.

• O problema da calibração;
• Estimando os coeficientes da reta;
• Predizendo novos valores;

II.II Avaliação da regressão

Após estimar o modelo de calibração é vital verificar se o ajuste realizado é adequado. Iniciamos esta avaliação com o método mais comum, que é a análise de variância.

• ANOVA;
• Coeficiente de determninação;
• Teste para falta de ajuste;

II.III Diagnóstico do modelo

Em seguida devemos verificar se o modelo obtido atente aos pré-requisitos impostos pelo método de regressão (método dos mínimos quadrados).

• Média dos resíduos;
• Normaliade;
• Gráfico de resíduos;
• Independência em relação a ordem de coleta;
• Independência em relação ao ajuste;
• Resíduos padronizados (outliers);
• Homocedasticidade de variãncias;
• Correlação dos resíduos.

II.IV Intervalos de confiança

Com o modelo sendo considerado adequado, devemos estimar os intervalos de confiança, tanto para o modelo como para novas observações.

• Inferência sobre beta 1;
• Inferência sobre beta 0;
• Bandas de confiança do modelo;
• Bandas de predição do modelo;
• O gráfico de curva de calibração;
• Predição de uma nova concentração;

II.V Alavancagem, outliers e influência

Em alguns casos pode acontecer de, apesar do modelo obtido ser considerado estatisticamente adequado, ele ainda tenha alguns problemas. Neste tópico nós estudamos ferramentas mais avançadas para identificar problemas no nosso modelo de calibração, além de aprender sobre o conceito de alavancagem que será importante para o planejamento das curvas de calibração.

• Outliers na regressão;
• Alavancagem;
• Resíduos internos;
• Resíduos externos;
• Distância de Cook;
• DFFITS;

II.VI Resumo e consolidação das planilhas

Por fim é necessario rever os principais conceitos, fórmulas e métodos adotados para validar o modelo. Também fazemos alguns ajustes na planilha de validação com o intuito de adicionar marcadores que auxiliam na avaliação dos dados obtidos.

• Resumo;
• Consolidação das planilhas;

Agora que temos bagagem estatística e sabemos como o modelo deve ser validado, podemos validar o nosso método analítico.

III.I Planjemento da curva analítica

A obtenção de um modelo adequado começa pelo planejamento dos experimentos, afinal de contas não é possível obter bons produtos com material de qualidade duvidosa.

• Alavancagem;
• Avaliação preliminar dos dados;
• Planejamento experimental;

III.II Parâmetros de desempenho

Com os dados obtidos e o modelo sendo considerado estatisticamente adequado, podemos estimar os parâmetros de desempenho do método analítico.

• Seletividade;
• Linearidade;
• Faixa de trabalho;
• Limites do método (detecção e quantificação);
• Precisão;
• Exatidão;
• Robustez (introdução ao Delineamento Experimental);

Diversas variáveis podem comprometer o método ao longo do tempo. Desgaste de equipamento, troca de fornecedores de reagentes, mudanças de colaboradores, são alguns exemplos. Assim é vital ter ferramentas para auxiliar a garantir que o método segue válido ao longo do tempo.

Neste módulo é proposto formas adequadas de monitorar o método ao longo do tempo.