Pular para o conteúdo
Even3

Conferência

Detecção de amostras anômalas e relevância para PLS-DA

Gravado no evento XI Workshop de Quimiometria · 57 min de gravação

Trechos em vídeo

Sobre o conteúdo

A apresentação inicia-se com a introdução conduzida pela moderadora, que detalha a trajetória acadêmica do palestrante Jez Willian Batista Braga antes de passar-lhe a palavra no âmbito do evento Quimiometria e aprendizado de máquina em química analítica. Na conferência intitulada Detecção de amostras anômalas e relevância para PLS-DA, o palestrante expõe a estrutura teórica do PLS-DA, método fundamentado na regressão por mínimos quadrados parciais que busca maximizar a covariância entre dados instrumentais e variáveis dependentes de classe, estabelecendo limites de discriminação baseados no Teorema de Bayes.

O que é abordado

  1. Abertura e apresentação do palestrante
  2. Fundamentos de PLS-DA e comparação com modelagem de classe
  3. Estratégias de PLS-DA rígido versus flexível
  4. Conceito de outliers e definição do objetivo analítico
  5. Ferramentas estatísticas de diagnóstico: T² de Hotelling, resíduos Q e limites de prediçãoTrecho de 1 min 54 s
  6. Significado e fluxo decisório de amostras anômalasTrecho de 1 min 58 sTrecho de 1 min 54 s
  7. Estudo de caso 1: Discriminação de espécies de madeira por NIR
  8. Estudo de caso 2: Autenticação de uísques por espectroscopia UV-Vis
  9. Conclusões, agradecimentos e homenagem ao Prof. Ronei Jesus Poppi
  10. Sessão de perguntas e respostas

Dúvidas que o conteúdo responde

Qual é a principal distinção entre análise discriminante e modelagem de classe?

A análise discriminante calcula fronteiras entre no mínimo duas populações e, em sua forma rígida, força a classificação da amostra em uma das classes conhecidas. Já a modelagem de classe estabelece regiões de confiança individuais para a classe de interesse, permitindo classificar uma amostra em múltiplas classes ou em nenhuma.

Quais parâmetros estatísticos são empregados para detectar outliers em modelos PLS-DA?

Utilizam-se principalmente a distância de Hotelling (T²), que avalia o afastamento em relação ao centro no espaço das variáveis latentes; os resíduos Q, que medem a variação não modelada fora do plano; e intervalos de confiança nos próprios valores previstos de classe.

Como o aumento de variáveis latentes impacta a capacidade do modelo de identificar outliers?

Modelos com número excessivo de variáveis latentes tendem a superajustar (overfitting) os dados de calibração, tornando as fronteiras excessivamente estritas, o que pode aumentar os alarmes falsos de outliers em amostras legítimas pertencentes às classes modeladas.

Quando é preferível adotar o PLS-DA rígido em vez do flexível?

O PLS-DA rígido pode ser vantajoso em cenários fechados de rotina onde comprovadamente não se espera o surgimento de novas classes ou adulterantes inesperados, evitando a faixa de indecisão ou resultados inconclusivos típica dos modelos flexíveis.

Assuntos

  • PLS-DA
  • quimiometria
  • outliers
  • amostras anômalas
  • T2 de Hotelling
  • resíduos Q
  • espectroscopia NIR
  • UV-Vis

Palestrantes

  • Dr. Jez Braga

    Palestrante

Outros conteúdos deste evento

Gravados no evento XI Workshop de Quimiometria

Mesa-redonda · 2 h 48 min

História da Quimiometria no Brasil

Gravado no evento XI Workshop de Quimiometria

Esta gravação traz a mesa redonda sobre os primórdios da quimiometria no Brasil e a cerimônia de encerramento do 11º Workshop de Quimiometria. Pesquisadores pioneiros relembram a…

Ver resumo e capítulos

Conferência · 58 min

Quimiometria na Indústria 4.0

Gravado no evento XI Workshop de Quimiometria

A professora Dra. Fernanda Pimentel discute o papel e a relevância da Quimiometria no contexto da Indústria 4.0 durante o evento 'Quimiometria e aprendizado de máquina em química…

Ver resumo e capítulos