Chemometria w analityce chemicznej

Transkrypt

1 Jan Mazerski Wydział Chemiczny Politechnika Gdańska Chemometria w analityce chemicznej

2 Plan wystąpienia Założenia metod chemometrycznych Chemometria z lotu ptaka Przykłady zastosowania technik chemometrycznych Kto powinien dokonywać analizy chemometrycznej danych?

3 Co to jest chemometria? Chemometria jest dziedziną nauki i techniki zajmującą się wydobywaniem użytecznej informacji z wielowymiarowych danych pomiarowych, wykorzystującą statystykę i metody numeryczne. Chemometria wywodzi się z przemysłu i ten jej praktyczny, inżynierski rodowód jest jedną z jej najmocniejszych stron.

4 Założenia metod chemometrycznych (1) badane procesy i zjawiska są wielowymiarowe: opis rzeczywistości wymaga wielu zmiennymi objaśniających, Zmienne te należy analizować jednocześnie

5 Założenia metod chemometrycznych (2) badane procesy i zjawiska są wielowymiarowe: opis rzeczywistości wymaga wielu zmiennymi objaśniających, zmienne objaśniające nie są od siebie niezależne: wiele bardzo wartościowych informacji zawartych jest w zależnościach pomiędzy zmiennymi,

6 Założenia metod chemometrycznych (3) badane procesy i zjawiska są wielowymiarowe: opis rzeczywistości wymaga wielu zmiennymi objaśniających, zmienne objaśniające nie są od siebie niezależne: wiele bardzo wartościowych informacji zawartych jest w zależnościach pomiędzy zmiennymi, wartości zmiennych pochodzą z pomiarów i obarczone są niepewnością pomiarową,

7 Założenia metod chemometrycznych (4) badane procesy i zjawiska są wielowymiarowe: opis rzeczywistości wymaga wielu zmiennymi objaśniających, zmienne objaśniające nie są od siebie niezależne: wiele bardzo wartościowych informacji zawartych jest w zależnościach pomiędzy zmiennymi, wartości zmiennych pochodzą z pomiarów i obarczone są niepewnością pomiarową, pomiar wymaga czasu i pieniędzy: należy ograniczyć ilość pomiarów do rozsądnego minimum,

8 Założenia metod chemometrycznych (5) badane procesy i zjawiska są wielowymiarowe: opis rzeczywistości wymaga wielu zmiennymi objaśniających, zmienne objaśniające nie są od siebie niezależne: wiele bardzo wartościowych informacji zawartych jest w zależnościach pomiędzy zmiennymi, wartości zmiennych pochodzą z pomiarów i obarczone są niepewnością pomiarową, pomiar wymaga czasu i pieniędzy: należy ograniczyć ilość pomiarów do rozsądnego minimum, dane mogą zawierać błędy i przekłamania,

9 Metodologia analiz chemometrycznych staranne planowanie etapu uzyskiwania danych, wnikliwa kontrola uzyskanych danych, zastosowanie właściwej metody analizy danych, kontrola wiarygodności uzyskanych wyników (walidacja).

10 Zadania analizy chemometrycznej Wizualizacja relacji występujących w wielowymiarowym zbiorze danych Wyznaczenie zależności pomiędzy dwoma zbiorami danych (kalibracja wielowymiarowa) Y=f(X) Określenie wewnętrznej struktury danych analiza rozpoznawcza Klasyfikacja obiektów Każde z zadań wymaga odpowiedniego typu danych i może być poprawnie rozwiązane jedynie przy pomocy odpowiednich metod

11 Chemometria z lotu ptaka F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności Analiza podobieństwa Klasyfikacja obiektów

12 Postawienie problemu F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności Analiza podobieństwa Klasyfikacja obiektów

13 ? Postawienie problemu Określenie celu analizy danych należy do obszaru nauk szczegółowych. Cel musi być określony jednoznacznie. Typowym błędem praktyków i zmorą chemometrii jest wykonywanie pracochłonnych i kosztownych pomiarów bez jasno określonego celu. Na tym etapie dobrze jest zdawać sobie sprawę z: możliwości wymagań i ograniczeń metod chemometrycznych

14 Planowanie pomiarów F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności Analiza podobieństwa Klasyfikacja obiektów

15 Y X Planowanie pomiarów Zadania stawiane przed chemometrią, należą do trudnych i ryzykownych (w sensie wiarygodności), więc w chemometrii kładzie się szczególny nacisk na właściwe zaplanowanie doświadczeń. Każdy pomiar wiąże się z ponoszeniem znacznych niekiedy kosztów. Należy więc starannie zaplanować możliwie niewielką, ale właściwie dobraną serię pomiarów.

16 Wykonanie pomiarów F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności Analiza podobieństwa Klasyfikacja obiektów

17 Wykonanie pomiarów Wykonanie samych pomiarów nie należy do zadań chemometrii. Wymogi: przestrzeganie zasad metrologii i dobrej praktyki laboratoryjnej. Z punktu widzenia chemometrii ważne są wszelkie uwagi dotyczące nietypowych cech próbek takich jak wygląd, zapach, kolor, konsystencja, itp.

18 Gromadzenie i kontrola wyników F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności Analiza podobieństwa Klasyfikacja obiektów

19 Y X Gromadzenie i kontrola wyników Etapy kontroli wyników: Wykrycie błędów grubych lub wyników odbiegających w istotny sposób od pozostałych. Ocena charakteru rozkładu wyników w obrębie każdej zmiennej. Określenie relacji pomiędzy poszczególnymi zmiennymi. Ocena jednorodności danych.

20 Wizualizacja danych F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności Analiza podobieństwa Klasyfikacja obiektów

21 Wizualizacja danych wielowymiarowych Jak przedstawić n-wymiarowe dane na 2-wymiarowej kartce papieru? Przestrzeń n-wymiarowa rzutowanie diagramy - mapy liniowe - diagram wiązkowy Przykład 63 próbki obsydianu zawartość 10 pierwiastków (zmienne)

22 Mapa liniowa Przykład 63 próbki obsydianu zawartość 10 pierwiastków

23 Diagram wiązkowy Przykład 63 próbki obsydianu zawartość 10 pierwiastków

24 Modelowanie zależności F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

25 Y=f(X) Modelowanie zależności Celem jest przewidywania wartości jednego zbioru zmiennych na podstawie znajomości innego zbioru zmiennych. X Y Model zależności, po starannym wykazaniu jego poprawności, możemy wykorzystać np. do kalibracji. Model chemometryczny musi posiadać zdolności prognostyczne!

26 Analiza czynników F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Archiwizacja i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

27 F3 F1 F2 Analiza czynników Zmienne opisujące analizowane obiekty nie są zwykle niezależne: występują pomiędzy nimi silniejsze lub słabsze korelacje. Technika zwana analizą czynników pozwala zastąpić zbiór skorelowanych zmiennych pierwotnych zbiorem ortogonalnych (wzajemnie nieskorelowanych) sztucznych zmiennych (czynników). Przy wyznaczaniu czynników można zażądać, aby spełniały one pewne dodatkowe warunki. Można np. zażądać, aby czynniki wyznaczane były w kolejności malejącego zasobu informacji. Tak uzyskane główne składowe okazały się bardzo pomocne w innych metodach chemometrycznych.

28 Zastosowanie analizy czynników F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

29 Klasyfikacja F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

30 Klasyfikacja Klasyfikacja polega na przypisania obiektu charakteryzującego się określonym zestawem cech mierzalnych do jednej z rozłącznych grup (klas) obiektów. Przed przystąpieniem do analizy znana jest przy tym liczba klas i dysponujemy przedstawicielami każdej z nich. Problem polega na określeniu reguł klasyfikacji. NIL

31 Analiza podobieństwa F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

32 Analiza podobieństwa Celem analizy podobieństwa jest określenie wewnętrznej struktury analizowanego zbioru danych. Analiza podobieństwa dotyczy zarówno analizowanych obiektów jak i opisujących je cech. W odróżnieniu od klasyfikacji, w przypadku analizy podobieństwa nie dysponujemy z góry wiedzą na temat ewentualnych niejednorodności analizowanego zbioru obiektów. Wykrycie niejednorodności w zbiorze danych skupienia przynależność.

33 Dane do klasyfikacji F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

34 Chemometria z lotu ptaka F1 Problem? Wizualizacja danych F3 F2 Analiza czynników Y m =? X n =? Planowanie pomiarów Wykonanie pomiarów Y X Gromadzenie i kontrola wyników Y=f(X) Model zależności NIL Analiza podobieństwa Klasyfikacja obiektów

35 Zastosowania chemometrii w laboratorium analitycznym Na etapie pomiaru: kalibracja Y=f(X) Kalibracja - model matematyczny pozwalający na pośrednie oszacowania wartości pewnej cechy próbki (np. zawartości analitu), której bezpośredni pomiar jest trudny, długotrwały lub kosztowny. Na etapie interpretacji wyników: analiza rozpoznawcza Analiza rozpoznawcza (ang. exploratory analysis)- poznaniu struktury wewnętrznej oraz relacji występujących w wielowymiarowym opisie zbioru obiektów (próbek).

36 Wstępna obróbka danych Niektóre techniki pomiarowe charakteryzują się niską powtarzalnością generowanego sygnału. Należy do nich np. spektroskopia NIR: Sygnały takie, przed kalibracją lub analizą rozpoznawczą, wymagają wstępnej obróbki.

37 Widma NIR - obróbka wstępna Znane są 2 typowe sposoby wstępnej obróbki sygnału skalowanie pochodne widm

38 Skalowanie sygnału eliminuje: przesunięcia linii bazowej różnice natężenia sygnału zachowuje: kształt sygnału

39 Druga pochodna sygnału eliminuje: przesunięcia linii bazowej różnice kształtu linii bazowej zachowuje: natężenie sygnału różnice kształtu sygnału

40 Stężenie analitu Podejście klasyczne: Aby oznaczyć stężenie analitu w skomplikowanej matrycy lub w obecności związków interferujących należy najpierw analit wyizolować z matrycy lub oddzielić od związków interferujących. Kalibracja: Aby poprawnie wyznaczyć stężenie analitu w skomplikowanej matrycy bez jego izolacji należy dokonać tzw. procesu kalibracji. Tworzymy matematyczny model zależności pomiędzy sygnałem układu pomiarowego (wartością zmiennej kalibracyjnej), a stężeniem badanego analitu. Proces kalibracji wymaga pomiaru wartości zmiennej kalibrującej dla serii próbek zawierających znane stężenia analitu w takiej samej matrycy jak badane próbki o nieznanym stężeniu.

41 Dane wielowymiarowe Przyrząd wytwarza sygnał wyjściowy, gdy znajduje się w kontakcie z próbką. Sygnałem może być widmo, wskazania czujnika w czasie, chromatogram, zmiany potencjału elektrody lub prądu płynącego w układzie elektrochemicznym, itp. Sygnał rejestrowany jest zwykle w postaci cyfrowej jako uporządkowany zestaw liczb. Każdą z tych liczb można potraktować jako wartość odpowiedniej zmiennej. Sygnał zarejestrowany dla danej próbki można więc potraktować jako zbiór wartości wielu zmiennych kalibracyjnych.

42 Dane wielowymiarowe - przykład Wartości sygnałów zarejestrowanych dla czterech próbek zawierających tylko badany analit w czterech różnych stężeniach Natężenie sygnału Czas [s] Każda rejestracja zawiera 100 wartości sygnału.

43 Kalibracja jednowymiarowa Aby zbudować jednowymiarowy model kalibracyjny należy z zestawu zarejestrowanych zmiennych dokonać wyboru jednej, najodpowiedniejszej. Wybieramy zwykle zmienną o największej wartości najkorzystniejszy stosunek sygnału do szumu Natężenie sygnału Czas [s] W omawianym przykładzie wybrano wartość sygnału dla czasu t = 50 s.

44 Kalibracja globalna Przy kalibracji jednowymiarowej wykorzystujemy tylko jedną spośród wielu zmiennych (zarejestrowanych wartości sygnału). Wydaje się sensowne poszukiwanie metody pozwalającej wykorzystać wszystkie zarejestrowane wartości sygnału. Należy w tym celu zastosować jakąś wielkość globalną, tzn. taką której wartość zależy od wartości wszystkich zarejestrowanych zmiennych.

45 Opis globalny sygnału Typowe wielkości globalne: m x i i1 1 średnie natężenie sygnału x m ograniczenie szumu pomiarowego odchylenie standardowe wartości sygnału s 1 m m x i x i1 ograniczenie szumu pomiarowego i przesunięć linii bazowej 2

46 Średnie natężenie sygnału Ograniczenie niepewności pomiarowej Natężenie sygnału Sygnał surowy dla t = 50 s Czas [s] Średnie natężenie sygnału Natężenie sygnału dla t= R 2 = Natężenie sygnału dla t= R 2 = Stężenie analitu [mg/ml] Stężenie analitu [mg/ml]

47 Odchylenie standardowe sygnału 1.5 Ograniczenie niepewności pomiarowej 0.5 Uniezależnia od systematycznych lub przypadkowych zmian położenia linii zerowej czujnika Natężenie sygnału Czas [s] Natężenie sygnału Średnie natężenie sygnału R 2 = Odchylenie standardowe sygnału Odchylenie stand. sygnału R 2 = Stężenie analitu [mg/ml] Stężenie analitu [mg/ml]

48 Kalibracja jedno- a wielowymiarowej Ograniczenie kalibracji jednowymiarowej oznaczanie tylko jednego analitu, brak substancji interferujących, brak kontroli założeń Oczekiwania poprawna ocena zawartości analitu w obecności substancji interferujących jednoczesne określanie zawartości więcej niż jednego analitu

49 Zalety kalibracji wielowymiarowej kontrola danych, możliwość zastosowania czujników o niskiej selektywności poprawna ocena zawartości analitu w obecności substancji interferujących jednoczesne określanie zawartości więcej niż jednego analitu

50 Główne składowe w kalibracji Kalibracja wielowymiarowa wymaga możliwie niezależnych zmiennych. Oznacza to, że sygnały poszczególnych próbek powinny różnić się kształtem. Bardzo użytecznym narzędziem w kalibracji wielowymiarowej jest analiza głównych składowych (PCA). pozwala oszacować ilość źródeł zmienności niezależnych składników serii próbek główne składowe są wzajemnie niezależne idealne zmienne do kalibracji wielowymiarowej kalibracja opiera się na analizie kształtu, a nie natężenia sygnału

51 Liczba istotnych głównych składowych Sygnały mają taki sam kształt tylko 1. składowa jest istotna można zastosować kalibracje jednowymiarową. Natężenie sygnału Ładunki Czas [s] Czas [s]

52 Liczba istotnych głównych składowych Sygnały mają różne kształty więcej niż jedna składowa jest istotna. Natężenie sygnału 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 Ładunki 2,5 2 1,5 1 0,5 0-0,5-1 -1,5 PCA 1 PCA ,0-0, ,5 Czas [s] Czas [s] Do kalibracji nie należy stosować modeli opartych na pojedynczej zmiennej, nawet zmiennej globalnej.

53 Kalibracja w obecności substancji interferującej Natężęnie sygnału dla t = 50s Istotne są 2 pierwsze główne składowe 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 Stężenie analitu [mg/ml] Kalibracja jednowymiarowa zawodzi!!! Natężenie sygnału dla t = 50s 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0 Natężenie sygnału 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2 0,0-0, Czas [s] 0 0,2 0,4 0,6 0,8 1 Stężenie subst. interferującej [mg/ml]

54 Regresja głównych składowych (PCR) a PC1 a PC2 i b1 PC1 b2 PC2 a 1 2 Substancja interferująca 1,0 Analit 1,2 1,0 Stężenie obliczone 0,8 0,6 R 2 = 0,9991 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0-0,2 Stężenie rzeczywiste Stężenie obliczone 0,8 0,6 R 2 = 0,9985 0,4 0,2 0,0 0,0 0,2 0,4 0,6 0,8 1,0 1,2 Stężenie rzeczywiste

55 Cząstkowa metoda najmniejszych kwadratów (PLS) Regresja głównych składowych nie jest jedyną metodą kalibracji wielowymiarowej opartej na analizie czynników. Powszechne zastosowanie znajduje również tzw. cząstkowa metoda najmniejszych kwadratów (ang. Partial Least Squares). a a1 F1 a2 F2 W metodzie tej czynniki wyznaczane są w taki sposób, aby uzyskać jak najlepszy model zależności

56 Zalety wielowymiarowej kalibracji jednoskładnikowej Kalibracja wielowymiarowa dostarcza nie tylko oszacowania wartości zmiennej zależnej (np. stężenia analitu), ale również szeregu użytecznych informacji o próbkach i zmiennych. Cennym źródłem informacji są przy tym reszty z modelu. Reszty z modelu mogą być wykorzystane aby: ocenić wiarygodność uzyskanego modelu (walidacja) poprawić model zrozumieć dlaczego model źle działa ocenić czy nowa próbka odbiega od poprzednich

57 Kontrola zbioru roboczego Czy nowa seria próbek (zbiór roboczy) ma taki sam skład jakościowy jak próbki zbioru roboczego? 1,6 1,4 1,4 1,2 1,2 Natężenie sygnału 1,0 0,8 0,6 0,4 0,2 Natężenie sygnału 1,0 0,8 0,6 0,4 0,2 0,0-0, Czas [s] 0,0-0, Czas [s] Sygnały próbek zbioru kalibracyjnego Sygnały próbek zbioru roboczego

58 Kontrola zbioru roboczego Porównajmy odchylenia standardowe reszt dla poszczególnych próbek z obu zbiorów. 0,12 Odchyl. stand. reszt 0,10 0,08 0,06 0,04 0,02 Zbiór kalibracyjny Zbiór badany 0, Numer próbki

59 Kontrola zbioru roboczego Ten sam zbiór kalibracyjny Inny zbiór badany 1,6 1,4 1,2 2,0 Natężenie sygnału 1,0 0,8 0,6 0,4 0,2 0,0-0, Czas [s] Natężenie sygnału 1,5 1,0 0,5 0,0-0, Sygnały próbek zbioru kalibracyjnego Czas [s] Sygnały próbek zbioru badanego

60 Kontrola zbioru roboczego Porównajmy odchylenia standardowe reszt dla poszczególnych próbek z obu zbiorów. Odchyl. stand. reszt 0,12 0,10 0,08 0,06 0,04 0,02 Zbiór kalibracyjny Zbiór badany 0, Numer próbki odchylenia standardowe reszt niektórych próbek zbioru roboczego są wyraźnie większe niż kalibracyjnego

61 Analiza rozpoznawcza niechciane dziecko chemii analitycznej Większość analityków uważa, że analiza rozpoznawcza to interpretacja wyników i należy do zadań użytkowników końcowych, np. przedstawicieli administracji, ekologów, badaczy z dyscyplin szczegółowych itp. Użytkownicy końcowi z reguły nie posiadają dostatecznej znajomości chemometrii czy chociażby statystyki, więc niezinterpretowane wyniki trafiają na półkę! Analiza rozpoznawcza powinna być przeprowadzana wspólnie!!! Warunek: analityk musi znać chemometrię!

62 Przykłady zastosowania analizy rozpoznawczej 1. Monitoring środowiska G.Andreev & V.Simeonov: Fresenius Z.Anal.Chem. 325, (1986)). Badania obejmowały 10 punktów pomiarowych zlokalizowanych w odległości od 1 do 41 km od źródła zanieczyszczeń w północnej części Morza Czarnego. W każdej próbce oznaczano 10 wielkości: ph oraz stężenia: amoniaku, fluorków, fosforanów, żelaza(ii), miedzi(ii), cynku, kadmu, ołowiu i rtęci(ii). Analiza głównych składowych: istotne są 3 pierwsze główne składowe wyjaśniające odpowiednio 55,4, 16,7 i 13,7 % zmienności (łącznie 85,8 %). PC1 ogólny poziom zanieczyszczeń PC2 poziom kadmu PC3 poziom rtęci

63 Przykłady zastosowania analizy rozpoznawczej 1. Monitoring środowiska G.Andreev & V.Simeonov: Fresenius Z.Anal.Chem. 325, (1986)). PC1 Variwektor 1. - ogólny poziom zanieczyszczeń Wartość variwektora Wartość variwektora Odległość [km] PC2 Variwektor 2. - poziom kadmu Wartość variwektora PC3 Variwektor 3. - poziom rtęci Odległość [km] Odległość [km] Poziomy kadmu i rtęci mają inny przebieg zmian niż pozostałe anality.

64 Przykłady zastosowania analizy rozpoznawczej 2. Profilowanie próbek amfetaminy W.Krawczyk, A.Parczewski Anal.Chim.Acta 446, (2001) Kryminalistyka bardzo często zajmuje się badaniami porównawczymi oraz grupowymi dużych populacji próbek. Obraz chromatograficzny zanieczyszczeń, tzw. profil zanieczyszczeń, pozwala przypisać próbkę amfetaminy do określonego źródła pochodzenia (nielegalnego laboratorium). Centralnym Laboratorium Kryminalistycznym KG Policji od 1993 roku prowadzi profilowanie amfetaminy na terenie Polski Spośród kilkudziesięciu pików stanowiących profil zanieczyszczeń wybrano 15 najbardziej charakterystycznych.

65 Przykłady zastosowania analizy rozpoznawczej 2. Profilowanie próbek amfetaminy W.Krawczyk, A.Parczewski Anal.Chim.Acta 446, (2001) Zastosowanie analizy podobieństwa do bazy danych obejmującej ok próbek pozwoliło wykazać istnienie 37 względnie jednorodnych grup profili. Odpowiadają one głównym nielegalnym źródłom amfetaminy spotykanej w Polsce.

66 Przykłady zastosowania analizy rozpoznawczej 3. Klasyfikacja win A.Legin et al.: Anal.Chim.Acta 484,33-44(2003) Przykład zastosowania elektronicznego języka do analizy różnych gatunków win. Badania objęły 4 rodzaje win włoskich: Castelli Romani (8 próbek wina białego i 10 wina czerwonego), 20 próbek wina Barbera d Asti oraz 36 próbek czerwonego wina Gutturnio wyprodukowanych w różnych latach z winogron pochodzących z różnych winnic. Zastosowany detektor zawierał 23 czujniki potencjometryczne wrażliwe na stężenie kationów i anionów nieorganicznych oraz związków organiczne takich jak fenole, kwasy karboksylowe, alkohole itp. Pomiary wykonywane były bezpośrednio na próbkach wina bez żadnego ich wstępnego przygotowywania w 10 min. po zanurzeniu detektora w próbce.

67 Przykłady zastosowania analizy rozpoznawczej 3. Klasyfikacja win A.Legin et al.: Anal.Chim.Acta 484,33-44(2003) Zarejestrowane dane poddano analizie głównych składowych, która wykazała obecność dwóch istotnych składowych uwzględniających łącznie ok. 88% ogólnej zmienności danych. Na uzyskanej mapie liniowej próbki win poszczególnych gatunków tworzą wyraźnie rozróżnialne skupiska.

68 Dziękuję Państwu za uwagę!