Made available in DSpace on 2014-06-12T23:15:04Z (GMT). No. of bitstreams: 2 arquivo9183_1.pdf: 3734643 bytes, checksum: 84c2b156e03dc9e26311a297b5b3d774 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2006 / Este trabalho tem duas partes, ambas envolvendo espectroscopia no infravermelho e quimiometria. Na primeira parte, foram obtidos modelos de calibração multivariada baseados em dados espectrais nas regiões NIR e MIR para prever as principais propriedades de gasolinas comercializadas na região Nordeste. Foram coletadas 160 amostras de gasolinas e os modelos de calibração foram construídos considerando-se dados espectrais da região NIR (em dois caminhos ópticos diferentes - 1 e 10 mm) e MIR, dois algoritmos de calibração (mínimos quadráticos parciais - PLS e regressão linear múltipla - MLR), e diferentes pré-processamentos (derivada, alisamento e seleção de variáveis com o Algoritmo Genético, AG, ou o Algoritmo de Projeções Sucessivas, APS). Analisando-se os erros médios quadráticos relativos de previsão (RMSEPR) para os vários modelos, observou-se que todas as propriedades envolvidas podem ser preditas de forma satisfatória a partir do espectro NIR na faixa 1600-2500 nm (caminho óptico de 1 mm), com calibração por MLR e seleção de variáveis pelo algoritmo genético, com qualquer dos pré-processamentos utilizados.A outra parte trata do problema de transferência de calibração. Propôs-se uma nova estratégia para a construção de modelos de calibração robustos em relação a diferenças entre dois equipamentos. O APS foi utilizado para selecionar variáveis de forma a minimizar o erro de previsão para o conjunto de teste do equipamento primário, mas também para um pequeno conjunto de amostras medidas no equipamento secundário (amostras de transferência). Dois conjuntos de dados foram empregados: espectros MIR de gasolinas C, para previsão da propriedade T90% (temperatura para 90% de amostra destilada); e espectros NIR de amostras de milho para previsão do teor de umidade. Os modelos MLR robustos assim obtidos foram comparados a modelos PLS, utilizando-se padronização direta em etapas (PDS) para corrigir os espectros do equipamento secundário. Os erros de predição no equipamento secundário para os modelos MLR robustos foram comparáveis aos dos modelos PLS-PDS e levemente inferiores aos erros do modelo APSV-MLR