DOI: 10.47749/t/unicamp.2013.902902
|View full text |Cite
|
Sign up to set email alerts
|

Aplicação de espectroscopia no infravermelho e análise multivariada para previsão de parâmetros de qualidade em soja e quinoa

Abstract: A Deus por estar presente diariamente em minha vida me dando força, saúde e proteção.À minha orientadora, Profa. Dra. Juliana Pallone, pela paciência, amizade e confiança dada a mim e à minha capacidade de realização deste trabalho.Ao Prof. Dr. Ronei Poppi pela orientação, confiança e grande oportunidade de crescimento científico.Aos membros, titulares e suplentes, da banca da minha tese de doutorado pelas valiosas contribuições, críticas e sugestões que certamente elevaram a qualidade do trabalho.Às minhas qu… Show more

Help me understand this report

Search citation statements

Order By: Relevance

Paper Sections

Select...
1
1

Citation Types

0
0
0
2

Publication Types

Select...
1

Relationship

0
1

Authors

Journals

citations
Cited by 1 publication
(2 citation statements)
references
References 67 publications
(92 reference statements)
0
0
0
2
Order By: Relevance
“…Este algoritmo está basado en la correlación entre las variables, agrupando aquellas que se encuentren altamente correlacionadas. Las nuevas variables se obtienen en orden descendente de la información estadística que describen, por lo tanto, cada componente principal describe un porcentaje de la varianza total de los datos (Ferreira, 2013;Morgano, 2005). Para el desarrollo del modelo de regresión se utilizan los componentes que representan al menos el 80% de la varianza (Artigue & Smith, 2019).…”
Section: Regresión De Componentes Principales (Pcr)unclassified
See 1 more Smart Citation
“…Este algoritmo está basado en la correlación entre las variables, agrupando aquellas que se encuentren altamente correlacionadas. Las nuevas variables se obtienen en orden descendente de la información estadística que describen, por lo tanto, cada componente principal describe un porcentaje de la varianza total de los datos (Ferreira, 2013;Morgano, 2005). Para el desarrollo del modelo de regresión se utilizan los componentes que representan al menos el 80% de la varianza (Artigue & Smith, 2019).…”
Section: Regresión De Componentes Principales (Pcr)unclassified
“…El modelo hace la predicción de la concentración en cada muestra y luego las compara con la referencia, calculando el error entre ellas como la raíz cuadrada de la varianza RMSE (Naes et al, 2004). El mejor modelo será aquel que proporcione un valor de R 2 más cercano a 1 y un RMSE más bajo (Ferreira, 2013).…”
Section: Validación Del Modelounclassified