Arquivo do Trabalho - IAG - USP

! ,
matrizes F e G. A escolha é empírica para um particular valor de FPEAK, entretanto é
importante analisar o valor de Q (Hopke, 2000, Reef et al, 2007, Paatero, 1997).
Ao definir um valor positivo de FPEAK, o modelo PMF é forçado a subtrair os fatores
F uns dos outros para obter uma solução fisicamente mais realista (Hedberg et al, 2005).
3.4.6 Ajuste do modelo
O valor de Q a ser analisado, quando se trata do ajuste do modelo, é de Q,
comparando-o com o Qteórico. Outro método é a comparação entre as concentrações preditas e
as medidas das espécies utilizadas no estudo. Ainda também se deve analisar a forma da
distribuição da escala residual das espécies, certificando-se de certos limites, como de -2 e +2,
sugerido no trabalho de Liu et al, 2003. Distribuição com resíduos mais espalhados pode
indicar incertezas muito pequenas e distribuições próximas do zero, incertezas grandes (Reef
et al, 2007).
3.4.7 Incerteza do modelo
Após o modelo ser rotacionado é possível avaliar suas incertezas. Incertezas essas
possivelmente originadas da variação temporal das fontes do material particulado, erros de
medidas, variabilidade das amostras e erros nos processos de execução do programa, tal como
rotação ambígua e o número de fatores mal especificados (Reef et al, 2007). Com o intuito de
diminuir esse paradigma, em 1979 foi introduzido o bootstrap, que estima o erro padrão de
um conjunto de dados, mais precisamente, a estabilidade e a incerteza da solução (Norris et al,
2008, Efron e Tibshirani, 1993). O algoritmo bootstrap trabalha com um novo conjunto de
dados independentes, formados a partir do conjunto de dados iniciais – selecionando amostras
aleatoriamente – e com as mesmas dimensões. As rodadas com o bootstrap permitem a
estimativa dos fatores, através de cálculos de desvio padrão ou vários percentis dos perfis dos
fatores do número de rodadas bootstrap que medem a acurácia das estimativas estatísticas.