Food Analytical Methods
? Springer Science+Business Media New York 2013
10.1007/s12161-013-9747-9
Evaluation and Optimization of the Analysis of Fatty Acid Types in Edible Oils by 1H-NMR
David Castejón1, Inmaculada Mateos-Aparicio2, M. Dolores Molero1,
M. Isabel Cambero3 and Antonio Herrera1, 4
(1)
Centro de Asistencia a la Investigación de Resonancia Magnética Nuclear y de Espín Electrónico, Universidad Complutense de Madrid, 28040 Madrid, Spain
(2)
Departamento de Nutrición y Bromatología II. Facultad de Farmacia, Universidad Complutense de Madrid, 28040 Madrid, Spain
(3)
Departamento de Nutrición, Bromatología y Tecnología de los Alimentos. Facultad de Veterinaria, Universidad Complutense de Madrid, 28040 Madrid, Spain
(4)
Departamento de Química Orgánica. Facultad de Químicas, Universidad Complutense de Madrid, 28040 Madrid, Spain
M. Isabel Cambero
Email: icambero@ucm.es
Received: 12 June 2013Accepted: 21 October 2013Published online:
14 November 2013
Abstract
In recent years, new different methods for the determination of fatty acid types (FAT) by nuclear magnetic resonance (NMR) have been developed. Although in general good results have been obtained, these methods employ long acquisition times and a wide variety of approaches and NMR parameters to resolve the FAT. For this reason, we have developed a NMR analysis optimization. This new method was used to evaluate the different 1H-NMR methodologies against gas chromatography–flame ionization detection (GC-FID), considered as the reference method. We have applied our easy and quick methodology to the analysis of three different composition oils: sunflower, olive, and linseed oil. Using our optimized NMR methodology,
it was possible to obtain in <1 min the FAT with the same accuracy and better reproducibility than by GC-FID. Furthermore, a complete 1H-NMR spectrum assignation and evaluation of minor components allows obtaining extra information about the composition, quality, and conservation of the analyzed edible oils.
Electronic supplementary material
The online version of this article (doi:10.1007/s12161-013-9747-9) contains supplementary material, which is available to authorized users. Keywords
Edible oils 1H-NMR Olive oil Sunflower oil Linseed oil GC-FID Introduction
Nowadays, people are conscious of relationship between rich fat diet and obesity, coronary heart disease, and cancer (Wanders et al. 2010). The research process and the consumer demands have produced a revolution in the modified fat products field. From a nutritional standpoint, lipids rich in cis-mono- and polyunsaturated fatty acids (FA; Table S1 in supplementary information shows all abbreviations used in the manuscript) are considered to confer positive health benefits while saturated and trans FA are considered to have negative health implications (Wanders et al. 2010). Due to these generalizations and the public’s perceptions, the compositional makeup of a lipid, in terms of the percentages of saturates (SFA), cis-monounsaturates (MUFA), and polyunsaturates (PUFA) is commonly required information on nutrition labels. In this regard, the percentage of SFA will be mandatory in nutritional labeling edible oils and moreover PUFA and MUFA in those foods with a related fat nutritional declaration from December 2014 in the European Union, Regulation 1169/2011 (European Union 2011). These compositional data are generally obtained by gas chromatography–flame ionization detection (GC-FID). Vegetable oils are a major source of dietary FA. These edible oils are constituted of triglyceride (TG) molecules. The major FA present in TG from edible vegetable oils are the unsaturated oleic, linoleic, and linolenic followed by the saturated ones, mainly myristic, palmitic, and stearic acids (Mataix-Verdú 2009) with the exception of some tropical oils like palm oil that contains a high level of SFA (Rohman and Man 2011). As the composition of FA of the TG in edible vegetable oils changes from plant to plant, each vegetable oil has a characteristic composition. For these reasons, the determination of FAT of edible vegetable oils is essential for evaluating their suitability for different uses in the diet and in the food industry, as well as for the quality and origin control of foods. This is the reason to look for new analytical methods that allow
for all of this information to be obtained in a simple way that is faster, cheaper, and without sample alteration.
In the last years, the use of nuclear magnetic resonance (NMR) in edible oils analysis has increased (Barison et al. 2010; ?mejkalová and Piccolo 2010; Alonso-Salces et al. 2010a,b, 2011; Hatzakis et al. 2008, 2011; Gao et al. 2009; Goicoechea and Guillen 2010; Sega et al. 2010; Silvagni et al. 2010a; Uriarte and Guillén 2010; Lucas-Torres et al. 2011; Retief et al. 2009; Vlahov 2009; Dayrit et al. 2008). These articles use the additional information that the NMR offered through the study of the 1H, 13C and 31P spectra. We will focus on 1H-NMR to avoid the long acquisition times for the 13C experiments and the derivatization reaction needed in the 31P-NMR applications.
The majority of studies carried out by 1H-NMR in vegetable oils are focused on olive oil (?mejkalová and Piccolo 2010; Alonso-Salces et al. 2010b, 2011; Mannina et al. 2009; Vigli et al. 2003; Sacchi et al. 1996) although there are also some on sunflower oil (Goicoechea and Guillen 2010; Guillen and Uriarte 2009), corn oil (Guillen and Goicoechea 2009), and sesame oil (Sega et al. 2010; Guillén and Ruiz 2004). These methods allow monitoring different processes like oxidation of the edible oil during
thermal-induced degradation (Goicoechea and Guillen 2010; Guillen and Uriarte 2009; Guillén and Ruiz 2004; Silvagni et al. 2010b), oxidation by ozonation (Sega et al. 2010), room temperature oxidation (Guillen and Goicoechea 2009), adulterations (?mejkalová and Piccolo 2010;
Alonso-Salces et al. 2010a,b; Mannina et al. 2009; Vigli et al. 2003), and quality studies in olive oil (Sacchi et al. 1996). Recently, different results about edible oils composition by 1H-NMR have been published (Barison et al. 2010; Guillen and Uriarte 2009; Sedman et al. 2010). These articles explain the approaches and the equations that were used to obtain the FA percentage for different oils by the 1H-NMR spectrum. Traditionally, the FAT in edible oils has been determined by GC-FID, which is the Official Method from the American Oil Chemists’ Society (AOCS) for the determination of fatty acids’ content (American Oil Chemist’s Society 2009a, b, c). This method uses procedures that are laborious and time and chemical consuming because it involves TG hydrolysis followed by esterification, separation, identification, and quantification by GC. In addition, these chromatographic methods require standards of fatty acids. However, NMR allows the acquisition of the whole sample spectrum, avoiding long preparation time and organic solvents cost. NMR does not promote changes on to the nature of the sample. An additional advantage of NMR is the possibility to obtain important information of the studied oil through the analysis of the minor components registered in the 1H-NMR spectrum. In this regard, it can be obtained information from adulteration, freshness, or degree of oxidation from the signals corresponding to
β-sitosterol, α-linolenic, squalene, water, monoglycerides (MG),
diglycerides (DG), aldehydes, or hydroperoxides (Alonso-Salces et al. 2010b; Mannina et al. 2009; Mannina and Sobolev 2011; Mannina and Segre 2002).
Nowadays, the different described 1H-NMR methodologies for the determination of FAT in vegetable oils are quite confusing and difficult to apply, especially for nonspectroscopists who are the major stakeholders in the application. Each author uses a different 1H-NMR spectral signal notation. For example, the sn-2 signal of the TG moiety is named as 2, 9, H, β, or J, respectively, by several authors (Vigli et al. 2003; Guillén and Ruiz 2003; Guillen and Uriarte 2009; Barison et al. 2010; Sedman et al. 2010). Additionally, different procedures for sample preparation and different 1H-NMR acquisition parameter sets have been described (see Table S2 in supplementary information). Every described calculation method is the result of the different approaches about the considered 1H-NMR signals and its calculation importance. According to this, diverse mathematical equations have been obtained for the FAT determination. The diverse spectral assignations employed for the 1H signals do not enable an easy comparison of the proposed equations. Moreover, each method integrates different signals according to the approximations and the oil used. In summary, these methodologies are not easy to be used and their generalization and optimization is a demanding goal. Taking into account these premises, the present work aims to (1) optimize the NMR analysis of edible oils to obtain the FAT in the shortest time without loss of precision; (2) evaluate and improve the methods used to obtain the FAT by 1H-NMR in comparison with the official method (GC-FID);
(3) study of the acquired 1H-NMR spectrum, which leads to the FAT, as a fingerprint of the studied oil, since it contains important information about specific major and minor components; and (4) to make easier for nonexperts the use of the NMR in the study of vegetable oils.
Materials and Methods
Materials
The oils used were olive oil (0.4° acidity; the label does not show the FAT), refined sunflower oil (0.2° acidity; 13 % SFA, 27 % MUFA, and 60 % PUFA) and linseed oil (9 % SFA, 19 % MUFA, and 72 % PUFA), which were purchased from a local supermarket. The oils were divided into aliquots and kept at ?20 °C in a freezer until the analysis. Oil degradation at this temperature is not significant (Alonso-Salces et al. 2011). To consider the repeatability (intraobserver variability) of the methods used to determine the fatty acids composition, samples of each oil were analyzed six times during 3 months by GC-FID and NMR. Each analysis was performed by triplicate.
GC-FID Analysis
According to the AOCS methods (American Oil Chemist’s Society 2009a, b, c), edible oil samples were initially submitted to a transesterification procedure in order to convert the TG into fatty acid methyl esters (FAME). For this, 100 mg of oil was methylated with 5 mL of 0.5 M sodium methoxide in methanol, heated to 60 °C for 30 min and vortex-mixing every 5 min. Upon cooling, 1 ml of sulfuric acid (5 % in anhydrous methanol) was added, heated to 60 °C for 30 min, and vortex-mixed every 5 min. After this, the reaction mixture was cooled to room temperature, and 2 ml of petroleum ether was added, vortex-mixed for about 15 s, and then centrifuged at 3,000 rpm for 3 min at 4 °C. The ether phase containing the FAME was transferred to chromatography vials. The FAME were analyzed by GC-FID using a Hewlett Packard HP-6890 (Avondale, PA, USA) and a capillary column HP-Innowax (30 m length, 0.32 mm i.d., 0.25 μm film thickness). Helium, at 2.0 ml/min, was used as the carrier gas, and a split/split less injector was used with a split ratio of 100:1. The temperature program was as follows: injector and detector temperatures were 250 °C; the initial column temperature was 200 °C, which was maintained for 2 min, followed by a programmed rise to 245 °C at 3.5°C/min and then maintained for 7 min. The injection volume was 1.0 μl. Pentadecanoic acid (C15:0) was used as an internal standard. FAMEs were identified by comparison with previously run standards.
NMR Analysis
Oil sample (200 μl) was introduced directly into the 5-mm NMR tube with 400 μl of chloroform-d [99.8 at.% D, containing 0.1 % (v/v), tetramethylsilane (TMS)] and 10 μl of DMSO-d6. This mixture of solvents ensures a perfect solubility of all minor oil components, even of those not soluble in pure chloroform (Sacchi et al. 1996). The sample was shaken with a vortex during 1 min.
The determinations of FAT were performed on a Bruker Avance 500 MHz. The NMR spectra were recorded at 25 °C using a 5-mm multinuclear direct detection probe. The 1H-NMR chemical shifts was referenced to zero using the internal reference signal (TMS). Bruker BioSpin supplied the pulse sequences and TopSpin 2.1 was the software package used for NMR data processing. Before the 1H-NMR spectrum was acquired, for each sample, the probe was automatically locked, tuned, and matched. The field homogeneity has to be optimized, and a carefully shimming should be done. The quality of the shimming was evaluated for each sample using the signal at 4.33 ppm of the glycerol moiety (Mannina et al. 2009). All spectra due to the α-CH
2
were acquired without spinning.
To optimize the resonance parameters, it was considered as initial values those proposed in earlier reports (Guillen and Uriarte 2009). Initial parameters were as follows: number of scans (NS?=?64), time domain (TD?=?56 K), spectral width (SW?=?12.5 ppm), relaxation delay (d1?=?3 s),
acquisition time (AQ?=?3.744 s), and pulse angle (α?=?90°) with a total experimental time of 12 min 54 s. This time was reduced at <1 min for our final analysis a s it will be commented in “Acquisition parameters” in “Results and Discussion.”
The 1H-NMR spectrum was manually phased by applying zero- and first-order phase corrections, taking care to achieve good symmetry on all peaks. To obtain a quantitative comparison of the spectra, the baseline was corrected using a polynomial function. The integral data extracted from the spectrum was analyzed using standard software (Microsoft Office Excel 2007).
Statistical Analysis
The results were compared by analysis of variance (ANOVA) and Duncan’s multiple range tests to determine statistically significant differences (p?≤?0.05). These analyses have been made using Statgraphic 5.1 (Warrenton, VA, USA). The values are expressed as means?±?standard deviation.
Results and Discussion
Optimization of the NMR Analysis
In the present work, we have adopted an easier systematic nomenclature based on the increasing chemical shifts of the signals belonging the whole components possible present in the edible oil samples. Figure 1shows the nomenclature applied for TG backbone and FA together with the 1H-NMR spectra from linseed, olive, and sunflower oil as well as the assignment of signals. Palmitic, oleic, and linolenic acids are good representative examples of the structures studied since it produces all signals observed (A–J). This nomenclature will be used along the manuscript.
Fig. 1
1H-NMR spectrum of olive, linseed, and sunflower oils with respective assignment of the signals of the glycerol unit and the fatty acid chains. Spectra contain the expansion of the region (1.03–0.81 ppm). The figure also shows top the structure and nomenclature used for the glycerol and fatty acids protons
Acquisition Parameters
As first step, we have carried out an optimization of the already described NMR parameters. Our aim here was to reduce as much as possible the time required to obtain spectra with enough quality and standardize the different experimental conditions used in previous analysis mentioned in “Introduction.” As a basic criterion for the intensity of 1H-NMR spectra, the smallest peak to be integrated should present a signal to noise ratio (S/N) of at least 250:1 (Holzgrabe 2010). Additionally, the spectral resolution was adjusted to be at least the half of the line width at half-height. The recycle time should be at least five times the highest relaxation delay value (T1) of the integrated signals. According to these premises the principal NMR parameters were optimized: number of scans (NS), time domain (TD), spectral width (SW), relaxation delay (d1), and pulse angle (α). Each determination was repeated three times.
The proton T1 relaxation time was determined using the standard inversion recovery T1 pulse sequence provided in the Bruker NMR software TOPSPIN. Table 1shows the obtained T1 values. The highest value of T1 was 2.42 s and belongs to the protons of the methyl group (signal A). Based on this value, it was fixed a total time (TT) of 12.5 s [TT?=?d1?+?acquisition time (AQ)?≥?5?×?T1]. A TD of 64 k (AQ?～?4 s) and a starting value of 8.5 s for d1 were introduced. An optimization of the d1 value from 8.5 to 2.5 s was performed, reducing 1 s in each new experiment. The FAT was calculated for each experiment in order to evaluate how the reduction of the d1 value affects to the result. The same FAT values were obtained for d1 between 8.5 and 4.5 s. Therefore, a value of d1?=?4.5 s was taken for experiments. This leads to a final TT value of 8.5 s.
In order to evaluate the minimum value of TD necessary for the experiment, we have taken the TMS signal and calculated the width at half height. As the lowest resolution, a value of 0.75 Hz for the signal width was fixed. For the final TD calculation, the TT must be fixed as a constant. When the TD value decreases, it leads to a reduction of the AQ, which we have compensated with an increase in the d1 value. Our results show that a TD value of 16 k (AQ?=?1.13 s) is enough to ensure a minimum resolution without lost of precision in the results. It should be taken into account that the AQ must be sufficiently long to allow the free induction decay (FID) decay and to avoid truncation artifacts. We have selected a TD of 64 k that involves an AQ of 4.52 s. This election ensures that the FID has decayed completely and not noise has been included. Using the
mentioned values of d1, AQ, and T1, the angle pulse was calculated using the Ernst’s equation (cosθ?=?e?[(d1+AQ)/T1]). An excitation angle of 88.30° was obtained. This value is very close to the standard 90° pulse. Due to this, the pulse applied was 90°. A number of dummy scans (DS) equal to 2 were selected (typically used to ensure that a spin system is in a steady state before data are collected). According to this, the selected conditions were as follows: SW?=?14.5 ppm, TD?=?64 k, AQ?=?4.52 s,
d1?=?4 s, TT?=?8.5 s, NS?=?4, DS?=?2, and α?=?90°. The total experimental time was 56 s. That means that taking this optimized parameter set, the spectral information required can be achieved from the 1H-NMR spectrum in <1 min without decreasing the accuracy of the analysis. This have permitted to reduce substantially the experimental time described by Guillen and Uriarte (2009) (～13 min) and by Sedman et al. (2010) (～30 min).
Processing
A factor that must be taken into account in the processing is the determining of the integration limits for those signals taken for the calculation of the FAT (signals A, B, E, F, G, and H in Fig. 1). These values must be carefully selected to avoid the inclusion of side bands that would affect the precision of the result. Despite the fact that the limits of integration are a determining factor, only Sedman et al. (2010) have mentioned this important aspect in their article.
A correct determination of the integration limits is also one of the main reasons why these different three oils have been selected. Due to their composition, they represent three extreme cases that we could find in the study of edible oils by NMR. Results from them should make possible the proper selection of the integration limits that can be taken for the analysis of oils regardless of its composition. For the selection of the integration limits, the following aspects were taken into account: (1) signal width. It is especially important in case of large intensity differences between signals [i.e. methyl from omega 3 (signal B), minor in olive oil, and major in linseed oil] and (2) 13C satellites of methyl group from fatty acid chains (with exception of linolenic acid), which overlaps, at magnetic fields of 500 MHz or higher, with the triplet of the methyl group from linolenic acid. This fact makes difficult a correct integral measurement (Mannina and Sobolev 2011). To evaluate the influence of the region that must be integrated, three different integration limits were selected including/excluding and without dependence of the 13C satellite signals. These three different integration limits were tested and the results compared with those obtained from GC-FID. The closest results between GC-FID and NMR were obtained with the limits: 0.930–0.827 ppm (signal A), 1.010–0.930 ppm (signal B),
2.120–1.932 ppm (signal E), 2.357–2.248 ppm (signal F),
2.889–2.675 ppm (signal G), and 4.373–4.070 ppm (signal H). These last
integration limits corresponds to the option where the regions were selected independently of the presence of 13C satellite signals. The sum of the integral values was normalized to 100.
It should be mentioned that the integration of methylene 1H resonances from sn-1,3 of the TG moiety (4.14 and 4.30 ppm, signals H) include the overlapping with their 13C satellite signals and with the signals of the 1,3-DG (see arrows and asterisks in Fig. 2a). This systematic integration error cannot be avoided, and therefore, it must be taken into account in the evaluation of the FAT results, especially in studies with aged oils which present a high amount of 1,3-DG.
Fig. 2
Expanded areas of 1H spectrum of olive oil. a Top Spectral region of the α,α′-TG. The expansion of the base of the signal H shows its 13C satellites (arrows) and the signals from the sn-1,2 DG (circle) and sn-1,3 DG (asterisk). b Bottom shows the spectral region of the methyl FA (signals A and B). The expansion of the base of the signal A shows its 13C satellites (arrows) and signal B (low intensity in olive oil)
Analysis of the Minor Components
The simple 1H-NMR spectrum obtained with our methodology is also able to be used in the analysis of minor components present in the oil samples. This represents an additional advantage in comparison with the standard method GC-FID. Table 2shows the minor and mayor signals assigned in the analyzed oils and in previous works (Barison et al. 2010; Alonso-Salces et al. 2010a, 2011; Hatzakis et al. 2011; Goicoechea and Guillen 2010; Mannina et al. 2001, 2009; Sacchi et al. 1996; Guillen and Uriarte 2009; Sedman et al. 2010; Mannina and Sobolev 2011; Dais and Hatnakis 2013). Table 2also shows the direct information that can be extracted from some of these signals (adulteration, quality, or freshness). This table tries to be a guide that explains all the NMR spectral assignation of vegetable oils. During the study NMR bidimensional experiments homonuclear (1H–1H correlation) and heteronuclear (1H–13C correlation) were acquired to confirm some assignations. For a comprehensive explanation of the different signals
食品分析方法
?施普林格科学+商业媒体纽约2013
10.1007/s12161-013-9747-9
评估和食用油中的脂肪酸种类由1 H-NMR分析的优化
大卫卡斯特洪1，完美无暇的马特奥斯- 阿帕里西奥2，M.多洛雷斯默勒隆1，M.伊莎贝尔和安东尼.奥埃雷拉1,4(1)
磁共振研究核与电子自旋，马德里曼迪逊大学，28040马德里，西班牙援助中心（2）
营养与食品科学学院二系。药房，马德里大学曼迪逊，28040马德里，西班牙的学院（3）
营养学系，食品科学和食品技术。兽医学院，马德里曼迪逊大学，28040马德里，西班牙（4）
有机化学部门，化工学院，马德里，马德里28040，西班牙曼迪逊大学
M.伊莎贝尔.卡波隆
电子邮件：icambero@ucm.es
收稿日期：2013年6月12日接受：2013年10月21日在线发布时间：2013年11月14日
摘要
在最近几年，已经开发了新的不同的方法进行脂肪酸的类型（FAT）的核磁共振（NMR）的测定。虽然在总体上是好的结果已经获得，这些方法采用较长的采集时间和各种各样的方法和核磁共振参数来解决脂肪。为此，我们开发了NMR分析优化。这种新方法被用来评估对气相色谱 - 火焰离子检测器（GC-FID），认为是参考方法不同的1 H-NMR方法。我们已经申请了方便快捷的方法，以三种不同的精油成分分析：向日葵，橄榄，和亚麻籽油。使用我们的优化的NMR方法，有可能获得在<1分钟以比通过GC-FID相同的准确度和再现性更好的FAT。此外，未成年组件的完整1H-NMR谱分配和评估允许获得有关组成，质量和养护分析食用油的额外信息。
电子辅助材料
这篇文章（DOI：10.1007/s12161-013-9747-9）的联机版本包含补充材料，这是提供给授权用户。关键词
食用油1 H-NMR橄榄油葵花籽油亚麻籽油GC-FID
介绍
如今，人们意识到丰富的脂肪的饮食和肥胖，冠状动脉心脏疾病和癌症（万德斯等人，2010年）之间的关系。研究过程和消费需求都在修改后的脂肪产品生产领域的一场革命。从营养学的角度来看，脂质丰富的顺式单和多不饱和脂肪酸（FA;表S1中的补充信息显示在手稿中使用的所有的缩写）被认为是赋予积极健康的好处，而饱和和反式FA被认为有负面的健康影响（万德斯等2010）。由于这些概括和公众的看法，脂类的组成结构，在饱和的百分比（SFA），顺式单不饱和脂肪酸（MUFA），多不饱和及（PUFA）的条款通常要求在营养标签的信息。在这方面，国家林业局的百分比将强制性营养标签的食用油，此外多不饱和脂肪酸和单不饱和脂肪酸的食物，那些从2014年12月一个有关脂肪营养声明在欧盟，法规二千○一十一分之一千一百六十九（欧盟2011）。这些成分数据是通过气相色谱 - 火焰离子检测器（GC-FID）获得的。
植物油是膳食脂肪酸的一个主要来源。这些食用油都构成甘油三酯（TG）的分子。主要的FA存在于TG从食用植物油是不饱和的油酸，亚油酸和亚麻酸随后饱和的，主要是肉豆蔻酸，棕榈酸，和硬脂酸（Mataix-Verdu的2009）与除了一些热带油如棕榈油那包含SFA（罗曼与人2011）的较高水平。由于TG 的FA在食用植物油的变化从植物到植物的组成，各植物油具有特征性成分。由于这些原因，FAT的食用植物油中的判定为用于评价是否适合于不同用途的饮食，并在食品工业中，以及用于食品的质量和原点的控制是必不可少的。这是为了寻找新的分析方法，允许对所有这些信息能够以一种简单方式，是更快，更便宜得到，并没有改变样品的原因。
在过去的几年，在食用油的使用核磁共振（NMR）分析有所增加（Barison等人，2010年;?mejkalová和短笛2010; Salces - 阿隆索等人2010A，B，2011;。Hatzakis等，2008。 2011，Gao等人2009年，Goicoechea 和吉兰2010;。世嘉等人，2010年;。Silvagni等2010A;乌里亚特和吉兰2010年，卢卡斯 - 托雷斯等人2011;。古森等人2009年，Vlahov 2009;。戴雷尔等，2008）。这些文章使用所提供的额外信息优选的核磁共振通过1H，13C和31P谱的研究。我们将专注于1H-NMR，以避免长时间采集时间为13C的实验，需要在31P-NMR应用的衍生化反应。
大多数研究植物油中开展由1 H-NMR集中于橄榄油（?mejkalová和短笛2010; Salces - 阿隆索等人，2010年b，2011;。Mannina等人2009年，Vigli等，2003;。萨基等。 1996），虽然也有一些同样在葵花籽油（Goicoechea和吉兰2010;吉兰和2009年乌里亚特），玉米油（吉兰和2009年Goicoechea），和香油（世嘉等人，2010年;吉兰和2004年鲁伊斯）。这些方法允许监视不同的进程一样的食用油引起的在热降解（Goicoechea吉兰和2010年，纪廉和乌里亚特2009年，纪廉和2004年鲁伊斯，Silvagni等人2010年b）氧化（。世嘉等人，2010年），氧化臭氧，室温下氧化（吉兰和2009年Goicoechea），掺假（?mejkalová和短笛2010; Salces - 阿隆索等人2010A，B;。Mannina等人2009年，.. Vigli等，2003），并在品质橄榄油的研究（萨基等在1996年）。近日，acerca食用油组成由1 H-NMR不同的结果已经发表（Barison等人，2010年;吉兰和2009年乌里亚特; Sedman等2010）。这些文章介绍用于获取是由1H-NMR谱足总杯百分比不同的油的方法和方程。传统上，在食用油的FAT已经 - 被确定为通过GC-FID，阙是从美国油脂化学家学会（AOCS）的脂肪酸的测定“内容的官方方法（美国石油化验师协会2009A，B，C）。此方法使用这是费时费力的和化学porque涉及到甘油三酯水解，随后酯化，分离，鉴定和定量分析通过GC程序。此外，这些色谱方法需要的脂肪酸标准。然而，核磁共振允许收购整个样本的频谱，避免长时间的准备时间和成本有机溶剂。 NMR不会促进对改变到样品的性质。 NMR的一个附加的优点是，通过在1 H-NMR谱中登记的微量成分的分析，以获取所研究的油的重要信息的可能性。在这方面，可以从掺假，新鲜度，或从相应的信号，以β-谷甾醇，α-亚麻酸，角鲨烯，水，甘油单酯（MG），甘油二酯（DG），醛，或氢（氧化程度来获得信息阿隆索Salces等人2010年b;。Mannina等人2009年，Mannina和Sobolev 2011; Mannina和2002年塞格雷）。
如今，H-NMR描述的不同metodologías为FAT的植物油的决心是相当混乱，难以申请，尤其是对nonspectroscopists谁是主要的利益相关者在应用程序中。每个作者使用不同的信号1 H-NMR谱表示法。例如，TG部分的sn-2信号被命名为2,9，H，β或J，分别由多个作者（Vigli等人，2003;吉兰和2003 Ruiz 的;吉兰和2009乌里亚特; Barison等到2010年，。Sedman等人，2010年）..此外，不同的样品制备和不同的H-NMR采集程序被描述参数集（见表S2在补充资料）。描述的每一个计算方法被认为是关于1 H-NMR 信号，并计算其重要性的不同方法的结果。根据这一点，不同的数学公式已经获得了测定脂肪。受聘为1H 信号的各种频谱幽会不启用建议方程的一个简单的比较。，此外，每一种方法整合不同的信号，根据该近似和所使用的油。综上所述，metodologías这些是不容易被使用及其推广和优化是一项艰巨的目标。考虑到这些场所，本工作的目的是（1）优化食用油的NMR分析获取脂肪在最短的时间内无精度损失; （2）评估并改善使用H-NMR获取脂肪比较，与官方法（GC-FID）方法; （3）获得的1H-NMR谱的研究，阙导致FAT，为就读油的指纹，因为它包含了具体的主要部分和次要部分的重要信息;及（4）更容易非专家，以使植物油的研究中使用了核磁共振。
材料和方法
物料
所用的油是橄榄油（0.4°酸度，标签不显示FAT），精制向日葵油（0.2°的酸度，13％SFA，27％单不饱和脂肪酸，多不饱和脂肪酸和60％）和亚麻子油（10％SFA，19 ％单不饱和脂肪酸和72％的多不饱和脂肪酸），阙是从超市购买的处所。油分成等份并保存在-20℃的冰箱中，直至分析。石油降解在此温度下不显著（阿隆索Salces等，2011）。考虑用于确定脂肪酸的组成方法的可重复性（观察者变异），每个油样进行分析3个月期间6次通过GC-FID和核磁共振。由一式三份进行各种分析。
GC-FID分析
根据该方法AOCS（美国石油化学家的社会2009A，B，C），食用油样品最初以转换成甘油三酯的脂肪酸甲基酯（FAME）提交酯交换过程。为此，100毫克的油被甲基化，用5ml甲醇中的0.5M甲醇钠，加热至60℃保持30分钟，并涡旋混合每隔5分钟。冷却后，加入1ml硫酸（5％的无水甲醇溶液）的溶液，加热至60℃保持30分钟，并涡旋混合，每隔5分钟。在此之后，将反应混合物冷却至室温，并加入2ml的石油醚溶液，涡旋混合15秒acerca，然后以3,000 rpm离心3分钟，在4℃下含醚相转移容器是成名色谱小瓶。名气用GC-FID使用Hewlett Packard HP-6890（埃文代尔，PA，USA）和毛细管柱HP-INNOWAX（30米长，0.32 mm 内径，0.25微米膜厚度）进行分析。氦在2.0毫升/分钟，被用作载气，并且在分流/分割以下注射器用100:1的分流比使用。升温程序为：进样器和检测器温度250℃下;初始柱温200℃，阙下保持2分钟，随后由一个编程上升到245℃以3.5℃/分钟，然后保持7分钟。进样量为1.0 UL认证。十五烷酸（C15：0）作为内标物。脂肪酸甲酯确定了与先前运行的标准比较。
核磁共振分析
油样品（200微升）中的直接引入5毫米NMR管中以400微升的氯仿-d中[99.8原子％D，含有0.1％（体积/体积）容器中，以四甲基硅烷（TMS）]和10微升DMSO-的D6。溶剂的混合物中确保所有成分的完美轻微油溶解度甚至那些不溶于氯仿原浆（萨基等人，1996）。将样品振荡用涡流在1分钟。
FAT的测定是在Bruker的Avance 500 MHz核磁共振光谱进行的是使用5毫米多核直接检测探头记录在25°C。的1 H-NMR的化学位移是用内部参考（TMS）的参考零信号。布鲁克BIOSPIN提供的按序列和Topspin 的2.1软件包用于核磁共振数据处理。之前获得的H-NMR谱，对于每个样品，探针被自动锁定，调谐和匹配。磁场均匀性，必须优化和匀场应认真完成。的匀场的质量，用在4.33 ppm的信号，由于甘油部分（Mannina 等人，2009）的α-CH 2评价了每个样品。被收购的所有光谱无纺纱。
为了优化共振参数，它被认为是建议那些此前有报道初始值（吉兰和2009年乌里亚特）。分别为初始参数如下：扫描次数（NS = 64），时域（TD = 56 K），谱宽（SW = 12.5 ppm的），弛豫延迟（D1 = 3秒），采集时间（AQ = 3.744 S），然后按角度（α= 90°）的12分钟54个完整的实验时间。这个时间缩短为<1分钟我们的结局的分析，因为它会在被注释在“采集参数”“结果与讨论”。
在1 H-NMR谱手动应用的零和一阶相位校正，照顾以达到良好的对称性对所有峰分阶段。获取光谱的定量比较，基线是用一个多项式函数校正。从频谱中提取的全面数据，使用标准的软件（如Microsoft Office Excel 2007中）进行分析。
统计分析
对结果进行方差（ANOVA）和Duncan的多范围的测试分析，比较，以确定统计上显著差异（P≤0.05）。使用Statgraphic 5.1（沃伦顿，VA，USA）这些分析已经制成。该值表示为平均值±标准偏差。
结果与讨论
核磁共振的优化分析
在目前的工作中，我们采用了基于目前属于食用油样品在整个可能的组成部分的信号的增大而增大的化学位移一个更简单的系统命名。图1示出的命名法应用于骨干TG和FA连同自亚麻子油，橄榄油，和葵花籽油以及信号的分配的1H-NMR谱图。棕榈酸，油酸和亚麻酸含量进行了研究，因为它产生的所有观察到的信号（a-d）的结构，具有一定代表性的例子。这种命名法将沿着手稿中使用。
图1
1H-NMR谱橄榄，亚麻籽，向日葵和油与甘油单元和所述信号的脂肪酸链的各自分配的。光谱包含了该地区（1.03-0.81 ppm的）的扩展。顶部图表示的结构也与用于甘油和脂肪酸的质子命名法
采集参数
作为第一步，我们已经进行了核磁共振参数已经描述过的最优化。我们在这里的目的是减少尽可能多地获取光谱有足够的质量和规范在以前的分析中提到的用不同的实验条件下所需要的时间“介绍，”作为一个基本标准的1H-NMR谱，最小强度应综合峰值呈现一个信号的至少250:1信噪比（S / N）（Holzgrabe 2010）。此外，光谱分辨率调整为线宽度的至少在一半高度的一半。循环时间应至少五倍积分信号的最高松弛延迟值（T1）。根据这些场所主要是在核磁共振参数优化：扫描次数（NS），时域（TD），谱宽（SW），弛豫延迟（D1），然后按角（α）。每次测定重复三次。
质子的T1弛豫时间被确定为利用核磁共振布鲁克TOPSPIN软件提供的标准的T1反转恢复脉冲序列。表1显示了获得的T1的值。 T1的最高值是2.42 s和所属的甲基基团（信号A）的质子。基于该值，它被固定到12.5秒[TT = D1 +采集时间（AQ）≥5×T1]的总时间（TT）。 64 K（AQ?4秒），以及8.5秒的D1起始值的TD进行了介绍。进行从8.5到2.5秒的的D1值的优化，减少了1秒在每个新的实验。在FAT中，为了评价知识的dl值的减少影响到结果计算每个实验。相同的FAT分别获得D1值之间8.5和4.5秒。因此，D1的值= 4.5 S为采取实验。这导致端TT 8.5秒的值。
为了评估，对TD必要的实验最小值，TMS的信息我们已经采取了信号和计算的半高宽。由于图书尽早解决，为0.75赫兹的信号宽度值是固定的。对于最终TD计算，TT必须被固定为一个常数。减少选择TD 值，它会导致减少的AQ，阙信息我们凭借在值d1增加了补偿的。我们的研究结果表明，16 K（AQ = 1.13
次）的TD值足够，以确保没有在结果失去精度的最小分辨率。应该考虑到，必须有足够的它长，使自由感应衰减（FID）衰变，并避免截断伪影的AQ。我们选择了一个64 K，涉及的4.52 s一个AQ的TD。这次选举中确保FID还没有完全腐烂和噪音已经 - 被列入。使用D1提到AQ，和T1的值，，新闻角度是使用恩斯特方程（COS = E-[（D1 + AQ）/ T1]）计算。的88.30°的角度激发获得。这个值是非常接近的标准90°按下。由于这一点，按施加90°。一些虚拟扫描（DS）被选定等于2（通常用来确保自旋系统处于稳定状态的数据收集之前）。根据这种情况，所选择的条件如下：SW = 14.5 ppm时，TD = 64 K，AQ = 4.52秒，D1 = 4秒，TT = 8.5秒，NS = 4，DS = 2，α= 90°。总的实验时间为56秒。这意味着服用也就是说这种优化的参数集，所需的光谱信息可从在<1分钟的H-NMR谱实现不降低分析的准确度。这允许有大幅减少实验时间由纪廉和乌里亚特（2009）描述的（?13分钟）和Sedman等。（2010年）（约30分钟）。
处理
这必须考虑到在处理一个因素是确定的，视为对FAT的计算（信号A，B，E，F，G和H图1）这些信号的积分限。这些值必须仔细挑选，以避免包含边带会影响结果的准确性。尽管融合的限制是一个决定性的因素，仅Sedman等。（2010）中也提到他们的文章这个重要的方面。
一个正确的决定的积分限是主要的原因还为什么这三种不同的油已被选定之一。由于它们的组成，阵风观察3极端的情况下，我们可以发现在食用油的NMR研究。结果从它们应使可能正确选择的积分范围可以不管它的组合物可采取那对油的分析。对于整合限制的选择，下面分别考虑几个方面：（1）信号的宽度。这是特别重要的情况下大强度信号[即之间的差异甲基来自ω-3（信号B），次要橄榄油，亚麻子油，以及大规模的]和（2）甲基的从脂肪酸链13C卫星（与异常亚麻酸），阙重叠时，在500MHz的磁场或更高，随着由亚麻酸的甲基的三线态。这一事实使得难以纠正的综合测量（Mannina和Sobolev 2011）。为了评估，该区域必须被整合的影响，三种不同的积分限分别选中包含/排除和不13C卫星信号的依赖。测试了这三种不同的积分限制和结果与来自GC-FID获得比较。之间的GC-FID和核磁共振最接近的结果是获得了与限制：0930-0827 ppm的（信号A），1010-0930 ppm的（信号B），2120年至1932年PPM（信号E），2357年至2248年PPM（信号F），2889年至2675年ppm的（信号G）和4373-4070 ppm的（信号高）。这些最后的积分限对应于所选择的区域进行的13C卫星信号的存在的独立的选项。积分的积分值的总和进行归一化到100。它应该提到的是亚甲基1H共振从积分SN-1，3的TG部分的（4.14和4.30 ppm时，信号H）包括的重叠与他们13C的卫星信号，并与1,3-DG（的信号见箭头和星号图2A）。无法避免这种系统性的集成错误，因此，必须考虑到的FAT结果的评估，尤其是在与呈现高量的1,3-DG老年油的研究。
图2
橄榄油1H谱的扩展区域。顶部光谱区域的α，α'-TG。信号H为基准的扩展显示其13C卫星（箭头）和从的sn-1，2 DG（圆圈）和sn-1，3 DG（星号）的信号。底部B显示了足总杯甲基（信号A和B）的光谱区。信号A的基础上的扩展显示其13C卫星（箭头）和信号B（橄榄油中低强度）
小额成分分析
在1H-NMR谱简单的获得与我们的方法能够被同时用在目前的石油样品中微量成分的分析。这个经销商的额外优势比较，与标准的GC-FID方法。表2显示了在分配分析油和在以前的作品中未成年人和更多的信号（Barison等人，2010年;阿隆索Salces等人2010年a，2011;。Hatzakis等人2011; Goicoechea和吉
兰2010; Mannina等2001。 2009年，萨基等，1996;吉兰和2009年乌里亚特; Sedman等人，2010年; Mannina 和Sobolev 2011;傣族和Hatnakis 2013）。此外如表2所示，可以从一些这些信号（掺假，质量，新鲜度或）中提取的直接信息。此表试图成为一个导解释说，植物油的所有核磁共振光谱分配。在研究二维同核核磁共振实验（1H-1H相关）和异核（1H-13C相关）收购确认一些幽会。对于不同的信号进行了全面的解释。
食品分析方法的分类 Modified by JACK on the afternoon of December 26, 2020
食品分析方法的分类 对食品品质的评价，主要包括食品营养、卫生和嗜好性三个方面。食品分析所采用的分析方法主要有感观分析法、理化分析法、微生物分析法和酶分析法。 1.感观分析法感官分析又叫感观检验或感观评价，是通过人体的各种感官 器官（眼、耳、鼻、舌、皮肤）所具有的视觉、听觉、嗅觉、味觉和触觉，结合平时积累的实践经验，并借助一定的器具对食品的色、香、味、形等质量特性和卫生状况做出判定和客观评价的方法。感观检验作为食品检验的重要方法之一，具有简便易行、快速灵敏、不需要特殊器材等特点，特别适用于目前还不能用仪器定量评价的某些食品特性的检验，如水果滋味的检验、食品风味的检验以及烟、酒、茶的气味检验等。 依据所使用的感觉器官的不同，感官检验可分为视觉检验、嗅觉检验、味觉检验、触觉检验和听觉检验五种。 （1）视觉检定是鉴定者利用视觉器官，通过观察食物的外观形态、颜色光泽、透明度等，来评价食品的品质如新鲜程度、又无不良改变以及鉴别果蔬成熟度等的方法。 （2）嗅觉鉴定是通过人的嗅觉器官检验食品的气味，进而评价食品质量（如纯度、新鲜度或劣变程度） （3）味觉鉴定是利用人的味觉器官（主要是舌头），通过品尝食物的滋味和风味，从而鉴别食品品质优劣的方法。味觉检验主要用来评价食品的风味（风味是食品的香气、滋味、入口获得的香气和口感的综合构成），也是识别某些食品是否酸败、发酵的重要手段。
（4）听觉器官听觉鉴定是凭借人体的听觉器官对声音的反应来检验食品品质的方法。听觉鉴定可以用来评判食品的成熟度、新鲜度、冷冻程度及罐头食品的真空度等。 （5）触觉鉴定是通过被检食品用于鉴定者的触觉器官（手、皮肤）所产生的反应来评价食品品质的一种方法。如根据某些食品的脆性、弹性、干湿、软硬、黏度、凉热等情况，可评判食品的品质优劣和是否正常。 感官分析的方法很多，常用的检验方法有差别检验法，标度和类别检验法、分析或描述性检验法等。 感官分析法虽然简便、实用且多数情况下不受鉴定地点的限制。但也存在明显缺陷，由于感官分析是以经过培训的评价员的感觉作为一种“仪器”来测定食品的质量特性或鉴别产品之间的差异，因此判断的准确性与检验者的感觉器官的明锐程度和实践经验密切相关。同时检验者的主观因素（如健康状况、生活习惯、文化素养、情绪等），以及环境条件(如光线、声响等)都会对鉴定结果产生一定的影响。另外，感官检验的结果大多情况下只能用于比较性的用词（优、良、中、劣等）表示或用文字表述，很难给出食品品质优劣程度的确切数字。 2.理化分析法根据测定原理、操作方法等的不同，梨花分析又可分为物理分析法、化学分析法和仪器分析法三类。 （1）物理分析法通过对被测食品的某些物理性如温度、密度、折射率、旋光度、沸点、透明度的的测定，可间接求出食品中某种成分的含量，进而判断被检食品的纯度和品质。物理分析法简便、实用，在实际工作中应用广泛。
GB 12311—90 本标准参照采用国际标准ISO 4120—1983《感官分析方法学──三点检验》。 1 主题内容和适用范围 本标准规定了用三点比较的方法来鉴别二个样品之间的差别。 本标准适用于鉴别样品间的细微差别，也可以用于选择和培训评价员或者检查评价员的能力。 2 引用标准 GB 10220 感官分析方法总论 GB 10221.1～10221.4 感官分析术语 GB 3358 统计学名词术语及符号 3 方法提要 同时向评价员提供一组三个样品，其中二个是完全相同的，评价员挑出单个的样品。 4 设备 检验负责人根据产品性质和样品数量等选择设备。使用的设备不应影响检验结果。应优先使用符合检验需要的标准化设备。 5 抽样 应按被检产品的抽样标准进行抽样。如果没有这样的标准或抽样标准不完全适用时，则由有关各方协商议定抽样方法。 6 检验的一般条件 6.1 环境 应满足GB 10220所需条件。 6.2 评价员 6.2.1 条件 应符合GB 10220规定的条件，所有评价员应该具有同等的资格和检验能力。
6.2.2 评价员数 评价员数是根据检验目的与显著水平而定。通常是6个以上专家；或15个以上优选评价员；或25个以上初级评价员。在0.1％显著水平上需7个以上专家。 6.2.3 检验负责人 检验负责人一般不应参加检验，如果参加，也不应知道样品编号。 6.3 准备 检验负责人可就有关问题和样品性质进行不影响评价的初步介绍，当涉及检验玷染物时，应准备一个非玷染物样品和一个与之对照的玷染物样品。 7 检验步骤 7.1 被检样品的制备 7.1.1 提供足够量的样品A和B，每三个检验样品为一组。 7.1.2 按下述六种组合： ABB AAB ABA BAA BBA BAB，从实验室样品中制备数目相等的样品组。 7.1.3 不能使评价员从样品提供的方式中对样品的性质作出结论。应以同一方式〔相同设备、相同容器、相同数量产品和相同排列形式（三角形，直线等）〕制备各种检验样品组。 7.1.4 任一样品组中，检验样品的温度是相同的，如可能，提供的检验系列中所有其他样品组的温度也应相同。 7.1.5 盛装检验样品的容器应编号，一般是随机选取三位数。每次检验，编号应不同。 7.2 检验技术 7.2.1 告诉评价员检验目的，其程度应不使他们的结论产生偏倚。 7.2.2 将7.1.2中制备的几组样品随机分配给评价员。 7.2.3 评价员按规定次序检查各组检验样品，次序在同一系列检验中应相同。 在评价同一组三个被检样品时，评价员对每种被检样品应有重复检验的机会。
绪论 1、试简述食品分析的性质和任务。你准备怎样来学好这门课程？ 2、食品分析包含了哪些内容？ 第一章：样品的采集、制备及保存 1．作为品质管理实验室的管理人员，你必须指导新来的工作人员选择采样计划。你将与新来者讨论哪些常规因数？如何区分属性采样和变量采样？三种基本采样计划的差异和与采样计划有关的风险是什么？ 2．你的上司要求你提出并采用一种多重采样计划。你怎样确定接受线和拒绝线？为什么？ 3．非概率采样和概率采样有什么区别？哪一种更适用？为什么？ 4．对一种适用于收集供分析用的代表性样品的装置来说，试描述为确保采集代表性样品而采取的预防措施和适用这种装置采样的食品产品。 5．制备分析样品的装置，应采取什么预防措施，来确保样品组成在制备过程中不发生变化？ 6．实验室认可有那些作用，其程序是什么？ 7．采样之前应做那些工作？如何才能做到正确采样？ 8．了解样品的分类及采样时应注意的问题。 9．为什么要对样品进行预处理？选择预处理方法的原则是什么？ 10．常用的样品预处理发放有那些？各有什么优缺点？ 11．针对下列与样品采集和制备有关的问题，说出一种解决问题的答案。 （1）样品偏差； （2）在分析前样品存储过程中组成成分的变化； （3）在研磨过程中的金属污染； （4）在分析前样品存储过程中的微生物生长。 12．用一系列溶剂提取转移蛋白质前，你必须将谷物蛋白质粉碎成10目大小的样品。（1）10目的含义是什么？ （2）你会采用10目筛用于分析吗？试说明理由。 13．你公司想创立一个营养物标准分析，你负责谷制品的样品采集和制备。你的产品是“低脂”和“高纤维”的。你将用哪种采样计划？你将用属性采样还是变量采样？你的情况与哪种风险有关？你用概率采样还是非概率采样？在样品采集和制备过程中会遇到哪些特殊问题？你应该如何防止和减少这些问题。 第二章：数据处理与质量控制
检验分析方法的验证和确认 一、法规要求二、分析方法验证三、分析方法确认四、分析方法验证和确认总结一、法规要求：新版GMP（2010年修订）第二百二十三条物料和不同生产阶段产品的检验应当至少符合以下要求：（一）企业应当确保药品按照注册批准的方法进行全项检验。（二）符合下列情形之一的，应当对检验方法进行验证。1. 采用新的检验方法；2. 检验方法需变更的；3. 采用《中华人民共和国药典》及其他法定标准未收载的检验方法；4. 法规规定的其他需要验证的检验方法。（三）对不需要进行验证的检验方法，企业应当对检验方法进行确认，以确保检验数据准确、可靠。法规要求：中国药典（2010年版）凡例1. 检验方法和限度。2. 二十三、本版药典正文收载的所有品种，均应按规定的方法进行检验。如采用其他方法，应将该方法与规定的方法做比较试验，根据试验结果掌握使用，但在仲裁时仍以本版药典规定的方法为准。法规要求：分析方法确认或验证相关指南二、分析方法验证 1. 分析方法验证的定义 2. 分析方法验证的目的 3. 分析方法验证范围 4. 分析方法验证的时机 5. 需验证的分析方法类型 6. 分析方法验证的具体内容 7. 验证检测项目小结 8. 分析方法验证的方式和步骤 9. 分析方法验证常见问题1. 分析
方法验证的定义是根据检测项目的要求，预先设置一定的验证内容，并通过设计合理的试验来验证所采用的分析方法能否符合检测项目的要求。 2. 分析方法验证的目的（1）证明采用的分析方法是科学、合理。（2）证明分析方法能有效控制药品的内在质量。? 验证过程和结果均应记载在标准起草或修订说明中。 3. 分析方法验证范围（1）适用范围：化学药品的理化分析方法和仪器分析方法的验证与确认；清洁验证方法的验证。（2）不适用：化学药品的微生物方法；生物制品分析方法验证。 4. 分析方法验证的时机（1）建立新的药品质量标准；（2）药品生产工艺变更；（3）制剂的组分变更；（4）对原分析方法进行修订时。方法验证理由、过程和结果均应记载在药品标准起草说明或修订说明中。 5. 需验证的分析方法类型（1）鉴别试验（2）杂质定量或限度检查（仪器或非仪器检测方法）（3）原料药或制剂中活性成分以及制剂中选定组分（如防腐剂等）的定量测定含量测定（4）化学药品/中药制剂中其他需控制成分(如残留物、添加剂等）的测定（5）制剂溶出度、释放度等检查（6）原料药粒度检测 6. 分析方法验证的具体内容（1）专属性（2）线性（3）范围（4）准确性（5）精密度（6）检测限（7）定量限（8）耐用性（9）系统适用性根据检测的类型，采用的技术检测方法，确定具体方法拟订验证的内容。专属性1. 鉴别、杂质和含量测定的方法学
关于ABA的几个基本概念（一）ABA的基本特点 ABA大家都知道就是行为应用分析法。 1将人的社会交往活动和行为进行分解，直到最细小的但可观测的行为单元。如：“吃饭”可以分解为：“走到餐桌前”、“坐在椅子上”、“拿自己的餐具”“吃自己碗里的东西”等等。行为可以无限往下分，尽可能的细小。 通过有系统的训练，帮助孩子学会有社会适应性的行为和活动。每一种特殊儿童不能出来的行为，从简单的“看”别人，到复杂的如主动的交流和社会活动，都可以被分解成为许多工作步骤。 2、要求孩子必须对每个指令做出反应。 3、孩子的错误反应肯定不能得到解决奖励，即不能被强化。例如：发脾气，刻板行为，自伤，退缩等）。 4、同一课题的训练要重复很多次，直到在没有成人的任何指导和辅助下，孩子也能有稳定的正确的反应，将孩子的反应记录下来并且按照特定的、客观的定义和标准来评价。 课题的不同孩子的接受能力也不同，有的孩子三次就会了，有的孩子则需要一个月甚至更长时间，每个孩子都如此不同。多长时间学会只有上帝知道。 5、教学计划是针对每个孩子的不同特点而个别化设计的（IEP）。就是因人而异，因材施教的意思。 （二）ABA的基本操作分式 ——回合操作教学法（DTT） 指令（刺激）——（孩子）反应——结果（强化）——停顿。下一个回合。要对指令作出反应，听指令做反应是社会行为。 （三）行为的分解和目标行为 1、行为的分解——将一个行为分解成一系列单元行为，对每一个单元行为还可以继续分解，这样逐级将一个行为拆分为更小的，有先后顺序的行为链。 洗手的分解：会洗手要具备的能力：开水龙头——洗手——关水——擦手。如果不会洗手，就要现分解洗手——搓手——打香皂——冲手。现在都是用洗手液，更方便了，设备的发展也可以改善孩子们生活的艰难。平时没事的时候不要怨天尤人，不要总想多少年后自己S了后孩子怎么办哪。不试永远不了解孩子。教孩子时不要一根筋，一种方法打不开孩子的心灵再寻求另一种。科学的思维方式不但能解决孩子的问题也能对自己的生活有所帮助，但要一步步的来。具有阶段性和目标性。这就是目标行为的特点。
3、食品添加剂的分析 食品添加剂本身通常不作为食品来食用，也不一定具有营养价值，但加入后能起到防止食品腐败变质，增强食品色、香、味的作用，因而在食品加工中使用十分广泛。 食品添加剂多是化学合成的物质，如果使用的品种和数量不当，将会影响食品质量，甚至危害食用者的健康。 因此，对食品添加剂的鉴定和检测也具有十分重要的意义。 此外，食品的色泽、组织形态、风味、香味以及有无杂质等感官特征也是食品的重要技术指标，食品分析通常也包括这些内容。 三、食品的种类 食品是维持人类生命和身体健康所需营养物质和能量的来源。 食品的种类繁多，组成复杂，性质各异，根据来源、加工程度和习惯等的不同，可分为许多种类。 根据来源的不同，食品可分为植物性食品、动物性食品和矿物性食品三大类。 植物性食品是人类所需碳水化合物、维生素、矿物质和蛋白质的重要来源，这类食品又可分为谷类、豆类、果蔬类及调味类等。 动物性食品富含脂肪和蛋白质，主要包括畜禽肉类、水产类、蛋类和乳类。 矿物性食品含有丰富的矿物质元素，包括食盐、食用碱、矿泉水等。 根据食品加工程度的不同，可将食品分为： 初加工食品：如米、面、油、食糖等。 再加工食品：如面包、糕点、酒类等。这类食品是由初加工进行加工制成的。 深加工食品：这类食品主要指一些功能性食品，如婴幼儿食品、保健食品等。 根据商业经营习惯，又可将食品分为粮油食品、果品、蔬菜、肉禽及其制品、水产品、乳及乳制品、培烤食品、罐头食品、饮料等。 根据中国饮食习惯不同，还可把食品分为主食类、副食品和嗜好品。 主食类是由米、面加工的食品，如米饭、馒头、面包等，它是人体热量的主要来源。 副食品包含的种类很多，是人体蛋白质、脂肪、维生素、矿物质的主要来源。 嗜好品是指某些含有特殊成分，以满足有特殊嗜好的消费者需要的食品，主要包括烟、酒、茶叶、咖啡等。 四、食品分析方法的分类： 对食品品质的评价，主要包括食品营养、卫生和嗜好性三个方面。 食品分析所采用的分析方法主要有感官分析法、理化分析法、微生物分析法和酶分析法。 1、感官分析法：感官分析又叫感官分析或感官评价，是通过人体的各种感觉器官
《管理统计学》导学资料六——2χ检验和方差分析这一讲的内容包括两个部分开平方检验和方差分析，重点是方差分析，在本章的学习 χ检验的作用和用途。学会和掌握方差分析表的使用，中，同学们要了解方差分析的用途，2 了解自由度的计算和F检验的作用，记住方差分析表中的五个等式和含义。 本章的关键术语： 方差分析(Analysis of Variance, 常简称为ANOV A)是用来检验两个以上样本的均值差异的显著程度，由此判断样本究竟是否抽自具有同一均值总体的方法。 SST-总离差方和(Sum of Square in Total )为各样本观察值与总均值的离差平方和。 SSTR-组间离差方和(Sum of Square Treatment)表示不同的样本组之间，由于因素取不同的水平所产生的离差平方和。 SSE-组内离差方和(Sum of Square Error)表示同一样本组内，由于随机因素影响所产生的离差平方和，简称为组内离差平方和。 本章学完后，你应当能够： 1、掌握用2χ检验来解决独立性检验和拟合性检验的原理和基本方法，能解决最常见的这类检验问题。 2、了解和懂得单因素方差分析的原理和基本方法，能应用计算机解决最常见的方差分析问题。 一、2χ检验 2 χ检验的用途是检验两个变量之间的独立性和检验数据是否服从某个概率分布得拟合检验。 我们经常会遇到受两个或两个以上因素（变量）影响的实验或观察数据，并要求判断两个变量之间是否存在相互联系的问题。如果两个变量之间没有联系则称作是独立的，否则就是不独立的。 χ分布可以检验两个变量之间的独立性问题。此时我们首先将研究对象的观察用2 数据按两个变量分别进行分类。。例如，按行对第一个变量进行分类，按列对第二个变量进行分类。按这种方法把所有的试验观察数据排列成的表称为列联表。 2 χ独立性检验的程序和前面介绍的参数假设检验一样，首先也要建立假设，然后 χ，再根据问计算检验统计量的值。这次采用的检验统计这次采用的检验统计量就是2 χ分布表，得到当原假设成立时检验统计量允许的最大临界题规定的显著性水平查2 χ值作比较，得出接受或拒绝原假设的结论。具体步骤如下： 值，与计算所得的2 1.提出假设 H：两个变量是独立的，即相互之间没有影响，
预测方法的分类 郑XX 预测方法的分类 由于预测的对象、目标、内容和期限不同，形成了多种多样的预测方法。据不完全统计，目前世界上共有近千种预测方法，其中较为成熟的有150多种，常用的有30多种，用得最为普遍的有10多种。 1-1预测方法的分类体系 1）按预测技术的差异性分类 可分为定性预测技术、定量预测技术、定时预测技术、定比预测技术和评价预测 技术，共五类。 2）按预测方法的客观性分类 可分为主观预测方法和客观预测方法两类。前者主要依靠经验判断，后者主要借 助数学模型。 3）按预测分析的途径分类 可分为直观型预测方法、时间序列预测方法、计量经济模型预测方法、因果分析 预测方法等。 4）按采用模型的特点分类 可分为经验预测模型和正规的预测模型。后者包括时间关系模型、因果关系模 型、结构关系模型等。 1-2 常用的方法分类 1)定性分析预测法 定性分析预测法是指预测者根据历史与现实的观察资料，依赖个人或集体的经验与智慧，对未来的发展状态和变化趋势作出判断的预测方法。 定性预测优缺点 定性预测的优点在于： 注重于事物发展在性质方面的预测，具有较大的灵活性，易于充分发挥人的主观能动作用，且简单的迅速，省时省费用。
定性预测的缺点是： 易受主观因素的影响，比较注重于人的经验和主观判断能力，从而易受人的知识、经验和能力的多少大小的束缚和限制，尤其是缺乏对事物发展作数量上的精确描述。 2)定量分析预测法 定量分析预测法是依据调查研究所得的数据资料，运用统计方法和数学模型，近似地揭示预测对象及其影响因素的数量变动关系，建立对应的预测模型，据此对预测目标作出定量测算的预测方法。通常有时间序列分析预测法和因果分析预测法。 ⅰ时间序列分析预测法 时间序列分析预测法是以连续性预测原理作指导，利用历史观察值形成的时间数列，对预测目标未来状态和发展趋势作出定量判断的预测方法。
分析方法的验证 1日本药局方收载分析方法所需资料 1.1概要对分析方法作简要说明，包括所采用分析方法的必要性，特点与优点及有关 验证的要点。如系分析方法的修订，则需阐明新方法与原方法的区别以及新方法的优势。 1.2分析方法本项记载的有关分析方法的内容要足以能对分析方法进行评价，并且必 要时可用复核试验进行评价。分析方法主要记载内容包括：分析的步骤、标准品及样品的制备方法、试剂与试药的调配、注意事项、分析系统是否正常运转的检验证明方法(例如 高效液相色谱法中的分离效率的研究)、分析结果的计算公式、测定次数等。并且，如果 使用了药局方以外的装置，还需详述有关内容；如果使用了新的标准品，则必须提供其物理、化学及生物学特征数据，并提供其质量标准。 1.3有关分析方法验证的资料本项 应包括求导各验证参数的试验设计、试验数据、计算结果及检定结果等。 2验证参数(validationcharacterisitics) 分析方法适当与否可通过验证参数进行评价，下面列举了最典型的分析方法验证参数的定义及其评价方法。验证参数的有关术语及定义因分析方法的应用领域不同而不同，本文所使用的术语及定义仅限于日本药局方。评价方法项下所述内容也仅为简要概述。确定验证参数的方法很多，采用何种方法没有具体限制。但是，验证参数的限值常因确定方法的不同而发生变化。故此，确定验证参数的实验方法、实验数据、计算方法等应尽可能详细地记述。本文分析方法验证中未包括验证参数适应性/牢固性(Robustness)的 讨论，这是由于牢固性的研究主要在分析方法的开发设计阶段进行，其研究结果可以在方法的分析条件或注意事项中得到体现。 2.1真度/准确度(Accuracy/Trueness) 2.1.1定义：所谓准确度，指分析方法所得测定值的偏离程度，通常以测定值的总平均值与真值之间的差来表示。 2.1.2评价方法：准确度一般以测定室内重现精度或室间再现精度时所 得总平均值与真值的差表示。真值一般使用理论值(如滴定法)，如果理论值不存在或即使 存在但很难求出的情况下，可采用经过确证或认可的数值来代替(如制剂分析常以原料药 的测定值作为真值)。分析方法的专属性强，可以推断其分析方法的误差就小。由推出的 真值与室内(室间)再现精度的标准偏差即可计算出真值的95%置信区间，并可判断这个 区间是否包括0点，或区间的上下限值是否在分析方法所要求的精度范围之内。 2.2精 密度(Precision) 2.2.1定义：精密度是指从均匀样品中抽取的复数个供试品进行重复分 析测定时，所得到的一系列测定数据彼此之间的一致程度。测定值的误差以偏差、标准偏差、或相对标准偏差的形式表示。精度根据重复实验的条件不同以三个水平表示，分别称为：并行精度、室内再现精度、室间再现精度。并行精度(Repeatability/Intra-assayprecision)：指实验室、实验者、实验日期、装置、器具以及试药的批号等实验条件
统计分析分类以及SPSS分析方法 一、统计分析内容的分类 人类对客观事物的理解是多种多样的，这些理解能够是企业生产的规模，能够是企业生产机器的稳定性，能够是一个地区的教学质量，能 够是市场经济的规律，也能够是一个时期的经济形势或环境等等。撇 开这些形形色色的形式内容，人们对客观事物的理解从目的来看可分 为表面理解和本质理解两种。本文将这种从形式内容中抽象出来的对 客观事物的理解称之为统计分析内容。表面理解就是对客观事物表面 特征的理解；本质理解是从客观事物表面特征出发，最终得到超越客 观事物表面特征的本质特征的理解。同样，与统计分析内容相对应的 统计分析（方法）就可分为表面分析和本质分析两种。在统计分析方 法的使用上，形式内容的理解与统计分析方法的关联不大，反而是在 统计分析内容理解（对客观事物表面理解和本质理解）上，分析方法 的使用差别较大，所以本文主要从统计分析方法的角度对统计分析内 容加以细分。在SPSS中，横向叫个案，所有个案组成样本；纵向叫变量，一个变量代表客观事物的某方面特征。表面理解在SPSS中主要对 应于样本理解，目的是理解样本所代表的具体事物的特征（当然样本 的特征离不开变量，但目的不在变量）。本质理解则以样本数据为基础，总结出同类事物的普遍特征，这些特征就是变量自身的特征（它 从样本出发，但又超越样本），所以本质理解能够认为就是对变量的 理解。统计分析内容的划分与人们对客观事物的理解规律也密不可分。人类对客观事物的理解都是由浅入深、由外及里的。这种由浅入深、 由外及里的理解过程正好体现了表面理解和本质理解两个过程。统计 分析的两种内容既是人们对客观事物理解的两个方面，也是人们对客 观事物理解的两个过程，但它们能够是相互独立的。因为人类出于理 解目的的需要能够只理解客观事物的表面，也能够只理解客观事物的 规律。 （一）表面理解
ABA应用行为分析法的相关知识 ABA采用行为塑造原理，以正性强化为主，刺激孤独症儿童各项能力发展。其核心部分是任务分解技术( discrete trial therapy,DTT)。典型DTT技术包括以下步骤：①任务分析与分解；②分解任务强化训练：在一定的时间内只进行某分解任务的训练；③奖励（正性强化）任务的完成：每完成一个分解任务都必须给予强化( reinforce)；④辅助：根据儿童的情况给予不同程度的提示或帮助；随着所学内容的熟练程度，逐渐减少提示或帮助；⑤停顿(interval)：在2个分解任务训练之间要有短暂的休息。训练要求个体化，系统化，严格性，一致性，科学性。治疗强调为每周40小时。 一、应用行为分析法的特点 ABA的特点是：①方法结构化；②教学系统化；③操作目标化；④非专业人员可以操作；⑤实践性。学习ABA不能只通过我们掌握有关理论原则，理论学习虽是不可缺少的，但学习者必须有足够的实践经验和操作经历。只有在实际操作中准确把握ABA的原则和技巧，才能真正提高孤独症儿童的康复训练技巧。 二、任务分析法（目标行为分解） 把要培养的行为分成若干个子行为，然后用正强化一步步培养建立的过程称为任务分析法，也叫工作分析法。就是说把学习的最终目标行为分解成一连串的小步骤动作行为，让儿童循序逐个学习每个小步骤的行为，最终完成目标行为的学习。具体由塑造法和连锁法来实施的。 目标行为指训练时所期望出现的行为及达到的标准。 例如：(1)小明能独自行走十步远的距离。 (2)小明在帮助下，能用筷子吃完二两面条。 (3)小明在1个月的训练期内，每日撞头次数由10次降为3次。 三、任务分解技术教学法 DTT五要素包括：指令，辅助，反应，结果，停顿。 DTT回合公式如下： （一）指令 1．概念指令是让孩子作出反应的刺激，即为实现目标行为提出的要求。 指令可以分为：语言指令（让孩子做什么时所说的话），非语指令（手势、示范动作、物品、卡片、视觉等）。
应用行为分析方法简介 何永娜 应用行为分析（Applied Behavior Analysis,简称ABA）是指将任务（即所要学的知识、技能、行为、习惯等）按照一定的方法和顺序分解成一系列较小的和相对独立的步骤，然后采用适当的强化方式，进行训练，直到独立完成任务。它是由美国著名的孤独症训练专家洛瓦斯教授和从事专业领域工作的人25年的研究成果。这是一种对孤独症儿童及其他精神迟滞障碍儿童训练的非常有效的方法。 1．应用行为分析法的基本原理 1.1行为改变原理 通过改变外部诱因（刺激）可以改变人的行为。即人的行为是可以改变的，也是可塑的。 1.2刺激－反应理论： 1.2.1反应性条件反射论 在行为训练（学习）中，进行强化刺激的做法会产生条件反射。用公式表示就是S（刺激）R （反应）。 1.2.2操作性条件反射论 一个人的行为并非单纯是刺激的反应，往往行为是根据他人的反应，而加强他是否去发展此行为。用公式表示就是 。 ２．ABA的四个操作特点： 2.1任务分解 ABA强调把儿童要达到的训练目标（知识、技能、行为、习惯等）分解成最小、最简单的行为单元进行教学。采用任务分解的办法，使得复杂的行为变成容易操作的行为单元，对每一个行为单元进行培训直到掌握，把已掌握的行为单元串联起来形成更为复杂的行为。这样，儿童就容易获得成功，从而确保ABA的有效实施。
2.2给予辅助 为了促使儿童对指令作出正确的反应，给予必要的提示帮助。普通儿童可以通过观察模仿学习，而孤独症儿童很少去主动观察模仿，所以必需给他们以提示，给他们多次的机会对指令作出反应。并通过反复的练习促使儿童成功，以后逐渐减少对儿童的提示，直到无需提示儿童也能正确做出反应。 2.3及时强化 ABA强调任何一种行为变化都和它自身的结果有关联。及时有效的强化可以让儿童更愿意配合，更喜欢训练，儿童帮助树立自信心。 2.4反复练习 因为使用了强化和提示，儿童才愿意反复进行练习。反复进行练习，帮助儿童更快、更好地掌握和熟练技能。 ３．ABA的具体操作方法 回合式操作教学法（即 discerte trail teaching简称DTT）是ABA的具体操作方法。它是一个非常具体、非常系统的操作方法。在每次回合后，训练者要记录儿童的反应情况。
第二章食品样品的采集与处理 一、选择题 3．可用“四分法”制备平均样品的是（ 1 ）。 （1）稻谷（2）蜂蜜（3）鲜乳（4）苹果 4．湿法消化方法通常采用的消化剂是（ 3 ）。 （1）强还原剂（2）强萃取剂（3）强氧化剂（4）强吸附剂8．用溶剂浸泡固体样品，抽提其中的溶质，习惯上称为（ 1 ）。 (1)浸提 (2)抽提 (3)萃取 (4)抽取 二、填空题 2．对于液体样品，正确采样的方法是。从样品的上、中、下分别取样混合均匀 3．样品预处理的目的、和。消除干扰因素、使被测组分浓缩、完整保留被测组分 5．样品预处理的常用方法有：、、、和。有机物破坏法、蒸馏法、溶剂提取法、色层分离法、化学分离法、浓缩法 6．按照样品采集的过程，依次得到、和等三类。检样、原始样品、平均样品 四、简答题 1．简述采样必须遵循的原则。 答：（1）采集的样品具有代表性； ⑵采样方法必须与分析目的保持一致； ⑶采样及样品制备过程中高潮保持原有理化指标，避免预测组分发生化学变化或丢失； ⑷要防止和避免预测组分的玷污； ⑸样品的处理过程尽可能简单易行。 6．为什么要对样品进行预处理？选择预处理方法的原则是什么? 答：在食品分析中，由于食品或食品原料种类繁多，组分复杂，而组分之间往往又以复杂的结合形式存在，常对直接分析带来干扰，这就需要在正式测定之前，对样品进行适当的处理，使被测组分同其他组分分离，或者将干扰物除去。有的被测组分由于浓度太低或含量太少，直接测有困难，这就需要对被测组分进行浓缩，这些过程称为样品的预处理。而且，食品中有些预测组分常有较大的不稳定性，需要经过样品的预处理才能获得可靠的测定结果。 样品预处理的原则是：（1）消除干扰因素；（2）完整保留被测组分；（3）使被测组分浓缩。 第四章食品的物理检测法 一、选择题 6．下列说法正确的是（ 1 ）。 （1）全脂牛乳相对密度为—（20/20℃） （2）不饱和脂肪酸的折射率比饱和脂肪酸的折射率小得多 （3）锤度计专用于测定糖液浓度，是以蔗糖溶液的密度百分含量为刻度，以°Bx 表示 （4）蜂蜡的折射率在～（25℃） 7．水色度的常用测定方法是（2 ）
第三章滴定分析法概论复习题及参考答案（1） 一、解释并记忆（14分） 1、滴定液（标准溶液）：已知准确浓度的试剂溶液。 2、滴定：用滴定管滴加溶液的操作过程。 3、化学计量点：标准溶液与待测组分恰好完全反应之点。 4、指示剂：滴定分析中能发生颜色改变而指示终点的试剂 5、终点：指示剂变色时，停止滴定操作之点。 6、终点误差：终点与计量点之间的差别。 7、标定：利用基准物质或已知准确浓度的溶液来确定标准溶液浓度的操作过程。 二．填空题（20分） 1、滴定分析法（容量分析法）是使用滴定管将一种已知准确浓度的试剂溶液（标准溶液）滴加到待测物的溶液中，直到与待测组分恰好完全反应为止，然后根据标准溶液的浓度和所消耗的体积，算出待测组分的含量的分析方法。 2、滴定分析法的特点有：准确度高，操作简便、测定快速，应用广泛，适于常量分析。 3、滴定分析法可法分为：酸碱滴定法；沉淀滴定法；配位滴定法；氧化还原滴定法及非水溶液滴定法。 4、滴定分析法的滴定方式有：直接滴定法；返滴定法；置换滴定法；间接滴定法。 5、标准溶液的标定方法有：1)基准物质标定法：①多次称量法②移液管法；2)滴定液比较法。 三、简答题（26分） 1、简述滴定反应的条件。（4分） 答：能用于滴定分析的化学反应要快、要定量地完成（≧%）（无副反应）（反应必须具有确定的化学计量关系）；要有适当简便的方法确定滴定终点。
2、什么是基准物质它应具备什么条件（6分） 答：基准物质是可用来直接配制滴定液或标定溶液浓度的物质。 对基准物质应具备的条件有：(1)纯度要高：物质必须具有足够的纯度%)(2)组成要固定：物质组成与化学式应完全符合；(3)性质要稳定； (4)摩尔质量（M）要较大。 3、简述标准溶液的配制方法。（10分） 答：方法有：1）直接法：用分析天平称量基准物质，用容量瓶配制，定容。 步骤：称量→溶解→转移→定容→计算，根据称量的质量和体积计算标准溶液的准确浓度。公式：cV＝m/M。2）间接法（标定法）：标准溶液的浓度通过基准物质来确定或用另一种标准溶液来确定的方法。先配成近似浓度的溶液，再用基准物质或另一种标准溶液来确定它的准确浓度。 4、简述滴定度的概念。（6分） 答：滴定度有两种表示方法：1）指每毫升滴定液中所含溶质的质量（g/ml）， 以T B 表示。m B ＝T B ·V；2）指每毫升滴定液相当于被测物质的质量（g/ml），以 T B/A 表示。m A ＝T B/A ·V。
16种常用的数据分析方法汇总 2015-11-10 分类：数据分析评论(0) 经常会有朋友问到一个朋友，数据分析常用的分析方法有哪些，我需要学习哪个等等之类的问题，今天数据分析精选给大家整理了十六种常用的数据分析方法，供大家参考学习。 一、描述统计 描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。 1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策 树法。 2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前 需要进行正态性检验。常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W 检验、动差法。 二、假设检验 1、参数检验 参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。 1）U验使用条件：当样本含量n较大时，样本值符合正态分布 2）T检验使用条件：当样本含量n较小时，样本值符合正态分布 A 单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别； B 配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在 可能会影响处理效果的各种条件方面扱为相似； C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。 2、非参数检验
非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。 适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。 A 虽然是连续数据，但总体分布形态未知或者非正态； B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下； 主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。 三、信度分析 检査测量的可信度，例如调查问卷的真实性。 分类： 1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度 2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致 性如何，常用方法分半信度。 四、列联表分析 用于分析离散变量或定型变量之间是否存在相关。 对于二维表，可进行卡方检验，对于三维表，可作Mentel-Hanszel分层分析。 列联表分析还包括配对计数资料的卡方检验、行列均为顺序变量的相关检验。 五、相关分析 研究现象之间是否存在某种依存关系，对具体有依存关系的现象探讨相关方向及相关程度。 1、单相关：两个因素之间的相关关系叫单相关，即研究时只涉及一个自变量和一个因变量； 2、复相关：三个或三个以上因素的相关关系叫复相关，即研究时涉及两个或两个以上的自变量和因变量相关；
食品分析方法的分类 对食品品质的评价，主要包括食品营养、卫生和嗜好性三个方面。食品分析所采用的分析方法主要有感观分析法、理化分析法、微生物分析法和酶分析法。 1.感观分析法感官分析又叫感观检验或感观评价，是通过人体的各种感 官器官（眼、耳、鼻、舌、皮肤）所具有的视觉、听觉、嗅觉、味觉和触觉，结合平时积累的实践经验，并借助一定的器具对食品的色、香、味、形等质量特性和卫生状况做出判定和客观评价的方法。感观检验作为食品检验的重要方法之一，具有简便易行、快速灵敏、不需要特殊器材等特点，特别适用于目前还不能用仪器定量评价的某些食品特性的检验，如水果滋味的检验、食品风味的检验以及烟、酒、茶的气味检验等。 依据所使用的感觉器官的不同，感官检验可分为视觉检验、嗅觉检验、味觉检验、触觉检验和听觉检验五种。 （1）视觉检定是鉴定者利用视觉器官，通过观察食物的外观形态、颜色光泽、透明度等，来评价食品的品质如新鲜程度、又无不良改变以及鉴别果蔬成熟度等的方法。 （2）嗅觉鉴定是通过人的嗅觉器官检验食品的气味，进而评价食品质量（如纯度、新鲜度或劣变程度） （3）味觉鉴定是利用人的味觉器官（主要是舌头），通过品尝食物的滋味和风味，从而鉴别食品品质优劣的方法。味觉检验主要用来评价食品的风味（风味是食品的香气、滋味、入口获得的香气和口感的综合构成），也是识别某些食品是否酸败、发酵的重要手段。 （4）听觉器官听觉鉴定是凭借人体的听觉器官对声音的反应来检验食品
品质的方法。听觉鉴定可以用来评判食品的成熟度、新鲜度、冷冻程度及罐头食品的真空度等。 （5）触觉鉴定是通过被检食品用于鉴定者的触觉器官（手、皮肤）所产生的反应来评价食品品质的一种方法。如根据某些食品的脆性、弹性、干湿、软硬、黏度、凉热等情况，可评判食品的品质优劣和是否正常。 感官分析的方法很多，常用的检验方法有差别检验法，标度和类别检验法、分析或描述性检验法等。 感官分析法虽然简便、实用且多数情况下不受鉴定地点的限制。但也存在明显缺陷，由于感官分析是以经过培训的评价员的感觉作为一种“仪器”来测定食品的质量特性或鉴别产品之间的差异，因此判断的准确性与检验者的感觉器官的明锐程度和实践经验密切相关。同时检验者的主观因素（如健康状况、生活习惯、文化素养、情绪等），以及环境条件(如光线、声响等)都会对鉴定结果产生一定的影响。另外，感官检验的结果大多情况下只能用于比较性的用词（优、良、中、劣等）表示或用文字表述，很难给出食品品质优劣程度的确切数字。 2.理化分析法根据测定原理、操作方法等的不同，梨花分析又可分为物理分析法、化学分析法和仪器分析法三类。 （1）物理分析法通过对被测食品的某些物理性如温度、密度、折射率、旋光度、沸点、透明度的的测定，可间接求出食品中某种成分的含量，进而判断被检食品的纯度和品质。物理分析法简便、实用，在实际工作中应用广泛。 （2）化学分析法是以物质的化学反应为基础的分析方法，主要包括重量分析和滴定分析法两大类。化学分析法适用于食品中常量组分的测定，所用仪器设备简单，测定结果较为准确，是食品分析中应用最广泛的方法。同时化学分析
统计中经常会用到各种检验，如何知道何时用什么检验呢，根据结合自己地工 作来说一说： 检验有单样本检验，配对检验和两样本检验.单样本检验：是用样本均数代表地 未知总体均数和已知总体均数进行比较，来观察此组样本与总体地差异性.配对 检验：是采用配对设计方法观察以下几种情形，，两个同质受试对象分别接受两种不同地处理；,同一受试对象接受两种不同地处理；，同一受试对象处理前后. 检验：检验和就是统计量为地假设检验，两者均是常见地假设检验方法.当样本 含量较大时，样本均数符合正态分布，故可用检验进行分析.当样本含量小时， 若观察值符合正态分布，则用检验（因此时样本均数符合分布），当为未知分布时应采用秩和检验.检验又叫方差齐性检验.在两样本检验中要用到检验.从两研 究总体中随机抽取样本，要对这两个样本进行比较地时候，首先要判断两总体方差是否相同，即方差齐性.若两总体方差相等，则直接用检验，若不等，可采用'检验或变量变换或秩和检验等方法.其中要判断两总体方差是否相等，就可以用 检验.b5E2R. 简单地说就是检验两个样本地方差是否有显著性差异这是选择何种检验（等方差双样本检验，异方差双样本检验）地前提条件.p1Ean. 在检验中，如果是比较大于小于之类地就用单侧检验，等于之类地问题就用双侧检验. 卡方检验 是对两个或两个以上率（构成比）进行比较地统计方法，在临床和医学实验中应用十分广泛，特别是临床科研中许多资料是记数资料，就需要用到卡方检验.DXDiT. 方差分析 用方差分析比较多个样本均数,可有效地控制第一类错误.方差分析( )由英国统 计学家首先提出，以命名其统计量，故方差分析又称检验.RTCrp. 其目地是推断两组或多组资料地总体均数是否相同，检验两个或多个样本均数地差异是否有统计学意义.我们要学习地主要内容包括5PCzV. 单因素方差分析即完全随机设计或成组设计地方差分析（）： 用途：用于完全随机设计地多个样本均数间地比较，其统计推断是推断各样本所代表地各总体均数是否相等.完全随机设计（）不考虑个体差异地影响，仅涉 及一个处理因素，但可以有两个或多个水平，所以亦称单因素实验设计.在实验 研究中按随机化原则将受试对象随机分配到一个处理因素地多个水平中去，然后观察各组地试验效应；在观察研究（调查）中按某个研究因素地不同水平分组，比较该因素地效应.jLBHr. 两因素方差分析即配伍组设计地方差分析（）： 用途：用于随机区组设计地多个样本均数比较，其统计推断是推断各样本所代表地各总体均数是否相等.随机区组设计考虑了个体差异地影响，可分析处理因素 和个体差异对实验效应地影响，所以又称两因素实验设计，比完全随机设计地检验效率高.该设计是将受试对象先按配比条件配成配伍组（如动物实验时，可按 同窝别、同性别、体重相近进行配伍），每个配伍组有三个或三个以上受试对象，再按随机化原则分别将各配伍组中地受试对象分配到各个处理组.值得注意地是，同一受试对象不同时间（或部位）重复多次测量所得到地资料称为重复测量数据
一、分析方法的分类 1.定性分析和定量分析 定性分析的任务是鉴定物质是由哪些元素或化合物所组成的； 定量分析的任务则是测定物质中有关组成的含量。建材行业中最常用的是定量分析。 2.常量分析，半微量分析、微量分析、超微量分析 根据试样的用量及操作方法不同，可分为常量、半微量和微量分析、超微量分析。 各种分析操作时的试样用量如下表所示。 各种分析方法的试样用量 方法试样质量（mg）试样体积（ml）常量分析 >100 >10 半微量分析 10-100 1-10 微量分析 0.1-10 0.01-1 超微量分析 <0.1 <0.01 在无机定性化学分析中，一般采用半微量操作法，而在经典定量化学分析中，一般采用常量操作法。另外，根据被测组分的质量分数，通常又粗略分为常量(大于1％)、微量(0．01％~1％)和痕量(小于0．01％)成分的分析。 3.例行分析、快速分析和仲裁分析 例行分析是指一般化验室日常生产中的分析，又叫常规分析。 快速分析是例行分析的一种，主要用于生产过程的控制。 例如水泥厂的炉前快速分析，要求在尽量短的时间内报出结果，分析误差一般允许较大。 仲裁分析是不同单位对分析结果有争议时，要求有关单位用指定的方法进行准确的分析，以判断分析结果的准确性。在仲裁分析时，推确度是主要矛盾。 4.化学分析和仪器分析 以物质的化学反应为基础的分析方法称为化学分析法。化学分析历史悠久，是分析化学的基础，所以又称为经典化学分析法。主要的化学分析方法有两种： (1)重量分析法； (2)滴定分析法(容量分析法)。
以物质的物理和物理化学性质为基础的分轿方法称为物理和物理化学分析法。由于这类方法都需要较特殊的仪器，故一般又称为仪器分析法。仪器分析法有： 光学分析法、电化学分析法、色谱分析法、质诺分析法和放射化学分析法等。在建材分析中常用的仪器分析(1)分光光度法(比色法)；(2)原子吸收分光光度法：(3)荧光光谱分析。