Относительная погрешность расчета бромной суммарной антиоксидантной активности по уравнению прогнозирования лежит в интервале от 1% до 40%. На рисунке показано графическое представление сравнения расчетной и экспериментальной величин суммарной антиоксидантной активности по брому.
Рисунок 1 - Сравнение расчетной и экспериментальной бромной суммарной антиоксидантной активности
Выводы
Для исследуемого массива данных анализа качественных характеристик образцов виноградных белых вин была обнаружена функциональная зависимость между бромной суммарной антиоксидантной активностью и массовой концентрацией фенольных соединений.
Связь суммарной антиоксидантной активности образцов виноградных белых вин с окислительно-восстановительным потенциалом и массовой концентрацией флаваноидов носит случайный характер. Суммарная антиоксидантная активность, определенная с помощью электрогенерированных радикалов брома поддается лучшему прогнозированию.
Для предварительной оценки бромной суммарной антиоксидантной активности образцов виноградных белых вин на основании рассматриваемых факторов предложена линейная модель прогнозирования: ? = 3.72 + 0.006 Х1 + 2.75 Х2 + 1.04 Х3. По значимости влияния на расчетную суммарную антиоксидантную активность предикторы расположились в сле-дующем порядке: Х1 < Х2 < Х3.
Литература
1. Зенков Н.К., Ланкин В.З., Меньщикова Е.Б. Окислительный стресс: Биохимический и патофизиологический аспекты. М: МАИК «Наука. Интерпериодика». 2001. 343с.
2. Michael Antolovich, Paul D. Prenzler, Emilios Patsalides, Suzanne McDonald and Kevin Robard. Methods for testing antioxidant activity. Analyst. 2002. Vol.127. P.183-198.
A. M. Tarola, V. Giannetti. Determination by LC of Polyphenols in Italian Red Wine. Cromatographia, 2007. Vol.65 P.367-371
3. Tilman Grune, Peter Schroder, Hans K. Biesalski. Low Molecular Weight Antioxidants. The Handbook of Environmental Chemistry. 2005. Vol.2. Part O, P.77-90.
4. Кишковский З.Н., Скурихин, Химия вина. М.: Агропромиздат. 1988. 254с.
5. Paulo Cortez, Antonio Cerdeira, Fernando Almeida, Telmo Matos, Jose Reis. Modeling wine preferences by data mining from physicochemical properties. 2008. http: www.elsevier.com
6. Tatjana Kosmerl, Dejan Bavkar. Determination of ash content in Slovenian wines by empirical equations. 2003. aas.bf.uni-lj.si/September 2003. 11kosmerl.pdf
7. M. Antonieta Esteves · Maria Dolores Manso Orgaz. The influence of climatic variability on the quality of wine. Int J Biometeorol. 2001. 45:13-21
8. N. Benoudjita, F. Melganib, 1, and H. Bouzgoua. Multiple regression systems for spectrophotometric data analysis. Chemometrics and Intelligent Laboratory Systems. Vol.95. Issue 2. 15 February. 2009. P 144-149.
9. Горбунова Е.В., Герасимов М.К., Лапин А.А. Прогнозирование суммарной антиоксидантной активности красных вин на основе физико-химических показателей. Бутлеровские сообщения. 2010. Т.19. №1. С.60-64.
10. Лапин А. МВИ-001-44538054-07. Суммарная антиоксидантная активность. Методика выполнения измерений на кулонометрическом анализаторе. ООО Концерн «Отечественные инновационные технологии». г. Жердевка, Тамбовской обл. 2007. 6с.
11. Мехузла М.А. Сборник международных методов анализа вин и сусел. Мехузла М.А. М.: Пищевая промышленность. 1993. 320с
12. Валуйко Г.Г. Технология виноградных вин. Симферополь: Таврида. 2001. 624с.
13. Берк К., Кэйри П. Анализ данных с помощью Microsoft Excel.: Пер. с англ. М.: Издательский дом “Вильямс”. 2005. 560с.
14. Бараз В.Р. Корреляционно-регрессионный анализ связи показателей коммерческой деятельности с использованием программы Excel: учебное пособие. Екатеринбург: ГОУ ВПО «УГТУ-УПИ». 2005. 102с.