Analisis Sensorial Infostat

See
discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/301225721
Anlisis sensorial en InfoStat. Aplicaciones en

caf
Book December 2013
CITATIONS READS
0 649
3 authors:
Julio Alejandro Di Rienzo Juan Carlos Surez Salazar

National University of Cordoba, Argentina Universidad de la Amazonia
166 PUBLICATIONS 1,409 CITATIONS 37 PUBLICATIONS 33 CITATIONS
SEE PROFILE SEE PROFILE
Fernando Casanoves
Tropical Agricultural Research and Higher Ed
211 PUBLICATIONS 3,075 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Role Of Biodiversity In Climate Change Mitigatio (ROBIN) View project
Genomics View project
All content following this page was uploaded by Fernando Casanoves on 13 April 2016.
The user has requested enhancement of the downloaded file. All in-text references underlined in blue are added to the original document
and are linked to publications on ResearchGate, letting you access and read them immediately.
Anlisis sensorial
en InfoStat
Aplicaciones en caf
Julio A. Di Rienzo
Juan C. Suarez
Fernando Casanoves
Actualizado en diciembre de 2013

Anlisis sensorial en InfoStat
Julio A. Di Rienzo es Profesor Asociado de Estadstica y

Biometra de la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Crdoba, Argentina. Director del
grupo de desarrollo de InfoStat y responsable de la
implementacin de la interfase con R que se presenta en
esta aplicacin (dirienzo@agro.uncor.edu).
Juan Carlos Suarez es Docente e Investigador de la y

Director de la Maestra en Agroforesteria de la Universidad
de la Amazonia, Florencia, Caquet, Colombia
(ju.suarez@udla.edu.co).
Fernando Casanoves es el Jefe de la Unidad de

Bioestadstica y Profesor del Centro Agronmico Tropical
de Investigacin y Enseanza (CATIE). Anteriormente
trabaj en la Facultad de Ciencias Agropecuarias de la
Universidad Nacional de Crdoba, Argentina, donde
particip del desarrollo de InfoStat (casanoves@catie.ac.cr).
INDICE DE CONTENIDOS
Introduccin ................................................................................................................................ 2
Caso 1: Ensayos para la calificacin de muestras dentro de un grupo pre seleccionado .......... 2
Caso 2: Ensayos para evaluar un gran nmero de muestras (screening) .................................. 2
Caso 3: Ensayos para para entrenamiento de nuevos jueces .................................................... 3
Ejemplificacin con un caso de catacin de caf ...................................................................... 3

Generalidades del anlisis de descriptores cuantitativos ........................................................ 4
Requerimientos ........................................................................................................................... 5
Invocacin del procedimiento de anlisis sensorial.................................................................. 6
Evaluacin de jueces y de muestras ................................................................................................... 7
Ejemplo de evaluacin de jueces y muestras en caf ............................................................... 9

Ejemplo de evaluacin de nuevos jueces con jueces expertos ............................................... 20
Referencias................................................................................................................................. 22
Introduccin
El anlisis sensorial es una herramienta usada para toma de deciciones y control de

calidad en la produccin de caf, cacao, vinos, etc. Este anlisis generalmente se lleva a
cabo usando paneles de jueces (catadores). Los jueces pueden ser los mismos o cambiar
total o parcialmente entre paneles y lo mismo podra ocurrir con las muestras. Podemos
imaginar distintos casos:
Caso 1: Ensayos para la calificacin de muestras dentro de un grupo pre

seleccionado
Las mismas muestras son evaluadas por un gran nmero de jueces. La catacin se
organiza en paneles en los que van cambiando los jueces. El objetivo de este diseo es
valorar un conjunto seleccionado de muestra en un nmero grande de catadores. Como
todas las muestras son evaluadas por todos los jueces de cada panel en una secuencia
usualmente aleatoria podemos asumir que todas las muestras recibieron un puntaje,
eventualmente condicionado a cada panel particular.Desde el punto de vista del diseo
de experimentos esta forma de realizar la evaluacin se asemeja a la de un diseo en
bloques completos, en el que todas las muestras son valoradas en varios paneles
(bloques).
Caso 2: Ensayos para evaluar un gran nmero de muestras (screening)
Se pueden identificar dos subcasos a) El mismo nmero de jueces debe evaluar un gran
nmero de muestras y para ello se organizan paneles con un nmero manejable de
muestras. Aunque los jueces no cambian entre paneles, varios factores (condiciones
ambientales, saturacin de los sentidos del gusto y olfalto, la secuencia de las muestras
que se evalan, etc) pueden incidir sobre la forma en que los jueces evalan las
muestras en los distintos paneles. Este tipo de ensayos es lo que en diseo de
experimentos se conoce como bloques incompletos: ensayos en los que no pueden
evaluarse todas las muestras, sino una cantidad limitada de ellas en cada ocasin
(panel). Para que estos ensayos puedan ser valorados estadsticamente hay que asegurar
al menos la repeticin de un conjunto de muestras a travs de los paneles de manera tal
que los paneles queden conectados. Si por ejemplo quiseramos evaluar la muestas A,
2
B, C, D, E, F, G, H, I, J, K, L, M, N, O y P, en paneles de cuatro catadores podran

organizarse de la siguiente namera:
ABCD | EFGH | IJKL| MNOP |AEIM | BFJN | CGKO | DHLP
Esta forma particular de organizar estos panles se conce como diseo en ltice y hay
distintas variantes para contemplar distinto nmero de muestras y nmero de catadores
por panel.
b) Hay un nmero grande de muestras el procedimiento de catacin se organiza con

varios paneles que cambian jueces y muestras. Este caso combina las caractersticas de
los casos anteriores. Por idndicas consideraciones hechas anteriormente, los paneles se
comportan como bloques y se trata de bloque incompletos.
Caso 3: Ensayos para para entrenamiento de nuevos jueces
Puede haber distintas variantes, pero hecho distintivo es que en cada panel hay uno o
ms expertos que son la referencia contra la cual se evalan los jueces en
entrenamiento. En estos ensayos todos los integrantes de un panel evalan un nmero
predifinido de muestras. En la planificacin de estos ensayos deben incluirse muestras
con caractersticas contrastantes y contramuestras para evaluar tanto la capacidad
discriminante como la reproducibilidad. Si se utilizan varios paneles en los que se
cambian expertos y jueces, al menos debe existir conectividad entre los paneles a travs
de los expertos.
Cualquiera sea el caso, la estimacin de la diferencia entre muestras requiere la

aplicacin no solo de un adecuado diseo sino tambin de una adecuada modelacin
estadstica de las respuesta de los jueces. La aproximacin ms moderna para
contemplar deseos con bloques completos e incompletos y que puede asimismo
manejar la presencia de datos faltantes es la modelacin de las respuestas mediante un
modelo lineal mixto.
Ejemplificacin con un caso de catacin de caf
A continuacin se ejemplifica la utilizacin del mdulo implementado en InfoStat

mediante un caso de catacin de caf.La cantidad de atributos que se consideran en los
3
anlisis puede variar segn el estndar de evaluacin y segn el tipo de producto a

evaluar. En el caso de caf, la Special Coffe American Association propone un conjunto
de descriptores cuantitativos y cualitativos (SCAA Protocols. 2009). Los cuantitativos
son los siguientes:
Fragancia
Sabor
Sabor residual
Acidez
Cuerpo
Balance
Uniformidad
Taza limpia
Dulzura
Puntaje del catador
Los atributos cualitativos son el sabor y el aroma y sus descriptores ms comunes en
caf son chocolate, malta, man, tostado, terroso, astringente, dulce, acido, amargo y
cuero para el sabor; y chocolate, malta, cereal tostados, man, tostado, terroso, dulce,
acido, cuero, hongos, picante y a carne para el aroma.
Generalidades del anlisis de descriptores cuantitativos
Debido a que en estos ensayos existe un diseo, hay que tener en cuenta todos los
factores que estan afectando la evaluacin de cada uno de los atributos. Estos son:
Panel: desde el punto de vista del diseo del experimento actua como un bloque,
que contempla el efecto de grupos de jueces, ya sea porque estos son distintos
entre los paneles o porque siendo los mismos los paneles se organizan en
distintas condiciones (das, lugares, formas de preparacin, secuencia en un
mismo da, etc.). Este efcto no es de inters particular, i.e. no interesa probar
hiptesis sobre el efecto del panel, por lo que puede ser considerado un efecto
aletorio;
Muestra: es el principal efecto objeto de comparacin y generalmente tiene
repeticiones para algunos de sus niveles que nos permiten evaluar la consistencia
de los jueces (contramuestras). El efecto muestra ser considerado a los fines de
modelacin como un efecto fijo;
Juez (catador): Es considerado, usualmente, como un efecto fijo.
El modelo lineal mixto para estas especificaciones es el siguiente:
4
yijk M i J j pk ijk (1)
donde yijk es el valor asignado a un atributo de la observacin perteneciente a la i-sima
muestra, en el j-simo juez, del k-simo panel, es la media general del atributo, M i
es el efecto de la i-sima muestra, J j es el efecto del j-simo juez, pk es el efecto
aleatorio del k-simo panel y ijk el trmino de error asociado a la observacin yijk . Por
razones de modelacin el efecto de los paneles los pk se consideran como variables
aleatorias idnticamente distribuidas N 0, P2 . Los ijk tambin se suponen variables
aleatorias idnticamente distribuidas N 0, 2 y describen a los errores aleatorios
asociados a cada observacin. Se supone, adems, que las variables aleatorias pk y ijk
son mutuamente independientes.
El modelo anterior supone que no existe interaccin entre el juez y la muestra, aunque
esta podra estar presente si el conjunto de jueces no tiene suficiente experiencia y por
ende podran no ser consitentes en las calificaciones asignadas a las muestras evaluadas.
InfoStat implementa una interfase amigable de la plataforma R para la estimacin de

modelos lineales generales y mixtos a travs de los procedimientos gls y lmer de la
librera lme4. La bibliografa de referencia de esta implementacin, corresponde a
(Bates et al. 2013). La interfaz con R fue escrita en Delphi y depende de R-DCOM, un
servidor de R que permite correr R en background. R-DCOM es debido a Thomas Baier
y Erich Neuwirth. El R-DCOM es accedido desde Delphi gracias a las rutinas
desarrolladas por Dieter Menne.
Requerimientos
Para que InfoStat pueda tener acceso a R, debe estar instalado en su sistema el
componente DCOM y R. Para ello consulte la ayuda en lnea (aqu) o utilice el enlace
que se encuenta en el men. Aplicaciones de InfoStat. La implementacin del anlisis
sensorial genera reportes en pdf a travez de la interpretacin de latex. Ello requiere que
en su computadora est instalado MiKTeX. La ultima versin para esta aplicacin de
distribucin libre pued encontrarla en http://miktex.org/download. Si esta aplicacin no
est instalada el procedimiento funcionar regularmente pero no producir el reporte en
pdf.
5
Invocacin del procedimiento de anlisis sensorial
En el men Aplicaciones seleccionar el submen Analisis sensorial, all encontrar la

opcin Paneles de evaluacin y entrenamiento. Esta opcin a su vez tiene alternativas,
Run para solicitar un anlisis y Ayuda para acceder al Tutorial (
Figura 1).
Figura 1: Ventana con la invocacin del men Aplicaciones, submen Analisis sensorial.
Una vez que se haya ejecutado la opcin Paneles de evaluacin y entrenamiento

aparecer la ventana de seleccin de variables para la aplicacin (Figura 4). En esta
ventana se deber declarar al menos 3 atributos sensoriales cuantitativos que no sean
constantes, la variable que identifica a la muestra y la variable que identifica al juez. La
ventana para declarar al panel es opcional y solo se requiere si hay dos o ms paneles.
La ventana expertos tambien es opcional, y se usa en evaluacin de nuevos catadores
junto a catadores expertos.
6
Figura 2: Ventana de seleccin de variables para el anlisis de Paneles de evaluacin y entrenamiento

con las variables del archivo Pitalito.IDB2.
Evaluacin de jueces y de muestras
Para la evaluacin de las muestras de nuevos jueces, en primer lugar se utiliza un

modelo lineal mixto con efecto de panel como efecto aleatorio, y muestra y juez como
efectos fijos. Las pruebas F en el ANOVA son calculadas usando las sumas de cuadrado
tipo III.
Para cada uno de los atributos considerados la salida del software muestra una tabla de
sntesis de los ANOVAS, y posterioremente una tabla de comparacin de medias de
muestras y una tabla de comparacin de medias de jueces. Si se ha declarado la variable
que identifica a los expertos en el selector de variables (ID expertos), se brinda adems
una tabla con la distancia de cada nuevo juez respectos a cada catador experto. Todo
este procedimiento se realiza usando modelos mixtos, con efecto de Panel como
aleatorio (si hubiera panel) y de muestra y jueces como fijo. Las medias ajustadas
7
obtenidas por medio de este modelo para cada uno de lo atributos por cada juez son
usadas en un anlisis de componentes principales. Usando los centroides de los jueces
expertos en este nuevo espacio, se encuentra la distancia de cada nuevo juez a los
expertos en el espacio de los componentes principales. Estas distancias se promedian y
se obtienen los score de cada nuevo juez. Luego, se hace un ranking de los nuevos
jueces usando los scores obtenidos. El ranking usa como ponderadores los porcentajes
de variabilidad explicada por cada eje. Se consideran para el clculo del ranking todos
los componentes con autovalor mayor al promedio de los autovalores.
Ademas de la salida obtenida en la ventana de resultados, InfoStat permite hacer un

reporte en pdf que facilita la tarea del usuario.
8
Ejemplo de evaluacin de jueces y muestras en caf
La base de datos Pitalito.IDB2 proviene de un ensayo realizado en Pitalito, Colombia,

donde participaron 4 jueces (uno de ellos era experto), 6 muestras de caf, 1 solo panel
y 7 codigos de muestra (La muestra 3 present una contramuestra identificada con el
cdigo de muestra 7). La base de datos contiene 4 variables clasificatorias (en color
celeste) y 10 atributos cuantitativos (color verde, Figura 3).
Figura 3: Encabezado de la base de datos Pitalito.IDB2.
Los descriptores de uniformidad, taza limpia y dulzura obtuvieron para todas las
muestras evaluadas la clasificacin mxima de 10 puntos, por lo tanto estos descriptores
fueron constantes. Cuando InfoStat encuentra constantes en el mdulo de anlisis
sensorial estas son reportadas como tales en el informe, y no son usadas en los anlisis
univariados y multivariados que se aplican para obtener los resultados. En este ejemplo,
el catador denominado AG, no evalu la muestra 2, por lo que en su perfil de registro
solo se ven celdas vacias, que son interpretadas por el software como datos faltantes.
Debido a algunas de las tcnicas multivariadas usadas para el anlisis requiren una
matriz de datos completa, estos casos son estimados por el modelo tenindo en cuenta el
comportamiento del catadores a travs de todas la muestars que evaluaron.
Comenzaremos indicando cmo realizar un anlisis sensorial utilizando el archivo

Pitalito.IDB2; para esto activar el men Aplicaciones, submen Analisis sensorial, y alli
elegir la opcin Analisis de entrenamiento y evaluacin. Una vez alli seleccionar Datos
9
de prueba, y elegir el archivo Pitalito.IDB2. En la ventana de seleccin de variables, se

debern declarar los atributos y las variables clasificatorias como estan en la Figura 4.
Figura 4: Ventana de seleccin de variables con los datos del archivo Pitalito.IDB2.
Al aceptar se obtendr la salida que se muestra a continuacin.
Tabla resumen p-valores para el ANAVA por atributo
Atributo Muestra (p-valor) Catador (p-valor)

Fragancia.aroma 0.0031 0.0068
sabor 0.0310 0.0290
sabor.residual 0.0136 0.0113
acidez 0.1634 0.0130
cuerpo 0.7130 0.1784
balance 0.1362 0.1587
puntaje.de.catador 0.0445 0.1404
puntaje.total 0.0024 0.1001
10
Medias, errores estndares y cdigo de diferencias significativas por

codigo muestra
Fragancia.aroma
Muestra Media E.E. Sig

3 8.59 0.13 A
4 8.25 0.18 B
2 8.09 0.21 B
5 8.00 0.18 B
1 7.88 0.18 B
6 7.51 0.18 B
sabor

4 8.36 0.18 A
3 8.31 0.13 A
1 8.06 0.18 B
5 7.94 0.18 B
2 7.72 0.21 B
6 7.63 0.18 B
sabor.residual

3 8.16 0.12 A
4 8.13 0.16 A
1 7.88 0.16 A
5 7.63 0.16 B
2 7.50 0.19 B
6 7.50 0.16 B
acidez

3 8.31 0.13 A
2 8.13 0.21 A
4 8.13 0.18 A
1 7.88 0.18 A
5 7.88 0.18 A
6 7.75 0.18 A
cuerpo

3 8.00 0.11 A
5 7.94 0.15 A
4 7.88 0.15 A
6 7.88 0.15 A
1 7.81 0.15 A
2 7.67 0.18 A
11
balance

4 8.00 0.21 A
5 8.00 0.21 A
3 7.91 0.15 A
1 7.63 0.21 A
6 7.56 0.21 A
2 7.22 0.25 A
puntaje.de.catador

3 8.19 0.13 A
1 7.75 0.18 B
4 7.75 0.18 B
5 7.75 0.18 B
6 7.50 0.18 B
2 7.47 0.21 B
puntaje.total

3 87.47 0.55 A
4 86.50 0.78 A
5 85.00 0.78 B
1 84.81 0.78 B
2 83.47 0.92 B
6 83.25 0.78 B
Medias, errores estndares y cdigo de diferencias significativas por

juez
Fragancia.aroma
Catador Media E.E. Sig

GC 8.47 0.14 A
AG 8.08 0.15 B
JC 7.99 0.14 B
MJ 7.67 0.14 B
sabor

GC 8.27 0.14 A
AG 8.15 0.15 A
MJ 7.92 0.14 B
JC 7.67 0.14 B
sabor.residual

AG 8.06 0.14 A
GC 8.02 0.12 A
JC 7.59 0.12 B
MJ 7.52 0.12 B
12
acidez

AG 8.39 0.15 A
GC 8.10 0.14 A
MJ 7.92 0.14 A
JC 7.64 0.14 B
cuerpo

JC 7.98 0.12 A
MJ 7.94 0.12 A
GC 7.91 0.12 A
AG 7.61 0.13 A
balance

GC 7.90 0.16 A
JC 7.87 0.16 A
MJ 7.72 0.16 A
AG 7.39 0.18 A
puntaje.de.catador

GC 7.94 0.14 A
MJ 7.86 0.14 A
AG 7.63 0.15 A
JC 7.51 0.14 A
puntaje.total

GC 86.30 0.59 A
AG 85.25 0.66 A
MJ 84.55 0.59 A
JC 84.23 0.59 A
13
14
15
16
17
18
19
El reporte indica que los atributos uniformidad, taza limpia y dulzura fueron constantes
para este conjunto de muestas evaluados por estos jueves. A partir de la tabla de valores
de probabilidad para efectos de muestra podemos decir que las muestras difirieron (al
menos un par difiere) para Fragancia.aroma (P=0.0031), sabor (P=0.0310),
sabor.residual (P=0.0136), puntaje de catador (P=0.0445), y puntaje.total (P=0.0024).
No se encontraron evidencias para rechazar la hipoteses de igualdad de medias para
acidez (P=0.1634), cuerpo (P=0.7170) y balance (P=0.1362).
Para el factor Catador se encontraron diferencias entre jueces para Fragancia.aroma

(P=0.0068), sabor (P=0.0290) y sabor.residual (P=0.0113). No se encontraron
diferencias significativas entgre catadores (p>0.05) para cuerpo (P=0.1784), balance
(P=0.1587), puntaje de catador (P=0.1404) y puntaje total (P=0.1001).
La muestra 3 fue encontrada como la mejor entre todos los atributos, aunque la muestra
4 tambien tuvo una buena calificacin, incluso supero a la muestra 3 en el ranking de
sabor, aunque no difiri significativamente de esta.
Los catadores AG y CG dieron puntajes mayores en promedio que los otros catadores
para todos los descriptores que mostraron diferencias.
El biplot del analisis de componentes principales (Figura 1 del reporte) muestra que AG
y CG fueron jueces que dieron mayo valor a todos los atributos excepto cuerpo y
balance. El curpo esta correlacionado negativamente con la acidez y el puntaje total es
independiente de la acidez. Los catadores MJ y JC que dieron menor puntaje que los
otros dos, calificaron mas bajo que el resto a la acides, sabor residual y sabor.
El anlisis de Procrustes (Figura 2 del reporte) muestra el agrupamiento de consenso de

los jueces evaluando estas 6 muestras. El ranking del consenso es 1-5, 2-6 y 3-4, es
decir las muestras 1 y 5 fueron las mas parecidas cuando fueron evaluadas a travs de
todos los atributos consideradas, pero la 3 y la 4 fueron las que mas se separan del resto,
conincidiendo esto con los anlisis individuales de cada descriptor.
Ejemplo de evaluacin de nuevos jueces con jueces expertos
Ahora usaremos la base de datos Pitalito.IDB2 con las mismas especificaciones que
antes pero declarando adems la variable que identifica a los expertos (Figura 5). Esta
variable debe ser binaria, i.e. solo ceros y unos, y el uno indica que el juez es experto y
el 0 que no lo es. En este ejemplo el juez experto es el denominado AG.
20
Figura 5: Ventana de seleccin de variables con los datos del archivo Pitalito.IDB2.
Al declarar que uno de los jueces es experto, adems de los datos del reporte presentado
y analizado anterirrmente, se mostrar una tabla como la siguiente (Figura 6)
Figura 6: Reporte del ordenamiento de los jueces respecto a los jueces expertos para los datos del
archivo Pitalito.IDB2.
Se puede ver que el catador MJ fue el que mas cerca estuvo del experto (AG). El
catador con peor desempeo respecto al experto fue JC.
21
Referencias
Banegas Romero K.Y. 2009. Identificacin de las fuentes de variacin que tienen efecto
sobre la calidad de caf (Coffea arabica) en los municipios de El Paraso, y
Alauca, Honduras. Tesis Maestra en Agroforestera Tropical, Centro
Agronmico de Investigacin y Enseanza (CATIE), CR.
Bates D, Maechler M., Bolker B. and Walker S. (2013). lme4: Linear mixed-effects
models using Eigen and S4. R package version 1.0-5. http://CRAN.R-
project.org/package=lme4
Francois Husson, Julie Josse, Sebastien Le and Jeremy Mazet (2013). FactoMineR:
Mul-tivariate Exploratory Data Analysis and Data Mining with R. R
package version 1.25. http://CRAN.R-project.org/package=FactoMineR
Littell R., Milliken G., Stroup W., Wolfinger R., Schabenberger O. 2006. SAS for
Mixed Models. Second Ed., SAS Institute, Cary, NC.
R Core Team (2013). R: A language and environment for statistical computing. R

Foundation for Statistical Computing, Vienna, Austria. URL http://www.R-
project.org/.
SCAA Protocols. 2009. Cupping Specialty Coffee. Published by the Specialty Coffee
Association of America (SCAA). 7p.
22
View publication stats

Analisis Sensorial Infostat

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Analisis Sensorial Infostat

Încărcat de

Drepturi de autor:

Formate disponibile

See

Anlisis sensorial en InfoStat. Aplicaciones en

Book December 2013

Julio Alejandro Di Rienzo Juan Carlos Surez Salazar

SEE PROFILE SEE PROFILE

Role Of Biodiversity In Climate Change Mitigatio (ROBIN) View project

Genomics View project

Actualizado en diciembre de 2013

Julio A. Di Rienzo es Profesor Asociado de Estadstica y

Juan Carlos Suarez es Docente e Investigador de la y

Fernando Casanoves es el Jefe de la Unidad de

Ejemplificacin con un caso de catacin de caf ...................................................................... 3

Ejemplo de evaluacin de jueces y muestras en caf ............................................................... 9

El anlisis sensorial es una herramienta usada para toma de deciciones y control de

Caso 1: Ensayos para la calificacin de muestras dentro de un grupo pre

Caso 2: Ensayos para evaluar un gran nmero de muestras (screening)

B, C, D, E, F, G, H, I, J, K, L, M, N, O y P, en paneles de cuatro catadores podran

ABCD | EFGH | IJKL| MNOP |AEIM | BFJN | CGKO | DHLP

b) Hay un nmero grande de muestras el procedimiento de catacin se organiza con

Caso 3: Ensayos para para entrenamiento de nuevos jueces

Cualquiera sea el caso, la estimacin de la diferencia entre muestras requiere la

Ejemplificacin con un caso de catacin de caf

A continuacin se ejemplifica la utilizacin del mdulo implementado en InfoStat

anlisis puede variar segn el estndar de evaluacin y segn el tipo de producto a

Generalidades del anlisis de descriptores cuantitativos

El modelo lineal mixto para estas especificaciones es el siguiente:

yijk M i J j pk ijk (1)

donde yijk es el valor asignado a un atributo de la observacin perteneciente a la i-sima

es el efecto de la i-sima muestra, J j es el efecto del j-simo juez, pk es el efecto

razones de modelacin el efecto de los paneles los pk se consideran como variables

aleatorias idnticamente distribuidas N 0, P2 . Los ijk tambin se suponen variables

aleatorias idnticamente distribuidas N 0, 2 y describen a los errores aleatorios

son mutuamente independientes.

InfoStat implementa una interfase amigable de la plataforma R para la estimacin de

Invocacin del procedimiento de anlisis sensorial

En el men Aplicaciones seleccionar el submen Analisis sensorial, all encontrar la

Una vez que se haya ejecutado la opcin Paneles de evaluacin y entrenamiento

Figura 2: Ventana de seleccin de variables para el anlisis de Paneles de evaluacin y entrenamiento

Evaluacin de jueces y de muestras

Para la evaluacin de las muestras de nuevos jueces, en primer lugar se utiliza un

Ademas de la salida obtenida en la ventana de resultados, InfoStat permite hacer un

Ejemplo de evaluacin de jueces y muestras en caf

La base de datos Pitalito.IDB2 proviene de un ensayo realizado en Pitalito, Colombia,

Figura 3: Encabezado de la base de datos Pitalito.IDB2.

Comenzaremos indicando cmo realizar un anlisis sensorial utilizando el archivo

de prueba, y elegir el archivo Pitalito.IDB2. En la ventana de seleccin de variables, se

Al aceptar se obtendr la salida que se muestra a continuacin.

Tabla resumen p-valores para el ANAVA por atributo

Atributo Muestra (p-valor) Catador (p-valor)

Medias, errores estndares y cdigo de diferencias significativas por

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Muestra Media E.E. Sig

Medias, errores estndares y cdigo de diferencias significativas por

Catador Media E.E. Sig

Catador Media E.E. Sig

Catador Media E.E. Sig

Catador Media E.E. Sig

Catador Media E.E. Sig