2/6/2015

TRATAMENTO DE
DADOS

Anlise Multivariada

Anlise multivariada refere-se a todas as tcnicas estatsticas que

simultaneamente analisam mltiplas medidas sobre sujeitos ou objetos
pesquisados.
Permite criar conhecimento, melhorando assim a tomada de decises.
Tipos de tcnicas multivariadas:
- Anlise de componentes principais: Empregada para reduo do nmero de
variveis. Aplicada no mapeamento da preferncia.
- Anlise de agrupamentos: usada para desenvolver subgrupos significativos
(classificao/segmentao).
- Anlise de correspondncia: facilita o mapeamento perceptual de produtos
ou objetos. Possibilita quantificar dados qualitativos.

1
 2/6/2015

ACP

ANLISE DE COMPONENTES
PRINCIPAIS

http://www.youtube.com/watch?v=f9mZ8dSrVJA

Anlise de Componentes Principais (ACP)

Definio:
ACP um forma de anlise fatorial (AF) cujo propsito geral
encontrar um modo de condensar (resumir) a informao
contida em diversas variveis originais num conjunto menor
de novas dimenses ou fatores com a perda mnima de
informao.

A anlise de componentes principais recomendada quando a

reduo de dados a preocupao prioritria, focando o
nmero mnimo de componentes (fatores) necessrios para
explicar a poro mxima da varincia total representada no
conjunto original de variveis.

2
 2/6/2015

(II) ACP
Critrios para extrao de componentes:
Critrio do autovalores (razes latentes) ou eigenvalues.
- procurar autovalores maiores do que a unidade.

Critrio da percentagem de varincia

- dependendo da rea de estudo um mnimo de 60% da
varincia total (comunalidade) explicada pode ser
satisfatria.

Critrio do teste scree

- grfico autovalor x n de componentes, sendo a curva
resultante usada para avaliar o ponto de corte.

(III) ACP
Fundamento Matemtico:
Matematicamente, a computao dos fatores na ACP consiste
basicamente na diagonalizao da matriz simtrica (correlao ou
covarincia) dependendo se os dados vo ser padronizados ou
centrados em relao mdia. As CP so combinaes lineares das
variveis originais e no so correlacionadas.

Revendo as Aplicaes:
reduo do nmero de variveis
classificao das variveis e objetos
gerao de hipteses e ideias para novas pesquisas.

3
 2/6/2015

ACP Interpretao grfica

Cada amostra se localiza prxima do vetor que o
caracteriza, que se apresenta em maior intensidade na
amostra.

Quando as amostras esto prximas, significa que elas

so semelhantes em relao aos atributos julgados.
Quando as amostras esto distantes porque diferem
em relao aos atributos julgados.

Quando os vetores esto prximos, significa que eles

possuem uma alta correlao entre si. Quando forma um
ngulo de 90 entre os vetores, significa que estes
atributos no tm correlao entre si. Quando forma um
ngulo de 180 existe uma correlao negativa.

Processo de regresso do atributo no mapa

Obs.: Quanto
maior a mdia
de intensidade,
menor o
tamanho do
crculo

4
 2/6/2015

Tutorial em vdeo

http://www.youtube.com/watch?v=ca0OBsml79o

1. Exerccio com a planilha Hednica caf 3 prottipos para observao dos

resultados, seguindo tutorial em anexo.
2. ANOVA para encontrar diferenas entre as medias

3. Exerccio com a planilha JSS2008 carac.sens.emolientes

4. Exerccio com a planilha do chocolate 3 marcas ao Leite x Amargo

5. ANOVA para encontrar diferenas entre as mdias

Anlise de Clusters
ou
ANLISE DE
AGRUPAMENTOS
http://www.youtube.com/watch?v=LbAAXgXWo7E

http://www.youtube.com/watch?v=aRdI-TSSKPc

5
 2/6/2015

Anlise de agrupamentos
Hair e colaboradores (2005) descrevem seis estgios
no processo de deciso em anlise de agrupamentos:
(1) objetivos,
(2) projeto de pesquisa,
(3) suposies,
(4) determinao de agrupamentos e avaliao do ajuste
geral,
(5) interpretao dos agrupamentos e
(6) validao e perfil dos agrupamentos.

Anlise de agrupamentos
Objetivo: Classificar objetos (consumidores, produtos ou
outras entidades) com base num conjunto de caractersticas
definidas. Espera-se elevada homogeneidade interna (dentro dos
grupos) e elevada heterogeneidade externa (entre grupos).

Reconhecimento de padres: taxonomia

Identificao de relao: estrutura
Tcnica de agrupamento no-estatstico
Simplificao de dados

Questes bsicas:
1) Como se mede a similaridade?
2) Como se formam os grupos?
3) Quantos grupos so formados?

6
 2/6/2015

Medidas de similaridade

Tcnicas de agrupamento
ligao simples (vizinho mais prximo)
ligao completa (vizinho mais distante)
ligao mdia (UMPG = similaridade mdia de todos
de um grupo com todos de outro)
mtodo de Ward (minimiza a soma dos quadrados
dentro dos agrupamentos sobre todas as variveis)

Medidas de similaridade

7
 2/6/2015

Medidas de similaridade

ligao mdia (similaridade mdia de todos de um grupo com todos de outro)

Mtodo de Ward: a distncia entre dois agrupamentos

a soma dos quadrados entre os dois agrupamentos feita
sobre todas as variveis (neste caso, trata-se de uma
nica varivel: os escores hednicos)

Dendrograma

Agrupamentos com menos de 10% dos consumidores estudados

no so significativos.

8
 2/6/2015

Outras tcnicas e combinaes

O primeiro passo para procedimentos no hierrquicos selecionar uma
semente de agrupamento como o centro inicial de um agregado, e todos os
indivduos dentro de uma distncia de referncia pr-especificada so
includos no agrupamento resultante. Em seguida, outra semente de
agrupamento escolhida, e a designao continua at que todos os
indivduos tenham sido designados. Os indivduos podem ento ser
redesignados. Existem diversas abordagens diferentes para selecionar
sementes e designar indivduos.
K-Means ou K-mdias.
Existe ainda uma combinao de ambos os mtodos. Primeiro, uma tcnica
hierrquica pode estabelecer o nmero de agrupamentos, caracterizar os
centros de agrupamentos e identificar quaisquer observaes atpicas bvias.
Depois que os casos atpicos foram eliminados, as demais observaes
podem ento ser agrupadas por um mtodo no hierrquico com os centros
de grupos dos resultados hierrquicos como os pontos sementes iniciais.

Trabalhar com planilha ACP Caf anlise 3 prottipos exerccio e

planilha do chocolate com as 3 marcas para anlise de segmentao

1. Exerccio com a planilha Hednica caf 3 prottipos

para observao dos resultados, seguindo tutorial em
anexo.
2. ANOVA para os grupos
3. Exerccio com a planilha do chocolate 3 marcas ao
Leite x Amargo com XLSTAT

4. Repetir as mesmas anlises utilizando o programa

Statistica, seguindo tutorial em anexo.

5. Exerccio segmentao e ACP no XLSTAT com

Hednica Odor do p de caf

9
 2/6/2015

MAPAS DE PREFERNCIA
A primeira vantagem dos mapas de preferncia
que os likes e dislikes individuais so caracterizados e
representados no espao e seus efeitos de segmentao
do conjunto no so anulados pela obteno de um
simples valor mdio.
Trata-se de uma anlise multidimensional que leva
em considerao as preferncias individuais dos
consumidores.
Ao contrrio da anlise univariada, a pontuao
conferida pelos consumidores s amostras no
transformada em mdia, mas cada consumidor
representado individualmente no mapa, tendo sua
significncia proporcional porcentagem de explicao
dos dados.

Relacionando os dados dos consumidores

com os atributos sensoriais
Objetivo principal do Mapa de Preferncia:
entender como as caractersticas sensoriais
influenciam e como so responsveis pelas
preferncias dos consumidores

Para:
desenvolver produtos de sucesso
melhorar a qualidade dos produtos existentes

10
 2/6/2015

O tratamento dos dados recebe a seguinte sequncia:

Mapa de Preferncia Interno Mapa de Preferncia Externo
Preferncia dos consumidores Caractersticas sensoriais do
produto

Anlise de Componente
Principal (ACP) mapa de Anlise de Componente
preferncia interno Principal (ACP)

Correlao com a preferncia

Correlao com as dos consumidores
caractersticas sensoriais

Plotagem final (impresso)

Plotagem final (impresso)

MAPA DE PREFERNCIA
EXTERNO
A primeira informao utilizada para criar o
espao a dos descritores sensoriais obtidos
pelo painel treinado. Depois os consumidores
e likes e dislikes precisam ser ajustados;
Assume que as diferenas mais bvias entre
os atributos so responsveis pelos likes e
dislikes;
possvel que os drivers of liking fiquem
escondidos em outras dimenses

11
 2/6/2015

Etapas bsicas para conduo de um

MAPA DE PREFERNCIA
(Dutcosky, 2013 em p.365-370)
Selecionar um conjunto de produtos que representem
todas as variaes das propriedades sensoriais para
aquela categoria de produto (6 a 12 amostras);
Conduzir o teste com consumidores (normalmente
Central Location Test CLT) no qual os consumidores
avaliam todos os produtos (o delineamento completo
sempre o mais indicado), mas respondem somente a
uma questo sobre o quanto eles gostam de cada
produto;
Tambm importante obter o mximo de informaes
possveis sobre o perfil do consumidor, a fim de
possibilitar a caracterizao dos segmentos advindos da
anlise de agrupamentos por similaridades das
preferncias;

Etapas bsicas para conduo de um

MAPA DE PREFERNCIA
Na matriz dos escores hednicos por produtos analisados
para cada consumidor, ns realizamos primeiramente
uma anlise de agrupamentos para identificao dos
segmentos da populao em funo de suas preferncias
e rejeies sensoriais;
Realiza-se, ento, a anlise de componente principal,
baseado na matriz de covarincia, com os escores
hednicos, onde os consumidores so as variveis e os
produtos analisados (amostras) so os objetos.
O resultado da anlise, o mapa de preferncia interno,
ser o grfico com as projees ortogonais (XY) dos
produtos e dos consumidores, estes ltimos
caracterizados por vetores a partir da origem.

12
 2/6/2015

Pode-se calcular o coef. de correlao de Pearson entre cada

atributo sensorial e as duas dimenses (coordenadas) de
preferncia para o conjunto de produtos. No exemplo, o coef.
de correlao entre a coluna de doura e a coluna da dimenso
1 de preferncia d a coordenada do atributo de DOURA na
dimenso 1. A correlao entre a coluna de DOURA e a
coluna da dimenso 2 de preferncia d a coordenada do
atributo de DOURA na segunda dimenso.

EXERCCIOS
1. Abrir arquivo MDPREF Barras de Cereais e
seguir tutorial para o XLSTAT
2. Abrir o arquivo Anlise Multivariada Barras
de Cereais e seguir o tutorial de Statistica

13
 2/6/2015

LSA
LANDSCAPE SEGMENTATION
ANALYSIS
IFProgram
Institute for Perception
www.ifpress.com

A soluo que tem o seu jeito

14
 2/6/2015

IPM Internal LSA Landscape

Hednico Preference Mapping Segmentation Analysis

Hednico
Score

Score
Ponto
timo

Intensidade Intensidade
do atributo do atributo

LSA Buscando os pontos ideais para cada consumidor

A
B

C
H

F G
D

1 2 3 4 5 6 7 8 9
A B F D G C
E H

15
 2/6/2015

Relao da intensidade do atributo (Perfil descritivo)

Com os escores hednicos para cada produto analisado

Configurando os pontos ideais para todos os consumidores

16
 2/6/2015

Processo de regresso do atributo no mapa

Obs.: Quanto
maior a mdia
de intensidade,
menor o
tamanho do
crculo

17
 2/6/2015

Conclui-se que:
Resultados obtidos por IPM e LSA podem ou no
convergir. O LSA considera a saciedade, ou seja,
considera o comportamento no linear da
preferncia em relao ao aumento da
intensidade do atributo;

A ACP utillizada no IPM ir identificar a direo

hednica no espao, porm esta direo nem
sempre consegue diagnosticar e entender os
consumidores, bem como identificar os drivers of
liking relevantes.

Barras de Cereais LSA

Do u ra Cro c n c i a

Bri l h o

OF

OF + GA

L O:1 /1
I+I+OF
OF + GA/3

Du re z a
I+ OF + GA/1

II+ OF + GA/2 GA
M
Seacsutira
g adboi lsi dflaodceo s
I+ GA

18
 2/6/2015

Barras de Cereais LSA

Do u ra Cro c n c i a

Bri l h o
Biplot (eixos F1 e F2: 76,29 %)
10

OF 8

COV2
Grupo 2
OF + GA 6
Sabor banana

4
Mdia I+OF+GA/1 I
L O:1 /1

F2 (18,21 %)
2 COV1
I+I+OF
OF + GA/3 I+OF I+OF+GA/2
Secura floc
Mastigabilidade
0
Du re z a I+GA
I+OF+GA/3 Dureza
I+ OF + GA/1 Grupo 1 OF+GA
-2 Brilho GA

II+ OF + GA/2 GA Doura Aroma canela

Aroma banana
M OF
Seacsutira
g adboi lsi dflaodceo
-4 s Crocncia
I+ GA
-6

-8
-10 -8 -6 -4 -2 0 2 4 6 8 10 12
F1 (58,08 %)

AC

ANLISE DE
CORRESPONDNCIA

http://www.youtube.com/watch?v=O6RyRhcz
ZD8

19
 2/6/2015

(I) Anlise de Correspondncia (AC)

Definio:
uma tcnica multivariada composicional para mapeamento de percepo,
que tem por base categorias de uma tabela de contingncia.
Aplicaes:
AC permite associaes entre as caractersticas do entrevistado e suas
possveis relaes com o objeto pesquisado, ou seja, pode detectar
aspectos mercadolgicos e hbitos do consumidor em relao ao produto
de interesse.
Caractersticas:
(1) Retratar a correspondncia de categorias de variveis, especialmente
aquelas medidas em escalas nominais.
(2) Representar linhas e colunas, por exemplo, marcas e atributos, num espao
conjunto.

(II) AC

Tabela de contingncia: (2x2)

Tabulao cruzada de duas variveis qualitativas ou categricas (no-
mtricas) na qual as entradas so as frequncias de respostas nas clulas da
matriz.

Anlise de dados:
O valor do qui-quadrado empregado para anlise da tabela de
contingncia, comparando frequncias observadas e frequncias esperadas.

Dados de preferncia e dados de similaridade:

- Preferncia de objetos do tipo bom-ruim.
- Medida de similaridade comparando todos os pares de objetos.

Caractersticas diferenciadas:
O uso de dados estritamente no-mtricos na sua forma mais simples
(tabulao cruzada) para representar igualmente bem relaes lineares e
no-lineares.

20
 2/6/2015

(III) AC
INTERPRETAO E TERMINOLOGIA

Massa:
Medida relativa da frequncia para descrever o tamanho de qualquer clula ou
categoria na tabulao cruzada. A massa total ao longo de todas as entradas de clulas
igual a unidade. Assim calculada como o valor de qualquer entrada dividida pelo
total N (para tabela, que a soma das linhas ou colunas).

Inrcia:
A inrcia total de uma tabulao cruzada calculada como qui-quadrado total dividido
pelo total das contagens de frequncia. Assim uma medida relativa de qui-quadrado
que pode ser relacionada com qualquer contagem de frequncia.

Dimenses:
Semelhante anlise fatorial pode-se determinar autovalores, varincia explicada
para as dimenses individuais e para o todo. O nmero mximo de dimenses um a
menos que o menor nmero entre linhas ou colunas.

Regras prticas:
O nmero de dimenses sugere-se inrcia (valor singular) maior do que 0,2.
AC bastante sensvel a observaes atpicas.

(IV) Estudo de Caso

AC Sobremesa Anlise

CATA Mas

CATA Lasanha a bolonhesa sabor

AC Preferncia Iogurte x Perfil consumidor

21
 2/6/2015

DEX
DELINEAMENTO DE
EXPERIMENTOS
Profa Dra Silvia D. Dutcosky

A soluo que tem o seu jeito

Por qu precisamos do DEX ?

Muitos dos processos atuais de pesquisa
acadmica e de P&D ainda se baseiam no mtodo
de tentativa e erro devido imposio de prazos
muito curtos e pensamos que no temos tempo
para o DEX;
Quando o projeto fracassa e no alcana os seus
objetivos, freqentemente no sabemos o que
fazer pois nosso experimento nos deixou sem
dados para ajudar a estabelecer uma melhor
direo, o que acaba atrasando ainda mais.

22
 2/6/2015

Por qu precisamos do DEX ?

Necessidade crescente da otimizao de
produtos e processos, minimizando custos e
tempos, maximizando rendimento, produtividade
e qualidade dos produtos!!
As exigncias do mercado para o
desenvolvimento de produtos so muito grandes
para permitir o lanamento de produtos que no
obtenham sucesso. o famoso timing do
mercado x funcionalidade do produto x desejos
do consumidor.

Muitos dos processos atuais

Strategy of Experimentation
Tempo SIM Rastreamento
Solicitao Avaliao
suficiente dos fatores Otimizao
do projeto P&D
? envolvidos

NO

Fazemos Verificao
Mais
Nosso (HUT)
tempo
melhor

Lder do NO Passa SIM

Passa
projeto ? NO ?

SIM
O que est escondido
no Laboratrio Lanamento

23
 2/6/2015

O laboratrio oculto se caracteriza por:

Atrasos na entrega
Esforos ineficazes de P&D
Falta de feedback dos esforos experimentais
Desperdcios de tempo e material
Sentimento de culpa e moral baixo

O melhor processo

Delineamento de Experimentos
Planejamento
Lanamento
conjunto com
Com
todos os Defina as
Otimize Verifique sucesso
stakeholders variveis

24
 2/6/2015

Se livrando do que est escondido no

laboratrio
Os stakeholders no vo saber as suas
dificuldades se voc no souber explicar
Eles pensam que voc um gnio!! Eles
acreditam que voc conhece os efeitos de
todos os seus processos, ingredientes, etc
Eles no sabem sobre a natureza interativa da
experimentao. Alguns nem se importam
com isso.

FUNDAMENTOS BSICOS
Pensamento Estatstico
Pensamento estatstico uma
filosofia de aprendizado baseada
nos 3 princpios fundamentais:
1. Todo trabalho acontece em
uma srie de processos
interconectados;
2. Todos os processos exibem O pensamento
estatstico algo
variaes; muito importante
3. As chaves do sucesso so: o para ser exclusivo
dos estatsticos
entendimento e a reduo da
variao.

50

25
 2/6/2015

Fundamentos bsicos
Pensamento Estatistico

Pensamento Estatistico Teoria Estatistical

& Mtodos

Processo Variao Dados Mtodos

Estatisticos

Contedo de aprendizagem

Quando voc aprendeu estatstica na universidade voc deve ter

comeado do lado errado deste diagrama

51

PLANEJAMENTO EXPERIMENTAL
1. Experimentos fatoriais
1.1. Fatoriais completos
1.2. Fatoriais fracionados
2. Metodologia de superfcie de
resposta
2.1. Central composto
2.2. Box-Behnken
3. Delineamentos de misturas

26
 2/6/2015

EXPERIMENTOS DELINEADOS
COM ESQUEMA FATORIAL 2K
Exemplo: Objetiva-se avaliar a influncia de 3
variveis de processo e 1 de formulao na
qualidade sensorial de um snack extrusado,
atravs da preferncia sensorial dos
consumidores.
Fatores: condies de extruso
1) Tamanho da batelada pr mix: 10 15 Kg
2) Temperatura: 220 240C
3) Presso: 50 80 psi
4) Aroma: 1 2%

EXEMPLO FATORIAL 24

Passo a passo:
Anlise dos delineamentos fatoriais
Arquivo: Fatorial completo extruso snack
Anlise dos resultados

27
 2/6/2015

METODOLOGIA DE SUPERFCIE DE
RESPOSTA - MSR
Conjunto de mtodos estatsticos que
emprega dados quantitativos, originados de
planejamentos experimentais convenientes,
para determinar e resolver equaes
(modelos) multivariadas.
Essas equaes podem ser representadas
graficamente como superfcie de resposta
descrevendo as variveis, suas interaes e
o efeito combinado sobre as respostas.

DEFINIES
Variveis independentes = Fatores (ou: variveis
de entrada
Variveis dependentes = Resposta

Anlise Fatorial:
Base = n nveis (faixa de variao)
Expoente = n fatores (variveis independentes)
Exemplo: Planejamento Fatorial 34= 81 experimentos
Fatores: Temperatura (25,50,75C), U.R. (60,75,90%),
%Fermento (3,4,5%), %Acar (10,15,20%) no
panetone.

28
 2/6/2015

ESTRATGIA EXPERIMENTAL

O n de ensaios depende principalmente do n de

variveis independentes (fatores)
a) No caso de 2 ou 3 variveis independentes
DCCR
b) No caso de 4 variveis independentes pode-se
optar pelo DCCR ou planejamento fatorial
fracionado
c) No caso de 5 ou mais variveis planejamento
fatorial fracionado para uma triagem:
das variveis mais importantes
das faixas de estudo de cada uma delas
das respostas de real interesse

Exemplo DCCR para 2 variveis

Varivel -1,41 -1 0 +1 +1,41
Agitao(rpm) 100 160 300 440 500
Aerao 0,2 0,43 1,0 1,57 1,8

Ensaio Agitao Aerao Atividade lipase

1 -1 -1 6,55
2 +1 -1 7,73
3 -1 +1 6,38
4 +1 +1 5,17
5 -1,41 0 10,25
6 +1,41 0 0,60
7 0 -1,41 7,29
8 0 +1,41 7,28
9 0 0 22,14
10 0 0 21,27
11 0 0 19,88

29
 2/6/2015

Delineamentos Centrais Compostos

(DCC)
Para experimentos com 3 ou mais fatores, reduz o nmero
de ensaios, utilizando pontos axiais ( ).
Este tipo de delineamento utilizado com vantagens para
obter condies timas e reduzir custos em
desenvolvimento de produtos. considerado o mais eficaz
e confivel, por apresentar um mnimo de varincia.
Os fatores a serem estudados podem ser nveis de
ingredientes, condies de processo (variveis
quantitativas: T, P, t, pH ou qualitativas: com e sem aditivo)
e condies de estocagem.
As respostas so as caractersticas de qualidade que se
deseja maximizar ou os custos que se deseja minimizar.

Anlise do artigo:
Escala Hednica com referncia
Objetivos
Desenvolver metodologia de aplicao de
Escala Hednica com referncia, estruturada
com os mesmos conceitos, a fim de facilitar a
sua utilizao pelos consumidores
Avaliar a performance desta nova metodologia
comparando-a com a Escala Hednica
Tradicional de 9 pontos na obteno de modelo
preditivo de aceitabilidade geral atravs da
MSR- Metodologia de Superfcie de Resposta

30
 2/6/2015

Materiais e Mtodos
Delineamento Experimental
11 amostras de suco de laranja reconstitudo, a
partir da polpa congelada Citrosuco Paulista
Delineamento Central Composto 22 (Tabela 1)
Os limites para Brix e Acidez foram escolhidos de
acordo com os valores reais encontrados para
sucos de laranja de diferentes regies do Brasil
Perfil consumidores
44 consumidores de suco de laranja a partir de
triagem com 130 questionrios. Perfil: (1) idade
entre 20 e 45 anos (2) consumir pelo menos 1 copo
de suco de laranja por semana.

Delineamento Experimental
Delineamento Central Composto 22
Ensaios fatoriais: -1 +1
Ensaios axiais: -1,414 +1,414
Ponto central: 0 0
Equivale para Brix:
-1,414 -1 0 +1 +1,414
9,0 9,7 11,5 13,2 14,0
Equivale para Acidez:
-1,414 -1 0 +1 +1,414
0,68 0,74 0,90 1,05 1,12

31
 2/6/2015

Delineamento Experimental Variveis Independentes

Codificadas No codificadas Taxa

Ensaio Brix Acidez Brix Acidez Brix/acidez
1 -1 -1 9,7 0,74 13,11
2 -1 +1 9,7 1,05 9,24
3 +1 -1 13,2 0,74 17,84
4 +1 +1 13,2 1,05 12,57
5 -1,4142 0 9,0 0,90 10,00
6 1,4142 0 14,0 0,90 15,55
7 0 -1,4142 11,5 0,68 16,91
8 0 1,4142 11,5 1,12 10,27
9 0 0 11,5 0,90 12,78
10 0 0 11,5 0,90 12,78
11 0 0 11,5 0,90 12,78

ESCALA HEDNICA
Tradicional X Modificada c/ referncia
ESCALA HEDNICA PREFERNCIA COM REFERNCIA
Avalie inicialmente a amostra com a letra R e
Avalie cada amostra usando a escala abaixo depois as amostras codificadas, na ordem da
para descrever o quanto gostou ou esquerda para a direita e expresse o quanto
desgostou do suco de laranja. voc gostou das amostras codificadas
1 - Desgostei muitssimo utilizando a escala abaixo.

2 - Desgostei muito -4. Gostei muitssimo menos que a R

-3. Gostei muito menos que a R
3 - Desgostei regularmente
4 - Desgostei ligeiramente -2. Gostei regularmente menos que a R
-1. Gostei ligeiramente menos que a R
5 - Indiferente
6 - Gostei ligeiramente 0. Gostei da amostra igualmente a R
+1. Gostei ligeiramente mais que a R
7 - Gostei regularmente
8 - Gostei muito +2. Gostei regularmente mais que a R
+3. Gostei muito mais que a R
9 - Gostei muitssimo
+4. Gostei muitssimo mais que a R
Amostra Valor
Amostra Valor
_______ ______ _______ _____
_______ ______ _______ _____
_______ ______ _______ _____

32
 2/6/2015

Resultados
Para Escala Hednica Tradicional
As amostras dos ensaios 2 (B/A= 9,24) e 5 (B/A=10,00)
foram significativamente rejeitadas em relao
Referncia (B/A= 12,78)
A amostra do ensaio 7 (B/A= 16,91) foi significativamente
preferida em relao Referncia (B/A= 12,78)

Para Escala Hednica com Referncia

As amostras dos ensaios 2 (B/A= 9,24), 5 (B/A= 10,00) e
8 (B/A= 10,27) foram significativamente rejeitadas em
relao Referncia (B/A= 12,78)
As amostras dos ensaios 3 (B/A= 17,84) ,6 (B/A= 15,55) e
7 (B/A= 16,91) foram significativamente preferidas em
relao Referncia (B/A= 12,78)

Resultados
Observou-se que as amostras do ponto central (ensaios
9, 10 e 11), as quais so idnticas Referncia
obtiveram nota prxima do valor 6,0 ao invs do valor
5,0. Alguns erros psicolgicos podem ter ocorrido:
o consumidor evita utilizar o meio da escala, j estudado por
Stone & Sidel (1985) para escalas bipolares
erro de expectativa estudado por Meilgaard et al. (1988)- os
consumidores no foram avisados de que seria possvel a
existncia de amostras iguais Referncia, ento pensaram
que isto no seria possvel.

Modelo Escala Hednica Tradicional:

Y = 6,29 + 0,59B - 0,57A -0,26B2

Modelo Escala Hednica com Referncia:

Y = 5,62 + 1,02B - 0,70A -0,31B2

33
 2/6/2015

Resultados
Os resultados relativos regio tima para obteno do
suco de laranja de melhor aceitabilidade so iguais para
os dois modelos. Est entre:
11,5 e 13,2 Brix
0,68 e 0,74 g/ 100 ml de Acidez

A performance das duas metodologias foi muito similar,

porm a Escala com referncia resultou em melhor
discriminao das amostras:
Escala hednica com Referncia discriminou 6 amostras
(2,3,5,6 e 7)
Escala Hednica Tradicional discriminou 3 amostras (3,5 e 7)

Concluso
A performance das duas escalas na gerao de
modelos preditivos para aceitabilidade de produtos foi
equivalente
Os modelos apresentaram nveis de probabilidade
muito similares, valores de F e coeficientes de
correlao (R2 ajustado) similares. Tambm
apresentaram parmetros favorveis de falta de ajuste
no significativos ( p 0,05) e distribuio normal dos
resduos.
Para pesquisadores que trabalham com
desenvolvimento de produto esta sugesto de
utilizao da Escala Hednica com Referncia pode
ser uma ferramenta valiosa.

34
 2/6/2015

MSR PARA MISTURAS

MSR clssica: fatores so independentes
MSR para mix: fatores linearmente
dependentes
Ex.: X1 + X2 + X3 = 1 100%
Interesse nas propores
Caracterizao: a resposta que deve ser
medida funo da proporo dos
componentes e no da sua quantidade
(massa ou volume) total.
No delineamento recomendvel, pelo menos,
o simplex centride.

MSR PARA MISTURAS

Delineamento simplex-lattice
X1= 1 (1,0,0)

(, , 0) (, 0, )

X2 = 1 (0,1,0) (0, , ) X3 = 1 (0,0,1)

35
 2/6/2015

Delineamento simplex-lattice

Tratamentos Componentes
X1 X2 X3
1 1 0 0
2 0 1 0
3 0 0 1
4 1/2 1/2 0
5 1/2 0 1/2
6 0 1/2 1/2

Delineamento simplex-centride

X1= 1 (1,0,0)

(, , 0)
(, 0, )

(1/3, 1/3, 1/3)

X2 = 1 (0,1,0) (0, , ) X3 = 1 (0,0,1)

36
 2/6/2015

Delineamento simplex-centride
Tratamentos Componentes
X1 X2 X3
1 1 0 0
2 0 1 0
3 0 0 1
4 1/2 1/2 0
5 1/2 0 1/2
6 0 1/2 1/2
7 1/3 1/3 1/3

Delineamento simplex-centride

Com este delineamento possvel

obter modelo cbico.
As repeties no ponto central so
importantes porque sero
representativas de todos os desvios e
erros do experimento total.

37
 2/6/2015

Delineamento experimental
Proporo do componente**
Ensaios* I OF GA
01 1 0 0
02 0 1 0
03 0 0 1
04 0,5 0,5 0
05 0,5 0 0,5
06 0 0,5 0,5
07 0,333 0,333 0,334
08 0,333 0,334 0,333
09 0,334 0,333 0,333

Termo descritor Definio Referncia para extremo da

escala: Muito Intenso
Aparncia:
BRILHO Aspecto brilhante ou P-de-moleque marca YOKI
opaco da barra de
cereais.
SECURA DOS Aspecto seco dos flocos Barra de cereais com 100%
FLOCOS da barra de cereais. de Goma Accia
Sabor:
AROMA VOLTIL: Aroma caracterstico da Banana-passa
DE BANANA fruta banana percebido
por aspirao, antes do
produto ser colocado na
boca.
AROMA VOLTIL: Aroma caracterstico de Canela em p.
DE CANELA canela percebido por
aspirao, antes do
produto ser colocado na
boca.
SABOR Sabor caracterstico de Banana-passa
DE BANANA banana, percebido dentro
da boca, durante
mastigao
GOSTO Gosto caracterstico Soluo de sacarose 20%
DOCE adocicado, associado
presena de acares.
Audio: Intensidade do barulho Corn flakes natural marca
CROCNCIA ouvido na mastigao da Kelloggs, cuja embalagem foi
barra de cereais devido aberta no momento da
caracterstica dos cereais anlise.
estalarem ao serem
mastigados.
Textura: Fora requerida para o Barra de chocolate ao leite da
DUREZA rompimento do produto marca Nestl mantido a 5C
entre os dentes molares.

MASTIGABILIDADE Nmero de mastigadas No foi utilizado escala

necessrias para reduzir
uma amostra de 2cm3
consistncia adequada
para a deglutio

38
 2/6/2015

ANLISE DESCRITIVA QUANTITATIVA ADQ

Nome: __________________________________________ Data: ___/___/___

Prove e avalie cuidadosamente a amostra de barra de cereais que lhe est

sendo apresentada e marque com um trao a intensidade percebida do atributo.
Amostra N : ______

APARNCIA:
Brilho
Nenhum Muito intenso

Secura dos flocos

Nenhum Muito intenso

AROMA VOLTIL:
De banana
Nenhum Muito intenso

De canela
Nenhum Muito intenso

SABOR:
De banana
Nenhum Muito intenso

Gosto Doce
Nenhum Muito intenso

AUDIO:
Crocncia
Nenhum Muito intenso

TEXTURA:
Dureza
Nenhum Muito intenso

Mastigabilidade: n de mastigaes (1/seg.) para deglutir a amostra (2 cm3): ______

Ficha utilizada no treinamento e avaliao das amostras.

Mastigabilidade
Secura Aroma Aroma Sabor
(n mordidas at
Ensaio Brilho dos de de Doura de Dureza Crocncia
deglutio com 1
flocos banana canela banana
mastigada/s.)
1 3,61bc 4,08ab 2,33a 3,01bc 3,36ab 4,07a 3,53abc 3,24bc 29,33ab
2 5,63a 1,53c 2,56a 2,88bc 4,82a 3,85a 2,07c 6,48a 24,25b
3 2,33c 6,32a 2,66a 4,78a 3,23b 3,93a 5,04a 2,56c 34,08a
ab b a c ab a bc b
4 4,73 2,72 1,94 2,13 4,26 3,60 2,74 4,70 25,50b
5 2,25c 6,24a 2,93a 3,43abc 3,45ab 3,94a 4,42ab 3,39bc 28,42ab
bc a a ab ab a bc b
6 3,12 5,49 2,00 4,56 3,54 3,48 3,33 4,58 29,08ab
7 3,47bc 3,72ab 2,53a 3,18abc 3,78ab 4,24a 2,72c 3,53bc 27,75b
bc ab a abc ab a bc b
8 3,28 5,25 2,37 3,30 3,79 3,23 2,89 4,36 27,58b
9 4,13ab 3,96ab 2,82a 3,47abc 4,08ab 3,31a 3,59abc 3,67bc 27,50b

39
 2/6/2015

Atributo Equao R2aj (%) pa Falta de

ajuste (p)
BRILHO Yb = 3,52I + 5,48OF +1,85GA 83,11 0,0020 0,5539

SECURA DOS Ysec = 4,18I +1,84OF +7,08GA 77,14 0,0050 0,6154

FLOCOS

AROMA Ycan = 3,00I +2,88OF +4,78GA - 97,88 0,0024 0,9882

VOLTIL 3,25IxOF 1,85IxGA +2,93OFxGA
CANELA
DOURA Ydoce = 3,54I +4,75OF +3,15GA 79,80 0,0035 0,3405

DUREZA Ydur = 3,42I +1,82OF +4,87GA 82,20 0,0024 0,7230

CROCNCIA Ycr = 3,23I +6,30OF +2,64GA 90,04 0,0004 0,7566

(Audio)
MASTIGA- Ym= 29,3I +24,3OF +34,1GA - 99,09 0,0001 0,1181
BILIDADE 4,1IxOF 12,0IxGA

Resultados Escala Hednica

(1= desgostei muitssimo, 9= gostei muitssimo)

Mistura Fibras Prebiticas Ensaio Mdiax

100% I 1 6,694a 1,87

100% OF 2 6,673a 1,81
100% GA 3 4,918b 1,73
50% I + 50% OF 4 7,286a 1,40
50% I + 50% GA 5 5,469b 1,93
50% OF + 50% GA 6 7,000a 1,64
33,3% OF + 33,3% GA + 33,3% I 7c 7,224a 1,46
33,3% OF + 33,3% GA + 33,3% I 8r 6,612a 1,64
33,3% OF + 33,3% GA + 33,3% I 9r 6,755a 1,53

40
 2/6/2015

Valores timos
Com base na importncia do atributo
textura das formulaes propostas, a
otimizao simultnea das respostas
combinadas de textura do ADQ foi
estimada, objetivando mnima dureza e
mxima crocncia e mastigabilidade,
obtendo-se a seguinte mistura de fibras
prebiticas:
0%I + 66,60%OF + 33,40%GA.

Valores timos
Com o objetivo de obter a otimizao da
formulao da barra de cereais, com a mistura
das trs fontes de fibras prebiticas, utilizou-se o
modelo quadrtico de Scheff que apresentou
coeficiente de determinao ajustado (R2aj.) de
88,54% e coeficiente de variao= 4,15%, sem
falta de ajuste (p= 0,7500). A equao cannica
de Scheff para a preferncia sensorial dos
consumidores ou relativa ao grau de gostar
(DOL = degree of like) foi a seguinte:

Y(preferncia) = 6,7I + 6,7OF + 4,9GA +

2,7IxOF 1,1IxGA + 5,1OFxGA

41
 2/6/2015

Valores timos
Aplicando-se a tcnica de otimizao de
Derringer-Suich e a imposio
computacional exaustiva de uma grade de
pontos, para comparao ponto a ponto,
duas formulaes timas foram detectadas
para preferncia:

50%I + 50%OF + 0%GA e

8,46%I + 66,16%OF + 25,38%GA.

Valores timos
Um dos resultados de ponto timo de
mistura de fibras obtido pela anlise de
preferncia:
8,46%I + 66,16%OF + 25,38%GA

prximo ao obtido pela otimizao

simultnea das respostas de textura do
ADQ:
0%I + 66,60%OF + 33,40%GA

42
 2/6/2015

Valores timos: respostas de textura calculadas a

partir do ADQ e da preferncia

Tcnica de Valores timos

otimizao de
Derringer- Suich Dureza Crocncia Mastigabilidade
Escala = 9 Escala = 9 N mastigaes
(1/ segundo)
Da anlise ADQ: 2,84 5,08 27,55
Mxima crocncia
e mastigabilidade
/ Mnima dureza
Da anlise de 2,73 5,11 26,70
preferncia
Escala Hednica

43