Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Evaluación de Datos en Análisis Sensorial
Evaluación de Datos en Análisis Sensorial
sensorial
H0: θ = med
• Suposiciones:
Donde H ≈ χ2
• H0: θ1 = θ2 = θ3 (Dependientes)
• Suposiciones:
• H0: θa = θb
• H1: θa ≠ θb
(varianza = información)
X1
T1
X1
T1
T2
X1
X2= peso
2. Eigenvectores (loadings)
Analiza las variables
(loading plot)
3. Scores
Analiza las muestras
(score plot)
p
j
j =1
1 2 3 M =
p
Wilks ‘ Lambda
MDS plot
disimilaridades en los
0
datos.
-1
Es un avance visual en la
-2 agrupación jerárquica de
datos.
-3
-4 -3 -2 -1 0 1 2 3
coordinate 1
y
(c,d)
(a,b)
y
(c,d)
Euclideana
(a,b)
y
(c,d)
Mahalanobis
(a,b)
y
(c,d)
(a,b)
y
(c,d)
Minkowski
(a,b)
2.5
Es la asignación de un
conjunto de observaciones
distance
en subconjuntos (llamados
2
clusters) de acuerdo a
ciertas similaridades.
1.5
1
7 8 12 2 3 10 11 6 13 18 14 17 9 19 16 15 4 1 5 20 21
samples
25
D
I 16
S
T
A 9
N
C
I 4
A
1
E F A B C D
225
D
I
S 81
T
A
N 9
C
I
A 4
1
E F A B C D
183.5
D
I
S 45.5
T
A
N 9
C
I
A 4
1
E F A B C D
Y=aX+b
Y = bo + b1 X1 + b2 X2 + ……….. + bn Xn
ajuste
validación
X Y
(n x p) (n x 1)
y = X b + e
(n, 1) = (n, p’) (p’, 1) + (n, 1)
y es el vector respuesta
X la matriz de datos
b vector de los coeficientes de regresión
e vector de errores
(
b = X X T
) −1
X y T
ŷ = X b
PATRIMONIO DE TODOS LOS COLOMBIANOS
Técnicas de validación
- Validación externa
- Validación cruzada
- leave-one-out
- leave-more-out
Venetian blinds
Muestra X1 X2 X3 Y
S1 4.75 0.09 0.88 4.00
S2 1.16 4.11 2.03 7.20
S3 3.03 2.22 4.68 2.82
S4 2.43 3.08 4.58 4.02
S5 4.46 3.96 2.05 10.37
S6 3.81 4.61 4.47 8.56
S7 2.28 3.69 0.29 9.37
CONJUNTO Muestra X1 X2 X3 Y
PRUEBA S6 3.81 4.61 4.47 8.56
S7 2.28 3.69 0.29 9.37
CONJUNTO Muestra X1 X2 X3 Y
PRUEBA S6 3.81 4.61 4.47 8.56
S7 2.28 3.69 0.29 9.37
PATRIMONIO DE TODOS LOS COLOMBIANOS
Muestra X1 X2 X3 Y Ycalc
S1 4.75 0.09 0.88 4.00 4.00
CONJUNTO Muestra X1 X2 X3 Y
PRUEBA S6 3.81 4.61 4.47 8.56
S7 2.28 3.69 0.29 9.37
Y (real) Y (calc)
(n x 1) (n x 1)
Y (real) Y (calc)
(n x 1) (n x 1)
RSS
R = 1−
2
TSS
Bondad (calidad) de ajuste
R2 = 1, el modelo es perfecto
R2 = 0, el modelo está completamente errado
Y (real) Y (calc)
(n x 1) (n x 1)
RSS
RMSEC =
n
Root Mean Squared Error of Calibration (RMSEC)
CONJUNTO Muestra X1 X2 X3 Y
PRUEBA S6 3.81 4.61 4.47 8.56
S7 2.28 3.69 0.29 9.37
PATRIMONIO DE TODOS LOS COLOMBIANOS
Pero tenemos que evaluar también la calidad predictiva del modelo de regresión.
Podemos hacer esto usando el conjunto de prueba, ya que este no fue usado para
construir el modelo de regresión.
Muestra X1 X2 X3 Y
CONJUNTO S6 3.81 4.61 4.47 8.56
PRUEBA
S7 2.28 3.69 0.29 9.37
sample X1 X2 X3 Y Ycalc
hi = x X X
T
i ( T
) −1
xi
1
n
hi 1
X T
50x1000 50xM
PCA OLS
X
50x1
50x1000
PLS
PLS:
- Encuentra la relación entre las variables predictoras (X) y la
variable dependiente Y
- Predice Y desconocidos (predicción) y estudia X bajo el
efecto de Y (ajuste)
PATRIMONIO DE TODOS LOS COLOMBIANOS
Técnicas de selección
𝑝
𝐷𝑖 = 𝑡𝑖1 ∙ 𝑡𝑖2 ∙ ⋯ ∙ 𝑡𝑖𝑝 Promedio geométrico
p = número de variables
w = peso asignado a la variable j
t = valor obtenido de la función de transformación