Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Facultad Tecnolgica
Dpto. de Ciencias y Tecnologas de los
Alimentos
Ingeniera de Alimentos
Desarrollo de Productos
Alumna
s:
Profeso
r:
Natalia Acevedo
Mara Ins
Bustamante
Sandra Uribe
Elena Cavieres
Rebolledo
Especficos:
(1)
en
la
Industria
(3)
LosAplicacin
Mtodos
Estadsticos
en el anlisis sensorial
de alimentos
Pruebas
del anlisis sensorial
(3)
LosAplicacin
Mtodos
Estadsticos
en el anlisis sensorial
de alimentos
Mtodos estadsticos empleados :
Mtodos
Mtodos
Mtodos
Mtodos
Mtodos
visuales
univariantes
multivariantes
paramtricos
no paramtricos
Paper a analizar:
Journal Food Quality and Preference 20 (2009) 195202
Resumen
Introduccin
Introduccin
La
aproximacinde
chi-cuadradose
utiliza
habitualmente parala prueba de rangos de
Durbin.Sin embargo, comosealan algunosautores,
por ejemplo,Fawcett y Salter (1987,1988), la
distribuciones
chi-cuadradosuelen
ofreceraproximaciones
insatisfactorias
parala
distribucinexacta delestadstico de Durbin, incluso
enlo
que
normalmente
sera
considerado
comoBIBDsmoderadamente grande.
Introduccin
Elobjetivo
de
este
trabajoes
el
uso
dealgunosmtodos
de
computacin
(mtodo
deMonteCarloy la permutacinal azar), en las
pruebas
derangode
Durbiny
proporcionarun
programa
(S-Plus),
para
cualquierBIBDsseleccionadosmediante el uso delos
nuevos mtodos.
Notacin
t el nmero de tratamientos a probar.
k el nmero de tratamientos dentro de cada
bloque k <t.
n el nmero de bloques en un BIBD.
r el nmero de veces que cada tratamiento
aparece r <n.
el nmero de bloques en los que cada par de
tratamientos aparece.
c el nmero de repeticiones de un BIBD.
R la suma de rangos para el tratamiento j, j =
1,2,. . ., T.
Mtodo de Montecarlo
Generalmente
en
estadstica
los
modelos
aleatorios se usan para simular fenmenos que
poseen algn componente aleatorio. Pero en el
mtodo de Monte Carlo, por otro lado, el objeto de
la investigacin es el objeto en s mismo, un
suceso aleatorio o pseudo-aleatorio se usa para
estudiar el modelo.
Ejemplo 1.
Seleccin de
clasificacin:
un
plan
para
un
experimento
de
Ejemplo 1.
Se producen 10000 conjuntos de datos bajo la
hiptesis nula de tratamiento sin efecto.
Se obtiene una primera muestra de los primeros
nmeros al azar:
Ejemplo 1.
As se obtiene:
d = 11,1429 con = 0,0449
D 11,1429 y LSD = 7,211
Ejemplo 1.
Ejemplo 1.
Considerar:
Sobre la base de la aproximacin chicuadrado, no se rechaza la hiptesis
nulaen = 0,05.
Ya que :
1) La estadsticas deDurbin poseenfinito
valor mximo de(7+ 1) 3 (3-1)/ (3+ 1)
=12 en esteBIBDde acuerdo ala
ecuacin.(3)
2)
El
valorcrticodel
5%dechi-
Ejemplo 2.
Mismo plan, pero 14panelistas
Utilizando el programaS-Plus,durbinMc, se
obtiene:
D d
=12
= 0,0464
22,2857 y
LSD=10,58
Ejemplo 2.
Aleatorias
Pruebas dealeatorizacin:
Pruebas de permutacindeexperimentos
aleatorios, en los quehay una asignacin
aleatoria delas unidades experimentalesa
los tratamientos paraprobar la hiptesis nula
acerca delos efectos del tratamiento. Se
pueden
utilizartanto
para
muestras
aleatorias yno aleatorias. Muy habitualen el
laboratorio de anlisis sensorial.
Panelistas entrenadosno sonseleccionados
al azar, peroson asignados al azara
diferentes tratamientos.
declasificacin
en
Con base
todo
de enel
Permutaciones
Aleatorias
plan de diseoylos 8archivos
de datos
posibles se tiene:
Valores
estadsticos
de
Durbinson2,667,2,667,
0,2,667,2,667,
0,2.667y
2.667de acuerdo ala ecuacin.(1).
Las probabilidades delos valores estadsticos 0 y2,667son
de
0,25y
0,75
Sin embargo, el nmero deposibles configuracionespuede
ser bastante grande, inclusopara unapequeaBIBD.
Ej:
Una prueba de clasificacin en unBIBDconn =7 yk = 3, hay
3!7 =67 =279.936posibles configuracionesopatrones de
datos.
Por
lo
tanto
unas
pruebas
exactas
de
permutacin(al azar) son factiblesslo paramuy pequeas
BIBDs(generalmentek =2, n<15).
Bajo la hiptesisnula,se puede conseguir un patrn del
ranking dek!para cada panelistayunconjunto de datosBIBD.
Ejemplo 3.
10panelistas
entrenadosevalan
5productos
enuna experiencia sensorial que mide atributosen
un experimento declasificacin.
Se
selecciona
unBIBDy
un
t = 5,k = 2,r = 4, n = 10, = 1.
Los
panelistasrecibierondos
productos ylosclasifican en base ala intensidaddel
atributo
con
1 =''fuerte "y2 =''dbil, de la siguiente forma:
plan(11,2)
Ejemplo 3.
El
valor
y elvalor exacto de pes0,1172.
estadstico
de
Durbin
observado
es
de
8,0
Ejemplo 3.
Comparaciones
Tabla.4 comparacin de algunos resultados.
a -.aproximacin de Chi-cuadrado.
b -. p-valor de la Tabla 2 en Skillings y Mack (1981),.
c -.aproximado de p-valor producido por durbin Mc.
d -.exacta p-valor producido por durbin Pm (Monte Carlo)
Eficiencia = 1 p
P= probabilidad.
adecuadas
para
Consideraciones Finales
Bibliografa
1. Febrero M, Gonzlez J. Estadstica . Ingeniera Tcnica en
Informtica de Sistemas . Universidad de Santiago de
Compostela. Inferencia No Paramtrica. Pgina 105. 2008.
2. Gibbons, J. D. Non Parametric Methods for Quantitative
Analysis. U.S.A. American Sciences Press, Inc. 1997.
3. Watts, B. Mtodos sensoriales bsicos para la evaluacin
de alimentos. Captulo 6 . 6.3. Pruebas Estadsticas.
International Development Research Centre. Canada.
2004. Pginas 59 61.
4. Wittig, Emma. Evaluacin Sensorial. Una metodologa
actual para la tecnologa de alimentos. Edicin Digital.
Universidad de Chile. Ao 2001.
Fin