Universidad de Santiago de Chile

Facultad Tecnolgica
Dpto. de Ciencias y Tecnologas de los
Alimentos
Ingeniera de Alimentos
Desarrollo de Productos

Anlisis del paper: Computerintensive methods for sensory

data analysis, exemplified by
Durbins rank test
Jian Bi . Sensometrics. Food Quality and Preference 20 (2009)

Alumna
s:

Profeso
r:

Natalia Acevedo
Mara Ins
Bustamante
Sandra Uribe
Elena Cavieres
Rebolledo

Objetivos del Anlisis

General:

Estudiar y analizar un paper donde se aplique

un mtodo estadstico a un anlisis sensorial
de un producto alimentario.

Especficos:

Hacer una revisin de los mtodos estadsticos

en general, efectuar comparaciones y estudiar
sus aplicaciones en el anlisis sensorial de
alimentos.
Estudiar las ventajas de la aplicacin
computacional del mtodo estadstico central
del paper.

(1)

Los Mtodos Estadsticos

Qu son?
- Secuencia de procedimientos para el
manejo de los datos cualitativos y
cuantitativos de la investigacin.
Cul es su propsito?
- Dicho manejo de datos tiene por
propsito la comprobacin, en una
parte de la realidad, de una o varias
consecuencias verificables deducidas de
la hiptesis general de la investigacin.

Los Mtodos Estadsticos

Las caractersticas que adoptan
los
procedimientos
propios
del
mtodo estadstico dependen del
diseo de investigacin seleccionado
para la comprobacin de la
consecuencia verificable en cuestin.

Los Mtodos Estadsticos

Aplicaciones
Alimentaria
-

en

la

Industria
(3)

Desarrollo de un nuevo producto

Mejora de un producto ya existente
Mejora del proceso de produccin
Reduccin de costos
Seleccin de nuevos proveedores
Mantenimiento de la calidad
Comprobacin de la estabilidad de un stock
Estudio de preferencias del consumidor
Anlisis sensorial de un alimento
Entre otras

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

Los anlisis estadsticos que se aplican a

cada uno de los mtodos son entre otros:
Representacin grfica
Distribucin
binomial
Anlisis de varianza, ANOVA
Anlisis
secuencial
Anlisis multivariado
Anlisis de

Paper a analizar:
Journal Food Quality and Preference 20 (2009) 195202

Computer-intensive methods for

sensory data analysis, exemplified by
Durbins rank test
Jian Bi Sensometrics Research and Service, 9212
Groomfield Road, Richmond, Virginia 23236.
Article history:
Received 14 April 2008 - Received in revised form 14 September 2008
Accepted 26 September 2008 - Available online 8 October 2008

Resumen

En el diseo de anlisis deexperimentos, la

prueba de Friedmanes la prueba ms comn no
paramtricaparadeterminar los diseos de
bloque. La prueba de Durbines una prueba no
paramtrica para los diseos de bloques
incompletos equilibrados (BIBDs) y es una
extensinde la prueba de rangosde Friedman en
el caso de un diseo de bloque completo. Esta
prueba tiene amplias aplicaciones en el anlisis
sensorial.

Este documento analiza algunos de los mtodos

como el de Montecarlo y la permutacin de
prueba (al azar), parala prueba de rangosde
Durbin. Y se
desarrollo el programa SPlusparalos
procedimientosy
esta
disponiblesbajo peticin.

Introduccin

La pruebade Durbin tieneamplias aplicaciones

enel anlisis sensorial.Cuandoun gran nmero
demuestrasse presenta a cadamiembro del
juradopara
la
clasificacin,pueden
existir
resultados inexactos debido a la fatigasensorialo a
la tendencia de los panelistas a centrar su atencin
a las muestras con la mayor o menos intensidad.

Teniendo en cuenta laspruebas de sabory

clasificacinde
vinos
y
licores,
expertos
catadorestiene cada vez ms dificultadespara
evaluar
los
tratamientosde
una
manera
significativacon el aumento del nmero de ensayos
realizados
(parlisis
paladar,o
simplementeparlisis, a veces se utilizapara
describirlos
fenmenos
asociadosen
estos
estudios,con
tamaos
de
bloqueque
son
demasiado grandes).Enuna situacinconun gran

Introduccin

En un BIBDs, tan slo tratamientosk(k<t)dentro de

cada bloque(panelista) son evaluados.

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.

SkillingsyMack(1981) desarrollaron unatabla de

valores crticos correspondienteal 10%de pruebas
de grado Durbin. En los dems casoslos valores
crticosy las probabilidades correspondientes fueron
simulados por computadora.

Introduccin

SkillingsyMack llegaron a la conclusinde que ''no

hayestudio de una distribucinque considere la
totalidad de los valores para BIBDs, sinla inclusin
delas simulaciones por ordenadorpara aproximar la
distribucinexacta
para
eltamao
de
las
muestrasque seutilizan en la prctica" y elintento
de calcularuna tabla completade valores crticos
paratodos losBIBDsserapoco prctico.

Esta prueba tieneamplias aplicaciones enel anlisis

sensorial.Sin embargo, noes ampliamente conocida
enla comunidadsensorial ya que la distribucin de
chi-cuadrados no proporcionauna aproximacin
satisfactoriaa laprueba de rangosde Durbinpara
BIBDspequeas. Por lo tanto este documentollama
la atencin sobre este problema.

El fcil accesoa las computadorasha creado una

revolucinen el anlisis estadstico de datos.Los

Objetivos de los autores

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

El Mtodo de Monte Carlo da solucin a una gran

variedad de problemas matemticos haciendo
experimentos con muestreos estadsticos en una
computadora. El mtodo es aplicable a cualquier
tipo de problema, ya sea estocstico o
determinstico.

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.

A veces la aplicacin del mtodo de Monte Carlo se

usa para analizar problemas que no tienen un

Ejemplo 1.
Seleccin de
clasificacin:

un

plan

para

un

experimento

de

7 panelistas evaluaron un atributo sensorial en 7

productos
Cada panelista recibi 3 productos y los clasific en
base a la intensidad del atributo siendo: 1 =''ms "y
3=''Lo menos".

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:

Las categoras de cada panelista pueden ser

obtenidas a partir de los nmeros al azar.

Ejemplo 1.

El valor estadstico de Durbin es calculado a partir

del conjunto de datos segn la Ecuacin (1).

El nivel de significancia especificado es de = 0.05,

usando el programa S-Plus, DurbinMc.

As se obtiene:
d = 11,1429 con = 0,0449
D 11,1429 y LSD = 7,211

Se rechaza la hiptesis nula, = 0,05

La misma conclusin es hecha basada en el valor de

p = 0,0449 < 0,05.

Ejemplo 1.

** Los resultados no son los nicos utilizando el mtodo de

Montecarlo. Se aconseja ejecutar el programa dos veces o
ms para obtener una gama de los valores de p.
** Con una gran cantidad de simulaciones, las diferencias son
pequeas. Las leves diferencias no suelen afectar a la
conclusin.

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

Se rechaza la hiptesis nula aun nivel de

significacin
= 0,05.

Ejemplo 2.

** Usando la aproximacin de chi-cuadrado el

valor
de
p
del
valor estadsticoobservado22,2857es 0.0011
con 7- 1 =6 grados de libertad.
.

prueba estadstica tan grande o pequea

comoel
valor
resultadosde
la
Mtodo
de delos
Permutaciones
investigacin.

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.

todo de Permutaciones Aleatorias

Por ejemplo, parauna prueba
unaBIBD,el plan de diseoes:

declasificacin

en

Con t=3, n=3(panelistas) y k=2, r=2, = 1

Recibiendo los pares de la siguiente manera
Hayun
total
de
2!3
=
8
posibles
configuracionesopatrones de datos(conjuntos de
referencia)para los 3
panelistasde la siguiente
manera.

 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.

Los datos se presentanen la Tabla 3.Se seleccion un error

de tipo I =0,1
Hay un total 210 = 1024patrones derespuestas posiblespara el panel.
El valor crtico,p-valory el LSDse pueden calcular en base alaestadstica delos valores de1024mediante el uso del progama SPlus,durbinPm.

El
valor
y elvalor exacto de pes0,1172.

estadstico

de

No hubo diferencia significativaentre los tratamientosen un= 0,1

Ladistribucin exacta de estadstica de Durbinse presentaen la figura.3.

Durbin

observado

es

de

8,0

Ejemplo 3.

El valor p estadstico observado del valor 8,0

es 0,0916para una distribucin dechi-cuadrado
con5-1
=4
grados
de
libertad.

Sin embargo,la aproximacinchi-cuadrado

no es confiabledebido a que elvalor exacto de
p(0.1172)sugiere queun insignificante diferenciaa
una determinado nivel de=0.1.

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)

Confirmacin de que los resultados son los mismos o muy semejantes.

Eficiencia del Test de Durbin

en un BIBD
Recomiendan comprobar la eficacia de la prueba de Durbin en la eleccin
de un BIBD antes de realizar el experimento, y proponen:
Siendo:

Eficiencia = 1 p
P= probabilidad.

Plan de11.2 es 1-0,1172 = 0,8828 con el mximo de Durbin de

8.0. Esto significa que el uso de Durbin ocasiona que en la prueba de
rangos en este plan, no se pueda encontrar una diferencia
significativa en el nivel de tratamientos a un menor de 0,1172. En
otras palabras, si se selecciona, por ejemplo, = 0,05, no debemos
utilizar este plan, porque no es lo suficientemente eficaz .

La eficacia del Plan de 11.7 en el ejemplo 1, es 1-0,0196 = 0,98 con el

mximo valor de Durbin de 12. Lo que significa que el uso de este plan,
no puede encontrar un tratamiento significativo con una diferencia a
nivel de un menor a 0,02.

Conclusin de los autores

Las aproximaciones de chi-cuadrado no son

pruebas rangos de Durbin con BIBDs pequeos.

Se sugiere que en la prueba permutacin exacta (al azar) se debe

utilizar para k = 2 y n <15. En las otras situaciones, es preferible
utilizar la prueba de Monte Carlo. Teniendo en cuenta que la Prueba
el Monte Carlo con el programa de Durbin (Mc) pueden ser utilizado
para cualquier BIBD.

El documento tambin sugiere un enfoque para comprobar la

eficacia de un plan de BIBD. Un plan de BIBD deben ser
seleccionados cuidadosamente antes de un experimento. El plan
debe ser lo suficientemente eficaz (eficiencia ~ 1).

adecuadas

para

Consideraciones Finales

ElBIBDse puede aplicara los anlisis de

datossensoriales, en particular paralos anlisis de
laboratoriosensorial, debido a que los tamaos de
las rangos (muestras) son pequeosyadems son
al azar, estos diseos sonde uso comn.

El mtodo de Durbin sirve para contrastar la

hiptesis de incorrelacin entre perturbaciones
aleatorias frente a la presencia de autocorrelacin.
La distribucin del muestreo de la prueba y su
contraste depende del numero de observaciones,
del numero de parmetros, de la inclusin o no del
intercepto y de la incorporacin de variables
rezagadas en el modelo, adems del nivel de
significancia.

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