¿Qué es el Análisis Sensométrico?
¿Por qué es importante?
Estrategia metodológica para borrosificar los datos (Fusificación):
a) Definir la o las Variables Lingüísticas
Habitualmente, dependiendo del dominio del problema, se elige un conjunto de etiquetas o de términos lingüísticos apropiado, que se utiliza para describir el conocimiento vago o impreciso. Dado que las estimaciones lingüísticas son sólo cálculos aproximados realizados por individuos, puede considerarse que cuando nos encontramos con una escala no estructurada (Numérica), el cero indica ausencia de la variable y la diferencia entre dos valores es de magnitud conocida, las variables siguen una distribución normal y resulta más apropiado utilizar Números Borrosos Gaussianos.
b = desvió típico
Figura 2. Formulación de Función Gaussiana utilizada para definir valores de pertenencia.b) Estandarización y Fusificación de las variables
Las puntuaciones en los atributos medidas en diferentes escalas, son normalizadas con el propósito de obtener escalas comparables y poder realizar comparaciones entre atributos diversos. Para cada descriptor, se lleva a cabo una normalización lineal, es decir, se selecciona el máximo y el mínimo, el máximo se representa por un valor de uno y el mínimo un valor de cero, entonces los otros valores se ajustarían con la ecuación de la recta. La valoración otorgada y normalizada de cada individuo puede convertirse en un número borroso derivado empíricamente. Con las funciones de pertenencia (Figura 2) de la variable lingüística ya determinadas en el paso anterior, el valor estandarizado es comparado con la función de pertenencia correspondiente produciendo valores borrosos.
c) Valoración borrosa aproximada
La evaluación de la calidad sensorial de un producto se lleva a cabo mediante la agregación de los descriptores. Se calcula un valor colectivo, para cada característica, aplicando un “operador de agregación” sobre las evaluaciones fusificadas de los jueces y posteriormente un “método de desfusificación” para calcular un valor preciso (crisp). Esto es lo que en la literatura se conoce como “desfusificar” números borrosos y representa el perfil sensorial colectivo del objeto evaluado.
3. Análisis multivariado . Métodos de análisis estadísticos aplicados sobre escalas borrosas.
Para el análisis de una tabla de datos con métodos multivariados, Lebart et al. (1995) plantea realizar primero un análisis factorial según la naturaleza de los datos y luego una clasificación basada en un algoritmo mixto: clasificación jerárquica con el método de Ward y agregación alrededor de centros móviles (K-medias). Finalmente se obtiene una partición del conjunto de datos y la caracterización de cada una de las clases, según las variables activas e ilustrativas, ya sean cuantitativas o cualitativas. Para la caracterización de las clases se utilizan los valores test, que son índices descriptivos construidos siguiendo la metodología de pruebas de hipótesis, pero sin el objetivo de hacer inferencias [Césari, 2011]. En este caso la naturaleza de los datos es propia para su explotación a través del AFCS, Análisis de Correspondencias Simples. Y para su caracterización, resulta de relevancia el uso de la prueba del chi2 por celda, además del Valor de Test.
¿Algún resultado relevante hasta el momento?
Percepción sensorial visual de las muestras de vino
Percepción sensorial olfativa, de las muestras de vino
Percepción sensorial gustativa y
Percepción sensorial calidad de las muestras de vino
Indicadores.
Evaluación de 8 jueces sobre 11 muestras de vino Malbec
Los descriptores se cuantificaron con escalas continuas de 0 a 5 y escalas estructuradas de 0 (ausencia), 1(muy débil), 2 (débil), 3 (medio), 4 (fuerte) y 5 (muy fuerte).
Percepción sensorial visual. Escala Hedónica de:
- EVIn Intensidad Visual
- EVMa matiz
- EOIA Intensidad Aroma
- EONV Nota Vegetal
- EONFl Nota Floral
- EONFt Nota Frutal
- EONEs Nota Especiada
- EONB Nota Balsàmica
- EONEm Nota Empyreumatico
- EONA Nota Animal
- EONM Nota Mineral
- EGAh Alcohol
- EGAz Acidez
- EGCo Concentraciòn
- EGUn Untuosidad
- EGAg Astringencia
- EGAm Amargor
- EGPe Persistencia
Percepción sensorial calidad: puntaje final de preferencia o calidad percibida por el juez.
- PF Puntaje final Preferencia
a. Codificación de los datos sensoriales, en tabla de datos cuantitativos
Escalas continuas: las valoraciones se representaron por un número, de 0 a 5 para los descriptores sensoriales y 1 a 10 para la puntuación final de preferencia. Se creo una tabla de datos cuantitativos continuos, en fila cada muestra valorada por un juez y en columna cada descriptor medido según detalle en esquema Figura 3.
Figura 3. Tabla de datos cuantitativos continuos
b. Fusificación de los datos obteniendo números borrosos
i. Variables Lingüísticas definidas
En el caso del Puntaje de preferencia PF, se asignó las siguientes etiquetas lingüísticas (conjuntos difusos): inaceptable, disgusta, indiferente, gusta y aceptable. Se definió para estas etiquetas las funciones de pertenencia Gaussiana como se muestra en la Figura 4. Los valores sensoriales serán estandarizados a valores de 0 a 1, por lo que los parámetros a (centro de gravedad del conjunto Gaussiano) y b (desvió del conjunto) son valores reales entre [0,1].
El eje Y de la Figura 4 y 5 se refiere al grado de verdad para la cual los valores de las escalas estandarizados pertenecen a cada función de pertenencia.
Para identificar y graficar la función de pertenencia de las variables lingüísticas resulta de ayuda el uso de los gráficos XY de M. Excel y en la herramienta para desarrollo de sistemas de inferencia difusa de Matlab, FuzzyyTool.
ii. Estandarización y Fusificación de las variables
Para cada descriptor sensorial, se llevó a cabo una normalización lineal, es decir, se seleccionó el máximo y el mínimo; el máximo se representa por un valor de uno y el mínimo por un valor de cero.
Se calculó el grado de pertenencia que podría tener un dato sensorial a varias funciones de pertenencia de una variable, obteniendo números borrosos. El procedimiento se realizó para cada valoración, y consistió en aplicar la ecuación de la Figura 2, 3 y 5 para determinar el valor de pertenencia para cada conjunto borroso.
En la Figura 6, se muestran los números borrosos para las escalas sensoriales del examen visual de las copas Junín 1 y Junín 2.
iii. Agregación de las valoraciones borrosas de los 12 jueces
El valor colectivo de los 12 jueces para una característica y una copa dada se obtuvo mediante el método del Centro de Gravedad o Centroide (agregación y desfusificación), cuyos resultados se sintetizan el la Figura 7. Se calculó la cardinalidad del conjunto difuso como la suma de los valores de pertenencia de cada valoración, cada una se divide por el desvío de cada conjunto (parámetro b), finalmente para obtener el valor agregado se utilizó la siguiente ecuación:
k = número de conjuntos difusos
ai= centro de gravedad de cada conjunto
Además se estableció la media aritmética y se observó que el método de agregación produce un ajuste en la obtención del valor colectivo (corrección de la imprecisión) mas representativo de la realidad y y menos influenciado por valoraciones extremas.
c. El análisis multivariado de datosPara la puesta en práctica de la estrategia combinada de análisis factorial y métodos de clasificación se utilizó el software de libre distribución para uso académico DTM. Minería de Datos y Textos, que trata la estadística exploratoria multidimensional de datos complejos, incluyendo datos numéricos y textuales [Lebart, 2007]; y el módulo de análisis sensorial del software comercial Xlstat.
El Análisis de Correspondencias Simples o “Binarias” (AFCS), estudia las distribuciones de valores de pertenencia en fila y columnas de una tabla de contingencia, en este caso números borrosos. La clasificación sobre los factores y su posterior caracterización permitió describir las distintas copas tanto con los conjuntos difusos como con las escalas sensoriales originales. En la Figura 8 se observan los resultados mas significativos estadísticamente (a de 0.05 y 0.01), destacando dos grandes grupos de copas, muy diferenciadas, como Junin 1, Lavalle y Santa Rosa menos preferido y con un perfil sensorial de menos calidad que las copas de La Consulta Angulo y Altamira, mas preferidos y con un perfil optimo de calidad sensorial.
A partir de la tabla con las valoraciones colectivas por copa, obtenidas de la agregación utilizamos un gráfico XY Difuso para representar el número borroso para cada descriptor, en la Figura 9 vemos representada la variable lingüística del la intensidad y matiz visual, correspondiente al examen visual de las copas. Según los enólogos, un perfil de calidad visual para vinos sin defectos ideal sería una baja intensidad en el matiz y una alta intensidad visual, es por esto que las copas están representadas en los conjuntos débil a fuerte para intensidad visual y en los conjuntos ausencia a débil para el matiz.
Para estudiar simultáneamente el perfil sensorial a partir de los números borrosos, se realizaron AFCS para el examen visual (Figura 10), examen olfativo y examen gustativo, respectivamente.
En la Figura 10, podemos ver los resultados significativos estadísticamente (a=0.05) en relación al perfil sensorial borroso del examen visual. Las copas de las bodegas de Lavalle, Junín 1 y Santa Rosa están altamente asociadas a una débil intensidad y matiz visual. En el caso de Tupungato 1 y Altamira, el perfil de estas copas muestra ausencia de matiz y alta y fuerte intensidad visual (muy buena calidad). La Consulta Horacio, Aníbal Agrelo y Drummond se caracterizan por muy débil matiz. En el caso de Junín 2 se destaca el matiz débil e intensidad visual media. Finalmente La Consulta Angulo (punto más pequeño, porque está asociado a diversos conjuntos) se describe por muy débil matiz y alto y fuerte intensidad visual.
¿Alguna conclusión hasta el momento?
Referencias bibliográficas· Berenice Colmenares (2009), Aplicación de métodos factoriales en los análisis sensoriales: caso de ocho vinos catalanes. Tesis Máster en Estadística e Investigación Operativa. Universidad Politécnica de Cataluña
· Catania Carlos y Avagnina Silvia -2010-La Interpretación Sensorial del Vino. Editorial Caviar Bleu I.S.B.N 9789872372538
· Césari Matilde y Césari Ricardo (2012), Material pedagógico de curso de postgrado de la Maestría en Ingeniería Ambienta de la Facultad de Ingeniería – UNCuyo, Mendoza, Argentina.
· Césari Ricardo y Césari Matilde-2011-El Análisis Multivariante en la Caracterización de Cluster. Encuentro de Investigadores y Docentes de Ingeniería (EnIDI2011) mayo 2011, Los Reyunos, San Rafael, Mendoza
· Espinilla, Martínez, Pérez, y Liu,. -2008-Modelo de Evaluación Sensorial con Información Lingüística Multigranular para el Aceite de Oliva. ESTYLF08, Cuencas Mineras (Mieres Langreo)
· Jackson, Ronald, 2002-Análisis sensorial de vinos, Manual para profesionales (evaluación cuantitativa del vino página 187), 330 páginas, Editorial Acribia,
· Lebart, Morineau, Piron. -1995-Statisitique exploratoire multidimensionnelle, Dunod, Paris
· Martínez, L. -2007-Sensory evaluation based on linguistic decision analysis. International Journal of Aproximated Reasoning, 44(2):148–164
· Meilgaard M., Civille G., and Carr B. -1999-Sensory evaluation techniques . CRC Press, Florida,USA
· Elizabeth H. Alarcón (2012). La Evaluación Sensorial como una Medición de Calidad http://avibert.blogspot.com/2012/03/la-evaluacion-sensorial-como-una.html
· Lozano, M. c. y Fuentes, F. (2003). Tratamiento borroso del intangible en la valoración de empresas de Internet. extraído el 1 de Junio de 2008 desde http://www.eumed.net/cursecon/libreria/
· Picallo, A. -2002-El análisis sensorial como herramienta de calidad carne y productos cárnicos de cerdo. Jornadas Regionales de Actualización en el Sector Lácteo y Porcino. Tandil, Argentina
· Calí, M.J. -2002-Análisis sensorial de los alimentos. Fruticultura & Diversificación INTA. EEA Alto Valle (48). http://www.inta.gov.ar/altovalle/info/biblo/rompecabezas/pdfs/fyd48_entrev.pdf
____________________________________
[1] Incertidumbre ambigua: Ocurre cuando no tenemos seguridad en la aparición de un cierto fenómeno o resultado de un cierto experimento.
Incertidumbre imprecisa. El valor de una variable se encuentra en un conjunto de valores pero no se puede precisar cual es. Por ejemplo: “Juan tiene entre 20 y 25 años".
Incertidumbre vaga. El conjunto que se especifica no esta bien definido. Por ejemplo:”Juan es joven".
PÓSTER DE DIFUSIÓN
No hay comentarios:
Publicar un comentario