Bai tp v hedochoc sensochoc IUH

Với mô hình phân tích mới aovCocoaF~Panelist+Product+Session+Panelist:Product,kết quả cho thấy có sự khác biệt về tính chất CocoaF giữa các loại chocolate, giữa 2 lần thử và có sự khác b

VIỆN CÔNG NGHỆ SINH HỌC THỰC PHẨM - IUH

MỤC LỤC

1 Giới thiệu về số liệu và định dạng của số liệu 4

Giới thiệu 4

Định dạng 4

2 Phân tích mô tả số liệu 4

2.1 Dữ liệu hedochoc 4

2.2 Dữ liệu sensochoc 5

2.3 Dữ liệu sensopanels 6

3 Đối với số liệu hedochoc 7

3.1 Biểu đồ cột thể hiện thị hiếu của người tiêu dùng đối với các sản phẩm chocolates 7

3.2 Phân tích phương sai về sự sai khác mức độ ưa thích của người tiêu dùng đối với các sản phẩm 7

4 Đối với số liệu về sensochoc 8

4.1 Phân tích sự khác nhau trên từng tính chất đối với hội đồng mô tả Vẽ biểu đồ boxplot để hỗ trợ quá trình phân tích 8

4.1.1 CocoaA 8

4.1.2 MilkA 9

4.1.3 CocoaF 10

4.1.4 MilkF 11

4.1.5 Caramel 12

4.1.6 Vanilla 13

4.1.7 Sweetness 14

4.1.8 Acidity 15

4.1.9 Bitterness 16

4.1.14 Granular 21

4.2 Đánh giá sự đồng thuận của thành viên hội đồng 21

4.2.1 Lần thử thứ nhất:(session=1) 21

4.2.2 Lần thử thứ hai:(session=2) 22

4.3 Vẽ biểu đồ radar mô tả tính chất của các sản phẩm 23

Phụ lục 24

1 Giới thiệu về số liệu và định dạng của số liệu

Giới thiệu

Dữ liệu sử dụng ở đây là kết quả của cuộc khảo sát về 6 loại chocolates được bán ở Pháp

- Mô tả cảm quan: mỗi loại chocolate được đánh giá 2 lần về 14 tính chất cảm quan bởi 29chuyên gia

- Dữ liệu khảo sát thị hiếu khách hàng: mỗi loại chocolate được đánh giá dựa trên thang đo

từ 0 (thích) đến 10 (không thích) bởi 222 người tiêu dùng

- Các hội đồng đánh giá cảm quan: mỗi loại chocolate được đánh giá về 14 tính chất cảmquan bởi 7 hội đồng

Định dạng

- Hedochoc: dữ liệu gồm 6 hàng và 222 cột, mỗi hàng tương ứng với một loại chocolate vàmỗi cột tương ứng với điểm thị hiếu của 1 trong 222 người tiêu dùng tham gia cuộc khảosát

- Sensochoc: dữ liệu gồm 348 hàng và 19 cột: 5 biến định tính (Panelist, Session, Form,Rank, Product) và 14 tính chất cảm quan

- Sensopanels: dữ liệu gồm 6 hàng và 98 cột, mỗi hàng tương ứng với một loại chocolate

và mỗi cột tương ứng với mức đánh giá trung bình của các chuyên gia trong mỗi hội đồngđánh giá về mỗi tính chất cảm quan

- Phân tích một số biến

2.2 Dữ liệu sensochoc

- Các biến định tính: Panelist, Session, Rank, Product

- Các biến định lượng: CocoaA, MilkA, CocoaF, MilkF, Caramel, Vanilla, Sweetness,Acidity, Bitterness, Astringency, Crunchy, Melting, Sticky, Gramular

- Phân tích các biến

2.3 Dữ liệu sensopanels

- Các biến trong sensopanels đều là biến định lượng

- Phân tích một số biến

3 Đối với số liệu hedochoc

3.1 Biểu đồ cột thể hiện thị hiếu của người tiêu dùng đối với các sản phẩm chocolates

Preference mapping of Chocolates

thì không khác biệt nhiều Mức độ dao động của điểm đánh giá về mỗi loại chocolate (thểhiện qua độ lệch chuẩn) cũng không mấy khác biệt.

4 Đối với số liệu về sensochoc

4.1 Phân tích sự khác nhau trên từng tính chất đối với hội đồng mô tả Vẽ biểu đồ boxplot để hỗ trợ quá trình phân tích

vậy có thể nói tính chất CocoaA đặc trưng cho từng loại chocolate, nhờ đó người tiêu dùng

dễ dàng lựa chọn loại chocolate yêu thích với vị CocoaA nổi bật nhất

sự khác biệt về tính chất MilkA giữa các loại chocolate (p<0.05) và sự khác biệt về đánhgiá của các thành viên trong hội đồng mô tả (p<0.05) Tuy nhiên, phân tích TukeyHSD lạicho thấy khi đánh giá tính chất MilkA, chỉ có một vài ý kiến khác biệt, phần lớn đều cùng

ý kiến với nhau Vì vậy có thể nói tính chất MilkA đặc trưng cho từng loại chocolate, nhờ

đó người tiêu dùng dễ dàng lựa chọn loại chocolate yêu thích với vị MilkA nổi bật nhất

Với mô hình phân tích mới aov(CocoaF~Panelist+Product+Session+Panelist:Product),

kết quả cho thấy có sự khác biệt về tính chất CocoaF giữa các loại chocolate, giữa 2 lần thử

và có sự khác biệt về đánh giá của các thành viên trong hội đồng mô tả Bên cạnh đó yếu tốtương tác giữa Panelist (thành viên) và Product (loại chocolate) cũng gây ảnh hưởng mộtphần, khiến ta phải đặt câu hỏi liệu rằng các thành viên của hội đồng khác đánh giá sẽ chokết quả khác? Kết hợp các kết quả trên có thể nói tính chất CocoaF không hẳn đặc trưngcho từng loại chocolate có trong khảo sát

Theo kết quả phân tích, ảnh hưởng tương tác giữa Panelist và Product, Panelist và Session

có ý nghĩa thống kê (p<0.05), còn tương tác giữa Session và Product thì không có ý nghĩathống kê (p>0.05)

Với mô hình phân tích mới aov(MilkF~Panelist+Session+Product+Panelist:Session+

Panelist:Product), kết quả phân tích cho thấy có sự khác biệt về tính chất MilkF giữa các

loại chocolate, giữa 2 lần thử và có sự khác biệt về đánh giá của các thành viên trong hộiđồng mô tả Yếu tố tương tác giữa Panelist và Product, Panelist và Session cũng ảnh hưởngmột phần đến kết quả, thành viên của hội đồng khác đánh giá có thể cho kết quả khác Vìvậy có thể nói tính chất MilkF không hẳn đặc trưng cho từng loại chocolate

Theo kết quả phân tích, ảnh hưởng tương tác giữa Panelist và Product, Panelist và Session

có ý nghĩa thống kê (p<0.05), còn tương tác giữa Session và Product thì không có ý nghĩathống kê (p>0.05)

Với mô hình phân tích mới aov(Caramel~Panelist+Product+Panelist:Session+

Panelist:Product), kết quả phân tích cho thấy có sự khác biệt về vị Caramel giữa các loại

chocolate và sự khác biệt về đánh giá của các thành viên trong hội đồng mô tả Yếu tốtương tác giữa Panelist và Product, Panelist và Session cũng ảnh hưởng một phần đến kếtquả, thành viên của hội đồng khác đánh giá có thể cho kết quả khác Vì vậy có thể nói vịCaramel không hẳn đặc trưng cho từng loại chocolate

Theo kết quả phân tích, ảnh hưởng tương tác giữa Panelist và Product, Panelist và Session

có ý nghĩa thống kê (p<0.05), còn tương tác giữa Session và Product thì không có ý nghĩathống kê (p>0.05)

Với mô hình phân tích mới aov(Vanilla~Panelist+Product+Panelist:Session+

Panelist:Product), kết quả phân tích cho thấy có sự khác biệt về vị Vanilla giữa các loại

chocolate và sự khác biệt về đánh giá của các thành viên trong hội đồng mô tả Yếu tốtương tác giữa Panelist và Product, Panelist và Session cũng ảnh hưởng một phần đến kếtquả, thành viên của hội đồng khác đánh giá có thể cho kết quả khác Vì vậy có thể nói vịVanilla không hẳn đặc trưng cho từng loại chocolate

Với mô hình phân tích mới aov(Sweetness~Panelist+Session+Product+Panelist:Session),

kết quả phân tích cho thấy có sự khác biệt về tính chất Sweetness (độ ngọt) giữa các loạichocolate, giữa 2 lần thử và có sự khác biệt về đánh giá của các thành viên trong hội đồng

mô tả Yếu tố tương tác giữa Panelist (thành viên) và Session (lần thử) cũng ảnh hưởng đếnkết quả Vị ngọt của chocolate ở 2 lần thử được đánh giá là có sự khác biệt, xảy ra điều này

có thể là do cảm quan của người đánh giá về độ ngọt không được chính xác, cũng có thể là

do quá trình tạo vị ngọt của chocolate không được đồng đều

Theo kết quả phân tích, ảnh hưởng tương tác giữa Panelist và Product, Panelist và Session

có ý nghĩa thống kê (p<0.05), còn tương tác giữa Session và Product thì không có ý nghĩathống kê (p>0.05)

Với mô hình phân tích mới aov(Acidity~Panelist+Product+Panelist:Session+

Panelist:Product), kết quả phân tích cho thấy có sự khác biệt về tính chất Acidity (độ

chua) giữa các loại chocolate và sự khác biệt về đánh giá của các thành viên trong hội đồng

mô tả Yếu tố tương tác giữa Panelist và Product, Panelist và Session cũng ảnh hưởng mộtphần đến kết quả, thành viên của hội đồng khác đánh giá có thể cho kết quả khác

Với mô hình phân tích mới aov(Bitterness~Panelist+Session+Product+Panelist:Product)

thì kết quả lại cho thấy ảnh hưởng tương tác giữa Panelist và Product cũng không có ýnghĩa thống kê

Sang đến mô hình phân tích tiếp theo aov(Bitterness~Panelist+Session+Product), kết quả

phân tích cho thấy có sự khác biệt về tính chất Bitterness (độ đắng) giữa các loại chocolate,giữa 2 lần thử và có sự khác biệt về đánh giá của các thành viên trong hội đồng mô tả Cóthể nói quá trình tạo tính chất Bitterness (độ đắng) cho chocolate không được đồng đều,dẫn đến kết quả đánh giá ở 2 lần thử khác nhau

4.1.11 Crunchy

Theo kết quả phân tích, ảnh hưởng tương tác giữa Panelist và Product, Panelist và Session

có ý nghĩa thống kê (p<0.05), còn tương tác giữa Session và Product thì không có ý nghĩathống kê (p>0.05)

Với mô hình phân tích mới aov(Crunchy~Panelist+Session+Product+Panelist:Session+

Panelist:Product), kết quả phân tích cho thấy có sự khác biệt về tính chất Crunchy (Độ

giòn) giữa các loại chocolate, giữa 2 lần thử và có sự khác biệt về đánh giá của các thànhviên trong hội đồng mô tả Yếu tố tương tác giữa Panelist và Product, Panelist và Sessioncũng ảnh hưởng một phần đến kết quả, thành viên của hội đồng khác đánh giá có thể chokết quả khác

Với mô hình phân tích mới aov(Melting~Panelist+Session+Product+Panelist:Product),

kết quả phân tích cho thấy sự tác động của Session cũng không có ý nghĩa thống kê(p>0.05)

Sang mô hình phân tích aov(Melting~Panelist+Product+Panelist:Product), kết quả phân

tích cho thấy có sự khác biệt về tính chất Melting (độ tan chảy) giữa các loại chocolate và

sự khác biệt về đánh giá của các thành viên trong hội đồng mô tả Yếu tố tương tác giữaPanelist và Product cũng ảnh hưởng một phần đến kết quả, các thành viên của hội đồngkhác đánh giá có thể cho kết quả khác

Theo kết quả phân tích, ảnh hưởng tương tác giữa Panelist và Session, Product và Session

có ý nghĩa thống kê (p<0.05), còn tương tác giữa Panelist và Product thì không có ý nghĩathống kê (p>0.05)

Với mô hình phân tích mới aov(Sticky~Panelist+Product+Panelist:Session+

Session:Product), kết quả phân tích cho thấy tương tác giữa Panelist và Session cũng

không có ý nghĩa thống kê

Sang mô hình kế tiếp aov(Sticky~Panelist+Product+Session:Product), kết quả phân tích

cho thấy có sự khác biệt về tính chất Sticky (độ dính) giữa các loại chocolate và sự khácbiệt về đánh giá của các thành viên trong hội đồng mô tả Yếu tố tương tác giữa Product vàSession cũng ảnh hưởng một phần đến kết quả Phân tích TukeyHSD cho thấy sự khác biệt

về độ dính giữa các loại chocolate không lớn, ảnh hưởng của yếu tố tương tác cũng khônglớn nhưng nhận được nhiều đánh giá khác biệt từ hội đồng mô tả Do đó có thể độ dính tạo

Với mô hình phân tích mới aov(Granular~Panelist+Product+Panelist:Product), kết quả

phân tích cho thấy có sự khác biệt về tính chất Granular giữa các loại chocolate và sự khác biệt về đánh giá của các thành viên trong hội đồng mô tả Yếu tố tương tác giữa Panelist vàProduct cũng ảnh hưởng một phần đến kết quả, các thành viên của hội đồng khác đánh giá

Theo kết quả phân tích, ta thấy p-value=1 > α=0.05 nên trong lần thứ nhất kiểm định có sự

đồng thuận về xếp hạng giữa các loại chocolate

4.2.2 Lần thử thứ hai:(session=2)

Đánh giá sự đồng thuận của hội đồng về vị trí xếp hạng:

Bảng tổng kết: xếp hạng các loại chocolates theo hội đồng đánh giá.

Theo kết quả phân tích, ta thấy p-value=1 > α=0.05 nên trong lần thứ hai kiểm định có sự

đồng thuận về xếp hạng giữa các loại chocolate

Kết luận: Có sự đồng thuận của thành viên hội đồng về xếp hạng giữa các loại chocolate

4.3 Vẽ biểu đồ radar mô tả tính chất của các sản phẩm

MilkF

Caramel

Vanilla Sweetness Acidity

Bitterness Astringency Crunchy

Melting

Sticky Granular

0 5

10

choc1 choc2 choc3 choc4 choc5 choc6

> summary(t1)

>t11=aov(CocoaA~Panelist+Product)

> summary(t11)

> TukeyHSD(t11)

# MilkA

>t2=aov(MilkA~Panelist+Session+Product+Panelist:Session+Panelist:Product+Session:Product)

> summary(t3)

> t31=aov(CocoaF~Panelist+Product+Session+Panelist:Product)

> summary(t31)

> summary(t5)

> t51=aov(Caramel~Panelist+Product+Panelist:Session+Panelist:Product)

# Vanilla

>t6=aov(Vanilla~Panelist+Session+Product+Panelist:Session+Panelist:Product+Session:Product)

> summary(t7)

> t71=aov(Sweetness~Panelist+Session+Product+Panelist:Session)

> summary(t71)

# Acidity

>t8=aov(Acidity~Panelist+Session+Product+Panelist:Session+Panelist:Product+Session:Product)

> summary(t9)

> summary(t10)

> summary(t101)

> TukeyHSD(t101)

# Crunchy

>t11=aov(Crunchy~Panelist+Session+Product+Panelist:Session+Panelist:Product+Session:Product)

> summary(t12)

> summary(t14)

> t141=aov(Granular~Panelist+Product+Panelist:Product)

> summary(t141)

> lan1=matrix(x1,6,6)

>dimnames(lan1)=list(c("choc1","choc2","choc3","choc4","choc5","choc6"),c("hang1","hang2","hang3","hang4","hang5","hang6"))

> chisq.test(lan1)

> x2=c(5,5,5,4,6,4,5,3,6,5,4,6,5,5,5,5,5,4,4,6,4,5,6,4,6,4,4,5,4,6,4,6,5,5,4,5)

> lan2=matrix(x2,6,6)

>dimnames(lan2)=list(c("choc1","choc2","choc3","choc4","choc5","choc6"),c("hang1","hang2","hang3","hang4","hang5","hang6"))

> chisq.test(lan2)