ACTIVIDAD DE AGUA EN PROTEINA DE

TARWI





CURSO: Anlisis Sensorial de los Alimentos.
PROFESOR: Ing. Carlos Alberto Suca Apaza
ALUMNOS: Leiton Palacios, El Bryan


Lima, Per 15 de Junio del 2014

UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 1


CONTENIDO
I. INTRODUCCION ................................................................................................................. 2
II. OBJETIVOS ........................................................................................................................ 2
III. MATERIALES Y METODOS .................................................................................................. 2
IV. RESULTADOS ..................................................................................................................... 3
V. DISCUSION DE RESULTADOS .............................................................................................. 4
VI. CONCLUSIONES ................................................................................................................. 4
VII. ANEXO .............................................................................................................................. 5
















UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 2
I. INTRODUCCION

En la presente prctica se realiz un anlisis estadstico de la puntuacin obtenida por diez
muestras preparadas en distintas proporciones con tres componentes. Los componentes fueron
camu camu, maca y te verde; jugando con diez combinaciones distintas.
Siendo de gran importancia para nuestra carrera, ya que nos brinda la facilidad de abarcar la
totalidad de mezlas en diez proporciones distintas. De este modo optimizar las mezclas basndose
en dos variables de respuesta (sabor y color), obteniendo como resultado porcentajes adecuados
de cada componente para obtener un mximo puntaje.
II. OBJETIVOS

Determinar las proporciones de cada componente para la preparacin de las mezclas a
evaluar.
Determinar la mezcla optima.
Analizar los grficos comportamiento de las distintas mezclas de componentes.
III. MATERIALES Y METODOS

MATERIALES
Vasos descartables.
Muestras de los componentes puras y diluidas.
Cartilla de evaluacin.
Software statgraphics.

PROCEDIMIENTO
Se cre un diseo nuevo en la opcin de procedimientos DOE heredados, la clase del diseo fue
mezcla, numero de variables 3 (camu camu, maca y te verde), variables de respuesta 2 (sabor y
color); cada componente (variable) tiene una composicin mnima de 0 y mxima de 100; opcin
de cubico especial y simplex ltice.
Una vez que se obtuvo las proporciones de las mezclas, se prepar las muestras con las
proporciones indicadas y se evaluaron con puntajes de 1 al 10.
Se insert los puntajes promedio de las evaluaciones y se analizo el diseo creado en la opcin de
procedimientos DOE heredados, analizando las variables de respuesta independientemente (sabor
y color).
UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 3
IV. RESULTADOS

TABLA 1.RESULTADO DE PROPORCION DE LAS MEZCLAS Y PUNTIACION PROMEDIO.
MUESTRA
MEZCLA PUNTAJE PROMEDIO
camu camu maca te verde sabor color
1 100 0 0 4 5.5
2 66.6667 33.3333 0 4 6
3 66.6667 0 33.3333 5.5 5.3
4 33.3333 66.6667 0 4.3 6.1
5 33.3333 33.3333 33.3333 5.1 5.6
6 33.3333 0 66.6667 5.8 6
7 0 100 0 3.9 6.2
8 0 66.6667 33.3333 5.2 6.2
9 0 33.3333 66.6667 5.7 4.3
10 0 0 100 4.3 3.9

TABLA 2. MEZCLA PTIMA PARA MAXIMIZAR SABOR.

Valor ptimo = 5.84496

Factor Bajo Alto ptimo
camu camu 0.0 100.0 46.6085
maca 0.0 100.0 5.36149E-8
te verde 0.0 100.0 53.3915

TABLA 3. MEZCLA PTIMA PARA MAXIMIZAR ACEPTACION DE COLOR.
Valor ptimo = 6.34286

Factor Bajo Alto ptimo
camu camu 0.0 100.0 0.0
maca 0.0 100.0 100.0
te verde 0.0 100.0 0.0



UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 4
V. DISCUSION DE RESULTADOS
Segn la optimizacin para maximizar el sabor y el color, existe una contradiccin.
Ya que un color ptimo se obtuvo con un 100% de maca, mientras que para la
optimizacin de sabor recomienda el empleo de una mnima cantidad de este o su
eliminacin de la mezcla.
Para poder obtener mejores valores de optimizacin, se recomienda un mtodo de
anlisis que relacione las 2 variables; dando valores de optimizacin para sabor y color al
mismo tiempo.
Otro posible factor para esta contradiccin pudo ser la cantidad de evaluaciones, ya que
se cont con la participacin de 10 panelistas. Para minimizar los errores de anlisis se
puede repetir las evaluaciones con un mayor numero de evaluadores.

VI. CONCLUSIONES

Se obtuvo las proporciones de cada componente para 10 muestras (mostradas en la Taba
1), cubriendo todo el rango posible de combinaciones.
Se determin la mezcla optima para maximizar el sabor, 46.61% camu camu, 53.40% te
verde y casi 0% de maca, con un valor ptimo de puntuacin de 5.84.
Se determin la mezcla ptima para maximizar la aceptacin del color, 100% maca, con un
valor ptimo de 6.34.














UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 5
VII. ANEXO
Atributos del Diseo de Mezclas
Clase de diseo: Mezcla
Nombre del Diseo: Simplex-Ltice
Nombre del archivo: OPTIMIZACION DE MEZCLA PARA BEBIDA ENERGETICA

Diseo Base
Nmero de componentes: 3
Nmero de respuestas: 2
Nmero de corridas: 10
Tipo de modelo: Cbico Especial
Aleatorizar: No

Componentes Bajo Alto Unidades
camu camu 0.0 100.0
maca 0.0 100.0
te verde 0.0 100.0
Total mezcla = 100.0

Respuestas Unidades
sabor
color

El StatAdvisor
Ha creado un diseo Simplex-Ltice el cual estudiar los efectos de 3 componentes en 10 corridas.
El diseo deber ser ejecutado en un solo bloque. El orden de los experimentos no ha sido
aleatorizado. Si hay variables ocultas presentes, ellas pueden distorsionar los resultados. Puesto
que el modelo seleccionado es cbico especial, el diseo intentar ajustar un modelo con todos
los trminos de primero y segundo orden, y con algunos trminos de tercer orden.


muestra
mezcla puntaje
camu camu maca te verde sabor color
1 100 0 0 4 5.5
2 66.6667 33.3333 0 4 6
3 66.6667 0 33.3333 5.5 5.3
4 33.3333 66.6667 0 4.3 6.1
5 33.3333 33.3333 33.3333 5.1 5.6
6 33.3333 0 66.6667 5.8 6
7 0 100 0 3.9 6.2
8 0 66.6667 33.3333 5.2 6.2
9 0 33.3333 66.6667 5.7 4.3
10 0 0 100 4.3 3.9

UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 6
ANALIZAR MEZCLA - SABOR
Nombre del archivo: OPTIMIZACION DE MEZCLA PARA BEBIDA ENERGETICA

Efectos Estimados del Modelo Completo para sabor
Fuente
Suma de
Cuadrados
Gl
Cuadrado
Medio
Razn-F Valor-P
Media 228.484 1 228.484
Lineal 1.53733 2 0.768667 1.50 0.2879
Cuadrtico 3.30457 3 1.10152 14.98 0.0122
Cbico Especial 0.16576 1 0.16576 3.87 0.1437
Cbico 0.128333 3 0.0427777
Error -2.70062E-14 0 0
Total 233.62 10

Resultados del Modelo Completo
Modelo ES R-Cuadrada
R-Cuadrada
Ajd.
Lineal 0.717004 29.93 9.91
Cuadrtico 0.271152 94.27 87.12
Cbico Especial 0.206828 97.50 92.50
Cbico 100.00 0.00

El StatAdvisor
Esta tabla muestra los resultados de ajustar diferentes modelos a los datos en sabor. El modelo
medio est formado slamente por la constante. El modelo lineal consiste en trminos de primer
orden para cada uno de los componentes. El modelo cuadrtico agrega productos cruzados entre
pares de componentes. El modelo cbico especial agrega trminos que involucran productos de
tres componentes. El modelo cbico agrega otros trminos de tercer orden. Cada modelo se
muestra con un valor-P el cual prueba si ese modelo es estadsticamente significativo cuando se le
compara con el cuadrado medio del trmino de abajo. Normalmente, se seleccionara un modelo
ms complicado con un valor-P menor que 0.05, asumiendo que se trabaja al nivel de confianza
del 95.0%. Desafortunadamente, no hay grados de libertad disponibles para el error, de modo
que la significancia estadstica del modelo no puede ser probada. Agregar corridas adicionales al
diseo podra aliviar este problema. El modelo actualmente seleccionado es el modelo cbico
especial.

En la porcin inferior de la salida, se han tabulado los estadsticos de error estndar de los
estimados y la R-cuadrada, para cada uno de los modelos. Algunos analistas prefieren seleccionar
el modelo que maximiza la R-cuadrada ajustada.
ANOVA para sabor
Fuente Suma de
Cuadrados
Gl Cuadrado
Medio
Razn-F Valor-P
Modelo Cbico
Especial
5.00767 6 0.834611 19.51 0.0168
Error total 0.128333 3 0.0427777
Total (corr.) 5.136 9
UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 7

R-cuadrada = 97.5013 porciento
R-cuadrada (ajustada por g.l.) = 92.5039 porciento
Error estndar del est. = 0.206828
Error absoluto medio = 0.0957142
Estadstico Durbin-Watson = 2.75316 (P=0.8732)
Autocorrelacin residual de Lag 1 = -0.424728

El StatAdvisor
Esta tabla muestra un anlisis de varianza para el modelo cbico especial actualmente
seleccionado. Dado que el valor-P para este modelo es menor que 0.05, existe una relacin
estadsticamente significativa entre sabor y los componentes, con un nivel de confianza del 95.0%.

El estadstico R-Cuadrada indica que el modelo, as ajustado, explica 97.5013% de la variabilidad
en sabor. El estadstico R-cuadrada ajustada, que es ms adecuado para comparar modelos con
diferente nmero de variables independientes, es 92.5039%. El error estndar del estimado
muestra que la desviacin estndar de los residuos es 0.206828. El error medio absoluto (MAE) de
0.0957142 es el valor promedio de los residuos. El estadstico de Durbin-Watson (DW) prueba los
residuos para determinar si haya alguna correlacin significativa basada en el orden en que se
presentan los datos en el archivo. Puesto que el valor-P es mayor que 5.0%, no hay indicacin de
autocorrelacin serial en los residuos con un nivel de significancia del 5.0%.



Superficie de Respuesta Estimada
3.8
4.2
4.6
5
5.4
5.8
6.2
s
a
b
o
r
camu camu=100.0
maca=100.0
te verde=100.0
Contornos de la Superficie de Respuesta Estimada
sabor
3.8
4.04
4.28
4.52
4.76
5.0
5.24
5.48
5.72
5.96
6.2
camu camu=100.0
maca=100.0 te verde=100.0 camu camu=0.0
maca=0.0 te verde=0.0
UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 8
Optimizar Respuesta
Meta: maximizar sabor

Valor ptimo = 5.84496

Factor Bajo Alto ptimo
camu
camu
0.0 100.0 46.6085
maca 0.0 100.0 5.36149E-8
te verde 0.0 100.0 53.3915

El StatAdvisor
Esta tabla muestra la combinacin de los niveles de los factores, la cual maximiza sabor sobre la
regin indicada. Use el cuadro de dilogo de Opciones de Ventana para indicar la regin sobre la
cual se llevar a cabo la optimizacin. Puede establecer el valor de uno o ms factores a una
constante, estableciendo los lmites alto y bajo en ese valor.

ANALIZAR MEZCLA - COLOR
Nombre del archivo: OPTIMIZACION DE MEZCLA PARA BEBIDA ENERGETICA

Efectos Estimados del Modelo Completo para color
Fuente Suma de Cuadrados Gl Cuadrado Medio Razn-F Valor-P
Media 303.601 1 303.601
Lineal 3.42533 2 1.71267 4.87 0.0474
Cuadrtico 1.053 3 0.351 1.00 0.4806
Cbico Especial 0.0518569 1 0.0518569 0.11 0.7574
Cbico 1.35881 3 0.452936
Error 8.54872E-15 0 0
Total 309.49 10

Resultados del Modelo Completo
Modelo ES R-Cuadrada R-Cuadrada Ajd.
Lineal 0.593256 58.16 46.21
Cuadrtico 0.593857 76.05 46.10
Cbico Especial 0.673005 76.93 30.78
Cbico 100.00 0.00

El StatAdvisor
Esta tabla muestra los resultados de ajustar diferentes modelos a los datos en color. El modelo
medio est formado slamente por la constante. El modelo lineal consiste en trminos de primer
orden para cada uno de los componentes. El modelo cuadrtico agrega productos cruzados entre
pares de componentes. El modelo cbico especial agrega trminos que involucran productos de
tres componentes. El modelo cbico agrega otros trminos de tercer orden. Cada modelo se
muestra con un valor-P el cual prueba si ese modelo es estadsticamente significativo cuando se le
UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 9
compara con el cuadrado medio del trmino de abajo. Normalmente, se seleccionara un modelo
ms complicado con un valor-P menor que 0.05, asumiendo que se trabaja al nivel de confianza
del 95.0%. Desafortunadamente, no hay grados de libertad disponibles para el error, de modo
que la significancia estadstica del modelo no puede ser probada. Agregar corridas adicionales al
diseo podra aliviar este problema. El modelo actualmente seleccionado es el modelo cbico
especial.

En la porcin inferior de la salida, se han tabulado los estadsticos de error estndar de los
estimados y la R-cuadrada, para cada uno de los modelos. Algunos analistas prefieren seleccionar
el modelo que maximiza la R-cuadrada ajustada.

ANOVA para color
Fuente Suma de Cuadrados Gl Cuadrado Medio Razn-F Valor-P
Modelo Cbico Especial 4.53019 6 0.755032 1.67 0.3617
Error total 1.35881 3 0.452936
Total (corr.) 5.889 9

R-cuadrada = 76.9263 porciento
R-cuadrada (ajustada por g.l.) = 30.779 porciento
Error estndar del est. = 0.673005
Error absoluto medio = 0.281429
Estadstico Durbin-Watson = 2.6191 (P=0.8229)
Autocorrelacin residual de Lag 1 = -0.31871

El StatAdvisor
Esta tabla muestra un anlisis de varianza para el modelo cbico especial actualmente
seleccionado. Dado que el valor-P para este modelo es mayor o igual que 0.05, no hay una
relacin estadsticamente significativa entre color y los componentes, con un nivel de confianza
del 95.0%.

El estadstico R-Cuadrada indica que el modelo, as ajustado, explica 76.9263% de la variabilidad
en color. El estadstico R-cuadrada ajustada, que es ms adecuado para comparar modelos con
diferente nmero de variables independientes, es 30.779%. El error estndar del estimado
muestra que la desviacin estndar de los residuos es 0.673005. El error medio absoluto (MAE) de
0.281429 es el valor promedio de los residuos. El estadstico de Durbin-Watson (DW) prueba los
residuos para determinar si haya alguna correlacin significativa basada en el orden en que se
presentan los datos en el archivo. Puesto que el valor-P es mayor que 5.0%, no hay indicacin de
autocorrelacin serial en los residuos con un nivel de significancia del 5.0%.


UNMSM|INGENIERA AGROINDUSTRIAL

ANNALISIS SENSORIAL|OPTIMIZACION DE MEZCLA 10



Optimizar Respuesta
Meta: maximizar color

Valor ptimo = 6.34286

Factor Bajo Alto ptimo
camu
camu
0.0 100.0 0.0
maca 0.0 100.0 100.0
te verde 0.0 100.0 0.0

El StatAdvisor
Esta tabla muestra la combinacin de los niveles de los factores, la cual maximiza color sobre la
regin indicada. Use el cuadro de dilogo de Opciones de Ventana para indicar la regin sobre la
cual se llevar a cabo la optimizacin. Puede establecer el valor de uno o ms factores a una
constante, estableciendo los lmites alto y bajo en ese valor.

Superficie de Respuesta Estimada
3.9
4.4
4.9
5.4
5.9
6.4
c
o
l
o
r
camu camu=100.0
maca=100.0
te verde=100.0
Contornos de la Superficie de Respuesta Estimada
color
3.9
4.15
4.4
4.65
4.9
5.15
5.4
5.65
5.9
6.15
6.4
camu camu=100.0
maca=100.0 te verde=100.0 camu camu=0.0
maca=0.0 te verde=0.0