Вы находитесь на странице: 1из 13

Análisis de artículo titulado Aproximación de diseño de mezcla en celosía simplex sobre 

propiedades sensóricas y físico‐químicas de chips de trigo enriquecidos con diferentes harinas 
de leguminosas: Estudio de optimización basado en propiedades sensóricas. 

1. Explique el problema que se abordó con el diseño de experimentos con mezclas. 
 
Las leguminosas tienen un gran contenido de proteínas, carbohidratos complejos, fibras, vitaminas 
y minerales, entre otros, que ofrecen un bajo contenido de colesterol y son consideradas comidas 
de  bajo  índice  glicémico.  Su  consumo  tiene  efectos  benéficos  para  la  salud  humana,  como  la 
reducción del riesgo por enfermedades cardiovasculares y un contenido proteico 3 veces superior a 
los  cereales.  Teniendo  en  cuenta  esas  ventajas  nutricionales  y  el  hecho  de  que  los  snacks  se 
consideran  parte  de  la  alimentación  humana  y  mueven  un  mercado  de  aproximadamente  35 
billones de dólares al año, los investigadores han tratado de buscar las proporciones en que puedan 
añadirse leguminosas a la harina de trigo con la que usualmente estos son preparados. El objetivo 
es encontrar qué leguminosa y en qué proporción maximiza la calidad de los alimentos producidos 
tanto  desde  el  punto  de  vista  fisicoquímico  como  sensorial.  Las  pruebas  realizadas  incluyeron  3 
leguminosas: guisantes, garbanzos y soya. 
 
2. ¿Por qué los diseños factoriales no se aplican en este experimento? 
 
En este caso los investigadores lo que hicieron fue mezclar harinas de leguminosas con harina de 
trigo para elaborar frituras. La proporción  entre la harina de trigo y la harina de leguminosas es 
siempre 80:20, en el proceso se modifica la composición de ese 20% de mezcla con las 3 harinas de 
leguminosas consideradas. Este planteamiento del problema hace que sea imposible usar diseños 
factoriales,  pues  los  niveles  de  los  factores  no  se  pueden  variar  de  forma  independiente.  Si  se 
incrementa la cantidad de harina de guisantes por ejemplo, necesariamente la cantidad de las otras 
harinas tiene que reducirse, de modo tal que la suma de sus cantidades sea siempre constante. Es 
por eso que se usa un diseño de mezclas, que en este caso es un diseño factorial simplex reticular 
{3,4}.  
 
3. Describa las variables respuesta. 
 
Los  investigadores  quieren  evaluar  el  efecto  de  cambiar  las  proporciones  de  la  mezcla  sobre 
variables fisicoquímicas y variables sensoriales.  
 
Las  variables  fisicoquímicas  son:  materia  seca  (g/100g),  cenizas  (g/100g),  el  contenido  de  aceite 
(g/100g), contenido de proteína (g/100g), y la dureza. 
 
Las  variables  sensoriales  son:  color,  sabor,  crocancia  y  preferencia  general.  Estas  variables  se 
midieron usando un conjunto de expertos que clasificaban las muestras en una escala de 1 a 7 para 
cada característica. 
 
4. Explique en qué consiste el diseño de experimentos utilizado y la matriz de diseño. 

 
 
Los investigadores utilizaron un diseño de experimentos simplex reticular {3,4}, esto quiere decir 
que consideraron 3 componentes (cada uno de los 3 tipos de harina de leguminosa), y los valores 
considerados para los componentes son  1, , , , }. 
Esto nos lleva a la siguiente matriz de diseño:  

Mezcla
1  1  0  0 
2  0  1  0 
3  0  0  1 
4  0.5  0.5  0 
5  0  0.5  0.5 
6  0.5  0  0.5 
7  0.25 0.75 0 
8  0  0.25 0.75
9  0.75 0  0.25
10  0.75 0.25 0 
11  0  0.75 0.25
12  0.25 0  0.75
13  0.5  0.25 0.25
14  0.25 0.5  0.25
15  0.25 0.25 0.5 
 

5. Explique la representación geométrica de este diseño. 

En nuestro caso se tienen 3 componentes de la mezcla, los cuales siempre suman 1, esto equivale 
a tener una región de experimentación con la geometría de la figura izquierda: 

Fig. 1. Representación geométrica de diseño experimental con mezclas [2]. 

Los puntos del plano satisfacen la condición de que la suma de los valores de las 3 componentes es 
1, y se toma este triángulo porque el intervalo en el cual cada variable puede tomar valores es  0,1 , 
matemáticamente puede describirse la región así: 

 
, , : 1 0,1 , 0,1 , 0,1  

Lo que se hace es tomar puntos representativos dentro de ese triángulo. 

Para el caso los puntos que se toman son: 

 
Fig. 2. 15 Puntos  de diseño de mezcla en celosia simplex aumentados para los efectos de 
las harinas de garbanzo (X1), guisantes (X2) y soya (X3). 
 

Los puntos 1, 2 y 3 son los vértices del triángulo, correspondientes a un valor de 1 en las variables 
,  y   respectivamente, los puntos 4, 5 y 6 corresponden a valores de 0.5 en 2 de las variables, 
en el orden  ,  y   respectivamente. Los puntos 7 a 12 corresponden a combinaciones 
de  dos  variables  en  las  cuales  una  de  ellas  vale  0.75  y  la  otra  vale  0.25,  en  el  siguiente  orden 
, ,  , , , .  Finalmente los puntos 13 a 15 tienen proporciones de 0.5, 
0.25 y 0.25 en las tres variables, en el siguiente orden  ,  y  . 

6. Escriba e interprete los modelos de predicción obtenidos para las variables respuesta.  

La ecuación para el modelo es 

Y  1 X 1   2 X 2   3 X 3  12 X 1 X 2  13 X 1 X 3   23 X 2 X x   

Donde Y es la respuesta al estimado, β1, β2, β3, β12, β13 y β23 son los coeficientes constantes para cada 
termino de interacción lineal y no lineal producida por los modelos de predicción de componentes 
de procesado.  


 
Los resultados para los estimados de materia seca son 

 
Para el contenido de ceniza 

 
Ahora para el contenido de aceite 

 
Igualmente para el contenido de proteina 


 
El estimado para el color es 

 
Para el sabor 

 
Para la crocancia 

El estimado para la dureza 


 
 
Y finalmente el estimado para la preferencia completa 

En la siguiente tabla se sintetiza los resultados de las anteriores estimaciones para cada variable 

Tabla 2. Coeficientes de los modelos de predicción 
Variable          
Materia  99.802  99,246  99.058 ‐2.711 ‐3.623 ‐8.271  1 
Seca 
Cenizas  1.4302  0.9974  0.7245 ‐0.2685 ‐0.0057 0.2514  0.994
Aceite  36.743  34.343  23.684 ‐34.851 ‐12.209 ‐30.426  0.9887
Proteína  15.4941  10.5590  9.4063 1.5086 4.7343 0.3971  0.9977
Dureza  21269.40  17371.41  17371.10 31795.93 12149.88 13634.08  0.9954
Color  6.2004  5.6733  4.9633 1.1257 ‐0.9657 ‐0.5600  0.9988
Sabor  5.7746  5.6903  5.0817 ‐0.31 ‐1.2971 ‐0.8286  0.9995
Crocancia  6.0167  5.7967  5.2074 0.3943 0.7800 0.1971  0.9993
Preferencia  6.0871  5.8871  5.1729 ‐1.3714 ‐0.8000 ‐1.6000  0.9988
 

Por otra parte, se hizo un análisis de interacción completo que incluye términos de tercer orden a  
partir  de  la  tabla  de  datos  donde  muestran  las  proporciones  de  los  ingredientes  se  procede  a 
codificar el diseño de mezclas para los diferentes modelos de cada variable. 

Estos datos deben organizarse considerando las demás variables físico‐químicas y sensoriales que 
constituyen el experimento completo. 

Para las variables materia seca y cenizas se procede obteniendo los siguientes modelos: 

 
Tabla 2. Resultados de modelos para materia seca y cenizas. 
 

Tabla 3. Resultados de modelos para aceite y proteína. 

Tabla 4. Resultados de modelos para dureza y color. 


 
Tabla 5. Resultados de modelos para sabor y crocancia. 

Tabla 6. Resultados de modelos para sabor y crocancia, y ejemplo de coeficientes para el modelo 

 
Como  se  puede  observar,  el  modelo  a  diferencia  del  resumen  muestra  de  forma  específica  los 
valores de coeficientes para cada variable que aparecen en la columna estimado. Igualmente, se 
presenta el error residual, valor p, estadístico F y valor ajustado R cuadrado, los cuales habilitan el 
desarrollo del experimento y la construcción del modelo, indicando los parámetros significativos y 
si hubo o no interacción. A continuación se presenta una tabla resumen con los resultados de los 
anteriores modelos. 
Tabla 3. Coeficientes de los modelos de predicción 

Variable        
Materia  99.7710  99.215  99.026      ‐7.9569    1 
Seca 
Cenizas  0.99519  0.7273  1.4280          0.9933 
Aceite  36.070  33.670  23.010  ‐28.116        0.9895 
Proteína  9.3906  10.53  15.4784          0.9974 
Dureza  17538  17538  21436  30130        0.995 
Color  5.7071  4.9971  6.2342          0.9988 
Sabor  5.6825  5.0740  5.7668          0.9994 
Crocancia  5.9887  5.7687  5.1794          0.9993 
Preferencia  6.0918  5.1775  5.8918          0.9987 
 


 
En todos los casos el valor de R cuadrado es muy cercano a 1, lo cual indica que el modelo se ajusta 
bien a los datos. 

Interpretación de los modelos de predicción 

La  mayoría  de  variables  de  salida  no  dependen  de  interacciones  entre  los  componentes,  solo 
materia  seca,  aceite  y  dureza  tienen  en  su  modelo  de  predicción  dependencia  de  interacciones, 
además, en ningún caso la interacción triple fue importante. 

Para  la  variable  materia  seca,  se  observa  que  está  afectada  aproximadamente  en  la  misma 
distribución por cualquiera de los 3 ingredientes, y depende de la interacción entre los componentes 
guisantes y soya. 

En  el  caso  de  cenizas  depende  principalmente  del  contenido  de  soya  en  la  mezcla,  pues  ese 
coeficiente es mayor que los otros. 

Para el contenido de aceite, esta variable depende más de los contenidos de guisantes y garbanzos. 

El contenido de proteína del producto final depende mayoritariamente de la cantidad de soya, como 
queda evidenciado por su coeficiente mayor a los de garbanzo y guisantes. 

La dureza depende principalmente del contenido de soya en la mezcla. 

El color y el sabor dependen principalmente del contenido de soya. 

Lo crocante del producto depende particularmente del contenido de garbanzos. 

En general los expertos se inclinaron por los productos que tenían mayor contenido de garbanzo. 

7. Interprete los gráficos de contornos mostrados en el artículo 
Como convención se designa el siguiente etiquetado de las variables 
A= garbanzo 
B=guisantes 
C=soya 
 


 
Response Surface for cenizas Response Surface for materiaseca
A A
> +0.7 > +97
0.9 > +0.8 0.9 > +97.5
> +0.9 > +98
> +1 > +98.5
0.8 > +1.1 0.8 > +99
> +1.2 > +99.5
> +1.3 > +100
0.7 > +1.4 0.7
> +1.5
0.6 0.6

0.5 0.5
0.1 0.1 0.1 0.1
0.2 0.4 0.2 0.2 0.4 0.2
0.30.3 0.30.3
0.4 0.30.4 0.4 0.30.4
0.5 0.5 0.5 0.5
0.6 0.2 0.6 0.6 0.2 0.6
0.7 0.7 0.7 0.7
0.8 0.1 0.8 0.8 0.1 0.8
0.9 0.9 0.9 0.9

B C B C

Fig. 3.  Respuesta de superficie para cenizas y materia seca 
 
De acuerdo a la figura 3, en la parte izquierda el grafico de cenizas se comprueba que a mayor nivel 
de soya en la mezcla mayor contenido de cenizas.  Los menores contenidos de ceniza se logran en 
el borde que conecta los guisantes con los garbanzos. Por su parte en la figura derecha para materia 
seca, a mayor contenido de garbanzo en la mezcla es proporcional la cantidad de materia seca. Los 
valores de materia seca más bajo están en el borde de soya y guisantes. 

Response Surface for aceite Response Surface for proteina


A A
> +20 > +9
0.9 > +22 0.9 > +10
> +24 > +11
> +26 > +12
0.8 > +28 0.8 > +13
> +30 > +14
> +32 > +15
0.7 > +34 0.7 > +16
> +36
> +38
0.6 0.6

0.5 0.5
0.1 0.1 0.1 0.1
0.2 0.2 0.2 0.2
0.4 0.4
0.30.3 0.30.3
0.4 0.4 0.4 0.4
0.3 0.3
0.5 0.5 0.5 0.5
0.6 0.6 0.6 0.6
0.2 0.2
0.7 0.7 0.7 0.7
0.8 0.8 0.8 0.8
0.1 0.1
0.9 0.9 0.9 0.9

B C B C

Fig. 4.  Respuesta de superficie para aceite y proteína. 
 
De la figura 4, el mayor contenido de aceite en la mezcla se logra en el borde entre  garbanzos y 
guisantes.  Es claro que la cantidad de proteína se maximiza al incrementar el contenido de soya en 
la mezcla. La adición de la soya proporciona un aumento significativo en el contenido de proteína. 
 

10 
 
Response Surface for dureza
A
> +17000
0.9 > +18000
> +19000
> +20000
0.8 > +21000
> +22000
> +23000
0.7 > +24000
> +25000
> +26000
0.6

0.5
0.1 0.1
0.2 0.4 0.2
0.30.3
0.4 0.4
0.3
0.5 0.5
0.6 0.6
0.2
0.7 0.7
0.8 0.1 0.8
0.9 0.9

B C

Fig. 5.  Respuesta de superficie para dureza y color. 
 
Puede apreciarse en la figura 5, que la dureza es máxima en el borde entre guisantes y garbanzos. 
El mejor valor de color corresponde a la esquina en la que se encuentra la soya. 

Response Surface for sabor Response Surface for crocancia


A A
> +5 > +5.2
0.9 > +5.1 0.9 > +5.3
> +5.2 > +5.4
> +5.3 > +5.5
0.8 > +5.4 0.8 > +5.6
> +5.5 > +5.7
> +5.6 > +5.8
0.7 > +5.7 0.7 > +5.9
> +5.8 > +6
> +6.1
0.6 0.6

0.5 0.5
0.1 0.1 0.1 0.1
0.2 0.2 0.2
0.4 0.4 0.2
0.30.3 0.30.3
0.4 0.30.4 0.4 0.30.4
0.5 0.5 0.5 0.5
0.6 0.6 0.6 0.6
0.2 0.2
0.7 0.7 0.7 0.7
0.8 0.1 0.8 0.8 0.8
0.1
0.9 0.9 0.9 0.9

B C B C

Fig. 6.  Respuesta de superficie para sabor y crocancia. 
 
El  mejor  sabor  se  obtiene  al  incrementar  el  contenido  de  soya  o  de  garbanzos.  La  mezcla  más 
crocante  se  obtiene  hacia  el  vértice  donde  están  los  garbanzos,  la  soya  hace  la  mezcla  menos 
crocante. 

11 
 
Response Surface for preferencia
A
> +5
0.9 > +5.2
> +5.4
> +5.6
0.8 > +5.8
> +6
> +6.2
0.7

0.6

0.5
0.1 0.1
0.2 0.2
0.4
0.30.3
0.4 0.4
0.3
0.5 0.5
0.6 0.6
0.2
0.7 0.7
0.8 0.8
0.1
0.9 0.9

B C

 
Fig. 7.  Respuesta de superficie para dureza y color. 
 
En general se prefieren los garbanzos en la mezcla final, y en menor medida, la soya tal como se 
observa en la figura 7. 
 
8. Haga un análisis crítico de la forma como se abordó  y analizó el problema. 
 
Los  investigadores  intencionalmente  escogieron  m=4  variables  sensoriales,  para  tener  mayor  
información  de  la  región  de  experimentación  (puntos  dentro  del  triángulo),  porque  era 
importante saber cómo se comportaban las mezclas que contenían los 3 componentes.  
 
El conocimiento del problema determina la elección por parte de los expertos en ingeniería de 
alimentos de los mecanismos para medir las variables respuesta. En este caso, para medir todas 
las  propiedades  sensoriales  (color,  sabor,  preferencia  y  crocancia)  se  escogió  un  grupo  de 
expertos que calificaban estos aspectos en una escala de 1 a 7. Esto lo hacen porque a diferencia 
de  las  propiedades  fisicoquímicas  que  tienen  una  definición  exacta,  no  hay  instrumentos 
objetivos de medición para las propiedades sensoriales. 
 
Una vez tienen datos cuantitativos, concluyen que los garbanzos mejoran el aspecto sensorial y 
en las conclusiones privilegian este componente de la mezcla, es decir, asignan una importancia 
mayor a las propiedades sensoriales del producto final para tomar decisiones. 
 
Puedo estimarse que el efecto lineal de los guisantes, garbanzo y soya fue significativo para los 
parámetros estudiados (valor p < 0.05). 
 
De las gráficas de contorno los niveles óptimos de harina de garbanzos, guisantes y soya en una 
mezcla de 100 g, son de 50‐100 g,  0‐60 g y 0‐45 g, respectivamente. Siendo la harina de garbanzo 
el ingrediente que mejoró de manera sustancial el puntaje sensorial de las muestras. 
 

12 
 
Finalmente, los chips de trigo pueden ser enriquecidos con diferentes harinas de leguminosas 
como garbanzos, guisantes y soya para proporcionar un valor nutricional al producto, además, 
incluir soya en la receta incrementa el contenido proteico significativamente.  
 
Referencia 

[1]  Kayacier,  A.,  Yuksel,  F.  y  Karaman,  S.  (2014).  Simplex  lattice  mixture  design  approach  on 
physicochemical  and  sensory  properties  of  wheat  chips  enriched  with  different  legume  flours:  An 
optimization study based on sensory properties. LWT ‐ Food Science and Technology, 58, 639‐648. 
 
[2]  Ferryanto,  Liem.  Diseñando  y  analizando  experimentos  con  mezclas.  Documento  recuperado  de 
internet  http://www.isixsigma.com/tools‐templates/design‐of‐experiments‐doe/designing‐and‐
analyzing‐experiments‐mixtures/ 
 
Anexo Datos originales para el diseño del experimento 
 
garbanzos guisantes soya materiaseca cenizas aceite proteina dureza sabor color  crocancia preferencia 
1  0  0  99.79  1.08  34.22  9.36  18986.9  5.8  5.60  6.10  6    
0.75  0.25  0  99.18  0.80  30.82  9.83  21130.8  5.30  5.80  5.88  5.9  
0.75  0  0.25  99.01  1.03  35.44  12.10  19564.5  5.40  5.70  5.90  5.8 
0.5  0.5  0  98.63  0.77  25.97  10.11  24533.1  5.50  5.60  6.20  5.5  
0.5  0.25  0.25  98.44  0.94  27  12.48  25209.1  5.20  5.44  5.80  5.5 
0.5  0  0.5  98.25  1.28  24.87  13.28  22719.9  5.40  5.80  5.88  5.4 
0.25  0.75  0  99.16  0.86  30.78  11.19  25508.4  5.14  5.16  6  5 
0.25  0.5  0.25  97.62  1.04  18.69  11.17  26371.0  5.20  5.70  5.60  5 
0.25  0.25  0.5  97.27  1.15  20.32  13.77  23550.0  5.33  5.80  5.86  5.5 
0.25  0  0.75  98.96  1.34  24.94  14.83  22929.4  5.63  5.60  5.57  5.9   
0  1  0  99.04  0.64  34.06  10.09  15950.2  5.10  5.11  5.80  5.3 
0  0.75  0.25  98.11  1  25.10  12.73  21536.6  5  5  5.60  5.1 
0  0.5  0.5  96.42  1.09  24.14  12.46  22024.4  5.30  5.40  5.60  5.1 
0  0.25  0.75  98.21  1.30  21.54  14.57  22578.9  5.44  5.80  5.50  5.4 
0  0  1  98.75  1.42  23.32  15.51  21447.9  5.70  6.30  5.10  5.8 

13