Thống kê mô tả về 6 loại chocolates ở pháp

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.HỒ CHÍ MINH
…  …
VIỆN CÔNG NGHIỆ SINH HỌC VÀ THỰC PHẨM
BÀI TẬP NHÓM MÔN:
XỬ LÍ SỐ LIỆU THỰC NGHIỆM NGÀNH CÔNG NGHỆ
THỰC PHẨM
Đề tài : Thống kê mô tả về 6 loại Chocolates
ở Pháp
GVHD: TS.Nguyễn Bá Thanh
Lớp DHTP9 tiết 5-6
TP,HCM ngày 22 tháng 12 năm 2014
Chocolates Data in SensoMineR
MỤC LỤC
I.MỞ ĐẦU
1.Tính cấp thiết của đề tài
Cùng với sự phát triển của công nghệ thực phẩm chế biến thì lĩnh vực đánh giá cảm quan đang
phát triển nhanh chóng. Đây là kĩ thuật được con người dùng để đánh giá phân tích cho các nhóm sản
phẩm từ đó đưa ra thông tin tốt nhất về sản phẩm, đánh giá sâu sắc về ảnh hưởng các tính chất đối với
sản phẩm mang lại thông tin bổ ích cho người sử dụng và cũng nghiên cứu sản phẩm dựa vào sự phản
hồi của người tiêu dùng về sản phẩm.
Trong xu hướng nghiên cứu về dánh giá cảm quan hiện nay, những nghiên cứu về người tiêu
dùng đang được chú trọng vì đây là đối tượng cuối cùng sử dụng sản phẩm và đưa ra phản hồi về sản
phẩm cho nhà sản xuất. Do vậy người tiêu dùng là yếu tố không thể thiếu trong tiến trình hình thành và
phát triển sản phẩm.
Bài báo cáo này trình bày một cách tiếp cận mới, thể hiện vai trò không thể thiếu của đánh giá
cảm quan trong nghiên cứu lựa chọn thực phẩm của người tiêu dùng.
2.Mục đích nghiên cứu
Giới thiệu đôi nét về phần mềm R:
Nói một cách ngắn gọn, R là một phần mềm sử dụng cho phân tích thống kê và vẽ biểu đồ. Thật ra,
về bản chất, R là ngôn ngữ máy tính đa năng, có thể sử dụng cho nhiều mục tiêu khác nhau, từ tính
toán đơn giản, toán học giải trí (recreational mathematics), tính toán ma trận (matrix), đến các phân

tích thống kê phức tạp. Vì là một ngôn ngữ, cho nên người ta có thể sử dụng R để phát triển thành các
phần mềm chuyên môn cho một vấn đề tính toán cá biệt.
Từ số liệu thu nhận được ta nhập vào R sau đó thực hiện các thao tác tính toán. Nhưng mỗi dữ liệu
khác nhau có mục đích khác nhau, vì thế ta phải nhắm rõ mục đích nghiên cứu để từ đó sử dụng các
phương pháp tính toán trong R một cách hợp lý.
 Công việc đối với dữ liệu chocolates:
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 2
Chocolates Data in SensoMineR
Là việc khảo sát về tính chất của 6 loại chocolates tại Pháp. Mô tả về tính chất cảm quan của sản
phẩm: mỗi loại chocolate được đánh giá bởi 29 bảng danh sách được sắp xếp theo 14 tính chất cảm
quan. Dữ liệu mức độ ưa thích: mỗi loại chocolate được đánh giá theo cấu trúc từ 0 (thích) đến 10
(không thích) bởi 222 người tiêu dùng.
Hedochoc: Dữ liệu gồm 6 dòng và 222 cột, mỗi dòng tương ứng với một loại chocolate và mỗi cột là
điểm số ưa thích được cho bởi 222 người tiêu dùng tham gia nghiên cứu.
Từ số liệu ta thấy được row.names là giá trị định tính, các giá trị khác là giá trị định lượng.
Bảng dữ liệu là kết quả khảo sát mức độ thích của 222 người tiêu dùng về 6 sản phẩm chocolate, từ đó
ta kiểm tra giữa những người tiêu dùng có sự khác nhau hay không ở điều này chúng ta mong đợi là
không có sự khác nhau giữa các người thử; kiểm tra giữa các mẫu thử có sự khác nhau hay không, ở
việc kiểm tra này chúng ta mong đợi phải có sự khác nhau và xem sản phẩm nào khác nhau nhiều nhất.
Sensochoc: dữ liệu gồm 348 dòng và 19 cột, 5 biến chất lượng (Panelist, Session, Rank, Product) và
14 tính chất cảm quan.
Từ bảng số liệu ta thấy ở 4 giá trị đầu (panelist, session, rank, product) là giá trị định tính còn các
giá trị còn lại(cocaA, milkA, caramel, vanilla, )là giá trị định lượng. Từ dữ liệu của sensochoc ta nêu
lên xem có sự khác biệt giữa tính chất trong chocolate như cocaA, milkA, caramel, vanilla, với
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 3
Chocolates Data in SensoMineR
panelist hay session, rank, product; và so sánh các thành phần trong chocolates với từng nhóm yếu tố
từ đó ta có thể biết với tính chất đó thì tập trung có ở các sản phẩm nào; hay sản phẩm nào có tính chất

trội hơn các sản phẩm khác xem.
3.Đối tượng nghiên cứu
Việc xác định mục đích nghiên cứu rất quan trọng để phân tích một dữ liệu, bên cạnh đó ta phải
xác định được đối tượng nghiên cứu là phần cũng quan trọng không kém nó giúp cho ta biết cách đưa
ra một kết quả hoàn chỉnh đúng theo yêu cầu.
Đối với dữ liệu Choccolates này thì đối tượng nghiên cứu là người tiêu dùng và các chuyên gia
nghiên cứu trong việc khảo sát 6 loại chocolates ở Pháp. Đối với dữ liệu sensochoc thì đối tượng
nghiên cứu là người có sự hiểu biết về mùi vị của chocolate, họ đánh giá 6 loại sản phẩm theo panelist,
session, rank trên các yếu tố cocoaA, milkA, cocoaF, milkF, caramel, vanilla, sweetness(Độ ngọt),
acidity(Độ chua), bitterness(độ đắng), astringency(Độ chát), crunchy(Độ giòn), melting(Tan chảy),
sticky(Độ dính), granular(độ mịn). Đối vơi dữ liệu hedochoc thì đối tượng nghiên cứu là người tiêu
dùng đánh giá 6 loại sản phẩm chocolate bằng cách cho điểm quen thuộc.
4.Phạm vi nghiên cứu
- Trong lĩnh vực công nghệ thực phẩm
- Áp dụng cho người tham gia nghiên cứu và quan tâm đến sản phẩm Chocolates
5.Bố cục bài báo cáo
Bài báo cáo nghiên cứu về hai bảng khảo sát Hedochoc và Sensochoc
Gồm 4 phần:
1. Đối với dữ liệu hedochoc: Nhóm tiến hành vẽ đồ thị cột về điểm thị hiếu của 6 loại
chocolate và phân tích phương sai liệu có sự khác nhau về điểm ưa thích trên nhóm đối tượng
nghiên cứu.
2. Đối với dữ liệu sensochoc: sử dụng kiểm định phân tích phương sai để đánh giá sự khác
nhau về 3 thuộc tính (tự chọn) trên nhóm sản phẩm nghiên cứu và xem xét liệu có sự ảnh
hưởng của yếu tố nào? Mô hình phân tích phương sai
3. Sử dụng đồ thị radar để vẽ biểu đồ sensory profile của các loại Chocolate.
4. Xác định ma trận tương quan giữa các tính chất cảm quan và nhận xét kết quả này.
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 4
Chocolates Data in SensoMineR
II.KẾT QUẢ NGHIÊN CỨU

1. Đối với dữ liệu hedochoc
 Biểu đồ cảm quan về điểm thị hiếu của 6 loại chocolates
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 5
Chocolates Data in SensoMineR
Histogram of Hedo[, "choc1"]
Hedo[, "choc1"]
Frequency
0 2 4 6 8 10
0 5 10 15 20 25 30 35
Histogram of Hedo[, "choc2"]
Hedo[, "choc2"]
Frequency
0 2 4 6 8 10
0 10 20 30 40
Histogram of Hedo[, "choc3"]
Hedo[, "choc3"]
Frequency
0 2 4 6 8 10
0 5 1015 20 25 30 35
Histogram of Hedo[, "choc4"]
Hedo[, "choc4"]
Frequency
0 2 4 6 8 10
0 10 20 30 40
Histogram of Hedo[, "choc5"]
Hedo[, "choc5"]
Frequency
2 4 6 8 10
0 10 20 30 40

Histogram of Hedo[, "choc6"]
Hedo[, "choc6"]
Frequency
0 2 4 6 8 10
0 10 20 30 40
Biểu đồ 1: Giá trị cảm quan về điểm thị hiếu cho từng loại chocolates
Qua biểu đồ cột đánh giá cảm quan về tùng chỉ tiêu cho mỗi sản phẩm cho thấy tỷ lệ yêu thích của
người tiêu dùng cho mỗi loại chocolates có điểm khác nhau, trục tung cho thấy số lượng người yêu
thích, trục hoành cho thấy thang điểm đánh giá cho từng loại chocolates:
-choc1, choc3, choc5 có đối tượng ưa thích và đánh giá sản phẩm tương đối cao.
- Ở choc1 điểm trung bình là 5.329, được đánh giá là đối tượng khá được yêu thích so với sản phẩm
khác,có khoảng 25% đối tượng nghiên cứu đánh giá sản dưới 3 điểm,75% đối tượng đánh giá sản
phẩm dưới 7.750 điểm, 50% đối tượng đánh giá sản phẩm trên 5 điểm
-choc3 điểm trung bình là 5.766, có 50% đối tượng cho trên 6 điểm, 25% đối tượng nghiên cứu cho
dưới 4 điểm, 75% đối tượng nghiên cứu cho dưới 8 điểm
-choc5 điểm trung bình là 5.626, có 50% đối tượng cho trên 6 điểm, 25% đối tượng nghiên cứu cho
dưới 4 điểm, 75% đối tượng nghiên cứu cho dưới 7 điểm
- còn ở choc4 và choc6 thì không có gì khác biệt, điểm trung bình tương đối cao 5.766-5.905, số lượng
người ua thích ở múc độ thấp, choc4 có khoảng 25% đối tượng thấp hơn 4 điểm, 75% đối tượng cho
điểm thấp hơn 8, khoảng 50% đối tượng cho điểm trên 6 điểm. Choc6 có 25% đối tượng cho dưới
5điểm, 75% đối tượng cho dưới 7 điểm, 50% đối tượng cho trên 5 điểm
 Biểu đồ cột về điểm thị hiếu cho từng loại chocolates
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 6
Chocolates Data in SensoMineR
Preference mapping of Chocolates
Type of Chocolates
Points
0 2 4 6 8 10
Biểu đồ 2: Đồ thị cột về điểm thị hiếu của người tiêu dùng về 6 loại Chocolates

Đánh giá nhận xét : trên là biểu đồ cột về điểm thị hiếu nói chung cho từng loại chocolates. Dựa vào
giá trị trung bình cho từng sản phẩm chocolates cho thấy điểm ưa thích của các sản phẩm không có
điểm khác biệt lớn, tương tự biểu đồ cảm quan ta cũng thấy rằng choc1, choc5 cũng có sự khác biệt rõ
hơn so với sản phẩm khác, đây là các sản phẩm được ưa thích nhiều.( Ở đây đánh giá theo thang điểm
0 đến 10, 0 điểm được coi là ưa thích nhất, điểm 10 là không thích).
Dựa trên biểu đồ cảm quan và biểu đồ cọt về điểm thị hiếu có thể thấy rằng mức độ ưa thích sản phẩm
choc1, choc5, cao hơn so với choc2, choc4, choc6,choc3 nhưng ở mức độ không đáng kể.
Đây là biểu đồ Boxplot hỗ trợ cho quá trình phân tích điểm thị hiếu của người tiêu dùng cho
từng loại chocolates. Cho thấy chocolates được ưa thích nhiều nhất, choc6 có điểm cao nhất tức mức
độ ưa thích thấp nhất, còn ở các loại chocolates khác thì mức độ khác không đáng kể.
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 7
Chocolates Data in SensoMineR
Biếu đồ 3: Biểu đồ hộp về điểm thị hiếu của người tiêu dùng về 6 loai chocolates
Trong biểu đồ này, chúng ta thấy:
+Ở choc1:số trung vị là 5,2%, có bách phân vị (Q1=25%), (Q3=75%) mức độ ưa thích
dao động từ (3,1-7,9),trong đó mức ưa thích cao nhất là 3,1 và mức thấp nhất là 7,9
trong đó 0(thích) và 10(không thích ) khác biệt giữa Q1 và Q3 là IQR=Q3-Q1=4,8,hai
thanh whiskers,thanh trên là 10%,thanh dưới 0%.Đây alf sản phẩm được ưa thích hơn
so với các sản phẩm khác.
+Tương tự cho các choc2,3,4,5,6. Riêng ở choc6 có những con số ngoại vi nằm dưới
mức độ 2,tức là choc6 có thể là sản phẩm tiềm năng được nhiều người ưa thích nhất.
nhìn chung ở các loại chocolates thì ta có thể chia ra làm 4 nhóm nhỏ:nhóm choc1 được
ưa thích nhiều nhất nằm trong khoảng (3,1-7,9).
+Tiếp theo nhóm choc2 và 5 trong đó choc2 có khoảng ngoại vi thể hiện mức ưa thích
cao hơn nhưng nhìn chung có mức độ ưa thích tương đương nhau dao động trong
khoảng (4-7,2), nhóm choc 3 và choc 4 cũng ngang nhau dao động trong khoảng (4-
7,9),cuối cùng nhóm choc 6 mức độ ưa thích dao động trong khoảng (5-7,2)
 Phân tích phương sai
Xử lý số liệu thực nghiệm trong ngành CNTP

Page 8
choc1 choc2 choc3 choc4 choc5 choc6
0 2 4 6 8 10
boxplot of hedochoc
Chocolates Data in SensoMineR
Để phân tích phương sai ta dùng kiểm định ANOVA để đánh giá.
Dựa trên kết quả phân tích cho thấy bậc từ do ở đây là 1(Df), từ kết quả phân tích phương sai cho thấy
P-value=0.5403>0.05, điều này chứng tỏ sự khác nhau của các loai chocolates không có ý nghĩa thống
kê, nên ta chọn loại chocolates nào cũng được
2.Đối với dữ liệu sensochoc
 Phân tích phương sai đánh giá sự khác biệt giữa các thuộc tính tự chọn
Ta chọn 3 thuộc tính:CocoaA, CocoaF, MilkA để đánh giá xem sự khác biệt và ảnh hưởng bởi yếu tố
nào.
CocoaA
#Qua kết quả phân tích ta thấy ở đặc tính CocoaA chỉ có sự khác biệt giữa các sản phẩm
(product),(pvalue< 0.05) và sự khác biệt cụ thể là : sự khác biệt xuất phát từ choc3.Ta dùng
kiểm định Tukey đẻ thấy rõ sự khác biệt này.
Hình ảnh về kết quả phân tích:
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = CocoaA ~ Panelist + Session + Rank + Product
+ Panelist:Session + Panelist:Rank + Panelist:Product +
Session:Rank + Session:Product + Rank:Product)
$Product
diff lwr upr p adj
choc2-choc1 -0.54554102 -1.5844332 0.4933512 0.6609831
choc3-choc1 -2.42327162 -3.4621638 -1.3843794 0.0000000
choc4-choc1 -0.83074571 -1.8696379 0.2081465 0.2000661
choc5-choc1 -0.30890097 -1.3477932 0.7299913 0.9572072
choc6-choc1 -0.73203669 -1.7709289 0.3068555 0.3331137

choc3-choc2 -1.87773059 -2.9166228 -0.8388384 0.0000058
choc4-choc2 -0.28520469 -1.3240969 0.7536875 0.9695895
choc5-choc2 0.23664005 -0.8022522 1.2755323 0.9867216
choc6-choc2 -0.18649567 -1.2253879 0 8523966 0.9955881
choc4-choc3 1.59252590 0.5536337 2.6314181 0.0002173
choc5-choc3 2.11437065 1.0754784 3.1532629 0.0000002
choc6-choc3 1.69123492 0.6523427 2.7301271 0.0000655
choc5-choc4 0.52184474 -0.5170475 1.5607370 0.7024289
choc6-choc4 0.09870902 -0.9401832 1.1376012 0.9997962
choc6-choc5 -0.42313572 -1.4620279 0.6157565 0.8518869
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 9
Chocolates Data in SensoMineR

Biểu đồ 4 Đồ thị minh họa cho kiểm định Tukey của CocoaA
Qua Tukey và đồ thị minh họa ta thấy có sự khác biệt về đặc tính CocoaA của 5 cặp sản
phẩm (choc3-choc1),( choc3-choc2), (choc4-choc3 ),( choc5-choc3 ),( choc6-choc3 ). Sự
khác nhau rõ rệt ở sản phẩm 3. Ở đây sự khác biệt chỉ xuất hiện trên từng nhóm sản phẩm, nên
ta có thể phân tích sự khác biệt của các thuộc tính vào sản phẩm(Product).
MilkA
# Dựa trên kết quả phân tích cho thấy có sự khác biệt về đặc tính MilkA giữa các sản
phẩm. dùng. Ta dùng Tukey để kiểm tra sự khác biệt, và kết quả là có sự khác biệt.

Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = MilkA ~ Panelist + Session + Rank + Product
+ Panelist:Session+Panelist:Rank+Panelist:Product+ Session:Rank
+ Session:Product + Rank:Product)
$Product
diff lwr upr p adj

choc3-choc1 2.47163241 1.2153619 3.7279030 0.0000006
choc3-choc2 2.05070494 0.7944344 3.3069755 0.0000619
choc4-choc2 0.09835230 -1.1579182 1.3546228 0.9999216
choc5-choc2 0.17547138 -1.0807992 1.4317419 0.9986666
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 10
Chocolates Data in SensoMineR
choc6-choc2 0.56692713 -0.6893434 1.8231977 0.7883401
choc4-choc3 -1.95235264 -3.2086232 -0.6960821 0.0001673
choc5-choc3 -1.87523357 -3.1315041 -0.6189630 0.0003540
choc6-choc3 -1.48377782 -2.7400484 -0.2275073 0.0102578
choc5-choc4 0.07711908 -1.1791515 1.3333896 0.9999765
choc6-choc4 0.46857483 -0.7876957 1.7248454 0.8932196
choc6-choc5 0.39145575 -0.8648148 1.6477263 0.9479270
# nhận thấy có sự khác biệt về đặc tính MilkA giữa 5 cặp sản phẩm là (choc3-choc1), ( choc3-
choc2 ),( choc4-choc3),( choc5-choc3),( choc6-choc3).
Biểu đồ 5 Đồ thị minh họa cho kiểm định Tukey của MilkA
CocoaF
Dựa trên kết quả nghiên cứu cũng cho thấy sự khác biệt về đặc tính CocoaF giữa các sản
phẩm, để thấy rõ sự khác biêt, ta dùng kiển định Tukey.
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = CocoaF ~ Product)
$Product
diff lwr upr p adj
choc2-choc1 -1.1551724 -2.1070009 -0.2033439 0.0074665
choc3-choc1 -4.6896552 -5.6414837 -3.7378267 0.0000000
choc4-choc1 -1.3793103 -2.3311389 -0.4274818 0.0005883
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 11

Chocolates Data in SensoMineR
choc5-choc1 -1.2758621 -2.2276906 -0.3240336 0.0020071
choc6-choc1 -1.8448276 -2.7966561 -0.8929991 0.0000008
choc3-choc2 -3.5344828 -4.4863113 -2.5826542 0.0000000
choc4-choc2 -0.2241379 -1.1759664 0.7276906 0.9846025
choc5-choc2 -0.1206897 -1.0725182 0.8311389 0.9991669
choc6-choc2 -0.6896552 -1.6414837 0.2621733 0.3020703
choc4-choc3 3.3103448 2.3585163 4.2621733 0.0000000
choc5-choc3 3.4137931 2.4619646 4.3656216 0.0000000
choc6-choc3 2.8448276 1.8929991 3.7966561 0.0000000
choc5-choc4 0.1034483 -0.8483802 1.0552768 0.9996070
choc6-choc4 -0.4655172 -1.4173458 0.4863113 0.7260495
choc6-choc5 -0.5689655 -1.5207940 0.3828630 0.5239983
Biểu đồ 6 Đồ thị minh họa cho kiểm định Tukey của CocoaF
#Dựa trên kết quả phân tích và đồ thị cho thấy có sự khác biệt về đặc tính CocoaF giữa 5 cặp
sản phẩm là (choc2-choc1 ),( choc3-choc1 ),( choc4-choc1),( choc5-choc1),( choc6-choc1),
( choc3-choc2),( choc4-choc3),( choc5-choc3) ,( choc6-choc3). Và ở đây sự khác biệt cũng
xuất phát từ sản phẩm choc3.
 MÔ HÌNH PHÂN TÍCH: ta dùng phân tích PCA để đánh giá
Tìm hiểu chung về PCA: Phân tích thành phần chính (PCA) là một phương pháp thống kê toán
học trong đó thông tin giữa các biến và cá thể khảo sát được chiếu lên trong không gian đa
chiều mà các chiều (trục) đầu tiên có ý nghĩa quan trọng nhất (chứa nhiều thông tin nhất). Phân
tích thành phần chính làm giảm đa chiều dữ liệu bằng cách thực hiện một phân tích hiệp
phương sai giữa các yếu tố. Cách thức chính thức của phương pháp này là mỗi trục kế tiếp sẽ
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 12
Chocolates Data in SensoMineR
được giảm lược các thành phần chứa ít thông tin nhất trong các biến và cá thể. Như vậy, nó
phù hợp để sử dụng cho nhóm dữ liệu gồm nhiều khía cạnh, chẳng hạn như một điều tra so
sánh về những tính chất của nhiều sản phẩm cùng lúc.

Mô hình phân tích thành phần chính đơn giản nhất là phân tích đa biến. Nó có thể dùng để
tìm ra cấu trúc bên trong của dữ liệu để giải thích các dữ liệu sai.
Phân tích thành phần chính là một công cụ mạnh để phân tích dữ liệu. Việc sử dụng công cụ
này phụ thuộc vào loại thử nghiệm và loại câu hỏi mà bạn muốn có câu trả lời. Trong hầu hết
trường hợp, chỉ cần chạy một phân tích này trên mỗi thử nghiệm của bạn.
Phân tích thành phần chính được khuyến cáo sử dụng như là một công cụ thăm dò nhằm phát
hiện ra xu hướng cần tìm hiểu trong các dữ liệu.
Lưu ý rằng vì mục tiêu của phân tích thành phần chính là “tóm tắt” dữ liệu. Nó không được coi
là một công cụ để “thu gom” dữ liệu.
Kết quả của một phân tích thành phần chính thường thảo luận về các thành phần và
những điểm trội (Shaw, 2003).
PCA ứng dụng trong lĩnh vực thực phẩm thường dùng để đưa ra cách thức để xác định
những tính chất nào chiếm ưu thế hơn trong một sản phẩm. Nó cũng sẽ tìm hiểu mối tương
quan giữa các sản phẩm và tính chất của các sản phẩm đó.
Kết quả phân tích:
-4 -2 0 2 4 6 8
-6 -4 -2 0 2 4 6
Individuals factor map (PCA)
Dim 1 (88.79%)
Dim 2 (7.58%)
choc1
choc2
choc3
choc4
choc5
choc6
Biểu đồ 7:
Nhận xét:
+ Đây là mô hình phân tích phương sai tổng quan, nhìn vào nó ta có cái nhìn tổng quan về dữ
liệu chocolates trên từng nhóm sản phẩm. Nhìn vào biểu đồ cho thấy Dim1 giải thích được

88.79%, Dim2 giải thích được 7.58%, sự khác biệt trên nhóm sản phẩm choc3, nhóm sản phảm
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 13
Chocolates Data in SensoMineR
choc2,choc5,choc6 không có sự khác biệt nhiều nên nằm gần nhau, choc4 và choc1 có sự đánh
giá gần giống nhau nên cũng nằm gần nhau.
+ Hai sản phẩm 1 và 3 lại ở khá xa nhóm này và ở rất xa nhau nên hai sản phẩm này gần như
hoàn toàn khác nhau và khác với nhóm sản phẩm 2, 4, 6 và cũng khác so với sản phẩm 5.
-2 -1 0 1 2
-1.0 -0.5 0.0 0.5 1.0
Variables factor map (PCA)
Dim 1 (88.79%)
Dim 2 (7.58%)
CocoaA
MilkA
CocoaF
MilkF
Caramel
Vanilla
Sweetness
Acidity
Bitterness
Astringency
Crunchy
Melting
Sticky
Granular
CocoaA
MilkA
CocoaF

MilkF
Caramel
Vanilla
Sw eetness
Acidity
Bitterness
Astringency
Crunchy
Melting
Sticky
Granular
Biểu đồ 8
Nhận xét: Trên đây là biểu đồ đánh giá các thuộc tính có trong sản phẩm chocolates.
Dựa trên biểu đồ ta thấy các thuộc tính Sticky, Vanila, CocoaF, Sweetness, Caramel, MilkA,
MilkF, Melting không được ưa thích trên sản phẩm chocolates. Còn các thuộc tính còn lại
Acidity, Astringency,Bitterness, CocoaA, CocoaF, Granular, Crunchy được ưa thích trên sản
phẩm chocolates, và các thuộc tính không được ưa thích kìm hãm các thuộc tính được ưa thích
trên sản phẩm chocolates. Từ đó cho thấy mức độ ưa thích của các thuộc tính trên từng sản
phẩm. Các chấm màu cho thấy mức độ đạt chỉ tiêu cho từng thuộc tính trên sản phẩm, càng sát
với vong tròn thì mức độ ưa thích càng cao trên nhóm sản phẩm.
Và dưới đây là bảng so sánh chất lượng và mức độ chênh lệch giữa các sản phẩm với nhau,
lấy giá trị là 1 cho các sản phẩm, và tương quan giữ các sản phẩm dựa vào giá trị tra được
trong bảng, nhóm sản phẩm choc2 và choc5 gần như giống nhau về các tính chất cảm quan.
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 14
Chocolates Data in SensoMineR
P-values for the Hotelling T2 tests
choc1
choc2
choc3

choc4
choc5
choc6
1 4.199e-12 2.213e-24 5.377e-07 8.1e-13 2.319e-17
4.199e-12 1 7.884e-17 0.0008818 0.6708 0.00759
2.213e-24 7.884e-17 1 1.912e-17 1.599e-16 1.934e-15
5.377e-07 0.0008818 1.912e-17 1 0.0007292 3.787e-07
8.1e-13 0.6708 1.599e-16 0.0007292 1 0.06995
2.319e-17 0.00759 1.934e-15 3.787e-07 0.06995 1

choc1 choc2 choc3 choc4 choc5 choc6
3.Đồ thị Radar về Sensory profile của các loại chocolates
4
Radar Chart
CocoaA
MilkA
CocoaF
MilkF
Caramel
Vanilla
Sweetness
Acidity
Bitterness
Astringency
Crunchy
Melting
Sticky
Granular
choc1
choc2

choc3
choc4
choc5
choc6
n
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 15
Chocolates Data in SensoMineR
Đây là đồ thị thể hiện Sensory profile của từng loại chocolates:
+ Choc1 thuộc tính Crunchy, CocoaF, và Acidity có nhiều trong loại chocolates này và được ưa thích
trên nhóm đối tượng nghiên cứu choc1,còn các thuộc tính khác ở mức độ trung bình, không làm giảm
giá trị của choc1.
+ Choc2 thuộc tính caramel không được ưa thích trên nhóm sản phẩm này, đặc tính CocoaF được
chấm điểm thấp nhất và độ ngọt cũng không được chấm điểm cao ở loai choc2 này và dây là hai thuộc
tính được ưa thích ở choc2, những thuộc tính khác cũng ở mức độ trung bình trong khi đánh giá.
+ Choc3 thuộc tính CocoaF là thuộc tính được ưa thích nhất trên nhóm sản phẩm này, cá thuộc tính
còn lại cũng được đánh giá ở mức độ trung bình,
+ Choc4 Melting, Granular, CocoaF là thuộc tính được ưa thích ở sản phẩm này, Sticky không được ưa
thích trên nhóm đối tuogwj nghiên cứu choc4
+ Choc5 thuộc tính CocoaF được chấm điểm 0, mức độ ưa thích đạt điểm ưa thích nhất, Caramel,
Bitterness và Granular không được ưa thích trên choc5
+ Choc6 có điểm tương quan so với choc1, thuộc tinh CocoaF cũng được ưa thích trên nhóm đối tượng
này
Đánh giá chung: Thuộc tính CocoaF được ưa thích nhiều nhất trên mọi loại sản phẩm nghiên cứu, các
yếu tố Melting, Granular cũng được ưa thích nhưng không cao so với CocoaF, và các thuộc tính còn
lại ít ảnh hưởng đến sự đánh giá của các tham luận viên, người tieu dùng về các thuộc tính này
Và đây là cái nhìn tổng quan về các thuộc tính có trong đối tượng nghiên cứu:
Dựa vào đây có thể thấy tính chất CocoaF trong sản phẩm luôn được yêu thích, tiếp theo là
Melting, Acidity, các thuoccj tính còn lại ưa thích ở múc độ trung bình.
Xử lý số liệu thực nghiệm trong ngành CNTP

Page 16
I001
CocoaA
MilkA
CocoaF
MilkF
Caramel
Vanilla
Sweetness
Acidity
Bitterness
Astringency
Crunchy
Melting
Sticky
Granular
Chocolates Data in SensoMineR
4.Ma trận tương quan về các tính chất cảm quan của sản phẩm
CocoaA
0 6
0.43
***
0.55
***
0 6
0.43
***
0.17
**
0 6

0. 10
.
0.21
***
0 6
0.16
**
0.32
***
0 6
0.22
***
0.31
***
0 6
0 .0 84

0 .0 84

0 6
0 8
0. 051

0 8
MilkA
0.25
***
0.53
***
0.29

***
0.21
***
0.34
***
0 . 0 3

0.22
***
0. 047

0.14
*
0.22
***
0.22
***
0. 079

CocoaF
0.62
***
0.47
***
0.34
***
0.41
***
0.27
***

0.64
***
0.32
***
0.50
***
0.19
***
0.15
**
0 8
0 .0 94
.
0 8
MilkF
0.56
***
0.48
***
0.57
***
0.24
***
0.47
***
0.33
***
0.42
***
0.40

***
0.15
**
0.19
***
Caramel
0.60
***
0.45
***
0 . 0 6

0.32
***
0. 064

0.21
***
0.29
***
0.28
***
0 8
0. 066

0 8
Vanilla
0.39
***
0. 000 6

0.23
***
0. 031

0.17
**
0.31
***
0.18
**
0. 014

Sweetness
0.22
***
0.46
***
0.23
***
0.14
*
0.27
***
0.15
**
0 8
0. 076

0 8

Acidity
0.39
***
0.43
***
0.20
***
0.24
***
0.11
*
0.25
***
Bitterness
0.36
***
0.33
***
0.23
***
0. 07 3

0 8
0.19
***
0 8
Astringency
0.20
***
0.13

*
0.11
*
0.24
***
Crunchy
0.25
***
0.12
*
0 8
0.18
***
0 8
Melting
0 . 0 0 2 8

0.40
***
Sticky
0 8
0.26
***
0 6
0 8
0 6 0 6 0 6 0 6 0 6 0 6
Granular
Nhận xét: Do nhiều thuộc tính nên việc nghiên cứu trên biểu đồ tương quan gặp khó khăn, từ các kết
quả đã nghiên cứu và dựa vào biểu đồ này ta có thể đánh giá được một phần về mối tương quan giữa
các tính chất của sản phẩm. Nhìn vào biểu đồ ta thấy hệ số tương quan giũa CocoaF và MilkF,

Caramel lớn, nó có ý nghĩa thống kê.Hệ số tương quan giữa CocoaF và MilkF là 0.62, giữa MilkF và
Caramel là 0.56. Nhìn vào biểu đồ ta cũng thấy hệ số tương quan càng lớn kích thước phông chữ càng
to, và biểu đồ thể hiện rõ một phần sự tương quan giữa các biến số.
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 17
Chocolates Data in SensoMineR
-1 0 1 2
-1.5 -1.0 -0.5 0.0 0.5 1.0
MCA factor map
Dim 1 (2.76%)
Dim 2 (2.72%)
I001
I002
I003
I004
I005
I006
I007
I008
I009
I010
I011
I012
I013
I014
I015
I016
I017
I018
I019

I020
I021
I022
I023
I024
I025
I026
I027
I028
I029
I030
I031
I032
I033
I034
I035
I036
I037
I038
I039
I040
I041
I042
I043
I044
I045
I046
I047
I048
I049

I050
I051
I052
I053
I054
I055
I056
I057
I058
I059
I060
I061
I062
I063
I064
I065
I066
I067
I068
I069
I070
I071
I072I073
I074
I075
I076
I077
I078
I079
I080

I081
I082
I083
I084
I085
I086
I087
I088
I089
I090
I091
I092
I093
I094
I095
I096
I097
I098
I099
I100
I101
I102
I103
I104
I105
I106
I107
I108
I109
I110

I111
I112
I113
I114
I115
I116
I117
I118
I119
I120
I121
I122
I123
I124
I125
I126
I127
I128
I129
I130
I131
I132
I133
I134
I135
I136
I137
I138
I139
I140

I141
I142
I143
I144
I145
I146
I147
I148
I149
I150
I151
I152
I153
I154
I155
I156
I157
I158
I159
I160
I161
I162
I163
I164
I165
I166
I167
I168
I169
I170

I171
I172
I173
I174
I175
I176
I177
I178
I179
I180
I181
I182
I183
I184
I185
I186
I187
I188
I189
I190
I191
I192
I193
I194
I195
I196
I197
I198
I199
I200

I201
I202
I203
I204
I205
I206
I207
I208
I209
I210
I211
I212
I213
I214
I215
I216
I217
I218
I219
I220
I221
I222
I223
I224
I225
I226
I227
I228
I229
I230

I231
I232
I233
I234
I235
I236
I237
I238
I239
I240
I241
I242
I243
I244
I245
I246
I247
I248
I249
I250
I251
I252
I253
I254
I255
I256
I257
I258
I259
I260

I261
I262
I263
I264
I265
I266
I267
I268
I269
I270
I271
I272
I273
I274
I275
I276
I277
I278
I279
I280
I281
I282
I283
I284
I285
I286
I287
I288
I289
I290

I291
I292
I293
I294
I295
I296
I297
I298
I299
I300
I301
I302
I303
I304
I305
I306
I307
I308
I309
I310
I311
I312
I313
I314
I315
I316
I317
I318
I319
I320

I321
I322
I323
I324
I325
I326
I327
I328
I329
I330
I331
I332
I333
I334
I335
I336
I337
I338
I339
I340
I341
I342
I343
I344
I345I346
I347
I348
Panelist_1Panelist_2Panelist_3Panelist_4Panelist_5Panelist_6Panelist_7Panelist_8Panelist_9Panelist_10Panelist_11Panelist_12Panelist_13Panelist_14Panelist_15Panelist_16Panelist_17Panelist_18Panelist_19Panelist_20Panelist_21Panelist_22Panelist_23Panelist_24Panelist_25Panelist_26Panelist_27Panelist_28Panelist_29Session_1Session_2
Rank_1
Rank_2

Rank_3
Rank_4
Rank_5
Rank_6
choc1
choc2
choc3
choc4
choc5
choc6
Đây là mô hình MCA, mô hình phân tích tương quan đa biến, nói lên mức độ tương quan giữa các
thuộc tính tính trên nhóm sản phẩm nghiên cứu. Nhóm sản phẩm choc2 và choc5 có sự khác biệt so
với nhóm sản phẩm khác. Choc1 có khác biệt so với choc3,4, và 6.
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 18
Chocolates Data in SensoMineR
III. KẾT LUẬN
Cho dù hương vị hoặc kết cấu, hoặc kết hợp tất cả các thuộc tính cảm quan,thì chất lượng của mỗi
loại chocolates vẫn có điểm riêng biệt của nó. Các kết quả của nghiên cứu này chứng minh rằng tất
cả thuộc tính đóng một vai trò quan trọng trong việc xác định sự tương ứng thị hiếu của người tiêu
dùng. Vì vậy, khi tiến hành nghiên cứu về chất lượng thực phẩm khác nhau các yếu tố cần được xem
xét một cách cẩn thận hoặc hệ thống kiểm soát. Nếu có thể kết hợp về điểm yêu thích và không yêu
thích của các loại chocolates như đã nêu thì có thể tạo ra loại chocolates đặc trưng nhất, có chất lượng
tốt nhất, đáp ứng thị hiếu của người tiêu dùng.
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 19
Chocolates Data in SensoMineR
PHẦN PHỤ LỤC(CODE LỆNH SỬ DỤNG)
Dữ liệu được lấy ra từ Pakages SensomineR
>library(SensoMineR)

>library(FactomineR)
>library(Rcmdr)
> data(chocolates), package="SensoMineR")
1. Đối với dữ liệu hedochoc
> data(hedochoc (chocolates), package="SensoMineR")
>attach(hedochoc)
> Hedo=t(hedochoc)
> summary(Hedo)
choc1 choc2 choc3 choc4
Min. : 0.000 Min. : 0.000 Min. : 0.000 Min. : 0.000
1st Qu.: 3.000 1st Qu.: 4.000 1st Qu.: 4.000 1st Qu.: 4.000
Median : 5.000 Median : 6.000 Median : 6.000 Median : 6.000
Mean : 5.329 Mean : 5.689 Mean : 5.766 Mean : 5.766
3rd Qu.: 7.750 3rd Qu.: 7.000 3rd Qu.: 8.000 3rd Qu.: 8.000
Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.000
choc5 choc6
Min. : 1.000 Min. : 0.000
1st Qu.: 4.000 1st Qu.: 5.000
Median : 6.000 Median : 6.000
Mean : 5.626 Mean : 5.905
3rd Qu.: 7.000 3rd Qu.: 7.000
Max. :10.000 Max. :10.000
Biểu đồ 1:
> op <- par(mfrow=c(2,3))
> hist(Hedo[,"choc1"],col="pink")
> hist(Hedo[,"choc2"],col="pink")
> hist(Hedo[,"choc3"],col="pink")
> hist(Hedo[,"choc4"],col="pink")
> hist(Hedo[,"choc5"],col="pink")
> hist(Hedo[,"choc6"],col="pink")

Biểu đồ 2:
>D1 <- mean(Hedo[,("choc1")])
>D2 <- mean(Hedo[,("choc2")])
>D3 <- mean(Hedo[,("choc3")])
>D4 <- mean(Hedo[,("choc4")])
>D5 <- mean(Hedo[,("choc5")])
>D6 <- mean(Hedo[,("choc6")])
>THIHIEU <- c(D1,D2,D3,D4,D5,D6)
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 20
Chocolates Data in SensoMineR
>barplot(THIHIEU,xlab="Type of Chocolates",ylab="Points",ylim=c(0,10),main="Preference
mapping of Chocolates",col="green",bty="7")
Biểu đồ 3:
> boxplot(Hedo, main="Boxplot of hedochoc",col="green",notch=T)
Phân tích phương sai
>THIHIEU <- c(D1,D2,D3,D4,D5,D6)
> loai <-c(choc1,choc2,choc3,choc4,choc5,choc6)
> PHUONGSAI <- data.frame(Type,THIHIEU)
> anova(analysis)
Analysis of Variance Table
Response: THIHIEU
Df Sum Sq Mean Sq F value Pr(>F)
loai 1 0.4614 0.4614 0.394 0.5403
Residuals 14 16.3950 1.1711
> summary(analysis)
Call:
lm(formula = THIHIEU ~ loai)
Residuals:
Min 1Q Median 3Q Max

-1.6787 -1.1148 0.3737 0.8017 1.4440
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 5.76125 0.56749 10.152 7.75e-08 ***
loai -0.03684 0.05869 -0.628 0.54

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 1.082 on 14 degrees of freedom
Multiple R-squared: 0.02737, Adjusted R-squared: -0.0421
F-statistic: 0.394 on 1 and 14 DF, p-value: 0.5403
2.Đối với dữ liệu Sensochoc
> data(sensochoc (chocolates), package="SensoMineR")
>attach(sensochoc)
> Panelist <- as.factor(sensochoc[,"Panelist"])
> Session <- as.factor(sensochoc[,"Session"])
> Rank <- as.factor(sensochoc[,"Rank"])
> Product <- sensochoc[,"Product"]
> senso1=sensochoc[,-c(1,2,3,4)]
> names(senso1)
[1] "CocoaA" "MilkA" "CocoaF" "MilkF"
"Caramel"
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 21
Chocolates Data in SensoMineR
[6] "Vanilla" "Sweetness" "Acidity" "Bitterness"
"Astringency"
[11] "Crunchy" "Melting" "Sticky" "Granular"
> summary(senso1)
CocoaA MilkA CocoaF MilkF
Min. : 0.000 Min. : 0.000 Min. : 0.000 Min. : 0.000

1st Qu.: 5.000 1st Qu.: 2.000 1st Qu.: 5.000 1st Qu.: 1.000
Median : 7.000 Median : 4.000 Median : 7.000 Median : 3.000
Mean : 6.287 Mean : 4.414 Mean : 6.345 Mean : 3.454
3rd Qu.: 8.000 3rd Qu.: 6.000 3rd Qu.: 8.000 3rd Qu.: 5.000
Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.000
Caramel Vanilla Sweetness Acidity
Min. : 0.000 Min. :0.000 Min. : 0.000 Min. : 0.000
1st Qu.: 1.000 1st Qu.:0.000 1st Qu.: 3.000 1st Qu.: 1.000
Median : 3.000 Median :1.000 Median : 5.000 Median : 3.000
Mean : 3.353 Mean :2.069 Mean : 5.083 Mean : 3.175
3rd Qu.: 6.000 3rd Qu.:3.000 3rd Qu.: 7.000 3rd Qu.: 5.000
Max. :10.000 Max. :9.000 Max. :10.000 Max. :10.000
Bitterness Astringency Crunchy Melting
Min. : 0.000 Min. : 0.000 Min. : 0.000 Min. : 0.000
1st Qu.: 2.000 1st Qu.: 1.000 1st Qu.: 4.000 1st Qu.: 3.000
Median : 5.000 Median : 3.000 Median : 7.000 Median : 5.000
Mean : 4.612 Mean : 3.112 Mean : 6.121 Mean : 4.951
3rd Qu.: 7.000 3rd Qu.: 5.000 3rd Qu.: 8.000 3rd Qu.: 7.000
Max. :10.000 Max. :10.000 Max. :10.000 Max. :10.000
Sticky Granular
Min. : 0.00 Min. : 0
1st Qu.: 2.00 1st Qu.: 1
Median : 4.00 Median : 2
Mean : 3.98 Mean : 3
3rd Qu.: 6.00 3rd Qu.: 5
Max. :10.00 Max. :10
CocoaA
>Phantich1=aov(CocoaA~Panelist+Session+Rank+Product+Panelist:Session+Panelist:Rank+
Panelist:Product +Session :Rank +Session :Product +Rank:Product)
>anova(phantich1)

Analysis of Variance Table
Response: CocoaA
Df Sum Sq Mean Sq F value Pr(>F)
Panelist 1 9.54 9.54 2.5046 0.1145
Session 1 3.72 3.72 0.9780 0.3234
Rank 1 8.52 8.52 2.2378 0.1357
Product 5 208.01 41.60 10.9253 1.006e-09 ***
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 22
Chocolates Data in SensoMineR
Panelist:Session 1 2.10 2.10 0.5506 0.4586
Panelist:Rank 1 0.71 0.71 0.1862 0.6664
Panelist:Product 5 2.09 0.42 0.1097 0.9902
Session:Rank 1 1.16 1.16 0.3046 0.5814
Session:Product 5 8.61 1.72 0.4521 0.8117
Rank:Product 5 26.50 5.30 1.3918 0.2269
Residuals 321 1222.31 3.81

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
>TukeyHSD(Phantich1)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = CocoaA ~ Panelist + Session + Rank + Product
+ Panelist:Session + Panelist:Rank + Panelist:Product +
Session:Rank + Session:Product + Rank:Product)
$Product
diff lwr upr p adj
choc2-choc1 -0.54554102 -1.5844332 0.4933512 0.6609831
choc3-choc1 -2.42327162 -3.4621638 -1.3843794 0.0000000
choc4-choc1 -0.83074571 -1.8696379 0.2081465 0.2000661

choc5-choc1 -0.30890097 -1.3477932 0.7299913 0.9572072
choc6-choc1 -0.73203669 -1.7709289 0.3068555 0.3331137
choc3-choc2 -1.87773059 -2.9166228 -0.8388384 0.0000058
choc4-choc2 -0.28520469 -1.3240969 0.7536875 0.9695895
choc5-choc2 0.23664005 -0.8022522 1.2755323 0.9867216
choc6-choc2 -0.18649567 -1.2253879 0 8523966 0.9955881
choc4-choc3 1.59252590 0.5536337 2.6314181 0.0002173
choc5-choc3 2.11437065 1.0754784 3.1532629 0.0000002
choc6-choc3 1.69123492 0.6523427 2.7301271 0.0000655
choc5-choc4 0.52184474 -0.5170475 1.5607370 0.7024289
choc6-choc4 0.09870902 -0.9401832 1.1376012 0.9997962
choc6-choc5 -0.42313572 -1.4620279 0.6157565 0.8518869
> plot(TukeyHSD(phantich1))
>Phantich1<-aov(CocoaA~Product)
MilkA
>phantich2=aov(phantich2<-aov(MilkA~Panelist+Session+Rank+Product+Panelist:Session
+Panelist:Rank+Panelist:Product +Session :Rank +Session :Product +Rank:Product)
>anova(phantich2)
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 23
Chocolates Data in SensoMineR
Analysis of Variance Table
Response: MilkA
Df Sum Sq Mean Sq F value Pr(>F)
Panelist 1 0.45 0.45 0.0813 0.7758
Session 1 5.07 5.07 0.9104 0.3407
Rank 1 3.55 3.55 0.6370 0.4254
Product 5 216.20 43.24 7.7657 6.499e-07 ***
Panelist:Session 1 15.93 15.93 2.8615 0.0917 .
Panelist:Rank 1 0.03 0.03 0.0058 0.9395

Panelist:Product 5 6.61 1.32 0.2372 0.9459
Session:Rank 1 15.11 15.11 2.7142 0.1004
Session:Product 5 7.30 1.46 0.2623 0.9334
Rank:Product 5 36.82 7.36 1.3224 0.2542
Residuals 321 1787.34 5.57

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’
1
> TukeyHSD(phantich2)

Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = MilkA ~ Panelist + Session + Rank + Product
+ Panelist:Session+Panelist:Rank+Panelist:Product+ Session:Rank
+ Session:Product + Rank:Product)
$Product
diff lwr upr p adj
choc3-choc1 2.47163241 1.2153619 3.7279030 0.0000006
choc3-choc2 2.05070494 0.7944344 3.3069755 0.0000619
choc4-choc2 0.09835230 -1.1579182 1.3546228 0.9999216
choc5-choc2 0.17547138 -1.0807992 1.4317419 0.9986666
choc6-choc2 0.56692713 -0.6893434 1.8231977 0.7883401
choc4-choc3 -1.95235264 -3.2086232 -0.6960821 0.0001673
choc5-choc3 -1.87523357 -3.1315041 -0.6189630 0.0003540
choc6-choc3 -1.48377782 -2.7400484 -0.2275073 0.0102578
choc5-choc4 0.07711908 -1.1791515 1.3333896 0.9999765
choc6-choc4 0.46857483 -0.7876957 1.7248454 0.8932196
choc6-choc5 0.39145575 -0.8648148 1.6477263 0.9479270
>plot(TukeyHSD(phantich2))
CocoaF

>phantich3=aov(phantich3<-aov(CocoaF~Panelist+Session+Rank+Product+Panelist:Session
+Panelist:Rank+Panelist:Product +Session :Rank +Session :Product +Rank:Product)
>anova(phantich3)
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 24
Chocolates Data in SensoMineR
Analysis of Variance Table
Response: CocoaF
Df Sum Sq Mean Sq F value Pr(>F)
Panelist 28 291.29 10.403 5.9458 0.0001734 ***
Session 1 8.38 8.379 4.7891 0.0428909 *
Rank 5 36.52 7.303 4.1742 0.0117210 *
Product 5 712.45 142.490 81.4390 2.886e-11 ***
Panelist:Session 28 79.62 2.844 1.6252 0.1485648
Panelist:Rank 140 371.98 2.657 1.5186 0.1614552
Panelist:Product 89 212.88 2.392 1.3671 0.2370738
Session:Rank 5 12.34 2.467 1.4100 0.2703887
Session:Product 5 10.35 2.071 1.1835 0.3579142
Rank:Product 24 49.07 2.044 1.1685 0.3761031
Residuals 17 29.74 1.750

Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
>TukeyHSD(phantich3)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = CocoaF ~ Product)
$Product
diff lwr upr p adj
choc2-choc1 -1.1551724 -2.1070009 -0.2033439 0.0074665
choc3-choc1 -4.6896552 -5.6414837 -3.7378267 0.0000000

choc4-choc1 -1.3793103 -2.3311389 -0.4274818 0.0005883
choc5-choc1 -1.2758621 -2.2276906 -0.3240336 0.0020071
choc6-choc1 -1.8448276 -2.7966561 -0.8929991 0.0000008
choc3-choc2 -3.5344828 -4.4863113 -2.5826542 0.0000000
choc4-choc2 -0.2241379 -1.1759664 0.7276906 0.9846025
choc5-choc2 -0.1206897 -1.0725182 0.8311389 0.9991669
choc6-choc2 -0.6896552 -1.6414837 0.2621733 0.3020703
choc4-choc3 3.3103448 2.3585163 4.2621733 0.0000000
choc5-choc3 3.4137931 2.4619646 4.3656216 0.0000000
choc6-choc3 2.8448276 1.8929991 3.7966561 0.0000000
choc5-choc4 0.1034483 -0.8483802 1.0552768 0.9996070
choc6-choc4 -0.4655172 -1.4173458 0.4863113 0.7260495
choc6-choc5 -0.5689655 -1.5207940 0.3828630 0.5239983
>plot(TukeyHSD(phantich3))
Mô hình phân tích phương sai:
Xử lý số liệu thực nghiệm trong ngành CNTP
Page 25