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

MỤC LỤC
MỤC LỤC................................................................................................................................................................1


Chocolates Data in SensoMineR
I.MỞ ĐẦU...............................................................................................................................................................2
1.Tính cấp thiết của đề tài..................................................................................................................................2
2.Mục đích nghiên cứu......................................................................................................................................3
3.Đối tượng nghiên cứu.....................................................................................................................................4
4.Phạm vi nghiên cứu........................................................................................................................................4
5.Bố cục bài báo cáo..........................................................................................................................................4
II.KẾT QUẢ NGHIÊN CỨU.......................................................................................................................................5
1.Đối với dữ liệu hedochoc................................................................................................................................5
2.Đối với dữ liệu sensochoc.............................................................................................................................10
4.Ma trận tương quan về các tính chất cảm quan của sản phẩm....................................................................20
III. KẾT LUẬN........................................................................................................................................................22
PHẦN PHỤ LỤC(CODE LỆNH SỬ DỤNG)...............................................................................................................23
TÀI LIỆU THAM KHẢO...........................................................................................................................................31

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.

Page 2


Chocolates Data in SensoMineR
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:
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.

Page 3


Chocolates Data in SensoMineR

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 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
Page 4


Chocolates Data in SensoMineR
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.

II.KẾT QUẢ NGHIÊN CỨU
1. Đối với dữ liệu hedochoc

 Biểu đồ cảm quan về điểm thị hiếu của 6 loại chocolates

Page 5


Chocolates Data in SensoMineR

0

2

4

6

8 10

0

0

0

5

10 15 20 25 30 35

Frequency

20
10

Frequency

30

40

10 15 20 25 30 35
5

Frequency

Histogram of Hedo[, "choc1"] Histogram of Hedo[, "choc2"] Histogram of Hedo[, "choc3"]

0

Hedo[, "choc1"]

2

4

6

8 10

0

Hedo[, "choc2"]

2

4

6

8 10

Hedo[, "choc3"]

0

2

4

6

8 10

Hedo[, "choc4"]

40

30
0

10

20

Frequency

30
0

10

20

Frequency

20
10
0

Frequency

30

40

40

Histogram of Hedo[, "choc4"] Histogram of Hedo[, "choc5"] Histogram of Hedo[, "choc6"]

2

4

6

8

Hedo[, "choc5"]

10

0

2

4

6

8 10

Hedo[, "choc6"]

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
Page 6


Chocolates Data in SensoMineR
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

Page 7


Chocolates Data in SensoMineR

0

2

4

Points

6

8

10

Preference mapping of Chocolates

Type of Chocolates
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.
Page 8


Chocolates Data in SensoMineR
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.

0

2

4

6

8

10

boxplot of hedochoc

choc1

choc2

choc3

choc4

choc5

choc6

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).
Page 9


Chocolates Data in SensoMineR
+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 (47,9),cuối cùng nhóm choc 6 mức độ ưa thích dao động trong khoảng (5-7,2)
 Phân tích phương sai
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

Page 10


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
(choc3choc1),
(
choc3choc2),
(choc4choc3
),
( choc5-choc3
),(
choc6choc3 ). 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
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
Page 11

+


Chocolates Data in SensoMineR
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 ),( choc4choc3),( 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% familywise
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
Page 12


Chocolates Data in SensoMineR
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
(choc2choc1
),
( choc3-choc1
),(
choc4choc1),
(
choc5choc1),
(
choc6choc1),
( 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 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
Page 13


Chocolates Data in SensoMineR
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:

Page 14


Chocolates Data in SensoMineR

2
choc1
choc3

0

choc4

-4

-2

choc2
choc5
choc6

-6

Dim 2 (7.58%)

4

6

Individuals factor map (PCA)

-4

-2

0

2

4

6

8

Dim 1 (88.79%)
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 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.
Page 15


Chocolates Data in SensoMineR

0.0

Astringency
Bitterness

Acidity

CocoaF
Granular
CocoaA

-0.5

CocoaA
MilkA
CocoaF
MilkF
Caramel
Vanilla
Sw eetness
Acidity
Bitterness
Astringency
Crunchy
Melting
Sticky
Granular

Crunchy
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
-2 ưa thích trên sản phẩm chocolates.-1Từ đó cho thấy mức độ ưa thích của các
0 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.
1 (88.79%)
Và dưới đây là bảng so sánh chất lượng và mức độ chênh lệch giữa các Dim
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.

-1.0

Dim 2 (7.58%)

0.5

1.0

Variables factor map (PCA)

Page 16

St
Melti

MilkF

MilkA


Chocolates Data in SensoMineR

P-values for the Hotelling T2 tests

choc1

choc2

choc3

choc4

choc5

choc6

choc1

1

4.199e-12

2.213e-24

5.377e-07

8.1e-13

2.319e-17

choc2

4.199e-12

1

7.884e-17

0.0008818

0.6708

0.00759

choc3

2.213e-24

7.884e-17

1

1.912e-17

1.599e-16

1.934e-15

choc4

5.377e-07

0.0008818

1.912e-17

1

0.0007292

3.787e-07

choc5

8.1e-13

0.6708

1.599e-16

0.0007292

1

0.06995

choc6

2.319e-17

0.00759

1.934e-15

3.787e-07

0.06995

1

3.Đồ thị Radar về Sensory profile của các loại chocolates

Page 17


Chocolates Data in SensoMineR

Radar Chart

CocoaA
MilkA

Granular

Sticky

CocoaF

MilkF

Melting

Caramel

Crunchy

Vanilla

Sweetness

Bitterness
Acidity

choc1
choc2
choc3
Astringency
choc4
choc5
choc6
n

4

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
Page 18


Chocolates Data in SensoMineR
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:
I001
CocoaA
MilkA

Granular
Sticky

CocoaF

MilkF

Melting

Caramel

Crunchy

Astringency

Vanilla

Sweetness

Bitterness
Acidity

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.

Page 19


Chocolates Data in SensoMineR
4.Ma trận tương quan về các tính chất cảm quan của sản phẩm

0 6

0 6

0 6

.

0 6

0 6

0 6

0

*** *** *** **
*** ** *** *** ***
***0.53
*** *** *** *** ***
* *** ***
0.62
***0.47
*** *** 0.41
*** ***0.64
*** ***0.50
*** *** **
0.56
***0.48
***0.57
*** ***0.47
*** *** 0.42
*** *** ** *
0.60
***0.45
*** *** *** *** ***
*** ***
** *** **
***0.46
*** *** * *** **
*** 0.43
*** *** *** * *
*** *** *** *
*** * * *
*** * *
*

*

0 8

CocoaA 0.43

MilkA

0.55

0.43

0.25

0.17

0 .1 0

0.29

0.21

0.34

0.34

CocoaF

0 8

0.21

MilkF

0 8

Caramel

0.16

0.32

0.22

0.31

0 .08 4

0 .0 8 4

0 . 0 3

0.22

0 . 04 7

0.14

0.22

0.22

0.27

0.32

0.19

0.15

0.24

0.33

0.40

0.15

0 . 0 6

Vanilla 0.39

0 . 0 0 0 6

0.32

0.23

0 8

Sweetness 0.22

0 . 06 4

0.21

0.29

0.28

0 . 03 1

0.17

0.31

0.18

0.14

0.27

0.15

0.20

0.24

0.11

0.33

0.23

0.23

Acidity 0.39

0 8

Bitterness 0.36

Astringency 0.20

0 8

Crunchy

0 . 0 7 3

0.13

0.11

0.25

0.12

Melting

0. 0 0 28

0 8

Sticky

Nhận xét: Do nhiều thuộc tính nên việc nghiên cứu trên biểu đồ tương quan gặp khó khăn, từ các kết
giá được0một
quan giữa
0quả6 đã nghiên cứu
0 và
6 dựa vào biểu
0 đồ
6 này ta có thể
0 đánh
6
6 phần về mối0 tương
6
0 6
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.

Page 20

0

0

0

0

Gra


Chocolates Data in SensoMineR

MCA factor map

I021
I061
I075
I098
I129
I173
I180
I232
I280
I299

0.0
-1.0

-0.5

Rank_6
I336
I027

I055
I103
I133
I166
I194
I228
I251
I284
I301
I002 I297
I054
I078
I097
I128
I187
I230
I277
I307
I348
I020
I065
I081
I100
I130
I160
I202
I231
I005
I069
I095

I142
I170
I177
I218
I259
I268
I015 I347
I037
I074
I110
I124
I191
I236
I279
I293
I321
I341
choc3I320
I029
I060
I090
I123
I153
I210
I238
I258
I274
I306
I332
I024

I039
I111
I118
I167
I195
I246
I288
I033 I292
I047
I137
I174
I178
I225
I261
I318
I330
choc2
I034 choc4
I051
I086
I116
I184
I245
I257
I312
I325
choc6
I012 I313
I063
I084

I108
I148
I161
I204
I216
I250
I300
I008
I046
I093
I141
I156
I205
I222
I265
I036
I041
I114
I119
I163
I196
I243
I263
I290
I322
I326
I018
I062
I102
I131

I162
I203
I234
I273
I298
I339
I023
I056
I083
I089
I147
I183
I215
I254
I304
I013 Panelist_10
I067
I079
I113
I120
I181
I241
I294
I338
I032
I038
I150
I157
I201
I213

I271
I324
I329
Panelist_29
Panelist_28
Panelist_27
Panelist_26
Panelist_25
Panelist_24
Panelist_23
Panelist_22
Panelist_21
Panelist_20
Panelist_19
Panelist_18
Panelist_17
Panelist_16
Panelist_15
Panelist_14
Panelist_13
Panelist_12
Panelist_11
Session_2
Session_1
Panelist_9
Panelist_8
Panelist_7
Panelist_6
Panelist_5
Panelist_4

Panelist_3
Panelist_2
Panelist_1
I019I317
I066
I087
I121
I172
I175
I240
I253
I262
I295
I010
I045
I149
I189
I212
I287
I035
I059
I088
I126
I152
I209
I239
I255
I305
I328
I014

I073
I072
I091
I140
I169
I176
I217
I266
I278
I337
I007 Rank_4
I052
I080
I105
I134
I185
I226
I247
I311
I030
I050
I106
I139
I159
I199
I219
I252
I275
I308
I334

I001
I064
I101
I115
I154
I208
I242
I296
I346
I003
I049
I104
I136
I182
I223
I248
I309
I345
I028
I070
I125
I171
I179
I235
I
I335
077
282
I025
I044

I076
I146
I192
I214
I281
I316
I333
I011
I048
I145
I155
I206
I211
I272
I009 I314
I068
I092
I132
I165
I197
I229
I267
I285
choc1
I017
I071
I094
I143
I186
I220

I269
I340
I004
I042
I096
I138
I168
I198
I227
I264
I270
I319
I343
I022
I043
I109
I127
I190
I233
I283
I289
I315
I016
I058
I099
I144
I151
I207
I221
I276

I303
I342
Rank_5
Rank_1
Rank_3 I344
I006
I053
I107
I135
I188
I224
I249
I286
I310
I026
I057
I085
I122
I164
I193
I237
I256
I260
I302
I031 I331
I040
I082
I112
I117
I158

I200
I244
I291
I323
I327
choc5

-1.5

Dim 2 (2.72%)

0.5

1.0

Rank_2

-1

0

1

2

Dim 1 (2.76%)
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.

Page 21


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.

Page 22


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
Min.
: 0.000
Min.
: 0.000
1st Qu.: 3.000
1st Qu.: 4.000
Median : 5.000
Median : 6.000
Mean
: 5.329
Mean
: 5.689
3rd Qu.: 7.750
3rd Qu.: 7.000
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")])
Page 23

choc3
Min.
: 0.000
1st Qu.: 4.000
Median : 6.000
Mean

: 5.766
3rd Qu.: 8.000
Max.
:10.000

choc4
Min.
: 0.000
1st Qu.: 4.000
Median : 6.000
Mean
: 5.766
3rd Qu.: 8.000
Max.
:10.000


Chocolates Data in SensoMineR
>D3 <- mean(Hedo[,("choc3")])
>D4 <- mean(Hedo[,("choc4")])
>D5 <- mean(Hedo[,("choc5")])
>D6 <- mean(Hedo[,("choc6")])
>THIHIEU <- c(D1,D2,D3,D4,D5,D6)
>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
-1.6787 -1.1148 0.3737 0.8017

Max
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"]
Page 24


Chocolates Data in SensoMineR
> senso1=sensochoc[,-c(1,2,3,4)]
> names(senso1)
[1] "CocoaA"
"MilkA"
"CocoaF"
"MilkF"
"Caramel"
[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
Page 25