1 Análise sensorial

A análise sensorial é definida como uma disciplina científica usada para evocar, medir, analisar e interpretar reações das características dos alimentos e materiais, como percebidas pelo sentidos da visão, olfato, sabor, tato, e audição.

2 Contexto da análise sensorial de bacon

Esta apresentação baseia-se nas variações sensoriais geradas nas amostras de bacon devido a defumação com diferentes madeiras reflorestadas e fumaças liquidas.

3 Objetivos

3.1 Á respeito da análise sensorial:

Estudar as diferencias nas características sensórias percebidas pelos consumidores dos bacons devido as diferentes fontes de defumação.

3.2 Á respeito da análise de dados usando R:

Demostrar a facilidade, potencialidade e reprodutibilidade que mostra o ambiente R na análise de dados sensoriais.

A seguir é apresentado o dataframe, depois da análise sensorial.

4 Revisando o dataframe antes de iniciar a análise de dados

Código usado para ingressar o dataframe:

data<- read.table("clipboard", header=TRUE, sep="\t", na.strings="NA",   dec=".", strip.white=TRUE)

Estrutura do dataframe

str(data)
## 'data.frame':    350 obs. of  23 variables:
##  $ Consumer              : int  6 9 10 12 13 14 19 20 24 25 ...
##  $ Sample                : Factor w/ 7 levels "Acacia","Bamboo",..: 4 4 4 4 4 4 4 4 4 4 ...
##  $ OL                    : int  4 4 8 8 2 3 4 2 2 3 ...
##  $ Little.oily.appearance: int  0 0 0 1 0 1 0 0 1 0 ...
##  $ Very.oily.appearance  : int  1 0 0 0 1 0 1 0 0 0 ...
##  $ Color.of.red.meat     : int  0 1 0 1 1 0 1 1 1 0 ...
##  $ White.fat.appearance  : int  1 1 1 0 1 0 0 0 0 1 ...
##  $ Snack.bar             : int  1 0 0 0 0 0 0 1 0 0 ...
##  $ Artificial.flavor     : int  0 0 0 1 1 1 0 0 0 0 ...
##  $ Woody.Flavor          : int  0 0 0 0 0 0 1 1 1 0 ...
##  $ Little.smoked.flavor  : int  0 1 1 1 0 0 1 1 0 1 ...
##  $ Very.smoked.flavor    : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ Little.salty          : int  1 1 0 1 0 0 1 1 0 0 ...
##  $ Very.salty            : int  0 0 0 0 0 0 0 0 0 0 ...
##  $ Little.smoked.taste   : int  0 1 0 0 1 1 1 0 0 1 ...
##  $ Very.smoked.taste     : int  0 0 0 1 0 0 0 0 1 0 ...
##  $ Little.oily.taste     : int  0 0 0 0 0 1 1 0 1 0 ...
##  $ Very.oily.taste       : int  1 0 0 0 1 0 0 0 0 1 ...
##  $ Little.seasoned.taste : int  0 0 0 0 0 1 1 1 0 1 ...
##  $ Very.seasoned.taste   : int  0 0 1 1 0 0 0 0 1 0 ...
##  $ Smooth                : int  1 1 0 1 0 0 1 0 0 0 ...
##  $ Succulent             : int  0 1 0 0 0 0 0 0 0 0 ...
##  $ Rubbery               : int  0 0 0 0 1 1 0 1 1 0 ...

Transformando consumidores em fatores

data$Consumer=as.factor(data$Consumer)

Estrutura dos consumidores

str(data$Consumer)
##  Factor w/ 50 levels "6","9","10","12",..: 1 2 3 4 5 6 7 8 9 10 ...

Revisando o dataframe

data[1:6,1:3]
##   Consumer     Sample OL
## 1        6 Eucalyptus  4
## 2        9 Eucalyptus  4
## 3       10 Eucalyptus  8
## 4       12 Eucalyptus  8
## 5       13 Eucalyptus  2
## 6       14 Eucalyptus  3

5 Analisando o data frame

Criação da tabela de contingência

TC<-aggregate(data[,4:19],list(Sample=data[,2]), sum, na.rm=TRUE)
row.names(TC) <- as.character(TC$Sample)
TC<-TC[,-1]
TC[1:6,1:3]
##            Little.oily.appearance Very.oily.appearance Color.of.red.meat
## Acacia                          2                   32                 6
## Bamboo                         19                   11                30
## BC                             13                   25                24
## Eucalyptus                      8                   23                18
## Ideal                          30                    3                34
## LC1                             5                   27                 4

Teste de Qui-quadrado para demostrar a independência entre as linhas e as colunas

chisq.test(TC)
## 
##  Pearson's Chi-squared test
## 
## data:  TC
## X-squared = 437.44, df = 90, p-value < 2.2e-16

Carregando os pacote necessário para a análise

library(FactoMineR)

Executando a análise de correspondencia considerando a amostra ideal como linha suplementaria

ca<-CA(TC, row.sup=5,graph=FALSE)
ellipseCA(ca,ellipse="row",col.col.ell=c(rep("blue",2),rep("transparent",3)))

6 Conclusões

6.1 Á respeito da análise sensorial:

As amostras comercial e a defumada com eucalipto foram percebidas como diferentes devido a que a amostra comercial foi percebida com aroma muito defumado enquanto que a amostra defumada com eucalipto foi percevida com Aroma amadeirado.

6.2 Á respeito da análise de dados usando R:

Se demostró a facilidade, potencialidade e reprodutibilidade que fornece o uso do ambiente R já que com poucas linhas de comando foi possivel analisar um grande dataframe, sendo também capaz de gerar gráficos com elipses de confiança. Além diso ao disponibilizarmos o dataframe e o script se garante a reprodutibilidade das analises pela comunidade cientifica.