葡萄酒评价的统计方法
葡萄酒评价指标
葡萄酒评价指标区分好坏葡萄酒没有具体的绝对的量化标准，目前权威的葡萄酒评分系统主要是美国著名的葡萄酒评论家罗伯特·帕克，帕克推崇的是葡萄酒100分制评分体系；以及大家俗称的3W1D也是世界葡萄酒评分系统中的权威。
帕克的100分制给葡萄酒的打分范围是50-100，基于以下四个因素：外观，香气，风味，总体质量或潜力。
帕克将葡萄酒分成四个档次(从50-100分)，具体的打分体系如下：96-100 Extraordinary 经典：顶级葡萄酒。
90-95 Outstanding 优秀：具有高级品味特征和口感的葡萄酒。
80-89 Above average 优良：口感纯正、制作优良的葡萄酒。
70-79 Average 一般：略有瑕疵，但口感无尚大碍的葡萄酒。
60-69 Below average 低于一般：不值得推荐50-59 Unacceptable 次品一般帕克的评分系统会给每一款酒一个基础的分数（50分）。
在50分的基础上，按酒的质量特点加分。
酒的颜色和外观值5分，好的葡萄酒的外观应该澄亮透明（深颜色的酒可以不透明），有光泽，其颜色与酒的名称相符，色泽自然、悦目。
然后，酒香值15分，取决于香气的浓度、复杂度和纯粹感，香气应该是葡萄的果香（比如赤霞珠的黑醋栗香气、黑比诺的樱桃香气、霞多丽的热带水果香气）、发酵的酒香、陈酿的醇香（橡木桶陈酿及瓶内陈酿组成的香气，主要包括花香、果香、辛香料香、动物香、矿物香、动物香、焙烤香等香气类型），这些香气应该平衡、协调、融为一体，香气幽雅，令人愉快；酒的口感和后味值20分，好的葡萄酒其口感应该是舒畅愉悦的，各种香味应细腻、柔和，酒体丰满完整，有层次感和结构感，果味、单宁、酒精、酸度、甘油、糖分均衡，余味绵长；最后，酒的总体质量水平或者演化进步的潜力，也就是说陈化的潜力，值10分。
3W指WA、WS、WEWA是《葡萄酒倡导家》杂志Wine Advocate journal 即罗伯特·帕克的评分WS是《葡萄酒观察家》Wine Spectator magazine杂志，该杂志同样为美国最具影响力的杂志之一，同样倡导百分制，基本思路与帕克类似，但《葡萄酒观察家》拥有众多的优秀评酒师，通过蒙瓶试酒，多方面综合结果，所以评分相对较中立。
数学建模毕业论文--葡萄酒的评价
数学建模毕业论文--葡萄酒的评价
葡萄酒的评价是一项复杂的任务，涉及多个因素，包括葡萄品种、酿造过程、年份、产地和存储条件等。
在数学建模中，我们可以利用统计分析和机器学习算法来对葡萄酒进行评价，以预测其质量和特征。
首先，我们可以采集一定数量的葡萄酒样本，并测量其相关属性，如酒精含量、酸度、pH值、残留糖分、挥发性酸、柠檬
酸等。
利用统计分析方法，我们可以探索这些属性与葡萄酒质量之间的关系，建立相应的数学模型。
例如，可以使用线性回归分析来确定具体属性与葡萄酒得分之间的相关性。
另一方面，机器学习算法可以帮助我们构建更复杂的评价模型。
可以使用聚类算法将葡萄酒样本分成不同的类别，以发现具有相似特征的葡萄酒群体。
此外，可以使用分类算法或回归算法来预测葡萄酒的质量评分。
这些算法可以利用已知的葡萄酒样本数据进行训练，并在新样本上进行预测。
除了属性数据，我们还可以考虑其他因素对葡萄酒评价的影响。
例如，可以考虑葡萄酒的价格、评分和消费者评价等因素，以构建更综合的评价模型。
可以使用模糊数学方法来处理这些不确定性和主观性因素，以得出更准确的评价结果。
最后，为了验证模型的准确性和稳定性，可以使用交叉验证或留一验证的方法进行模型评估。
这些方法可以帮助我们评估模型的泛化能力，并进行必要的调整和改进。
数学建模可以帮助我们对葡萄酒进行评价，为葡萄酒生产商、消费者和酒评人提供有关葡萄酒质量和特征的有价值信息。
葡萄酒品酒员评价结果的统计分析模型
葡萄酒品酒员评价结果的统计分析模型[摘要]对于品酒员的评价是否有显著差异的问题，本文运用配对T检验法，采取“先总分—后项目分”的策略，对两组品酒员的评价结果进行检验，得出两组评价结果有显著性差异；对于评价结果可信度分析，本文综合运用标准差检验、肯德尔W系数检验以及品酒员打分均值的相关系数检验，得出第一组品酒员的评价结果更可信的结果。
[关键词]T检验；标准差检验；肯德尔W系数；相关系数针对2012年高教社杯全国大学生数学建模竞赛A题第一问，本文对其中两组品酒员评价结果的差异性、可信度做了如下统计分析。
1问题假设（1）品酒员评分是相互独立且不受外界因素影响的；（2）样本均为随机抽取，样本的容量足够大，符合统计学相关规律。
2模型的建立与求解2.1数据分析及处理分别按红葡萄酒和白葡萄酒两种类型对两组品酒员的评分进行分析。
其中，第一组红葡萄酒品尝评分中，样品酒20的4号品酒员二级指标色调数据缺失；第一组白葡萄酒品尝评分中，样品酒3的7号品酒员，样品酒8的9号品酒员在二级指标持久性的得分高于该项指标满分，显然是异常数据。
为尽可能还原真实数据，采用其他9位品酒员在该项指标平均值替代异常数据。
异常数据经过处理后分别为6，6，6（单位：分）。
2.2问题求解分析两组品酒员的评价结果有无显著性差异，若对数据进行变换，使分数尽可能反映葡萄酒的真实品质，必然会使两组品酒员的评分结果趋向一致，可能会导致本来具有显著性差异的原始数据经处理后变得无显著性差异。
故本文采用每组葡萄酒十位品酒员对同一样品分类指标打分求和得到总分相加取平均的做法，作为该组该样品的最终得分。
接下来，分别对同一类型的两组数据“配对T检验”，即用每一种葡萄酒二组的最终总得分进行配对T检验[原假设（H0）：没有显著差异性，备择假设（H1）：有显著差异性，检验水准：p=0.05]。
如果不通过检验，说明两组数据总体呈现显著性差异，反之，说明两组数据总体不呈现显著性差异，需要进一步对两组样品数据的一级指标求和取均值，逐一对其进行配对T检验，重复上述判断。
多元统计分析在葡萄酒品质评鉴中的应用
多元统计分析在葡萄酒品质评鉴中的应用多元统计分析是一种对大量多变量数据进行统计分析的技术，由数据的统计学推断和形式模型的建立两部分组成，它的基本思想是描述、表达和分析数据之间的关系，以达到深入理解数据背后含义的目的[1]。
在葡萄酒品质评鉴中，多元统计分析可以捕捉到葡萄酒的多种品位特征及其复杂关系，从而更准确地预测品质。
评鉴葡萄酒的品质是一件复杂的事情，有时需要多个葡萄酒参数来评判一种葡萄酒的质量，而这些参数之间可能存在复杂的关系。
这一点可以通过建立多元统计模型来解决。
在多元统计模型中，可以对葡萄酒的台糖含量、酸度、游离氮、乙醇含量、挥发性酸含量、醇度、香气等作为多个变量，进行多变量分析，以便更深入地了解葡萄酒品质之间的复杂关系[2]。
在多元统计分析中，可以运用不同的统计技术来探索此类复杂关系。
有用的技术包括多元回归分析、主成分分析和聚类分析，其中所述的分析技术都可以用于预测葡萄酒品质的优劣。
例如，利用多元统计分析，可以通过观察葡萄酒的理化指标作为依据，结合不同的口感和气味特征，探讨并预测葡萄酒品质的潜在变化趋势[3]。
同时，多元统计分析还可以将葡萄酒品质与微生物组合研究相结合，以进一步了解葡萄酒差异程度，展示出复杂的范围和细节。
经过多元统计技术的分析，可以通过测量几个参数来预测葡萄酒品质，比如以台糖含量、酸度、游离氮、乙醇含量等参数的组合，来评价葡萄酒的质量是否优良，以及该葡萄酒是否有特殊口感和各种其他优势[4]。
因此，多元统计分析可以帮助酿酒者更加准确地评价葡萄酒的品质，以便更快更准确地获取最优质的葡萄酒产品。
综上所述，多元统计分析是一种帮助酿酒者更准确评价葡萄酒品质的有效技术，它通过识别葡萄酒的各项参数之间的复杂关系，可以更有效地预测和预测葡萄酒的品质。
同时，多元统计分析技术也可以结合微生物组合研究，以便更深入了解葡萄酒差异程度，使之更具特色。
因此，多元统计分析在葡萄酒品质评鉴中具有重要的作用，值得酿酒者好好利用。
葡萄酒质量的评价
葡萄酒质量的评价现行的葡萄酒质量的评价体系是建立在人的感官上进行的，如何通过一些量化的理化指标来评价葡萄酒质量是一个值得研究的方向。
为此，利用多元统计分析的相关知识，通过研究酿酒葡萄的理化指标和葡萄酒的质量之间的关系，客观的评价了葡萄酒的质量，成功的对酿酒葡萄进行了分级。
标签：t检验法；K均值聚类；典型相关分析；多元线性回归1问题背景葡萄酒质量的好坏主要依赖于评酒员的感观评价，由于人为主观因素的影响，对于酒质量的评价总会存在随机差异，找到一种简单有效的客观方法来评酒，如何采用一个量化的评价标准就显得尤为重要了。
本文根据全国大学生数学建模竞赛2012年A题的问题和数据，通过研究酿酒葡萄的好坏与所酿葡萄酒的质量的关系，以及葡萄酒和酿酒葡萄检测的理化指标之间的关系，对葡萄酒的质量进行了客观评价和分级。
2模型假设（1）假设附件数据来源真实有效；（2）假设两组品酒员在相同环境下品酒，采用评分标准一样；（3）假设酿酒葡萄和葡萄酒编号一一对应。
3符号说明4模型建立与求解4.1问题一的模型建立与求解4.1.1数据预处理在数据分析之前通常要对数据进行预处理，附件1包含两组品酒员分别对红葡萄酒和白葡萄酒的评分数据，每组品酒员有10个，红葡萄酒样品有27个，白葡萄酒样品有28个。
观察数据我们可以发现，部分数据存在缺失和异常现象，我们对其正常化处理。
对于数据缺失情况，例如第一组红葡萄酒样品20号中品酒员4号对色调评分数据缺失，我们采用剩余数据的均值替换法来修补缺失数据。
对于数据异常情况，例如第一组白葡萄酒样品3号中品酒员7号对持久性数据评分超过其规定最大值，我们也是采用“先舍弃后均值替换”的方法。
4.1.2评分数据正态性的检验对数据进行预处理后，我们对附件1中品酒员对酒样品的评价总分进行了计算，然后得出了红葡萄酒和白葡萄酒的得分均值，其图像如图1、图2所示。
观察图1、图2可以发现，两组品酒员对红葡萄酒和白葡萄酒的得分均值虽然在数值上有出入，但其变化趋势大致一样，为了评价两组品酒员的评价结果有无显著性差异，我们拟采用双正态总体t检验法，为此我们需要对两组品酒员的评分数据进行正态性检验。
葡萄酒质量评分的统计分析方法研究
葡萄酒质量评分的统计分析方法研究
俗话常说，“酒当肺，评价当判”，葡萄酒的质量评分是葡萄酒界和消费者的重要参考依据。
近年来，随着市场竞争的激烈，酒类市场竞争的激烈，葡萄酒的质量评分变得越来越重要。
为改善葡萄酒质量的评价，本文就如何统计分析葡萄酒质量评分展开研究。
首先，我们应该明确葡萄酒质量评分的结构：由口感、颜色、余味和香味四个基本要素组成。
针对口感，一般会根据软、爽、平衡和综合口感等四个要素进行评分并得出分数，不同的品牌葡萄酒也会有不同的分数；其次，关于颜色，通常采用色深度作为标准来确定评分，比如深灰、紫暗等；再次，余味和香味都有一定的标准，比如余味则是果香、花香、木香等，香味则是香料、乳酒等，当然了，最后也可以综合考虑水感、清晰度等要素，来给出客观评分。
接下来，将葡萄酒质量评分的数据在统计分析软件上可进行详细的统计分析，如中位数、众数、均值等等，从而得出以上三个基本要素的实际分数，之后再对各品牌等进行比较分析，以便给出最后的统计分数。
总而言之，运用统计分析方法做葡萄酒质量评分非常重要，可以客观、准确地反应出葡萄酒的最终品质。
希望本文可以为有关评估和产品创新研究助力，以保证葡萄酒行业的稳步发展。
统计分析方法在葡萄酒评价中的应用
酒 样 ６ ６
品２
酒 样 ７ ９ 品 １ １
酒 样 ７ ４
品ｌ ５
４ ８ ４ ８
８ ７ ８ ４
７ ｌ ６ ７
８ Ｉ ７ ９
６ １ ６ ４
７ ９ ７ ８
６ ７ ６ ８
７ ４ ８ １
８ ２ ７ ３
７ ２ ４ ０ １ ０ ８ ８ ７ ２ ０ ０ １ ０ １ ４
＿表示第 ｊ 项理化指标的均值；
６ 表示第 ｊ 项理化指标 的标准差 。 四、 模型的建立与求解 为 了体现评委对 红 、 白葡萄酒评价得分 的区别 ， 分别对 两种 酒建立显著性差异检验模型 。 （ 一） 评 价 得 分 的 描 述 性 分 析 由问题 的分析 ，以 白葡萄酒为例通过对评价得分 的数据处 理， 得到两组评酒员的检验数 据表 ， 如表 １ 所示 ：
酒 样 ７ ５
品４
７ ７
６ ６ ６ ８
８ ０
８ ０ ８ ２
６ ５
６ ９ ７ １
７ ７
８ Ｏ ８ ３
８ ３
８ ２ ８ ｌ
８ ８
７ ８ ８ ， １
７ ８
７ １ ６ ２
８ ５
８ ７ ８ ７
８ ６
７ ５ ８ ０
酒 样 ７ ８
品 １ ４
分析评 价结 果是否可信 ， 主要 依赖于两个指标 ： 一 是评 价得 分偏离 标准值的大小 ； 二是评价结果的离散 性。由于聘请的 品酒 师是有一定资质 的，因此可 以把专 家的平均水平作为品评 的标 准值。但考虑到品酒师对某个酒样 品感 官分 析可能出现的失误 性（ 引注） ， 剔除２ ０个品酒师对每类酒样 品评 分的异样点。对于 剩余的得分求均值作为标准评价值 的无偏估计 。再用评价得分 与标 准值 的偏差代 表每组 评酒 员评 价结果 与标 准值 的接 近程 度； 用方差来反映每组评价结果的离散程度。 在与标准值的偏差 不明显的情 况下 ， 比较评 价方差的大小 ， 作 为综合 判断每组评价 结果的可信 度的依据 。
葡萄酒品质评估中的统计学方法研究
葡萄酒品质评估中的统计学方法研究葡萄酒是一种具有悠久历史和独特魅力的饮品，也是世界上最受欢迎的饮料之一。
然而，葡萄酒的品质评估一直是个复杂而有争议的问题，因为它涉及到许多因素，如葡萄品种、气候、土壤、采摘时间、酿造技术等等。
为了解决这个问题，需要运用适当的统计学方法来评估葡萄酒的品质。
品质评估是一种比较和评价葡萄酒的方法，通常包括外观、气味、口感和余味这四个方面的评价。
而这些因素的评价通常是由专业的品酒师来完成的。
但是，由于每个品酒师的口味和经验不同，这种主观的评估方法容易引起争议，因此需要一种客观、可靠的评价方法。
这时候就需要用到统计学方法了。
一、目前葡萄酒品质评估中常用的统计学方法1. 盲测法盲测法是一种让品酒师在不知道样品信息的情况下进行葡萄酒品质评估的方法。
盲测法可以消除品酒师在评估时的主观偏见，提高评估结果的客观性。
在这个过程中，品酒师只评价葡萄酒的外观、气味、口感和余味这些方面，而不知道葡萄品种、采摘时间、酿造技术等信息，从而避免了任何可能干扰评分的因素。
然而，盲测法也存在一定的局限性，如评价结果可能会受到温度、杯子的类型等因素的影响。
2. 主成分分析法（PCA）主成分分析法是一种常用的多元统计方法，可以将一组相关变量降维到几个不相关的主成分上。
在葡萄酒品质评估中，PCA可以用于确定哪些因素对葡萄酒的品质评估具有重要的影响。
品酒师可以对不同葡萄酒样品进行评估，然后使用PCA将评估结果降维成几个关键指标，进而判定每个样品的品质。
3. 偏最小二乘回归法（PLS）偏最小二乘回归法是一种可以处理荧光光谱数据的多元统计方法，因为葡萄酒样品包含多种成分，每个成分在荧光光谱上都有特定的波长，因此可以利用PLS模型对其进行评价。
PLS模型可以将荧光光谱数据降维，选择出与葡萄酒品质密切相关的几个特征量，然后用这些特征量来进行品质评估。
二、葡萄酒品质评估中统计学方法存在的挑战和未来发展趋势虽然统计学方法在葡萄酒品质评估中得到了广泛应用，但是它们仍然存在某些挑战和限制因素。
统计方法在葡萄酒质量分析中的应用
统计方法在葡萄酒质量分析中的应用近年来，葡萄酒行业取得了突飞猛进的发展。
近些年，国内葡萄酒市场的销售额持续以15%-20%的速度增长，特别是北京、上海等高消费城市的增长速度达到了30%-45%。
葡萄酒产业在中国是一个名副其实的朝阳产业，但由于发展较晚，目前我国对葡萄酒品质的评价体系尚不完善，葡萄酒的评价工作尚有很大的发展空间。
文章通过R型聚类分析的方法根据酿酒葡萄的理化指标和葡萄酒的质量对酿酒葡萄分级，之后使用主成分分析法和灰色关联度分析法探究葡萄、葡萄酒的理化指标之间的关系，最后建立回归关系，证明葡萄、葡萄酒的理化性质指标能用来判断葡萄酒的质量。
标签：R型聚类分析；主成分分析法；灰色关联度分析法；回归分析引言葡萄酒是一种由葡萄或葡萄汁经过酒精发酵而得到的含酒精饮料。
葡萄具有种类繁多、成分复杂、气味和口感变化极大的特点。
近些年来，利用酿酒葡萄和葡萄酒的理化指标葡萄酒进行评价的方法应运而生。
但是目前理化分析仍不能取代感官评价。
本文试图探究如何采用统计方法使这些复杂关系的问题简单化，并分析它们之间的联系。
1 两组评酒员的评价结果的可信性经过对两组品酒员的评价结果分析，我们假设两组品酒员的评价结果无显著性差异，在给定显著性水平α=0.05的情况下使用配对样本t检验法来确定两组品酒员的评价结果有无显著性差异。
然后，依据两组品酒员评分的方差大小来确定哪一组更可信。
SPSS将根据T分布表给出t值对应的相伴概率值，如表1，即白葡萄酒和红葡萄酒的t值对应的伴随概率分别为P1=0.070，P2=0.088 ，在显著性水平为0.1的情况下拒绝原假设，即两组品酒师平评价结果有显著性差异。
用MATLAB计算两组品酒员评价结果的方差得到第一组和第二组的方差分别为a= 105.2289，b= 45.8341，即第二组评价结果的系统误差较小，则第二组更可信。
2 对酿酒葡萄进行分级2.1 分析为了简化数据，对于几组重复测量的数据，我们计算并选取了它们的平均值作为其所属的一级指标的数据。
葡萄酒评价
葡萄酒的评价摘要现行的葡萄酒质量评价体系是建立在人的感官上进行的，如何通过一些量化的指标来评价，如何从感官评价数据中提取到可靠的结论，从而判定葡萄酒的数量，是一个值得研究的方向。
针对问题一，首先要对数据进行预处理，对完善好的数据运用excel求出两组评酒员的评分结果，接着分别求出它们的均值、标准差和离散函数中的变异函数，通过着三个数据建立离散函数模型，最后通过这三个系数利用模型评价两组之间的差异性以及哪组结果更可信，结果是两组之间是存在差异性的，且第二组的评价结果更可信。
针对问题二，首先本文采用多元统计分析方法中的主成分分析法对酿葡萄酒的理化指标进行了简化，选出了酿酒葡萄中最具代表的几种理化指标，接着通过线性分析中的相关系数求出酿酒葡萄与30个理化指标的线性关系，最后结合酿酒葡萄的理化指标和葡萄酒的质量建立综合评价模型，进而对酿酒葡萄进行分级。
结果发现针对问题三，首先我们以葡萄酒的质量作为桥梁，采用统计学分析方法中的典例相关性分析方法选出酿酒葡萄和葡萄酒的理化指标中对葡萄酒质量影响比较重要的几个因素，接着根据这几个因素与于葡萄酒之间的相关性建立相关分析模型，最后通过模型求解比较分析他们之间的相关系数作出准确合理的结论。
针对问题四，首先在问题三分析酿酒葡萄与葡萄酒的理化指标间联系的基础上，在保留葡萄酒指标的前提下，剔除酿酒指标中某些认为可以被用于表示对应葡萄酒指标的部分。
接着利用筛选后的指标建立多元线性回归模型，探究酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响。
最后，经检验样本组的线行回归模型评价值与评分值的显著性差异检验，证明用葡萄和葡萄酒的理化指标来评价葡萄是可行的。
本文综合离散函数中的标准差系数分析、基于主成分分析的综合评价、相关性分析、多元线行回归等模型，结合matlab、spss、excel等软件，对葡萄酒质量的评价问题进行了分析，并给出了合理化的解决模型。
关键词：离散函数主成分分析典例相关分析多元线行回归一、问题重述葡萄酒的生产有着非常久远的历史，可追溯到几千年前，它是一种世界通畅型酒种，有着广泛交流的基础，现已发展成最主要的酒种之一，葡萄酒的感官分析又叫品酒，是指评酒员通过眼、鼻、口等感觉器官对葡萄酒的外观香气、滋味及典型性等感官特性进行分析评定的一种分析方法，一方面品酒员必须抛开个人的喜好，排除时间、地点、环境和情绪等的影响，像一台精密的仪器一样进行感官分析；另一方面，因为葡萄酒的复杂多样及变化性，评酒员又必须充分发挥主观能动性，将获得的感觉与大脑储存的感官质量标准进行分析，只有兼顾以上两个方面，才能保证结果的精确性.同时各个评酒员之间还必须保证分析结果的一致性。
葡萄酒的质量评估
72.9 72.3 63.3 65.9 72 72.4 78.8 73.1 72.2 77.8 76.4 71 75.9 73.3 77.1 81.3 64.8 81.3 采用单因素分析，Matlab 软件作图如下：
80.4 71.4 72.4 73.9 77.1 78.4 80.3 76.7 76.4 76.6 79.2 79.4 77.4 76.1 79.5 74.3 77 79.6
得到 P=0.0017<0.01 说明两组评酒员的评价结果存在显著性差异 采用双因素分析，得出下图，
抽取红葡萄酒中的 7、10、11 号样品 第一 1 2 3 4 5 组评 酒员 7 63 70 76 64 59 10 67 82 83 68 75 11 73 60 72 63 63 第二 1 2 3 4 5 组评 酒员 7 68 65 68 65 47 10 67 73 82 62 63 11 64 61 67 62 50
P 值均小于 0.05，说明两组样品存在显著性差异，而且某组评酒员之间的评价也存在显 著性差异。 样品 11 通过软件计算出 P 值，P=0.0003<0.01 说明两组样品评价存在非常显著性差异， 而另一个 P=0.1978>0.05，说明每个组各个评酒员间对于样品 11 的评价差异不大。
所以，对于红葡萄酒而言，第二组评酒员的结果更可信。 对于白葡萄酒可以采用相同的分析方法， 白葡萄酒： 第一组平均值 第二组平均值 82 77.9 74.2 75.8 79.4 76.9 71 81.5 68.4 75.5 77.5 74.2 71.4 72.3
白葡萄酒 样品 1 样品 2 样品 4 样品 5 样品 6 样品 7 样品 8 样品 9 样品 11 样品 12 样品 13 样品 14 样品 15 样品 17 样品 18 样品 19 样品 20 样品 21 样品 22 样品 23 样品 24 样品 25 样品 26 样品 27 样品 28
葡萄酒感官评价结果的统计分析方法研究
葡萄酒感官评价结果的统计分析方法研究李华１刘曙东２王华１张予林１（１西北农林科技大学葡萄酒学院杨凌７１２１００２西北农林科技大学农学院杨凌７１２１００）摘要在葡萄酒的感官评价中，由于品酒员间存在评价尺度、评价位置和评价方向等方面的差异，导致不同品酒员对同一酒样的评价差异很大，从而不能真实地反映不同酒样间的差异。
因此，在对感官评价结果进行统计分析时，必须对品酒员的原始数据进行相应的处理，以真实反映样品间的差异。
对有关数据处理方法的比较分析结果表明：标准化法不仅没有消除品酒员间的异质性，反而加大了品酒员间的差异；而置信区间法对原始数据进行调整，能有效地降低品酒员间的差异，真实地反映酒样间的客观差异。
关键词葡萄酒感官评价标准化置信区间文章编号１００９－７８４８（２００６）０２－０１２６－０６在葡萄酒感官评价结果的统计分析中，多数分析方法（如方差分析）都是建立在感官评价专家组成员（在统计学上称为同质）基础上的。
但在实践中，由于各种因素的共同作用，专家组成员间存在异质性。
这就需要将感官评价专家作为可能影响感官评价结果的因素来考虑，而且这一因素甚至会掩盖被分析样品的显著性差异［１～２］。
１感官评价专家组成员的异质性及其原因表１列出了由２０名葡萄酒感官评价专家（品酒员），采用国际葡萄与葡萄酒组织（ＯＩＶ）的评价方法［３］，对１０个干红葡萄酒样品的感官评价结果。
采用扣分制，即得分越低的样品，感官质量越高。
将品酒员看成不同的“区组”，对表１的结果进行双向方差分析以减少误差方差，同时分析不同品酒员之间是否存在差异。
分析结果表明，由于品酒员之间存在显著性差异，各组数据离平均值分散范围很大，从而降低了酒样间的方差。
只有当酒样之间的差异非常大时，才能得到显著性差异（见表２）。
通过对表１资料的分析可知，造成品酒员异质性的原因主要有：①评价尺度的差异。
在感官评价中，每个品酒员都用自己的评价尺度对葡萄酒进行评价，而且他们的评价尺度之间存在很大的差异。
基于葡萄酒评价的统计分析
７ ２ ． ３ ８ １ ＿ ５ ７ ４ ． ２
６ ６ ． ０ ７ ８ ． ２ ６ ８ ． ８
７ ０ ． ４ ７ ２ ． ９ ７ ４ ． ３
７ ２ ． ３ ８ ０ ． ４ ７ ９ ． ８
评
贝
７ ０ ・ １
５ ３ ． ９
６ ｌ ・ ６
６ ８ ． ３
第３ ０卷 第 １ １ 期
Ｖｏ Ｉ ． ３ ０ ＮＯ ． １ １
重庆 工 商 大学 学报 （ 自然科 学版 ）
Ｊ Ｃ ｈ ｏ ｎ ｇ ｑ ｉ ｎ ｇ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ Ｂ ｕ ｓ ｉ ｎ ｅ ｓ ｓ Ｕ ｎ ｉ ｖ ． （ Ｎ ａ ｔ Ｓ ｃ ｉ Ｅ ｄ ）
７ ９． ２ ７９ ． ４ ７７ ． ４ ７６ ． １ ７９ ． ５
７ ８ ． ６ ７ ９ ． ２
７ ７ ． １ ７ ７ ． ２ ８ ５． ６ ７ ８ ． ０ ６ ９． ２
７ ２ ． ６ ７ ５ ． ８
Ｎ（ ／ ｚ ， ｄ ） ， 其中／ ｚ ＝ ／ ｚ １ － ／ ｚ ２ ， ｄ ￣ － Ｏ － １ ２ ＋ ｏ － ２ ． 由于评酒 员 对红 、 白葡 萄酒 质量 评 价 的显著 性分 析方 法是 一样 的 ， 所 有对 红 、 白葡 萄酒 进 行显 著 性分 析． 方差 未 知 时 ， 可采 用 ｔ 双边 检验 法 Ｊ ． 假设 检验 问题为 ：
重庆工商大学学报（自然科学版）
第３ Ｏ卷
表 ｌ 葡萄 酒样 品评 分 的平均值
酒样 品号
６ ２． ７ ６８ ． １
酒样 品号
Ｙ
８ ２． ０
Ｙ
７ ７． ９
８ ０ ． ３ ８ ０ ． ４ ６ ８ ． ６
葡萄酒评价——精选推荐
葡萄酒的评价摘要本文主要对两组评酒员的评价结果和可信度，酿酒葡萄的分级，酿酒葡萄与葡萄酒的理化指标之间的联系，及对葡萄酒质量的影响进行了分析研究。
对于问题一，利用spss软件和t检验，根据附件一中评酒员对红白葡萄酒的评分数据，使用 t检验得到p值，根据p值的大小得到两组评分结果有显著性差异，使用spss软件计算方差，根据方差的大小得到第二组的评分更可信。
对于问题二，运用主成分分析法，选取酿酒葡萄样品中含有的一级指标物的数据，利用MATLAB编程得出贡献率。
在利用贡献率的大小，选出影响酿酒葡萄分级的主成分因素，利用选出的前7个主成分，构建出主成分综合评价模型，代入数值得到酿酒葡萄的排名，最后根据排名对葡要进行分级。
对于问题三，对酿酒葡萄与葡萄酒的理化指标的关系这一问题，由于在问题二中已对酿酒葡萄的理化指标进行了综合，得出花色苷，单宁，总酚等理化指标所占权重较大，所以选取这三个指标进行曲线拟合，得到酿酒葡萄与葡萄酒的理化指标之间呈线性关系。
对于问题四，关键词SPSS软件，T检验，主成分分析，MA TLAB，曲线拟合，一、问题重述确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。
每个评酒员在对葡萄酒进行品尝后对其分类指标打分，然后求和得到其总分，从而确定葡萄酒的质量。
酿酒葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和酿酒葡萄检测的理化指标会在一定程度上反映葡萄酒和葡萄的质量。
附件1给出了某一年份一些葡萄酒的评价结果，附件2和附件3分别给出了该年份这些葡萄酒的和酿酒葡萄的成分数据。
请尝试建立数学模型讨论下列问题：1. 分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？2. 根据酿酒葡萄的理化指标和葡萄酒的质量对这些酿酒葡萄进行分级。
3. 分析酿酒葡萄与葡萄酒的理化指标之间的联系。
4．分析酿酒葡萄和葡萄酒的理化指标对葡萄酒质量的影响，并论证能否用葡萄和葡萄酒的理化指标来评价葡萄酒的质量？二、基本假设1.假设原始数据基本准确。
葡萄酒的质量分析与评价
考虑到与葡萄酒的质量成最直接关联的应该是葡萄酒中的化学物质，即其对应 的理化指标；而酿酒葡萄中的理化指标由于经过酿酒过程转化成葡萄酒中的理化指 标，其对于葡萄酒质量的影响则相应较低。因此可在逐步回归分析的基础上基于葡 萄和葡萄酒的关系扩展成多级逐步回归分析，第一级以葡萄酒的理化指标为解释变 量与葡萄酒的质量进行直接逐步回归分析；第二级则以葡萄的理化指标为解释变量 与葡萄酒的理化指标进行回归分析；从而论证是否能用葡萄和葡萄酒的理化指标评 价葡萄酒的质量这一命题则可转化为：(1)针对葡萄酒的理化指标，是否能通过逐步 回归分析得到关于葡萄酒理化指标和葡萄酒质量的回归方程，并且方程的检验量能 通过显著性检验；(2)针对葡萄的理化指标，仅当(1)情况得以成立时，是否能通过逐 步回归分析得到关于葡萄理化指标和葡萄酒理化指标的回归方程，并且方程的检验 量能通过显著性检验。
移变换 xj
Mj
xj ，其中 M j
max
1in
xij
。则可将极小型指标 x j 化为极大型。
（2） 居中型化为极大型
5
对于居中型指标
xj
，即
xj
取中间值
M
j
mj 2
为最好。要将其化为极大型指标，
令
xj
2(x j Mj
mj mj
)
,mj
2(M Mj
j xj mj
然后，针对指标体系中的每一种方向类别，可使用聚类方法基于指标间数值的 相似性将其初步划分成若干类别，则对于类别中的理化指标，可引入优势因子以等 级方式刻画其数之间的差异性，建立相应的优势因子矩阵，再通过计算聚类所得的 类别内所有指标的优势因子总和并进行比较，确定类别间的优势值的高低，进而确 定聚类所得的类别对应的等级，通过对各方向类别应用优势矩阵，可分别得到类别 中各等级的优势值，最后通过加权求和或均值等数值处理，将基于优势值的各方向 类别的等级划分综合得到总的等级划分。
葡萄酒评价问题
二．问题分析
该问题属于数理统计分析问题，需要对大量数据进行处理分析建立模型，从而对 酿酒葡萄进行分级，并确定酿酒葡萄与葡萄酒的理化指标之间的联系，从而给出葡萄 酒的综合评价模型。 针对问题一，判定两组评酒员的评价结果有无显著性差异，需要对两组评价结果 差异进行显著性检验。根据数据特点，我们选用基于成对数据的 t 检验法，因为每个酒 样品的分数是成对存在的，由于每种酒之间的差异性，同一评酒员所评分数并不能满 足同一分布，而两组评分的差值 D ，服从同一分布，因此该检验方法可行。在评价哪 组评价可信上，运用肯德尔和谐系数通过每组评分一致性的判断，检测两组评价结果 的可信度。 针对问题二，考虑到酿酒葡萄的理化指标为葡萄的本质属性，因此评价葡萄的等 级需以葡萄的理化指标为基础。通过主成分分析法确定理化指标的主成分，对多指标 进行简化，并消除指标间的关联性，得到每种葡萄的一个综合评价值，然后通过聚类 分析对葡萄进行分类。葡萄酒的质量在一定程度上会反应葡萄的质量，因此可根据葡 萄酒质量对葡萄进行另一个评分，我们将两种评分标准化后进行 0.7:0.3 加权求和， 得到每一类葡萄的最终综合评分，对每类葡萄实现排序。 针对问题三，我们运用统计学方法，通过相关分析得到每个葡萄酒样品和葡萄理 化指标两两之间的相关系数，对指标间联系进行大致分析，然后建立多元线性回归方 程对多个指标间联系进行分析。 针对问题四，首先用多元线性回归方程知识，以葡萄酒质量为因变量，酿酒葡萄 和葡萄酒的理化指标作为自变量，建立多元线性回归方程，通过逐步回归的方法，利 用 MATLAB，将相关性差的指标逐级提出，从而保留相关性大的指标，得到拟合效果较 好的线性回归方程，根据方程拟合度大小，对理化指标对葡萄酒评价效果进行分析， 然后考虑芳香物质影响，以理化指标和芳香物质共同作为自变量，进行回归分析，得 到新的相关系数，可将两组相关系数进行对比，分析理化指标评价葡萄酒质量的可行 性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
请建立数学模型并讨论下列问题： 1. 分析附件1中两组评酒员的评价结果有无显著性差异，哪一组结果更可信？ 2. 根据葡萄的理化指标和葡萄酒的质量对这些葡萄进行分级。 3. 分析葡萄的理化指标与葡萄酒的理化指标之间的联系。 4. 分析葡萄的理化指标和葡萄酒的理化指标对葡萄酒质量的影响，并说明能否用
……
葡萄样品 1 2027.96
101.22
393.42
77.61
266.60
723.88
177.37
89.28
……
葡萄样品 2 2128.82
64.43
140.62
71.94
39.26
1560.97
32.38
11.13
……
葡萄样品 3 8397.28
108.07
222.35
173.08
67.54
7472.28
葡萄和葡萄酒的理化指标来评价葡萄酒的质量？
附件1：葡萄酒品尝评分表（含2个表格） 附件2：葡萄和葡萄酒的理化指标（含2个表格） 附件3：葡萄和葡萄酒的芳香物质（含2个表格）
附件1‐葡萄酒品尝评分表
第一、二组：葡萄酒品尝评分（提供数据格式与数据信息）
酒样品*** 品酒员 1 号 品酒员 2 号 品酒员 3 号 品酒员 4 号 品酒员 5 号 品酒员 6 号 品酒员 7 号 品酒员 8 号 品酒员 9 号 品酒员 10 号
55.79
75.34
……
葡萄样品 4 2144.68
79.39
133.83
158.74
156.72
1182.23
93.23
89.36
……
葡萄样品 5 1844.00
52.28
145.09
164.05
102.43
816.08
86.83
69.54
……
葡萄样品 6 3434.17
68.01
102.42
75.78
5
5
质量
13
16
19
13
13
13
13
13
13
16
平衡/整体评价
8
9
9
8
8
8
8
899Fra bibliotek件2‐指标总表（葡萄）
样品编号 氨基酸总量 天门冬氨酸 苏氨酸
丝氨酸
谷氨酸
脯氨酸
甘氨酸
丙氨酸
……
葡萄 mg/100gfw Asp(mg/100gfw) Thr(mg/100gfw) Ser(mg/100gfw) Glu(mg/100gfw) Pro(mg/100gfw) Gly(mg/100gfw) Ala(mg/100gfw)
974.380 518.083 399.938 183.688 280.959
117.727 …
270.939 159.057 151.960 139.018
974.128 517.830 397.686 184.435 279.906
116.875 …
269.699 158.845 151.774 138.580
……
……
葡萄样品 20 2273.63
73.49
157.32
131.45
177.91
754.89
9.89
100.70
……
葡萄样品 21 6346.83
69.49
180.03
194.11
107.73
5144.81
62.22
16.36
……
葡萄样品 22 2566.61
110.52
207.26
251.11
单宁(mmol/L)
1
2
3
11.049 11.030 13.289 6.463 5.869
7.349 …
5.742 5.421 3.620 5.956
11.030 11.146 13.250 6.511 5.849
薛毅 陈立萍 编著 清华大学出版社 《多元统计分析及R语言建模》
王斌会编著 暨南大学出版社
葡萄酒质量评价的统计分析模型与算法
确定葡萄酒质量时一般是通过聘请一批有资质的评酒员进行品评。每个评酒员 对葡萄酒进行品尝后对其分类指标打分，然后求和得其总分，从而确定葡萄酒 的质量。
葡萄的好坏与所酿葡萄酒的质量有直接的关系，葡萄酒和葡萄检测的理化指标 会在一定程度上反映葡萄酒和葡萄的质量。
附件2‐指标总表（葡萄酒）
品种编号
葡萄酒
酒样品 1 酒样品 2 酒样品 3 酒样品 4 酒样品 5 酒样品 6
… 酒样品 24 酒样品 25 酒样品 26 酒样品 27
花色苷(mg/L)
1
2
3
973.128 516.830 398.686 182.435 279.706
116.475 …
269.687 157.804 150.707 137.766
237.70
863.99
197.32
70.86
……
葡萄样品 23 2380.81
120.86
138.15
159.47
131.54
1341.12
106.71
78.87
……
葡萄样品 24 1638.83
58.60
160.81
148.58
59.23
797.55
88.56
79.40
……
葡萄样品 25 1409.70
多元统计分析方法
• 降维问题
– 主成分分析 – 因子分析
• 归类问题
– 判别分析 – 聚类分析
• 变量间的相互联系
– 回归分析 – 典型相关分析
参考书： 《应用多元统计分析》高惠璇 北京大学出版社 《应用多元分析》王学民 上海财经大学出版社 《线性统计模型》 王松桂 高等教育出版社 《统计建模与R软件》
73.28
130.81
115.85
150.57
479.17
88.03
57.02
……
葡萄样品 26 851.17
59.00
95.66
74.47
47.83
147.70
22.81
28.72
……
葡萄样品 27 1116.61
51.45
132.55
79.06
48.36
418.01
29.25
28.58
……
表中：蓝色为一级指标，红色为二级指标;一个项目下有几列数据，表示该项目测试几次。
80.60
2932.76
18.01
19.39
……
葡萄样品 7 2391.16
65.10
267.76
239.20
208.97
1096.28
74.06
89.56
……
葡萄样品 8 1950.76
72.09
345.87
44.23
176.02
962.01
150.73
42.63
……
……
……
……
……
……
……
……
……
分数 分数 分数 分数 分数 分数 分数 分数 分数 分数
澄清度
4
3
3
4
4
4
5
4
4
3
外观分析
色调
8
6
8
8
6
6
6
8
6
6
纯正度
4
4
4
4
4
4
6
5
4
5
香气分析 浓度
6
6
6
2
4
4
4
6
4
6
质量
12
12
14
10
10
12
12
12
12
12
纯正度
3
4
5
3
4
4
3
4
4
4
浓度
4
6
7
4
4
6
4
6
4
6
口感分析
持久性
5
7
7
6
6
5
5
6