
Методы «есть ли различие?»
Дискриминационные (различительные) тесты отвечают на бинарный вопрос: воспринимается ли различие между образцами. Все они — процедуры принудительного выбора: дегустатор обязан выбрать ответ, а статистика опирается на вероятность угадывания p₀.
| Метод | Задание дегустатора | p₀ | Стандарт | Когда применять |
|---|---|---|---|---|
| Треугольный (triangle) | Из 3 образцов (2 одинаковых) выбрать отличающийся | 1/3 | ISO 4120:2021 · ГОСТ Р 53159-2008 | Универсальный выбор: замена ингредиента, контроль партий. Осторожно при сильном послевкусии |
| Тетрада (tetrad) | Из 4 образцов (2+2) составить две пары | 1/3 | ASTM E3009 | Мощнее треугольного при том же n; меньше утомляемость рецепторов |
| Дуо-трио (duo-trio) | Какой из 2 образцов совпадает с референсом | 1/2 | ISO 10399:2026 · ГОСТ Р ИСО 10399-2012 | Сильное послевкусие; есть стабильный эталон |
| Парное сравнение (paired, 2-AFC) | Какой из 2 образцов интенсивнее по заданному атрибуту | 1/2 | ISO 5495:2005 · ГОСТ Р 53160-2008 | Направленная разница по одному атрибуту («что слаще?») |
| 3-AFC | Из 3 образцов выбрать сигнальный (атрибут известен заранее) | 1/3 | ISO 13301:2018 | Пороги, направленные различия; мощнее треугольного |
| «Два из пяти» (two-out-of-five) | Из 5 образцов (3+2) выделить 2 одинаковых | 1/10 | ASTM E2162 | Очень слабые различия; высокая утомляемость — малые серии |
| «A»–«не A» | Идентифицировать образец как «A» или «не A» | — | ISO 8588:2017 | Образцы разного вида; тесты узнавания; анализ через таблицу 2×2 и d′ |
| Отклонение от контроля (difference from control) | Оценить величину отличия от эталона по шкале | — | практика QC | Рутинный контроль: «насколько партия отклонилась от эталона» |
Почему p₀ важна: чем ниже вероятность угадывания, тем мощнее тест при том же числе дегустаторов. «Два из пяти» (p₀ = 1/10) требует вдвое меньше ответов, чем дуо-трио (p₀ = 1/2), — но физиологически тяжелее: пять проб утомляют рецепторы. Выбор — всегда компромисс между статистической мощностью и сенсорной нагрузкой.
Параметры дизайна: α, β и p_d
Любой различительный тест фиксируется четырьмя параметрами — без них результат неинтерпретируем:
- α-риск (альфа) — вероятность ложно заключить, что различие есть, когда его нет (ошибка I рода). Обычно α = 0,05.
- β-риск (бета) — вероятность пропустить существующее различие (ошибка II рода). Обычно β = 0,10–0,20.
- p_d — максимально допустимая доля дегустаторов, способных различить образцы (proportion of discriminators): < 25 % — малые значения, 25–35 % — средние, > 35 % — большие.
- Режим: «различие» (difference) доказывает, что образцы различимы; «подобие» (similarity) — что различия настолько малы, что продукты взаимозаменяемы. Это разные тесты с разными таблицами: «различие не доказано» ≠ «подобие доказано».
Модель Тёрстоуна: почему тетрада мощнее треугольного теста
Биномиальная модель отвечает на вопрос «доказано ли различие при доле различающих p_d», но не связывает методы между собой: «30 % различающих» в треугольном тесте и в тетраде — разные по силе сенсорные различия. Модель Тёрстоуна (Thurstonian model) описывает восприятие как нормально распределённую величину; различие продуктов измеряется индексом чувствительности d′ (d-prime) — расстоянием между распределениями в единицах их стандартного отклонения. Вероятность правильного ответа p_c в каждом методе — это функция от d′ (психометрическая функция метода), и у методов она разная.
Таблица ниже — численное моделирование модели Тёрстоуна (2·10⁶ испытаний на точку; для 2-AFC и дуо-трио — точные формулы). Видно главное: при одном и том же сенсорном различии d′ тетрада даёт заметно больше правильных ответов, чем треугольный тест, при том же уровне угадывания 1/3.
| d′ | 2-AFC | 3-AFC | Треугольный | Дуо-трио | Тетрада |
|---|---|---|---|---|---|
| 0,5 | 0,638 | 0,483 | 0,356 | 0,522 | 0,378 |
| 1,0 | 0,761 | 0,633 | 0,418 | 0,582 | 0,494 |
| 1,5 | 0,856 | 0,765 | 0,507 | 0,663 | 0,641 |
| 2,0 | 0,921 | 0,866 | 0,604 | 0,747 | 0,777 |
Как это читать на практике — минимальная панель для мощности 80 % при α = 0,05 и различии d′ = 1,0 (точный расчёт по биномиальному распределению):
| Метод | p_c при d′ = 1 | n для мощности 80 % | Критическое значение |
|---|---|---|---|
| 3-AFC | 0,634 | 9 | 5 |
| 2-AFC | 0,760 | 13 | 9 |
| Тетрада | 0,494 | 48 | 21 |
| Треугольный тест | 0,418 | 180 | 70 |
| Дуо-трио | 0,582 | 207 | 115 |
Отсюда практические следствия: AFC-методы эффективнее всех, но требуют, чтобы природа различия была заранее известна («какой образец слаще?»). Среди методов «без указания атрибута» тетрада при d′ = 1 требует в 3,7 раза меньше дегустаторов, чем треугольный тест (48 против 180) — поэтому ASTM E3009 и отрасль постепенно переходят на неё. Дуо-трио, несмотря на высокий p_c, проигрывает из-за уровня угадывания 1/2. Расчёт воспроизводим:
# p_c методов при заданном d' (модель Тёрстоуна, Монте-Карло) # тетрада: 2 «сильных» и 2 «слабых» образца; решение — разбить на пары по сходству import numpy as np rng = np.random.default_rng(42); N, d = 2_000_000, 1.0 s1, s2 = rng.normal(d, 1, N), rng.normal(d, 1, N) n1, n2 = rng.normal(0, 1, N), rng.normal(0, 1, N) ok = (np.abs(s1-s2) + np.abs(n1-n2) < np.minimum(np.abs(s1-n1)+np.abs(s2-n2), np.abs(s1-n2)+np.abs(s2-n1))) pc = ok.mean() # → 0,494 # минимальная панель для мощности 80 % (точный биномиальный расчёт) from scipy.stats import binom p0 = 1/3 n = 4 while True: crit = int(binom.ppf(0.95, n, p0)) + 1 while binom.sf(crit-1, n, p0) <= 0.05: crit -= 1 if binom.sf(crit-1, n, pc) >= 0.80: break n += 1 print(n, crit) # → 48 21
Статистический калькулятор различительных тестов
Воспроизводимый пример из методички: треугольный тест, n = 24, x = 13 → критическое значение 13 (таблица A.1 ISO 4120:2021), p-value = P(X ≥ 13 | p₀ = 1/3) ≈ 0,0284 < 0,05 — различие доказано. Нажмите «Рассчитать» — калькулятор уже настроен на этот пример.
Сколько дегустаторов нужно
Ориентиры для треугольного теста (α = 0,05, β = 0,10): p_d = 50 % → ~20–25 дегустаторов; p_d = 30 % → 53; p_d = 20 % → 113. Чем слабее различие, которое нельзя пропустить, тем быстрее растёт панель.
Мастер выбора метода
Особенности методов — детали
Треугольный тест (ISO 4120:2021)
Рабочая лошадка дискриминационного анализа. 6 сбалансированных триад (AAB, ABA, BAA, BBA, BAB, ABB), трёхзначные коды, обязательный принудительный выбор. Ограничение — продукты с сильным послевкусием: три пробы подряд утомляют. Редакция 2021 года добавила руководство по тюрстоновской модели (d′) наряду с классической моделью угадывания.
Тетрада (ASTM E3009)
Четыре образца (два + два), задача — сгруппировать в пары. Та же p₀ = 1/3, но выше статистическая мощность при равном n и меньшая сенсорная нагрузка на пробу (нет третьего сравнения с запоминанием). Подходит для «уставных» продуктов и когда панель невелика.
Дуо-трио (ISO 10399:2026)
Сначала подаётся референс, затем два образца — какой совпадает с референсом. p₀ = 1/2, мощность ниже треугольного, но проще для дегустатора при стойких вкусах. Референс может быть постоянным (стабильный эталон) или сбалансированным (половина панели получает референс A, половина — B). Актуальная редакция — 2026 года, заменившая ISO 10399:2017.
«A»–«не A» (ISO 8588:2017)
Дегустатор знакомится с эталоном «A», затем идентифицирует поток образцов как «A»/«не A». Данные сводятся в таблицу сопряжённости 2×2 (стимул × ответ), анализ — χ²; для пороговых задач — теория обнаружения сигнала: чувствительность d′ и критерий ответа. Метод удобен, когда образцы нельзя подать одновременно (разный внешний вид, посуда, температура).
Реплики и бета-биномиальная модель
Если дегустаторы проходят тест повторно (реплики), ответы одного человека не независимы: обычная биномиальная модель занижает дисперсию и завышает значимость. Корректные подходы — бета-биномиальная модель (Ennis & Bi) или скорректированные тесты (Brockhoff & Schlich). Правило: планируете реплики — планируйте и модель с учётом гетерогенности панели.
Что почитать дальше
- Ennis J. M., Jesionka V. The Power of Sensory Discrimination Methods Revisited. Journal of Sensory Studies, 2011 — расчёты мощности тетрады против треугольного теста, с которых начался массовый переход отрасли на тетраду. статья
- Brockhoff P. B., Christensen R. H. B. Thurstonian Models for Sensory Discrimination Tests as Generalized Linear Models. Food Quality and Preference, 2010 — модель Тёрстоуна как GLM: оценка d′ со стандартными ошибками. статья
- Пакет sensR для R (Christensen, Brockhoff) — d′, мощность, размер панели, бета-биномиальные модели для всех различительных методов; свободный. инструмент
- ASTM E3009 — Standard Test Method for Sensory Analysis — Tetrad Test — действующая редакция стандарта на тетраду. стандарт
Проверьте себя
Четыре вопроса по различительным тестам
1. Треугольный тест, n = 30, получено x = 13 правильных. Критическое значение при α = 0,05 равно 15. Вывод?
13 < 15: значимого различия нет. Но вывод «подобны» требует отдельного теста на подобие с заданными β и p_d. Проверьте в калькуляторе выше.
2. Почему тест «два из пяти» мощнее дуо-трио при том же n?
Мощность растёт с падением p₀. Цена — утомляемость: пять проб за один ответ. Поэтому метод резервируют для слабых различий и коротких серий.
3. Задача: доказать, что замена поставщика какао не изменила вкус (допустимо, чтобы не более 30 % дегустаторов чувствовали разницу). Это…
Формулировка «не более p_d различающих» — сигнатура теста на подобие (similarity): критическое значение считается от p_d и β, а не от α.
4. При p_d = 0,30, α = 0,05, β = 0,10 треугольному тесту нужно…
Проверьте калькулятором объёма панели: n = 53 — значение из таблицы B.1 ISO 4120:2021. Оценки «на глаз» в 2–3 раза занижают требуемый объём.
Проверьте на практике
В интерактивном демо Sensostat можно пройти треугольный тест end-to-end: конструктор, план подачи, анкета, заключение.