Tài liệu Bài tiểu luận - tin học ứng dụng công nghệ thực phẩm

Báo cáo thực hành tin ứng dụng Bài 1: > power.t.test(delta=0.1,sd=0.5,sig.level=0.05,power=0.8,type='one.sample') One-sample t test power calculation n = 198.1513 delta = 0.1 sd = 0.5 sig.level = 0.05 power = 0.8 alternative = two.sided Kết luận: Như vậy, chúng ta cần phải có 198 thùng nước mắm để đạt các mục tiêu trên. Bài 2: Ta có: ) Trong ví dụ này,chúng ta có sai số m=0.05, =0.60,và số lượng cỡ mẫu cần thiết cho nghiên cứu là: =368.7936 Kết luận: Vây, chúng ta cần nghiên cứu ít nhất là 369 đối tượng. Bài 3: # sai số 5 phút, độ lệch chuẩn là căn bậc 2 của 20, a= 0.05, power=0.8 > power.t.test(delta=5, sd=sqrt(20), sig.level=.05,power=.90,type='one.sample') One-sample t test power calculation n = 10.51421 delta = 5 sd = 4.472136 sig.level = 0.05 power = 0.9 alternative = two.sided Kết luận: Từ phân tích R cho thấy n= 10.51 vì vậy cỡ mẫu bằng 11 thì cô chủ hàng có thể đạt khoảng tin cậy như mong muốn. Như vậy trong bài cô chủ sử dụng cỡ mẫu là 15 người nên đạt khoảng tin cậy. Bài 4: Chúng ta có p1=0.60,p2=(0.1*0.6+0.6)=0.66, =0.05,power=0.80. > power.prop.test(p1=0.60,p2=0.66,power=0.80,sig.level=0.05) Two-sample comparison of proportions power calculation 1 Báo cáo thực hành tin ứng dụng n = 1015.25 p1 = 0.6 p2 = 0.66 sig.level = 0.05 power = 0.8 alternative = two.sided NOTE: n is number in *each* group Kết luận: Kết quả cho thấy, nếu chỉ có 500 người thì không đủ để thực hiện khảo sát.Vậy ta cần có khoảng 1015 đối tượng để đạt các mục tiêu trên. Bài 5: Chúng ta có sai số m=0.05, =4/25=0.16,và số lượng cỡ mẫu cần thiết cho nghiên cứu là: =206.524416 Kết luận: Vây, chúng ta cần nghiên cứu ít nhất là 207 đối tượng. Bài 6: >groupmeans<-c(8.2,6.6,7.3) >power.anova.test(groups=length(groupmeans),between.var=var(groupmeans),withi n.var=15.6,power=0.9,sig.level=0.05) Balanced one-way analysis of variance power calculation groups = 3 n = 154.4241 between.var = 0.6433333 within.var = 15.6 sig.level = 0.05 power = 0.9 NOTE: n is number in each group Kết luận: kết quả cho thấy các nhà nghiên cứu cần khoảng 155 đối tượng cho mỗi miền (tức 462 đối tượng cho toàn bộ nghiên cứu). Vậy số người đưa ra là 600 đã đủ để thực hiện nghiên cứu này. Bài 7: Trong bài này ta có sai số m = 0.01, pˆ = 0.9. Số lượng cỡ mẫu cần thiết cho nghiên cứu n ≥ (1.96/0.1)² × 0.1 × 0.9 = 35 Kết luận: Vậy cần ít nhất là 35 mẫu để ước lượng tỉ lệ này. Bài 8: Ta có sai số là:250-244=6g, độ lệch chuẩn 5,α=0.05,power=0.95 > power.t.test(delta=6,sd=5,sig.level=0.05,power=0.95,type='one.sample') One-sample t test power calculation 2 Báo cáo thực hành tin ứng dụng n = 11.14375 delta = 6 sd = 5 sig.level = 0.05 power = 0.95 alternative = two.sided Kết luận: Kết quả trên cho ta thấy chỉ cần có 11 thanh chocolate để kiểm tra là đã đạt các mục tiêu trên. Như vậy,ta costheer khẳng định máy tự động sản xuất ra các thanh chocolate có trọng lượng nhỏ hơn quy định. Bài 10: > d.moi<-gl(2,5) > d.moi [1] 1 1 1 1 1 2 2 2 2 2 Levels: 1 2 > h.suat=c(68,63,74,66,69,52,84,58,84,62) > data=data.frame(d.moi,h.suat) > data > shapiro.test(h.suat) Shapiro-Wilk normality test data: h.suat W = 0.9466, p-value = 0.628 *P-value>0.05: số liệu h.suat tuân theo phân phối chuẩn. > var.test(h.suat~d.moi) F test to compare two variances data: h.suat by d.moi F = 0.073, num df = 4, denom df = 4, p-value = 0.02652 alternative hypothesis: true ratio of variances is not equal to 1 95 percent confidence interval: 0.007601502 0.701215677 sample estimates: ratio of variances 0.07300885 *p-value<0.05 nên hiệu suất của cồn va ete khác phương sai > t.test(h.suat~d.moi) Welch Two Sample t-test data: h.suat by d.moi t = 0, df = 4.581, p-value = 1 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: 3 Báo cáo thực hành tin ứng dụng -18.40595 18.40595 sample estimates: mean in group 1 mean in group 2 68 68 *p-value>0.05 nen hieu suat trich ly polyphenol cua dung moi con va ete va su khac biet khong co y nghia thong ke Kết luận: Dùng dung môi nào đều được vì hiệu suất trích ly giống nhau. 40 0 20 h.suat 60 80 > xbar <- tapply(h.suat, d.moi, mean) > s <- tapply(h.suat, d.moi, sd) > n <- tapply(h.suat, d.moi, length) > sem <- s/sqrt(n) > stripchart(h.suat ~ d.moi,ylim=range(0:85),sub="hiệu suấất trích ly polyphenol c ủa 2 dung môi",xlab="dung môi", pch=F, vert=TRUE) > arrows(1:2, xbar+sem, 1:2, xbar-sem, angle=90, code=3, length=0.1) > lines(1:2, xbar, pch=4, type="b", cex=2) 1 2 dung môi hiệu suất trích ly polyphenol của 2 dung môi Bài 11: > phugiax<-c(1.1,0.99,1.05,1.01,1.02,1.07,1.10,0.98,1.03,1.12) > doichung<-c(1.25,1.31,1.28,1.2,1.18,1.22,1.22,1.17,1.19,1.21) > data<-data.frame(phugiax,doichung) > data > shapiro.test(phugiax) Shapiro-Wilk normality test data: phugiax W = 0.9428, p-value = 0.5849 4 Báo cáo thực hành tin ứng dụng =>vì p-value=0.5849>0.05 nên phụ gia x là hàm phân phối chuẩn. > shapiro.test(doichung) Shapiro-Wilk normality test data: doichung W = 0.9231, p-value = 0.3831 => vì p-value=0.3831>0.05 nên đối chứng là hàm phân phối chuẩn. > t.test(doichung,phugiax,paired=TRUE) Paired t-test data: doichung and phugiax t = 8.7467, df = 9, p-value = 1.078e-05 alternative hypothesis: true difference in means is not equal to 0 95 percent confidence interval: 0.1304812 0.2215188 sample estimates: mean of the differences 0.176 =>kết quả trên cho thấy p-value=1.078e-05<0.05 nên việc sử dụng phụ gia x là có ý nghĩa thống kê. > mean(phugiax) [1] 1.047 > mean(doichung) [1] 1.223 => mean(doichung)>mean(phugiax) vì vậy ta không nên sử dụng phụ gia x trong quá trình chế biến. > par(mfrow=c(1,2)) > hist(phugiax) > hist(doichung) 5 Báo cáo thực hành tin ứng dụng 3 0 1 2 Frequency 2 0 1 Frequency 3 4 Histogram of doichung 4 Histogram of phugiax 0.95 1.05 phugiax 1.15 1.15 1.25 1.35 doichung Bài 12: > enzyme<-rep(c(1,2,3,4),c(6,5,5,4)) > enzyme [1] 1 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4 4 4 Levels: 1 2 3 4 >enzyme<-as.factor(enzyme) > thuyphan<-c(17,18,17,20,19,18,14,15,16,15,14,19,20,16,18,19,16,15,16,18) > data12<-data.frame(enzyme,thuyphan) > data12 > shapiro.test(thuyphan) Shapiro-Wilk normality test data: thuyphan W = 0.9408, p-value = 0.2483 # p-value >0.05 nên thuy phan có số liệu phân phối chuẩn #ta tiến hành phân tích phương sai > pt<-lm(thuyphan~enzyme) > anova(pt) Analysis of Variance Table Response: thuyphan Df Sum Sq Mean Sq F value Pr(>F) enzyme 3 44.417 14.806 10.045 0.000581 *** Residuals 16 23.583 1.474 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 6 Báo cáo thực hành tin ứng dụng # qua số liệu phân tích cho thấy p < 0.05 nên sự khác biệt của dữ liệu pt có ý nghĩa thống kê ở mức ý nghĩa 5%, để biết rõ sự khác biệt như thế nào ta tiến hành phân tích Tukey. > res<-aov(thuyphan~enzyme) > TukeyHSD(res) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = thuyphan ~ enzyme) $enzyme diff lwr upr p adj 2-1 -3.3666667 -5.469957 -1.2633765 0.0015805 3-1 0.2333333 -1.869957 2.3366235 0.9885102 4-1 -1.9166667 -4.158781 0.3254482 0.1080820 3-2 3.6000000 1.403185 5.7968149 0.0012695 4-2 1.4500000 -0.880074 3.7800741 0.3179286 4-3 -2.1500000 -4.480074 0.1800741 0.0758907 Bảng giá trị thống kê 1 Enzyme A B C D Chú thích Loại A B C D Acid amin tổng số (mg/kg) 18.17a ± 1.17 14.80b ± 0.84 18.40a ± 1.52 16.25ab ± 1.26 a X b X X X X Kết luận:Ta chọn loại enzyme A,C vì 2 loại này có khả năng thủy phân giống nhau và khả năng thủy phân cao. > xbar <- tapply(thuyphan, enzyme, mean) > s <- tapply(thuyphan, enzyme, sd) > n <- tapply(thuyphan, enzyme, length) > sem <- s/sqrt(n) >stripchart(thuyphan ~ enzyme,ylim=range(0:21),sub="khả năng thủy phấn c ủa 4 lo ại protein",xlab="enzyme", pch=F, vert=T) > arrows(1:4, xbar+sem, 1:4, xbar-sem, angle=90, code=3, length=0.1) > lines(1:4, xbar, pch=4, type="b", cex=2) 7 10 0 5 thuyphan 15 20 Báo cáo thực hành tin ứng dụng 1 2 3 4 enzyme khả nang thủy phân của 4 loại protein Bài 13: > n.do=rep(c(1,2,3),c(7,7,7)) > t.no=c(68,80,69,76,68,77,60,71,62,58,74,65,59,57,58,60,70,51,57,71,61) > n.do=as.factor(n.do) > data=data.frame(n.do,t.no) >data > shapiro.test(t.no) Shapiro-Wilk normality test data: t.no W = 0.959, p-value = 0.4958 #P-value >0.05 nên t.no tuân theo phân phối chuẩn > khanang=lm(t.no~n.do) > anova(khanang) Analysis of Variance Table Response: t.no Df Sum Sq Mean Sq F value Pr(>F) n.do 2 377.52 188.762 3.9733 0.03722 * Residuals 18 855.14 47.508 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 #P= 0.03722 < 0.005 nên sự khác biệt về khả năng trương nở của 3 nồng độ phụ gia có ý nghĩa thống kê > res=aov(t.no~n.do) > TukeyHSD(res) Tukey multiple comparisons of means 95% family-wise confidence level 8 Báo cáo thực hành tin ứng dụng Fit: aov(formula = t.no ~ n.do) $n.do diff lwr upr p adj 2-1 -7.428571 -16.83138 1.9742350 0.1369187 3-1 -10.000000 -19.40281 -0.5971936 0.0361071 3-2 -2.571429 -11.97423 6.8313778 0.7677005 Bảng giá trị thống kê 2 Nồng độ phụ gia (%) 0.5 0.3 0.1 Chú thích: a b 0.5 X 0.3 X X 0.1 X Khả năng trương nở (%) 71.14a±6.89 63.71ab±6.63 61.14b±7.15 Kết luận:Ta thấy ở nồng độ 0.3 giống ở 0.1 và 0.5 nhưng khả năng trương nở lại cao hơn ở 0.1 đồng thời nồng độ phụ gia nhiều sẽ không tốt nên hạn chế nồng độ do đó ta chọn nồng độ 0.3% phụ gia để thêm vào trong quá trình sản xuất. > xbar <- tapply(t.no, n.do, mean) > s <- tapply(t.no, n.do, sd) > n <- tapply(t.no, n.do, length) > sem <- s/sqrt(n) > stripchart(t.no ~ n.do,ylim=range(0:81),sub="khả năng trương nở của bánh",xlab="nong do", pch=16, vert=TRUE) > arrows(1:3, xbar+sem, 1:3, xbar-sem, angle=90, code=3, length=0.1) > lines(1:3, xbar, pch=4, type="b", cex=2) 9 Báo cáo thực hành tin ứng dụng Bài 14: > izozym median(izozym) [1] 3.59 > data<-izozym-3.59 > data [1] -0.14 -0.01 0.00 0.03 0.00 -0.02 -0.38 -0.85 -0.30 -0.11 -0.14 -0.01 [13] 0.00 0.03 0.00 -0.02 -0.38 -0.85 -0.30 -0.11 -0.14 -0.01 0.00 0.03 [25] 0.00 -0.02 -0.38 -0.85 -0.30 -0.11 -0.14 -0.01 0.00 0.03 0.00 -0.02 [37] -0.02 0.00 -0.01 0.08 0.10 0.15 -0.01 0.09 0.00 -0.01 0.15 0.16 [49] 0.02 0.19 0.08 0.10 4.15 -0.01 0.09 0.00 -0.01 -0.01 0.09 0.00 [61] -0.01 0.15 0.16 0.02 0.19 0.08 0.10 0.15 -0.01 0.09 #Quan sát data ta thấy có 2 sự chênh lệch khá rõ, một là số liệu ban đầu thấp hơn 0.85 đơn vị so với median, hai là cao hơn 4.15 đơn vị so với median. Vì vậy ta cần loại bỏ các sai số này ra khỏi số liệu ban đầu. Ta có số liệu mới như sau: > loaimau<-rep(1:2,c(32,34)) > loaimau<-as.factor(loaimau) > izozym data1<-data.frame(loaimau,izozym) > data1 > shapiro.test(izozym) Shapiro-Wilk normality test data: izozym W = 0.8533, p-value = 1.535e-06 #Kết quả trên cho ta thấy số liệu izozym không thuộc phân phối chuẩn vì trị số P nhỏ hơn 0.05. > wilcox.test(izozym~loaimau) Wilcoxon rank sum test with continuity correction data: izozym by loaimau W = 187, p-value = 4.112e-06 alternative hypothesis: true location shift is not equal to 0 Warning message: In wilcox.test.default(x = c(3.45, 3.58, 3.59, 3.62, 3.59, 3.57, : cannot compute exact p-value with ties Kết luận:p-value<0.05 nên sự khác biệt giữa hàm lượng izozym trong 2 nhóm có ý nghĩa thống kê. Giữa mẫu thí nghiệm và mẫu đối chứng có sự khác nhau về hàm lượng izozym EST trong máu ngoại vi. Bài 15: > mdat <- matrix(c(15,132,93,32,145,62), nrow = 2, ncol=3, byrow=TRUE,dimnames = list(c("hương chanh dấy", "hương vani"),c("hơi thích", "thích", "rấất thích"))) > mdat hoi thích thích rấất thích huong chanh dấy 15 132 93 huong vani 32 145 62 > chisq.test(mdat) Pearson's Chi-squared test data: mdat X-squared = 12.957, df = 2, p-value = 0.001536 # vì trị số p-value = 0.001536 < 0.05 nên sự khác biệt giữa hai loại hương liệu có ý nghĩa thống kê. >barplot(mdat,sub="chếấ biếấn mứt rau cấu",xlab="mức độ ưa thích") 11 0 50 100 150 200 250 Báo cáo thực hành tin ứng dụng hoi thích thích rất thích mức dộ ua thích chế biến mứt rau câu Bài 16: > saponin=c(7.53,6.87,7.12,7.53,6.84,6.67,7.81,5.87,5.64,6.14,6.07,5.79,6.13,6.35,6.50 ,6.49,6.55,11.33) > median(saponin) [1] 6.525 > data<-saponin-6.525 > data [1] 1.005 0.345 0.595 1.005 0.315 0.145 1.285 -0.655 -0.885 -0.385 [11] -0.455 -0.735 -0.395 -0.175 -0.025 -0.035 0.025 4.805 #Quan sát data ta thấy có sự chênh lệch khá rõ, một là số liệu ban đầu cao hơn 4.805 đơn vị so với median. Vì vậy ta cần loại bỏ các sai số này ra khỏi số liệu ban đầu. Ta có số liệu mới như sau: > loaimau <- c(1,1,1,1,1,1,1,2,2,2,2,2,3,3,3,3,3) > loaimau<-as.factor(loaimau) > saponin=c(7.53,6.87,7.12,7.53,6.84,6.67,7.81,5.87,5.64,6.14,6.07,5.79,6.13,6.35,6.50 ,6.49,6.55) > nhansam=data.frame(loaimau,saponin) > attach(nhansam) The following object(s) are masked _by_ '.GlobalEnv': loaimau, saponin > shapiro.test(saponin) Shapiro-Wilk normality test data: saponin 12 Báo cáo thực hành tin ứng dụng W = 0.9556, p-value = 0.5512 # vì p-value = 0.0001137< 0.05 nên saponin không thuộc phân phối chuẩn. # giả sử saponin thuộc phân phối chuẩn.ta có > analysis <- lm(saponin ~ loaimau) > anova(analysis) Analysis of Variance Table Response: saponin Df Sum Sq Mean Sq F value Pr(>F) loaimau 2 5.1069 2.5535 25.561 2.122e-05 *** Residuals 14 1.3986 0.0999 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > res <- aov(saponin ~ loaimau) > TukeyHSD (res) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = saponin ~ loaimau) $loaimau diff lwr upr p adj 2-1 -1.2937143 -1.77809314 -0.8093354 0.0000178 3-1 -0.7917143 -1.27609314 -0.3073354 0.0020678 3-2 0.5020000 -0.02118896 1.0251890 0.0607643 Bảng giá trị thống kê 3 Vùng 1. 2. 3. Chú thích Vùng a 1 X 2 X 3 x Hàm lượng saponin(%) 7.20a± 0.43 5.90a± 0.20 7.23a± 2.02 Kết luận: Ta thấy p-value của hàm anova >0.05 nên sự khác biệt dữ liệu của hàm lượng saponin không có ý nghĩa thống kê nên hàm lương saponin ở 3 vùng là như nhau.Ta có thể trồng sâm ở cả 3 vùng đều đem tới hàm lượng saponin giống nhau. > xbar <- tapply(saponin, group, mean) > s <- tapply(saponin, group, sd) > n <- tapply(saponin, group, length) > sem <- s/sqrt(n) > stripchart(saponin ~ group,ylim=range(0:8),sub="hàm lượng saponin trong nhấn sấm dược thu hái ở ba vùng",xlab="group", pch=F, vert=TRUE) > arrows(1:3, xbar+sem, 1:3, xbar-sem, angle=90, code=3, length=0.1) > lines(1:3, xbar, pch=4, type="b", cex=2) 13 Báo cáo thực hành tin ứng dụng Bài 17: > tieuchi<-rep((1:4),c(20,20,20,20)) > tieuchi<-as.factor(tieuchi) > yeuthich data<-data.frame(tieuchi,yeuthich) > data > shapiro.test(yeuthich) Shapiro-Wilk normality test data: yeuthich W = 0.9262, p-value = 0.0001895 > analysis<-lm(yeuthich~tieuchi) > anova(analysis) Analysis of Variance Table Response: yeuthich Df Sum Sq Mean Sq F value Pr(>F) tieuchi 3 12.038 4.0125 2.5702 0.06041 . Residuals 76 118.650 1.5612 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Nhận xét: +p-value<0.05 nên số liệu yeuthich không thuộc phân phối chuẩn. Giả sử số liệu thuộc phân phối chuẩn ta tiếp tục tiến hành các bước tiếp theo. +Pr>0.05 nên sự khác biệt giữa các tiêu chí không có ý nghĩa thống kê. Kết luận:Chọn tiêu chí nào để đánh giá mức độ yêu thích của người tiêu dùng cũng như nhau. 14 Báo cáo thực hành tin ứng dụng > xbar <- tapply(yeuthich, tieuchi, mean) > s <- tapply(yeuthich, tieuchi, sd) > n <- tapply(yeuthich, tieuchi, length) > sem <- s/sqrt(n) > stripchart(yeuthich ~ tieuchi,ylim=range(0:10),sub="m ức độ yếu thích của ng ười tiếu dùng với 2 dòng sản phẩm",xlab="tiếu chí", pch=F, vert=TRUE) > arrows(1:4, xbar+sem, 1:4, xbar-sem, angle=90, code=3, length=0.1) > lines(1:4, xbar, pch=4, type="b", cex=2) Bài 18: > mdat <- matrix(c(124,107,26,43), nrow = 2, ncol=2, byrow=TRUE,dimnames = list(c("hai long", "k hai long"),c("A", "B"))) > mdat A B hai long 124 107 k hai long 26 43 > chisq.test(mdat) Pearson's Chi-squared test with Yates' continuity correction data: mdat X-squared = 4.8184, df = 1, p-value = 0.02816 Kết luận:p-value=0.02816<0.05 nên sự khác nhau về sự hài lòng của khách hàng về 2 sản phẩm A,B có ý nghĩa thống kê. Dựa vào dữ liệu ta chọn sản phẩm A. > barplot(mdat,sub="so sánh sự hài lòng của khách hàng",xlab="sản phẩm",ylab="sự hài lòng") 15 80 60 0 20 40 sự hài lòng 100 120 140 Báo cáo thực hành tin ứng dụng A B sản phẩm so sánh sự hài lòng của khách hàng Bài 19: > sp<-gl(2,11) > sp<-as.factor(sp) > thihieu<-c(6,8,7,8,8,9,7,5,6,7,7,8,8,9,7,8,7,7,9,8,9,8) > data19<-data.frame(sp,thihieu) > data19 > shapiro.test(thihieu) Shapiro-Wilk normality test data: thihieu W = 0.9029, p-value = 0.03405 # ta thấy p <0.05 số liệu thihieu không tuân theo quy luật phân phối chuẩn #giả sử số liệu thihieu thuộc phân phối chuẩn ta làm tiếp. > pt<-lm(thihieu~sp) > anova(pt) Analysis of Variance Table Response: thihieu Df Sum Sq Mean Sq F value Pr(>F) sp 1 4.5455 4.5455 4.8077 0.04033 * Residuals 20 18.9091 0.9455 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 # qua số liệu phân tích ta thấy p < 0.05 nên sự khác nhau có ý nghĩa thống kê giữa các nhóm sản phẩm, để biếết sự khác biệt đó ta tếến hành phân tch Tukey. > res<-aov(thihieu~sp) > TukeyHSD(res) Tukey multiple comparisons of means 95% family-wise confidence level 16 Báo cáo thực hành tin ứng dụng Fit: aov(formula = thihieu ~ sp) $sp diff lwr upr p adj 2-1 0.9090909 0.04423122 1.773951 0.0403281 Bảng giá trị thống kê 4 Sản phầm Điểm Sản phẩm đang bán 7.09a + 1.14 Sản phẩm cải tiến 8.00b + 0.77 Chú thích Sản phẩm a b Sản phẩm đang bán x Sản phẩm cải tiến x Kết luận:Vì sự khác biệt của 2 sản phẩm có ý nghĩa thống kê do dó điểm của sản phẩm cải tiến lớn hơn nên sản phẩm cải tiến sẽ ngon hơn ta nên tung sản phẩm cải tiến ra thị trường. > xbar <- tapply(thihieu, sp, mean) > s <- tapply(thihieu, sp, sd) > n <- tapply(thihieu, sp, length) > sem <- s/sqrt(n) > stripchart(thihieu ~ sp,ylim=range(0:10),sub="tm hiểu thị hiếấu c ủa khách hàng vếề 2 loại sản phẩm",xlab="sản phẩm", pch=F, vert=TRUE) > arrows(1:2, xbar+sem, 1:2, xbar-sem, angle=90, code=3, length=0.1) > lines(1:2, xbar, pch=4, type="b", cex=2) 17 Báo cáo thực hành tin ứng dụng Bài 20: > group=rep(1:5,each=3) > group [1] 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 > group=as.factor(group) > hs=c(16.77,18.56,17.83,21.51,20.42,21.27,22.16,24.73,23.01,24.92,24.27,23.96,24.7 3,24.41,25.82) > data=data.frame(group,hs) > data > shapiro.test(hs) Shapiro-Wilk normality test data: hs W = 0.9071, p-value = 0.1223 #p-value >0.05 nên hs tuân theo phân phối chuẩn > kqua=lm(hs~group) > anova(kqua) Analysis of Variance Table Response: hs Df Sum Sq Mean Sq F value Pr(>F) group 4 105.167 26.2917 36.126 6.447e-06 *** Residuals 10 7.278 0.7278 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 #p-value <0.05 nên sự khác biệt dữ liệu kq có ý nghĩa thống kê > res=aov(kqua) > TukeyHSD(res) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = kqua) $group diff lwr upr p adj 2-1 3.3466667 1.05425211 5.639081 0.0050286 3-1 5.5800000 3.28758544 7.872415 0.0000884 4-1 6.6633333 4.37091878 8.955748 0.0000184 5-1 7.2666667 4.97425211 9.559081 0.0000083 3-2 2.2333333 -0.05908122 4.525748 0.0570307 4-2 3.3166667 1.02425211 5.609081 0.0053534 5-2 3.9200000 1.62758544 6.212415 0.0015862 4-3 1.0833333 -1.20908122 3.375748 0.5536133 5-3 1.6866667 -0.60574789 3.979081 0.1864817 5-4 0.6033333 -1.68908122 2.895748 0.9028933 18 Báo cáo thực hành tin ứng dụng Bảng giá trị thống kê 5 Thời gian (phút) 55 70 85 100 115 Chú thích Thời gian a 55 X 70 85 100 115 Hiệu suất trích ly (% theo trọng lượng khô) 17.72a±0.90 21.07b±0.57 23.30bc±1.31 24.38c±0.49 24.99c±0.74 b X X C X X X Kết luận:Ta thấy ở thời gian 85 có hiệu suất trích ly giống ở 100,115 và cao hơn ở 55,70. Bên cạnh đó thì còn yêu cầu trong thời gian ngắn nên ở mốc thời gian 85 là hợp lý và tốt nhất. Ta chọn mốc thời gian 85 phút để trích ly các dưỡng chất từ nấm mèo. > xbar <- tapply(hs, group, mean) > s <- tapply(hs, group, sd) > n <- tapply(hs, group, length) > sem <- s/sqrt(n) > stripchart(hs ~ group,ylim=range(0:26),sub="nghiến cứu sử dụng enzyme pectinase ",xlab="group", pch=F, vert=TRUE) > arrows(1:5, xbar+sem, 1:5, xbar-sem, angle=90, code=3, length=0.1) > lines(1:5, xbar, pch=4, type="b", cex=2) 19 Báo cáo thực hành tin ứng dụng Bài 21: > giong<-gl(4,5) > giong<-as.factor(giong) > nangsuat<-c(8,7,6,6,8,9,10,7,9,8,5,5,4,3,6,5,4,5,5,6) > data21<-data.frame(giong,nangsuat) > data21 > shapiro.test(nangsuat) Shapiro-Wilk normality test data: nangsuat W = 0.9567, p-value = 0.4809 # vì p > 0.05 nên dữ liệu nangsuat tuân theo phân phối chuẩn # ta tiến hành phân tích phương sai > pt<-lm(nangsuat~giong) > anova(pt) Analysis of Variance Table Response: nangsuat Df Sum Sq Mean Sq F value Pr(>F) giong 3 51.8 17.267 16.846 3.309e-05 *** Residuals 16 16.4 1.025 --Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 > # qua số liệu phân tích ta thấy p < 0.05 nên sự khác nhau cua dữ liệu pt có ý nghĩa thống kê ở mức a = 5% giữa các giống lúa. vì vậy ta tiếp tục phân tích Tukey > res<-aov(nangsuat~giong) > TukeyHSD(res) Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = nangsuat ~ giong) $giong diff lwr upr p adj 2-1 1.6 -0.2319465 3.4319465 0.0982638 3-1 -2.4 -4.2319465 -0.5680535 0.0085532 4-1 -2.0 -3.8319465 -0.1680535 0.0300031 3-2 -4.0 -5.8319465 -2.1680535 0.0000627 4-2 -3.6 -5.4319465 -1.7680535 0.0002026 4-3 0.4 -1.4319465 2.2319465 0.9226305 Bảng giá trị thống kê 6 Giống G1 G2 G3 G4 Năng suất 7.0a ± 1.00 8.6a± 1.14 4.6b± 1.14 5.0b±0.70 20