Thực hành xử lý số liệu thực nghiệm ngành công nghệ thực phẩm

BỘ CÔNG THƯƠNG
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.HCM
VIỆN CÔNG NGHỆ SINH HỌC- THỰC PHẨM
........................

Bài tập:
THỰC HÀNH
XỬ LÝ SỐ LIỆU THỰC NGHIỆM
NGÀNH CÔNG NGHỆ THỰC PHẨM
GVHD: PHẠM MINH TUẤN

TP.HCM, THÁNG 03 NĂM 2015


MỤC LỤC


Câu 1:

Hình 1: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn về hiệu suất trích ly của 2 loại
dung môi trong quá trình trích ly polyphenol.
Bảng 1: Bảng giá trị trung bình và độ lệch chuẩn về hiệu suất trích ly của 2 loại dung môi
trong quá trình trích ly polyphenol.
Dung môi

Hiệu suât trích ly (%)

Diethyl eter
Cồn

69.5±5. 167204

68±15.0333

Chú thích: a,b trên cùng một cột biểu diễn sự khác biệt về hiệu suất trích ly polyphenol khi sử
dụng hai dung môi là Diethyl eter và Cồn.
Vì giá trị p-value=0.8701> α (độ tin cậy 95%) nên chúng không có ý nghĩa về mặt thống kê,
nên chúng ta có thể chọn cồn hoặc diethyl eter trích ly polyphenol đều được, chúng đều đem
lại hiệu suất trích ly gần như như nhau.
Phụ lục
etyl<-c(68,63,74,66,75)
con<-c(52,84,58,84,62)
e<-mean(etyl)
c<-mean(con)
sde<-sd(etyl)
sdc<-sd(con)
var.test(etyl,con)
F test to compare two variances
data: etyl and con
F = 0.1181, num df = 4, denom df = 4, p-value = 0.06226
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.01230061 1.13469446
3


sample estimates:
ratio of variances
0.1181416
t.test(con,etyl,var.equal=TRUE)
Two Sample t-test
data: con and etyl

t = -0.1688, df = 8, p-value = 0.8701
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-17.59373 15.19373
sample estimates:
mean of x mean of y
68.0

69.2

Câu 2:

Hình 2: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn của phụ gia CMC và mẩu đối
chứng
Bảng 2: Bảng giá trị trung bình và độ lệch chuẩn của phụ gia CMC và mẩu đối chứng.
Khả năng bền bọt (giờ)
Đối chứng

1.047a±0.04900113

CMC

1.223b±0.04473378

Chú thích: a,b trên cùng một cột biểu diễn sự khác biệt về khả năng bền bọt khi sử dụng phụ
gia CMC và khi không sử dụng phụ gia.
Vì giá trị p-value= 1.24e-07 < α (Độ tin cậy 95%) nên chúng có sự khác biệt về khả năng tạo
bọt khi sử dụng phụ gia CMC và khi không sử dụng phụ gia. Ta thấy phần trăm khả năng tạo
bọt của phụ gia CMC cao hơn khi không sử dụng phụ gia, vì thể để áp dụng vào quy trình sản
xuất chúng ta có thể chọn phụ gia CMC để tạo bền bọt cho sản phẩm.

Phụ lục
4


dc<-c(1.1,0.99,1.05,1.01,1.02,1.07,1.1,0.98,1.03,1.12)
cmc<-c(1.25,1.31,1.28,1.2,1.18,1.22,1.22,1.17,1.19,1.21)
dc1<-mean(dc)
cmc1<-mean(cmc)
sd1<-sd(dc)
sd2<-sd(cmc)
var.test(dc,cmc)
F test to compare two variances
data: dc and cmc
F = 1.1999, num df = 9, denom df = 9, p-value = 0.7905
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.2980354 4.8307459
sample estimates:
ratio of variances
1.199889
t.test(dc,cmc,var.equal=TRUE)
Two Sample t-test
data: dc and cmc
t = -8.3884, df = 18, p-value = 1.24e-07
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.2200804 -0.1319196
sample estimates:
mean of x mean of y
1.047

1.223
5


Câu 3:

Hình 3: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn về khả năng thủy phân protein
của 4 loại enzyme trong việc thủy phân cá trong quá trình sản xuất nước mắm.
Bảng 3: Bảng giá trị trung bình và độ lệch chuẩn về khả năng thủy phân protein của 4 loại
enzyme trong việc thủy phân cá trong quá trình sản xuất nước mắm.
Khả năng thủy phân protein (mg/kg)
A

18.16667ab±1.169045

B

14.8cd±0.83666

C

19a±0.8164966

D

16.25bc±1.258306

Chú thích: a,b,c,d trên cùng một cột biểu diễn sự khác biệt về khả năng thủy phân của 4 loại
enzyme.

Vì p-value=7.463e-05 ***<α (độ tin cậy 95%), nên chúng có sự khác nhau về khả năng thủy
phân protein của 4 loại enzyme. Lượng acid amin thu được khi sử dụng enzyme C,A là lớn
nhất (19%, 18,1%) và ở cùng một nhóm nên chúng ta có thể sử dụng cả hai enzyme để có thể
thu được lượng acid amin lớn nhất.
Phụ lục:
a<-c(17,18,17,20,19,18)
b<-c(14,15,16,15,14)
c<-c(19,20,18,19)
d<-c(16,15,16,18)
x<-c(a,b,c,d)
group<-c(rep("a",6),rep("b",5),rep("c",4),rep("d",4))
bai3<-data.frame(x,group)
analysis<-lm(x~group)
anova(analysis)
Analysis of Variance Table
Response: x
6


Df Sum Sq Mean Sq F value Pr(>F)
group

3 50.564 16.8547 15.431 7.463e-05 ***

Residuals 15 16.383 1.0922
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
res<-aov(x~group)
TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level

Fit: aov(formula = x ~ group)
$group
diff

lwr

upr

p adj

b-a -3.3666667 -5.1905943 -1.5427391 0.0004459
c-a 0.8333333 -1.1109800 2.7776467 0.6151972
d-a -1.9166667 -3.8609800 0.0276467 0.0539882
c-b 4.2000000 2.1794103 6.2205897 0.0001307
d-b 1.4500000 -0.5705897 3.4705897 0.2079384
d-c -2.7500000 -4.8798886 -0.6201114 0.0098498
a1<-mean(a)
a2<-sd(a)
b1<-mean(b)
b2<-sd(b)
c1<-mean(c)
c2<-sd(c)
d1<-mean(d)
d2<-sd(d)
7


Câu 4:

Hình 4: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn về khả năng trương nở khi sử

dụng 3 nồng độ khác nhau của một loại phụ gia trong quá trình sản xuất bánh phồng tôm.
Bảng 4: Bảng giá trị trung bình và độ lệch chuẩn về khả năng trương nở khi sử dụng 3 nồng
độ khác nhau của một loại phụ gia trong quá trình sản xuất bánh phồng tôm
Khả năng trương nở (%)
0.5%

71.14286 a± 6.890297

0.3%

63.71429 ab± 6.626067

0.1%

61.14286 b± 7.151423

Chú thích: a,b,c trên cùng một cột biểu diễn sự khác biệt về khả năng trương nở của phụ gia ở
4 nồng độ khác nhau.
Vì p-value=0.03722 *<α (độ tin cậy 95%), nên có sự khác biệt về khả năng trương nở khi sử
dụng phụ gia ở các nồng độ khác nhau. Khả năng trương nở của bánh phồng tôm khi sử dụng
phụ gia ở nồng độ 0.5% và 0.3% đều cho giá trị cao nhất (71.14286 và 63.71429). Vì vậy nếu
là nhà sản xuất thì chúng ta có thể sử dụng nồng độ 0.5% hoặc 0.3 để sản xuất. Nhưng ta nên
dùng nồng độ 0.3% để sản xuất, vì mức nồng độ này sẽ mang lại giá trị kinh tế hơn khi sử
dụng nồng độ 0.5%.
Phụ lục:
a<-c(68,80,69,76,68,77,60)
b<-c(71,62,58,74,65,59,57)
c<-c(58,60,70,51,57,71,61)
x<-c(a,b,c)
group<-c(rep("a",7),rep("b",7),rep("c",7))

bai4<-data.frame(x,group)
analysis<-lm(x~group)
anova(analysis)
Analysis of Variance Table
Response: x
Df Sum Sq Mean Sq F value Pr(>F)
8


group

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
res<-aov(x~group)
TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = x ~ group)
$group
diff

lwr

upr

p adj

b-a -7.428571 -16.83138 1.9742350 0.1369187

c-a -10.000000 -19.40281 -0.5971936 0.0361071
c-b -2.571429 -11.97423 6.8313778 0.7677005
a1<-mean(a)
a2<-sd(a)
b1<-mean(b)
b2<-sd(b)
c1<-mean(c)
c2<-sd(c)
Câu 5:

Hình 5: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn của hàm lượng izozym EST trong
máu ở hai nhóm người.
Bảng 5: Bảng giá trị trung bình và độ lệch chuẩn của hàm lượng izozym EST trong máu ở hai
nhóm người.
Hàm lượng izozym EST
9


Đối chứng
3.53a±0.12
Thực nghiệm
3.64b±0.08
Chú thích: a, b trên cung một cột biểu diễn sự khác biệt hàm lượng izozym EST trong máu ở
hai nhóm người.
Vì p- value = 0.0002426 <α, nên có sự khác biệt về hàm lượng izozym EST trong máu ngoại
vi của hai nhóm người, và ta thấy giá trị trung bình của thực nghiệm lớn hơn đối chứng nên
hàm izozym EST trong máu ngoại vi của nhóm người thực nghiệm cao hơn nhóm người đối
chứng. Qua đó cho thấy nhóm người khi sống và tiếp xúc lâu dài với hóa chất diệt côn trùng
nhóm lân hữu cơ thì hàm lượng izozym EST trong máu càng cao.
Phụ Lục

setwd("t:/")
gh<-read.csv("bai5.csv",header=TRUE)
dc<-c(mean(gh[,1]))
tn<-c(mean(gh[,2]))
dc1<-c(sd(gh[,1]))
tn1<-c(sd(gh[,2]))
dc2<-c(gh[,1])
var.test(dc,tn)
F test to compare two variances
data: dc and tn
F = 2.0128, num df = 34, denom df = 34, p-value = 0.045
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
1.016014 3.987686
sample estimates:
ratio of variances
2.012845
wilcox.test(dc,tn,var.equal=TRUE)
Wilcoxon rank sum test with continuity correction
10


data: dc and tn
W = 301.5, p-value = 0.0002426
alternative hypothesis: true location shift is not equal to 0
Warning message:
In wilcox.test.default(dc, tn, var.equal = TRUE) :
cannot compute exact p-value with ties
Câu 6:

Hình 6: Biểu đồ thể hiện phần trăm mức độ ưa thích và không thích của hai loại hương liệu
Bảng 6: Phần trăm mức độ thích và không thích của hai loại hương liệu chanh dây và vani.
Chanh dây
Vani
Không thích
10%
19%
Thích
90%
81%
Vì p-value =0,05107 >α (0,05) nên chúng không có sự khác nhau về mức độ ưa thích và
không ưa thích của hai loại hương liệu. Nên là nhà sản xuất ta có thể sử dụng hương chanh
dây hoặc hương vani để sản xuất.
Phụ Lục
x<-c(15,33,132,45)
y=matrix(x,nrow=2,byrow=T)
y
[,1] [,2]
[1,] 15 33
[2,] 132 45
bai6day","huongvani")))
bai6
huongchanhday huongvani
khongthich

15

33
11

thich

132

145

chisq.test(bai6)
Pearson's Chi-squared test with Yates' continuity correction
data: bai6
X-squared = 3.8061, df = 1, p-value = 0.05107
Câu 7:

Hình 7: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn của hàm lượng Saponin được thu
hái từ 1 loại nhân sâm ở 3 vùng khác nhau.
Bảng 7: Bảng giá trị trung bình và độ lệch chuẩn của hàm lượng Saponin được thu hái từ 1
loại nhân sâm ở 3 vùng khác nhau.

Hàm lượng Saponin (%)
Vùng 1
7.19a±0.431
Vùng 2
5.90b±0.204
Vùng 3
6.39c±0.155
Chú thích: a, b,c trên cùng một cột biểu diễn sự khác biệt hàm lượng Saponin của nhân sâm
trên 3 vùng khác nhau.
Vì p- value = 9.412e-06 ***<α (Độ tin cậy 95%), nên có sự khác biệt về hàm lượng Saponin
của cây nhân sâm ở 3 vùng khác nhau và ta thấy hàm lượng Saponin ở vùng 1 là cao nhất,

thấp nhất là vùng 2, vì thế ta có thể chọn giống ở vùng 1 để trồng và chúng sẽ mạng lại hiệu
quả kinh tế cao hơn hai vùng còn lại.
Phụ Lục
v1<-c(7.53,6.87,7.12,7.53,6.84,6.67,7.81)
v2<-c(5.87,5.64,6.14,6.07,5.79)
v3<-c(6.13,6.35,6.5,6.49,6.55,6.33)
group<-c(rep("a",7),rep("b",5),rep("c",6))
nhom<-c(v1,v2,v3)
bai7<-data.frame(nhom,group)
analysis<-lm(nhom~group)
12


anova(analysis)
Analysis of Variance Table

Response: nhom
Df Sum Sq Mean Sq F value Pr(>F)
group

2 5.1625 2.58126 27.595 9.412e-06 ***

Residuals 15 1.4031 0.09354
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
res<-aov(nhom~group)
TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = nhom ~ group)
$group

diff

lwr

upr

p adj

b-a -1.2937143 -1.758883797 -0.8285448 0.0000084
c-a -0.8040476 -1.246026657 -0.3620686 0.0007453
c-b 0.4896667 0.008616515 0.9707168 0.0457802
Câu 8:

Hình 8: Biều đồ thể hiện giá trị trung bình và độ lệch chuẩn về các tính chất cảm quan được
đánh giá của 2 sản phẩm.
Bảng 8: Bảng thể hiện giá trị trung bình và độ lệch chuẩn về các tính chất cảm quan được
đánh giá của 2 sản phẩm.

Độ trong
Độ màu

Sản phẩm 2
5.5±0.8498366
5.4±0.843274

Sản phẩm 1
7.6±0.9660918
7.7±0.9486833
13

Hương
7.5±0.8498366
7.1±1.37032
7.9±0.7378648
Vị mặn
6.8±0.7888106
Vì p-value=6.559e-05 <α (Độ tin cậy 95%) nên chúng có sự khác nhau về độ trong của hai
sản phẩm khảo sát. Ta thấy giá trị độ trong của sản phẩm 1 lớn hơn giá trị độ trong của sản
phẩm 2, vì vậy ta chọn độ trong của sản phẩm 1 để định hướng cho tương lai.
Vì p- value=1.968e-05<α (Độ tin cậy 95%) nên chúng có sự khác nhau về độ màu của hai sản
phẩm khảo sát. Ta thấy giá trị độ màu của sản phẩm 1 lớn hơn giá trị độ màu của sản phẩm
2, vì vậy ta chọn độ màu của sản phẩm 1 để định hướng cho tương lai.
Vì p- value=0.443> α (Độ tin cậy 95%) nên chúng không có sự khác nhau về độ hương của hai
sản phẩm khảo sát. Vì vậy chúng ta có thể chọn độ hương của sản phẩm 1 hoặc sản phẩm 2 để
định hướng cho tương lai đều được.
Vì p- value=0.004744<α (Độ tin cậy 95%) nên chúng có sự khác nhau về vị mặn của hai sản
phẩm khảo sát. Ta thấy giá trị vị mặn của sản phẩm 2 lớn hơn giá trị vị mặn của sản phẩm 1,
vì vậy ta chọn vị mặn của sản phẩm 2 để định hướng cho tương lai.
Phụ lục:
dotrong1<-c(7,6,7,8,9,7,8,9,7,8)
domau1<-c(8,7,8,9,9,8,6,7,8,7)
huong1<-c(8,7,8,7,6,7,7,8,8,9)
viman1<-c(8,6,7,6,7,8,7,6,7,6)
dotrong2<-c(6,5,5,6,4,5,6,7,5,6)
domau2<-c(5,6,5,7,5,4,6,5,6,5)
huong2<-c(7,8,6,5,5,7,8,9,8,8)
viman2<-c(7,8,7,8,9,7,8,8,9,8)
var.test(dotrong1,dotrong2)
F test to compare two variances

data: dotrong1 and dotrong2
F = 1.2923, num df = 9, denom df = 9, p-value = 0.7087
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.320991 5.202823
14


sample estimates:
ratio of variances
1.292308
t.test(dotrong1,dotrong2,var.equal=TRUE)
Two Sample t-test
data: dotrong1 and dotrong2
t = 5.1612, df = 18, p-value = 6.559e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.245166 2.954834
sample estimates:
mean of x mean of y
7.6

5.5

var.test(domau1,domau2)
F test to compare two variances
data: domau1 and domau2
F = 1.2656, num df = 9, denom df = 9, p-value = 0.7314
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:

0.3143633 5.0953989
sample estimates:
ratio of variances
1.265625
t.test(domau1,domau2,var.equal=TRUE)
Two Sample t-test
data: domau1 and domau2
15


t = 5.7301, df = 18, p-value = 1.968e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.456718 3.143282
sample estimates:
mean of x mean of y
7.7

5.4

var.test(huong1,huong2)
F test to compare two variances
data: huong1 and huong2
F = 0.3846, num df = 9, denom df = 9, p-value = 0.1708
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.09553302 1.54845929
sample estimates:
ratio of variances
0.3846154

t.test(huong1,huong2,var.equal=TRUE)
Two Sample t-test
data: huong1 and huong2
t = 0.7845, df = 18, p-value = 0.443
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.6712642 1.4712642
sample estimates:
mean of x mean of y
16


7.5

7.1

var.test(viman1,viman2)
F test to compare two variances
data: viman1 and viman2
F = 1.1429, num df = 9, denom df = 9, p-value = 0.8456
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.2838695 4.6011362
sample estimates:
ratio of variances
1.142857
t.test(viman1,viman2,var.equal=TRUE)
Two Sample t-test
data: viman1 and viman2
t = -3.2205, df = 18, p-value = 0.004744

alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.8176015 -0.3823985
sample estimates:
mean of x mean of y
6.8

7.9

meandt1<-mean(dotrong1)
meandt2<-mean(dotrong2)
meandm1<-mean(domau1)
meandm2<-mean(domau2)
meanh1<-mean(huong1)
17


meanh2<-mean(huong2)
meanviman1<-mean(viman1)
meanviman2<-mean(viman2)
sddt1<-sd(dotrong1)
sddt2<-sd(dotrong2)
sddm1<-sd(domau1)
sddm2<-sd(domau2)
sdh1<-sd(huong1)
sdh2<-sd(huong2)
sdviman1<-sd(viman1)
sdviman2<-sd(viman2)
Câu 9:

Hình 9 : Biểu đồ thể hiện phần trăm mức độ hài lòng và không hài lòng của hai sản phẩm A và
B.
Bảng 9: Bảng thể hiện phần trăm mức độ hài lòng và không hài lòng của hai sản phẩm A và B.
Sản phẩm A
Sản phẩm B
Hài lòng
82,67%
71,33%
Không hài lòng
17,33%
28,67%
Vì p-value= 0.02816 <α (Độ tin cậy 95%) nên có sự khác nhau về mức độ hài lòng và không
hài lòng của hai sản phẩm A và B. Nếu là nhà tiêu dùng thì sẽ chọn sản phẩm A vì chúng có
mức độ hài lòng cao hơn sản phẩm B (82,67%> 71,33%).
Phụ lục:
bai9<-matrix(c(124,26,107,43),nrow=2)
chisq.test(bai9)

Pearson's Chi-squared test with Yates' continuity correction

18


data: bai9
X-squared = 4.8184, df = 1, p-value = 0.02816
Câu 10:

Hình 10: Biều đồ thể hiện giá trị trung bình và độ lệch chuẩn về điểm thị hiếu của các khách
hàng về hai loại sản phẩm: đang bán và cải tiến.
Bảng 10: Bảng thể hiện giá trị trung bình và độ lệch chuẩn về điểm thị hiếu của các khách

hàng về hai loại sản phẩm: đang bán và cải tiến.
Điểm thị hiếu của khách hàng
Sản phẩm đang bán
7,090909a±1,136182
Sản phẩm cải tiến
8b±0,7745967
Chú thích: a, b trên cung một cột biểu diễn sự khác biệt về điểm thị hiếu của các khách hàng
đối với hai loại sản phẩm.
Vì p-value= 0.1066 >α (Độ tin cậy 95%) nên không có sự khác biệt về điểm thị hiếu của các
khách hàng đối với hai sản phẩm là đang bán và cải tiến. Vì vậy không tung sản phẩm đang
bán ra thị trường.
Phụ lục:
sp1<-c(6,8,7,8,8,9,7,5,6,7,7)
sp2<-c(8,8,9,7,8,7,7,9,8,9,8)
var.test(sp1,sp2)
F test to compare two variances
data: sp1 and sp2
F = 2.1515, num df = 10, denom df = 10, p-value = 0.2428
alternative hypothesis: true ratio of variances is not equal to 1
95 percent confidence interval:
0.5788635 7.9967340
sample estimates:
ratio of variances
2.151515
19


t.test(sp1,sp2,paired=TRUE)
Paired t-test
data: sp1 and sp2

t = -1.7733, df = 10, p-value = 0.1066
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-2.0513461 0.2331642
sample estimates:
mean of the differences
-0.9090909
s1<-mean(sp1)
s2<-mean(sp2)
sd1<-sd(sp1)
sd2<-sd(sp2)
Câu 11:

Hình 11: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn về khả năng trích ly theo thời
gian bố trí thí nghiệm trong việc nghiên cứu sử dụng enzyme pectinase phá hủy màng tế bào
nấm mèo.
Bảng 11: Bảng thể hiện giá trị trung bình và độ lệch chuẩn về khả năng trích ly theo thời gian
bố trí thí nghiệm trong việc nghiên cứu sử dụng enzyme petinase phá hủy màng tế bào nấm
mèo.
Thời gian (phút)
Hiệu suất trích ly (%)
55
17.72a±0.9
70
21.06667b±0.573
85
23.3bc±1.31
100
24.383c±0.4899
115

24.986c±0.739
Chú thích: a,b,c trên cùng một cột biểu diễn sự khác biệt về hiệu suất trích ly ở các mốc thời
gian khác nhau
20


Vì p- value=6.447e-06 *** <α (Độ tin cậy 95%) nên có sự khác nhau về hiệu suất trích ly ở
các mốc thời gian khác nhau. Hiệu suất trích ly ở các mốc thời gian 85,100,115 phút là cao
nhất và chúng ở cùng một nhóm. Vì vậy chúng ta có thể sử dụng mốc thời gian 85,100,115
phút đều được, nhưng để tiết kiệm thời gian và mang lại hiệu quả kinh tế ta có thể sử dụng
mốc thời gian 85 phút.
Phụ lục:
n1<-c(16.77,18.56,17.83)
n2<-c(21.51,20.42,21.27)
n3<-c(22.16,24.73,23.01)
n4<-c(24.92,24.27,23.96)
n5<-c(24.73,24.41,25.82)
x<-c(n1,n2,n3,n4,n5)
group<-c(rep("a",3),rep("b",3),rep("c",3),rep("d",3),rep("e",3))
bai11<-data.frame(x,group)
analysis<-lm(x~group)
anova(analysis)
Analysis of Variance Table
Response: x
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
res<-aov(x~group)
TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = x ~ group)
21


$group
diff

lwr

upr

p adj

b-a 3.3466667 1.05425211 5.639081 0.0050286
c-a 5.5800000 3.28758544 7.872415 0.0000884
d-a 6.6633333 4.37091878 8.955748 0.0000184
e-a 7.2666667 4.97425211 9.559081 0.0000083
c-b 2.2333333 -0.05908122 4.525748 0.0570307
d-b 3.3166667 1.02425211 5.609081 0.0053534
e-b 3.9200000 1.62758544 6.212415 0.0015862
d-c 1.0833333 -1.20908122 3.375748 0.5536133
e-c 1.6866667 -0.60574789 3.979081 0.1864817
e-d 0.6033333 -1.68908122 2.895748 0.9028933
mean1<-mean(n1)
mean2<-mean(n2)

mean3<-mean(n3)
mean4<-mean(n4)
mean5<-mean(n5)
sd1<-sd(n1)
sd2<-sd(n2)
sd3<-sd(n3)
sd4<-sd(n4)
sd5<-sd(n5)
Câu 12:

Hình 12: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn về năng suất của 4 giống lúa mới
có tỉ lê sắt cao.
22


Bảng 12: Bảng thể hiện giá trị trung bình và độ lệch chuẩn về năng suất của 4 giống lúa mới
có tỉ lệ sắt cao.
Năng suất lúa (kg/đơn vị
Giống lúa
diện tích)
Giống 1
7a±1
Giống 2
8.6a±1.140175
Giống 3
4.6b±1.140175
Giống 4
4.8b±0.836669
Chú thích: a, b trên cùng một cột biểu diễn sự khác nhau về năng suất lúa của 4 giống lúa mới.
Vì p- value= 3.229e-05 ***< α nên có sự khác nhau về năng suất của 4 giống lúa mới. Năng

suất ở giống lúa 1 và 2 là cao nhất (7, 8.6) và ở cùng 1 nhóm. Vì vậy chúng ta có thể chọn
giống 1 hoặc giống 2 để áp dụng vào sản suất đại trà và mang lại năng suất cao.
Phụ lục:
g1<-c(8,7,6,6,8)
g2<-c(9,10,7,9,8)
g3<-c(5,5,4,3,6)
g4<-c(5,4,5,4,6)
group<-c(rep("a",5),rep("b",5),rep("c",5),rep("d",5))
x<-c(g1,g2,g3,g4)
bai12<-data.frame(x,group)
analysis<-lm(x~group)
anova(analysis)
Analysis of Variance Table
Response: x
Df Sum Sq Mean Sq F value Pr(>F)
group

3 54.55 18.183 16.915 3.229e-05 ***

Residuals 16 17.20 1.075
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
res<-aov(x~group)
23


TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = x ~ group)
$group

diff

lwr

upr

p adj

b-a 1.6 -0.2760962 3.4760962 0.1091981
c-a -2.4 -4.2760962 -0.5239038 0.0102311
d-a -2.2 -4.0760962 -0.3239038 0.0189329
c-b -4.0 -5.8760962 -2.1239038 0.0000822
d-b -3.8 -5.6760962 -1.9239038 0.0001458
d-c 0.2 -1.6760962 2.0760962 0.9897700
mean1<-mean(g1)
mean2<-mean(g2)
mean3<-mean(g3)
mean4<-mean(g4)
sd1<-sd(g1)
sd2<-sd(g2)
sd3<-sd(g3)
sd4<-sd(g4)
Câu 13:

Hình 13: Biểu đồ thể hiện giá trị trung bình và độ lệch chuẩn của hàm lượng Vitamin C theo
các nồng độ của chế phẩm PectinexTM Ultra SP-L trên trái Sơ-ri.
Bảng 13: Bảng thể hiện giá trị trung bình và độ lệch chuẩn của hàm lượng Vitamin C theo các
nồng độ của chế phẩm PectinexTM Ultra SP-L trên trái Sơ-ri.
Nồng độ chế phẩm

Hàm lượng vitamin C
24


(%v/w)
(mg/g)
0
49.83a±2.03
0.05
78.126b±1.5
0.1
89.036cd±1.33
0.15
91.74cd±0.9
0.2
94.32de±0.72
0.25
96.75ef±1.38
0.3
97.56ef±1.16
Chú thích:a, b, c,d,e,f trên cùng một cột thể hiện sự khác nhau về hàm lượng vitamin C theo
các nồng độ chế phẩm.
Vì p-value=2.389e-15 *** < α (Độ tin cậy 95%) nên có sự khác nhau về hàm lượng vitamin C
ở các nồng độ chế phẩm khác nhau. Hàm lượng vitamin C ở các nồng độ 0.2, 0.25, 0.3 là lớn
nhất (94.32, 96.75, 97.56) và ở cùng một nhóm. Vì vậy, ta có thể sử dụng chế phẩm với nồng
độ 0.2, 0.25 hoặc 0.3. Tuy nhiên để tăng giá trị kinh tế và tiết kiêm chi phí ta nên sử dụng chế
phẩm với nồng độ 0.2.
Phụ lục:
n1<-c(49.02,48.33,52.14)
n2<-c(76.43,78.64,79.31)

n3<-c(88.65,90.52,87.94)
n4<-c(90.75,92.51,91.96)
n5<-c(93.56,94.42,94.99)
n6<-c(95.23,97.12,97.91)
n7<-c(96.41,97.56,98.73)
x<-c(n1,n2,n3,n4,n5,n6,n7)
group<-c(rep("a",3),rep("b",3),rep("c",3),rep("d",3),rep("e",3),rep("f",3),rep("g",3))
bai13<-data.frame(x,group)
analysis<-lm(x~group)
anova(analysis)
Analysis of Variance Table
Response: x
Df Sum Sq Mean Sq F value Pr(>F)
group

6 5184.2 864.04 474.76 2.389e-15 ***
25