34 bài tập R xử lý số liệu DDHCN TPHCM
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (896.02 KB, 52 trang )
Bài 1
Biểu đồ thể hiện hiệu suất trích ly của hai dung môi
Bảng 1: Hiệu suất của hai dung môi
Dung môi
Hiệu suất
Diethyl eter
69.2 ± 5.17
Cồn
68.0 ± 15.03
Qua kết quả phân tích phương sai, ta thấy: giá trị p-value= 0.7078 > 0.05,
nên sự khác biệt về hiệu suất trích ly polyphenol của cồn và diethyl eter là không
có ý nghĩa thống kê. Nên việc sử dụng cồn hay diethyl eter đều có hiệu quả như
nhau. Nhưng nếu xét về chi phí và độ an toàn thì ta nên sử dụng cồn để trích ly
polyphenol.
Phụ lục:
> dungmoi<-gl(2,5)
> hieusuat<-c(68,63,74,66,75,52,84,48,84,62)
> t.test(hieusuat~dungmoi)
Welch Two Sample t-test
data: hieusuat by dungmoi
t = 0.39832, df = 4.7158, p-value = 0.7078
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-17.83124 24.23124
sample estimates:
mean in group 1 mean in group 2
69.2
66.0
Bài 2
Biểu đồ thể hiện thời gian bền bọt khi sử dụng phụ gia trong quá trình chế
biến
Bảng 2: Thời gian bền bọt khi dùng phụ gia
Phụ gia
Đối chứng
CMC
Hiệu suất
1.047±0.049
1.223±0.0447
Qua kết quả phân tích phương sai ta thấy rằng: Giá trị P-valeu=1.319e-07
<0.05, nên sự khác nhau về thời gian bền bọt khi dùng phụ gia và không dùng phụ
gia có ý nghĩa thống kê. Ngoài ra dựa vào bảng số liệu ta thấy rằng thời gian khi
sử dụng phụ gia dài hơn so với không dùng nên trong trường hợp này ta nên dùng
CMC để kéo dài thời gian bền bọt.
Phụ gia:
> phugia<-gl(2,10)
> benbot
> t.test(benbot~phugia)
Welch Two Sample t-test
data: benbot by phugia
t = -8.3884, df = 17.853, p-value = 1.319e-07
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.2201065 -0.1318935
sample estimates:
mean in group 1 mean in group 2
1.047
1.223
Bài 3
Biểu đồ thể hiện khả năng phân hủy protein của enzyme trong quá trình sản
xuất nước mắm
Bảng 3: Hiệu suất phân hủy enzyme trong phân hủy protein
Enzyme
Hiệu suất
Loại A
18.17ac ± 1.17
Loại B
14.80b ± 0.84
Loại C
19.00c ± 0.82
Loại D
16.25ab ± 1.26
Chú thích: [a], [b], [c] cho thấy sự khác biệt có ý nghĩa thống kê
Qua kết quả phân tích ANOVA ta thấy: Giá trị Pr(
thống kê. Sau khi phân tích Tukey, dựa vào bảng số liệu cho thấy: loại enzyme C
cho kết quả hiệu suất cao nhất,sau đó là enzyme A, cho hiệu quả thấp hơn là
enzyme B và D, giữa B và D có sự khác biệt. Cho nên nếu là nhà sản xuất, tôi sẽ
chọn enzyme A và C.
Phụ lục:
> enzyme<-c(1,1,1,1,1,1,2,2,2,2,2,3,3,3,3,4,4,4,4)
> hieusuat
> bai3<-data.frame(enzyme,hieusuat)
> analysis<-lm(hieusuat~enzyme)
> anova(analysis)
Analysis of Variance Table
Response: hieusuat
Df Sum Sq Mean Sq F value Pr(>F)
enzyme 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(hieusuat~enzyme)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = hieusuat ~ enzyme)
$enzyme
diff
lwr
upr p adj
2-1 -3.3666667 -5.1905943 -1.5427391 0.0004459
3-1 0.8333333 -1.1109800 2.7776467 0.6151972
4-1 -1.9166667 -3.8609800 0.0276467 0.0539882
3-2 4.2000000 2.1794103 6.2205897 0.0001307
4-2 1.4500000 -0.5705897 3.4705897 0.2079384
4-3 -2.7500000 -4.8798886 -0.6201114 0.0098498
Bài 4:
Biểu đồ thể hiện ảnh hưởng của nồng độ phụ gia đến khả năng trương nở của bánh
phồng tôm
Bảng số liệu về khả năng trương nở của bánh phồng tôm
Nồng độ phụ gia
Khả năng trương nở
71.14a ± 6.89
0.5%
63.71ab ± 6.63
0.3%
61.14b ± 7.15
0.1%
Chú thích: các kí hiệu [a], [b], [c] cho thấy sự khác biệt có ý nghĩa thống kê
Qua kết quả phân tích anova ta thấy rằng: Giá trị Pr(>F) = 0.03722 * <
0.05,sự khác nhau về khả năng trương của bánh ở các nồng độ phụ gia khác nhau
có ý nghĩa thống kê. Phân tích tukey kết hợp bảng số liệu ta nhận thấy: khả năng
trương ở nồng độ 0.5% là cao nhất, vì vậy ta nên chọn nồng độ enzyme 0.5% là
thích hợp nhất.
Phụ lục:
> phugia<-gl(3,7)
> no<-c(68,80,69,76,68,77,60,71,62,58,74,65,59,57,58,60,70,51,57,71,61)
> phugia<-as.factor(phugia)
> bai4<-data.frame(phugia,no)
> analysis<-lm(no~phugia)
> anova(analysis)
Analysis of Variance Table
Response: no
Thí nghiệm
3.6437
0.0864
Df Sum Sq Mean Sq F value Pr(>F)
phugia 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(no~phugia)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = no ~ phugia)
$phugia
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
Bài 5
Biểu đồ thể hiện sự khác nhau về hàm lượng EST trong máu ngoại vi giữa
nhóm người trực tiếp tiếp xúc với hóa chất và không trực tiếp tiếp xúc
Bảng số liệu thể hiện sự khác nhau về hàm lượng EST giữa hai nhóm người
Nhóm người
Đối chứng
Thí nghiệm
Hàm lượng izozym EST trong máu
3.5317 ± 0.1226
3.6437 ± 0.0864
Qua kết quả phân tích t.test ta thấy : giá trị p-value = 4.305e-05<0.05 nên sự
khác nhau về hàm lượng izozym EST trong 2 nhóm có ý nghĩa thống kê. Qua
bảng số liệu ta có hàm lượng izozym EST trong nhóm người không tiếp xúc trực
tiếp với hóa chất cao hơn so với nhóm người tiếp xúc trực tiếp.
Phụ lục:
> nhom<-gl(2,35)
> hamluong
8,3.45,3.58,3.59,3.62,3.59,3.57,3.57, 3.59, 3.58, 3.67, 3.69,3.74, 3.58, 3.68,
3.59, 3.58, 3.74, 3.75, 3.61, 3.78, 3.67, 3.68, 3.35, 3.58, 3.68, 3.59,
3.58,3.58, 3.68, 3.59, 3.58, 3.74, 3.75, 3.61, 3.78, 3.67, 3.69, 3.74, 3.58,
3.68)
> t.test(hamluong~nhom)
Welch Two Sample t-test
data: hamluong by nhom
t = -4.4076, df = 61.042, p-value = 4.305e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.16239625 -0.06103232
sample estimates:
mean in group 1 mean in group 2
3.531714
3.643429
Bài 6
Biểu đồ thể hiện sự yêu thích của khách hàng đối với hương chanh dây và
vani
Bảng số liệu thể hiện sự yêu thích hương chanh dây và vani
Hương chanh dây
Hương vani
Thích
132
145
Tổng
145
178
Qua kết quả phân tích prop.test ta thấy p-value = 0.05107>0.05, cho thấy sự
khác nhau về mức độ ưa thích của khách hàng trên hai sản phẩm không có ý nghĩa
thống kê. Nếu là nhà sản xuất, để tiết kiệm chi phí sản xuất, tôi sẽ chon hương
chanh dây để chế biến sản phẩm.
Phụ lục:
> thich<-c(132,145)
> total<-c(147,178)
> prop.test(thich,total)
2-sample test for equality of proportions with continuity correction
data: thich out of total
X-squared = 3.8061, df = 1, p-value = 0.05107
alternative hypothesis: two.sided
95 percent confidence interval:
0.001950849 0.164754035
sample estimates:
prop 1 prop 2
0.8979592 0.8146067
Bài 7
Biểu đồ thể hiện hàm lượng saponin trong nhân sâm từ ba vùng khác nhau
Bảng số liệu thể hiện hàm lượng saponin trong nhân sâm
vùng
Hàm lượng saponin
1
7.20a ± 0.43
2
5.90b ± 0.20
3
6.39c ± 0.16
Chú thích: các kí hiệu [a], [b], [c] cho thấy sự khác biệt có ý nghĩa thống kê
Dựa vào kết quả phân tích anova ta thấy: giá trị Pr(>F) = 9.247e-06 *** <0.05,
ta thấy sự khác nhau về hàm lượng saponin ở mỗi vùng khác nhau có ý nghĩa
thống kê. Qua bảng số liệu ta thấy hàm lượng saponin ở vùng 1 lớn hơn hai vùng
còn lại, cho nên nếu có nhu cầu về nhân sâm, tôi sẽ chọn nhân sâm ở vùng 1.
Phụ lục:
> vung<-c(1,1,1,1,1,1,1,2,2,2,2,2,3,3,3,3,3,3)
> saponin
> vung<-as.factor(vung)
> bai7<-data.frame(vung,saponin)
> analysis<-lm(saponin~vung)
>anova(analysis)
Analysis of Variance Table
Response: saponin
Df Sum Sq Mean Sq F value Pr(>F)
vung
2 5.159 2.5795 27.677 9.247e-06 ***
Residuals 15 1.398 0.0932
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> res<-aov(saponin~vung)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = saponin ~ vung)
$vung
diff
lwr
upr p adj
2-1 -1.2937143 -1.7580293 -0.8293992 0.0000082
3-1 -0.8023810 -1.2435481 -0.3612138 0.0007469
3-2 0.4913333 0.0111668 0.9714999 0.0445872
> 9.247e-06 ***
Bài 8
Dựa vào kết quả kiểm định t.test cho từng cặp tính chất của 2 sản phẩm ta
thấy:
Độ trong của 2 sản phẩm ta có: p-value= 6.559e-05 < 0.05, cho nên giá trị
cảm quan độ trong của sản phẩm 1 khác biệt so với độ trong sản phẩm 2. Và độ
trong của sản phẩm 1 cao hơn sản phẩm 2.
Độ màu của 2 sản phẩm ta có : p-value= 1.968e-05<0.05, cho nên giá trị cảm
quan của sản phẩm 1 về độ màu khác sản phẩm 2. Và độ màu của sản phẩm 1 cao
hơn sản phẩm 2.
Hương sản phẩm 1 với hương sản phẩm 2 : p-value= 0.6627 > 0.05 nên sự
khác biệt về mức ưa thích của hai nhóm hương 1 và hương 2 không có ý nghĩa
thống kê nên chọn một trong hai hương đều được.
Vị mặn sản phẩm 1 với vị mặn sản phẩm 2: p-value = 8.022e-05<0.05, cho
nên giá trị cảm quan của sản phẩm 1 về vị mặn khác sản phẩm 2. Và vị mặn của
sản phẩm 1 cao hơn sản phẩm 2.
Qua những nhận định trên ta có thể đưa ra được quyết định cho sản phẩm
tương lai cho công ty: ta nên chọn “ độ trong”, “độ màu”, “vị mặn” của sản phẩm
2 để phát triển sản phẩm mới.
Phụ lục:
Độ trong của 2 sản phẩm:
> dotrong<-gl(2,10)
> sanpham<-c(7,6,7,8,9,7,8,9,7,8,6,5,5,6,4,5,6,7,5,6)
> t.test(sanpham~dotrong)
Welch Two Sample t-test
data: sanpham by dotrong
t = 5.1612, df = 17.712, p-value = 6.895e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.244169 2.955831
sample estimates:
mean in group 1 mean in group 2
7.6
5.5
Độ màu của 2 sản phẩm:
> domau<-gl(2,10)
> sanpham<-c(8,7,8,9,9,8,6,7,8,7,5,6,5,7,5,4,6,5,6,5)
> t.test(sanpham~domau)
Welch Two Sample t-test
data: sanpham by domau
t = 5.7301, df = 17.756, p-value = 2.074e-05
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
1.455887 3.144113
sample estimates:
mean in group 1 mean in group 2
7.7
5.4
Hương của 2 sản phẩm:
> huong<-gl(2,10)
> sanpham<-c(8,7,8,7,6,7,7,8,8,9,7,8,6,5,5,7,8,9,8,8)
> t.test(sanpham~huong)
Welch Two Sample t-test
data: sanpham by huong
t = 0.7845, df = 15.031, p-value = 0.445
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-0.6866355 1.4866355
sample estimates:
mean in group 1 mean in group 2
7.5
7.1
Vị mặn của 2 sản phẩm:
> viman<-gl(2,10)
> sanpham<-c(8,6,7,6,7,8,7,6,7,6,7,8,7,8,9,7,8,8,9,8)
> t.test(sanpham~viman)
Welch Two Sample t-test
data: sanpham by viman
t = -3.2205, df = 17.92, p-value = 0.004765
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.8178302 -0.3821698
sample estimates:
mean in group 1 mean in group 2
6.8
7.9
Bài 9
Biểu đồ thể hiện sự hài lòng của khách hàng về hai sản phẩm
Bảng số liệu sự hài lòng về hai sản phẩm
Hài lòng
Tổng
Sản phẩm A
124
150
Sản phẩm B
107
150
Qua kết quả phân tích prop.test : ta thấy giá trị p-value = 0.02816 <0.05, sự
khác nhau về mức độ hài lòng về hai sản phẩm là có ý nghĩa thống kê. Sản phẩm
A có mức độ hài lòng cao hơn so với mức hài lòng của sản phẩm B, là người tiêu
dùng, tôi sẽ chọn sản phẩm A.
Phụ lục:
> hailong<-c(124,107)
> total<-c(150,150)
> prop.test( hailong,total)
2-sample test for equality of proportions with continuity correction
data: hailong out of total
X-squared = 4.8184, df = 1, p-value = 0.02816
alternative hypothesis: two.sided
95 percent confidence interval:
0.01229245 0.21437422
sample estimates:
prop 1 prop 2
0.8266667 0.7133333
Bài 10
Biểu đồ thể hiện thị hiếu của khách hàng về hai loại sản phẩm
Bảng số liệu thị hiếu của khách hàng
Sản phẩm
Thị hiếu
Đang bán
7.09 ± 1.14
Cải biến
8.00 ± 0.77
Dựa vào kết quả phân tích t.test ta có: giá trị p- value = 0.042 <0.05,sự khác
nhau về thị hiếu giữa hai sản phẩm có ý nghĩa thống kê. Dựa vào bảng số liệu ta
thấy: điểm thị hiếu của sản phẩm cải biến cao hơn sản phẩm đang bán, nên ta cần
tung sản phẩm cải biến ra ngoài thị trường.
Phụ lục:
> sanpham<-gl(2,11)
> diem<-c(6,8,7,8,8,9,7,5,6,7,7,8,8,9,7,8,7,7,9,8,9,8)
> t.test(diem~sanpham)
Welch Two Sample t-test
data: diem by sanpham
t = -2.1926, df = 17.644, p-value = 0.042
alternative hypothesis: true difference in means is not equal to 0
95 percent confidence interval:
-1.78141276 -0.03676906
sample estimates:
mean in group 1 mean in group 2
7.090909
8.000000
Bài 11
Biểu đồ thể hiện khả năng thủy phân màng tế bào nấm mèo của enzyme
pectinase
Bảng số liệu thể hiện hiệu suất trích lý của enzyme pectinase
Thời gian
55
70
85
100
115
Hiệu suất
17.72a ± 0.90
21.06b ± 0.57
23.87bc ± 1.31
24.38c ± 0.49
24.99c ± 0.74
Chú thích: các kí hiệu [a], [b], [c] cho thấy sự khác biệt có ý nghĩa thống kê
Qua kết quả phân tích ANOVA ta thấy: giá trị Pr(>F) = 6.447e-06 *** <
0.05, sự khác nhau về hiệu suất trích ly ở thời gian khác nhau có ý nghĩa thống kê.
Kết hợp kết quả phân tích Tukey và bảng số liệu ta thấy hiệu suất trích ly ở 85
phút là cao nhất và có sự khác biệt so với những thời gian còn lại. Vì vậy thời gian
phân hủy tốt nhất là 85 phút.
Phụ lục:
> thoigian<-gl(5,3)
> hieusuat
> thoigian<-as.factor(thoigian)
> analysis<-lm(hieusuat~thoigian)
> anova(analysis)
Analysis of Variance Table
Response: hieusuat
Df Sum Sq Mean Sq F value Pr(>F)
thoigian 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(hieusuat~thoigian)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = hieusuat ~ thoigian)
$thoigian
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
Bài 12
Biểu đồ thể hiện sự ảnh hưởng của giống đến năng suất của lúa
Bảng số liệu ảnh hưởng của giống đến năng suất của lúa
Giống
Giống 1
Giống 2
Năng suất
7.0a± 1.00
8.6a ±1.14
Giống 3
4.6b ±1.14
Giống 4
4.8b ± 0.84
Chú thích: các kí hiệu [a], [b], [c] cho thấy sự khác biệt có ý nghĩa thống kê
Qua kết quả phân tích ANOVA ta thấy, giá trị Pr(>F) = 3.229e-05 *** < 0.05,
cho thấy sự khác nhau về năng suất của bốn giống lúa có ý nghĩa thống kê. Dựa
vào phân tích Tukey kết hợp với bảng số liệu cho thấy giống 1 và giống 2 cho
năng suất cao hơn các giống còn lại, vì vậy ta nên chọn giống 1 hoặc giống 2 phổ
biến trong sản xuất.
Phụ lục:
> giong<-gl(4,5)
> nangsuat<-c(8,7,6,6,8,9,10,7,9,8,5,5,4,3,6,5,4,5,4,6)
> giong<-as.factor(giong)
> analysis<-lm(nangsuat~giong)
> anova(analysis)
Analysis of Variance Table
Response: nangsuat
Df Sum Sq Mean Sq F value Pr(>F)
giong
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(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 -0.2760962 3.4760962 0.1091981
3-1 -2.4 -4.2760962 -0.5239038 0.0102311
4-1 -2.2 -4.0760962 -0.3239038 0.0189329
3-2 -4.0 -5.8760962 -2.1239038 0.0000822
4-2 -3.8 -5.6760962 -1.9239038 0.0001458
4-3 0.2 -1.6760962 2.0760962 0.9897700
Bài 13
Biểu đồ thể hiện sự ảnh hưởng của nồng độ chế phẩm đến hàm lượng vitamin
C
Bảng số liệu ảnh hưởng của nồng độ chế phẩm đến hàm lượng vitamin C
Nồng độ
0
0,05
0,1
0,15
0,2
0,25
0,3
Hàm lượng vitamin C
49.83a ± 2.03
78.13b ± 1.51
89.04c ± 1.33
91.74cd ± 0.90
94.32de ± 0.72
96.75e ± 1.38
97.57e ± 1.16
Chú thích: các kí hiệu [a], [b], [c], [d] cho thấy sự khác biệt có ý nghĩa
thống kê
Qua kết quả phân tích ANOVA ta thấy: giá trị Pr(>F) = 2.389e-15 *** <0.05,
ta thấy được rằng sự khác nhau về hàm lượng vitamin C thu được ở những nồng
độ khác nhau có ý nghĩa thống kê. . Dựa vào phân tích Tukey kết hợp với bảng số
liệu cho thấy khi sử dụng nồng độ 0.3(%v/w) thì hàm lượng vitamin C thu được là
cao nhất nhưng không khác biệt lắm so với hàm lượng vitamin C thu được ở nồng
độ 0.25% và 0.2%, xét về mặt chi phí sản xuất thì nên chọn nồng độ 0.2%.
Phụ lục:
> nongdo<-gl(7,3)
> vitaminc
> nongdo<-as.factor(nongdo)
> analysis<-lm(vitaminc~nongdo)
> anova(analysis)
Analysis of Variance Table
Response: vitaminc
Df Sum Sq Mean Sq F value Pr(>F)
nongdo 6 5184.2 864.04 474.76 2.389e-15 ***
Residuals 14 25.5 1.82
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> res<-aov(vitaminc~nongdo)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = vitaminc ~ nongdo)
$nongdo
diff
lwr
upr p adj
2-1 28.2966667 24.5355155 32.057818 0.0000000
3-1 39.2066667 35.4455155 42.967818 0.0000000
4-1 41.9100000 38.1488488 45.671151 0.0000000
5-1 44.4933333 40.7321822 48.254484 0.0000000
6-1 46.9233333 43.1621822 50.684484 0.0000000
7-1 47.7366667 43.9755155 51.497818 0.0000000
3-2 10.9100000 7.1488488 14.671151 0.0000018
4-2 13.6133333 9.8521822 17.374484 0.0000001
5-2 16.1966667 12.4355155 19.957818 0.0000000
6-2 18.6266667 14.8655155 22.387818 0.0000000
7-2 19.4400000 15.6788488 23.201151 0.0000000
4-3 2.7033333 -1.0578178 6.464484 0.2468338
5-3 5.2866667 1.5255155 9.047818 0.0040668
6-3 7.7166667 3.9555155 11.477818 0.0000992
7-3 8.5300000 4.7688488 12.291151 0.0000325
5-4 2.5833333 -1.1778178 6.344484 0.2892414
6-4 5.0133333 1.2521822 8.774484 0.0063632
7-4 5.8266667 2.0655155 9.587818 0.0017029
6-5 2.4300000 -1.3311512 6.191151 0.3506392
7-5 3.2433333 -0.5178178 7.004484 0.1131016
7-6 0.8133333 -2.9478178 4.574484 0.9873690
$nongdo
diff
lwr
upr p adj
2-1 28.2966667 24.5355155 32.057818 0.0000000
3-1 39.2066667 35.4455155 42.967818 0.0000000
4-1 41.9100000 38.1488488 45.671151 0.0000000
5-1 44.4933333 40.7321822 48.254484 0.0000000
6-1 46.9233333 43.1621822 50.684484 0.0000000
7-1 47.7366667 43.9755155 51.497818 0.0000000
3-2 10.9100000 7.1488488 14.671151 0.0000018
4-2 13.6133333 9.8521822 17.374484 0.0000001
5-2 16.1966667 12.4355155 19.957818 0.0000000
6-2 18.6266667 14.8655155 22.387818 0.0000000
7-2 19.4400000 15.6788488 23.201151 0.0000000
4-3 2.7033333 -1.0578178 6.464484 0.2468338
5-3 5.2866667 1.5255155 9.047818 0.0040668
6-3 7.7166667 3.9555155 11.477818 0.0000992
7-3 8.5300000 4.7688488 12.291151 0.0000325
5-4 2.5833333 -1.1778178 6.344484 0.2892414
6-4 5.0133333 1.2521822 8.774484 0.0063632
7-4 5.8266667 2.0655155 9.587818 0.0017029
6-5 2.4300000 -1.3311512 6.191151 0.3506392
7-5 3.2433333 -0.5178178 7.004484 0.1131016
7-6 0.8133333 -2.9478178 4.574484 0.9873690
Bài 14
Biểu đồ thể hiện số lượng bệnh nhân tăng trong lượng theo ba thực đơn khác
nhau
Bảng số liệu tăng trọng lượng của bệnh nhân
Tăng 1.5-3 kg/tháng
Tăng 0.5-1 kg/tháng
Thực đơn 1
245
170
Thực đơn 2
145
270
Thực đơn 3
367
48
Qua kết quả kiểm định t.test ta thấy giá trị p- value =2.2e-16 <0.05, sự khác
nhau về sự tăng trọng lượng cơ thể ở ba thực đơn là có ý nghĩa thống kê. Hơn nữa,
việc dựa vào bảng số liệu ta thấy rằng số lượng bệnh nhân tăng trọng lượng từ 1.53 kg/tháng ở thực đơn 3 cao nhất, cho nên thực đơn 3 sẽ giúp bệnh nhân lấy lại
trọng lượng ban đầu nhanh hơn.
Phụ lục:
> tangcan<-c(245,145,367)
> total<-c(415,415,415)
> prop.test(tangcan,total)
3-sample test for equality of proportions without continuity
correction
data: tangcan out of total
X-squared = 249.9598, df = 2, p-value < 2.2e-16
alternative hypothesis: two.sided
sample estimates:
prop 1 prop 2 prop 3
0.5903614 0.3493976 0.8843373
Bài 15
Biểu đồ thể hiên khả năng cải tạo cấu trúc sản phẩm của phụ gia
Bảng số liệu thể hiện khả năng cải tạo cấu trúc sản phẩm
Cấu trúc tốt
Cấu trúc vừa
Cấu trúc không đạt
Phụ gia A
157
8
3
Phụ gia B
189
12
5
Phụ gia C
170
17
7
Đối chứng
92
35
28
Qua kết quả phân tích ta thấy:Giá trị p-value < 2.2e-16 <0.05, nên sự khác nhau
về độ cải thiện yagourt của ba loại phụ gia có ý nghĩa thống kê. Qua kiểm định
các tỷ lệ cho thấy phụ gia A, B có cấu trúc tốt chiếm tỷ lệ cao, cấu trúc vừa và
không đạt chiếm tỷ lệ thấp, tuy nhiên phụ gia A có độ cải thiện cấu trúc tôt nhất .
Vì vậy nếu là nhà sản xuất nên chọn phụ gia A,B để cải thiện cấu trúc Yagourt và
để cải thiện cấu trúc tốt thì nên chọn phụ gia A.
Phụ lục:
> bai15=matrix(c(157,8,3,189,12,5,170,17,7,92,35,28),nrow=3,byrow=F)
> bai15
[,1] [,2] [,3] [,4]
[1,] 157 189 170 92
[2,] 8 12 17 35
[3,] 3 5 7 28
> chisq.test(bai15)
Pearson's Chi-squared test
data: bai15
X-squared = 97.153, df = 6, p-value < 2.2e-16
> cautruckhongdat=c(3,5,7,28)
> cautrucvua=c(8,12,17,35)
> cautructot=c(157,189,170,92)
> total=c(168,206,194,155)
> prop.test(cautructot, total)
4-sample test for equality of proportions without continuity
correction
data: cautructot out of total
X-squared = 92.755, df = 3, p-value < 2.2e-16
alternative hypothesis: two.sided
sample estimates:
prop 1 prop 2 prop 3 prop 4
0.9345238 0.9174757 0.8762887 0.5935484
> prop.test(cautrucvua,total)
4-sample test for equality of proportions without continuity
correction
data: cautrucvua out of total
X-squared = 36.833, df = 3, p-value = 4.99e-08
alternative hypothesis: two.sided
sample estimates:
prop 1 prop 2 prop 3 prop 4
0.04761905 0.05825243 0.08762887 0.22580645
> prop.test(cautruckhongdat,total)
4-sample test for equality of proportions without continuity
correction
data: cautruckhongdat out of total
X-squared = 52.347, df = 3, p-value = 2.525e-11
alternative hypothesis: two.sided
sample estimates:
prop 1 prop 2 prop 3 prop 4
0.01785714 0.02427184 0.03608247 0.18064516
Bài 16
Biểu đồ thể hiện ảnh hưởng của nồng độ enzyme đến hàm lượng phenolic
Bảng số liệu ảnh hưởng của nồng độ enzyme Pectinex™ Ultra SP-L đến
hiệu suất trích ly phenolic .
Nồng độ Enzyme (%)
0
0.05
0.10
0.15
Hàm lượng phenol (% theo trọng
lượng khô)
21.80a ± 1.67
25.60b ± 1.42
27.80bc ± 0.45
29.43c ± 1.07
0.20
0.25
0.30
30.9c ± 1.35
30.77c ± 0.83
30.88c ± 1.12
Chú thích: các kí hiệu [a], [b], [c] cho thấy sự khác biệt có ý nghĩa thống kê
Qua việc phân tích anova ta thấy rằng p-value= 1.062e-06 ***<0.05. Do đó
sự khác nhau về hàm lượng phenol ở các nồng độ khác nhau là có ý nghĩa
thống kê. Ngoài ra ta còn thấy được rằng ở nồng độ 0.15%, 0.2%, 0.25%,
0.3% thu được hàm lượng phenol rất cao nhưng lại không có ý nghĩa thống
kê vì vậy tốt nhất ta nên cho hàm lượng enzyme ở 0.1% để giảm được chi
phí và thu được nhiều phenol.
Phụ lục:
> group<-gl(7,3)
> group<-as.factor(group)
> HLphenol
> analysis<-lm(HLphenol~group)
> anova(analysis)
Analysis of Variance Table
Response: HLphenol
Df Sum Sq Mean Sq F value Pr(>F)
group 6 211.011 35.169 24.833 1.062e-06 ***
Residuals 14 19.827 1.416
--Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
> res<-aov(HLphenol~group)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = HLphenol ~ group)
$group
diff
lwr
upr p adj
2-1 3.80000000 0.4821762 7.117824 0.0204195
3-1 6.06666667 2.7488429 9.384490 0.0003359
4-1 7.63333333 4.3155096 10.951157 0.0000276
5-1 9.10000000 5.7821762 12.417824 0.0000035
6-1 8.96666667 5.6488429 12.284490 0.0000042
7-1 9.06666667 5.7488429 12.384490 0.0000037
3-2 2.26666667 -1.0511571 5.584490 0.2944358
4-2 3.83333333 0.5155096 7.151157 0.0191830
5-2 5.30000000 1.9821762 8.617824 0.0012773
6-2 5.16666667 1.8488429 8.484490 0.0016225
7-2 5.26666667 1.9488429 8.584490 0.0013557
4-3 1.56666667 -1.7511571 4.884490 0.6776210
5-3 3.03333333 -0.2844904 6.351157 0.0835979
6-3 2.90000000 -0.4178238 6.217824 0.1057066
7-3 3.00000000 -0.3178238 6.317824 0.0886875
5-4 1.46666667 -1.85115714.784490 0.7355928
6-4 1.33333333 -1.9844904 4.651157 0.8072163
7-4 1.43333333 -1.8844904 4.751157 0.7542256
6-5 -0.13333333 -3.4511571 3.184490 0.9999992
7-5 -0.03333333 -3.3511571 3.284490 1.0000000
7-6 0.10000000 -3.2178238 3.417824 0.9999999
Bài 17
Biểu đồ thể hiện chất lượng trên ba loại đất
Bảng số liệu kết quả chất lượng cây trồng trên ba loại đất
Loại
Đất
A
B
C
Chất lượng cây trồng
Xấu
Tốt
40
50
60
170
180
150
Tổng số cây
210
230
210
Giá trị p-value = = 0.2231> 0.05 nên sự khác biệt về chất lượng cây trồng
trên từng loại đất không có ý nghĩa thống kê với mức ý nghĩa 5%. Vì vậy
chất lượng cây trồng trên 3 nhóm đất không khác nhau nên ta có thể trồng
cây ở nhóm đất nào cũng được.
Phụ lục:
> tot<-c(170,180,150)
> xau<-c(40,50,60)
> total<-c(210,230,210)
> chisq.test(tot,tatol)
Pearson's Chi-squared test
data: tot and total
X-squared = 3, df = 2, p-value = 0.2231
Warning message:
In chisq.test(tot, total) : Chi-squared approximation may be incorrect
Bài 18
Biểu đồ thể hiện mối quan hệ giữa nồng độ benzen và mật độ quang
Bảng số liệu ảnh hưởng nồng độ benzen đến mật độ quang
C
0.2
0.5
1
1.5
2
2.5
3
