Khảo sát kích cỡ miếng thịt quả
Kết quả d= 10mm d=12mm d=14mm
Bxcái 28 27.8 28.2
Bxdd 28.2 28 27.8
Vdd 230 225 220
Mcái 324 316 309
pHdd 3.9 3.8 4
Nhận xét:
Thay đổi kích cỡ thịt quả thì khối lượng thịt quả giữa 3 mẫu trên cũng có sự khác nhau chênh lệch khoản 7-8 (g) do số lượng miếng thịt quả khi xếp hộp. Như trên phần cân bằng vật liệu đã trình bày, sau 14 ngày nhận thấy sản phẩm có sự thay đổi về khối lượng thịt quả giảm xuống. nguyên nhân là do sự thay đổi hàm lượng chất khô, lượng nước trong thịt quả sẽ chuyển ra ngoài theo cơ chế thấm thấu song song đó một lượng chất khô( đường) sẽ đi vào thịt quả nhưng lượng chất khô đi vào không nhiều hơn lượng nước trong thịt quả đi ra
Về brix sản phẩm có sự dao động nhẹ xung quanh brix sản phẩm yêu cầu, brix thịt quả thì có lúc cao hoặc thấp tuy nhiên cũng không quá xa với brix chuẩn là 28 về pH sản phẩm dao động gần 4
Về thể tích dung dịch có xu hướng giảm đi là do quá trình thanh trùng làm bay hơi đi một lượng nước nhất định
3.1.3.2 Kết quả điểm đánh giá và xử lí số liệu a. Kết quả tính điểm đánh giá cho từng mẫu
- Mẫu kích cỡ miếng thịt quả dày 14mm ( mẫu 780) có Y=14.19
- Mẫu kích cỡ miếng thịt quả dày 10mm ( mẫu 930) có Y=13.97 b. Kết quả xử lí số liệu bằng phần mềm thống kê
Chạy anova so sánh sự khác biệt giữa những người đánh giá
> setwd("E:/")
> KS2N<-read.csv("KS2N.CSV", header=TRUE)
> nguoi<-gl(20,3)
> nguoi<-as.factor(nguoi)
> xl<-data.frame(nguoi,KS2N)
> attach(xl)
The following object(s) are masked _by_ '.GlobalEnv':
nguoi
The following object(s) are masked from 'xl (position 3)':
Diem, nguoi
> an<-lm(Diem~nguoi)
> anova(an)
Analysis of Variance Table
Response: Diem
Df Sum Sq Mean Sq F value Pr(>F) nguoi 19 94.024 4.9486 0.8186 0.6737 Residuals 40 241.813 6.0453
Kết luận: kết quả cho p= 0.6737>0.05 nên ta thấy không có sự khác nhau giữa các người thử với nhau.
Chạy anova so sánh sự khác biệt giữa các sản phẩm
> setwd("E:/")
> KS2M<-read.csv("KS2M.CSV", header=TRUE)
> mau<-gl(3,20)
> mau<-as.factor(mau)
> xl2<-data.frame(mau,KS2M)
> attach(xl2)
The following object(s) are masked _by_ '.GlobalEnv':
mau
> an2<-lm(Diem~ mau)
> anova(an2)
Analysis of Variance Table
Response: Diem
Df Sum Sq Mean Sq F value Pr(>F) mau 2 140.61 70.304 21.305 1.233e-07 ***
Residuals 57 188.10 3.300 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
> an<-aov(Diem~mau)
> TukeyHSD(an)
Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = Diem ~ mau)
$mau
diff lwr upr p adj 2-1 3.56 2.1776254 4.942375 0.0000002 3-1 0.76 -0.6223746 2.142375 0.3884284 3-2 -2.80 -4.1823746 -1.417625 0.0000269
> plot(TukeyHSD(an))
+ Kết quả cho p= 1.233e-07 < 0.05 nên giữa các mẫu có sự khác nhau về mặt thống kê.
+ Kết quả chạy TukeyHSD() và biểu đồ plot()cho ta thấy:
Mẫu 2 và mẫu 1 khác nhau khoảng 3.56 đơn vị, và khoảng tin cậy 95% là từ 2.1776254 đến 4.942375 đơn vị.
Tương tự, ta thấy mẫu 2 và mẫu 3 khác nhau khoảng -2.80 đơn vị, và khoảng tin cậy 95% là từ -4.1823746 đến -1.417625.
Chạy anova so sánh sự khác nhau giữa các chỉ tiêu:
Màu sắc:
> setwd("E:/")
> KS2MS<-read.csv("KS2MS.CSV", header=TRUE)
> mau<-gl(3,20)
> mau<-as.factor(mau)
> xl2<-data.frame(mau,KS2MS)
> attach(xl2)
The following object(s) are masked _by_ '.GlobalEnv':
mau
> an2<-lm(Diem~ mau)
> anova(an2)
Analysis of Variance Table
Response: Diem
Df Sum Sq Mean Sq F value Pr(>F) mau 2 5.7333 2.86667 5.6638 0.005708 **
Residuals 57 28.8500 0.50614 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
> an<-aov(Diem~mau)
> TukeyHSD(an)
Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = Diem ~ mau)
$mau
diff lwr upr p adj 2-1 0.6 0.05861455 1.1413854 0.0264932 3-1 -0.1 -0.64138545 0.4413854 0.8970229 3-2 -0.7 -1.24138545 -0.1586146 0.0080590
> plot(TukeyHSD(an))
Kết luận:
+ Kết quả cho p= 0.005708 <0.05 nên màu sắc giữa các mẫu có sự khác nhau về mặt thống kê.
+ Kết quả chạy TukeyHSD() và biểu đồ plot()cho ta thấy:
Mẫu 2 và mẫu 1 khác nhau khoảng 0.6 đơn vị, và khoảng tin cậy 95% là từ 0.05861455 đến 1.1413854 đơn vị.
Tương tự, ta thấy mẫu 2 và mẫu 3 khác nhau khoảng -0.7 đơn vị, và khoảng tin cậy 95% là từ -1.24138545 đến -0.1586146.
Mùi vị:
> setwd("E:/")
> KS2MV<-read.csv("KS2MV.CSV", header=TRUE)
> mau<-gl(3,20)
> mau<-as.factor(mau)
> xl2<-data.frame(mau,KS2MV)
> attach(xl2)
The following object(s) are masked _by_ '.GlobalEnv':
mau
> an2<-lm(Diem~ mau)
> anova(an2)
Analysis of Variance Table
Response: Diem
Df Sum Sq Mean Sq F value Pr(>F) mau 2 6.933 3.4667 4.3911 0.01684 * Residuals 57 45.000 0.7895 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
> an<-aov(Diem~mau)
> TukeyHSD(an)
Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = Diem ~ mau)
$mau
diff lwr upr p adj 2-1 0.8 0.1238549 1.47614513 0.0166041 3-1 0.2 -0.4761451 0.87614513 0.7575405 3-2 -0.6 -1.2761451 0.07614513 0.0916938
> plot( TukeyHSD(an))
Kết luận:
+ Kết quả cho p= 0.01684<0.05 nên mùi vị giữa các mẫu có sự khác nhau về mặt thống kê.
+ Kết quả chạy TukeyHSD() và biểu đồ plot()cho ta thấy mẫu 2 và mẫu 1 khác nhau khoảng 0.8 đơn vị, và khoảng tin cậy 95% là từ 0.1238549 đến 1.47614513 đơn vị.
Tương tự, ta thấy mẫu 2 và mẫu 3 khác nhau khoảng -0.6 đơn vị, và khoảng tin cậy 95%
là từ -1.2761451 đến 0.07614513.
Hình thái:
> setwd("E:/")
> KS2HT<-read.csv("KS2HT.CSV", header=TRUE)
> mau<-gl(3,20)
> mau<-as.factor(mau)
> xl2<-data.frame(mau,KS2HT)
> attach(xl2)
The following object(s) are masked _by_ '.GlobalEnv':
mau
> an2<-lm(Diem~ mau)
> anova(an2)
Analysis of Variance Table
Response: Diem
Df Sum Sq Mean Sq F value Pr(>F) mau 2 18.90 9.4500 18.736 5.577e-07 ***
Residuals 57 28.75 0.5044 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
> an<-aov(Diem~mau)
> TukeyHSD(an)
Tukey multiple comparisons of means 95% family-wise confidence level Fit: aov(formula = Diem ~ mau)
$mau
diff lwr upr p adj 2-1 1.35 0.80955364 1.8904464 0.0000004 3-1 0.45 -0.09044636 0.9904464 0.1205354 3-2 -0.90 -1.44044636 -0.3595536 0.0005218
> plot(TukeyHSD(an))
Kết luận:
+ Kết quả cho p= 1.233e-07 < 0.05 nên hình thái giữa các mẫu có sự khác nhau về mặt thống kê.
+ Kết quả chạy TukeyHSD() và biểu đồ plot() cho ta thấy:
Mẫu 2 và mẫu 1 khác nhau khoảng 1.35 đơn vị, và khoảng tin cậy 95% là từ 0.80955364 đến 1.8904464 đơn vị.
Tương tự, ta thấy mẫu 2 và mẫu 3 khác nhau khoảng -0.9 đơn vị, và khoảng tin cậy 95% là từ -1.44044636 đến -0.3595536.
Độ trong:
> setwd("E:/")
> KS2DT<-read.csv("KS2DT.CSV", header=TRUE)
> mau<-gl(3,20)
> mau<-as.factor(mau)
> xl2<-data.frame(mau,KS2DT)
> attach(xl2)
The following object(s) are masked _by_ '.GlobalEnv':
mau
> an2<-lm(Diem~ mau)
> anova(an2)
Analysis of Variance Table
Response: Diem
Df Sum Sq Mean Sq F value Pr(>F) mau 2 3.433 1.71667 2.7563 0.072 . Residuals 57 35.500 0.62281 ---
Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘
’ 1
Kết luận: kết quả cho p=0.072> 0.05 nên về độ trong của các không có sự khác nhau về mặt thống kê.
c. Kết luận chung
- Mẫu có kích cỡ dày 14mm có điểm đánh giá cao nhất với Y=14.19
- Các mẫu có sự khác nhau, và khi xét so sánh các chỉ tiêu giữa các mẫu với nhau ta thấy chỉ có độ trong của các mẫu là không có sự khác biệt khi thay đổi kích cỡ.
- Vậy sau khảo sát ta ta thấy kích cỡ dứa của mẫu chuẩn là 12mm thì chưa tốt bằng so với kích cỡ 14mm
3.1.4 Khảo sát nồng độ nước đường