Báo cáo thực hành tin ứng dụng
B ài 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.
B ài 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

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

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.
> 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 suất trích ly polyphenol của 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
0 20 40 60 80
hiệu suất trích ly polyphenol của 2 dung môi
dung môi
h.suat
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

Histogram of phugiax
phugiax
Frequency
0.95 1.05 1.15
0 1 2 3 4
Histogram of doichung
doichung
Frequency
1.15 1.25 1.35
0 1 2 3 4
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)

± 0.84
C 18.40
a
± 1.52
D 16.25
ab
± 1.26
Chú thích
Loại a b
A X
B X
C X
D 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 phân của 4
loại 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
Báo cáo thực hành tin ứng dụng
1 2 3 4
0 5 10 15 20
khả nang thủy phân của 4 loại protein
enzyme

$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 (%) Khả năng trương nở (%)
0.5 71.14
a
±6.89
0.3 63.71
ab
±6.63
0.1 61.14
b
±7.15
Chú thích:
a b
0.5 X
0.3 X X
0.1 X
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)

7,3.59,3.58,3.67,3.69,3.74,3.58,3.68,3.59,3.58,3.74,3.75,3.61,3.78,3.67,3.69,3.58,3.6
8,3.59,3.58,3.58,3.68,3.59,3.58,3.74,3.75,3.61,3.78,3.67,3.69,3.74,3.58,3.68)
10
Báo cáo thực hành tin ứng dụng
> 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 dây", "hương vani"),c("hơi thích", "thích", "rất thích")))
> mdat
hoi thích thích rất thích
huong chanh dây 15 132 93

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

> stripchart(saponin ~ group,ylim=range(0:8),sub="hàm lượng saponin trong nhân
sâm 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<-
c(7,6,7,8,9,7,8,9,7,8,6,5,5,6,4,5,6,7,5,6,8,7,8,9,9,8,6,7,8,7,5,6,5,7,5,4,6,5,6,5,8,7,8,7,6
,7,7,8,8,9,7,8,6,5,5,7,8,9,8,8,8,6,7,6,7,8,7,6,7,6,7,8,7,8,9,7,8,8,9,8)
> 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.

A B
so sánh sự hài lòng của khách hàng
sản phẩm
sự hài lòng
0 20 40 60 80 100 120 140
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 biết sự khác biệt đó ta tiến hành phân tích Tukey.
> res<-aov(thihieu~sp)
> TukeyHSD(res)

> 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)

±0.49
115 24.99
c
±0.74
Chú thích
Thời gian a b C
55 X
70 X
85 X X
100 X
115 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="nghiên 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)

4-3 0.4 -1.4319465 2.2319465 0.9226305
Bảng giá trị thống kê 6
Giống Năng suất
G1 7.0
a
± 1.00
G2 8.6
a
± 1.14
G3 4.6
b
± 1.14
G4 5.0
b
±0.70
20
Báo cáo thực hành tin ứng dụng
Chú thích
Giống A b
G1 X
G2 X
G3 X
G4 X
Kết luận:Năng suất của mỗi giống lúa khác nhau là do phẩm giống của chúng.
Nhóm 1-2 sự khác nhau không có ý nghĩa thống kê nên tức là năng suất như nhau
nên ta chọn cả nhóm G1 và G2 và 1,2 -3,4 sự khác biệt có ý nghĩa thống kê mặc khác
năng suất nhóm 1,2 cao hơn nên giống G1 và G2 được phổ biến rộng rãi trong sản
xuất.

> xbar <- tapply(nangsuat, giong, mean)

> res<-aov(k.luong~a.sang+n.do)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = k.luong ~ a.sang + n.do)
$a.sang
diff lwr upr p adj
2-1 2.85 2.287792 3.412208 4.75e-05
$n.do
diff lwr upr p adj
2-1 0.20 -1.415985 1.815985 0.9921799
3-1 -4.10 -5.715985 -2.484015 0.0008271
4-1 -3.75 -5.365985 -2.134015 0.0012631
5-1 -9.10 -10.715985 -7.484015 0.0000206
6-1 -8.90 -10.515985 -7.284015 0.0000220
3-2 -4.30 -5.915985 -2.684015 0.0006590
4-2 -3.95 -5.565985 -2.334015 0.0009875
5-2 -9.30 -10.915985 -7.684015 0.0000193
6-2 -9.10 -10.715985 -7.484015 0.0000206
4-3 0.35 -1.265985 1.965985 0.9241470
5-3 -5.00 -6.615985 -3.384015 0.0003177
6-3 -4.80 -6.415985 -3.184015 0.0003879
5-4 -5.35 -6.965985 -3.734015 0.0002266
6-4 -5.15 -6.765985 -3.534015 0.0002744
6-5 0.20 -1.415985 1.815985 0.9921799
22
Báo cáo thực hành tin ứng dụng
Nhận xét:
+p-value=0.3716>0.05 nên dữ liệu k.luong tuân theo phân phối chuẩn.
+Pr<0.05 nên sự khác biệt giữa các chế độ ánh sáng và chế độ nhiệt có ý nghĩa thống

b
±2.26
B
4
10.25
b
±2.47
B
5
4.90
c
±1.56
B
6
5.10
c
±1.56
Chú thích:
A b c
B
1
X
B
2
X
B
3
X
B
4

Analysis of Variance Table
Response: h.luong
Df Sum Sq Mean Sq F value Pr(>F)
23
Báo cáo thực hành tin ứng dụng
n.do 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(h.luong~n.do)
> TukeyHSD(res)
Tukey multiple comparisons of means
95% family-wise confidence level
Fit: aov(formula = h.luong ~ n.do)
$n.do
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

±0.72
6. 0.25 96.75
d
±1.38
7. 0.3 97.57
d
±1.16
24
Báo cáo thực hành tin ứng dụng
Chú thích:
a b c d
1 x
2 x
3 x
4 x x
5 x
6 x
7 x
Kết luận:Chọn nồng độ chế phẩm là 0.15%v/w để tăng hàm lượng vitamin C.
> xbar <- tapply(h.luong, n.do, mean)
> s <- tapply(h.luong, n.do, sd)
> n <- tapply(h.luong, n.do, length)
> sem <- s/sqrt(n)
> stripchart(h.luong ~ n.do,ylim=range(0:100),sub="nồng đọ enzyme và sự thay đổi
hàm lượng vitamin C",xlab="n.do", pch=F, vert=TRUE)
> arrows(1:7, xbar+sem, 1:7, xbar-sem, angle=90, code=3, length=0.1)
> lines(1:7, xbar, pch=4, type="b", cex=2)
Bài 24:
> mdat <- matrix(c(245,145,367,170,270,48), nrow = 2, ncol=3,
byrow=TRUE,dimnames = list(c("tăng 6-8kg/tháng", "tăng 3-5kg/tháng"),c("thực đơn