BÁO CÁO THIẾT KẾ THÍ NGHIỆM VÀ XỬ LÝ SỐ LIỆU

Completely Randomized Design CRD – Thiết kế hoàn toàn ngẫu nhiên

1.1. Định nghĩa
- Đây là một thiết kế thí nghiệm đơn/một yếu tố, là kiểu thí nghiệm đơn giản nhất.
- Thiết kế này bao gồm hai nguyên tắc cơ bản đó là ngẫu nhiên và lặp lại.
- Các nghiệm thức được bố trí hoàn toàn ngẫu nhiên trên một nền chung.
- Tất cả các đơn vị thí nghệm của các nghiệm thức được thu thập trong điều kiện
hoàn cảnh gần như là rất giống nhau.
1.2. Dịch từ sách
 Ngẫu nhiên đề cập đến phân phối ngẫu nhiên của các vật liệu thí nghiệm cho
các đối tượng so sánh khác nhau trong một thí nghiệm. Hãy minh họa điều
này bằng một ví dụ:
Giả sử một nhà khoa học nông nghiệp muốn biết liệu lượng phân bón có ảnh
hưởng đến sản lượng của một loại cây nào đó không. Ông chia một khu đất nông
nghiệp lớn thành 32= 9 phần nhỏ và phân bổ chín phần nhỏ này cho ba lượng phân
bón khác nhau một cách ngẫu nhiên. (A1, A2 và A3) của phân bón (phương pháp
xử lý) ngẫu nhiên. Điều này được thể hiện trong hình 7.1.
 Đôi khi, ngẫu nhiên cũng đề cập đến việc thực hiện các lần chạy hoặc thử
nghiệm cá nhân của thí nghiệm một cách ngẫu nhiên. Hãy minh họa điều
này bằng một ví dụ.
Giả sử một kỹ sư phát triển sản phẩm muốn kiểm tra xem tỷ lệ sợi đay để xác định
độ bền kéo của vật liệu composite sợi đay/ nhựa polypropylene. Cô ấy thực hiện
chín lần thử nghiệm với ba mức (5, 10 và 15%) tỷ lệ sợi đay và ba lần lặp lại.
Hình 7.1 Phân bổ ngẫu nhiên
Các biện pháp xử lý lô đất

Bảng 7.1 Chạy thử nghiệm

con số

Số lần chạy thử nghiệm được thể hiện trong Bảng 7.1.
Chín mẫu đã chuẩn bị được tiến hành ngẫu nhiên sao cho các mẫu được chuẩn bị
bằng cách chạy thử nghiệm các số 5, 1, 7, 2, 4, 6, 8, 3, 9 được kiểm tra như sau
trình tự kiểm tra: 1, 2, 3, 4, 5, 6, 7, 8, 9. Việc ngẫu nhiên hóa có thể được thực hiện
bằng cách sử dụng các bảng số ngẫu nhiên hoặc chương trình máy tính dựa trên bộ
tạo số ngẫu nhiên. Việc chọn ngẫu nhiên là rất quan trọng đối với các phương pháp
phân tích dữ liệu thống kê. Trong nhiều phương pháp phân tích dữ liệu thống kê,
người ta giả định rằng các quan sát (sai số) là các biến ngẫu nhiên được phân phối
độc lập và ngẫu nhiên hóa làm cho giả định này có giá trị. Ngoài ra, việc chọn
ngẫu nhiên các nghiệm thức qua thử nghiệm vật liệu lấy trung bình tác động của
các yếu tố bên ngoài mà chúng ta không thể kiểm soát được, bao gồm sự tăng hoặc
giảm của điều kiện môi trường, độ lệch trong hiệu chuẩn thiết bị, độ phì nhiêu của
đất. Ví dụ: giả sử trong ví dụ trên có sự thay đổi đột ngột về độ ẩm tương đối của
phòng thử nghiệm. Nếu tất cả các mẫu được chuẩn bị ở tỷ lệ sợi đay 10% sẽ được
thử nghiệm ở mức độ ẩm cao hơn trong phòng thử nghiệm, chắc chắn sẽ có sự sai
lệch mang tính hệ thống trong kết quả thử nghiệm kết quả, do đó làm mất hiệu lực
của kết quả. Kiểm tra mẫu ngẫu nhiên làm giảm bớt vấn đề này. Nhân rộng có
nghĩa là lặp lại các phương pháp điều trị đang được nghiên cứu. Trước đó
Ví dụ về hỗn hợp, sao chép có nghĩa là chuẩn bị một mẫu vật tổng hợp bằng cách
giữ nguyên lượng sợi đay là 5%. Vì vậy, nếu ba mẫu vật liệu composite được
chuẩn bị từng loại bằng cách giữ lượng sợi đay là 5%, chúng tôi nói rằng ba lần lặp
lại được thu được. Như đã biết, sự sao chép có hai đặc tính quan trọng. Đầu tiên,
nó cho phép chúng ta để có được ước lượng sai số thực nghiệm. Ước tính sai số trở
thành đơn vị cơ bản phép đo để xác định liệu những khác biệt quan sát được có
mang tính thống kê hay không có ý nghĩa. Thứ hai, nếu giá trị trung bình mẫu được
sử dụng để ước tính tác động của một yếu tố trong nghiệm, việc lặp lại cho phép
người thực nghiệm có được ước tính chính xác hơn của hiệu ứng. Như đã biết,
phương sai của giá trị trung bình mẫu giảm khi tăng số lần lặp lại. Điều này được
hiển thị dưới đây.
 σ2 y¯ = σ2 n
y¯: biểu thị phương sai của giá trị trung bình mẫu y¯
σ2: biểu thị phương sai của các quan sát riêng lẻ và n đề cập đến số lần lặp lại.
Lưu ý rằng các bản sao là khác với những lần đo lặp lại. Giả sử một mẫu hỗn hợp
lớn được chuẩn bị bằng cách giữ lượng sợi đay là 5%, sau đó mẫu lớn được chia
thành bốn mẫu nhỏ và cuối cùng độ bền kéo của bốn mẫu nhỏ là thu được. Ở đây,
các phép đo trên bốn mẫu không được lặp lại mà được lặp lại đo. Trong trường hợp
này, các phép đo lặp lại phản ánh sự thay đổi trong các lần chạy, trong khi các bản
sao phản ánh sự thay đổi giữa và (có khả năng) trong các lần chạy. Chúng ta hãy
lấy thêm một ví dụ nữa. Giả sử một sợi bông được đo với chiều dài bằng ba lần.
Các phép đo này không phải là phép đo lặp lại mà là một dạng phép đo lặp lại.
Trong trường hợp này, độ biến thiên quan sát được trong ba phép đo lặp lại chỉ ra
sự thay đổi vốn có trong phép đo hoặc thước đo của máy đo chiều dài.
 Một vấn đề thực tế
Một kỹ sư phát triển sản phẩm quan tâm đến việc nghiên cứu hiệu quả lọc của vật
liệu lọc sợi phù hợp cho ứng dụng lọc HVAC. Anh ta biết rằng hiệu quả lọc bị ảnh
hưởng bởi hình dạng mặt cắt ngang của sợi đã được sử dụng để chuẩn bị phương
tiện lọc. Sau đó, ông quyết định chuẩn bị vật liệu lọc dạng sợi bằng cách trộn các
sợi có mặt cắt rãnh sâu và mặt cắt ngang hình tròn với các tỷ lệ trọng lượng khác
nhau. Ông đã chọn năm mức phần trăm trọng lượng của sợi có rãnh sâu (0, 25, 50,
75, 100) và chuẩn bị năm mẫu ở mỗi mức trong số năm mức đó. mức phần trăm
trọng lượng của sợi có rãnh sâu. Do đó ông đã chuẩn bị 25 mẫu vật như thể hiện
trong Bảng 7.2. 25 mẫu được chuẩn bị ngẫu nhiên. Điều này đã được thực hiện
bằng cách sử dụng một bảng số ngẫu nhiên. Bằng cách sử dụng bảng này, một số
ngẫu nhiên từ 1 đến 25 được đã chọn. Giả sử chọn mẫu số 11 thì chuẩn bị mẫu số
11.
Bằng cách sử dụng bảng, người kỹ sư đã chọn một số ngẫu nhiên khác trong
khoảng từ 1 và 25. Giả sử con số này là 16. Khi đó, mẫu số 16 đã được chuẩn bị.
Quá trình được lặp lại cho đến khi 25 mẫu được chỉ định số lần chạy ngẫu nhiên.
Các hạn chế duy nhất đối với việc ngẫu nhiên hóa là nếu con số tương tự được rút
ra lần nữa, nó đã bị loại bỏ. Bằng cách này, việc chạy được thực hiện như trong
Bảng 7.2. Việc ngẫu nhiên hóa là cần thiết để tính trung bình tác động của bất kỳ
yếu tố ngoại lai nào mà người thí nghiệm không có khả năng kiểm soát, ví dụ: sự
tăng hoặc giảm đột ngột của môi trường điều kiện, độ trôi trong thiết bị xử lý, v.v.
Ngoài ra, cần phải có sự ngẫu nhiên hóa để cho đến nay các phương pháp thống kê
để phân tích dữ liệu đều được quan tâm. Như đã biết, nhiều phương pháp thống kê
phân tích dữ liệu yêu cầu các sai số thực nghiệm phải độc lập với nhau các biến
ngẫu nhiên phân phối và ngẫu nhiên hóa làm cho giả định này có giá trị.

 Kiểm tra giả thuyết

Các cuộc thảo luận chi tiết về việc kiểm tra giả thuyết được cung cấp trong
Chương 5. Ở đây, chúng ta đưa ra một giới thiệu ngắn gọn. Giả sử chúng ta quan
tâm đến việc kiểm tra sự bình đẳng của phương pháp điều trị của một yếu tố duy
nhất x trên một phản ứng biến y. Thông thường chúng ta chọn một mẫu từ một
quần thể, tiến hành thí nghiệm, và thấy rằng phương pháp xử lý mẫu có nghĩa là
khác nhau. Sau đó, một câu hỏi rõ ràng được đặt ra liên quan đến việc liệu các
phương tiện đối xử với dân số có khác nhau hay không. Để trả lời câu hỏi như vậy,
một thử nghiệm thống kê về giả thuyết được thực hiện.
Kiểm tra thống kê giả thuyết được tiến hành theo năm bước
Bước 1: Nêu giả thuyết thống kê,
Bước 2: Lựa chọn mức ý nghĩa sử dụng
 Bước 3: Tìm giá trị của thống kê kiểm định,
Bước 4: Chỉ định vùng quan trọng sẽ được sử dụng,
Bước 5: Đưa ra quyết định.

Bước đầu tiên cần nêu giả thuyết. Giả thuyết không cho rằng không có sự khác biệt
giữa các phương tiện xử lý quần thể. Giả thuyết không này được kiểm tra khả năng
bị bác bỏ với giả định rằng giả thuyết không là đúng. Nếu giả thuyết không này
được chứng minh là sai thì giả thuyết thay thế được chấp nhận.
Giả thuyết thay thế bổ sung cho giả thuyết không. Nó có nghĩa rằng có sự khác biệt
giữa các phương pháp xử lý dân số đối với ít nhất một cặp quần thể.
Ở bước thứ hai, mức ý nghĩa, thường được ký hiệu là α , được biểu thị dưới dạng
một giá trị xác suất nhỏ nào đó như 0,10 (một phần mười) hoặc 0,05 (một phần hai
mươi) bằng xác suất mà thống kê kiểm định giảm xuống trong vùng tới hạn, do đó
chỉ ra tính sai lầm của giả thuyết không. Việc lựa chọn mức ý nghĩa là rất quan
trọng. Điều này có thể được hiểu khi xem xét các lỗi liên quan đến việc kiểm tra
giả thuyết.

Bảng 7.6 Lỗi sai khi kiểm tra giả thuyết

Khả năng Quá trình hoạt động
Giả thuyết không Chấp nhận ( Hành Từ chối ( Hành
là đúng động mong muốn ) động không mong
muốn )
Giả thuyết không Chấp nhận ( Hành Từ chối ( Hành
là sai động không mong động mong muốn )
muốn )

Có hai loại lỗi liên quan đến việc kiểm tra giả thuyết. Chúng được mô tả trong
Bảng 7.6. Lỗi do bác bỏ giả thuyết không khi nó đúng được gọi là lỗi Loại I, và lỗi
xảy ra khi chấp nhận giả thuyết không khi nó sai được gọi là lỗi Loại II. Trong các
tình huống có thể xảy ra lỗi Loại I, mức ý nghĩa α biểu thị xác suất xảy ra lỗi đó.
Giá trị của mức ý nghĩa càng cao thì xác suất xảy ra sai sót Loại I càng cao. Ở đây,
α = 0 có nghĩa là loại bỏ hoàn toàn việc xảy ra lỗi Loại I. Tất nhiên, nó có nghĩa
rằng không tồn tại vùng tới hạn; do đó, giả thuyết không luôn được giữ lại. Trên
thực tế, trong trường hợp này, không cần phải phân tích hoặc thậm chí thu thập bất
kỳ dữ liệu nào cả. Rõ ràng, mặc dù quy trình như vậy sẽ loại bỏ hoàn toàn khả
năng mắc sai lầm Loại I, nhưng nó không đảm bảo sẽ tránh được sai sót, vì mỗi
khi giả thuyết không được đưa ra là sai thì chắc chắn sẽ xảy ra sai sót Loại II.
Tương tự, bằng cách cho α = 1, có thể loại bỏ hoàn toàn việc xảy ra lỗi Loại II với
điều kiện là vi phạm lỗi Loại I cho mọi giả thuyết không được kiểm tra. Vì vậy,
việc lựa chọn mức ý nghĩa thể hiện tác động thỏa hiệp trong việc kiểm soát hai loại
sai sót có thể xảy ra khi kiểm định giả thuyết thống kê. Chúng ta có thể thấy rằng
với một lựa chọn α nhất định, luôn có xác suất xảy ra lỗi Loại II. Chúng ta hãy biểu
thị xác suất này bằng β. Điều này phụ thuộc vào giá trị được chọn. Giá trị của α
càng cao thì giá trị của β càng thấp.
Bước thứ ba liên quan đến việc tìm giá trị của thống kê kiểm định. Cụm từ thống
kê kiểm tra được sử dụng đơn giản ở đây để chỉ số liệu thống kê được sử dụng để
thực hiện việc kiểm tra giả thuyết. Ở đây, thống kê kiểm tra là:

Tóm lại, bảng phân tích phương sai (ANOVA) được xây dựng để tính giá trị của
thống kê kiểm tra.
Bước thứ tư liên quan đến việc xác định vùng tới hạn. Vùng tới hạn là một phần
trong thang giá trị có thể có của thống kê được chọn sao cho nếu giá trị thu được
cụ thể của thống kê nằm trong đó thì việc bác bỏ giả thuyết sẽ được chỉ ra. Ở đây,
chúng ta nên bác bỏ H0 khi F0 > Fα,a-1,a(n-1).
Bước thứ năm và cuối cùng là bước ra quyết định. Trong bước này, chúng ta
chuyển giá trị của thống kê kiểm tra thu được ở Bước 4 đến vùng tới hạn được
thông qua. Nếu giá trị rơi vào vùng này thì bác bỏ giả thuyết. Mặt khác, giữ lại
hoặc chấp nhận giả thuyết như một khả năng có thể sử dụng được (không bị bác
bỏ).
Chúng ta hãy tiến hành kiểm định giả thuyết trong trường hợp dữ liệu về hiệu quả
lọc được đưa ra trong Bảng 7.3.
Bước 1: Tuyên bố giả thuyết

Ở đây, giả thuyết không cho rằng không có sự khác biệt giữa dân số
phương tiện xử lý hiệu quả lọc. Điều này có nghĩa là

H0: μ1= μ2 = … = μm hoặc tương đương H0: τ1 = τ2 = … = τm = 0

Bảng 7.7 Tính toán tổng xử lý và phương pháp xử lý để đạt hiệu quả lọc

Trọ Hiệu quả lọc (%)

ng
I I I I V Tổ Mứ
lượ
I I V ng c
ng
I cộ tru
của
ng ng
Sợi
bìn
rãn
h
h
sâu
(%)
0 4 4 4 4 4 22 45.
4 7 7 5 6 9 8
25 5 5 6 5 5 28 57.
9 7 1 3 8 8 6
50 6 5 6 5 6 30 60.
1 9 3 8 0 1 2
 75 6 6 6 6 6 33 67.
9 6 9 7 5 6 2
100 7 7 7 7 7 36 72.
1 4 4 2 1 2 4
Độ hiệu quả (%) 1516 60.
64
Giả thuyết thay thế cho rằng có sự khác biệt giữa các quần thể phương pháp xử lý
cho ít nhất một cặp quần thể. Điều này có nghĩa là
H1 : μ1 ≠ μj với ít nhất một I hoặc j tương đương H1 : τi ≠ 0 cho ít nhất một i

Bước 2: Lựa chọn mức ý nghĩa

Giả sử mức ý nghĩa được chọn là 0,05. Nó có nghĩa là xác suất của bác bỏ
giả thuyết không khi nó đúng nhỏ hơn hoặc bằng 0,05.

Bước 3: Tính toán thống kê kiểm tra

Thống kê kiểm tra được tính toán bằng cách thực hiện phân tích phương sai
của dữ liệu.
Chi tiết phân tích phương sai được nêu trong Phần 5. Cơ bản tính toán tổng
số điều trị và phương tiện điều trị được trình bày trong Bảng 7.7.
Các tính toán cho ANOVA được hiển thị dưới đây.
m n

SSTotal = ∑ ∑ ( y ij− y)2

i=1 j=1

= (44 - 60.64)2 + (47 - 60.64)2 + (47 - 60.64)2 + (45 - 60.64)2 + (46 - 60.64)2
+
(59 - 60.64)2 + (57 - 60.64)2 + (61 - 60.64)2 + (53 - 60.64)2 + (58 - 60.64)2 +
(61 - 60.64) + (59 - 60.64)2 + (63 - 60.64)2 + (58 - 60.64)2 + (60 - 60.64)2 +
(69 - 60.64)2 + (66 - 60.64)2 + (69 - 60.64)2 + (67 - 60.64)2 + (65 - 60.64)2 +
(71 - 60.64)2 + (74 - 60.64)2 + (74 - 60.64)2 + (72 - 60.64)2 + (71 - 60.64)2
= 2133.76
m

SSTreatmens =n ∑ ¿ ¿i- y )2
i=1

= 5[(45.8 - 60.64)2 + (57.6 - 60.64)2 + (60.2 - 60.64)2 + (67.2

60.64)2 + (72.4 60.64)2]
= 2054.96
Bảng 7.8 Bảng ANOVA về hiệu quả lọc
Nguồn Tổng Mức độ Bình F0
biến bình tự do phương
động phương trung
bình
Tỉ lệ 2054.96 4 513.74 130.39
trọng
lượng
sợi
Lỗi 78.8 20 3.94
Tổng 2133.76 24

SSError = SSTotal – SSTreatments = 2133.76 – 2054.96 = 78.8

 Các tính toán được tóm tắt trong bảng 7.8
Bước 4: Đặc điểm kỹ thuật vùng giới hạn
Giả thuyết không bị bác bỏ nếu F0 > Fα,m-1,m(n-1) = F0.05,5-1,5(5-1) = 2.87
(Bảng A.11). Vùng giới hạn được thể hiện trong hình 7.5.

Bước 5: Đưa ra quyết định

Khi giá trị của thống kê kiểm tra rơi vào vùng quan trọng được chấp nhận,
điều này đòi hỏi bác bỏ giả thuyết không. Vì vậy, người ta kết luận rằng có
sự khác biệt giữa
phương pháp xử lý quần thể, ít nhất là đối với một cặp quần thể.

 So sánh giữa các phương pháp xử lý ( Bài test Tukey )

Thử nghiệm Tukey so sánh các cặp phương pháp xử lý. Phép thử này tuyên bố hai
giá trị trung bình là khác nhau đáng kể nếu giá trị tuyệt đối của chênh lệch của
chúng vượt quá

√
Tα = qα(a,f) MSerror
n

Ở đây, qα(a,f) được gọi là thống kê phạm vi học sinh tương ứng với mức ý nghĩa
của α, α là số cấp yếu tố, ƒ là cấp tự do liên quan đến MSError và n là số cấp độ xử
lý. Giá trị bằng số của thống kê phạm vi học sinh có thể lấy từ Bảng A.17.

√ n √
Ở đây T0.05 = qα(a,f) MSerror = q0.05(5,20) 3.94
5
= 3.76

Năm mức xử lý trung bình là y 1= 45.8, y 2= 57.6, y 3= 60.2, y 4 = 67.2, y 5= 72.4.

Sự khác biệt về mức trung bình là

Các giá trị được gắn dấu sao cho biết các cặp phương tiện khác nhau đáng kể.
Đôi khi sẽ rất hữu ích khi vẽ một biểu đồ, như minh họa bên dưới, gạch chân các
cặp giá trị trung bình không khác biệt đáng kể
 y 1= 45.8, y 2=57.6, y 3=60.2, y 4 =67.2, y 5=72.4

Một thử nghiệm phổ biến khác để so sánh các cặp phương pháp điều trị là thử
nghiệm Fisher. Thử nghiệm này tuyên bố hai phương tiện là khác nhau đáng kể nếu
giá trị tuyệt đối của chênh lệch của chúng vượt quá chênh lệch nhỏ nhất (LSD)

(Từ bảng A.10, t0.025,20 = 2.086) Năm mức xử lý trung bình là y 1= 45.8, y 2
=57.6, y 3=60.2, y 4 =67.2, y 5=72.4. Sự khác biệt trung bình là

Các giá trị được gắn dấu sao cho biết các cặp phương pháp khác nhau đáng kể.
y 1= 45.8, y 2= 57.6, y 3=60.2, y 4 = 67.2, y 5= 72.4

Ở đây, kết quả thu được bằng phép thử Fisher tương tự như kết quả sử dụng phép
thử Tukey.
Ví dụ 7.1 Xi măng Brushite được biết đến là vật liệu thay thế xương tiềm
năng. Để kiểm tra ảnh hưởng của poly(metyl metacryit) trong việc xác định
cường độ nén của xi măng, một thí nghiệm hoàn toàn ngẫu nhiên được tiến
hành. Bốn mức nồng độ poly(methyl methacrylate) được thực hiện và mỗi
lần xử lý được lặp lại bốn lần. Kết quả được thể hiện ở Bảng 7.9.
Giải pháp: Chúng tôi cần biết liệu nồng độ poly(methy! methacrylate) có ảnh
hưởng đến cường độ nén của xi măng hay không. Chúng ta hãy tiến hành kiểm tra
giả thuyết, được mô tả trong Phần 7.2.4.
Bước 1: Tuyên bố giả thuyết Ở đây, giả thuyết không cho rằng không có sự
khác biệt giữa các cường độ nén trung bình của xi măng Brushite. Giả thuyết
thay thế cho rằng có sự khác biệt giữa dân số phương tiện điều trị cho ít nhất
một cặp quần thể.
Bước 2: Lựa chọn mức ý nghĩa Giả sử mức ý nghĩa được chọn là 0,05.
Bước 3: Tính toán thống kê kiểm tra Thống kê kiểm tra có thể được tính
bằng cách mang phân tích sự khác biệt của dữ liệu. Các tính toán cho
ANOVA được tóm tắt trong Bảng 7.10.
Bước 4: Xác định vùng tới hạn Giả thuyết không bị bác bỏ nếu F0 > F0.05,4,15=
3,06 (Bảng A.11).
Bảng 7.9 Tính toán tổng lượng xử lý và phương pháp xử lý cường độ chịu
nén của xi măng Brushit
Nồng độ Cường độ nén (MPa)
polymethyl
I II III IV
methacrylate
(%)
30 20 21 19 22
35 27 26 29 28
40 32 34 30 33
45 42 40 44 43
50 28 32 30 26
Bảng 7.10 Bảng ANOVA cường độ chịu nén của xi măng Brushite
Nguồn biến Tổng Mức Bình F0
động bình độ phương
phương tự trung
do bình
Nồng độ 1008.70 4 252.175 79.63
poly(metyl
methacrylat
)
Lỗi 47.50 15 3.167
Tổng cộng 1056.20 19

Bước 5: Đưa ra quyết định khi giá trị của thống kê kiểm tra rơi vào vùng
giới hạn được chấp nhận, điều này đòi hỏi phải bác bỏ giả thuyết không. Do
đó, người ta kết luận rằng có sự khác biệt giữa các phương pháp xử lý quần
thể, ít nhất là đối với một cặp quần thể.
Ví dụ 7.2. Xét ví dụ 7.1. Chúng ta hãy tìm ra phương pháp nào khác biệt
đáng kể bằng cách áp dụng thử nghiệm Tukey, như được mô tả trong Phần.
7.2.5. Ở đây, cường độ nén trung bình được đưa ra dưới đây.
y 1= 20.5, y 2= 27.5, y 3= 32.25, y 4 = 42.25, y 5=29

Giá trị bằng số của thống kê phạm vi học sinh là T0.05 = q0.05(5, 15) = 4,37.
Sự khác biệt về cường độ nén trung bình có được theo cách sau.

Các giá trị được gắn dấu sao cho biết các cặp phương tiện khác nhau đáng
kể. Rõ ràng, cặp phương tiện duy nhất không khác biệt đáng kể là 2 và 5, 3
và 5, và phương pháp xử lý 4 (nồng độ 45%) tạo ra cường độ nén lớn hơn
đáng kể so với các phương pháp xử lý khác.
Ví dụ 7.3 Bây giờ chúng ta hãy áp dụng phép thử Fisher, như được mô tả
trong Phần. 7.2.5, so sánh giữa các phương pháp cường độ chịu nén. Sự
khác biệt nhỏ nhất có ý nghĩa (LSD) có thể được tìm thấy là.

√
LSD = t0.025,15 2 X 3.167 =2.131 X 1.2584=2.68
4
(Từ Bảng A.10,t0.025,15=2.1314) Trong phần sau đây, sự khác biệt về cường độ
nén trung bình được thể hiện và các cặp giá trị trung bình khác nhau đáng kể
được biểu thị bằng các giá trị được gắn dấu sao.

Rõ ràng, cặp trung bình duy nhất không khác biệt đáng kể là 2 và 5, và xử lý
4 (nồng độ 45%) tạo ra cường độ nén lớn hơn đáng kể hơn các phương pháp
điều trị khác.

Ví dụ 7.4 Chúng ta hãy tìm mô hình hồi quy cho dữ liệu trong Ví dụ 7.1.
Hình 7.6 hiển thị sơ đồ phân tán cường độ nén của xi măng Brushite so với
nồng độ poly(metyl methacrylate). Các vòng tròn hở thể hiện kết quả thí
nghiệm cường độ nén của xi măng thu được ở các nồng độ poly(methy]
methacrylate khác nhau. Các vòng tròn liền biểu thị cường độ nén trung bình
của xi măng ở mỗi giá trị nồng độ poly(metyl methacrylate). Rõ ràng mối
quan hệ giữa cường độ nén và nồng độ poly (metyl methacrylate) là không
tuyến tính. Là phép tính gần đúng đầu tiên, có thể thực hiện nỗ lực để khớp
dữ liệu với mô hình bậc hai có dạng sau
y= β0 + β1x + β2x2 + ε
trong đó y biểu thị cường độ nén, x biểu thị nồng độ poly(methy]
methacrylate), β0, β1,β2, là các hệ số hồi quy và ε biểu thị sai số. Sự phù hợp
bình phương nhỏ nhất của mô hình bậc hai với kết quả dữ liệu
^y = -151.2 + 8.692x – 0.1007x2
Phương pháp ước lượng các hệ số hồi quy được mô tả trong Phần. 9.3.2.
Hành vi của mô hình bậc hai được hiển thị trong Hình 7.6. Như đã trình bày,
nó ước tính quá cao cường độ nén ở nồng độ poly(methyl methacrylate)
40% và đánh giá thấp phần lớn cường độ nén ở nồng độ poly(methyl
methacrylate) 45%. Nhìn chung, nó dường như không thể hiện được dữ liệu
một cách thỏa đáng. R2 thống kê và R2 điều chỉnh thống kê được tìm thấy lần
lượt là 0,7517 và 0,5034. Sau đó, có thể thực hiện nỗ lực để khớp dữ liệu
vào mô hình khối có dạng sau
y= β0+ β1x + β2x2 + ε
trong đó y, hệ số hồi quy mới, được thêm vào số hạng bậc ba trong x. Sự phù
hợp bình phương nhỏ nhất của mô hình khối với kết quả dữ liệu
^y = 697.2 – 57.32x + 1.579x2 – 0.014x3
Fig. 7.6 Sơ đồ phân tán cường độ chịu nén của xi măng Brushite

Hình 7.6 hiển thị hoạt động của mô hình khối. mô hình lập phương phù hợp
hơn mô hình bậc hai ở nồng độ poly(methyl methacrylate) 40 và 45%
Thống kê R2 và R2 điều chỉnh cho mô hình bậc ba lần lượt được tìm thấy là 0.9266
và 0.7063. Nhìn chung, mô hình bậc ba tỏ ra ưu việt hơn mô hình bậc hai
1.3. Ưu điểm và khuyết điểm
 Ưu điểm
- Cho kết quả rất mỹ mãn đối với các vật liệu gần như đồng nhất: gà, heo, bò cùng
lứa tuổi, giới tính, trọng lượng, thức ăn đồng đều về chất lượng, khí hậu và chuồng
nuôi đồng nhất, đất đai cùng loại cùng độ phì nhiêu, các nguyên vật liệu thí nghiệm
trong phòng thí nghiệm …
- Có thể tổ chức thí nghiệm với số nghiệm thức tùy ý và số lần lặp lại có thể giống
hoặc khác nhau giữa các nghiệm thức, ngay cả trường hợp số liệu của một vài đơn
vị nghiệm thức bị mất việc phân tích kết qủa cũng đơn giản.
 Khuyết điểm
- Không mấy khả quan đối với các thí nghiệm ở trại, chuồng, hay nhà xưởng lớn,
ngoài ruộng, đồng cỏ…do có môi trường ngoại cảnh như khí hậu, nhiệt độ…khác
nhau nên thường khó bảo đảm tốt được tất cả các đơn vị thí nghiệm được hưởng
các điều kiện thí nghiệm tương đương như nhau.
- Không có hiệu lực nhiều nếu phương sai sai số ngẫu nhiên sảy ra rất lớn giữa các
đơn vị thí nghiệm trong cùng một nghiệm thức.