74
Theory and Practice of Meat Processing
№3
| 2017
ния объективно существующих в технологии процес-
сов необходимо выявить существенные взаимосвязи
и не только выявить, но и дать им количественную
оценку. Этот подход требует вскрытия причинных за-
висимостей. Под причинной зависимостью понима-
ется такая связь между процессами, когда изменение
одного из них является следствием изменения друго-
го (например, влияние массовой доли хлорида натрия
на активность воды в мясных изделиях).С этой целью
используются два модуля компьютерной системы SSS
Bio — корреляционный анализ; регрессионный анализ.
Модуль 2 —
Регрессионный анализ.
Произведем рас-
чет и выявим зависимость между процентом замены
мясного сырья белком плазмы крови и содержанием
влаги в мясном фарше. Исходные данные представле-
ны на Рис. 5.
В результате проведения регрессионного анализа по-
лучены следующие статистические данные (Табл. 3) на
основании которых технолог может спрогнозировать
поведение мясной системы и принять обоснованное
решение в каком диапазоне рациональнее (лучше) осу-
ществить замену мясного сырья белковыми добавками.
tionships, and not only find but also give them quantita-
tive assessment. This approach requires detection of causal
dependencies.
A causal dependency is a relation between processes,
when a change in one of them is a consequence of changes
in another (for example, an effect of mass fraction of so-
dium chloride on water activity in meat products). To this
end, two modules of the computer system SSS Bio are used:
correlation analysis and regression analysis.
Module 2 —
Regression analysis
. Let’s carry out calcula-
tions and determine a dependency between a percent of
meat raw material replacement with blood plasma protein
and the water content in sausage meat. The initial data are
presented in Fig. 5.
Table 3. The results of the regression analysis |
Табл. 3 Результаты регрессионного анализа
Text Field «Information» | Текстовое поле «Информация»
Additional Text Field | Дополнительное текстовое поле
Coefficient a = 65.58 | Коэффициент a = 65,58
Coefficient b = 0.26 | Коэффициент b = 0,26
Correlation coefficient: r=0.9857 | Коэффициент корреляции: r=0,9857
Determination coefficient: R
2
= 0.972 | Коэффициент детерминации:
R
2
= 0,972
Regression equation: Y = 65.5800 + 0.2640 * X | Уравнение регреcсии:
Y = 65,5800 + 0,2640 * X
Student test t
b
= 10.1438 | Критерий Стьюдента t
b
= 10,1438
Student test t
a
= 118.7856 | Критерий Стьюдента t
a
= 118,7856
Confidential interval for α and β: | Доверительные интервалы для α и β:
0.197 < β < 0.331
64.159 < α < 67.001
The analyzed dependence is statistically significant! | Исследуемая
зависимость статистически значима
F = 102.8976
The model is adequate! | Модель адекватна
Sampling variance X = 50.00 |
Выборочная дисперсия X = 50,00
Sampling variance Y = 3.59 |
Выборочная дисперсия Y = 3,59
Standard deviation: S(x)= 7.071 |
Среднеквадратическое отклонение: S(x)=7,071
Standard deviation: S(y)= 1.894 |
Среднеквадратическое отклонение: S(y)=1,894
Standard error of regression Sy= 0.412 |
Стандартная ошибка регрессии Sy= 0,412
Standard deviation of random variables a and b: |
Стандартные отклонения случайных величин a и b:
Sa = 0.5521
Sb = 0.0260
Fig. 5. Regression analysis |
Рис. 5. Регрессионный анализ
As a result of the regression analysis, the following sta-
tistical data were obtained (Table 3), on which basis a tech-
nologist can predict a behavior of a meat system and make
a grounded decision regarding a range of the most rational
(the best) replacement of meat raw material with protein
additives.
Электронная Научная СельскоХозяйственная Библиотека