Cross-validation statistics for the

Cross-validation statistics for the best models obtained for the
on-tree prediction of weight, axial and equatorial diameters and
color (L, a, b, C, h and color index) in intact mandarins using
the MPLS algorithm are shown in Table 2.
As the table shows, for certain parameters (weight, axial diameter,
L, b, C) the best models were obtained using the SNV + DT
combination for scatter correction, whilst for others _ equatorial
diameter, a, h and color index _ the best models were constructed
without using mathematical pretreatments for this purpose.
Fernández-Cabanás et al. (2006) note that the selection of a
suitable spectral pre-treatment is by no means an easy issue, given
the strong likelihood of several different mathematical transformations
being used, whilst Delwiche and Reeves (2004) argue that the
best pre-treatment is not known beforehand and for this reason
the analyst should search manually for the pre-treatment that produces
the lowest residual values. Moreover, these authors note
that the decision regarding the pre-treatment to be used in an
NIR calibration must ultimately be based on the judgment of the
analyst, since it depends to a great extent on the parameter being
modeled.
For all tested parameters except h, the calibration model displaying
the greatest predictive capacity was obtained using the
first derivative of the spectrum.
As Table 2 shows, the range of values for all parameters except
equatorial diameter, a and color index decreased over calibration
with respect to baseline values (Table 1). During the construction
of calibration models using MPLS regression, at each stage in
cross-validation a number of samples displayed T statistic values
greater than 2.5, and were therefore considered outliers. This
may be due to several factors, including an insufficient number
of similar samples in the calibration set (Naes et al., 2002). It
should be noted that the removal of outliers in terms of the T statistic
may subsequently influence the external validation of the
models obtained, since there will be samples in the validation set
which, for certain parameters, are either under-represented or
unrepresented in the final calibration set.
This is particularly relevant in the case of h for which, in the
course of calibration, all samples with a negative value (N = 18),
were removed; this also prompted an increase in the mean value,
from 46.47 to 63.29, and a narrowing of the range from (89.88)–
89.70 to 51.74–84.01 (Tables 1 and 2, respectively).
As Table 2 shows, good predictive ability (r2 = 0.76 and 0.74;
SECV = 8.18 and 2.62) was recorded for the measurement of a
and color index parameters. Following Williams’ guidelines
(2001), the precision of the model constructed for the remaining
parameters (0.51 6 r2 6 0.65) may be considered acceptable for
screening purposes, enabling samples to be classified as having
high, medium or low values. This was achieved using a rapid, nondestructive
handheld sensor in intact mandarins, thus providing
the growers and the citrus industry with an instant response and enabling
mandarin harvesting to be started at the optimum time.
Whilst no research published to date on NIR applications in intact
mandarins has examined the correlation between spectroscopic
data and external quality parameters, a number of studies
have addressed the use of NIR spectroscopy for predicting external
parameters such as fruit weight and equatorial diameter. Pérez-
Marín et al. (2009), using the same MEMS-based device used here,
reported similar results for the prediction of weight (RPD = 1.40;
CV = 17.30%), but slightly poorer results for equatorial diameter
(RPD = 1.31; CV = 9.83%) in intact nectarines analyzed on-tree
and during postharvest storage. Sánchez et al. (2011) improved
on these results, obtaining RPD values of 1.45 and 1.44, for weight
and equatorial diameter, respectively, i.e. similar to those obtained
here.
Cayuela and Weiland (2010) used two NIRS spectrophotometers
in reflectance mode – a diode array device (Labspec VIS/NIR, 500–
2300 nm) and an acousto-optic tunable filter (AOTF) instrument
(Luminar 5030, 1100–2300 nm) – to predict the weight of intact
oranges in the laboratory, recording RPD values of 3.91 and 3.43
and CV values of 15.41% and 17.58%, respectively; their results
are thus better than those obtained here. However, as indicated
earlier, this was a laboratory study and used instruments that differed
in terms of both operating principle and spectral range from
that used here.
The results obtained by applying the best calibration models to
the external validation set are also shown in Table 2.
Using the monitoring procedure, the prediction-statistic values
obtained for most parameters, except a, h and color index, fell
short of the limit recommended for routine application
(r2 > 0.60). However it should be stressed that SEP(c) and slope values
were close to confidence limits and the bias was below confidence
limits, suggesting that these NIRS equations for external
parameters can be seen as a useful preliminary trial for the construction
of accurate on-tree predictions for intact mandarins
using a handheld MEMS spectrophotometer.
It should also be noted that for the parameters L, b and h,
external validation did not include all the samples in the validation
set, since those displaying T statistic values greater than 2.5 were
removed during cross-validation.
Specifically in the case of L, four samples were removed; two
displayed values (52.06 and 55.83) below the range finally used
for the calibration set (58.12–71.74, Table 2), while the other
two, though presenting in-range values (59.29 and 62.18), were
under-represented in the set.
The same four samples were removed for b; three displaying
values (43.55 and 53.59) below the lower limit of the calibration
range (53.78; Table 2), and the fourth presenting a value of 57.42.
Finally, samples with negative values for h (N = 2) were removed
during external validation, since they lay outside the calibration-
set range for this parameter (51.74–84.01; Table 2). Four
further samples were removed because they displayed extreme
values (85.38–88.63); as a result, these values were under-represented
in the final calibration set. It should also be noted that three
of these four samples were also removed during external validation
for either L or b.
These results highlight the importance not only of ensuring a
sufficient number of samples in the calibration set, but also of
guaranteeing the adequate distribution and structure of the sample
set.

ผลลัพธ์ (ไทย) 1:

สถิติการตรวจสอบข้ามรุ่นสุดได้ทำนายของน้ำหนัก เส้นศูนย์สูตร และแกนสมมาตรบนแผนภูมิ และสี (L, a, b, C, h และสีดัชนี) ในการใช้ mandarins เหมือนเดิมอัลกอริทึม MPLS จะแสดงในตารางที่ 2เป็นตารางแสดง พารามิเตอร์บางอย่าง (น้ำหนัก เส้นผ่าศูนย์กลางแกนL, b, C) แบบจำลองที่ดีที่สุดได้รับมาใช้ SNV + DTชุดสำหรับการแก้ไขการกระจาย ในขณะที่สำหรับผู้อื่น_เส้นศูนย์สูตรเส้นผ่าศูนย์กลาง a, h และสีดัชนี_รุ่นดีที่สุดถูกสร้างขึ้นโดยไม่ต้องใช้ pretreatments คณิตศาสตร์สำหรับวัตถุประสงค์นี้Fernández Cabanás et al. (2006) หมายเหตุว่า การเลือกรักษาก่อนสเปกตรัมเหมาะสมไม่ได้เป็นปัญหาง่าย รับโอกาสดีของการแปลงทางคณิตศาสตร์แตกต่างกันหลายการใช้ ในขณะที่ Delwiche และบ้าเป็นหลัง (2004) ที่โต้เถียงก่อนรักษาไม่เป็นที่รู้จักมาก่อน และด้วยเหตุนี้นักวิเคราะห์ควรค้นหาด้วยตนเองสำหรับการรักษาก่อนที่สร้างค่าเหลือต่ำสุด นอกจากนี้ เหล่านี้ผู้เขียนหมายเหตุซึ่งการตัดสินใจเกี่ยวกับการรักษาก่อนที่จะใช้ในการNIR เทียบต้องสุดขึ้นอยู่กับการตัดสินของการนักวิเคราะห์ เนื่องจากขึ้นอยู่ในระดับดีเป็นพารามิเตอร์สร้างแบบจำลองสำหรับทดสอบพารามิเตอร์ยกเว้น h ปรับเทียบแบบจำลองแสดงกำลังงานสูงสุดได้รับโดยใช้การอนุพันธ์แรกของคลื่นเป็นตารางที่ 2 แสดง ช่วงของค่าสำหรับพารามิเตอร์ทั้งหมดยกเว้นเส้นผ่าศูนย์กลางที่เส้นศูนย์สูตร แบบ และสีดัชนีลดลงกว่าเทียบกับค่าพื้นฐาน (ตาราง 1) ในระหว่างการก่อสร้างรุ่นเทียบใช้ MPLS ถดถอย ในแต่ละขั้นตอนในระหว่างตรวจสอบหมายเลขตัวอย่างแสดงค่าสถิติ Tมากกว่า 2.5 และดังนั้นจึงได้ถือ outliers นี้อาจเกิดจากปัจจัยหลาย รวมทั้งหมายเลขที่ไม่เพียงพอตัวอย่างที่คล้ายกันในการปรับเทียบกำหนด (Naes et al., 2002) มันควรสังเกตที่เอาของ outliers ในสถิติ Tอาจมีผลต่อการตรวจสอบภายนอกของการรุ่นที่ได้รับ เนื่องจากจะมีตัวอย่างในการตรวจสอบที่ สำหรับพารามิเตอร์บางอย่าง อย่างใดอย่างหนึ่งภายใต้แสดง หรือunrepresented ในชุดเทียบขั้นสุดท้ายนี้จะเกี่ยวข้องโดยเฉพาะอย่างยิ่งในกรณีของ h ที่ ในการการปรับเทียบ ตัวอย่างทั้งหมด มีค่าเป็นลบ (N = 18),ออก นี้ยังแจ้งเพิ่มในค่าเฉลี่ยจาก 46.47 เพื่อ 63.29 และการจำกัดให้แคบลงช่วงจาก (89.88) –89.70 เพื่อ 51.74 – 84.01 (ตาราง 1 และ 2 ตามลำดับ)ตามตารางที่ 2 แสดง ความสามารถในการคาดการณ์ที่ดี (r2 = 0.76 และ 0.74SECV = 8.18 และ 2.62) ถูกบันทึกไว้สำหรับการวัดการและพารามิเตอร์ดัชนีสี แนวทางของวิลเลียมส์ต่อไปนี้(2001), ความแม่นยำของแบบจำลองสร้างขึ้นสำหรับเหลือพารามิเตอร์ (r2 0.51 6 6 0.65) อาจพิจารณายอมรับได้สำหรับเพื่อคัดกรอง ตัวอย่างการจัดประเภทว่ามีการเปิดใช้งานค่าสูง ปานกลาง หรือต่ำ นี้สำเร็จอย่างรวดเร็ว เพื่อใช้มือถือเซ็นเซอร์ใน mandarins เหมือนเดิม ทำ ให้การเกษตรกรและอุตสาหกรรมส้มกับทันทีตอบสนองและการเปิดใช้งานแมนดารินในการเก็บเกี่ยวที่จะเริ่มต้นในเวลาเหมาะสมในขณะที่งานวิจัยไม่เผยแพร่วันที่ในการใช้งาน NIR ในเหมือนเดิมmandarins ได้ตรวจสอบความสัมพันธ์ระหว่างด้านข้อมูลและพารามิเตอร์คุณภาพภายนอก จำนวนของการศึกษามีอยู่การใช้ NIR กสำหรับคาดการณ์ภายนอกพารามิเตอร์เช่นผลไม้ขนาดน้ำหนักและทอเรียล Pérez-Marín et al. (2009), ใช้อุปกรณ์เดียวกับใช้ MEMS ใช้ที่นี่รายงานผลเหมือนการทำนายของน้ำหนัก (RPD = 1.40CV = 17.30%), แต่ผลย่อมเล็กน้อยเส้นผ่าศูนย์กลางที่เส้นศูนย์สูตร(RPD = 1.31 CV = 9.83%) วิเคราะห์ในแผนภูมิใน nectarines เหมือนเดิมและ ระหว่างการเก็บรักษาหลังการเก็บเกี่ยว ปรับปรุง Sánchez et al. (2011)ผลเหล่านี้ รับ RPD ค่าดาวน์โหลด 1.45 และ 1.44 น้ำหนักและเส้นผ่าศูนย์ กลางที่เส้นศูนย์สูตร ตามลำดับ เช่นคล้ายกับได้รับที่นี่ใช้ spectrophotometers คุณภาพสอง Cayuela และ Weiland (2010)ในโหมดแบบสะท้อนแสงอุปกรณ์ไดโอดอาร์เรย์ (Labspec VIS/NIR, 500-2300 nm) และเครื่อง acousto ใยกรอง tunable (AOTF)(Luminar 5030, nm 1100-2300) – การทำนายน้ำหนักของเหมือนเดิมส้มในห้องปฏิบัติการ บันทึกค่า RPD 3.91 และ 3.43และค่า CV ของ 15.41% และ 17.58% ตามลำดับ ผลของพวกเขาจะทำดีกว่านั้นได้ที่นี่ อย่างไรก็ตาม เป็นระบุก่อนหน้านี้ นี้คือ การศึกษาปฏิบัติ และใช้เครื่องมือที่แตกต่างหลักการทำงานและช่วงสเปกตรัมจากที่ใช้ที่นี่ผลได้รับ โดยใช้รุ่นเทียบสุดชุดตรวจสอบภายนอกยังแสดงในตารางที่ 2โดยใช้กระบวนการตรวจสอบ ค่าสถิติพยากรณ์เว้นแต่ได้พารามิเตอร์ส่วนใหญ่ a, h และสีดัชนี น่ากลัวสั้น ๆ ของขีดจำกัดแนะนำสำหรับการใช้งานประจำ(r2 > 0.60) อย่างไรก็ตาม ควรจะเน้นที่ค่า SEP(c) และลาดใกล้กับขีดจำกัดความเชื่อมั่น และมีความโน้มเอียงด้านล่างความมั่นใจจำกัด แนะนำที่สมการคุณภาพเหล่านี้ในภายนอกพารามิเตอร์อาจถือเป็นการทดลองเบื้องต้นเป็นประโยชน์สำหรับการก่อสร้างของบนแผนภูมิการคาดคะเนที่ถูกต้องใน mandarins เหมือนเดิมใช้เป็นมือถือ MEMS เครื่องทดสอบกรดด่างมันจะยังได้กล่าวว่า สำหรับพารามิเตอร์ L, b และ hตรวจสอบภายนอกไม่มีตัวอย่างในการตรวจสอบการตั้งค่า ตั้งแต่ผู้แสดงมากกว่า 2.5 ได้ค่าสถิติ Tออกในระหว่างการตรวจสอบข้ามโดยเฉพาะในกรณีของ L ตัวอย่างสี่ออก สองแสดงค่า (52.06 และ 55.83) ต่ำกว่าช่วงที่ใช้ในที่สุดชุดสอบเทียบ (58.12 – 71.74 ตารางที่ 2), ในขณะที่อีกสอง การนำเสนอแม้ว่า ค่าในช่วง (59.29 และ 62.18), ถูกภายใต้แสดงในชุดงาน ตัวอย่างสี่เหมือนกันถูกเอาออกสำหรับ b 3 แสดงค่า (43.55 และ 53.59) ขีดจำกัดล่างของการปรับเทียบช่วง (53.78 ตาราง 2), และสี่นำเสนอค่า 57.42สุดท้าย ตัวอย่างกับค่า h (N = 2) ถูกเอาออกในระหว่างการตรวจสอบภายนอก เนื่องจากพวกเขาวางนอกเทียบ-ตั้งค่าช่วงสำหรับพารามิเตอร์นี้ (51.74 – 84.01 ตาราง 2) สี่เพิ่มเติม ตัวอย่างออก เพราะพวกเขาแสดงมากค่า (85.38 – 88.63); ดัง ค่าเหล่านี้ถูกแสดงภายใต้ในชุดสุดท้ายเทียบกัน นอกจากนี้ยังควรตั้งข้อสังเกตว่า สามตัวอย่างสี่เหล่านี้ได้ถูกเอาออกในระหว่างการตรวจสอบภายนอกL หรือ bผลลัพธ์เหล่านี้เน้นความสำคัญของการบริการไม่เป็นจำนวนตัวอย่าง ในชุดเทียบ แต่ยังของเพียงพอรับประกันการจัดจำหน่ายอย่างเพียงพอและโครงสร้างของตัวอย่างตั้งค่า

ผลลัพธ์ (ไทย) 3:

ข้ามการตรวจสอบสถิติสำหรับโมเดลที่ดีที่สุดที่ได้รับสำหรับ
บนต้นไม้ทำนายน้ำหนักและเส้นผ่าศูนย์กลางแกนและสี ( L (
 ,   B , C  H  และดัชนีสี ) ในแมนดารินเหมือนเดิมใช้
MPLS ขั้นตอนวิธีแสดงในตารางที่ 2 .
เป็นตารางแสดงสำหรับ บางพารามิเตอร์ ( น้ำหนัก แกนเส้นผม  
, B , C  ) รุ่นที่ดีที่สุดได้โดยใช้ snv DT
การแก้ไขการกระจายในขณะที่สำหรับคนอื่น ๆ _ เส้นศูนย์สูตร
เส้นผ่าศูนย์กลาง ,  H  และดัชนีสี _ รุ่นดีที่สุดขึ้น
โดยไม่ต้องใช้การเตคณิตศาสตร์สำหรับวัตถุประสงค์นี้ .
เฟร์นันเดซ caban . kgm s et al . ( 2006 ) โปรดสังเกตว่า การเลือกของที่เหมาะสมก่อนการ
มิใช่เรื่องง่าย ได้รับโอกาสที่แข็งแกร่งของหลายๆ

ทางคณิตศาสตร์การแปลงการใช้ , และในขณะที่ delwiche รีฟส์ ( 2004 ) ยืนยันว่าผลที่ดีที่สุด
ไม่เป็นที่รู้จักก่อน และด้วยเหตุผลนี้
นักวิเคราะห์ควรค้นหาตนเองสำหรับผลที่ผลิต
ค่าตกค้างน้อยที่สุด นอกจากนี้ ผู้เขียนเหล่านี้หมายเหตุ
ที่ตัดสินใจเกี่ยวกับการรักษาก่อน เพื่อใช้ในการสอบเทียบ
เนียร์ต้องในที่สุดจะขึ้นอยู่กับการตัดสินใจของ
นักวิเคราะห์เพราะมันขึ้นอยู่ในระดับที่ดีในพารามิเตอร์ที่ถูก

แบบทดสอบพารามิเตอร์ . ทั้งหมดยกเว้น H  , ปรับแต่งรูปแบบการแสดง
ความสามารถทำนายมากที่สุดได้รับการใช้ครั้งแรกของสเปกตรัมอนุพันธ์
.
เป็นตารางที่ 2 แสดงช่วงของค่าพารามิเตอร์สำหรับทั้งหมดยกเว้น
เส้นผ่าศูนย์กลางเส้นศูนย์สูตร ,  และ ดัชนีสีลดลงกว่าการสอบเทียบ
ด้วยความเคารพพื้นฐานค่า ( ตารางที่ 1 ) ในระหว่างการก่อสร้าง
แบบสอบเทียบใช้ MPLS ถดถอยในแต่ละขั้นตอนใน
ข้ามการตรวจสอบหมายเลขตัวอย่างแสดงสถิติค่า
T มากกว่า 2.5 , และดังนั้นจึงถือว่าผิดปกติ . นี้
อาจจะเกิดจากปัจจัยหลายประการ ได้แก่ การไม่เพียงพอจำนวน
ตัวอย่างที่คล้ายคลึงกันในการตั้งค่า ( naes et al . , 2002 ) มัน
ควรสังเกตว่าเอาค่าผิดปกติในแง่ของ
สถิติ t อาจต่อมามีอิทธิพลต่อการตรวจสอบภายนอกของ
รุ่นได้ เพราะมีตัวอย่างในการตรวจสอบชุด
ซึ่งสำหรับพารามิเตอร์บางอย่างมีทั้งในการประชุมหรือ
unrepresented ในชุดปรับแต่งขั้นสุดท้าย
นี้เกี่ยวข้องโดยเฉพาะอย่างยิ่งในกรณี H  ซึ่งใน
หลักสูตรการสอบเทียบตัวอย่างกับค่าลบ ( n = 18 ) ,
ถูกลบออก นี้ยังทำให้มีการเพิ่มมูลค่าหมายถึง
จาก 46.47 เพื่อ 63.29 และตีบของช่วงจาก (  89.88 ) –
89.70 เพื่อ 51.74 – 84.01 ( ตารางที่ 1 และ 2 ตามลำดับ ) .
เป็นตารางที่ 2 แสดง ความสามารถในการพยากรณ์ ( R2 = 0.76 และ 0.74 ;
secv = 8.18 และ 2.62 ) ถูกบันทึกไว้ในการวัดของ 
และพารามิเตอร์ค่าสีแนวทางต่อไปนี้ วิลเลี่ยม '
( 2001 ) , ความแม่นยำของแบบจำลองที่สร้างขึ้นสำหรับพารามิเตอร์ที่เหลือ
( 0.51 6 R2 6 0.65 ) อาจจะถือว่ายอมรับได้สำหรับการคัดกรอง
วัตถุประสงค์ให้ตัวอย่างที่ถูกจัดว่ามี
ค่าสูง ปานกลาง และต่ำ นี้ได้ใช้อย่างรวดเร็วแบบไม่เซ็นเซอร์ในมือถือ

เหมือนเดิมแมนดาริน จึงให้เกษตรกรและอุตสาหกรรมที่มีการตอบสนองทันที ส้มแมนดาริน เก็บเกี่ยวให้
ที่จะเริ่มในเวลาที่เหมาะสม ในขณะที่ยังไม่มีงานวิจัยตีพิมพ์
วันที่ในการใช้งานทั่วไปในเหมือนเดิม
แมนดารินได้ตรวจสอบความสัมพันธ์ระหว่างข้อมูลทาง
และพารามิเตอร์คุณภาพภายนอก , จํานวนของการศึกษา
มี addressed ใช้ NIR สเปกโทรสโกปีเพื่อทำนายภายนอก
พารามิเตอร์เช่นน้ำหนักผลและขนาดเส้นผ่าศูนย์กลางของเส้นศูนย์สูตร . เปเรซ -
Mar í n et al . ( 2009 ) , ใช้ MEMS เดียวกัน โดยอุปกรณ์ที่ใช้ที่นี่
รายงานผลที่คล้ายกัน เพื่อทำนายน้ำหนัก ( ร์แพด = 1.40 ;
% CV = 17.30 ) แต่เล็กน้อยจนผล ( เส้นผ่าศูนย์กลาง
( ร์แพด = 1.31 ; CV = 9.99 % ) ยังคงใช้ต้นไม้
nectarines และในช่วงหลังการเก็บเกี่ยว การเก็บรักษา ซันเชซ et al .
( 2011 ) ขึ้นผลที่ได้รับ ร์แพดค่า 1.45 และ 1.44 , น้ำหนัก
และเส้นผ่าศูนย์กลางเส้นศูนย์สูตรตามลำดับ คือ คล้ายๆ กับที่ได้

cayuela ที่นี่ และ เวย์แลนด์ ( 2010 ) ใช้สอง nirs spectrophotometers
ใน–โหมดสะท้อนแสงไดโอดอาร์เรย์ ( labspec VIS / NIR อุปกรณ์ 500 –
2300 nm ) และตัวกรอง พริ้ง acousto-optic ( aotf ) เครื่องดนตรี ( LUMINAR 5030
,1100 – 2300 nm ) และทำนายน้ำหนักเหมือนเดิม
ส้มในห้องปฏิบัติการ การบันทึกค่าและร์แพด 3.91 3.43
และค่า CV ของจำนวนและร้อยละ 17.58 ตามลำดับ ผลของพวกเขา
จึงดีกว่า หาได้ที่นี่ค่ะ อย่างไรก็ตามตามที่ระบุ
ก่อนหน้านี้ นี้คือการศึกษาในห้องปฏิบัติการและใช้เครื่องมือที่แตกต่างกัน ทั้งในแง่หลักการปฏิบัติ

และช่วงสเปกตรัมที่ใช้
ที่นี่เลยผลลัพธ์ที่ได้โดยการประยุกต์ใช้แบบจำลองการสอบเทียบที่ดีที่สุด

ชุดตรวจสอบภายนอกจะถูกแสดงในตารางที่ 2
ใช้ตรวจสอบขั้นตอน สถิติการทำนายค่า
รับพารามิเตอร์สำหรับส่วนใหญ่ ยกเว้น  H  และดัชนีสี ตก
สั้นของขีด จำกัด ที่แนะนำสำหรับ
โปรแกรมตามปกติ ( R2 > 0.60 ) . อย่างไรก็ตามมันควรจะเน้นว่าก.ย. ( C ) และค่า
ความลาดชันใกล้ขีดจำกัดความเชื่อมั่นและอคติอยู่ด้านล่าง ความมั่นใจ
จำกัด แนะนำว่า เหล่านี้ nirs สมการตัวแปรภายนอก
สามารถมองเห็นเป็นทดลองเบื้องต้นที่มีประโยชน์สำหรับการก่อสร้างของต้นไม้ทำนายถูกต้อง

ใช้เครื่องเหมือนเดิมแมนดารินมือถือ MEMS .
ก็ควรที่จะตั้งข้อสังเกตว่าการ  พารามิเตอร์ l , B  และ H 
,การตรวจสอบภายนอกไม่รวม ตัวอย่างทั้งหมดในการตรวจสอบ
ชุด ตั้งแต่ผู้แสดง t เครื่องมือมากกว่า 2.5 ถูกเอาออกในระหว่างการตรวจสอบข้าม
.
โดยเฉพาะในกรณีของฉัน  สี่จำนวนเอาออก ; 2
( 52.06 ค่าที่แสดง และ 55.83 ) ด้านล่างช่วงก็ใช้
สำหรับชุดสอบเทียบและอัตราส่วน 71.74 ตาราง 2 ) ในขณะที่อีก
2แต่การนำเสนอในช่วงค่า ( 59.29 และ 62.18 ) )

ตามแสดงในชุด เดียวกัน จำนวน  ออก 4 B ;
3 แสดงคุณค่า และ 53.59 43.55 ) ต่ำกว่าขีดจำกัดของช่วงการสอบเทียบ
( 53.78 ตาราง 2 ) , และสี่ที่เสนอค่าของ 57.42 .
ในที่สุด ตัวอย่างที่มีค่าเป็นลบสำหรับ H  ( n = 2 ) ถูกลบออก
ระหว่างการตรวจสอบภายนอกเนื่องจากพวกเขาวางนอกสอบเทียบ -
ตั้งช่วงพารามิเตอร์นี้ ( 51.74 – 84.01 ; ตารางที่ 2 ) 4
ตัวอย่างเพิ่มเติมถูกลบออกเนื่องจากพวกเขาแสดงค่าสุดขีด
( 85.38 – 88.63 ) ; ผล ค่าเหล่านี้อยู่ภายใต้การแทน
ในชุดสุดท้าย ก็ควรที่จะตั้งข้อสังเกตว่า 3
ของทั้งสี่ตัวอย่างถูกเอาออกในระหว่างการตรวจสอบภายนอก เพื่อให้ผม 

หรือ B  .ผลลัพธ์เหล่านี้เน้นความสำคัญไม่เพียง แต่ให้มั่นใจ
จำนวนเพียงพอของกลุ่มตัวอย่างในการตั้งค่า แต่ยัง
รับประกันกระจายอย่างเพียงพอ และโครงสร้างของตัวอย่าง
ชุด