Görüntüleme
7
İndirme
1
Gıda bilimlerinde deneysel verileri tanımlamak için sıklıkla matematik modeller kullanılmaktadır. Bu modeller parametrelerine göre doğrusalsa doğrusal regresyon, değilse doğrusal olmayan regresyon kullanılır. Doğrusal regresyonun doğrusal olmayan regresyona göre uygulanması ve yorumlanması daha kolaydır. Excel kullanılarak uygulanan doğrusal regresyonda model parametreleri, bu parametrelerin standart hataları, güven aralıkları ve model uyum göstergeleri elde edilebilir. Öte yandan, yine Excel kullanılarak doğrusal olmayan regresyon yapmak mümkündür. Ancak, böyle bir durumda sadece model parametreleri ve model uyum göstergeleri hesaplanabilir. Yani, model parametrelerinin belirsizlikleri (standart hataları ya da güven aralıkları) elde edilemez. Oysa parametre belirsizlikleri eldeki veriler için bir modelin kullanılıp kullanılmayacağının önemli göstergelerinden biridir ve bunları elde edebilmek için doğrusal olmayan regresyon yapabilen ücretli yazılımlar kullanılabilir. Bir diğer alternatif ise hemen herkesin bilgisayarında yüklü olan Excel’de Monte Carlo (MC) benzetimi yapmaktır. Bu çalışmada bunun nasıl yapılacağı detaylı bir şekilde madde madde açıklanmıştır. Excel’de MC benzetimi yapılarak elde edilen parametre belirsizlikleri doğrusal olmayan regresyon yapabilen diğer ücretli yazılımlarla karşılaştırıldığında birbirlerine çok yakın değerler elde edildiği görülmüştür. Excel kullanımına aşina oldukça Excel’de MC benzetimi yapmak (rastgele veri üretimi, Çözücü aracının kullanımı, vd.) oldukça sıradan ve basit bir işlem olacak ve bu bilgiler gıda bilimlerinde farklı alanlarda (mikrobiyoloji, biyoteknoloji, temel işlemler vd.) çalışan birçok araştırmacı için fayda sağlayacaktır.
Mathematical models are often used in food sciences to identify experimental data. These models according to their parameters are linear regression, or non-linear regression. It is easier to apply and interpret the vertical regression according to the non-linear regression. In linear regression applied using Excel, model parameters, standard errors of these parameters, confidence intervals and model conformity indicators can be obtained. On the other hand, it is possible to make non-linear regression using Excel again. However, in such a case, only model parameters and model conformity indicators can be calculated. Therefore, uncertainty of the model parameters (standard errors or confidence intervals) cannot be achieved. Parameter uncertainty is one of the important indicators whether a model will be used for the data available and the paid software that can make non-linear regression can be used to obtain them. Another alternative is to make a Monte Carlo (MC) comparison in Excel, which is instantly installed on everyone’s computer. In this study, the material is explained in detail how this will be done. In Excel, the parameter uncertainty obtained by making the MC comparison has been found to be very close to each other when compared to other paid software that can make non-linear regression. Very familiar with the use of Excel to make the MC comparison in Excel (accidental data production, the use of the Solution tool, etc. It will be a very ordinary and simple process and this information in the various fields of food sciences (microbiology, biotechnology, basic processes, etc.) This will benefit many researchers.
Mathematical models have been frequently used in food sciences to describe experimental data. Linear regression is used if the parameters of a model are linear; however, if a model is not linear with respect to its parameters non-linear regression should be used. Linear regression is easier to apply and interpret than the non-linear regression. Model parameters, standard errors and confidence intervals of these parameters, and goodness-of-fit indices can be obtained by applying linear regression in Excel. On the other hand, it is also possible to perform non-linear regression in Excel. However, only model parameters and goodness-of-fit indices can be calculated in this case. That is, uncertainties (standard errors or confidence intervals) of model parameters cannot be obtained. However, parameter uncertainties are one of the important indicators whether a model is used or not for the data being handled, and shareware that perform non-linear regression can be used to obtain them. Another alternative is to apply Monte Carlo (MC) simulation in Excel, which is installed on many personal computers. In this study, application of MC simulation in Excel was explained step by step in details. It was observed that the values of the parameter uncertainties obtained by performing MC simulation in Excel were very close to those obtained by using any shareware. It will be an ordinary and simple process to perform MC simulation (random data generation, use of the Solver tool, etc.) in Excel as the users become familiar with the use of Excel, and this information would be beneficial for many researchers working in different fields of food science (microbiology, biotechnology, unit operations, etc.).
Alan : Mühendislik
Dergi Türü : Ulusal
Makale Detay 
Benzer Makaleler
PDF Görüntüle
Dergi Bilgisi
Eseri Dinleyin
Alıntı Yap
Bu Sayfayı Yazdırın
Paylaş
Mendeley
