Digitally signed by

Library TUM
Reason: I attest to the
accuracy and integrity

UNIVERSITATEA TEHNICĂ A MOLDOVEI

of this document

FACULTATEA TEHNOLOGIE ŞI MANAGEMENT ÎN

INDUSTRIA ALIMENTARĂ
CATEDRA TEHNOLOGIA PRODUSELOR ALIMENTARE

MODELAREA MATEMATICĂ A
EXPERIMENTULUI
Suport teoretic de curs

Chişinău
Editura “Tehnica-UTM”
2014
CZU 519.87(075.8)
B 17
Suportul teoretic de curs pentru disciplina “Modelarea
matematică a experimentului” este destinat studenţilor ciclului 2
(masteranzilor) Facultăţii Tehnologia şi Managementul în Industria
Alimentară a Universităţii Tehnice a Moldovei.
Obiectivul-cadru al acestei discipline este formarea
competenţelor necesare unui cercetător-experimentator. Aceste
competenţe includ aptitudini de planificare a experimentului,
realizarea lui în condiţii optime, calcularea erorilor măsurărilor
instrumentale, directe şi indirecte. Masterandul va obţine unele
cunoştinţe, necesare pentru interpretarea obiectivă şi corectă a
datelor experimentale, formularea concluziilor competente şi
respectarea normelor eticii ştiinţifice.

Autori: dr., conf. univ. Alexei Baerle

dr., conf. univ. Artur Macari
Recenzent: dr. hab., prof. univ. Vasile Guţanu – U.S.M.

DESCRIEREA CIP A CAMEREI NAŢIONALE A CĂRŢII

Baerle, Alexei.
Modelarea matematică a experimentului: Suport teoretic
de curs / Alexei Baerle, Artur Macari; red. resp.: Alexei
Baerle; Univ. Tehn. a Moldovei, Fac. Tehnologie şi
Management în Industria Alimentară, Catedra Tehnologia
Produselor Alimentare.- Chişinău: Tehnica-UTM, 2014. –
67p.
Bibliogr.: p. 58(15 tit.) – 60 ex.
ISBN 978-9975-45-327-1.
519.87(075.8)
B 17

ISBN 978-9975-45-327-1. © U.T.M., 2014

2
 CUPRINS
1. METODOLOGIA CERCETĂRII 4
1.1 Metode ştiinţifice 4
1.2 Esenţa modelării matematice 5
1.3 Pregătirea către procesul de cercetare 8
1.4 Teoria experimentului 11
2. STATISTICA ŞI PRELUCRAREA DATELOR 15
2.1 Precizia măsurărilor şi calculelor. Cifre semnificative 15
2.2 Sursele erorilor experimentale 16
2.3 Calcularea erorilor măsurărilor directe 21
2.4 Erorile instrumentale 24
2.5 Determinarea erorilor măsurărilor indirecte 27
3. EXPERIMENTUL ACTIV 30
3.1 Experimentul Factorial Complet (EFC) 31
3.2 Experimentul Factorial Fracţionar (EFF) 44
3.3 Optimizarea prin Ascensiunea pe Gradient 46
4. PRELUCRAREA REZULTATELOR 49
4.1 Regulile de construire ale graficilor funcţiilor 49
4.2 Credibilitatea aproximaţiei. Avantaje şi restricţii 51
4.3 Alte forme de prezentare grafică a rezultatelor 53
4.4 Raţionamentul ştiinţific şi normele eticii ştiinţifice 54
4.5 Arta formulării concluziilor 56
BIBLIOGRAFIA 58
ANEXE 59

3
 Ştiinţa este cunoaşterea organizată”-
(Immanuil Kant)
1. METODOLOGIA CERCETĂRII
1.1 Metode ştiinţifice
Metoda Ştiinţifică este algoritmizarea obţinerii cunoştinţelor şi
procedeelor necesare pentru cunoaşterea adevărului. Metodele
ştiinţifice se separă convenţional în cele teoretice şi empirice (de
experimentare).
Criteriul important al metodei ştiinţifice este obiectivitatea
acesteia. Al doilea criteriu este cel al falsificabilităţii lui Popper:
“Metoda ştiinţifică trebuie să fie falsificabilă în principiu”.
Ipoteza, teoria şi chiar legea se consideră falsificabile, dacă
există posibilitatea contestării experimentale a lor. Afirmaţiile:
pV=νRT sau CO2+H2O→H2CO3 sunt falsificabile prin experiment.
Dimpotrivă, afirmaţia “Zodia Gemenilor se află sub influenţa
Lunii...” se află în afară ştiinţei, deoarece nu este falsificabilă.
Metode teoretice (de interpretare, analiză şi sinteză):
o formularea ipotezelor (ipoteza = presupunere fără dovezi);
o elaborarea teoriilor (teoria = afirmaţia cu forţa de prezicere);
o modelarea ştiinţifică (crearea şi cercetarea modelelor
obiectului, transferarea cunoştinţelor obţinute pe obiectul real);
o stabilirea legilor (legea ştiinţifică = afirmaţia verbală sau
ecuaţia matematică, acceptată actual de comunitatea ştiinţifică).
Metode empirice (de experimentare):
o acumularea observaţiilor (atât întâmplătoare, cât şi organizate);
o măsurarea parametrilor cantitativi;
o realizarea experimentului (experiment = verificarea ipotezei);
o cercetarea ştiinţifică (ansamblu din mai multe experimente).
Metoda ştiinţifică posedă următoarele caracteristici:
− atitudinea critică faţa de interpretările altor cercetători;
− documentarea minuţioasă a observaţiilor proprii;
− verificarea reproductibilităţii rezultatelor experimentale;
− evaluarea critică a corectitudinii interpretărilor proprii;
− acces la date iniţiale şi interpretări, publicarea rezultatelor.

4
1.2 Esenţa modelării matematice
Modelul matematic este reprezentarea virtuală a obiectului sau
fenomenului real prin intermediul limbajului algoritmizat.
Modelarea matematică constă din elaborarea şi cercetarea
modelului, transferarea informaţiei obţinute pe obiectul real.
Modelul matematic adevărat posedă următoarele caracteristici:
o Corespunde cu obiectul cercetat după criterii calitative;
o Este capabil să substituie obiectul real cu cel virtual;
o Furnizează informaţii cantitative despre obiectul modelat;
o Poate să prezică comportamentul sistemului sau al obiectului.
Modelarea matematică presupune realizarea următoarelor obiective:
o Reducerea costurilor şi timpului cercetărilor;
o Evitarea experimentelor foarte complicate sau imposibile;
o Obţinerea rapidă a soluţiilor unor probleme practice.
Modelarea matematică soluţionează următoarele probleme:
o Problema directă, rezolvarea căreia constă în determinarea
influenţei unor factori asupra obiectului, supus modelării;
o Inversă, soluţionarea căreia prezintă stabilirea cauzei apariţiei
proprietăţii măsurabile, caracteristice obiectului modelării.
1.2.1 Clasificarea modelelor matematice
Clasificarea formală binară (dihotomică, antagonistă):
o Liniare / Diferenţiale ;
o Concentrate / Dispersate ;
o Statice / Dinamice ;
o Deterministe / Statistice (statistic = stocastic = stohastic) ;
o Rigide (puternic idealizate) / Blânde (slab idealizate) .
Clasificarea conceptuală reflectă atitudinea cercetătorului:
o Ipotetic (“probabil, că ...”; “aceasta ar putea însemna…”);
o Fenomenologic (“obiectul se comportă, parcă ...”);
o Maximalist (“considerăm influenţa maximă (minimă)...”);
o Simplist (“omitem unii parametri puţin semnificativi ...”);
o Euristic (Intuitive, a Bunului simţ) (“se simte, că ...”);
o Analogic (“sistemul se comportă asemănător cu ...”);
o Experimentului Mental (Demonstrării (Im)Posibilităţii).

5
Clasificarea modelelor după transparenţă (figura 1.1):
o Structurale (geometrice; grafice; “cutie neagră”);
o Funcţionale (algebrice; “cutie transparentă”);
o Structural-funcţionale (combinate; “cutie sură”).

Modele Structurale Modele Combinate Modele Funcţionale

acţiune acţiune acţiune

mecanism mecanism

rezultat rezultat rezultat

Fig.1.1 Modelele cu “transparenţa” diferită

1.2.2 Etapele modelării matematice

1. Crearea modelului “preliminar”:
− se definitivează problema sau fenomenul supus modelării;
− se stabilesc calităţile obiectului modelării, legăturile între ele;
− proprietăţile obiectului se descriu cu limbaj algoritmizat;
2. Verificarea adecvabilităţii modelului: se testează capacitatea
modelului să genereze soluţii deja existente, cunoscute;
3. Perfecţionarea modelului: corectarea, calibrarea, “rodajul” etc.;
4. Aplicarea modelului: modelul se aplică pentru rezolvarea
situaţiilor-problemă reale, care nu au soluţii cunoscute;
5. Interpretarea datelor oferite de model.
1.2.3 Modele matematice în industria şi în ştiinţa alimentară
Sisteme-model sunt sisteme, cu ajutorul cărora se simulează
trăsăturile obiectelor modelate. Acestea pot fi:
1. Sisteme-standard şi sisteme de simulare:
− Sisteme-model cu parametrii identici sistemelor naturale
(concentraţia, pH, culoarea). Exemplu – serul fiziologic;
− Soluţii-etalon şi soluţii-standard cu un anumit semnal analitic.
2. Scheme, grafice şi diagrame;
3. Relaţii matematice de calcul, care pot fi exacte şi estimative;

6
4. Instalaţii pentru modelare şi/sau măsurare a unor proprietăţi.
5. Algoritme standardizate: modele-standard, verificate şi aprobate
de cercetători, aparent corecte, până la o eventuală falsificare.
Algoritmul de rezolvare a unei probleme ştiinţifice (figura 1.2)
impune respectarea criteriului Popper, dar nu şi garantează
corectitudinea absolută a rezolvării obţinute.

PROBLEMA Examinarea soluţiilor cunoscute

Formularea ipotezei şi concluziilor din ipoteza

Căutarea contr-argumentelor

nu sunt sunt

Elaborarea teoriei de lucru REZOLVARE

Fig.1.2 Etapele rezolvării unei probleme ştiinţifice

Dacă etapa căutării contraargumentelor se omite, apare eroarea

logică: “confirmarea prin consecinţa”, sau corectitudinea aparentă.
Logica cercetării impune
Potenţiometru
utilizarea ansamblului ipoteză-
instalaţie-etalon-ecuaţie.
Exemplu: Instalaţia din
figura 1.3 este destinată pentru d
estimarea stării redox a
sistemelor alimentare. Se 1
presupune egalitatea activităţi- 2
lor de apă din ambele celule. În I II
calitate de soluţie-etalon se Fig.1.3 1/2: electrod standard /
foloseşte un agent redox, de de măsurare; I/II: proba / model;
preferinţă acidul ascorbic, care d: dozator de etalon.
se dozează în celula II până la
7
egalarea potenţialelor în ambele celule. Starea redox a sistemului
alimentar, care se află în celula I, se exprimă prin concentraţia
etalonului din celula II. Menţionăm că acest model original a fost
elaborat la Catedra Tehnologia Produselor Alimentare a UTM.

1.3 Pregătirea către procesul de cercetare

Elaborarea planului de cercetare include următoarele etape:
− Formularea clară a obiectivelor;
− Elaborarea colectivă, cu concretizarea sarcinilor individuale;
− Estimarea realizabilităţii şi riscurilor;
− Respectarea metodelor de cercetare, standardelor şi algoritmilor;
− Indicaţia rezultatelor scontate.
1.3.1 Stabilirea obiectivelor. Obiectivul este formularea laconică a
sensului şi finalităţii acţiunii. Există obiective de trei nivele:
o Nivel inferior, care cuprinde obiective înguste, locale;
o Nivel mediu, format din obiective vaste, generale;
o Nivel înalt, cărui îi corespund obiective revoluţionare,
globale.
Obiectivele, formulate corect, corespund următoarelor cerinţe:
− Au finalitatea pozitivă;
− Stipulează modalităţile de realizare a rezultatului concret;
− Sunt independente şi auto-suficiente (autonome).
Finalitatea pozitivă exclude utilizarea verbelor, programate
pentru eşec: “a încerca”, “a se strădui” etc. Astfel de verbe “ajută”
pe cercetător să se deprindă cu eşecul fără să înceapă a lucra, de
asemenea, lasă portiţa deschisă pentru a fugi de responsabilitate (în
primul rând, faţa de sine) în cazul posibilului eşec sau datorită
impersistenţei proprii.
Operaţionalizarea exclude utilizarea verbelor vagi, adică cu
sens ambiguu, sau a celor care nu stipulează o acţiune concretă:
− a studia − a percepe − a sesiza
− a stabili − a pricepe − a se convinge
− a cerceta − a înţelege − a se încredinţa
− a şti − a poseda − a conştientiza
− a afla − a stăpâni − a însuşi

8
 Auto-suficienţa obiectivelor presupune independenţa acestora
de alte obiective de acelaşi nivel, cu referinţă la un rezultat concret.
Obiectivul-cadru este un obiectiv de nivel mediu sau înalt, în
funcţie de tipul cercetării şi ambiţia echipei. Acesta defineşte scopul
final al cercetării, fără dezvăluirea detaliilor concrete.
Nivel mediu: Să optimizeze tehnologia de producere a maionezei.
Nivel înalt: Să elaboreze substituentul structural al maionezei.
Obiectivele operaţionale (nivel mediu sau inferior) sunt
subordonate realizării obiectivului-cadru. Ele definesc stadiile şi
metodele concrete de cercetare, conturând unele rezultate scontate.
- Să se determine influenţa concentraţiei de lecitină asupra
procesului de formare a emulsiei;
- Să se calculeze raportul optim al componentelor;
- Să se determine stabilitatea Sunset Yellow în produsul final,
folosind cromatografia şi spectroscopia diferenţială;
- Să se efectueze testarea microbiologică a produsului final;
- Să se elaboreze brevetul de invenţie şi prescripţiile tehnice.

1.3.2 Analiza bibliografică eficientă. Pentru a evita

“redescoperirea” lucrurilor cunoscute, a optimiza şi a actualiza
cercetarea este nevoie de documentare prealabilă din mai multe
surse. Această documentare capătă forma scrisă şi ocupă un volum
important (30-50%) în comunicări, articole şi teze.
Analiza bibliografică este trecerea în revistă, succintă şi critică,
a informaţiei, care se referă la problema abordată.
Semnele de identificare permit a face clasificarea şi a alege cu
corectitudine sursele de informaţie pentru analiză:
o ISBN – (International Standard Book Number) – codul
internaţional al cărţii, atribuit de organul naţional respectiv.
Cartea fără ISBN se consideră “literatura sură”;
o ISSN – (International Standard Serial Number) – codul
internaţional al ediţiilor periodice, atribuit de organul naţional
respectiv (Centrul Naţional ISSN Moldova).
o CZU/УДК/UDC – (Clasificarea Zecimală Universală) –
clasificarea surselor de informaţie după tematică, destinată
9
 pentru sortarea şi căutarea eficientă. Codul CZU este atribuit de
autor sau de editor.
o CIP/МПК/IPC – (Clasificarea Internaţională de Patente) –
codul tematic internaţional, atribuit de autorul invenţiei în acord
cu organul naţional de patentare (AGEPI).
Tabelul 1.1 Clasificarea surselor de informaţie ştiinţifică
Semne caracteristice
Clasa Surse specializate
oficiale bibliografice
Articolele în reviste specializate ISSN A D R ae V N p
I
Monografii specializate ISBN A D or ed ae np
Disertaţii şi autoreferate CZU A D ae or ins np
II Cărţi de specialitate ISBN A D or ed ae np
Brevete, cereri de brevete CIP A D Ţ CIP ae nc (nb)
Comunicări la conferinţe ISBN A D DC or ins ae p
III Literatura didactică de la edituri ISBN A D or ed ae np
Literatura metodico-didactică CZU A D ins ae np
IV Literatura "sură" --- A D (ins) ae np
Sursele, care necesită atitudinea vigilentă din punct de vedere ştiinţific,
fiind depersonalizate, conţinând informaţii comerciale şi populiste, cu
caracter manipulator, politizat, ideologizat, etc.
Clasa Surse electronice Exemple
Sursele mass-media tradiţionale Filme documentare, emisiuni
V (reviste, radio, TV) şi moderne ştiinţifico-populare, show-uri,
(Internet, reţele de telefonie, etc). publicitate, noutăţi, etc.
Reţele sociale şi publicitare,
Sit-uri, foruri şi bloguri fără
sit-urile companiilor de
VI suport pe hârtie şi fără indicarea
distribuţie, ONG-urilor,
surselor bibliografice recenzate.
partidelor etc.
în care: A – autorul(rii); D – denumirea articolului, cărţii; R – denumirea
revistei; ae – anul ediţiei; V – volumul; N – numărul; p – diapazonul de
pagini (prima – ultima); or – oraşul, ed – editura; np – numărul total de
pagini, ins – instituţie, Ţ – ţara, CIP – codul CIP al brevetului; nc –
numărul cererii, nb – numărul buletinului oficial al organului de brevetare.

10
 Analiza bibliografică este prelucrarea critică a informaţiei din
mai multe surse calitative (I, II, III). Se indică contradicţii, lacune,
inexactităţi, cu referinţe la surse respective. Se evită transcrierea şi
citarea directă (calchierea). Se dezvăluie starea actuală a
cunoştinţelor în domeniul studiat şi se argumentează, cum veţi putea
contribui la rezolvarea problemei.

“Experimentul nu este greşit niciodată. Doar

interpretarea rezultatelor lui poate fi greşită”
(Leonardo da Vinci)

1.4 Teoria experimentului

Termenii “experienţă” şi “experiment” deseori se substituie

reciproc, în diferite limbi, iar de facto, între ei există deosebiri.
Cuvântul “experienţa” se utilizează în mai multe sensuri:
o demonstrarea unui fenomen în scopuri metodico-didactice;
o totalitatea cunoştinţelor şi aptitudinilor unei persoane;
o verificarea spontană a unei ipoteze ad-hoc;
o un pas discret în cadrul unei cercetări (unui experiment).
Experimentul este procesul de cercetare în condiţii elaborate şi
controlate, destinat în special pentru contestarea unei ipoteze.

1.4.1 Modelele experimentului

Există 5 tipuri de modele ale experimentului, care sunt aranjate

în corespundere cu creşterea importanţei practice a acestora:
o Experiment ideal – cercetare ipotetică (nerealizabilă),
care serveşte drept reper pentru cercetări reale;
o Experiment mental – realizat în minte, prin judecată;
o Experiment întâmplător – cu un rezultat imprevizibil;
o Experiment planificat – ansamblu de acţiuni orientate la
obţinerea unui rezultat prognozabil şi apreciabil statistic;
o Experiment crucial – elaborat pentru falsificarea ipotezei.

11
Algoritmul cercetării ştiinţifice, adică descoperirii adevărului,
demonstrează locul superior al experimentului în realizarea acesteia:
Întâmplare Experienţă Modelare ştiinţifică
(Observaţii) (Încercări) (Ipoteza + EXPERIMENT)

În ştiinţă se utilizează modelele standard ale experimentelor

chimice sau biologice, care au denumiri tradiţionale latine:

o in nascendi - în momentul naşterii, obţinerii;

o in vivo - în organism viu; în sistem natural;
o in vitro - în eprubetă; în sistem-model; în condiţii artificiale;
o in situ - pe loc; direct în amestec de reacţie; folosind metode
“in vitro” pentru experimentul “in vivo”;
o ex vivo - în afara organismului (exemplu: în cultura de celule);
o in silico - cu ajutorul softului şi simulărilor la computer.

1.4.2 Factorii de influenţă şi interacţiunea acestora

Factorii de influenţă (de intrare) sunt variabile matematice,

care influenţează calitativ şi cantitativ comportamentul sistemului
sau modelului studiat.
Factorii de influenţă în sisteme alimentare sunt de 4 tipuri:
o Fizici (F) – temperatura, presiune, timp (factor cinetic) etc.;
o Mecanici (M) – viteza agitării, volumul şi forma instalaţiei etc.;
o Chimici (C) – concentraţia, pH, masa moleculară etc.;
o Combinaţi – gradul de dispersie (F-M), solubilitate (F-C) etc.
Factorii de influenţă acţionează în mod direct şi indirect.
Influenţa directă a factorului de intrare asupra sistemului sau
modelului studiat nu depinde de valoarea altor factori de intrare.
Influenţa indirectă a factorului de intrare se manifestă prin
interacţiune cu alţi factori de influenţă.
12
 Tabelul 1.2 Factorii de intrare şi influenţa indirectă a acestora
Factorii de influenţă Cod Limite Influenţat de:
nici un alt
Cinetic (de timp) τ secunde...ani
factor
Termodinamic ΔH -103…+103kJ ω, C, TF, τ
fizici

Termic t -40...+2500C Inst, τ

Reologic η 0,1…10mPa·s C, a, pH, TF, M
Electromagnetic hν λ 10-9-10-2 m C, t, Inst, τ
Fazic TF s, l, g, aq t, C, M, τ
eprubetă –
Construcţia instalaţiei Inst instalaţia pilot a, φ, TF
mecanici

– fabrica
0.1-10000
Viteza agitării φ η, C, Inst
min-1
Gradul de dispersie şi
a 10-9...10-3 m φ, Inst, TF, τ
omogenitatea dispersiei
Compoziţia ω mono,..., poli τ, TF, pH
Indicele de hidrogen pH 2-12 t, C, τ
-8
10 …10mol/L
chimici

Concentraţia C t, a, pH, τ
10-6…100%
Tensiunea superficială σ 10…100mJ/m2 C, t, pH, M
Masa moleculară a
M 103...108 g/mol ω, pH, τ
polimerilor
Tabelul 1.2 evidenţiază următoarele momente:
- practic nu există nici un factor de influenţă, absolut independent
de alţi factori); excepţie prezintă factorul cinetic, τ ;
- cei mai influenţi şi cei mai puţin influenţaţi sunt τ şi t ;
- influenţa reciprocă a factorilor întotdeauna va avea un caracter
specific, unic, fără a fi extrapolată de la un sistem la altul.
Doi, iar câteodată şi mai mulţi factori independenţi pot exercita
acţiunea concomitentă asupra sistemului.
Interacţiunea factorilor poate fi de 3 feluri:

13
o Acţiunea sinergică (sinergism, supra-adiţie) – influenţa
comună a doi factori e mai mare decât suma aporturilor
fiecăruia.
Exemplu: Adăugarea a 1% de alcool măreşte termenul de păstrare
a vinului cu 1 an, iar adăugarea a 1% de zahăr cu 4 luni. La
suplimentarea concomitentă cu ambele substanţe, termenul de
păstrare se măreşte cu 4 ani (de 3 ori mai mult, decât suma
influenţelor lor).
Menţionăm, că acţiunea sinergică poate fi atât “bună” (benefică
pentru parametrii sistemului studiat), cât şi “rea” (nedorită).
o Acţiunea antagonistă – influenţa concomitenta a doi factori este
mai mică, decât influenţa separată a fiecăruia dintre ei.
Exemplu: Alcoolii graşi şi hidrocarburile extrag bine grăsimile. La
anumită proporţie a lor procesul de extracţie devine foarte greu,
fiindcă alcoolul gras în amestec cu hidrocarbura se comportă ca
substanţă tensioactivă, transformând sistemul în emulsie stabilă.
o Acţiunea latentă se manifestă, când un al treilea factor se
activează datorită altor doi factori. De aceea acţiunea latentă poate
avea un caracter aparent sinergic sau antagonist.
Exemplu: Colorantul se extrage mai eficient fie la creşterea
temperaturii, fie la creşterea vitezei de agitare a amestecului
materie primă-solvent. La amplificarea concomitentă a valorilor
acestor factori cantitatea colorantului în extract scade contrar
aşteptărilor. A fost propusă ipoteza, conform căreia pierderile
colorantului se datorează oxidării rapide la temperaturi şi vitezei
de agitare ridicate.
Fenomenul de interacţiune a mai multor factori îngreunează
interpretarea corectă a influenţei acestora, ducând la efecte care
contrazic cunoştinţele acumulate a priori. Astfel de cazuri prezintă
un interes deosebit în cadrul cercetării, devenind posibilă
falsificarea cunoştinţelor existente şi formularea unor ipoteze noi.

14
 “Statistica poate dovedi orice … chiar şi adevărul”
(Noel Moynihan)
2. STATISTICĂ ŞI PRELUCRAREA DATELOR

În cadrul experimentului planificat de cercetare se efectuează

două tipuri de măsurări: directe şi indirecte.
Măsurările directe ale X sunt efectuate cu un aparat de măsură,
destinat special pentru măsurarea parametrului respectiv (pH-ul se
măsoară cu pH-metrul, timpul cu cronometrul, numărul de colonii -
cu microscopul, umiditatea aerului cu hidrometrul etc).
Măsurările indirecte ale Y reprezintă determinările valorilor
argumentelor (X1 … Xn) ale funcţiei Y = f (X1 … Xn), însoţite de
calcule respective. De exemplu, constanta de viteză K poate fi
calculată după măsurarea a 4 variabile: V, τ, C0 , Cτ , care sunt
legate prin relaţie analitică: K  (V /  )  ln (C0 / C ) . Erorile
măsurărilor indirecte vor fi mai mari în comparaţie cu erorile
măsurărilor directe, incluzând erorile de măsurare şi cele de calcul.

2.1 Precizia măsurărilor şi calculelor. Cifre semnificative

Deseori precizia unor parametri cantitativi se estimează

folosind noţiunea, răspândită preponderent şi... insuportabil de
incorectă - “numărul cifrelor după virgulă”. Vom scrie 3 numere:
456.78; 0.45678·103; 45678·10-2. Toate acestea sunt egale şi la fel
de precise, indiferent de poziţia virgulei! Contează numărul cifrelor
semnificative, care va depinde de precizia metodei de măsurare şi a
calculelor.
Cifrele semnificative încep de la prima cifră, diferită de 0; cifra
0, situată după o cifră ≠ 0, de asemenea este semnificativă.
Exemplu: în 0.056074 prima CS = 5, a treia CS = 0, a cincea = 4.
În procedeele şi calculele tehnico-chimice şi tehnologice
numărul optim de cifre semnificative este 3 sau 4. Un număr mai
mic de CS va duce la erori considerabile (nu va fi asigurată
respectarea condiţiilor de producere şi de controlul calităţii).
15
Numărul exagerat de CS este inutil, depăşind precizia, proprie
domeniului respectiv de producere/cercetare.
Exemplu: La 10.0 kg de aluat se vor adăuga, după calcule,
2.4158g de colorant alimentar. Însă, deoarece masa aluatului se
măsoară cu precizia de 3 cifre semnificative, a patra şi a cincea cifre
semnificative din masa colorantului îşi pierd importanţa: masa
colorantului se rotunjeşte la 2.42g. Dispare necesitatea utilizării
balanţei analitice.
Numărul CS, cu care vor fi indicate rezultatele finale, va
depinde de precizia a priori a metodei şi de eroarea experimentului.

2.1.1 Algoritmul rotunjirii valorilor medii

1. Ultima CS lăsată rămâne neschimbată, dacă prima cifra din cele

aruncate este 0, 1, 2, 3, 4. Exemplu: 23.04499 4 CS
 23.04 ;
2. Ultima CS lăsată se măreşte cu 1, dacă prima cifra din cele
aruncate este 5 “cu ceva”, 6, 7, 8, şi 9. Exemplu:
3.005001  3 CS
 3.01;
3. Dacă după ultima CS lăsată urmează un 5 “pur”, atunci: ultima
CS pară se lasă neschimbată; ultima CS lăsată impară se
măreşte cu 1.
Exemple: 654.05  4 CS
 654.0 ; 8.1375 102 
4 CS
8.138 102 .

2.2 Sursele erorilor experimentale

Erorile măsurărilor se clasifică în următoarele grupe:

o sistematice, caracteristice metodei de măsurare utilizate;
o instrumentale, generate de un anumit aparat de măsură;
o aleatoare, datorate fluctuaţiilor factorilor de intrare;
o grosolane umane, comise din cauza oboselii, neatenţiei sau
neglijenţei experimentatorului;
o grosolane instrumentale, datorate defecţiunii instrumentului.
Erorile sistematice, pe care le vom nota cu ∆XS , se repetă de la
o măsurare la alta. Aceste erori se datorează în cele mai dese cazuri
dereglajului constant al instrumentului sau imperfecţiunii metodei
16
de măsurare. Erorile sistematice instrumentale pot fi eliminate uşor,
dacă se cunoaşte valoarea dereglajului. De exemplu, dacă un
termometru arată pentru amestecul apă-gheaţă temperatura +2°C,
vom scădea 2°C din indicaţiile acestui termometru în alte condiţii,
la alte temperaturi.
Erorile aleatoare (întâmplătoare, imprevizibile) variază
spontan de la o măsurare la alta, având totodată şi semne diferite.
Aceste erori nu pot fi eliminate şi prezintă cauza principală a
dispersiei rezultatului.

Dispersia (împrăştierea) valorii parametrului măsurat reflectă

lipsa reproductibilităţii rezultatelor măsurărilor repetate

Este imposibil ca erorile aleatoare să fie eliminate complet. De

aceea, aceste erori inevitabile trebuie să fie luate în consideraţie la
prelucrarea statistică şi prezentarea rezultatului.
Erorile grosolane, mai denumite şi eşecul măsurării, trebuie să
fie excluse din calculele respective ale valorilor medii şi ale
deviaţiilor standard.

2.2.1 Noţiuni din teoria erorilor

Valoarea adevărată sau ideală a parametrului măsurat, notată

XA , este valoarea obiectivă, care nu depinde nici de particularităţile
instrumentului de măsură, nici de factorul uman. Valoarea adevărată
se consideră cunoscută, dacă ea reprezintă un punct de referinţă
absolut sau stabilit prin definiţie. Valorile 0°С, 100°C (punctele de
topire şi de fierbere a apei), 0.000V (potenţialul redox standard al
electrodului de hidrogen) şi multe altele, stabilite prin definiţie, pot
fi considerate drept valori adevărate (ideale). Însă, măsurarea
temperaturii, potenţialului redox sau pH-ului unui sistem alimentar
real necesită estimarea erorilor.
Eroarea absolută, X , reprezintă modulul diferenţei între
valoarea medie măsurată, X m , şi cea adevărată, X A :

17
 X  X  X A (2.1)

Eroarea relativă şi eroarea relativă procentuală :

X X
 (2.2) %  100% (2.3)
XA XA

Însă, deoarece de multe ori valoarea adevărată X A nu este

cunoscută, aceasta va fi înlocuită cu valoarea medie măsurată X :
X X
 (2.4) %  100% (2.5)
Xm Xm
Nivelul de încredere, P, reprezintă probabilitatea determinării
valorii adevărate a parametrului măsurat. De exemplu, P = 0.99
corespunde probabilităţii de 99% de determinare corectă a valorii
adevărate. În unele surse bibliografice prin termenul “nivelul de
încredere” se substituie un alt parametru statistic, de fapt,
complementar valorii P, care se va numi corect nivelul de
neîncredere (incertitudine). Acesta se notează prin q şi este egal cu
probabilitatea determinării greşite a X A . Certitudinea P = 0.99
(99%) corespunde cu nivelul de neîncredere q = 0.01 ( 1% ):
P  q  1 (sau 100%) (2.6)
Intervalul de încredere prezintă coordonatele limitelor, în care
este cuprinsă (cu probabilitatea P) valoarea adevărată a
parametrului măsurat. Acest interval are două formalizări
echivalente:
X A  X  X (2.7) sau X A   X  X ; X  X  (2.8)

De exemplu, expresia: pH = 3.51 ± 0.03 este echivalentă cu

expresia pH  (3.48; 3.54); ambele înseamnă că valoarea adevărată
a pH-ului este cuprinsă între valorile 3.48 şi 3.54. În acest caz, după
(2.4), eroarea relativă ε = 0.03/3.51 = 0.009, iar după (2.5), eroarea
procentuală ε% = 0.9%.
18
2.2.2 Distribuţia normală a erorilor
Fie că se realizează un număr m de măsurări directe repetate ale
parametrului Xm , m(1; m). În acest caz valorile măsurate ale Xm
vor devia de la valoarea adevărată XA, datorită erorilor aleatoare.
Este firesc (normal) că frecvenţa abaterilor mici a Xm de la XA este
mai înaltă, decât frecvenţa abaterilor mari. Prin W vom nota
probabilitatea înregistrării unui rezultat Xm din m măsurări repetate
(paralele). În analiza statistică astfel de distribuţie se numeşte
“normală”. Graficul ei reprezintă o haussiană.
W ΔXS

a b
ΔXGr
ΔXS

XE X  X X A X * X X X  X
intervalul de încredere
Fig.2.1 Clar despre erori - ©

În figura 2.1 sunt reprezentate schematic corelaţiile între unele

tipuri de variabile, erorile şi curbele de distribuţie ale erorilor:
X A - valoarea adevărată a parametrului măsurat;
X - valoarea medie din m măsurări paralele;
X  - valoarea medie din infinitul de măsurări repetate;
X S  ( X   X A ) - eroarea sistematică, care are un semn
determinat, “+” sau “-”, spre deosebire de semnul altor erori, “ ± ”;
X E - eşecul experimentului; generează eroarea grosolană X Gr ;
X *  X  X S : media corectată, care este mai apropiată de
valoarea adevărată X A , decât X * . Ea poate fi determinată doar în
cazul, dacă se cunoaşte valoarea X S ;
19
a – curba distribuţiei ideale a valorilor X (în lipsa erorii
sistematice, sau în lipsa informaţiei despre aceasta);
b – curba distribuţiei valorilor X în cazul cunoaşterii valorii şi
semnului erorii sistematice X S .

2.2.3 Rotunjirea corectă a erorilor

Rotunjirea erorilor impune respectarea unor reguli speciale,

care diferă de regulile utilizate pentru rotunjirea mediilor. Diferite
ediţii ştiinţifice periodice cer respectarea a cel puţin 2 variante de
rotunjire a erorilor: clasică şi modernă (simplificată).
Varianta clasică de rotunjire se bazează pe axioma că precizia cu
care se rotunjeşte eroarea, va fi determinată de valoarea primei cifre
semnificative a erorii:
1. Dacă prima CS în eroare este 1 sau 2, eroarea se prezintă cu
precizia de două CS; dacă prima CS în eroare este 3…9, atunci
eroarea se prezintă cu precizia de o singură CS.
0.1752  0.18 ; 7.824  8 ; 0.02461  0.025 ; 774  8 102
Varianta simplificată: Eroarea se prezintă cu precizia de două CS,
indiferent de valoarea primei CS.
0.1328  0.14 ; 7.353  7.4 ; 0.02403  0.025 ; 502  5.1102
2. În eroare ultima CS lăsată se măreşte cu o unitate, dacă după
ea urmează orice combinaţie a cifrelor semnificative.
0.342  0.35 ; 7.802  7.9 ; 246.1  2.5 102 ; 774  7.8 102
3. La reprezentarea finală a rezultatului, ultimele CS din medie
vor avea acelaşi ordin, ca şi ultimele cifre semnificative ale
erorii.

Pentru unele constante, determinate cu precizie mai mare de 4

CS, modul de reprezentare a erorii are un aspect special: CS ale
erorii se prezintă în paranteze rotunde îndată după valoarea mediei.
Exemplu: în loc de 53.48673 ± 0.00028 vom scrie 53.48673(28).

20
Exemple:
incorect: corect:
x = 34.0 ± 0.56 mm x = 34.0 ± 0.6 mm
pK = 4.537 ± 0.1432 pK = 4.54 ± 0.15
n = 756.431 ± 34.4 n = 756 ± 35
t = 345.356 ± 1.534 0C t = 345.4 ± 1.6 0C
m☼ = (1,9889 ± 0,00024)·1030kg m☼ = (1,9889 ± 0,0003)·1030kg
zp = (1.6021892±0.0000046)·10-19 zp = 1.6021892(46)·10-19 Cl

2.3 Calcularea erorilor măsurărilor directe

Măsurarea directă este determinarea valorii parametrului

măsurat cu ajutorul unui instrument special cu scară analogică sau
digitală. Măsurările directe nu necesită calcule suplimentare
matematice, care se referă la valoarea parametrului, însă, vor suferi
prelucrarea statistică corespunzătoare pentru a afla intervalul de
încredere.
Deviaţia standard a eşantionului de date,  m 1 , reprezintă
rădăcina pătrată din dispersia eşantionului de date (  m2 1 ); m este
numărul datelor în eşantionul de date aleatoare:

1 m
 m1   ( X k  X )2
m  1 k 1
(2.9)

Deviaţia standard a totalităţii de date,  m (rădăcina pătrată din

dispersia generală de date,  m2 ) se va calcula cu o formulă
asemănătoare, în care m este numărul datelor în totalitatea de date:
1 m
m   ( X k  X )2
m k 1
(2.10)

Eroarea determinării, ∆X, se va calcula folosind formula:

X eşantion   m 1  TSt ( f , q ) (2.11)

21
în care TSt(f, q) este coeficientul Student pentru numărul gradelor de
libertate f şi incertitudine q (vezi şi Anexa 1).
Cele mai utilizate valori ale ponderii statistice P şi incertitudinii
q sunt, respectiv: P(q) = 0.99(0.01); 0.95(0.05); 0.9(0.1).
Exemplu: Pentru nivelul de încredere P = 0.95 (q = 0.05) şi
numărul datelor aleatoare în eşantion m = 3, numărul gradelor de
libertate f = 3 - 1 = 2. Din Anexa 1, sau folosind procedura
respectivă Excel din Anexa 3, determinăm, că TSt (0.05, 2) = 4.30.
Deviaţia medie a determinării mediei,  X :

1 m
m 
X  
m(m  1) k 1
( X k  X )2 
m 1
 m1
m
(2.12)

Eroarea medie a determinării mediei, X :

X   X  TSt (q,f ) . (2.13)

2.3.1 Algoritmul calculării erorilor măsurărilor directe

1. Se calculează media provizorie din m experienţe repetate:

1 m
X m*   X k . (2.14)
m k 1
2. În caz de necesitate se elimină eşecul experimentului, care
provoacă eroarea grosolană:
X Gr  X  X k max . (2.15)
3. Se recalculează m şi X , deviaţia standard  m 1 sau  m .
4. Dacă este cunoscută valoarea erorii sistematice X S , se
recalculează media prin iteraţie: X m*  X m  X S .
5. Se determină eroarea absolută: X   m 1  TSt (q,f ) pentru un
eşantion de date, sau  m ,  X , şi X pentru mulţimea de date.

22
6. Se rotunjesc valorile  X sau X după regulile din § 2.2.3, apoi
valoarea medie X după § 2.1.1. După rotunjire ultimele CS în
eroare şi în medie vor fi de acelaşi ordin.
7. Se reprezintă rezultatul final în forma: X  X  X pentru
eşantionul de date sau X  X  X pentru mulţimea de date.
Fie că a fost înregistrat un şir de date, alcătuit din 13 măsurări
experimentale directe. Acest şir se va numi totalitatea (generală) de
date. Calculăm valorile respective cu ajutorul calculatorului
ştiinţific sau prin intermediul procedurilor respective Excel, lista
selectivă a cărora este prezentată în Anexa 3.
Tabelul 2.1 Analiză a datelor cu eliminarea eşecului - ©
754 746 739 747 765 713 751 768 778
Date 756 749 779 757
Media provizorie X m* = 754
0 8 15 7 11 41 3 5 24 2 14 25 3
X X k Abateri ↑ Abateri
„acceptate” Abaterea cea mai mare „acceptate”
Date Date Eşecul experimentului Date
preluc- “normale” ↓ “normale”
rate 754 746 739 747 765 713 751 768 778 756 749 779 757
Media corectată X = 757.42  m =12.12  X = 3.65
Eroarea determinării mediei: X   X  TSt (0.05,11) = 3.65 · 2.20 = 8.03
Forma finală de prezentare a valorii medii: X = 757.4 ± 8.1
Din cele 12 măsurări, rămase după cenzurarea eşecului, pot fi
extrase la întâmplare câteva cifre, acestea formând eşantionul de
date aleatoare, sau mai multe astfel de eşantioane. Aici am extras 4
eşantioane a câte 3 date, numărul variantelor fiind mai mare.
Tabelul 2.2 Exemple de extracţie a eşantioanelor de date aleatoare
N X1 X 2 X 3 XN  m1 X N X N  X N  X N
1 754 765 757 758.67 5.69 24.46 X1 = 759 ± 25
2 746 751 778 758.33 17.21 74.00 X2 =758 ± 74
3 739 768 749 752.00 14.73 63.34 X3 = 752 ± 64
4 747 756 779 760.67 16.50 70.96 X4 = 761 ± 71
23
 Toate valorile XN din Tabelul 2.2 se încadrează în limitele
intervalului de încredere, calculat pentru mulţimea generală de date
(Tabelul 2.2). De asemenea, valorile ΔXN sunt cu mult mai mari
decât valoarea X , calculată pentru mulţimea generală de date.
Aşadar, numărul mai mare de repetări micşorează eroarea
determinării parametrului măsurat.

2.4 Erorile instrumentale

Erorile instrumentale, ∆Xinst., apar din cauza imperfecţiunii

construcţiei aparatului de măsură şi datorită factorului uman,
manifestat prin experienţa, atenţia şi sârguinţa operatorului (sau
prin lipsa acestora).
Clasa de precizie a aparatului, γ, reflectă perfecţiunea
aparatului şi corectitudinea scării lui. Clasa de precizie este numeric
egală cu eroarea procentuală de determinare a valorii X în
diapazonul scării aparatului de măsură, Xmin … Xmax :
X inst.
 100% (2.16)
X max  X min
Exemplu: O pipetă cotată Mohr cu volum de 25ml are clasa de
precizie γ = 2%. Determinaţi intervalul de încredere p/u volumul ei.
Rezolvare: În cazul de faţă Vmax = 25, Vmin = 0. Folosind formula
2.16, aflăm, că ∆Vinst. = 0.5 ml. V = 25.0 ± 0.5 ml.
Exemplu: O pipetă gradată cu volum de 10ml şi valoarea diviziunii
0.1 ml are clasa de precizie γ = 0.5%. Calculaţi eroarea procentuală
de determinare a volumului V = 2.0 ml, folosind această pipetă.
Rezolvare: Transformăm formula (2.16) pentru a determina ∆Vinst.:
  (Vmax  Vmin ) 0.5%  (10.0  0.0) mL
Vinst .    0.05mL
100% 100%
Această eroare va fi valabilă în tot domeniul de lucru al pipetei.
Eroarea procentuală de determinare a volumului arbitrar (în altă
regiune a scării) se va calcula cu ajutorul formulei 2.5:

24
 Vinst . 0.05
%  100%  100%  2.5%
V 2.00
Deseori se întâmplă că clasa de precizie a aparatului nu este
cunoscută (a fost pierdută documentaţia, s-au şters inscripţiile
respective etc.). În aceste cazuri se consideră că eroarea
instrumentală poate fi apreciată după scara aparatului, sau
determinată experimental.
Eroarea absolută a scării, ∆Xscara , se determină ca 1/2 sau 1/3
din valoarea diviziunii VD a aparatului:
1 1
X scara  VD (2.17) sau X scara  VD (2.18)
2 3
Coeficientul 1/3 se foloseşte în cazul unei diviziuni analogice mari,
dacă acul sau meniscul indicatorului se vede clar între diviziuni.
Pentru un aparat digital coeficientul respectiv este egal cu ½.
Pentru un eşantion din m măsurări “paralele” (repetate) a unei
mărimi, eroarea instrumentală se va calcula din formula:
X inst .  (X eşantion ) 2  (X scara ) 2 (2.19)
în care ∆Xeşantion se calculează după formula (2.11).
Exemplu: Temperatura dintr-o încăpere a fost
măsurată din 20 în 20 de minute cu un termometru
(desen), timp de 2 ore. Calculaţi valoarea intervalului
de încredere la determinarea t, efectuând calcule în
baza eşantionului din 4 date aleatoare pentru P = 0.95.
τ, min 0 20 40 60 80 100 120
t, 0C 21 22 22 21 22 21 22
Rezolvare: Alegem un oricare set din 4 date aleatoare
şi calculăm t şi  41 , folosind procedurile respective
din Excel, sau un calculator ştiinţific: t = 21.5,  41 =
0.577. Din Anexa 1, TSt(0.05, 3) = 3.18. Atunci:
teşantion   4-1  TSt (0.05,3) = 0.577 · 3.18 = 1.84.

25
Valoarea diviziunii, VD = 20C. Respectiv, tscara = 0.667 0C.

tinst .  (teşantion ) 2  (tscara ) 2  1.842  0.667 2  1.96  2.0

t  t  tinst .  21.5  2.0
“Regula a trei sigme”. Deseori măsurările multiple nu se fac
datorită necesităţii (sau sub pretextul) economisirii timpului. Atunci
eroarea instrumentală poate fi apreciată cu ajutorul “regulii a 3σ”,
care permite aprecierea erorii în cazul unei singure determinări:
În lipsa erorii sistematice valoarea parametrului măsurat XA este
cuprinsă în intervalul X  3 cu probabilitatea P > 99.7%
Exemplu: La cântărirea aceleiaşi probe cu balanţă digitală,
(VD = 0.01g), o valoare numerică a masei se repetă de 2 ori, iar o
altă valoare – o dată, diferenţa între ele fiind egală cu VD. De pildă:
m = 34.55; 34.56; 34.55. Determinaţi eroarea instrumentală a
aparatului după “regula a trei sigme”.
Rezolvare: Din (2.9) calculăm că  31 = 0.0057735. După
“regula a 3σ”, Δm = 3   31 = 3 · 0.0057735 = 0.0174 ≈ 0.018.
Aşadar, pentru aprecierea erorii va fi suficientă o singură experienţă
cu determinarea masei m, iar valoarea Δm va fi cunoscută din
multiplele experienţe anterioare. Figura 2.2 ilustrează că valoarea
adevărată a masei, mA' sau mA'' se încadrează în intervalul de
încredere, format după “regula a 3σ”. Ba chiar şi eroarea scării
instrumentului, egală cu 1/2 VD, intră în acest interval.
mscara mscara

34.53 34.54 34.55 34.56 34.57 34.58 34.59

m  3 m A' m m A'' m  3

intervalul de încredere

Fig.2.2 Ilustrarea grafică a “regulii de 3σ”- ©

26
2.5 Determinarea erorilor măsurărilor indirecte

Măsurarea indirectă reprezintă, de fapt, calcularea valorii

funcţiei Y = f(X1, X2, …, Xn), în care X1, X2, …, Xn sunt argumente,
determinate cu anumită precizie, respectiv, cu oarecare eroare.
Aşadar, eroarea măsurării indirecte va fi datorată atât erorilor
determinării tuturor argumentelor funcţiei, cât şi erorilor generate de
legăturile dintre argumentele X1, X2, …, Xn în ecuaţia respectivă.

2.5.1 Estimarea erorii măsurării indirecte prin erorile relative

În primul rând, se precizează valorile
 X1  X1  …  X n  X n  şi se calculează valoarea Y . Apoi se va
utiliza formula:
2 2 2
Y  X   X 2   X n 
  1     ...    . (2.20)
Y  X1   X 2   Xn 
Exemplu: Se pregăteşte o soluţie standard de acid sulfuric din fiola
cu fixanal, care conţine 0.1000 ± 0.0005 echivalenţi ai H2SO4.
Conţinutul fiolei se trece cantitativ într-un balon cotat cu volumul
de 1 litru şi clasa de precizie 1.0. Calculaţi intervalul de încredere
pentru determinarea concentraţiei normale.
Rezolvare: Calculăm concentraţia normală a acidului, fără a ţine
cont de erorile respective (substituind valorile medii ale νech. şi V:
 ech. 0.1000echiv.
CN    0.1000ech. / l .
V 1L
După definiţia clasei de precizie, sau din analiza formulelor 2.4 şi
2.5 rezultă că V / V  0.01 ,  ech. /  ech. 0.0005/0.1000 = 0.005.
Exprimăm şi calculăm ΔCN/CN cu ajutorul formulei 2.20:
2 2
CN   ech.   V 
      0.005  0.01  0.0112
2 2

CN   ech.   V 

27
 CN  CN  0.0112  0.1 0.0102  0.00112  0.0012

CN  0.1000  0.0012ech. / l .

2.5.2 Calcularea erorii măsurării indirecte prin diferenţiere
Această metoda este mai precisă şi permite minimizarea erorii
în comparaţie cu metoda descrisă în § 2.5.1. Din funcţia Y = f(X1,
X2, …, Xn) se deduce şi se rezolvă ecuaţia de tipul:
2 2 2
 Y   Y   Y 
Y   X 1    X 2   ...   X n  (2.21)
 X 1   X 2   X n 
Y Y Y
în care: , ,..., sunt derivatele parţiale ale funcţiei Y
X 1 X 2 X n
după X;
X 1 , X 2 ,..., X n sunt erorile determinării parametrilor
X 1 , X 2 ,..., X n .
Derivatele parţiale se calculează, de exemplu, în felul următor:
P P
Pentru funcţie: P  RT 2 , derivatele parţiale:  T 2,  2 RT .
R T
(Formulele principale de diferenţiere consultaţi-le în Anexa 5).

Exemplu: Proba de bază cu volum de 10ml, luată cu o pipetă cu

clasa de precizie γ = 1, a fost titrată cu soluţie de acid clorhidric,
CA = 0.1065 ± 0.0016ech/l. Volumul acidului, consumat la titrare, a
fost egal cu 11.7ml, fiind determinat cu biureta cu valoarea
diviziunii 0.1ml. Titrarea a fost repetată de 3 ori, de fiecare dată
obţinându-se aceleaşi rezultate. Calculaţi eroarea determinării
concentraţiei de bază.
Rezolvare:
1. Concentraţia bazei se determină din formula:
CV 0.1065ech. / L  11.7ml
CB  A A   0.1246ech. / l ,
VB 10ml

28
respectiv, CB = f(CA, VA, VB). Determinăm ΔCA , ΔVA şi ΔVB :
o din condiţiile problemei, ΔCA = ± 0.0016ech./l;
o pentru ΔVA utilizăm formula (2.19). Deoarece 3 titrări au dat
acelaşi rezultat, ΔVA, eşantion = 0; ΔVA, scara = 1/3VD = 1/3 · 0.1 = 0.034.

VA  (0)2  (0.34)2  0.034

o din formula 13, ΔVB = ± 0.1ml.
2. Exprimăm şi calculăm derivatele parţiale pentru CB =
f(CA,VA,VB):
CB VA 11.70 CB C A 0.1065
   1.1700;    0.01065
C A VB 10.00 VA VB 10.00
CB CV 0.1065 11.70
  A 2A     0.01246 .
VB VB 10.002
Folosim formula (2.21) pentru determinarea CB :
2 2 2
 C   C   C 
CB   B C A    B VA    B VB 
 C A   VA   VB 

CB  1.17  0.0016   0.01065  0.034   0.01246  0.10 

2 2 2

CB  3.50 106  0.126 106  1.55 106  0.00228

CB  CB  CB  0.1246  0.0023ech / l .

29
3. EXPERIMENTUL ACTIV

Spre deosebire de un experiment pasiv, experimentul activ

presupune interacţiunea între cercetător şi obiectul cercetării şi are
un scop bine definit, pentru realizarea căruia experimentatorul
dirijează valorile factorilor de influenţa şi înregistrează răspunsurile.
Răspunsul (parametrul de ieşire, replica) sistemului exprimă
cantitativ efectul factorilor de influenţă asupra stării sistemului.
Replica se notează de obicei prin Y.
Sistemul factorial de coordonate este un sistem (j+1)-
dimensional de coordonate, generat de j factori de influenţă, plus de
replica sistemului.
Suprafaţa de replică este totalitatea valorilor replicii sistemului,
generată de funcţia Y = f (X1, X2, X3, ..., Xj), în care X1...Xj sunt
factorii de influenţă.
Exemplu: Fie că factorii de Y, mg/mL
influenţă (de intrare) sunt
concentraţia eluantului organic
(X1) şi temperatura (X2). Replica
este concentraţia substanţei
X1, %
biologic active în eluant (Y).
Respectiv, suprafaţa replicii,
X2,°C
generată de funcţia Y = f(X1, X2),
va fi descrisă în spaţiul Fig.3.1 Suprafaţă de replică
tridimensional de coordonate, în
cadrul căreia zona haşurată reprezintă maximumul replicii -
valoarea maximală a replicii sistemului. Determinarea
maximumului suprafeţei de replică, căruia îi corespund valorile
optime ale factorilor de influenţă, reprezintă obiectivul-cadru
“standard” în metoda realizării experimentului activ.
Deducerea expresiei analitice a funcţiei Y = f(X1, X2, ..., Xj) este
o formă finită de realizare a acestui obiectiv. Este însă o problemă
deloc uşoară, îndeosebi pentru suprafeţele de răspuns, generate de
mai mulţi factori de influenţă (vezi § 1.4.2). Pentru a calcula

30
valorile replicii Y în întregul spaţiu factorial, va fi nevoie de un
număr infinit de experienţe.
Pentru un număr redus de experienţe, rezultatele satisfăcătoare
se vor obţine dacă valorile optime ale factorilor de intrare vor fi
determinate cu precizie suficientă pentru a se încadra în zona
apropiată maximumului sau minimumului suprafeţei de replică.
Această zonă mai poartă denumirea de “zona aproape staţionară”
sau “zona cu replica optimală”.

3.1 Experimentul Factorial Complet (EFC)

Spaţiul factorial conţine un număr infinit de coordonate, la fel şi

suprafaţa reală de replică este compusă dintr-un număr infinit de
puncte. Prin urmare, pentru stabilirea formei ei reale sunt necesare
∞ de experienţe, ceea ce este imposibil. În realitate este nevoie a
micşora numărul de experienţe, fără a pierde substanţial din precizia
determinărilor, reproductibilitatea rezultatelor şi corectitudinea
interpretărilor.
Experimentul Factorial Complet (EFC) presupune cercetarea
influenţei factorilor independenţi, stabilirea interacţiunilor lor şi
elaborarea unui model matematic al sistemului, numit ecuaţie de
regresie. Metoda EFC este foarte informativă şi economă, având
următoarele avantaje în comparaţie cu metodele clasice:
o asigură cercetarea concomitentă a influenţei mai multor factori;
o permite aprecierea cantitativă a interacţiunii dintre factori;
o reduce substanţial numărul de experienţe faţă de metodele
tradiţionale;
o apreciază reproductibilitatea şi validitatea statistică a
rezultatelor.
În metoda Experimentului Factorial Complet se postulează că
spaţiul factorial real cu un număr infinit de puncte poate fi substituit
cu o matrice finită, discretă, care reflectă suficient de precis forma
suprafeţei de replică în intervalul ales al spaţiului factorial. Vom
demonstra această afirmaţie cu două exemple.

31
 2,5 Y
2

1,5

1
y = 0,1681x + 0,6465
0,5 R2 = 0,9553
-1; -1 +1; -1
0
0 2 4 6 8 10 12 X1
-1; +1 +1; +1
suprafaţa de răspuns aproximaţia liniară
X2
Fig.3.2 Replica în 2D Fig.3.3 Replica ( ) în 3D

A fost obţinut un număr restrâns de date experimentale (replici,

Y) pentru anumite valori ale factorului de întrare x (fig. 3.2). Aceste
date pot genera o linie netedă, care va corespunde cu “suprafaţa”
aparentă de replică în spaţiul bidimensional. Aproximaţia liniară
simplifică şi generalizează forma suprafeţei de replică, permite
interpretarea funcţiei y = f(x) şi contribuie la diminuarea erorilor
experimentale. În figura 3.3, spaţiul haşurat ( ) reprezintă
imaginea fragmentului suprafeţei de replică în spaţiul tridimensional
(3D). Prin analogie, aceste exemple pot fi extrapolate şi la sisteme
cu mai mulţi factori de influenţă, pentru care este greu sau chiar
imposibil a imagina reprezentarea potrivită în spaţiul 2D.

3.1.1 Întocmirea matricelor de planificare a

experimentului binivelar

În cadrul EFC numărul seturilor unice ale valorilor variabilelor

de intrare, aşa-zis “numărul de rânduri”, se va calcula prin formula:
N  Lj (3.1)
unde: L este numărul de nivele, iar j – numărul factorilor generatori.
În majoritatea cazurilor L = 2 şi experimentul se numeşte binivelar.
Intervalul de variere ( ΔXj ) a factorului de influenţă este
intervalul între nivelul minim (Xj,min sau Xj(-)) şi maxim (Xj,max sau
Xj(+)) al factorului de influenţă cu numărul j(1; j):
ΔXj = Xj(+) - Xj(-) (3.2)

32
 Matricea de planificare prezintă formalizarea matematică a
planului experimentului. Întocmirea matricei EFC include
următoarele etape:
A. Prin analiza informaţiei a priori se aleg j factori, influenţa
cărora va fi cercetată şi se codifică prin X1 ..... Xj. Aceşti factori
se vor numi factori de influenţă directă sau generatori de
matrice; se calculează numărul necesar de linii N (3.1).
B. Se prestabilesc valorile Xj,min şi Xj,max, respectiv, a intervalului
de variere a fiecărui factor de influenţă, ΔXj , folosind
algoritmul intuitiv, numit regulile de alegere a intervalului:
1. Dacă nivelul informaţiei a priori este înalt, adică, dacă
despre influenţa factorului respectiv se cunoaşte mult, ΔXj
va fi relativ mic şi va cuprinde în el valoarea a priori
cunoscută a lui Xj,optim .
2. Dacă informaţia a priori este insuficientă sau controversată,
se alege un interval ΔXj mare, iar valoarea presupusă
(intuită) a lui Xj,optim se va afla în interiorul intervalului ΔXj .
3. În cazul lipsei informaţiei a priori, ΔXj va fi cât mai posibil
de mare, concomitent, situat departe de valoarea ipotetică
(intuită de cercetător) a Xj,optim.
C. Valorile Xj(-) şi Xj(+) se codifică prin “-1”, “+1”, sau prin (-), (+).
Se întocmeşte o matrice din N rânduri, care va cuprinde toate
combinaţiile generatorilor de matrice în forma codificată. Se
calculează valorile codurilor factorilor de interacţiune.
Exemplu: Se determină umiditatea produsului finit în funcţie de
următorii factori: temperatura de coacere, durata de coacere şi
concentraţia unui agent nou de texturare în aluat. Este cunoscut că
pentru coacere toptimă ≈ 190°С, durata τ ≈ 40...70min. Influenţa
agentului nou de texturare nu a fost cercetată. Texturanţii manifestă
rezultate bune la concentraţii de cca 2%. Să se întocmească matricea
de planificare EFC.

33
Rezolvare:
A. Codificăm factorii de influenţă: temperatura (X1), durata (X2),
concentraţia agentului de texturare (X3). Numărul de experienţe
realizate în cadrul EFC 23 va fi egal cu: N = 23 = 8.
B. Aplicăm regulile de alegere a intervalului:
1. Influenţa factorului X1 este a priori cunoscută. În acest caz
ΔX1 va fi mic şi va cuprinde în el valoarea cunoscută a lui
X1,optim = 190°C. De ex., X1,min = 185°C, X1,max=195°C.
2. Informaţiile despre influenţa factorului X2 sunt diferite şi
merită a fi precizate. Din intervalul cunoscut (40...70
minute) intuim valoarea optimă a X2,optim ≈ 60min.
Respectiv, X2,“-” = 50min, iar X2,“+” = 70min.
3. Cazul corespunde Regulii 3. Valoarea intuită a X3,optim = 2%.
Intervalul trebuie să fie mare şi situat la distanţă bună de la
X3,optim. Se propune X3,“-” = 0.1%, X3,“+” = 0.5% de texturant.
Tabelul 3.1 Codificarea factorilor de influenţă
Factor Cod ( – ) X (centru) (+) ΔXj
Temperatura, °C X1 185 190 195 10
Durata, min X2 50 60 70 20
C(texturant), % X3 0.1 0.3 0.5 0.4

C. Elementele secundare ale Tabelul 3.2 Planificare EFC 23

matricei, adică, factorii de Factori
generatori de interacţiune
interacţiune se obţin prin N X1 X2 X3 X12 X13 X23 X123
înmulţirea codurilor factori- 1 + + + + + + +
lor-generatori respectivi. De 2 + + - + - - -
exemplu, pentru N = 3: 3 + - + - + - -
X 123 = X1X2 = +1 × –1 = –1 4 + - - - - + +
5 - + + - - + -
Unităţile pot fi omise. De 6 - + - - + - +
exemplu, pentru N = 6: 7 - - + + - - +
6
X 123 = – × + × – = +. 8 - - - + + + -

34
Matricea de planificare în vari- Tabelul 3.3 Matrice de planificare
abile codificate este necesară EFC 23 în coordonate reale
pentru interpretarea ulterioară Factori-generatori
N
a datelor şi, în cele din urmă, t, °C τ, min C, %
elaborarea modelului. Pentru 1 + 195 + 70 + 0.5
2 + 195 + 70 - 0.1
realizarea experimentului va fi
3 + 195 - 50 + 0.5
utilă matricea de planificare în 4 + 195 - 50 - 0.1
coordonatele reale (tabelul 5 - 185 + 70 + 0.5
3.3). Acest lucru se face prin 6 - 185 + 70 - 0.1
substituţia valorilor codificate 7 - 185 - 50 + 0.5
ale factorilor generatori X1, 8 - 185 - 50 - 0.1
X2, X3 din tabelul 6 cu valorile lor reale din tabelul 5. După cum se
observă, planul real al experimentului conţine 8 experienţe, în
cadrul cărora niciodată nu se repetă acelaşi set de valori al factorilor
generatori de matrice şi de interacţiune.
Menţionăm, că matricea cu 3 factori-generatori (tabelul 3.2) se
utilizează cel mai frecvent, astfel asigurând cercetarea amplă a
sistemului (influenţa a 3 factori independenţi şi aporturilor
interacţiunilor lor, la un număr relativ mic de experienţe).
Elaborarea matricelor în variabile codificate necesită
respectarea următoarelor reguli:
o Numărul semnelor “+” şi “–” în coloană va fi egal.
o Semnele respective se vor aranja simetric în “semicoloane”.
o Dacă matricea este întocmită corect, va exista un rând cu toate
semnele identice, şi N-1 rânduri cu acelaşi raport al semnelor
opuse; numărul semnelor “+” va coincide cu numărul celor de “–”.
Aplicarea acestor reguli aduce la mai multe variante echivalente
ale matricelor de codificare. Astfel, pentru EFC 22 vor fi posibile 12
variante de matrice, dintre care prezentăm doar 4 (tabelul 3.4):
Tabelul 3.4 Planificare a EFC 22 (binivelar bifactorial)
I X1 X2 X12 II X1 X2 X12 III X1 X2 X12 IV X1 X2 X12
1 + + + 1 + - - 1 - + - 1 - - +
2 + - - 2 + + + 2 - - + 2 - + -
3 - + - 3 - - + 3 + + + 3 + - -
4 - - + 4 - + - 4 + - - 4 + + +
35
 Tabelul 3.5 Matrice completă de planificare a EFC 24
Factorii de interacţiune
Factori-generatori
N dublă, Xjk triplă, Xjkl Xjklm
X0 X1 X2 X3 X4 X12 X13 X14 X23 X24 X34 X123 X124 X134 X234 X1234
1 + + + + + + + + + + + + + + + +
2 + + + + - + + - + - - + - - - -
3 + + + - + + - + - + - - + - - -
4 + + + - - + - - - - + - - + + +
5 + + - + + - + + - - + - - + - -
6 + + - + - - + - - + - - + - + +
7 + + - - + - - + + - - + - - + +
8 + + - - - - - - + + + + + + - -
9 + - + + + - - - + + + - - - + -
10 + - + + - - - + + - - - + + - +
11 + - + - + - + - - + - + - + - +
12 + - + - - - + + - - + + + - + -
13 + - - + + + - - - - + + + - - +
14 + - - + - + - + - + - + - + + -
15 + - - - + + + - + - - - + + + -
16 + - - - - + + + + + + - - - - +

Tabelul 3.5 demonstrează că matricea de planificare EFC 24

scindează în două matricea EFC 23, sau în 4 matricea EFC 22.
Respectiv, planul EFC 22 este “semireplica” planului EFC 23 şi ¼
a replicii planului EFC 24. În caz general, pentru j factori:
1 1
EFC 2 j  EFC 2 j 1  EFC 2 j  2 . (3.3)
2 4
Existenţa variantelor echivalente de planificare şi a
“semireplicilor” oferă cercetătorului unele posibilităţi importante, şi
anume: de corectare a planului (inversiunea semnelor “+” în “–”)
sau de adăugare în plan a unui alt factor de influenţă, fără repetarea
experienţelor deja efectuate.

36
3.1.2 Ecuaţii de regresie

Ecuaţia de regresie este expresia analitică a funcţiei: Y =

f(X1...Xi), respectiv, replica = f (factori de influenţă), adică,
reprezintă un polinom care descrie suprafaţa de răspuns în spaţiul
imaginar (j+1)-dimensional:
j j j j j
Y  0 X 0  i X i  ii X 2  ik X ik  iii X 3 ... (3.4)
i 1 i 1 i 1 k 1 i 1

în care:
o Y – răspunsul (replica) sistemului;
o β0 – valoarea replicii sistemului în centrul experimentului –
X j , coordonatele căruia corespund centrelor intervalelor de variere
X j ( situat în punctul , figura 3.3):

X j ( )  X j ( )
Xj  (3.5)
2
o β1 ... βi – coeficienţii de influenţă ai factorilor de intrare;
o X1 ... Xi – factorii de influenţă în formă codificată;
o βjj pe lângă Xj2 – coeficienţi de influenţa “pătratică” a factorilor
respectiv Xj;
o βjk pe lîngă Xjk – coeficienţi de interacţiune ai factorilor Xj şi
Xk .
Polinomul (3.4) se va simplifica substanţial prin neglijarea
coeficienţilor exponenţiali: pătratici, cubici etc. Astfel se obţine
modelul numit ecuaţia de regresie în aproximaţia liniară:
j j k j k l
Y   0 X 0   j X j   jk X jk   jkl X jkl  ... (3.6)
1 1 1 1 1 1

Factorul X j , fiind o mărime constantă, va avea valoarea +1 în

variabile codificate, de aceea uneori se omite în ecuaţii de regresie.

37
 Trebuie menţionat că în timp ce interacţiunea a doi factori se
manifestă destul de frecvent, interacţiunea a trei factori se observă
mai rar. Probabilitatea interacţiunii în ansamblurile alcătuite de mai
mulţi factori (Xjkl, Xjklm) este redusă, coeficienţii respectivi βjkl, βjklm
sunt nesemnificativi. Acest lucru permite a extinde posibilităţile
metodei, substituind ansamblurile inactive de factori cu unii factori
generatori noi, trecând astfel la metoda EFF (vezi § 3.2).
Cea mai simplă ecuaţie de regresie, care rezultă din formulele
generale (3.4) şi (3.6), este ecuaţia unei drepte (vezi şi figura 3.2):

Y = β0 + β1 X1 (3.7)

Pentru experimentul EFC 22 ecuaţia deja va avea aspectul,

caracteristic metodei EFC, conţinând 2 factori “independenţi” şi 1
factor de interacţiune:

Y = β0 + β1 X1 + β2 X2 + β12 X12 (3.8)

În cazul interacţiunii semnificative între factorii X1 şi X2,

coeficientul pe lângă X12 nu va fi nul (β12 ≠ 0). Menţionăm că, în
acest caz “simplu”, suprafaţa reală de răspuns va fi descrisă în
spaţiul tetradimensional, 4D.
Pentru experimentul binivelar trifactorial ecuaţia standard de
regresie va descrie o suprafaţă similară celei prezentate în figura
3.3, dar... în lumea greu imaginabilă, “octadimensională”:

Y = β0+β1 X1+β2 X2+β3 X3+β12 X12+β13 X13+β23 X23+β123 X123 (3.9)

3.1.3 Prelucrarea matematică a rezultatelor EFC

Metoda Modelării Matematice în general, şi a Experimentului

Factorial Complet în particular, nu impune restricţii privind
numărul replicilor, care pot fi studiate. În cadrul unui experiment
pot fi înregistrate mai multe răspunsuri independente, obţinându-se
informaţia amplă despre sistemul studiat.

38
 Pe lângă faptul că replica sistemului este funcţia factorilor de
intrare, dirijaţi şi controlaţi de cercetător, aceasta mai este şi funcţia
factorilor latenţi, care nu se supun controlului experimental.
Influenţa acestor factori poate fi clarificată a posteriori sau chiar să
rămână nedezvăluită. Valorile cunoscute şi necunoscute ale
factorilor latenţi de influenţă pot avea şi deviaţii imprevizibile, care
sunt considerate drept evenimente aleatoare. De aceea, pentru
validarea statistică a rezultatelor experimentului fiecare experienţă
“pe linie” trebuie să se realizeze cel puţin de 2-3 ori.
Vom numi YN,1 … YN,m – replici gemene ale sistemului în
cadrul experienţei cu numărul N, adică rezultatele experienţelor
gemene N1…Nm (efectuate în aceleaşi condiţii). Se consideră că
numărul optim de experienţe gemene este 3 pentru EFC 22 şi doar 2
pentru EFC 23. Un număr astfel de mic de repetări rezultă din faptul
că realizarea întregii matrice de planificare a EFC 23 va necesita 8 ×
2 = 16 experienţe, adică aprecierea statistică se va face dintr-un
eşantion de date destul de mare. Se va calcula media replicii, care
rezultă din m sau din 2 experienţe-gemene:
1 m
YN   YN ,i
m i 1
(3.10)

YN 
1
2
YN , A  YN ,B  (3.11)

în care prin A şi B sunt notate două experienţe gemene.

După finisarea tuturor experienţelor (pe linii şi pe coloană),
devine posibilă calcularea coeficienţilor de regresie generatori şi de
interacţiune. Pentru EFC 23 , j'  (“0”; “123”).
N
1
 j' 
N
Y
1
N  X N, j' (3.12)

1 8
 j'   YN  X N , j ' .
8 N 1
(3.13)

39
 Aducem câteva exemple de calculare a coeficienţilor βj' în baza
matricei de planificare din Tabelul 3.2, reprodus pentru comoditate:

Y1  Y2  Y3  Y4  Y5  Y6  Y7  Y8 generatori de interacţiune
Fact.

0  N X1 X2 X3 X12 X13 X23 X123

8 1 + + + + + + +
Y1  Y2  Y3  Y4  Y5  Y6  Y7  Y8 2 + + - + - - -
2 
8 3 + - + - + - -
Y1  Y2  Y3  Y4  Y5  Y6  Y7  Y8 4 + - - - - + +
13  5 - + + - - + -
8 6 - + - - + - +
Reieşind din valorile replicilor 7 - - + + - - +
gemene şi din mediile replicilor, se 8 - - - + + + -
vor calcula dispersiile pe linie, adică dispersiile replicilor gemene.
Deseori numărul de repetări m = 2, atunci (3.14) trece în (3.15):
1 m
  YN ,m  YN  (3.14)  N2  2 YN , A  YN  (3.15)
2 2
 N2 
m 1 1
Dispersia medie pe matrice este media aritmetică a tuturor  N2 :

1 N 2 1 N 2
 matrix
2
  N
N 1
(3.16)  matrix
2
  N
8 1
(3.17)

În final, se va calcula deviaţia medie pătratică a coeficienţilor de

regresie, care de fapt şi caracterizează statistic ecuaţia (modelul).

 matrix
2
 matrix
2
  (3.18)   (3.19)
N m 16
Deoarece, conform formulei 2.11, Δβ = σβ · TSt , în ecuaţii de
regresie vor fi valabili din punct de vedere statistic doar coeficienţii
β, modulul cărora depăşeşte valoarea respectivă a Δβ. De aceea
valoarea Δβ se notează ca βcritic, reprezentând limita critică de jos a
validităţii statistice a modelului, sau, cu alte cuvinte, eroarea
absolută a determinării coeficienţilor de regresie (de influenţă):
 critic     TSt ( q , f ) (3.20)
40
 În acest caz valoarea criteriului Student se va alege pentru
numărul gradelor de libertate al sistemului f = N-1 şi P(q) respectiv.
Coeficienţii de influenţă β se vor considera semnificativi sau
nesemnificativi, în comparaţie cu coeficientul de validitate βcritic:
o Coeficientul β este semnificativ, dacă:   critic (3.21)
o Coeficientul β este nesemnificativ, dacă:   critic (3.22)
Sensul fizic al coeficientului de validitate statistică βcritic , ca
eroare absolută a determinării coeficienţilor βj , impune necesitatea
respectării rigorilor, referitoare la rotunjirea erorilor şi mediilor.

3.1.4 Semnificaţia părţilor componente ale ecuaţiilor de regresie.

Calcularea adecvabilităţii modelului

Fie că a fost realizat un EFC 23 conform planului, descris în §

3.1.1, efectuându-se câte două experienţe-gemene, A şi B (de
exemplu, în condiţii reale, prezentate în tabelul 3.3). Replica
sistemului – concentraţia reducătorilor în produsul final: Yi ,
mg/100g. A fost completată matricea finală a EFC (tabelul 3.6).

Tabelul 3.6. Exemplu de realizare completă a matricei EFC 23

N X0 X1 X2 X3 X12 X13 X23 X123 YN , A YN , B YN  N2 YˆN  N2 ,Y
1 + + + + + + + + 77.8 84.2 81.0 21.0 81.9 0.81
2 + + + - + - - - 79.4 82.6 81.0 5.2 80.1 0.81
3 + + - + - + - - 106.0 117.2 111.6 62.3 110.7 0.81
4 + + - - - - + + 104.8 111.2 108.0 21.0 108.9 0.81
5 + - + + - - + - 55.4 58.2 56.8 4.0 59.5 7.29
6 + - + - - + - + 28.3 30.9 29.6 3.5 26.9 7.29
7 + - - + + - - + 108.7 116.5 112.6 31.1 109.9 7.29
8 + - - - + + + - 70.5 78.7 74.6 33.7 77.3 7.29
βj’ 81.9 13.5 -19.8 8.6 5.4 -7.7 -1.8 0.9 TSt(0.05,7) = 2.37; βcritic = 2.9

Aşteptarea matematică reprezintă rezultatul recalculării

valorilor replicii, omiţând termenii nesemnificativi. Spre deosebire
de replica sistemului cercetat, aşteptarea matematică este
“depoluată” de influenţa factorilor nesemnificativi (figura 3.4).

41
 Corelaţiile terminologice între replică, coeficienţi şi factori,
care fac parte din ecuaţiea de regresie, sunt generalizate pe figura
3.5.
Fon (factori ne- sistem Replica
semnificativi) real sistemului, Y

Factori model Aşteptarea

semnificativi matematic matematică, Yˆ
Fig.3.4 Deosebirea între replică şi aşteptarea matematică - ©
Aşteptările matematice se calculează prin adunarea produselor
elementelor semnificative, adică celor care nu pot fi eliminaţi:
YˆN  0    j ',semn X j ' (3.23)

Yˆ3  81.9  13.5(1)  19.8(1)  8.6(1)  5.4(1)  7.7( 1) 

 71.1  13.5  19.8  8.6  5.4  7.7  110.7 .
Eliminarea din ecuaţiea de regresie a coeficienţilor
nesemnificativi permite a elabora modelul matematic al sistemului
cercetat, adică algoritmul funcţionării sistemului. În cazul prezentat
în tabelul 10 coeficienţii eliminaţi sunt β23 şi β123 , fiind mai mici,
decât βcritic = 2.9.
generatori Factori de interacţiune

central de influenţa directă neînlocuibili înlocuibili

Y  81.9  13.5 X 1  19.8 X 2  8.6 X 3  5.4 X 12  7.7 X 13 1.8 X 23  0.9 X 123

semnificativi nesemnificativi
Replica  critic  2.9 Coeficienţi

Fig.3.5 Părţile componente ale ecuaţiei de regresie - ©

42
Eliminarea “fonului” din ecuaţia de regresie din figura 3.5 cu
ajutorul formulei 3.23 se va sconta cu obţinerea ecuaţiei de regresie
în forma finală (modelului matematic).
Ŷ = 81.9 +13.5X1 -19.8X 2 + 8.6X3 + 5.4X12 - 7.7X13 (3.24).
βcritic = 2.9

Dispersia liniară a aşteptării matematice,  N2 ,Y , se va calcula ca

pătratul diferenţei între replica medie şi aşteptarea matematică:

 N2 ,Y  YN  YN 
2
(3.25)

Dispersia remanentă a modelului se calculează prin formulele:

N 8
1 1
 rem
2
.  2
N N * i 1 N ,Y
(3.26)  rem
2
.  2 (3.27)
8 N * i 1 N ,Y
în care:
N - numărul coeficienţilor în ecuaţia de regresie (inclusiv β0);
N* - numărul coeficienţilor semnificativi în ecuaţia de regresie.
Adecvabilitatea (veridicitatea) modelului se determină după
criteriile Fisher (vezi Anexa 2). Pentru aceasta se calculează
raportul dispersiei remanente şi a dispersiei medii pe matrice, apoi
rezultatul se compară cu valoarea criteriului Fisher, care corespunde
ponderii statistice P(q) şi valorii gradelor de libertate f1 şi f2:

f1 = N-N* (3.28) f2 = N(m-1) (3.29)

 rem
2
Dacă  FP ( q ), f , f , modelul descrie adecvat sistemul . (3.30)
 matrix
2 1 2

 rem
2
Dacă  FP ( q ), f , f , modelul nu este adecvat . (3.31)
 matrix
2 1 2

43
3.1.5 Importanţa factorilor înlocuibili (nesemnificativi)

Factorii înlocuibili se află pe lângă coeficienţi nesemnificativi

(figura 3.5), adică ei nu influenţează replica sistemului în mod
semnificativ din punct de vedere statistic. Termenul “înlocuibil”
subliniază posibilitatea, dar nu şi obligaţia, înlocuirii acestui factor
cu un alt factor de influenţă, semnificativ a priori sau ipotetic.
Existenţa factorilor înlocuibili denotă un avantaj al modelelor
matematice în forma ecuaţiilor de regresie: lipsa influenţei unui
factor oferă posibilitatea studierii influenţei unui alt factor.

3.2. Experimentul Factorial Fracţionar (EFF)

Experimentul Factorial Fracţionar (EFF) permite aprecierea

influenţei unui număr mai mare de factori asupra obiectului de
studiu, înlocuind factorii nesemnificativi din EFC cu alţi factori.
Lipsa de interacţiune între factorii independenţi se va stabili:
o intuitiv, referindu-se la “comportamentul firesc” al sistemului:
(“Admitem, că X2 şi X3 nu interacţionează, de aceea factorul de
interacţiune X23 va fi înlocuit cu un alt factor de influenţă, X4 …”);
o în baza unor informaţii prealabile sau a unor experienţe de
probă, care au demonstrat lipsa de interacţiune între factorii
respectivi;
o în baza ecuaţiei de regresie adecvată din punct de vedere
statistic, care a fost obţinută anterior în cadrul unui alt EFC(F).
Prima modalitate este riscantă, celelalte două sunt mai obiective.
Factorii neînlocuibili sunt atât factorii generatori de matrice
(indiferent de semnificaţia statistică a acestora), cât şi cei
semnificativi de interacţiune. Aceşti factori rămân intacţi la trecerea
de la EFC la EFF.
Factorii înlocuibili sunt factorii nesemnificativi de interacţiune,
mai mici decât βcritic. Aceştia pot fi înlocuiţi la trecerea de la EFC la
EFF, sau pot fi utilizaţaţi din start pentru cercetarea mai detaliată a
sistemului.

44
 Matricele EFC 22 , EFC 23 şi EFC 24 permit crearea a respectiv
1, 4 şi 11 planuri EFF, numărul cărora corespunde cu numărul
factorilor de interacţiune neinfluenţi din EFC corespunzător (tabelul
3.7). Utilizarea matricei EFC 23 pentru experimentul EFF este foarte
convenabilă, fiindcă sistemul va fi cercetat amplu prin număr mic
de experienţe.

Tabelul 3.7 Codificarea EFF la trecerea EFC → EFF

Factorii înlocuibili
Planul EFC Total factori EFF Codul EFF
din EFC
2
EFC 2 1 3 EFF 23-1
1 4 EFF 24-1
EFC 23 ······· ······· ·······
4 7 EFF 27-4
1 5 EFF 25-1
2 6 EFF 26-1
EFC 24
······· ······· ·······
11 15 EFF 215-11

Tabelul 3.8 Matricea EFF 25-2 în baza experimentului EFC 23

Generatori în EFF
Neînlocuibili
N Generatori din EFC Înlocuibili din EFC
X0 X1 X2 X3 X23=X4 X123=X5 X12 X13
1 + + + + + + + +
2 + + + - - - + -
3 + + - + - - - +
4 + + - - + + - -
5 + - + + + - - -
6 + - + - - + - +
7 + - - + - + + -
8 + - - - + - + +

Pentru cazul acesta ecuaţia după planul EFF 25-2 va avea aspectul:

Y = β0+β1 X1+β2 X2+β3 X3+β4 X4+β5 X5+β12 X12+β13 X13 (3.32)

45
3.3 Optimizarea replicii prin Ascensiunea pe Gradient

Ecuaţia de regresie permite stabilirea condiţiilor optime, adică

a valorilor rezonabile ale X1…Xn , în care replica dorită atinge
valori maximale, iar replica nedorită atinge valori minimale. Pentru
găsirea valorilor optime ale replicii se foloseşte o “scară”, a cărei
trepte (paşi de ascensiune)
se calculează în baza
matricei de planificare şi a 6
ecuaţiei de regresie. Există 5 4
cel puţin 3 posibilităţi de “a
se ridica” de-a lungul 3
acestei scări: cu paşi foarte
2 7
mici, cu cei de valoare
optimă, şi cu paşi gigantici. 1
Ascensiunea cu paşi mici
Fig.3.6 Schema ascensiunii pe
necesită multe experienţe;
gradient: 1 - centrul experimentului;
paşii mari duc la ratarea
2, 3, 4 - paşi mici, optimi şi mari;
zonei aproape staţionare
5 - suprafaţă de replică; 6 – zonă
(Figura 3.6). Calcularea
aproape staţionară; 7 - condiţii
corectă a paşilor “optimi”
optime. – ©
pentru ascensiune necesită
o doză considerabilă de intuiţie din partea experimentatorului.

3.3.1 Algoritm pentru calcularea paşilor de ascensiune

1. Pentru fiecare variabilă Xj generatoare de matrice EFC sau EFF

cu coeficientul βj semnificativ se calculează valoarea paşilor
teoretici de ascensiune pe gradient (AG):

j , AG   j  X j
X teoretic . (3.33)
2. Dintre valorile determinate ale paşilor teoretici se alege o
valoare, maximă după modul. Aceasta deseori este absurdă din
punct de vedere al realizării practice a ei. De aceea se intuieşte

46
 un coeficient Kintuitiv, care transformă pasul în unul “rezonabil”
(“realizabil”):
X teoretic
X calculat 
j , AG
j , AG . (3.34)
K intuitiv
3. Paşii de ascensiune mai mici se recalculează la fel, folosind
aceiaşi valoare a Kintuitiv. Recomandăm să efectuaţi rotunjirea
valorilor obţinute ale paşilor până la o CS “bună”, adică, cea
care aparţine mulţimii: (1, 2, 5)·10 n, în care n sunt numere
întregi.
X calculat
j , AG 
1CS "bună "
X jpractic
, AG . (3.35)

Tabelul 3.9 Exemplu de realizare a experimentului de optimizare

Calcularea paşilor ascensiunii pe gradient
Paşi teoretici de ascensiune Kintuitiv Paşii practici “rezonabili”
X1, AG = 13.5 · 10 = 135 C
teor . 0
X1,pract .
AG = +0.675 → +0.5 C
0

X 2,teorAG. = -19.8 · 20 = -396min 200 X 2,pract .

AG = -1.98 → -2min

X 3,teor .
AG = 8.6 · 0.4 = 3.44% X 3,pract .
AG = +0.0172→+0.02%

Experiment de optimizare
NAG
X AG
j ,0 X pract .
j , AG
1 2 3 4 5 6 7
X1 190 +0.50C 190.5 191 191.5 192 193.5 194 194.5
X2 60 -2min 58 56 54 52 50 48 46
X3 0.3 +0.02% 0.32 0.34 0.36 0.38 0.40 0.42 0.44
Yoptimizat 81.9 --- 130.3 162.6 172.5 174.4 173.1 172.9 172.3
Ysupl. --- --- 3.9 7.6 9.1 8.8 8.4 7.3 5.2

- condiţii optime, determinate din replica optimă -

În tabelul 3.9, prezentat anterior, sunt redate rezultatele unui

experiment de optimizare. Pentru calcularea paşilor de ascensiune,
pe gradient au fost utilizate matricea de planificare (tabelul 3.3) şi
coeficienţii semnificativi βj din ecuaţia de regresie (3.24), care
47
reprezintă modelul matematic al conţinutului reducătorilor în
produsul final. Paşii de ascensiune, calculaţi în mod teoretic, sunt
absurzi: este imposibil a micşora durata procesului de coacere cu
396 minute, sau a mări temperatura cu 1350С. De aceea a fost ales
un coeficient Kintuitiv, care transformă paşii de ascensiune în valori
reale, realizabile. Rotunjirea paşilor până la o cifra semnificativă
“bună” uşurează lucrul experimentatorului, fără a afecta
semnificativ precizia rezultatelor.
În exemplul analizat aici, replica optimizată devine aproape
staţionară (practic constantă), când NAG = 3…7. Pentru alegerea
corectă a condiţiilor optime, uneori este convenabil a analiza
valorile replicilor suplimentare. Replica suplimentară Ysupl., atinge
valoarea maximă, apoi scade. Respectiv, condiţiile optime
corespund condiţiilor experienţei cu NAG = 3. Menţionăm, că
pentru prezentarea demonstrativă a rezultatelor ascensiunii pe
gradient, este comodă histograma, în care replicile sistemului sunt
reprezentate în scară procentuală (figura 3.7).

Fig.3.7 Rezultatele ascensiunii pe gradient

48
4. PRELUCRAREA REZULTATELOR
Există foarte multe posibilităţi de interpretare şi reprezentare
grafică a rezultatelor experimentale. Acestea pot fi convenţional
clasificate în următoarele grupuri:
o graficele funcţiilor matematice;
o diagramele standard;
o modelele grafice (scheme şi schiţe).
Modul ales de prezentare grafică a datelor experimentale
influenţează şi procesul de interpretare a acestora. Alegerea greşită
a modului de prezentare poate duce la interpretarea incompletă,
parţială sau incorectă a rezultatelor experimentului.
4.1 Regulile de construire a graficelor funcţiilor
Din punct de vedere matematic, construirea graficului funcţiei
este posibilă doar în cazul, dacă există dependenţa funcţională
y = f (x), derivabilă şi integrabilă. În termenii modelării matematice,
graficul funcţiei este reprezentarea vizuală a replicii sistemului y în
dependenţă de valorile factorilor de intrare x. Exemple clasice de
astfel de dependenţe funcţionale sunt A = f (C) sau pH = f (V).
Argumentele acestor funcţii, C şi V, pot avea valori întregi sau
fracţionare, fiind măsurate cu precizie, corespunzătoare metodei.
Construind graficul unei funcţii, respectaţi următoarele reguli:
1. Respectaţi legătura cauza-efect, plasând argumentul funcţiei pe
axa OX, iar valoarea ei pe axa OY.
Nu inversaţi axele graficului !
2. Zonele de lucru ale ambelor axe trebuie să fie comensurabile,
raportul lungimilor lor să nu depăşească 1/2…2/1.
Remarcă: Alegeţi scara astfel, ca dreapta să fie situată sub unghi
de 30…600. Unghiul de 450 este optim, deoarece oferă graficului
un aspect estetic frumos şi asigură eroarea minimă.
3. Indicaţi simbolurile variabilelor şi a unităţilor de măsură pe axele
respective, sau denumirile parametrilor respectivi.
4. Scara, construită corect, va avea un pas constant, multiplu cu una
din cifrele semnificative bune (1, 2, 5)·10 n, unde n - un număr
întreg, negativ sau pozitiv.
49
 Remarcă: Pentru pasul scării se admit şi valorile 2.5 , 4 şi
multiplele lor (25, 40, 2500, 4·10-5); însă, utilizarea lor provoacă
incomodităţi. Este interzisă utilizarea “cifrelor rele”: 3, 6, 7, 8, 9
şi a multiplelor acestora. Regula utilizării cifrelor semnificative
“bune” (1, 2, 5) se referă în aceeaşi măsură şi la numărul
pătratelor milimetrice pe scară.
5. Respectaţi valoarea aleasă a pasului pe întreaga lungime a scării !
6. Nu construiţi axele după care veţi depune puncte experimentale !
7. Dacă mărimea respectivă este scrisă în formă exponenţială, în
unele cazuri, îşi va inversa semnul pe axa graficului şi în capul
tabelului. Analizaţi atent utilizarea semnelor de punctuaţie în
următoarele exemple:

0 1000 2000 3000 Р, Pa 0 1 2 3 Р·10-3, Pa

50 100 150 200 C, mg/L 0.5 1.0 1.5 2.0 C, 102 mg

/L

8. Graficul va reflecta tendinţa şi nici într-un caz nu va trece prin

toate punctele experimentale. Se face interpolarea şi extrapolarea
prin aproximaţie. Numărul punctelor, deviate de la linia
graficului în stânga şi în dreaptă (sau în sus şi în jos), trebuie să
fie aproximativ egal, ca şi sumele abaterilor respective.
Remarcă: Eşecul experimentului se cenzurează, adică punctul
respectiv nu se utilizează pentru construirea graficului. (Se
recomandă, totuşi, plasarea acestui punct pe spaţiul graficului,
pentru asigurarea obiectivităţii interpretării). Cenzurarea
punctului eşec se efectuează cu respectarea următoarelor cerinţe:
o se cenzurează doar un singur punct din toată mulţimea de puncte;
o cenzurarea dreptei este posibilă, dacă există cel puţin 5 puncte
experimentale (ca după cenzură să rămână cel puţin 4 puncte);
o pentru cenzurarea curbei este nevoie de cel puţin 6 puncte, ca
după cenzurare să rămână nu mai puţin de 5 puncte.
9. Construirea graficului se uşurează cu utilizarea “punctului
credibil”, care prezintă:
o o valoare absolută sau formulată prin definiţie;

50
o constantă, cunoscută a priori sau determinată prin metoda mai
precisă în cadrul unui alt experiment;
o valoarea iniţială, finală sau “firească” a parametrului măsurat.
Remarcă: În lipsa erorii sistematice, graficul va trece prin
punctul credibil. Existenţa punctului credibil şi măsurarea
experimentală a parametrului măsurat în condiţiile respective va
permite calcularea ΔXsist. ; în acest caz pot fi efectuate toate
corectările respective.

4.2 Credibilitatea aproximaţiei. Avantaje şi restricţii

Uneori datele experimentale sunt insuficiente sau contradictorii

pentru a face o aproximaţie funcţională (liniară, logaritmică,
exponenţială etc). Credibilitatea aproximaţiei, R2  (0; 1), permite
falsificarea ipotezei despre natura funcţiei y = f(x). Se consideră că
aproximaţia funcţională este cu atât mai credibilă, cu cât R2 se
apropie de unitate. Menţionăm că la un număr mic de puncte
valoarea R2 îşi pierde sensul (orice dreaptă, trasă prin două puncte,
va avea R2 = 1, indiferent de veridicitatea determinării acestor
DOUĂ puncte!).

4.2.1 Calcularea credibilităţii aproximaţiei în Excel

Valoarea R2 pentru o aproximaţie funcţională se determină cu

ajutorul procedurii Excel “Add trade line/Добавить линию
тренда”. Procedura pentru Office 2007 este ilustrată pe figurile 4.1
şi 4.2, şi include următoarele etape: 1 - marcarea diagramei; 2 -
alegerea meniului “Macheta”; 3 - accesarea meniului “Linia
trendului”, submeniului “Parametrii suplimentari ai liniei
trendului”. După ce se va deschide o fereastră suplimentară,
continuaţi: 4 – alegeţi tipul dependenţei funcţionale (de exemplu,
liniară); 5 – bifaţi opţiunile “Plasează ecuaţie pe diagramă” şi
“Plasează valoarea credibilităţii aproximaţiei R2”); aveţi posibilitate
să alegeţi mai multe opţiuni (să faceţi prognoza, să stabiliţi punctul
de intersecţie cu axa ordonatelor); 6 - dacă aţi finisat, faceţi click pe
“Close/Закрыть”.
51
Fig. 4.1 Accesarea “Add trade line / Добавить линию тренда”

Fig. 4.2 Utilizarea “Add trade line / Добавить линию тренда”

52
 După ce pe diagramă a apărut linia trendului, apreciaţi dacă
aspectul graficului funcţiei şi valoarea R2 sunt satisfăcătoare.
Trebuie menţionat că există diferenţă considerabilă dintre
credibilitatea aproximaţiei şi credibilitatea interpretării. Programul
Excel, ca şi orice alt program de procesare matematică a datelor,
poate transforma un set de cifre în ecuaţie credibilă din punct de
vedere matematic, dar care va fi puţin credibilă din punct de vedere
al interpretării (adică, sensului fizic al acesteia). De aceea, trebuie să
utilizaţi cu precauţie ecuaţii polinomiale sau exponenţiale,
îndeosebi, dacă în ele se găsesc termenii la puterea mai mare ca 2.

4.3 Alte forme de reprezentare grafică a rezultatelor

Diagrama este forma simbolică compactă de prezentare a

informaţiei, care permite compararea vizuală a corelaţiilor
Factor → Replică. Aceeaşi funcţie îndeplineşte şi tabelul cu date.
De aceea, nu se recomandă prezentarea unui set de date în aceste
două forme concomitent. Dacă diferenţa între replici este în prima
sau a doua CS, va fi preferabilă diagrama. În cazul diferenţelor în a
treia sau a patra CS, diagrama îşi pierde din vizualitate şi tabelul
este mai potrivit.
Histograma (figura 3.7) este reprezentarea cantitativă a relaţiei
Factor → Replică în forma figurilor geometrice cu suprafaţă
diferită. Reprezentarea pe aceeaşi histogramă a mai mult de 3-4
replici creează greutăţi în percepţia
şi interpretarea corectă a ei.
Diagrama radar (figura 4.3) se
utilizează pentru vizualizarea
relaţiilor numerice între parametri
pe un număr mare de axe. A devenit
o obişnuinţă utilizarea diagramelor
radar pentru prezentarea rezultatelor
degustărilor mai multor probe de
produse de acelaşi fel. Figura 4.3
demonstrează că, în general, proba Fig.4.3 Diagrama radar
53
de pâine “A” este cea mai bună, iar avantajele probelor “B” şi “C”
sunt, respectiv, aspectul şi aroma.
Schemele-bloc sunt compuse din figurile geometrice care
simbolizează consecutivitatea acţiunilor standard (intrare,
introducere, acţiune, condiţie, ciclu etc.) şi descriu un algoritm. Ele
sunt utile pentru a schiţa etapele principale ale unui proces sau a
unei metode (figura 1.2).
Modelele conceptuale sunt
reprezentările grafice abstracte
ale obiectelor reale. Ele uşurează
interpretarea şi calcularea
parametrilor cantitativi ai
obiectelor reale. Pe figura 4.4,
Fig.4.4 Modelul conceptual al
partea stângă, este reprezentat
microcapsulei; al peretelui ei
modelul unui obiect, al cărui
diametru real este de 2000 ori mai mic. Grosimea reală a peretelui
microcapsulei este de 40000 ori mai mică, decât pe imaginea din
partea dreaptă.

4.4 Raţionamentul ştiinţific şi normele eticii ştiinţifice

Argumentarea este partea indispensabilă a raţionamentului

ştiinţific. Pe lângă demonstrarea tezei, argumentarea contribuie la
formarea convingerii în importanţa şi necesitatea acceptării ei. Teza
supusă argumentării trebuie să fie clară şi concretă, să-şi păstreze
identitatea pe parcursul întregului raţionament. Este necesar, ca
argumentele să fie autosuficiente, adică adevărate, independent de
teza pe care o argumentează ele. Veridicitatea argumentelor nu
trebuie să rezulte din teză, generând astfel afirmare prin consecinţă
(vezi şi § 1.2.3). Ca argumente pot fi utilizate definiţii, axiome,
postulate, legi şi teorii actuale ale ştiinţei.
Datele experimentale numerice, obţinute şi verificate de
cercetător, sunt cele mai convingătoare argumente, care
demonstrează veridicitatea tezei sau dezmint antiteza, dezvoltând
ştiinţa. Normele eticii ştiinţifice exclud fraudarea datelor (alegerea
54
selectivă, născocirea) şi plagiatul (copierea datelor, obţinute de
alţii, fără indicarea surselor). În argumentare trebuie evitate erorile
logice şi etice şi anume:
Substituţia tezei, care constă în pierderea identităţii tezei
iniţiale şi trecerea la demonstrarea altei teze. Fiind utilizată
intenţionat, substituţia tezei se transformă din argumentare greşită în
sofism (minciună “ştiinţifică”), exclus după normele eticii.
Apel la persoană, o eroare extrem de răspândită, care se referă
la încălcarea principiului obiectivităţii. De pildă, doar se apelează la
părerea unui savant renumit, fără aducerea argumentelor proprii sau
contraargumentelor. Expresiile de ridicare a statutului de tipul
“produsul nostru a fost apreciat pozitiv de domnul ministru…”,
“laboratorul dispune de un utilaj performant” se utilizează în loc de
prezentarea rezultatelor analizelor, argumentată prin calcule
statistice. Utilajul performant doar favorizează, dar nu garantează
reuşita experimentului sau interpretarea corectă a datelor.
Ofensa este trecerea de la critica argumentelor, înaintate de
persoană, la critica persoanei şi calităţilor ei profesionale. Ofensa se
exprimă şi prin diferite forme de discriminare. Astfel de
comportament este inadmisibil în ştiinţa şi în societate educată.
Legătura cauzală imaginară, care are mai multe aspecte.
Utilizarea cuvintelor de legătură “respectiv”, “aşadar”, “astfel” etc.
pentru argumentarea tezei, uneori doar creează imaginea conexiunii
logice între argumente şi teză, însă fără a demonstra această
conexiune. Alte feluri de legături cauzale imaginare (false) sunt:
“aproape, deci împreună” şi “după, deci din cauză”.

Normele eticii ştiinţifice presupun atitudinea obiectivă (critică,

dar respectuoasă) faţă de argumentele altor savanţi, dar deosebit de
atentă faţă de argumentele proprii. În cercetările şi argumentările
sale savantul, ca şi orice alt om, poate să facă greşeli. Dar, fiind om
al ştiinţei, este obligat să le recunoască, contribuind la reflectarea
obiectivă a adevărului.

55
4.5 Arta formulării concluziilor
Apogeul cercetării, esenţa, concentraţia maximă a valorii ei
ştiinţifice sunt concluziile. Din cauza concluziilor slabe, lucrarea
pierde considerabil în relevanţă. Concluziile ştiinţifice pot fi:
o sintetice (de generalizare); o cauzale unice;
o analitice, sau de deducţie; o cauzale consecutive.

4.5.1 Unele greşeli răspândite în formularea concluziilor

Greşelile stilistice şi logice se întâlnesc frecvent la formularea
concluziilor, fiind considerate partea indispensabilă a acestora.
o Utilizarea sintagmelor introductive, care măresc volumul, dar
nu şi relevanţa concluziilor. Expresii de tipul “Din studiul realizat
urmează…”, “În urma efectuării lucrării…” nu sunt informative;
însăşi cuvântul “concluzie” include în sine aceste prefixe.
o Dublarea altor părţi ale lucrării, când în concluzii se
“formulează” noţiuni teoretice cunoscute, se enumeră materialele
utilizate, se descrie modul de lucru. În aceeaşi categorie întră şi
transformarea directă a obiectivelor în concluzii, sau constatarea
“realizării tuturor obiectivelor” (în acest caz, apare întrebarea: dar
atunci ce sens a avut cercetarea, dacă totul era din start cunoscut?).
o Inversarea legăturilor cauzale, substituţia conceptelor, care se
produce, dacă în loc de relaţie logică Efect = f (Cauză) se
formulează relaţia Cauza = f (Efect). Exemplu: “Corpul are
densitate mai mare, fiindcă se scufundă în lichid”, în loc de “Corpul
se scufundă în lichid datorită densităţii mai mari”.
4.5.2 Caracteristicile concluziilor nereuşite şi reuşite
Concluzii reuşite din punct de vedere ştiinţific şi stilistic:
o sunt laconice, se referă la obiectul de studiu;
o sunt noi, obiective şi falsificabile;
categorică: “În produs totalmente lipsesc radicalii liberi”;
obiectivă: “Radicali liberi sunt sub limita detectării”;
o accentuează rezultatele concrete şi legăturile logice;
vagă: “A fost determinat exact indicele de corelare K”;
concretă: “Indicele de corelare K = 1.83 ± 0.16 u.c.”;

56
o dezvăluie momente negative în termeni optimişti;
pesimistă: “Produsul nu poate fi obţinut fără stabilizatori”;
optimistă: “Produsul lipidic poate fi obţinut cu stabilizatori”.
o conţin elemente de perspectivă sau au forţă de prezicere.
4.5.3 Formularea concluziilor după un algoritm
Fiecărui explorator îi este caracteristic modul propriu de
gândire şi stilul de exprimare. Orice problemă este văzută de diferiţi
oameni în culori emoţionale diferite. De aceea, procesul de creaţie
se supune foarte greu “formalizării”. Soluţia care permite a împăca
particularităţile individuale ale cercetătorului (autorului) cu rigorile,
impuse de metoda ştiinţifică (noutatea, obiectivitatea şi
falsificabilitatea), ar fi un algoritm nu prea detaliat. În acest
algoritm vor fi utilizate procedeele clasice de convingere:
o Se fac 1-2 enunţuri cu caracter pozitiv, apoi 1 negativ;
o După un “nu se poate” urmează un “se poate”;
o Consecutivitatea corectă: puternic → mediu → foarte puternic.
Totuşi, aceste procedee se vor folosi doar pentru plasarea
corectă a accentelor, dar nici într-un caz pentru fraudare.
Algoritmul formulării unui set de CONCLUZII:
o Rezultat pozitiv (aşteptat, scontat, prognozabil, corelat cu
obiectivele propuse, sau invers: neaşteptat, dar “bun”);
o Laudă obiectivă (se referă la precizia, noutatea, originalitatea,
simplitatea, corelaţii cu alte rezultate independente etc.);
o Critică optimistă (rezultate negative neaşteptate, eşecuri,
lacune, probleme nerezolvate, contradicţii cu alţi cercetători etc.);
o Rezultat pozitiv relevant (acoperă “neajunsurile” concluziei
precedente prin pozitivitatea şi importanţa sa teoretică şi practică);
o Rezultat cu perspectivă (valoarea practică a rezultatelor,
rezolvarea altor probleme, continuarea studiului, brevetare etc.).

*********
Post Scriptum:
“Stiinţa nu rezolvă nici o problemă, fără a mai formula încă 10”
(George Bernard Shaw)
57
 BIBLIOGRAFIA

1. Тарасик В.П. Математическое моделирование

технических систем. Минск, Дизайн ПРО, 2004. - 640с.
2. Минашкин В.Г., Шмойлова Р.А. и др. Теория статистики:
Учебно-методический комплекс. М., ЕАОИ, 2008. -296 с.
3. Елисеева М.М., Юзбашев И.И. Общая теория
статистики. М., “Финансы и статистика”, 2004. - 656с.
4. Шлыков Г.П. Теория измерений. Пенз.ГУ, 2008. - 100с.
5. Пономарёв С.В., Шишкина Г.В., Мозгова Г.В. Метрология,
Стандартизация. Сертификация. Тамб.ГТУ, 2010. - 96с.
6. Зедгенидзе И.Г. Математическое планирование
эксперимента.... Тбилиси, “Мецниереба”, 1971. - 151с.
7. Бондарь А.Г. – Математическое моделирование в
химической технологии. – Киев, “, 1973. – 280стр.
8. Кафаров В.В., Глебов М.Б. Математическое
моделирование… химических производств. – М., “Химия”,
1991. – 367 стр.
9. Гетманова А.Д. Учебник по логике. М., “Владос”, 1995. -
303с.
10. Богатов В.В. Этика в научной деятельности. Вестник
Дальневосточного отделения РАН, 2008, № 1. стр. 144-157.
11. Остапчук Н.В. – Основы матмоделирования пищевых
производств. – Киев, “Вища школа”, 1991. – 367 стр.
12. Macari A., Tatarov P., Lavric T. et al. The evolution of the
biologically active compounds during the storage…. Food Sci.
and Techn., Târgovişte, 2009, V.10, Is. 1. - p. 410-413.
13. Baerle A.V., Gutsanu V.L., Makari A.V., Roshka I.G. –
Influence of Various Factors on the Acid-Ethanol Synergism...
Russian J. of Phys. Chem., 2005, V. 79, Nr. 7. - p. 1145-1149.
14. Димова О.В., Баерле А.В., Татаров П.Г., Кирица А.Н. –
Обогащение кисломолочных продуктов … β-каротином. –
Журнал “Молочная Пром-сть”, 2013, № 9. стр. 42-43.
15. Брусенцов С. Соответствие английских и русских формул
в Excel. http://brusentsov.com/2009/12/27/3519.

58
 ANEXE
Anexa 1. Valorile coeficienţilor Student, TSt(q, f)
Nivelul de încredere / de încertitudine ( P / q )
f
0.6/0.4 0.8/0.2 0.9/0.1 .95/.05 .98/.02 .99/.01 .999/.001
1 1.38 3.08 6.31 12.7 31.8 63.7 637
2 1.06 1.89 2.92 4.30 6.97 9.93 31.6
3 0.978 1.64 2.35 3.18 4.54 5.84 12.9
4 0.941 1.53 2.13 2.78 3.75 4.60 8.61
5 0.920 1.48 2.02 2.57 3.37 4.03 6.86
6 0.906 1.44 1.94 2.45 3.14 3.71 5.96
7 0.896 1.42 1.90 2.37 3.00 3.50 5.41
8 0.889 1.40 1.86 2.31 2.90 3.36 5.04
9 0.883 1.38 1.83 2.26 2.82 3.25 4.78
10 0.879 1.37 1.81 2.23 2.76 3.17 4.59
11 0.876 1.36 1.80 2.20 2.72 3.11 4.44
12 0.873 1.36 1.78 2.18 2.68 3.06 4.32
13 0.870 1.35 1.77 2.16 2.65 3.01 4.22
14 0.868 1.35 1.76 2.15 2.62 2.98 4.14
15 0.866 1.34 1.75 2.13 2.60 2.95 4.07
30 0.854 1.31 1.70 2.04 2.46 2.75 3.65
60 0.848 1.30 1.67 2.00 2.39 2.66 3.46
120 0.845 1.29 1.66 1.98 2.36 2.62 3.37
∞ 0.842 1.28 1.65 1.96 2.33 2.58 3.29
Coeficientul Student pentru alte valori ale P/q şi f se calculează cu
procedura Excel: TINV(q; f), sau СТУДРАСПОБР(q; f) (An. 3).
Comentarii:
o Numărul gradelor de libertate, f, se calculează ca f = m – 1
pentru ansamblul din m date şi pentru un eşantion din m date
aleatoare;
o Utilizarea numărului mai mare de 3 CS în coeficientul Student
este inutilă, deoarece TSt se foloseşte pentru aprecierea erorii,
precizia prezentării căreia nu poate depăşi două CS. Aşadar, trei CS
în coeficientul Student asigură o cifră semnificativă suplimentară,
necesară, dar şi suficientă pentru precizia calculelor intermediare.

59
 Anexa 2. Valorile Coeficienţilor Fisher, Fq , f1 , f 2
Certitudinea P = 0.95 / Incertitudinea q = 0.05
f1
1 2 3 4 5 6 8 12 24 ∞
f2
1 161 200 216 225 230 234 239 244 249 254
2 18.5 19.0 19.2 19.3 19.3 19.3 19.4 19.4 19.5 19.5
3 10.1 9.55 9.28 9.12 9.01 8.94 8.84 8.74 8.64 8.53
4 7.71 6.94 6.59 6.39 6.26 6.16 6.04 5.91 5.77 5.63
5 6.61 5.79 5.41 5.19 5.05 4.95 4.82 4.68 4.53 4.36
6 5.99 5.14 4.76 4.53 4.39 4.28 4.15 4.00 3.84 3.67
7 5.59 4.74 4.35 4.12 3.97 3.87 3.73 3.57 3.41 3.23
8 5.32 4.46 4.07 3.84 3.69 3.58 3.44 3.28 3.12 2.93
9 5.12 4.26 3.86 3.63 3.48 3.37 3.23 3.07 2.90 2.71
10 4.96 4.10 3.71 3.48 3.33 3.22 3.07 2.91 2.74 2.54
15 4.54 3.68 3.29 3.06 2.90 2.79 2.64 2.48 2.29 2.07
 3.84 2.99 2.60 2.37 2.21 2.09 1.94 1.75 1.52 1.00
Certitudinea P = 0.90 / Incertitudinea q = 0.10
f1
1 2 3 4 5 6 8 12 24 ∞
f2
1 39.9 49.5 53.6 55.8 57.2 58.2 59.4 60.7 62.0 63.3
2 8.53 9.00 9.16 9.24 9.29 9.33 9.37 9.41 9.45 9.49
3 5.54 5.46 5.39 5.34 5.31 5.28 5.25 5.22 5.18 5.13
4 4.54 4.32 4.19 4.11 4.05 4.01 3.95 3.90 3.83 3.76
5 4.06 3.78 3.62 3.52 3.45 3.40 3.34 3.27 3.19 3.11
6 3.78 3.46 3.29 3.18 3.11 3.05 2.98 2.90 2.82 2.72
7 3.59 3.26 3.07 2.96 2.88 2.83 2.75 2.67 2.58 2.47
8 3.46 3.11 2.92 2.81 2.73 2.67 2.59 2.50 2.40 2.29
9 3.36 3.01 2.81 2.69 2.61 2.55 2.47 2.38 2.28 2.16
10 3.29 2.92 2.73 2.61 2.52 2.46 2.38 2.28 2.18 2.06
15 3.07 2.70 2.49 2.36 2.27 2.21 2.12 2.02 1.90 1.76
 2.71 2.30 2.08 1.94 1.85 1.77 1.67 1.55 1.38 1.01

Criteriul Fisher pentru alte valori a q, f1 şi f2 se calculează cu

procedura Excel: FINV(q; f1; f2), sau FРАСПОБР(q; f1; f2).

60
 Anexa 3. Unele funcţii utile din Microsoft Office Excel
Procedura Excel, versiunea
..... calculează
Engleză / Rusă .....
AVERAGE / СРЗНАЧ media aritmetică
CONFIDENCE / ДОВЕРИТ intervalul de încredere
DEVSQ / КВАДРОТКЛ suma pătratelor deviaţiilor
FINV / FРАСПОБР valoarea coeficientului Fisher
FORECAST / ПРЕДСКАЗ valoarea prezisă a funcţiei liniare
MMULT / МУМНОЖ produsul matricelor
POWER / СТЕПЕНЬ rezultatul ridicării la putere
PRODUCT / ПРОИЗВЕД produsul argumentelor
ROUND / ОКРУГЛ valoarea rotunjită
SIGN / ЗНАК semnul numărului
SQRT / КОРЕНЬ rădăcina pătrată
STDEV / СТАНДОТКЛОН deviaţia standard a eşantionului de date
STDEVP / СТАНДОТКЛОНП deviaţia standard a totalităţii de date
SUM / СУММ suma argumentelor
SUMIF / СУММЕСЛИ suma celulelor care satisfac condiţia
SUMPRODUCT /
suma produselor elementelor matricei
CУММПРОИЗВ
SUMSQ / СУММКВ suma pătratelor argumentelor
SUMX2MY2 / СУММРАЗНКВ suma diferenţelor pătratelor
SUMX2PY2
suma sumelor pătratelor
СУММСУММКВ
SUMXMY2 / СУММКВРАЗН suma pătratelor diferenţelor
TINV / СТЬЮДРАСПОБР coeficientul Student
VAR / ДИСП dispersia eşantionului de date
VARP / ДИСПР dispersia generală (a mulţimii de date)

Anexa 4. Alfabetul grecesc

Α α - alfa Ι ι - iota Ρ ρ - ro
Β β - beta Κ κ - kapa Σ σ - sigma
Γ γ - gama Λ λ - lambda Τ τ - tau
Δ δ - delta Μ μ - miu Υ υ - ipsilon
Ε ε - epsilon Ν ν - niu Φ φ - fi
Ζ ζ - dzeta Ξ ξ - xi Χ χ - hi
Η η - eta Ο ο - omicron Ψ ψ - psi
Θ θ - teta Π π - pi Ω ω - omega

61
 Anexa 5. Unele derivate şi formule de diferenţiere
(a) '  0 (ax n ) '  anx n 1
(eax ) '  ax ax (e f ( x ) ) '  f '( x)  e f ( x )
(a x ) '  a x  ln a (log a x ) ' 
1
x  ln a
1 f '( x)
(ln x ) '  (ln f ( x)) ' 
x f ( x)
(sin x)'  cos x (cos x) '   sin x
 1 ' cos x
   (cos ec x) '   2  ctgx  cos ec x
 sin x  sin x
 1 ' sin x
   (sec x) '   tgx  sec x
 cos x  cos 2 x
1 1
(arcsin x) '  (arccos x) '  
1  x2 1  x2
1 1
(tgx ) '  2
 sec 2 x (ctgx) '   2  cosec 2 x
cos x sin x
1 x a
(arctg x) '  (arcctg ) '  2
1 x 2
a a  x2
 x ' a  x ' a
 arctg   2  arcctg   2
 a a x 2
 a a  x2
Derivata sumei:
 f1 ( x)  f2 ( x)  '   f1 ( x)  '  f2 ( x)  '
Exemplu:  2 x3  e2 x  '  6 x 2  2 x 2 x
Derivata produsului:
 f1 ( x)  f2 ( x)  '   f1 ( x)  ' f2 ( x)   f2 ( x)  ' f1( x)
1
Exemplu:  cos x  ln x  '  ( sin x)  ln x   cos x
x

62
 Anexa 6. Translator poliglot de termeni tematici

Cum să-l folosim ? / Как им пользоваться ? / How to use it ?

Se scrie: / Написано: Se va citi: / Следует читать:

eşantion eşantion
o de date eşantion de date
factor factor
o - significant significant factor
o - unexpected unexpected factor
дисперсия выборки, sau:
дисперсия (случайной) выборки
дисперсия случайной выборки

ROMÂNĂ РУССКИЙ ENGLISH

aproximaţia приближение aproximation
o liniară o - линейное o - linear
ascensiune восхождение ascension
o pe gradient o - крутое o - abrupt
aşteptarea ожидание expectation
o matematică o - математическое o - mathematical
brevet патент patent
o de invenţie o на изобретение o for invention
cifra цифра digit
o aruncată o - отбрасываемая o - rejected
o bună o - правильная o - good
o intermediară o - промежуточная o - intermediary
o semnificativă o - значащая o - significant
o suplimentară o - дополнительная o - supplementary
clasă de precizie класс точности accuracy class
o a aparatului o прибора o of the instrument
cinci “cu ceva” пять “с чем-то” five with something
cinci pur чистая пятёрка net five
coeficient коэффициент coefficient
o dublu o - двойной o - binary
o mixt; hibrid o - смешанный o - mixed; hybrid
o nesemnificativ o - незначимый o - insignificant
o semnificativ, valid o - значимый o - significant
o triplu o - тройной o - ternary
63
credibilitatea достоверность accuracy
o aproximaţiei o приближения o of approximation
o datelor o данных o of data
o interpretării o толкования o - interpretation
derivata производная derivative
o funcţiei complexe o сложной функции o of complex function
o parţială o - частная o - partial
o Y după X o Y по Х o of Y by X
deviaţia отклонение deviation
o medie o - среднее o - medium
o pătratică o - квадратичное o - quadratic
o standard o - стандартное o - standard
dispersia дисперсия dispersion
o de date (aleatoare) o (случайной)выборки o of (random) fetch
o mulţimii de date o совокупности o of all data
o generală o - генеральная o - general
distribuţia распределение distribution
o normală o - нормальное o - normal
o întâmplătoare o - случайное o - random
eroarea погрешность error
o absolută o - абсолютная o - absolute
o aleatoare o - случайная o - random
o grosolană o - грубая o - appreciable
o instrumentală o прибора o - instrumental
o procentuală o - процентная o - percentage
o relativă o - относительная o - relative
o umană o экспериментатора o - human
eşantion (случайная) выборка (random) sample
o de date (aleatoare) o данных o of data
eşecul experienţei промах опыта blunder
experienţa опыт experience
experiment эксперимент experiment
o binivelar o - двухуровневый o - two-level
o complet o - полный o - fool
o crucial o креста o - crucial
o critic* o - критический* o - critical*
o factorial o - факторный o - factorial
o mental o - мысленный o - thought

64
factor фактор factor
o semnificativ o - значимый o - significant
o imprevizibil o - непредвиденный o - unexpected
o latent o - скрытый o - latent
o de intrare o - входной o of entry
o de influenţă o - влияющий o of influence
(inter)acţiune (взаимо)действие (inter)action
o antagonistă o - антагонистское o - antagonistic
o implicită; latentă o - неявное; скрытое o - implicit; hidden
o reciprocă o - совместное o - joint
o sinergică o - синергетическое o - synergic
interval интервал interval
o de încredere o - доверительный o - confidence
o de variaţie o варьирования o of variation
linearitatea линейность linearity
o scării aparatului o шкалы прибора o - scale
literatura “sură” “самиздат” “home-literature”
matricea матрица matrix
o de planificare o планирования o - planning
o în coordonate … o в … координатах o in the… coordinates
.. codificate .. .. кодированных .. .. encoded ..
.. reale .. .. реальных .. .. real ..
măsurare измерение measurement
o aleatoare o - случайное o - random
o independentă o - независимое o - independent
o (in)directă o (не)прямое o - (in)direct
o instrumentală o - инструментальное o - instrumental
o repetată o - повторное o - repeat
nivelul уровень level
o de încredere o надёжности o - reliability
o de incertitudine o неопределённости o - insecurity
punctul точка point
o cenzurat, aruncat o - отбрасываемая o - censored
o credibil, sigur o - надёжная o - credible
răspunsul, replica ответ, отклик response
o sistemului o системы o - system
o modelului o модели o of model

65
reproductibilitatea воспроизводимость reproducibility
o datelor o данных o - data
o experienţelor o опытов o of experiences
rotunjirea округление rounding
o erorii o погрешности o of error
o specială o - особое o - special
o valorii medii/mediei o среднего (значения) o of average (value)
semireplica полуотклик semi-response
spaţiul пространство space
o factorial o - факторное o - factorial
suprafaţa поверхность surface
o de replică o отклика o - response
valoarea diviziunii цена деления division value
o (scării) aparatului o (шкалы) прибора o of the scale
suprafaţa поверхность surface
o de replică o отклика o - response

66
 MODELAREA MATEMATICĂ A
EXPERIMENTULUI
Suport teoretic de curs

Autori: Alexei Baerle

Artur Macari

Redactor: E.Gheorghişteanu
--------------------------------------------------------------------------
Bun de tipar 06.10.14 Formatul hârtiei 60x84 1/16
Hârtie ofset. Tipar RISO Tirajul 60 ex.
Coli de tipar 4,25 Comanda nr. 91
--------------------------------------------------------------------------
U.T.M., 2004, Chişinău, bd. Ştefan cel Mare, 168
Editura „Tehnica – UTM”
MD – 2068, Chişinău, str. Studenţilor, 9/9

67
UNIVERSITATEA TEHNICĂ A MOLDOVEI

MODELAREA MATEMATICĂ A
EXPERIMENTULUI
Suport teoretic de curs
Y

-1; -1 +1; -1

X1
-1; +1 +1; +1
X2

2 2
 Y   Y 
Y   X 1    X 2 
 X 1   X 2 
Y  458.4  2.7  Y  0.6%

Chişinău
2014

68