Documente Academic
Documente Profesional
Documente Cultură
EXPERIMENTALE ÎN AGRICULTURĂ
C o n ţin u t :
C uvin te c h e ie :
analiza varianţei nebalansată completă/ierarhică, model cu efecte
fixe/aleatoare, componente de varianţă, blocuri complete randomizate, pătrate şi dreptunghiuri
latine.
Avem: £ a x(i) = 0
(=1
unde e(i, j) sunt variabilele aleatoare normale, independente câte două, cu media zero şi varianţa
o2 (E).
126
O rice v arian tă X (i) a lui X treb u ie să m od ifice pe p (i) nu şi pe o .
Această condiţie se verifică prin ipoteza H: o ( 1 ) 2 = ........... = o(m ) 2 faţă de alternativa H:
o ( 1 )2 ^ ..........^ o(m) cu ajutorul te s tu lu i B a r tle tt:
i p (i)
M Y (i)
Fie mediile de sondaj în cadrul variantelor p(i) X ’ şi varianţele de sondaj în
cadrul variantelor:
1
p(i)
SY(i)2 = ^ - X [ Y(i, j) - M Y(i)] 2, (1 < i < m)
P (i) - 1j1
1
Varianţa erorii este: S 2E = X(P(i) - 1)SY(i) ■
P t - m i=i
Fie:
1 m 1 1
C i + ---------- [ X ---------- m ]
3(m - 1 ) X p(i) -1
X (P (i) - 1 )
i=1
Mărimea:
i m
X2e= - [ X (p(i) - 1 ) In S2e- X (P(i) - 1) SY (i)2]
^ i=1
este o variabilă x 2 cu m - 1 grade de libertate.
Se extrag din tabela 3 din Anexă, valorile critice x 2o.os; X2o.o1; X2o.oo1 cu m - 1 G L şi se
compară x 2b cu aceste valori critice.
Dacă x 2B < X20 05 atunci se acceptă ipoteza H: o (1 ) 2 = ......... = o(m)2.
127
Avem: M (Y(i, j)) = p(i)
M(ax(i)) = ax(i) (1 < i < m)
M(e(i, j)) = 0 (1 < j < p(i))
respectiv:
V (Y(i, j)) = o 2(E)
V(ax(i)) = M (a 2x(i)) - M(ax(i))2 = a 2x(i) - a 2x(i) = 0
V(e(i, j)) = M(e2x(i)) - M(e(i, j)) 2 = o 2 (E) - o 2(E) = 0
Ipoteza care se verifică este H: p ( 1 ) =...= p(m) = p faţă de alternativa H: p ( 1 ) ^...^ p(m)) ^ p
sau sub altă formă H: a x(i) = 0 faţă de alternativa H: a x(i) ^ 0 .
M od elul cu efecte fixe se aplică când numărul m de variante este mic şi permite ca aceleaşi
variante să fie utilizate din nou dacă experienţa se repetă.
E xem plu:
X = îngrăşăminte, apă, energie la plante respectiv furaje, sex, perioada de îngrăşare la
animale.
b) M od elul cu efecte a le a to a r e:
Experimentatorul alege în m od aleator valorile variantelor X (1),..., X(m), iar cele m
subpopulaţii se aleg în m od aleator din mulţimea subpopulaţiilor posibile, urmând a fi asociate în
m od aleator cu variantele X (1),..., X(m).
Mediile p(i) sunt variabile aleatoare normale cu media p şi varianţa o 2(a x), iar efectele
principale a x(i) = p(i) - p sunt tot variabile aleatoare normale cu media 0 şi varianţa o 2 (a x).
Avem:
M (Y(i, j)) = p
M(ax(i)) = 0 unde: (i = 1,..., m) şi (j = 1 ,..., p(m))
M(e(i, j)) = 0
respectiv:
V (Y(i, j)) = V(ax(i)) + o 2(E)
V(ax(i)) = M (a 2x(i)) - M(ax(i))2 = o 2(ax) - 0 = o 2(ax)
V(e(i, j)) = M(e2x(i)) - M(e(i, j)) 2 = o 2 (E) - 0 = o 2 (E).
^a x ( l ) ........ ,a x W
ax
vP( l ) .......p m ) y
m
cu media M (a x) = £ p(i)ax(i) = 0 şi varianţa o 2( a x).
(=1
Ipoteza care se verifică este H: o (a x) = 0 faţă de alternativa H: o (a x) ^ 0 .
Modelul cu efecte aleatoare se aplică când numărul m de variante X este mare (poate fi şi
infinit), dar numai n din ele sunt alese în experiment. Aceleaşi variante nu pot fi u tilizate din nou
dacă experienţa se repetă.
E xem plu:
X = tata sau mama în încrucişarea plantelor şi animalelor.
128
Repetiţii Y ^ Y(i, j) Medii pe variante Media totală
VarianteX f
X (1) Y ( 1, 1),..., Y ( 1, p(1)) M Y (1)
M Yt
Notaţie: pT = Y p(i)
i=l
C alcule:
a) SP A şi GL:
m p (i) m p (i)
b) ş 2i
S2x = SPAx/(m - 1 ); S2e = SPA e/(pt - m)
c) f
FX = S2x/S2e > 1 cu [m - 1; pT - m]GL
Raportul Fisher FX se compară cu valorile critice F 0.05; F0.01; F 0.001 extrase din tabelele 4, 5, 6
din Anexă pentru perechile de grade de libertate corespunzătoare şi se acceptă sau se respinge
ipoteza formulată mai sus.
i m
M (S 2x) = — - ( L p (iV 2x(i)] + c 2(E)
m - 1 i.i
M (S 2e) = o 2 (E)
Avem estimatorii: o*2(E) = S2e; a* 2(E) = (S2x - S 2E)/a(1, 1)
1 m
129
2) Pentru modelul cu efecte aleatoare:
M (S 2e) = g2 (E)
Avem estimatorii:
m
g *2 (E) = S 2(E); g *2 (X) = (S2x - S 2E)/a(1, 1), unde a(1, 1) = — - [pT - ( 1 /pt ). t p2(i)]
m- 1 i=i
În cazul balansat avem:
p m
p(1) = . = p(m) = p; pt = mP şi a(1, 1) = t a 2x(i), pentru modelul cu efecte fixe; şi
m -1 i=i
130
b) Pentru m odelul cu efecte alea to a re , avem:
i m
T eorem a 4.2
Indicele de corelaţie I c are proprietăţile:
1 ) 0 < Ic < 1
2) X, Y = independente => X, Y = necorelate (Ic = 0)
3) X, Y = dependente funcţional (Y = f(x)) dacă şi numai dacă I c = 1.
D em onstraţie:
1) I c = V l - SPAe / SPA t = J s PĂX T s PĂ T > 0 . Cum SPA x < SPA t, rezultă 0 < Ic < 1.
2) X, Y = independente => M Y (i) nu depinde de X(i), deci sunt egale între ele, adică
M Y (i) = M Y , (i = 1,..., m) aşa că SPA X = 0, deci I c = 0, adică X , Y = necorelate.
3) X, Y = dependente funcţional (Y = f(x)) dacă şi numai dacă lui X(i) îi corespunde un
singur Z(i) adică Y(i, j) sunt egale între ele pentru orice j = 1,..., p deci Y(i, j) = M Y(i), (j
= 1,..., p) aşa că SPA X = SPA t ceea ce are loc dacă şi numai dacă I c = 1. Q .E .D .
Raportul Fisher F X = [SPA x/SPA E] : [(m - 1)/(pT - m)] capătă forma F X = [Ic2/(1 - I c2)] : [(m -
1 )/(pT - m)], deci verificarea ipotezei H X: m(1) =...= M(m) = m faţă de alternativa H X: m( 1) f . . . f M(m)
f M se reformulează astfel:
H X: n c = 0 faţă de H X: n c f 0, unde n c este indicele de corelaţie în populaţie împărţită în m
subpopulaţii cărora li se aplică X (1),..., X(m).
În plus A X = I c2 ; A E = 1 - I c2 , proprietate pe care o are şi coeficientul de corelaţie liniară r şi
raportul de corelaţie neliniară R c.
În cazul respingerii ipotezei H X: m(1) =...= M(m) = m, se poate stabili în cazul b alan sat
(p(1) =,..., p(m)) prim a varian tă X (i) a lu i X cu in flu en ţă sem n ificativă asu pra v ariaţiei lui Y
astfel:
Aranjăm mediile pe variante în ordine crescătoare:
M Y (i 1 ) < ,..., < M Y (i m), (i 1 ,..., im e { 1,..., m } ) şi presupunem că M Y (i t) este media variantei
-martor X (1), (it e { 1,..., m } ).
Fie A(h, t) = |M Y (i h) - M Y (i t) | , (h = 1 ,..., m; h f t)
Se calculează amplitudinea teoretică a diferenţelor de medii:
A a M-max - M-min (S 2E/p)1 2 Ta, unde Ta este amplitudinea studentizată Tukey obţinută din
tabelele 7, 8 ale Anexei, pentru numărul m al mediilor şi numărul de grade de libertate ale erorii G L E.
Fiecare diferenţă faţă de martor A(h, t); (h = 1,..., m; h f t), care depăşeşte pe A 0 05 primeşte
o steluţă de semnificaţie, iar dacă depăşeşte pe A 001 primeşte a doua steluţă de semnificaţie.
Un test asemănător cu testu l T u k ey este testul D u n ca n , precum şi testu l d iferen ţei -
lim ită :
5 a/2 = M(i) - M(j) = (2S 2E/p)1/2ta/2; G LE
E xem plu:
X = proteină digestivă (PD) în raţia vacilor cu lapte; Y = producţia lunară de lapte (litri) într-o
anumită lună a ciclului de lactaţie.
Luăm m = 3 variante ale factorului X:
131
X i(1100g/zi) (doza-martor); X 2 ( 1 2 0 0 g/zi); X3(1300g/zi).
Aceste variante le aplicăm la câte p = 4 repetiţii ale factorului Y .
Avem tabelul cu date:
Etape de calcul:
a) SP A şi GL:
m p
*•
D iferenţe de medii 307 340 367
367 60** 27** -
î 340 33** - -
307 - - -
A B C
1 X1 X2 X3
2 300 330 366
3 314 338 362
4 306 342 370
5 308 350 370
D eschidem fereastra TOOLS în care activăm opţiunea D A T A A N A L Y SIS. A ici activăm
opţiunea A NO V A :SIN G LE FACTOR în care declarăm blocul de celule cu date A1:C5.
R ezultatele se găsesc fie în foaia de calcul Nr. 2, fie tot în foaia de calcul Nr. 1, prin
declararea ca celule de rezultate, a altor celule decât cele din blocul de date A 1 :C5
O prezentare elegantă a calculelor precedente se află în foaia de calcul A V 1.X L S din Anexă.
133
Subpopulaţiile se presupun normale cu m ediile p(i, j) şi aceeaşi varianţă g 2(E) în raport cu
caracterul Z.
Extragem în mod întâmplător din subpopulaţii mn sondaje (probe, eşantioane) de volum e
P(X j X (i = X..^ m ; j = k .^ n ).
D atele reletiv la caracterul Z, din aceste sondaje le numim rep etiţii, (rep licate) şi le notăm
cu Z(X x k), (i = k..^ m ; j = l ,..., n; k = l , ...,p(i, j )).
Forma generală a modelului liniar este: Z(i, j, k) = p + a x (i) + a Y(j) + a x.Y(i, j) + e(i, j, k),
unde e(i, j, k) sunt variabile aleatoare normale, independente două câte două cu m edia 0 şi varianţa
g 2(E).
Reunim toate subpopulaţiile care corespund varianţei X (i) fixate pentru orice j = 1,..., n.
Exem plarele din această reuniune vor avea faţă de caracterul Z media:
n
Px (i) = (1/n ). X p(i,j), iar efectul p rincipal al varian tei X (i) este:
i =1
m
a x (i) = p x (i) - p. A vem X a x (i) = 0.
i=1
În m od analog se reu n esc su bp op u laţiile ce coresp u n d varian tei Y (j) fixate p entru orice
i = 1,..., m.
m
Exem plarele din această reuniune au faţă de caracterul Z, m edia p Y(j) = (1/m ). X p(i, j), iar
i=1
efectul principal al variantei Y (j) este: a Y(j) = p Y(j) - p.
n
A vem X a Y(j) = 0.
i =1
Cantitatea a x.Y(i, j) = p(i, j) - p x (i) - p Y(j) + p se numeşte efectul p rincipal al in teracţiu n ii
varian tei X (i) cu varian ta Y (j).
D u p ă m od u l de alegere al su b p op u laţiilor după X şi Y , avem trei tip u ri de m odele:
a) M od el cu efecte fixe
În acest caz ambii factori X, Y definesc efecte constante a x (i), a Y(j), a x.Y(i, j).
Ip otezele care se verifică sunt:
1) H x : p x (1) =...= p x (m ) = p faţă de alternativa H x : p x (1) X...X p x (m) X p sau sub altă
formă: H x : a x (i) = 0 faţă de alternativa H x : a x (i) X 0.
2) H y : p Y(1) = ...= p Y(n) = p faţă de alternativa H Y: p Y(1) X...X p Y(n) X p sau sub altă
formă: H Y: a Y(j) = 0 faţă de alternativa: H Y: a Y(j) X 0.
3) H x.Y:p(i, j) = p x (i) + p Y(j) faţă de alternativa H x.Y: p(i, j) X p x (i) + p Y(j) sau sub
altă formă: H x.Y: a x.Y(i, j) = 0 faţă de alternativa: H x.Y: a x.Y(i, j) X 0.
2) faţă de H y : a 2(aY) X 0
O
II
c) M od elul m ixt:
În acest caz unul din factori, de exem plu X, este cu efecte fixe, iar cel de-al doilea Y este cu
efecte aleatoare.
E fectele a x (i) sunt con stante şi ipoteza care se verifică este:
134
1) H X:a X(i) = 0 faţă de H X: a X(i) X 0
E fectele a y (j) sunt variabile aleatoare de tip N(0; a 2 ( a Y)) şi ipoteza care se verifică este :
2) H y :a 2( a Y) = 0 faţă de H Y: a 2 ( a Y) X 0
Efectele a XY(i, j) sunt variabile aleatoare de tip N(0; a 2(a XY)) şi ipoteza care se verifică este:
3) H X.Y: ^ 2 ( a X.Y) = 0 faţă de H XY: ^ 2 ( a X.Y) X 0 -
În cazul celor trei m odele, datele împreună cu calculele de sume şi medii ale repetiţiilor pe
variante (X, Y), X, Y şi pe total se trec în tabelul care urmează:
Notaţii:
q = numărul de celule (i, j) nevide;
m n n m
CALCULE:
a) SP A şi GL:
(i,j )
m n p m n p (i, j )
135
m n p ( i, j ) m n p (i, j ) m n
b) ş 2i
S 2x = SPA x/(m - 1); S 2y = SPA y/( h - 1); S 2x y = SPA xY/(q - m - n + 1);
S 2e = SPA e/( p t - q)
c) f
F X = S 2x/S 2e > 1 cu [m - 1;p T - q]GL
F y = S 2y/S 2e > 1 cu [n - 1;p T - q]GL
F x y = S 2x y /S 2e > 1 cu [q - m - n + 1;p T - q]GL
Sursa de spa gl s2 f
variaţie
X SPA x m- 1 S 2x Fx
Y SPA y n-1 S 2y Fy
X .Y SPA x.y q- m- n+ 1 S 2x.y F x.y
E SPA e pt -q S 2e -
T SPA t pt - 1 - -
Rapoartele Fisher F x , F y, F x y se compară cu valorile critice F 0.05; F 0.01; F 0.001 extrase din
tabelele 4, 5, 6 din Anexă, pentru perechile de grade de libertate corespunzătoare şi se acceptă sau
se resping ipotezele formulate mai sus.
(1) M (S 2x) = a(1, 1).a 2(a) + a(1, 2).g 2 (P) + a(1, 3 ).a 2(ap) + g 2 (E)
(2) M (S 2y ) = a(2, 1).a 2(p) + a(2, 2).g 2 (P) + a(2, 3).a 2(ap) + g 2 (E)
(3) M (S 2x.y) = a(3, 1).a 2(a) + a(3, 2).g 2 (P) + a(3, 3).a 2(a.p) + g 2(E)
(4) M (S 2e) = g 2 (E)
unde:
1 1 m
a(1, 1) ' [P t - — ( £ p2x(i))]
m -1 Pt ~
1 m i n n
a(1, 2 ) ------4 Z — — ( £ p2 (i, j)) - — ( Z p 2y( i ))]
m - 1 i=l p x
xw(i) j,=1 p T j =1
m Y n rn n
Z
a(1, 3) p2 (i, j)) - — ( Z Z p2 (i, j))]
m - P x (i) j x P T i=1 j=1
1 n 1 m 1 m
a(2, 1) — d Z - ^ ( Z p2 (i, j)) - — ( Z p2x (j))]
n - 1 j= f P y ( j ) t f Pt i=1
136
1 1
a(2, 3) =
~ "[Z “ ^ ( Z p2 (i, j)) - - ( Í É p2 (i, j))]
n - 1 j =i p Y ( j ) i=i Pt i=i;=i
n -1
a(3,1 )= a (2, 1)
q - m - n +1
m -1
a(3, 2 )= a (1, 2)
q - m - n +1
1 m n 1
a(3, 3)
q - m - n +1
[Pt - Z - ^ - ( Z
«=1 Px (i) J=1
P 2(i, j ) ) Z
j =1
(Z
P y ( j ) Í=1
P 2(i, j ) ) +
i m n
— ( Z Z p2x(j))]
Pt ,=1 j=1
M (S 2) J 2( a x) a 2 ( a Y) J 2 ( a x.Y) j 2(e )
M (S 2x ) a (1 , 1 ) a (1 , 2 ) a(1, 3) 1
M (S2y) a( 2 , 1 ) a( 2 , 2 ) a(2, 3) 1
M (S2x .y) a(3, 1) a(3, 2 ) a(3, 3) 1
M (S 2E) 0 0 0 1
A vem estimatorii:
J* 2(E) = S2e
ni2 ni2
V 2 (a X ) S X - S E
ni 2 ni2
J 2= J *2 Y y ) = A “1 • S Y - S E
ni 2 q<2
_J X.Y2 ( a x Y )_ S X .Y - S E
137
Tabelul cu com ponentele de varianţă are forma particulară:
U n caz p articu lar al analizei varianţei com pletă balansată este cel în care p = 1, deci avem
câte o sin gu ră rep etiţie ataşată fiecărei p erechi de v arian te (X (i), Y (j)).
În acest caz avem T = (X, Y), iar E are GLE = 0 grade de libertate, deci vom lua E = X .Y,
deci SPA e = SPA (xy ) - SPA x - SPA y şi GL e = GL (x ,y ) - GL x - GL y .
Sursa de SPA GL s2 F
Variaţie
X SPA x m -1 S 2x Fx
Y SPA y n -1 S 2y Fy
E SPA e (m - 1 )(n - 1 ) S 2e -
T SPA t m n- 1 - -
E xem plu:
Fie X = proteina digestibilă în raţia porcilor la îngrăşat şi Y = unităţile nutritive în raţia
porcilor la îngrăşat şi Z = sporul lunar în greutate (kg) al porcilor la îngrăşat.
L uăm m = 3 v a ria n te X = X i( 2 5 0 g /z i) ; X 2( 2 7 5 g /z i) ; X 3 ( 3 0 0 g /z i) şi n = 2 v a ria n te
Y = Y 1 ( 2 .5 U N ) şi Y 2(3U N ). Pentru fiecare combinaţie de variante (X, Y ) luăm câte p = 2 repetiţii
Z. A vem tabelul cu date:
R ep etiţii Z M ed ii pe M ed ii pe M ed ii pe M ed ia
V arian te (X ,Y ) Z (i, j, p(i, j)) varian te (X , Y ) varian te X varian te Y T otală
(X 1, Y 1) 14; 14.2 M Z(1, 1) = 14.1 M Z y (1) =
M Z x (1) = 14.75 15.17
(X 1, Y 2) 15.2; 15.6 M Z(1, 2) = 15.4
138
E ta p e d e c a lc u l:
a) SP A şi GL:
m n p
SPA t —Z Z B Z (' 5J , k ) - M Zt] — 1 0 . 2 2 6 8 c u G L r = m n p - 1 = 11 G L
t=\ j— i k—i
m n
SPA{x y ) —p ^ ^ [ M Z ( i , j ) - M Zt]2 — 9 . 9 8 6 8 c u G L (X7) = m n - 1 = 5 G L
i—1 J—1
m
S P A y — m p ^ t [M Z y ( j ) M Z t —1 .9 2 0 0 cu G L 7 = n - 1 = 1 G L
J—1
SPA x y —SPA {X,Y) - SPA x - SPA y —1 . 2 2 0 0 cu GLXY —GL{XY) - GLX - GLr 2GL
SPAe —SPAt - SPA(X y^ —0.2400 cu GLE —G L - G L ^ y^ —6GL
b) Ş l
^ _ SP A X spay
Sx — —3 .4 2 3 4 ; S2 1 .9 2 0 0
GLx gly
s p a X •Y 2 SPAe
Ss x •y —
— — 0 .6 1 ; S E 0 .0 4
G L'X •Y GLe
c) f
S2
F x — “ T — 8 5 5 8 5 cu (2; 6) G L
S e
S 2
F y — -P 2 — 4 8 cu (1; 6) GL
S E
S 2
F x •y = gX Y = 1 5 .2 5 cu (2; 6) G L
S E
Din tabelele Fisher 4, 5, 6 din Anexă, găsim valorile critice pentru (2; 6) GL: F oos —5 .14 ;
F0.01
1 —10
10 992
2 ;• 1F0.01 —27
27 ;•
Cum Fx > F 0ooi se acceptă ipoteza H adică jux (1), ju x (2), ju x (3) diferă foarte
semnificativ între ele adică influenţa variaţiei lui X asupra variaţiei lui Z este foarte semnificativă
deci F x —8 5 .5 8 5 * * * .
Cum F < Fxy < F 0001 se acceptă ipoteza H adică influenţa variaţiei interacţiunii X • Y
asupra variaţiei lui Z este distinct semnificativă deci Fxx —15.25 * *.
Din tabelele Fisher 4, 5, 6 din Anexă, găsim valorile critice pentru (1, 6) GL: F0.05 = 5.99,
1 0.01 —13
F 1 3 .74- 1 0.001 —35
74; F 3 5 .5511 .
Cum F > F 0001 se acceptă ipoteza H deci juY (1), JUY (2) diferă foarte semnificativ
între ele adică influenţa variaţiei lui Y asupra variaţiei lui Z este foarte semnificativă deci
1 —48 * * *.
139
Tabelul sintetic de analiza varianţei este:
A B C D
1 X1 X2 X3
2 Y1 14 15 16 .1
3 14.2 15.4 16.3
4 Y2 15.2 16 16.9
5 15.6 16.2 17 .1
140
Mediile pe subpopulaţii relativ la caracterul Z sunt p (1),..., p(m) iar mediile pe
subsubpopulaţii relativ la Z sunt:
k (1, 1 ) ,..., p(1, n(l))
M-(m, 1 ) , . , ^ m , n(m)).
Efectele principale ale factorului X sunt a x (i) = ju(i) - n , iar efectele principale ale
factorului Y sunt a Y (i, j ) = /u(i, j ) - ju(i) .
m m n(m)
Avem Z a x (i) = 0; Z Z a Y (i,j ) = °-
i=1 i=l j=l
Subpopulaţiile după X se presupun normale cu mediile p(i) şi aceeaşi varianţă J (E) iar
subsubpopulaţiile după Y în cadrul lui X se presupun normale cu mediile p(i, j) şi aceeaşi varianţă
a \ E ).
m
Extragem în mod întâmplător din subpopulaţii m - Z n(i) sondaje (probe, eşantioane) de
i=1
volume p(i, j); (i = 1 , . , m), (j = 1 , . , n(m)).
Datele relative la Z din aceste sondaje, le numim repetiţii (replicate) şi le notăm cu Z(i, j, k),
(i = 1 , . , m; j = 1 , . , n(m); k = 1 , . , p(m, n(m)).
Forma generală a modelului liniar ierarhizat este:
Z (i,j \ k) = M +a x (i)+ a (i,j ) + e(i,j \ k)
unde e(i, j, k) sunt variabile aleatoare normale cu media 0 şi variaţia j 2 (E ).
Ca şi la analiza variaţiei bifactorială completă din secţiunea 4 .1.2, modelul poate fi cu efecte
fixe, cu efecte aleatoare sau mixt dar în cazul ierarhic lipseşte interacţiunea X - Y .
a) În cazul modelului cu efecte fixe verificăm ipotezele:
1) H X : n ( 1) = .....= n(m ) = n faţă de H x : / H ) m .................... m ju (m ) m n ;
2) H y : u ( i,j) = U(j) faţă de H Y : ju (i, j ) m ju (i ) .
b) În cazul modelului cu efecte aleatoare verificăm ipotezele:
1) H x : a 2 (a x ) = 0 faţă de H x : <J2 (ax ) m 0;
2) H Y: J 2 (a Y ) = 0 faţă de H 7 : j 2 (aY) m0 .
M Z x (1)
141
(X(m), Y(m, 1)) Z(m, 1, 1),...... ........,Z(m, 1, p(m, 1)) MZ t (m,1)
MZ x (m)
(X(m), Y(m, n(m)) Z(m, n(m), 1),. •,Z(m, n(m), p(m, n(m))) MZ y (m, n(m)
Notaţii:
n (i ) n(i) m
SPÂ T = ZZ Z
i= 1 j= 1 k = 1
[Z (i, j , k ) - M Z Tf = ZZ
j
ZZ
i= 1 = 1 k = 1
2 (i. j ,k ) ------ 1
Pt
cu OL, = PT - 1
grade de libertate;
m m S 2 ( )i S 2
S P A x= Z P x( i )[ M Z x( ) -
i M Z tl2 = Z -tP - ~T cu O L x = m- 1 grade de
i1 i1 P x 1 1
libertate;
m n(i )
l2 ^ S 2y (i, j ) 2X (i)
- P A y Z Z P ( i, j ) \ M Z Y ( i , j ) - M Z x ( i ) l 2 = Z Z Z ^ cu
7=17=1 7=17=1 P ( h j ) 7=1 P x (i)
O L = n - m grade de libertate;
m n(i p(i,j p(i,j n(i
ZZ Z ZZ Z 2 ZZ
) ) m n (i) ) m ) O 2 / •
S P A * (i, j , k ) M Z y (i,
= [ Z - j ) ] 2 = Z ( i , j,k ) -
j k i= 1 = 1 = 1 i= 1 j = 1 k = 1 i= 1 j= 1 p ( 1 , j)
= SPAr - SPAX - SPA7 cu OL e = p r - n = o l - OLx - o l
b) S I
2 S P A x , S2 SPA x o2 _ SPA*
S 2X =
; S E
m - 1 nr - m p r - nr
c) F :
S 2X S 2Y
Fx = ~ ^ ~ > 1 c u [m - 1; nT - m]OL; f y = o2 1 cu [ n - m ; p T - m ]O L .
S Y S E> 1
D a te le d e la p u n c te le a ) - c ) se tr e c î n ta b e lu l:
S u rsa de SPA GL S2 F
v a ria ţie
X SPAx m-1 S 2x F x
Y spa nr - m S 2Y Fy
E SPA* Pţ n^ S 2E -
T spat - -
Pt - 1
142
Rapoartele Fisher Fx, Fy se compară cu valorile critice F005;F 00^ F 0001 extrase din tabelele
4, 5, 6 din Anexă, pentru perechile de grade de libertate corespunzătoare şi se acceptă sau se resping
ipotezele formulate mai sus.
M (S 2x ) a (1 , 1 ) a ( 1 ,2 ) 1
M (S 2y) 0 a( 2 ,2 ) 1
M (S 2e ) 0 0 1
A vem estimatorii:
J * 2 ( E ) = S 2e ;
ri2 o 2
S Y —S E
a 2(aY)
a (2 , 2 )
S 2x — a ( 1 , 2 ) a 2 ( a Y) — S 2e
a 2K )
a ( 1 , 1)
In cazul b alan sat avem: p(i, j) = p; p x (i) = np; n(i) = n; nT = mn; p T = m np•
T abelul cu com p on en tele de varian tă are form a:
M (S 2) j2 (a x ) j 2(aY) J 2( E )
M (S2x ) np p 1
M (S 2y ) 0 p 1
M (S2e ) 0 0 1
143
E xem plu:
Fie X = genotip vier; Y = genotip scroafa şi Z = greutatea la fătare a purceilor (Kg); luăm m
= 2 variante X = X 1(martor), X 2 (elită) şi luăm n = 2 subvariante Y pentru fiecare variantă X:
Y j (martor), Y12 (elită) respectiv Y21 (martor), Y22 (elită).
Pentru fiecare variantă X şi fiecare subvariantă Y luăm câte p = 3 repetiţii Z (purcei rezultaţi
din încrucişarea variantelor paterne cu subvariantele materne). Avem tabelul cu date:
Etape de calcul:
a) SP A şi GL:
m n p
SPA t = H Z i z ('■>j , k ) —M Z t ] 2 = 0.25 cu G L = mnp - 1 = 1 1 GL;
j 1 1
i= 1 = k =
m n
SPA y = p y y \ M Z Y(i, j ) —M Z x (i ) ] 2 = 0.03 cu G L = m(n - 1) = 2 GL;
7=1 j =1
m
SPA x = nP Y [ M Z y (i) —M Z t ] 2 = 0 .12 cu G L = m - 1 = 1 GL;
i1 =
b) S2 :
—pa spa spa
S 2X = -----X = 0.1200; S 2y = ----- Y
- = 0.0150; S 2e = ------ - = 0.0125.
GL GL GLe
c) F
s 2X
Fx = - 5- = 8 cu (1; 2) GL
S y
s 2y
L = —Y = 1 2 cu (2; 8 ) GL
S E
Din tabelele Fisher 4, 5, 6 din Anexă, pentru (1; 2) G L avem valorile critice F oos = 18.51;
L 0.01 = 98
F 5' L
98.5; F0.001 = 998
998.55 .
Cum Fx > F 005 rezultă că influenţa variaţiei lui X asupra variaţiei lui Z este
nesemnificativă.
Din tabelele Fisher 4, 5, 6 din Anexă, pentru (2; 8) G L avem valorile critice F oos = 4.46;
F c.01 = 8.65; Fomi = 18.41.
Cum F > F oos rezultă că influenţa variaţiei lui Y asupra variaţiei lui Z este nesemnificativă.
144
T a b e lu l s in te tic d e a n a liz ă a v a r ia n ţe i e s te :
Y 0 .0 3 2 0 .0 1 5 0 1 .2
E 0 .1 0 8 0 .0 1 2 5 -
T 0 .2 5 11 - -
In d ic ii d e c o re la ţie s u n t:
SPAX SP A V
Ic (X ) = = 0.693 ; I c ( y ) = = 0 .5 0 0 .
SPA SP A X
A p o r tu r ile v a r ia ţie i lu i X , Y , E la v a r ia ţia lu i Z e g a lă c u 1 0 0 % , v o r fi:
A = SPAx
_ =4 8 % ; a = = 12% ; A„ = SPA^ = 4 0 % .
c a n tita tiv ă Y lu a tă în s tu d iu .
în ra p o rt c u în s u ş ire a Y lu a tă în s tu d iu .
d e la u n b lo c la a ltu l d u p ă sch em a:
B (1 ) X (1 ) X (2 ) X (m )
Y (1 ; 1) Y (2 ; 1) Y (m ; 1)
B (2 ) X(m) X (1 ) X (m - 1)
Y (m ; 2 ) Y (1 ; 2 ) Y (m - 1; 2 )
B (l) X (m - l + 2 ) X (m - l + 3 ) X (m - l + 1)
Y (m - l + 2 ; l) Y (m - l + 3 ; l) Y (m - l + 1; l)
145
Răspunsurile Y(i; j) se rearanjează în tabelul de mai jos pentru a fi prelucrat prin analiza
varianţei bifactorială completă (cu factori X, B) balansată, cu o repetiţie în fiecare celulă (p(i; j) = 1).
R ep etiţii Y Yi j M ed ii pe M ed ii pe M ed ia
varian te X b locu ri B totală
V arian te (X ,B )
(X (1); B (1)) Y ( 1; 1) M Y x (1) M Y b (1)
(X (1); B ( l)) Y ( 1 ; l)
M Yt
(X( m); B (1)) Y ( m; 1)
M Y X (m) M Y b (I)
(X( m); B ( l)) Y ( m; l)
E tap e de calcul:
a) SP A şi GL:
m l 2
spa t = E H y (i;J) -m y t ] cu G L t = ml - 1 grade de libertate;
i=1 j=1
m
S P A = l X [ M Y ( i ) - M Y ] 2 cu G LX = m - 1 grade de libertate;
i=1
b) S2:
q 2 _ S P A X . c2 _ s p a ^ C 2 spa e
SV ; ; SSDB , ! ; SE
m-1 / -A E ( m -l)( / -l)
c) F :
Fx - —
s 2
X > 1 cu [m - 1; (m - 1)( l - 1)]G L
Se
S2
Fb = - f > 1 cu [l - 1; (m - 1)(l - 1)]G L
SE
Valorile precedente se trec în tabelul sintetic de analiză a varianţei:
Sursa de SPA GL S2 F
variaţie
X SPA x m-1 s2 Fx
Sx
B SPA b l-1 s2 Fb
Sb
E SPA e (m - 1)(l - 1) s2 -
Se
T SPA t ml - 1 - -
146
Valorile FX şi F B se compară cu valorile critice F 0.05, F 0.oi şi F 0.001 extrase din tabelele 4, 5, 6
din Anexă, pentru perechile de grade de libertate corespunzătoare.
Se acceptă sau se resping ipotezele:
1) H x :^ x ( 1 ) = ... = (m ) = ^ faţă de alternativa: H x :^ x ( 1 ) ^ ^x (m )^ ^
E xem plu:
X = proteina digestibilă în raţia porcilor (g/zi)
Y = sporul lunar în greutate al porcilor (Kg)
Populaţia este neomogenă în raport cu Y dar se poate împărţi în l = 2 blocuri omogene:
B 1(Landrace) şi B 2(Marele Alb).
Luăm m = 3 variante X: X 1(250 g/zi); X 2(275 g/zi) şi X 3(300 g/zi) deci fiecare bloc va
conţine câte m = 3 repetiţii (bloc com p let ). În fiecare bloc variabilele X se distribuie în mod aleator
(bloc ran d om izat ):
B (1) X (1) X(2) X(3)
15 17 19
B(2) X(3) X (1) X(2)
20 14 18
R ep etiţii Y Yi j M ed ii pe M ed ii pe M ed ia
V arian te (X, B) varian te X blocu ri B totală
(X 1 ; B 1 ) 15
(X 1 ; B 2) 14 M Y x (1) = 14.5
(X 2; B 1 ) 17 M Y b(1) = 17
(X 2; B 2) 18 M Y x (2) = 17.5 M Y t = 17 .16 5
(X 3 ; B 1 ) 19 M Y b (2) = 17.33
(X 3 ; B2) 20 M Y x (3) = 19.5
E tap e de calcul:
a) SP A şi GL:
SPA t = 26.833 cu G L T = 5 GL;
SPA x = 25.333 cu G L x = 2 GL;
SPA b = 0.166 cu G L b = 1 GL;
SPA e = SPA t - SPA x - SPA b = 1.334 cu G L e = G L t - G L x - G L b = 2 GL;
b) S 2:
c) F
S2
Fx = -X - = 19 cu (2, 2) G L
SE
S2 1 S2
Fr = —B < 1 deci — = —E = 9 .0 2 cu (2; 1) GL
B S
se
2 FFb sS b
2
147
D in tabelele Fisher 4, 5, 6 din A nexă, pentru (2; 2) GL avem valorile critice F 0.05 = 19,
F 0.01 = 99 şi F 0.001 = 999.
Cum F 0 05 = FX < F 001 influenţa variaţiei lui X asupra variaţiei lui Y este semnificativă,
*
aşadar FX = 19 .
Cum F b < 1 influenţa variaţiei blocului B asupra variaţiei lui Y este nesem nificativă.
I ( X ) = j S P A ^ = 0 .9 7 2 * ; I c( B ) = iS P A ^ = 0 .0 7 9
c( ) ]/ s p a ; ( ) \ SPA
Aporturile variaţiei lui X, B şi E la variaţia lui Y egală cu 100%, sunt:
Calculele precedente privitoare la analiza varianţei bifactorială com pletă balansată cu câte o
repetiţie în celulă, pot fi făcute în EXCEL astfel:
A B C D
1 X1 X2 X3
2 B1 15 17 19
3 B2 14 18 20
U n pătrat latin l x l, (l > 2) este un aranjament de l 2 litere latine mari în formă de pătrat cu
laturile de l litere astfel că pe fiecare lin ie şi pe fiecare coloană a p ătratu lu i, fiecare literă apare
od ată şi nu m ai odată.
148
E xem ple:
P ătrat 2 x 2 P ătrat 3 x 3 P ătrat 4 x 4
A B A B C A B C D
B A C A B D A B C
B C A C D A B
B C D A
Două sau mai multe pătrate latine l x l se pot alipi după linii sau după coloane dând naştere
la un dreptunghi latin.
E xem ple:
A B A B C D
B A B A D C
C D
D C
Planul în pătrate latine rezultă din combinarea a două planuri în blocuri complete
randomizate, b locu rile p rim u lu i plan fiind liniile pătratelor iar b locu rile celui de al d oilea plan
fiind coloanele pătratelor.
Numărul l al repetiţiilor fiecărui bloc-linie este egal cu numărul repetiţiilor fiecărui bloc-
coloană şi este divizor al numărului m al variantelor factorului X.
Randomizarea variantelor factorului X, notate cu X (1), ..., X(m) puse în locul literelor
latine, se asigură prin faptul că în fiecare pătrat latin fiecare variantă a lui X se aplică odată şi numai
odată repetiţiei din fiecare linie şi din fiecare coloană.
Desemnăm fiecare repetiţie printr-o căsuţă în care notăm varianta aplicată X(i) şi răspunsul
la ea Y(i; j; k).
Randomizarea este asigurată prin permutări circulare ale variantelor de la o linie (coloană) la
alta conform structurii pătratului latin. Rezultatele se valorifică prin analiza varianţei trifactorială
completă (X, L, C) cu p(i; j; k) = 1 repetiţii în celulă.
149
D in pătratele sau dreptunghiurilor latine, datele se rearanjează pe variante (X, L, C) în
tabelul:
R ep etiţii Y ^ Y (i>E k) M ed ii pe M ed ii pe M ed ii pe M ed ia
V arian te (X , L, C) X varian te X lin ii L coloane C totală
(X (1);L(1);C (1)) Y(1; 1; 1)
M Y x (1) M Y l (1) M Y c (1)
(X(m );L(1);C(1)) Y(m; 1; 1)
MYt
(X(m );L(l);C(1)) Y(m; l; 1)
E tap e de calcul:
a) SP A şi GL:
m l l 2
spat = Z Z Z [ y ( i . j . k ) -m y t ] cu GL t = ml - 1 grade de libertate;
i=1 j=1 k=1
m
SPA X = l ^ [ M Y x (i)-M YT]2 cu GLX = m - 1 grade de libertate;
i=1
l
SPA = m A [ M Y L(j)-MYT]2 cu GL l = l - 1 grade de libertate;
j=i
i
SPA = m A [MYC(k)-M YT]2 cu GLC = l - 1 grade de libertate;
k=1
S P A = S P A - S P A - S P A - S P A cu GL e = GL t - GL x - GL l - GL c =
= (l - 1)(m - 2) grade de libertate;
b) S 2 :
2 S P A . 2 spa l . 2 S P A e . S2 spa e
SX SL SC E
m -1 l-1 ; i -1 ;
(l - ! ) ( m -2 )
c) F :
S2
Fx = - X > 1 cu [m -1;(l-1)(m (l+1)-2)]G L
SE
S2
F = S± > 1 cu [l-1;(l-1)(m (l+1)-2)]G L
SE
S2
Fc = - f > 1 cu [l-1;(l-1)(m (l+1)-2)]G L
SE
M ărimile precedente se trec în tabelul sintetic de analiză a varianţei:
Sursa de SPA GL S2 F
variaţie
X SPA x m- 1 Fx
sX
L SPA l l- 1 Fl
s L
C SPA c l- 1 S Fc
S C2
E SPA e (l - 1)[m (l - 1) - 2] S -
S 2E
T SPA t ml2- 1 - -
150
Valorile FX, FL şi FC se compară cu valorile critice F0.05, F0.oi şi F 0.001 extrase din tabelele 4,
5, 6 din Anexă, pentru perechile de grade de libertate corespunzătoare.
SE2 ( g l e, + 1) SE, (G L E, + 1)
C( ° (G L ^ + 3) : (G L Ei + 3)
unde S^ şi S^ sunt varianţele erorilor celor două planuri experimentale iar GLEi şi GL E2 sunt
gradele de libertate ale acestora.
E xem plu:
X = proteina digestibilă în raţia porcilor la îngrăşat (g/zi)
Y = sporul lunar în greutate al porcilor (Kg)
Populaţia este neom ogenă în raport cu Y dar se poate împărţi în l = 2 blocuri-linie:
L 1 (Landrace) şi L2(M arele A lb) şi în l = 2 blocuri-coloană: C 1(vârstă 6 luni) şi C2(vârstă 7 luni).
Luăm m = 4 variante X: X 1(250 g/zi); X 2(270 g/zi); X 3(290 g/zi) şi X 4(310 g/zi).
D atele se trec în două pătrate latine care prin alipire după linii/coloane, constituie un
dreptunghi latin:
C _______ C2 C _______ C 2
L1 X1 X2 L1 X3 X4
10 12 13 14
L2 X2 X1 L2 X4 X3
12 12 15 16
D a te le p r e c e d e n te se r e a r a n je a z ă p e v a r ia n te (X , L , C ) î n ta b e lu l:
R ep etiţii Z Zi M ed ii pe M ed ii pe M ed ii pe M ed ia
varian te X linii L coloane C totală
V arian te
(X , L , C)
(X 1 ; L 1 ; C 1) 10 M Y x(1) = 11
(X 1; L2; C2) 12
(X 2; L 1 ; C 2) 12 M Y x(2) = 12
(X 2; L 2; C 1) 12 M Y l(1) = 12.25 MYc(1) = 12.5 M Y t = 13
(X 3; L 1 ; C 1) 13 M Y x(3) = 14.5 M Y l(2) = 13.75 MYc(2) = 13.5
(X 3; L 2; C 2) 16
14 M Y X(4) = 14.5
(X 4; L 1 ; C 2)
(X 4; L 2; C 1) 15
151
Etape de calcul:
a) SP A şi G L :
SPA t = 26 cu GL t = 7 GL;
SPA x = 19 cu GL x = 3 GL;
SPA l = 4.5 cu GL l = 16 GL;
SPA c = 2 cu GL c = 1 GL;
SPA e = SPA t-SPA x -SPA l-SPA c = 0.5 cu GL e = GL t-GL x -GL l-GL c = 2 GL;
b) S 2 :
2
sX
SPA x
6.33; S2 S ^ = 4.5;S2 SPAc 2; S2
spa e
0.25
GLx GL L GLc GLe
c) F :
S2
Fx = - r = 25.32 cu (3; 2) GL
SE
S2
Fl = - L = 18 cu (1; 2) GL
SE
S2
Fc = - C = 8 cu (1; 2) GL
SE
Din tabelele Fisher 4, 5, 6 din Anexă, pentru (3; 2) GL avem valorile critice F0.05 = 19.6,
F0.01 = 99.17 şi F0.001 = 999.20.
Cum F0 05 = FX < F001 influenţa variaţiei lui X asupra variaţiei lui Y este semnificativă,
*
aşadar FX = 25.32 .
Din tabelele Fisher 4, 5, 6 din Anexă, pentru (1; 2) GL avem valorile critice F005 = 18.51,
F0.01 = 98.50 şi F0.001 = 998.50
Cum Fl , Fc < F0 05 influenţa variaţiei lui L şi C asupra variaţiei lui Y este nesemnificativă.
Tabelul sintetic de analiză a varianţei este:
AC SPA c
7.7%; A = 1-Ax -AL-Ac = 1.9%
spat
152
În exemplul rezolvat în secţiunea 4.3.1 (planul blocurilor complete randomizate) am găsit
= 0.667 cu n 1 = 2 G L iar în exemplul de mai sus (planul pătratelor latine) am găsit = 0.25
cu n2 = 2 G L deci:
SE, ( g L e + 1) SE, ( g L e + 1)
i % )= = 2.4 = 240%
(G L Ej + 3) ' (GL,, + 3)
Aşadar planul pătratelor latine este de 2.4 ori mai eficient ca planul blocurilor complete
randomizate.
4.5 REZUMAT
4.6 ÎNTREBĂRI
4.7 BIBLIOGRAFIE
1. D. Ene, M. Drăghici, I.N. Alecu: “ Statistică aplicată în agricultură” , Ed. Ceres, 2003
2. M. Iosifescu şi col.: “ Mică enciclopedie de statistică” , Ed. Ştiinţif. şi Enciclop., 1985
3. Anuarul statistic al României, 1990 - 2009
153