Sunteți pe pagina 1din 97

UNIVERSITATEA LUCIAN BLAGA DIN SIBIU

FACULTATEA DE TIINE
CATEDRA DE ECOLOGIE I PROTECIA MEDIULUI










Dr. Ioan SRBU







MODELAREA PROCESELOR ECOLOGICE





Suport de curs i aplicaii practice


ATENIE: n afar de acest material, pentru examen se vor mai pregti din
volumul de "Ecologie practic" (I. Srbu i A.M. Benedek, 2004) capitolele:
V. Tabele i grafice (pp. 73 - 79), VII. Alte elemente de statistic aplicate n
ecologie (pp. 96 - 102; fr Transformarea datelor) i XX. Metode de ordonare
i clasificare a sistemelor ecologice; construirea dendrogramelor (pp. 219 -
228).





Sibiu
2009

I. Srbu - Modelarea proceselor ecologice (2009) 2


CUPRINS


1. INTRODUCERE _____ 3


2. ALGORITMUL I PRINCIPIILE MODELRII _____ 5


3. ELEMENTELE CONSTITUENTE I
CLASIFICAREA MODELELOR ECOLOGICE _____ 12


4. MODELE CONCEPTUALE
I TRECEREA SPRE MODELELE CANTITATIVE _____ 17


5. INTRODUCERE N MODELAREA STATISTIC
PE CALCULATOR _____ 23


6. MODELE STATISTICE I MODELE TEORETICE;
EVITAREA ERORILOR DE MODELARE _____ 43


7. MODELARE STATISTIC NELINIAR;
APLICAII N PROGRAMUL STATISTICA _____ 50


8. MODELARE N MATHCAD _____ 64


9. MODELE RECURENTE APLICATE N
ECOLOGIA POPULAIEI _____ 79


10. ACTIVITATE INDEPENDENT; PROBLEME _____ 90


11. BIBLIOGRAFIE SELECTIV _____ 96

I. Srbu - Modelarea proceselor ecologice (2009) 3


1. INTRODUCERE


n conformitate cu dicionarul Oxford de ecologie modelul este o
reprezentare a realitii, care prezint n manier simplificat principalele
trsturi ale unor aspecte ale lumii reale, pentru a le face mai uor de neles i,
adesea, a facilita avansarea de prognoze (Allaby, 2005). n conformitate cu DEX
al limbii romne un model nseamn o reprezentare simplificat a unui proces sau
a unui sistem; este un sistem teoretic sau material, cu ajutorul cruia pot fi
studiate indirect proprietile i transformrile altui sistem, mai complex, cu care
modelul prezint analogii.
Vom aborda modelul ecologic ca pe o reprezentare rezumativ a unei
entiti reale, a unui lucru, idei sau condiii, care descrie i sintetizeaz structura,
dinamica sau funciile unui sistem sau ale unui proces ecologic. Acestea pot fi
foarte de simple, de exemplu o expresie verbal cu privire la nsuirea unui
subiect, sau o diagram, cum ar fi dou dreptunghiuri nzestrate cu o anumit
semnificaie, legate ntre ele printr-o sgeat, care indic o relaie. La cealalt
extrem, modelele ecologice pot fi orict de complexe, de exemplu programe
imense care ruleaz pe reele de calculatoare interconectate, la care lucreaz
instituii cu sute de oameni, din cele mai diverse specialiti. Procesul de
modelare este un ir de etape, care trebuie parcurse, pentru a converti o idee mai
nti ntr-un model conceptual i apoi ntr-o reprezentare cantitativ. Modelarea
ecologic este ncadrat variabil, undeva ntre o simpl i frecvent ignorat
metod a ecologiei, i (polul opus) un domeniu de vrf care necesit specialiti
modelatori, definindu-se astfel un domeniu distinct al ecologiei. Probabil
adevrul este undeva pe la mijloc.
Modelarea este o procedur care nsoete inevitabil orice studiu. Ea nu
nseamn neaprat calcul, dar cel mai frecvent implic sau se exprim i prin
limbaj matematic, respectiv reclam utilizarea adecvat a tehnologiei informaiei.
Modelarea este o activitate universal; toi practicienii, uneori i teoreticienii,
creeaz i testeaz modele de cele mai diferite forme, idei i expresii. Dac
excludei modelul dintr-o cercetare de ecologie, vei fi nite simpli colecionari
de fapte sau de date primare (W. Silvert, 2001).
Ecologia modern este eafodat prin trei mari planuri de abordare a
problemelor complexe, care definesc provocrile prezentului i viitorului,
constituind totodat arsenalul tematic, teoretic i metodologic din care i extrage
identitatea i fora: ele poart numele de regula celor trei M. Adic 1.
Monitoring, 2. Modelare i 3. Management.
Modelarea servete la descrierea, sinteza i explicarea fenomenelor
ecologice, este un aparat tiinific prin care distilm principalele trsturi
emergente ale sistemelor, pe care experimentm n spaiul virtual. Ea este
I. Srbu - Modelarea proceselor ecologice (2009) 4
indispensabil pentru orientarea i planificarea studiilor, testarea ipotezelor
multiple de lucru, simulare i prognoz, dar - mai ales - ca unealt eficient n
managementul ecologic i criteriu pentru susinerea deciziilor de mediu. Nu mai
exist domeniu al ecologiei i al tiinelor conexe, n care modelarea s nu joace
un rol esenial. Cu toate aceste afirmaii, trebuie neles c modelele ecologice nu
sunt, i nu trebuie s fie, un rezultat final al cercetrii sau un scop n sine.
Modelele sunt i trebuie s fie folositoare, s susin cercetarea, managementul i
politicile de mediu i s prefigureze noile sarcini care le stau n fa. Nu n ultim
instan ele ne ajut s construim un mediu abstract, virtual, n care s
experimentm i s gsim ci sau soluii rezonabile, cu mult vreme nainte de a
interveni asupra mediului, prin implementarea unor msuri mai mult sau mai
puin inspirate. Ea ne ajut s ne comportm n spiritul deontologiei profesionale.
Acest material are un rol att didactic ct i tiinific, avnd ca scop
creterea performanelor profesionale a celor care au studiat deja biologia
plantelor i animalelor, ecologie general, ecologia populaiilor i a sistemelor
suprapopulaionale, care cunosc tehnicile i metodele aplicate n ecologie,
respectiv cei care au deja o baz solid de cunotine i doresc s accead la un
nou nivel profesional, respectiv al dezvoltrii intelectuale. Nu n ultim instan
este un bun procedeu de a ne evalua: un ecolog modern trebuie s tie s
modeleze; pentru aceasta trebuie s cunoasc acceptabil sistematic, ecologie,
matematic i informatic, respectiv s-i dezvolte continuu cunotinele i
aptitudinile n aceste direcii. Studenii de la specializarea "Ecologie i protecia
mediului" (studii de licen), precum i de la masteratul "Expertiza i
managementul sistemelor ecologice", coordonate de Catedra de Ecologie i
Protecia Mediului, Facultatea de tiine, Universitatea "Lucian Blaga" din Sibiu,
vor gsi n aceste pagini un suport teoretic i practic pentru dezvoltarea
deprinderilor de realizare a studiilor de ecologie.















I. Srbu - Modelarea proceselor ecologice (2009) 5

2. ALGORITMUL I PRINCIPIILE MODELRII

Modelele ecologice pot fi definite n mod grafic, informal (fr ecuaii:
de exemplu un mod alternativ, preliminar, este definirea verbal a modelului) sau
formal, prin expresiile matematice corespunztoare i programe asociate pe
calculator (Silvert, 2001). Ilustrarea grafic a unui model se poate realiza printr-o
diagram conceptual (de exemplu circulaia energiei printr-un nivel trofic,
circuitul apei sau al unui element oarecare n natur etc.).
Abordarea clasic, obinuit n procesul de modelare, ncepe cu
caracterizarea i definirea procesului sau a sistemului, avansarea unor ipoteze
despre structur i funcii, traducerea acestora ntr-un sistem formal (de exemplu
prin ecuaii) i transpunerea pe calculator, ntr-un program accesibil, rularea i
colectarea rezultatelor. Urmeaz verificarea potrivirii dintre datele reale i cele
avansate de model, i recalibrarea modelului pentru a reduce posibilele
nepotriviri dintre valorile experimentale i cele ateptate.
Cteodat acest algoritm este posibil i eficient, ns nu totdeauna, att din
motive obiective (legate de specificul sistemului ecologic analizat), ct i
subiective (pregtirea cercettorului, disponibilul tehnic i informaional etc.). De
multe ori pornim de la datele personale sau cele obinute de un alt cercettor i
construim singuri ecuaiile modelului. Alteori, este recomandat s pornim de la
anumite ecuaii prestabilite de alii i s utilizm datele experimentale pentru
calcularea de parametri sintetici sau derivai. Dar, din ce n ce mai des, modelarea
nu mai implic lucrul cu ecuaii, sau cel puin nu presupune c cercettorul este
obligat s le defineasc singur, n termeni matematici. O variant este s lase
calculatorul s se descurce cu ceea ce modelatorul cunoate numai conceptual sau
informal, utiliznd programe care permit un oarecare grad de independen, care
opereaz cu proceduri i obiecte relativ independente. Procesul de modelare nu
are o singur reet i nu se poate reduce la un singur algoritm; totul se adapteaz
la scopul i obiectivele cercetrii, la categoria de studiu n derulare, tipul,
calitatea i cantitatea datelor. De aceea mai jos redau mai degrab un ghid, n
sensul unei serii de indicaii, i nu o colecie de reguli cu rol de rigidizare sau
standardizare a demersului.
Algoritmul modelrii ncepe ca oricare alt subiect de cercetare cu
definirea problemei, etap crucial a oricrei teme. Definirea scopului, a
obiectivelor, respectiv a ceea ce vrem s obinem de la modelul pe care l
construim, trebuie s fie delimitat n termeni de subsisteme, timp i spaiu,
precum i adaptat la acele informaii pe care suntem n stare s le obinem.
n acest proces primul rspuns pe care l cutm este cel la ntrebarea: n
care scop construim acest model? Acesta ne ajut s nelegem motivul
demersului nostru, putem stabili liniile de elaborare a etapelor i ne imaginm la
ce va ajuta n final unealta construit (idem). Dac nu tim ce vrem de la
modelul pe care dorim s-l realizm, foarte probabil nu vom obine nici un
I. Srbu - Modelarea proceselor ecologice (2009) 6
model. S nu uitm principii ale cercetrii care au implicaie direct i n acest
domeniu, dintre care amintesc (parafraz dup Krebs, 1989):
- Nu tot ce poate fi modelat, merit s fie modelat!
- Consider i evalueaz numai acele variabile i date care rspund la
ntrebrile puse!
Evaluarea complexitii pe care o adoptm este o alt problem. Adesea
se consider c un model este cu att mai bun, cu ct este mai complex, respectiv
include mai multe variabile, ecuaii i subsisteme (dac se poate toate cu putin
de decelat sau imaginat). Aceast abordare este extrem de popular mai ales
printre partizanii holismului, sau cei care vd ecologia mai ales prin perspectiva
ansamblului proprietilor emergente ale ecosistemelor. Concepia holist este
numai una dintre cele posibile i nu neaprat cea mai adecvat problemei
particulare supuse studiului. Pe de o parte, definirea gradului de complexitate
depinde de tipul de sistem sau proces; nu orice obiect al cercetrii implic sau
suport abordri holiste. Pe de alt parte, abordarea reducionist este cel puin la
fel de important n ecologie; sistemul se descrie i explic, i prin cunoaterea
structurii i a funciilor subsistemelor constituente. Ambele puncte de vedere sunt
la fel de importante, se completeaz, i nu pot fi substituite reciproc. n sfrit,
nu este deloc obligatorie modelarea unui ntreg sistem sau proces amplu, cum nu
este implicit selectarea tuturor factorilor: ecologul poate evalua, de exemplu, o
singur variabil dependent (dinamica temporal a abundenei unei populaii,
diluarea unui poluant, producia unei fitocenoze etc.) n relaie cu un numr
limitat de variabile independente semnificative (salinitatea solului, distana fa
de sursa de poluare, concentraiile de azotai i fosfai din sol etc.). n nici un caz
s nu se considere c scopul modelrii este nglobarea tuturor variabilelor i
factorilor, pentru a se simula i explica funcionarea unui ntreg ecosistem, aa
cum cred prea muli diletani, n mod eronat.
Argumentul practic mpotriva unei complexiti prea mari este centrat n
creterea potenialului de eroare. Fiecare model include o eroare posibil (adesea
cunoscut, sau cel puin estimat) pe care ncercm s o meninem la un nivel
tolerat. Cu ct sunt mai multe ecuaii care aproximeaz procesele evaluate, cu att
eroarea crete. Complexitatea este direct corelat cu gradul de nedeterminare,
dificultatea simulrii, i adesea este invers corelat cu relevarea semnificaiei i a
potenialului de verificare a rezultatelor. Jrgensen (1988, 2001) sugereaz
includerea n model exclusiv a factorilor, variabilelor i parametrilor care au o
influen major sau chiar determinant asupra subiectului de interes.
Complexitatea depinde i de cantitatea i calitatea informaiei care este disponibil.
Niciodat creterea complexitii modelului, a numrului de ecuaii sau a
programului pe calculator, nu trebuie s fie un scop n sine. Celebre sunt, n acest
sens, legea lui D.B. Lee (1973): calculatoare mai mari, suport greeli mai mari
(modele mai complexe produc erori mai elevate) precum i comentariul aferent al
lui Silvert (2001): s-au cheltuit n decursul timpului milioane de dolari, pentru a
se demonstra valabilitatea legii lui Lee.
I. Srbu - Modelarea proceselor ecologice (2009) 7
Prin urmare selectarea complexitii depinde de tipul problemei, a sistemului
sau procesului supus analizei, i a datelor disponibile.
Scara la care definim modelul poate fi orict de mic sau de mare; nu exist
scri bune, adevrate, respectiv nici false sau contraindicate la modul
absolut. Dar este sigur c, un subiect particular se preteaz mai bine la a fi analizat
la o anumit scar i prea puin la o alta. De asemenea, nu exist nici o relaie ntre
scara spaial i complexitatea modelului (W. Silvert, 2001).
Conceptualizarea este etapa n care transpunem problema particular ntr-o
imagine sau idee de ansamblu, cum ar fi de exemplu sub forma unei diagrame,
care conine informaii despre parametri i despre relaiile dintre acetia
(matematice sau de alt natur). Transpunerea grafic a ideilor, a etapelor i
vizualizarea relaiilor ntre diferitele categorii de variabile, formeaz modelul
conceptual. Prin adugarea de valori, evaluri cantitative ale proceselor i
elaborarea de ecuaii, obinem modelul cantitativ.
Construirea modelului se refer la alctuirea acestuia, n termeni de idei,
concepte, expresii fizice, ecuaii matematice, respectiv programe pe calculator.
Modelele se pot construi n dou feluri: de la baz la vrf sau invers.
Modelul baz - vrf se realizeaz prin asamblarea de submodele, respectiv de ct
mai multe elemente constituente sau procese care se desfoar ntr-un sistem.
Acestea tind s fie foarte complicate, deoarece teoretic totul poate fi inclus; se
consider a fi bune pentru nelegerea funcionrii sistemului, dar nu dau rezultate
prea bune n scopul pentru au fost create (W. Silvert, 2001). Modelele vrf - baz
pleac de la funcii generale, de la comportamentul ntregului sistem sau de la
proprietile emergente. Cele mai multe sunt de tip statistic. Acestea sunt modele
empirice, se bazeaz pe date experimentale, nu presupun obligatoriu considerarea
mecanismelor subiacente, iar ca domeniu de valabilitate sunt adesea restricionate
la subiectul particular analizat.
Atunci cnd rezultatele obinute prin model nu verific datele
experimentale, sau - i mai ru - cnd prognozele nu se adeveresc nici pe departe,
cel mai adesea este blamat modelul, dar aceasta nu este singura cauz posibil.
Sunt trei posibiliti de fapt: model eronat, date experimental- observaionale
greite sau ambele. Trebuie neles faptul c datele obinute prin experimente sau
observaii sunt supuse unui ir de erori poteniale, ele fiind la rndul lor numai o
reprezentare a realitii i nici pe departe realitatea nsi. ntr-o alt ordine de
idei, matematica poate fi perfect, dar aparatul de msur nu a fost calibrat, sau
eroarea sistematic difer la cei care execut msurtorile.
Dac am ajuns la etapa implementrii acestuia pe calculator, pasul care
urmeaz n mod logic este rularea modelului de ct mai multe ori, pentru a se
evalua construcia obinut. El se ruleaz cu o varietate de condiii modificate ale
parametrilor de intrare, n scopul urmririi modului n care se comport n situaii
ct mai diverse.
Validarea i verificarea modelului se execut n secvena urmtoare a
algoritmului. Evaluarea rezultatelor nseamn validarea lor, adic corespondena
cu valorile reale (observate sau experimentale, n cazul n care acestea exist), dac
I. Srbu - Modelarea proceselor ecologice (2009) 8
sunt logice, posibile, ndeplinesc sau nu ceea ce ne-am putea atepta de la modelul
realizat, precum i dac le-am interpretat corect. Dac modelul nu trece de acest
examen, este necesar ntoarcerea la o etap anterioar a algoritmului, i reluarea
procesului ori de cte ori este necesar. Exist o deosebire cert ntre verificare i
validare: primul termen semnific testarea logicii interne a modelului, constnd
mai ales dintr-o evaluare subiectiv a modului n care s-a alctuit i cum se
comport acesta (uneori se vorbete n jargonul de specialitate i de depanarea
modelului). Validarea se realizeaz prin compararea rezultatelor modelului cu
datele reale, care rezult din analiza direct a sistemului analizat.
Un model bun (validat) va fi cel care ofer rezultate, ce se potrivesc cu
fenomenele i valorile proceselor reale, i care au o logic tiinific.
Adesea se realizeaz i analiza senzitivitii, care investigheaz cum s-ar
modifica concluziile dac parametrii, datele iniiale i/sau ecuaiile ar fi diferite.
Aceast analiz este utilizat pentru investigarea robusteii modelului, dar i
pentru a ghida cercetarea viitoare, respectiv pentru a sesiza importana diferitelor
elemente constituente ale modelului n ceea ce privete contribuia la rezultate.
Am amintit anterior dou mituri false ale modelrii: relaia dintre valoarea
modelului i complexitatea acestuia, precum i absena legturii dintre scara de
raportare a sistemului sau procesului i complexitate.
Un alt mit este cel al relaiei absolute ntre utilitate i adevr. Este bine de
tiut c un model poate s nu fie absolut adevrat (deci valabil n toate condiiile)
i totui s fie extrem de util. De exemplu, legile lui Newton au fost mult vreme
considerate infailibile, pn n 1905, odat cu apariia teoriei lui Einstein, cnd au
fost contestate. Teoriile newtoniene sunt astzi recunoscute ca fiind valabile
numai pentru obiecte care se mic ncet i cu energie redus, dar sunt n
continuare mai mult utilizate n viaa practic dect teoriile lui Einstein.
n schema algoritmului de modelare (Fig. 2.1) am ales numai etapele
principale care se refer la categorii de modele ce implic i formule, respectiv
care pot fi transpuse pe calculator. Este evident c alte categorii (modelele
grafice, multe modele statistice care presupun operarea cu ajutorul unui program
prestabilit etc.) nu includ n mod obligatoriu unele etape ale acestui algoritm, iar
altele necesit secvene suplimentare, inclusiv ramificaii condiionate de
rezultatele intermediare (de exemplu la modelele stocastice). Dar unele etape,
cum ar fi: definirea problemei, crearea imaginii acesteia, evaluarea calitii
datelor existente, verificarea modelului i validarea rezultatelor fac parte din
aproape toate procesele de modelare.
Modelarea este un proces iterativ. Dac un model a fost validat, nu
nseamn c va fi abandonat. Date noi, idei, includerea altor variabile, redeschid
de fiecare dat problema dezvoltrii i conduc la modificarea perpetu i evoluia
oricrui model. Un model mai bun nseamn o simulare mai realist, prognoze
mai bune, acuratee sporit a rezultatelor, uneori includerea mai multor detalii i
tendina spre o ct mai bun apropiere de fenomenele naturale. Jrgensen (1988)
susine ns c pentru un interval dat de timp, resursele limitate vor opri mai
devreme sau mai trziu evoluia oricrui model.
I. Srbu - Modelarea proceselor ecologice (2009) 9

Definirea problemei

Selectarea complexiti i scrii

Ipoteze

Model conceptual

Model cantitativ

Prognoze

Selectare software i implementare pe calculator

Rulare i verificare

Validare

Analiza de senzitivitate

Valorificare

Fig. 2.1. Algoritmul simplificat al procedurii de modelare

O caracteristic a modelrii este absena a ceea ce se numete un model
universal (deci cu valoare general pentru o categorie de sisteme sau procese
ecologice). Chiar dac apar n literatura de specialitate expresii ca: modelul
populaiei sau al lacului etc., aceasta nu nseamn c exist un singur model,
reprezentativ sau ideal, la care se raporteaz sistemele particulare studiate sau o
categorie definitorie. Printr-o categorie de model vom nelege aspectul central al
abordrii metodologice (de exemplu modelul matricial se refer la faptul c
abordarea se face prin algebr matricial; modelul diferenial nu implic o
anumit ecuaie ci o abordare cu un anumit specific matematic a fenomenelor
care sunt monitorizate n timp continuu etc.).
Modelele trebuie s fie folositoare, adic s fie prea rar un scop n sine.
Ele sunt construite pentru a testa, verifica, simula sau prognoza, respectiv pentru
a ne ajuta s nelegem mai bine modul n care funcioneaz sistemele, i se
desfoar procesele ecologice. Modelarea nu este pasul final al unui program
experimental, ci este o parte integrat n munca de cercetare.
Valorificarea modelului mbrac numeroase aspecte, similare cu cele care
decurg din utilizarea rezultatelor cercetrii. Unele modele sunt construite ca
aparat tiinific, ne ajut s nelegem i s explicm, iar valorificarea poate
nsemna publicarea i popularizarea rezultatelor. Altele sunt dezvoltate ca unelte
I. Srbu - Modelarea proceselor ecologice (2009) 10
de management, iar valorificarea va consta n implementarea rezultatului n
lumea real, n scop protectiv, ameliorativ sau economic.
Prezentarea rezultatelor nu este deloc o etap de neglijat n complexul
finalizrii unui studiu. Un model nu este folositor dac rezultatele sunt ascunse,
ignorate sau sunt de neneles. Ceea ce am obinut trebuie fcut cunoscut i altora.

Ce software utilizm?

Este ntrebarea care apare mai devreme sau mai trziu n orice studiu cu
pretenii, precum i n evoluia capacitilor cercettorului. Este bine s
subliniem, c nu exist i nu poate exista un singur rspuns la aceasta, deoarece
sunt cel puin dou categorii de motivaii: de ordin subiectiv i obiectiv. Cele
subiective sunt legate de reguli ale cercetrii ecologice, care afirm c: cel mai
bun software este cel pe care l cunoti, apoi cea mai bun tehnic de calcul
este cea la care ai acces nelimitat, precum i este preferabil ca un ecolog s
nvee s opereze dect s programeze (Srbu i Benedek, 2004). Este evident c
un limbaj sau program pe care nimeni din echip nu-l tie, nu are nici o ans s
rezolve problema, indiferent ct este de nou sau sofisticat. Snobismul modei
dezvoltrii nencetate a calculatorului personal, venica vnare a unui echipament
mai performant, programe mai diverse i mai noi, a avea permanent ultima plac
video etc., sunt fr ndoial utile unui informatician sau unui pasionat al
jocurilor, dar sunt preocupri prea puin potrivite unui ecolog practicant. Pe lng
confuzia ntre scop i mijloace, implic i pierdere de timp i alocarea
nejustificat a resurselor. Mult mai folositoare este alocarea de timp pentru
cunoaterea aprofundat a modului de utilizare corect a acelor programe, care
ntr-adevr ne ajut s progresm n cercetare i n folosirea rezultatelor, precum
i actualizarea lor i a echipamentului hard atunci cnd este necesar i oportun.
Apelarea la un informatician sau (n funcie de natura problemei) un
matematician, poate da uneori rezultate, dar atenie la bariera de comunicare i
de reprezentare a inteniilor. Includerea unui specialist din alt domeniu este
benefic pentru echip, numai dac exist dorina de comunicare bidirecional i
traducerea tuturor etapelor n entiti cu semnificaie similar pentru ambele pri.
Un alt element care trebuie inut sub control, este faptul c nelegem prea puin
despre oamenii implicai n alte specialiti. Orice biolog sau ecolog ar trebui s
tie ce nseamn specializare n cadrul domeniului (dei ecologii, mai ales
teoreticienii holiti, tind uneori s uite spre paguba lor aceasta), dar consider alte
discipline ca fiind omogene. i matematicienii, respectiv informaticienii, sunt
specializai, ceea ce nu nseamn c tiu neaprat multe despre puin, ci faptul c
tiu mult mai mult despre unele lucruri i semnificativ mai puin despre oricare
altele. Este o mare deosebire ntre calitatea/cantitatea informaiilor pe care o
persoan le deine i potenialul acesteia de a selecta informaia relevant ntr-un
anumit context (marea problem a celor care predau la alte specializri).
De aceea pentru un program de cercetare includerea ntr-o echip de
biologi (ecologi) a unui oarecare matematician este la fel de inutil, precum
I. Srbu - Modelarea proceselor ecologice (2009) 11
includerea n structura unei instituii tiinifice a unui biolog, sau ntr-un institut
de cercetare a unui specialist n bentos. Excepia o constituie acele instituii (nu
neaprat cu pretenii tiinifice) care antreneaz dialogul dintre domenii, n care
intervine individul de alt specialitate n buna desfurare a activitii generale.
Exist i argumente obiective pe care le avem n vedere atunci cnd
selectm software-ul. Cnd suntem pui n situaia de a alege, ne confruntm cu o
plaj mrginit de dou extreme. Astfel, pe de o parte exist limbaje de
programare general (de tipul C ++, Visual Basic, Pascal etc.) care permit
individului un control complet asupra procesului de modelare, dar care reclam
cunotine apreciabile de informatic i matematic. La cealalt extrem sunt
programele grafice de tipul STELLA, Simulink sau ModelMaker, care permit
utilizatorului s selecteze din meniuri i galerii de icoane elementele necesare
construirii modelului, lsnd calculatorul s se ocupe de toate detaliile. La acestea
dezavantajele sunt legate de limitarea potenialului de modelare, a opiunilor
utilizatorului, lipsa de elasticitate a procesului i constrngerea la ceea ce este
deja preprogramat. Calea de mijloc (pe care de altfel o adoptm n studiul
modelrii la catedra noastr) o constituie sistemele de programe care includ
funcii i proceduri (inclusiv grafice) care permit evitarea multor detalii de ordin
informatic i matematic, dar care las o gam larg de posibiliti alternative
cercettorului. Printre variantele de acest gen, flexibile i facil de studiat,
amintesc sistemele de programe de tipul Systat, SPSS sau Statistica (pentru
modelare statistic) i Mathcad pentru o serie larg de categorii de modele
matematice.





















I. Srbu - Modelarea proceselor ecologice (2009) 12

3. ELEMENTELE CONSTITUENTE I CLASIFICAREA
MODELELOR ECOLOGICE

3.1. Elementele modelelor ecologice

n formulare matematic un model ecologic este alctuit din 5 elemente
sau componente (dup Jrgensen i Bendoricchio, 2001).

a. Variabile i funcii externe

Sunt fore externe (factori ai mediului, variabile independente etc.), care nu
aparin sistemului sau procesului ecologic analizat, dar care influeneaz sau
determin starea i dinamica acestuia. Se studiaz influena acestora asupra
oricrui aspect (structur, funcii, dinamic) al subiectului investigat. Forele
externe supuse modificrilor antropogene se mai numesc i "funcii de control"
(de exemplu poluani, nutrieni, deversri de ape reziduale etc.). Multe altele nu
sunt supuse controlului nostru (variabile climatice, radiaii cosmice etc.).

b. Variabile de stare

Sunt mrimi care descriu sistemul sau procesul, relevnd structura i
funciile acestuia. Selectarea lor este extrem de important pentru acurateea
modelului.

c. Ecuaii matematice

Sunt utilizate pentru reprezentarea proceselor, respectiv a modificrii n
timp i spaiu ale structurii i funciilor sistemelor ecologice. Ele descriu relaiile
dintre funciile externe i variabilele de stare, precum i dintre acestea din urm.
Acelai tip de proces poate fi identificat n contexte diferite, motiv pentru care
frecvent exist posibilitatea utilizrii aceleiai ecuaii n mai multe categorii de
modele, aplicate altor sisteme. Alteori detalii sau relaii diferite reclam utilizarea
unor ecuaii alternative. Descrierea i formularea matematic a proceselor
definesc submodelele.

d. Parametrii

Sunt coeficieni utilizai n reprezentarea matematic a proceselor. Ei
asigur legtura dintre ecuaiile modelului i datele reale. Uneori pot fi
considerai constante pentru anumite pri ale sistemului ecologic. Alteori sunt
redai printr-un domeniu de variaie, a unei amplitudini, ir de probabiliti, sau
sunt dedui din ecuaii empirice construite pe baza datelor reale (de exemplu
ecuaii de regresie).
I. Srbu - Modelarea proceselor ecologice (2009) 13

e. Constante universale

Sunt valori deduse din legi ale naturii, fixe, imuabile, care apar adesea i n
multe modele ecologice. Amintim aici numrul , e (baza logaritmului natural,
numrul lui Euler), constanta lui Avogadro, constanta solar, masele atomice ale
elementelor chimice etc.


3.2. Clasificarea categoriilor de modele ecologice

Modelele pot fi clasificate n funcie de abordare, alctuire, scop i tipul
rezultatelor obinute.
Dup natura funciei pentru care au fost create, distingem modele cu scop
tiinific, respectiv cu rol de management.
Dac rezultatele modelului depind de factori aleatori sau probabilistici,
vorbim de modele stocastice, iar dac rezultatele depind numai de valorile
iniiale introduse, atunci ele sunt modele deterministe.
Modelele care includ detalii relevante asupra componentelor, sunt
denumite reducioniste, pe cnd cele care lucreaz cu nsuirile emergente ale
sistemelor, la nivelul ntregului, se numesc modele holiste.
Dac variabilele care definesc sistemul nu sunt dependente de timp vorbim
de modele statice, iar dac este analizat modificarea variabilelor n timp
(eventual i/sau n spaiu), vorbim de modele dinamice.
Modificarea timpului se poate urmri printr-un ir discret de valori, caz n
care vom utiliza cel mai frecvent ecuaii recurente (modele discrete), sau vom
monitoriza dinamica unui fenomen n timp continuu, ecuaiile utilizate fiind de
tip diferenial. Ultimele urmresc transformarea permanent, continu, a
sistemului n timp, pe cnd cele discrete compar starea sistemului sau valoarea
procesului la un anumit moment, cu valorile nregistrate ntr-un numr de
diviziuni anterioare.
Analiza transformrii structurii sau a valorii funciilor n timp semnific
trasarea traiectoriei sistemului. Aceste traiectorii se pot modela prin ecuaii, ele
pot fi deterministe sau stocastice, existnd prin urmare o gam larg de categorii
de abordri. Unele sisteme tind ctre un nivel staionar (steady-state n
englez), dac acesta nu se modific ntr-un interval de timp considerat, dar
aceasta nu implic o stare (sau traiectorie) de echilibru. n starea staionar toate
ratele proceselor sau cele ale funciilor particulare sunt constante, spre deosebire
de starea de echilibru n care acestea sunt egale cu zero.
Alte sisteme dinamice nu au nivel staionar, dar pot dezvolta cicluri limit
(se vor studia la modelele dinamicii populaionale).
Nu n ultimul rnd, un model dinamic poate conine variabile care se
modific att n timp ct i n spaiu, eventual i dup ali gradieni (altitudine,
salinitate, umiditate etc.), caz n care vorbim de modele distributive, care sunt
I. Srbu - Modelarea proceselor ecologice (2009) 14
definite frecvent prin ecuaii difereniale pariale. Analiza dinamicii temporale nu
trebuie neaprat realizat prin ecuaii deterministe. De exemplu, exist
posibilitatea descrierii i caracterizrii dinamicii fenomenelor prin analiza
seriilor de timp, domeniu al statisticii matematice.
Modelele integrate urmresc dinamica proceselor sau a sistemelor pe o
perioad mai lung (de exemplu un an sau un deceniu), iar variabilele sunt
reprezentate prin valori medii pe intervale finite de timp. Ele sunt utilizate n
special la construirea de modele energetice, ale bugetului trofic, cele climatice, de
productivitate i altele.
Dac procesul se poate descrie sub forma unei ecuaii de gradul I (polinom
de gradul I), modelele se numesc liniare, iar dac cel puin o relaie nu este n
aceast form, definim modele neliniare.
Modelele pot fi cauzale (sau de tip cutie alb) dac datele de intrare,
strile sistemului i rezultatele sunt relaionate prin legturi de tip cauz - efect,
sau pot fi modele de tip cutie neagr (necauzale) dac se iau n considerare
numai datele de intrare i cele de ieire, fr a fi analizat mecanismul intim al
sistemului.
Utiliznd criteriul naturii componentelor definite ca variabile de stare,
putem alctui o alt clasificare. Astfel, dac sistemul este descris n termeni de
numr de indivizi conspecifici, modelul este de tip populaional (cteodat se
utilizeaz i cuvntul biodemografic). Un model care descrie i caracterizeaz
comunitatea sau ecosistemul va fi definit ca atare (modele cenotice sau
ecosistemice), referitor la nivelul de organizare inclus n analiz, un model al
fluxului energetic este considerat bioenergetic, iar dac se refer la circulaia
materiei n natur, definim modele biogeochimice.
Modele bazate pe indivizi (MBI) implic o abordare diferit de cele
expuse anterior. Acestea urmresc dezvoltarea sau funcionarea sistemului prin
analiza comportamentului indivizilor constitueni, i nu prin acordarea unor
valori medii, care exprim contribuia tuturor, aa cum o fac cele mai multe
categorii. Se realizeaz simulri, care evalueaz consecinele la nivelul ntregului
sistem a interaciunilor locale ale elementelor constituente. Elementele pot fi
indivizi biologici (plante, animale), dar i autovehicule n trafic, populaii sau
specii care interacioneaz etc. Sunt tehnici de modelare care necesit mult calcul
matematic, se realizeaz exclusiv pe calculator i se bazeaz pe teoria
automatelor celulare. Asemenea modele sunt alctuite din mediul n care se
desfoar interaciunea, un numr oarecare de indivizi n sens larg (nu n mod
necesar biologici), care la rndul lor sunt definii n termeni de comportament
(reguli procedurale) i parametri caracteristici. nsuirile i efectele aciunilor
fiecrui individ sunt urmrite n timp. Unele MBI sunt explicit spaiale, n sensul
c indivizii sunt asociai cu locaii i deplasri n spaiul geometric. Alte modele
sunt pur funcionale sau reflect efectul interaciunilor ntre grupuri de elemente
definite dup anumite criterii.
Automatele celulare sunt sisteme dinamice n care spaiul, timpul i
variabilele de stare ale sistemului sunt discrete. Fiecare celul a unei matrici sau a
I. Srbu - Modelarea proceselor ecologice (2009) 15
unei reele rectangulare i modific starea n timp dup o anumit regul, care
este local i determinist.

Tab. 3.1. Clasificarea principalelor categorii de modele aplicate n ecologie (modificat
dup Jrgensen, 1988 i W. Silvert, 2001)

Categoria de modele Caracteristici
tiinifice
Management
- scopul este legat de explicare i cunoatere
- scop de gestiune i control a unui proces sau sistem
Formale
Informale
- (de obicei) exprimate prin ecuaii matematice
- nu sunt exprimate prin ecuaii
Deterministe
Stocastice
- depind numai de datele de intrare
- rezultatele depind de distribuii probabilistice sau de
factori aleatori
Reducioniste
Holiste
- includ ct mai multe detalii i subsisteme
- utilizeaz principii i funcii generale, emergente ale
sistemului ca ntreg
Statice
Dinamice
- independente de timp
- variabilele sunt funcii de timp, eventual i spaiu sau ali
parametri independeni care variaz
Dinamice n timp continuu

Dinamic n timp discret
- urmresc procesul fr ntrerupere n timp, fiind modelate
cel mai adesea prin ecuaii difereniale
- sistemul se studiaz la anumite momente de timp, care
alctuiesc un ir discret; ecuaiile utilizate de obicei fiind de
tip recurent.
Dinamice distributive


Dinamice integrate
- definite prin modificarea gradual a mai multor variabile,
adesea independente, exprimate prin ecuaii difereniale
pariale
- definite la scar temporal lung, exprimate prin valori
medii ale variabilelor de stare i proces
Liniare
Neliniare
- sunt considerate ecuaii de gradul I
- ecuaii de grad superior sau funcii neliniare
Cauzale (cutie alb)

Necauzale (cutie neagr)
- datele de intrare i rezultatele sunt conectate prin relaii de
tip cauz - efect
- sunt comparate intrrile cu ieirile, fr analiza
mecanismului intim cauzal
Populaionale
Suprapopulaionale
(Cenotice)
Ecosistemice (Holiste)
Modele ale bio(eco)sferei
Modele care descriu structura i/sau funcionarea sistemelor
supraindividuale la diferite niveluri de organizare
(populaie, comunitate sau asociaie, biocenoz, ecosistem,
biom, biosfer respectiv ecosfer etc., supra- i subdiviziuni
ale acestora).
Bioenergetic
Biogeochimic
- descriu i caracterizeaz fluxul energetic
- circuitul materiei sau cicluri ale unor elemente i substane
n natur
Modele bazate pe indivizi
(MBI)
Agregative

- analizeaz comportamentele elementelor constituente ca
baz explicativ pentru funcionarea ntregului;
- grupeaz elementele constituente dup anumite criterii.

I. Srbu - Modelarea proceselor ecologice (2009) 16
Modelele trateaz rar, asemenea categoriei precedente, elementele
constituente ale sistemului ca fiind individuale, n ceea ce privete aportul
manifestrii lor la explicarea funciilor ntregului. De cele mai multe ori sistemele
sunt considerate ansambluri de grupe de elemente, caracterizate printr-un grad de
organizare (populaii, niveluri trofice, categorii funcionale etc.). Aceast grupare,
dup diferite criterii, definete modelele de tip agregativ. Ele pot fi de tip
sistematic (grupare pe specii, genuri, familii etc.), structural (sex, vrst, structur
genetic etc.), funcional (trofice, categorii de folosine etc.).
Modelele spaiale sunt cele care includ distribuia, agregarea i micarea
n spaiu a sistemelor supraindividuale.
Modelarea orientat pe obiecte implic grupe de submodele (obiecte)
care au un grad relativ de autonomie, n sensul c pot fi descrise o singur dat, i
apoi asamblate n modele mai complexe n funcie de necesiti. De exemplu,
modelul creterii logistice a unei populaii poate fi definit o singur dat sub
forma unei rutine scrise ntr-un program oarecare, dup care aceasta este chemat
n oricare model superior care implic date despre dinamica numeric a unor
populaii particulare. Datele i condiiile de intrare pot fi diferite, dar mecanismul
de cretere logistic este acelai. Cele mai multe programe i limbaje moderne
suport acest tip de modelare, care este din ce n ce mai utilizat.
n tabelul 3.1 sunt redate sintetic principalele categorii de modele, grupate
dup diferitele criterii i caracterizate sumar, n scopul alctuirii unei imagini de
ansamblu asupra problematicii clasificrii. Exist i alte categorii de modele, care
nu se pot prezenta sub form dichotomic sau prin comparaie, n mod special
cele care s-au dezvoltat cu precdere n ultimele decenii. Dintre acestea amintim:
modelele spaiale, modele fractale, cele bazate pe metode tip Monte-Carlo,
modele de optimizare, cele bazate pe teoria jocurilor, pe teoria haosului sau a
catastrofei, i altele.

















I. Srbu - Modelarea proceselor ecologice (2009) 17

4. MODELE CONCEPTUALE I TRECEREA SPRE
MODELELE CANTITATIVE

4.1. Modele conceptuale

Procesul de conceptualizare, trecerea de la o idee la expresia imaginativ a
acesteia, este un pas esenial n cercetare. Construirea modelelor conceptuale este
o parte integrant a oricrui studiu. Acestea sunt de obicei scheme sau diagrame,
de exemplu formate din blocuri (care reprezint etape, sarcini, comenzi, ntrebri,
declaraii etc.) legate prin sgei (care indic relaiile dintre blocuri i ordinea de
parcurgere a etapelor). n blocuri sunt incluse i variabilele de stare, care descriu
condiiile n care se afl compartimentele sistemului ecologic analizat. Un bun
model conceptual ajut ecologul s formuleze ipoteze, s evalueze necesarul de
date pentru verificarea acestora, s dimensioneze studiul n timp i spaiu etc.
Complexitatea modelelor crete repede cu progresul unei cercetri, motiv
pentru care este necesar s ne concentrm asupra ntrebrilor la care dorim s
rspundem. Acesta este nc un motiv pentru a alctui un bun model conceptual,
care ne va ajuta astfel s nu ne pierdem n amnunte insignifiante n context i s
ne limitm la ceea ce este relevant.
Exist mai multe categorii de modele conceptuale, dintre care le amintesc
pe cele mai importante:

Modele verbale
Semnific descrierea verbal a structurii unui model, a componentelor i
legturilor dintre acestea. Se utilizeaz mai frecvent la procese simple.

Scheme i desene
Foarte des folosite n toate domeniile ecologiei, att ca metod tiinific,
ct i pentru expunere didactic sau popularizare. Exist o mare varietate de
grafice, scheme, desene care includ o serie de detalii, reprezentri ale unor
structuri i funcii particulare etc. n tiin desenul se utilizeaz pentru ilustrarea
sintetic a caracteristicilor realitii investigate, pentru a reliefa i reprezenta
semnificaia datelor experimentale, a evidenia tendine i dinamici repetitive etc.

Diagrame n blocuri (tip cutie)
De obicei se realizeaz prin ansambluri de blocuri interconectate prin
sgei. Fiecare bloc (sau cutie) are o form geometric oarecare definit printr-un
chenar, indicnd tipul de informaie sau proces care se desfoar, n jurul unui
text sau simbol care va constitui o component a modelului, iar sgeile sau liniile
indic legturile dintre acestea. n funcie de prezena sau absena factorilor
cauzali i explicativi distingem:
- modele tip bloc negru (sau cutie neagr)
I. Srbu - Modelarea proceselor ecologice (2009) 18
n acestea se ine seama numai de intrri i de ieiri, adic de valorile de la
nceputul procesului/ compartimentului i cele care rezult n urma acestuia, fr
s ne intereseze cauzalitatea i mecanismul dintre aceste dou categorii. Se aplic
mai ales la studii de caz, la relaii de tip statistic, i n general nu se pot extrapola
la alte sisteme.
- modele tip bloc alb (sau cutie alb)
Sunt modele constituite pe baza expresiei relaiilor cauzale ntre procesele
analizate. ntre datele de intrare i cele de ieire sunt intercalate reguli, de tipul
ecuaiilor matematice. Odat definite i validate, aceste relaii se pot aplica (cu
modificrile de rigoare) i la alte sisteme sau procese similare.
- modele tip cutie (bloc) gri
n realitate sunt cele mai comun utilizate, constituind o combinaie a
categoriilor antemenionate. Acestea conin relaii cauzale, dar includ i legturi
empirice sau statistice pentru unele procese.
O variant a modelelor cu blocuri sunt cele de tip I/O adic intrare - ieire
(Input/ Output) care conin date suplimentare pentru fiecare cutie, la nceperea
i la finalul procesului particular analizat.
Indiferent de tipul modelului, formele geometrice ale blocurilor pot fi alese
astfel nct s mreasc sugestivitatea procesului reprezentat. Se poate opta,
pentru forme utilizate n algoritmii de calculator, sau forme speciale, cum sunt de
exemplu, cele utilizate de E. P. Odum (1971) la descrierea structurii energetice a
sistemelor ecologice (ilustrnd prin diferite forme intrarea energiei, transferul,
pierderile, consumul etc.). n literatur exist o mare varietate de definiii i
posibiliti de reprezentare grafic.

Modelele matriciale
Se indic prin algebr matricial legtura dintre elementele constituente ale
unui sistem. Cea mai simpl form de expresie este reprezentarea unei legturi,
fr a se preciza nici valoarea acesteia (intensitatea sau evaluarea cantitativ de
orice fel), i nici direcia (cine asupra cui acioneaz). O variant este simpla
construcie cu valori de tip 1 i 0, unde 1 semnific existena relaiei iar 0 absena
acesteia. n exemplul de mai jos considerm 4 elemente (s presupunem c
acestea ar fi populaii ale unei comuniti), ntre care exist (1) sau nu (0) relaii
de competiie:

A B C D
A 1
B 1 1
C 0 1 0
D 0 0 1 1

Aceasta este o matrice simetric, triunghiular, valorile de 1 pe diagonala
principal indicnd o relaie (competiie) intraspecific sau interspecific. Astfel
constatm c perechile de populaii ntre care exist relaii competitive sunt: ntre
I. Srbu - Modelarea proceselor ecologice (2009) 19
A i B, ntre B i C, precum i ntre C i D, singura n interiorul creia nu am
decelat competiie intraspecific, fiind populaia C. Reprezentarea acestei matrici,
sub forma unui model conceptual grafic, se poate face printr-un graf neorientat:

A

B C

D

Un alt model ne indic cine asupra cui acioneaz, caz n care matricea nu
trebuie s fie simetric, iar reprezentarea va fi de tipul unui digraf orientat. De
exemplu, fie o comunitate n care valorile de 1 indic cine cu cine se hrnete
(cine prdeaz pe cine), iar ntr-un caz ntlnim i fenomene de canibalism:

de la (prdeaz pe...):
A B C D
A 1 0 0 0
ctre: B 1 0 1 0
(este C 0 0 0 1
prdat) D 0 1 1 0



A

B C

D


n alte modele matriciale nu intereseaz numai existena i direcia
legturii, ci i valoarea acesteia, de exemplu probabilitatea de trecere dintr-o stare
n alta, procentul de materie care trece de la un compartiment la altul etc., caz n
care matricea poate fi reprezentat sub forma unui digraf numeric orientat
(similar cu cel expus mai sus, dar pe fiecare sgeat se scrie valoarea ponderii
legturii sau orice evaluare cantitativ). Numeroase structuri i procese ecologice
se pot defini i reprezenta sub forma unor digrafuri numerice orientate, aceasta
fiind totodat o trecere de la modelul conceptual spre unul cantitativ.





I. Srbu - Modelarea proceselor ecologice (2009) 20

4.2. Trecerea de la modelul conceptual la modelul cantitativ

Un model cantitativ este un set de expresii matematice i valori ataate
blocurilor i sgeilor modelelor conceptuale. Cele mai multe categorii de
modele, prezentate la clasificare, sunt totodat i cantitative.
S presupunem c dorim modelarea ratei de consum C a unui prdtor
(variabila dependent) ca funcie de disponibilitatea przii P (variabila
independent). Putem decela cel puin trei ecuaii care corespund la tot attea
ipoteze (adaptat dup L. J. Jackson i col., 2000):

P * f
e * P * d C .) 3
P * c 1
P * b
C .) 2
P * a C .) 1

=
+
=
=

Reprezentrile grafice ale acestor modele sunt redate mai jos.

Modelul 1:









Modelul 2:














0 1 2 3 4
0
5
10
15
12.03
0.03
C P ( )
4 0.01 P
0 1 2 3 4
0
0.2
0.4
C P ( )
P
I. Srbu - Modelarea proceselor ecologice (2009) 21

Modelul 3:









n modelul 1 rata de consum crete liniar cu disponibilitatea przii. La tipul
2 consumul crete la valori mici ale P, dup care se satureaz la valori mari ale
acesteia, iar n cel de-al treilea model C crete la valori mici, dar descrete la
valori mari ale lui P (de exemplu ca urmare a interveniei aprrii sociale la
prad). Aceste trei modele sunt testate pe date reale, prin tehnici care vor fi
studiate la capitolul dedicat modelrii statistice, iar coeficienii implicai (a, b, c,
d, f) primesc valori, li se evalueaz eroarea standard i semnificaia. De asemenea
vom evalua coeficieni de determinare, care vor sugera n ce msur variaia
variabilei dependente este explicat de ctre cea independent. Urmeaz
validarea modelelor, adic vom evalua prin diferite simulri i teste, care dintre
modele i n ce condiii verific cel mai bine irul de date reale (experimentale
sau observate).
Prin urmare, evaluarea parametrilor semnific identificarea valorilor pentru
acei coeficieni care intervin n construcia ecuaiilor modelului cantitativ. Sursa
de informaie depinde de modul n care va fi folosit modelul. Uneori evaluarea
parametrilor constituie un scop n sine, caz n care modelul va fi rulat de multe
ori pe calculator, dndu-se un numr oarecare de valori, sau chiar domenii, n
care variabilele vor fluctua la ntmplare. Dac modelul se refer la un sistem
particular, despre care avem deja date experimentale, acestea vor fi utilizate
pentru a estima parametrii, care vor fi unic definii, procedeu caracteristic pentru
modelele statistice. Exist ns i posibilitatea de a nu dispune de date reale, caz
n care estimrile lor se vor realiza printr-un proces iterativ, n cadrul cruia se va
compara permanent rezultatul rulrii modelului cu cel care se constat prin
observarea sistemului, pn cnd se ajunge la o relativ identitate (coresponden
a rezultatelor). Acesta este un procedeu de calibrare a modelului, care se poate
realiza prin cercetare sistematic sau prin ncercare i eroare.
Dup ce am selectat cea mai bun form a modelului (n sensul de
adecvat condiiilor studiate) vom putea avansa interpretri de ordin ecologic i
trage concluzii pe baza acestora, fenomen care se numete detecie ecologic
(Hillborn i Mangel, 1997, ap. J.J. Leland i col., 2000).
n multe cazuri modelele empirice sunt restricionate la subiectul analizat,
deoarece se bazeaz pe datele disponibile din lumea real i pe construirea de
relaii ntre acestea. Alte modele predictive pot fi ns complexe, generalizabile,
0 1 2 3 4
0
0.5
C P ( )
P
I. Srbu - Modelarea proceselor ecologice (2009) 22
incluznd descrieri formale cu valabilitate mai larg, relaii cauzale i prognoze
bazate pe un numr mai mare de date i variabile independente.
Dac am hotrt c modelul cantitativ poate i merit s fie formulat n
termeni de ecuaii, vom cuta cele mai bune categorii, modaliti de soluionare a
acestora i vom evalua parametri pentru fiecare, nainte de a ne grbi s le
transcriem ntr-un sistem de programe sau a le codifica ntr-un limbaj oarecare.
Unele ecuaii sunt construite de ecolog (n special n modelele statistice, precum
i n multe tehnici deterministe), altele se aleg din literatura de specialitate,
cunoscndu-se faptul c anumite expresii descriu cu o bun acuratee procesul
particular studiat. De exemplu, nu are foarte mult sens s inventm noi ecuaii
pentru descrierea proceselor care se desfoar n fotosintez, deoarece deja
exist o sumedenie de modele validate, pe care le putem selecta n funcie de
datele disponibile i scopul cercetrii noastre. De asemenea, unii coeficieni care
apar n ecuaii trebuie evaluai din datele proprii (de exemplu coeficienii de
corelaie, de regresie sau parametri statistici descriptivi), pe cnd alii sunt
constante universale (cum ar fi numrul lui Avogadro, numrul e sau ,
acceleraia gravitaional etc.).
Selectarea ecuaiei poate fi impus de domeniul matematic, care se
preteaz la analiza condiiilor cercetrii.
Am amintit anterior c urmrirea desfurrii fenomenelor n timp se poate
realiza prin cel puin trei categorii de tehnici: metode statistice de tipul analizei
seriilor de timp, ecuaii deterministe n timp discret (recurente) sau n timp
continuu (ecuaii difereniale).
De exemplu, dac o variabil x are valoarea x
t
la momentul t i x
t+1
la
momentul (t+1), atunci o ecuaie recurent care descrie un proces ce se urmrete
n intervale discrete de timp, poate avea forma general:
x
t+1
= f(x
t
)
unde: f este funcia care descrie variaia.
De exemplu f(x)= 23.7 - 4.5*x
Dac cunoatem valoarea x
t
putem prognoza fr probleme i corect valoarea lui
x
t+1
.
n timp continuu, un proces care se desfoar va avea, de exemplu,
ecuaia general de forma:


8 . 1 ) ( + =
t
e t g
dt
d


unde: derivata n raport cu timpul a unei funcii ce descrie un fenomen
particular este redat de o anumit expresie matematic. Rezultatul unei
asemenea ecuaii, spre deosebire de penultima, va fi tot o funcie, care nu este
obligatoriu unic. Prin urmare rezultatul va fi de tip deschis (i nu nchis, adic o
anumit valoare a lui x
t+1
, ca mai sus) i poate fi reprezentat sub forma graficului
funciei respective (traiectoria sistemului).

I. Srbu - Modelarea proceselor ecologice (2009) 23

5. INTRODUCERE N MODELAREA STATISTIC PE
CALCULATOR


n acest capitol vom descrie i parcurge principalii pai n utilizarea unui
sistem de programe, care ne ajut n analiza i prelucrarea datelor ecologice,
precum i n dezvoltarea modelelor statistice.
SYSTAT (v. 10.2) este un sistem de programe, conceput pentru analiza
statistic a datelor, cu variate aplicaii n toate domeniile. Cunoaterea unui
numr redus de comenzi i funcii este suficient pentru construirea unui numr
semnificativ de modele cu diferite grade de complexitate. Sistemul de programe
este conceput n module, corespunztoare n mare capitolelor sau subdiviziunilor
statisticii. Intrarea n program se face fie prin icoana vizibil pe desk-top.
Comenzile i funciile se pot tasta n modulul de comand sau accesa din
meniurile pop-up. n cazul n care se scriu explicit, fiecare comand se scrie pe
cte o linie, la sfritul acesteia tastndu-se Enter.

5.1. Editarea i transformarea datelor

Fereastra de editare a datelor se deschide prin selectarea din meniul
principal:
File New Data (pentru a deschide o foaie de calcul nou)
sau:
File Open Data Nume fiier (pentru a deschide un fiier existent)
ntre fereastra de editare i cea de comand/afiare rezultate se trece prin
selecia ferestrelelor situate pe barade jos: Untitled SYSTAT Output Organizer,
respectiv Untitled - SYSTAT Data.
n fereastra de editare fiecare coloan este considerat o variabil care
trebuie declarat la nceputul lucrului, iar fiecare rnd este un articol (case) care
are un numr curent implicit. Variabilele pot fi de mai multe tipuri, n ecologie
avnd importan cele numerice i variabilele text (ir de caractere alfanumerice).
Odat definite, variabilele pot fi oricnd redenumite, dar nu li se mai poate
schimba tipul. Deosebirea dintre declararea celor dou tipuri este semnul $ care
ncheie numele unei variabile de tip ir de caractere. Eticheta unei variabile
ncepe n mod obligatoriu cu o liter. De asemenea trebuie avut n vedere c
variabile diferite au n mod obligatoriu nume diferit. Pentru acelai caracter, litera
mare este echivalent cu litera mic.
Exemple de nume de variabile numerice:
V1, DENSITATE, X1, XX1, XXX1, XXX2, XXX3
Exemple de nume de variabile ir de caractere:
D$, D1$, D11$, XXX1$, NUME$, VARSTA$
Datele se nscriu n fereastra de editare numai dup ce au fost declarate
variabilele n prima linie a viitorului tabel. Pentru a defini variabilele dai dublu
I. Srbu - Modelarea proceselor ecologice (2009) 24
clic pe linia de declaraii (unde vedei VAR00001, VAR00002 etc.), apare
fereastra de Variable Properties n care scriei i selectai ceea ce dorii.
Defilarea se face prin sgei, tasta Home (v poziioneaz pe primul cmp
al articolului), tasta End (duce cursorul pe ultima celul), respectiv Page Up i
Page Down.
Odat introdus o valoare ntr-o celul, aceasta se prsete prin tasta
Enter sau sgeat n jos. Deosebirea este c n primul caz cursorul se deplaseaz
spre dreapta (avantajos cnd datele primare sunt introduse pe linii), n timp ce n
al doilea caz datele se nscriu obligatoriu pe coloane.
Dac se greete la introducerea datelor, schimbarea unei nregistrri se
face prin simpla poziionare pe celula cu pricina, introducerea noii valori sau
nregistrri i prsirea celulei cu Enter sau Sgeat. Noua valoare va nlocui
automat pe cea precedent. n mod similar dac se dorete schimbarea numelui
unei variabile, utilizatorul se poziioneaz pe etichet, introduce noul nume i
prsete celula.
Pentru a salva un fiier se selecteaz icoana cunoscut din MS Office sau
se tasteaz CTRL+S, sau se prsete fereastra de editare i se scrie n cea de
comand :
> SAVE nume-fiier
Numrul de zecimale implicit pentru date (att la introducere ct i n
rezultate) este 3, fapt care se poate schimba prin modificarea cmpului
corespunztor din fereastra de proprieti ale variabilei.
De reinut c n SYSTAT putei scrie deopotriv cu majuscule sau
minuscule comenzile sau declaraiile de variabile.
Selectarea unei variabile se realizeaz prin simpla poziionare pe numele
acesteia i selectarea ei (clic stnga). Asemntor se procedeaz pentru selecia
unui articol, executnd un clic pe numrul curent al lui. Selecia mai multor
articole, respectiv variabile, se realizeaz prin "clic and drag".
Dup ce variabila sau articolul au fost selectate, ele se pot copia (din
meniul Edit Copy sau Ctrl+C, apoi Paste sau Ctrl+V), se pot terge (Cut sau
Delete - prima terge complet articolul sau variabila, a doua terge nregistrrile
din cmpuri), se pot muta etc. De asemenea se pot insera articole (Edit Insert
Case) sau se pot insera variabile (Edit Insert Variable). Cu opiunile Find
variable respectiv Find in column, v putei poziiona pe o anumit coloan,
respectiv gsi o anumit valoare.
Operaii i transformri ale variabilelor se realizeaz din fereastra de
comenzi/afiare rezultate. Indiferent ce dorim s fac o variabil, cuvntul cheie
este LET. Cu aceasta putem combina, aplica o funcie, transforma variabile, sau
putem crea alte variabile noi. Acelai lucru l obinem dac selectm din meniul
de Data opiunea Transform, urmat de Let.
Expresia general este:
LET (variabil) = (expresie)
I. Srbu - Modelarea proceselor ecologice (2009) 25
Transformarea condiionat se realizaz asemntor cu combinaia IF...
THEN LET .... (fie n meniul de comenzi interactive, fie din meniul Data
Transform If Then Let), expresia general fiind
IF (condiie logic) THEN LET (variabil) = (expresie).
Pentru a vedea cum funcioneaz aceste comenzi, s considerm un
exemplu. Un ecolog a analizat un numr de 40 probe, fiecare de cte 1 m
2
, la
malul unui lac. A identificat dou specii de gastropode la limita ntre ap i uscat,
i anume Galba truncatula i Physa acuta. n prima variant cunoate numrul de
exemplare din fiecare ptrat. Baza de date este redat mai jos.
Cercettorul intr n programul SYSTAT, deschide o foaie de lucru,
declar variabilele n manier codificat (fr s uite s-i noteze undeva codurile
utilizate, inclusiv viitorul nume al fiierului, pentru a putea accesa datele
oricnd), de exemplu GT pentru Galba truncatula i PA pentru Physa acuta.
Dup declararea variabilelor ecologul se va deplasa pe prima linie i prima
coloan (Case 1) ncepnd nregistrarea datelor.

Case GT PA
1 0 6
2 0 7
3 12 5
4 145 23
5 23 0
6 0 0
7 0 1
8 0 14
9 0 12
10 58 14
11 0 85
12 0 26
13 0 23
14 58 25
15 0 14
16 12 12
17 0 8
18 12 5
19 56 0
20 8 0
21 4 5
22 56 15
23 52 21
24 84 37
25 57 19
26 51 36
27 85 18
28 26 12
29 24 29
30 12 24
31 23 31
32 0 15
I. Srbu - Modelarea proceselor ecologice (2009) 26
33 0 21
34 0 0
35 25 63
36 84 23
37 61 21
38 186 25
39 245 12
40 368 2

Dup introducerea datelor, fiierul se salveaz cu numele LAC. Din acest
moment denumirea lac este rezervat exclusiv pentru acest fiier.
Dac se revine asupra fiierului, ncrcarea acestuia se face fie prin File
Open selecie lac, fie din modulul de comand cu cuvntul rezervat USE
nume_fiier, adic:
> USE LAC
Dac ai modificat fiierul (de exemplu prin completarea sau actualizarea
valorilor) nu uitai s-l salvai din nou!
Din diferite motive, cercettorul poate vrea s aplice unele transformri sau
calcule pe datele brute din fiierul de mai sus. Cu ajutorul comenzii LET putei
realiza multe calcule automate. De exemplu:
> LET MELCI = GT + PA
va introduce n fiier o nou variabil (MELCI) care conine suma valorilor
de densitate ale variabilelor GT i PA.
> LET GT = LOG(GT)
va nlocui valorile originale ale variabilei GT cu valorile logaritmate n
baz natural.
Poate dorii s pstrai n fiier att valorile variabilei originale ct i cele
logaritmate, caz n care se utilizeaz un nume diferit pentru variabila transformat
(de exemplu GTLOG):
> LET GTLOG = LOG(GT)
Putei selecta numeroase funcii matematice din meniul pop-up care apare
prin selectarea opiunii Transform Let.
Operatorii utilizai sunt cei obinuii n informatic. Nu uitai c virgula, n
numerele reale, se nlocuiete cu punctul.

Operatori i semnificaii
+ sum
- diferen
* nmulire
/ divizare
^ exponent
< mai mic dect
> mai mare dect
= egal
<> diferit de
I. Srbu - Modelarea proceselor ecologice (2009) 27
<= mai mic sau egal dect
=> mai mare sau egal dect

Funciile sunt alese prin cuvinte rezervate iar variabila se pune n
paranteze rotunde (ca n exemplul de mai sus).
Principalele funcii care ne stau la dispoziie sunt:
SQR rdcin ptrat
LOG logaritm natural
EXP funcia exponenial
ABS valoare absolut
SIN sinus
COS cosinus
TAN tangent
Ori de cte ori uitm sintaxa unei expresii sau vreun nume rezervat, putem
cere ajutor, fie din meniul pop-up al versiunilor superioare, fie tastnd HELP n
lina de comand. Dac nu dorim un ajutor general, ci specific, legat de o anumit
expresie sau funcie, tastm:
>HELP expresie
tergerea unui articol se mai poate face din fereasrta de comenzi prin
cuvntul DELETE nr.curent al liniei. De exemplu
>DELETE 23
are ca efect tergerea datelor incluse n linia 23 (proba cu numrul curent 23).
tergerea unei variabile se mai poate face cu comanda DROP
nume_variabil.
De exemplu comanda
>DROP GT
are ca efect tergerea variabilei n care sunt incluse datele de densitate ale speciei
Galba truncatula. Dac ai ters ceva din greeal, cel mai simplu mod de a
recupera datele este s nu salvai fiierul, ci s ieii din modul, reintrai i
ncrcai din nou datele originale.
Comenzi condiionate se pot introduce folosind perechea IF, THEN.
Operatorii logici sunt:
AND - i
OR - sau
NOT - negaie logic
De exemplu urmtoarea linie de comand
>IF GT = 0 AND PA = 0 THEN LET MELCI$ = proba_nula
are ca urmare cutarea articolelor care satisfac ambele condiii (adic densitatea
ambelor specii s fie 0) i introduce o variabil ir, nou, care va conine expresia
proba_nula pentru articolele astfel selectate.
Prsirea modulului de editare (pentru a schimba modulul sau a nchide
calculatorul) se face cu comanda:
> QUIT
sau prin selectarea x din colul dreapta sus (ca n MS Office).
I. Srbu - Modelarea proceselor ecologice (2009) 28
Ordinea evalurii expresiilor este de la stnga la dreapta i de sus n jos,
n funcie de valoarea operatorilor, n mod similar cu condiiile notaiilor
matematice. i aici, utilizarea parantezelor rotunde are aceeai semnificaie pe
care o au i n matematic.
Ieirea din fiierul salvat i aducerea unui ecran gol, pentru a introduce
datele unui nou fiier, se face prin comanda NEW sau combinaia de taste
Ctrl+N.
Listarea fiierului de date, de exemplu pentru a fi copiat n word, se face
cu comanda LIST.
Fiierul existent poate fi reordonat (adic se schimb ordinea de scriere a
articolelor) n funcie de un criteriu pe care l numim cheie de sortare sau de
indexare. Programul permite reordonarea articolelor n sensul ascendent al
valorilor unei (unor) variabile definite drept chei. Cuvntul rezervat pentru
aranjare este SORT. De exemplu expresiile:
>SORT GT
determin aranjarea n ordine cresctoare a densitii speciei G. truncatula, iar
> SORT GT, PA
determin aranjarea articolelor n ordinea cresctoare a densitii speciei G.
truncatula, iar pentru aceleai valori ale acesteia, articolele sunt rearanjate n
ordinea cresctoare a densitii speciei P. acuta. n aceast dubl aranjare,
variabila GT este cheie primar, iar PA este cheie secundar.
Se observ c o comand sau funcie poate include o variabil, mai multe
(care se despart pe aceeai linie prin virgul), sau toate.
Standardizarea variabilelor este extrem de util n analize multivariate, de
exemplu n tehnici de clasificare i de analiz a dendrogramelor, motiv pentru
care uneori trebuie s standardizm datele. Acest lucru se face foarte simplu prin
comanda STANDARDIZE. Prin aceast comand valorile originale ale
variabilelor sunt nlocuite cu scorurile z.
De exemplu:
> STANDARDIZE
determin standardizarea datelor tuturor variabilelor, iar:
> STANDARDIZE nume_variabil_1, nume_variabil_2
are ca efect standardizarea celor dou variabile apelate.

5.2. Operaii cu fiiere

Dou sau mai multe fiiere pot fi unite (alipite) pe orizontal. Pentru
aceasta se selecteaz Data Merge (selecie fiiere i selecie variabile)
Save file (nume fiier nou).
Expresia general este:
MERGE fiier1 (list 1 variabile) fiier2 (list 2 variabile)
Dac exist variabile comune celor dou fiiere, se vor nscrie datele variabilei
corespunztoare din cel de-al doilea fiier. Dac dorim potrivirea articolelor dup
un anumit protocol se poate opta pentru o variabil cheie anume.
I. Srbu - Modelarea proceselor ecologice (2009) 29
Prin comanda:
MERGE fiier (list variabile)
putem obine un nou fiier care va conine numai anumite variabile din cel
vechi, ntr-o nou ordine.
O alt opiune este s unim dou fiiere pe vertical. n acest caz este
necesar ca fiierele s aib aceleai variabile, situate n aceeai ordine. Se
selecteaz Data Append (nume fiiere)
Expresia general este:
APPEND fiier1 fiier2
articolele din fiier 2 vor fi adugate dup ultimul articol din fiier 1. Nu
uitai s selectai opiunea Save file pentru a pstra n memorie fiierul nou.
Transpoziia fiierului (transformarea liniilor n coloane) este adesea
necesar, cum ar fi n analize de corelaii sau de clasificare ierarhic, fapt care se
execut cu comanda TRANSPOSE nume fiier, sau selecia din meniurile
corespunztoare:
Data Transpose (selecie variabile) Save file (nume fiier
nou).

5.3. Modulul de statistic univariat

Modulul de statistic se poate accesa din fereastra de comenzi cu expresia
STATS. Comanda pentru analiza statistic este STATISTICS. De exemplu:

> STATS
> USE LAC
> STATISTICS /ALL
va avea ca efect apariia urmtoarelor rezultate (o selecie din cele care apar
efectiv):

GT PA

N OF CASES 40 40
MINIMUM 0.000 0.000
MAXIMUM 368.000 85.000
RANGE 368.000 85.000
MEAN 45.675 17.725
VARIANCE 5585.251 282.922
STANDARD DEV 74.735 16.820
STD. ERROR 11.817 2.660
SKEWNESS(G1) 2.717 2.014
KURTOSIS(G2) 7.906 5.462
SUM 1827.000 709.000
C.V. 1.636 0.949

n comanda precedent ALL semnific selectarea tuturor analizelor
statistice descriptive coninute de rutin.
I. Srbu - Modelarea proceselor ecologice (2009) 30
Acelai lucru se poate obine prin selecia din meniuri:
Statistics Descriptive Statistics Basic Statistics (selecie variabile)
(selecie opiuni, respectiv parametri statistici)
Aceast cale este de preferat atunci cnd dorim s selectm numai anumite
opiuni din cele care ne stau la dispoziie.
Semnificaiile rezultatelor (dac sunt alese toate opiunile):
N OF CASES - numr de valori ale variabilei ir, fr cele lips.
Acest parametru indic dimensiunea probei (a numrului de valori valabile
pentru care s-au calculat parametri statistici). Se face distincia dintre valoarea 0
(zero) care este valabil (intr n prob) i valoarea lips (semnalat prin punct .)
care nu este considerat un cmp valabil.
MINIMUM - valoarea cea mai mic
MAXIMUM - valoarea cea mai mare
RANGE - amplitudine
SUM - sum
MEDIAN - mediana
MEAN - medie aritmetic
95% CI Upper - limita superioar de confiden a mediei la probabilitatea de
0.95.
95% CI Lower - limita inferioar de confiden a mediei la probabilitatea de 0.95.
STD. ERROR - eroarea standard a mediei aritmetice
STANDARD DEV - abaterea standard
VARIANCE - variana
C.V. - coeficient de variaie
SKEWNESS (G1) - coeficient de asimetrie
SE SKEWNESS - eroarea standard a coeficientului de asimetrie
KURTOSIS (G2) - coeficient de aplatizare/boltire
SE KURTOSIS - eroarea standard a coeficientului de aplatizare/boltire.

Comanda SATISTICS consider implicit toate variabilele dintr-un fiier.
Dac se execut analize numai pentru anumite variabile, acestea se declar prin
etichetele lor, desprite de virgul:
> STATISTICS nume_veriabil_1, nume variabil_2 ....

Tabelul de mai jos conine date biometrice ale speciei Unio crassus,
exemplarele fiind colectate din dou staii de pe Criul Alb, i anume de la Ineu i
Chiineu -Cri (au fost selectate la ntmplare cte 50 de exemplare msurate n
fiecare dintre staii). Etichetele variabilelor au urmtoarele semnificaii: GFA -
masa scoicii, fr ap n cavitatea paleal, L - lungimea maxim, H - nlimea n
dreptul umbonelui, LAT - limea, S - codul numeric al staiei (S=1 pentru Ineu i
S=2 pentru Chiineu-Cri).



I. Srbu - Modelarea proceselor ecologice (2009) 31
Date biometrice la Unio crassus din rul Criul Alb

GFA L H LAT S

CASE 1 58.91 83.40 40.00 29.30 1.00
CASE 2 40.84 74.00 34.50 26.10 1.00
CASE 3 29.44 66.50 32.30 24.50 1.00
CASE 4 40.84 74.00 35.00 27.20 1.00
CASE 5 30.40 67.20 34.50 24.50 1.00
CASE 6 46.13 77.00 35.00 27.40 1.00
CASE 7 46.13 77.00 36.70 26.20 1.00
CASE 8 50.87 79.50 37.60 27.00 1.00
CASE 9 15.91 54.40 28.00 19.50 1.00
CASE 10 38.36 72.50 34.50 23.50 1.00
CASE 11 28.76 66.00 30.80 22.40 1.00
CASE 12 43.25 75.40 34.60 27.00 1.00
CASE 13 38.19 72.40 35.00 24.30 1.00
CASE 14 32.38 68.60 32.00 23.80 1.00
CASE 15 13.05 51.00 25.50 17.10 1.00
CASE 16 24.10 62.30 32.70 22.30 1.00
CASE 17 34.45 70.00 34.00 24.20 1.00
CASE 18 25.50 63.20 32.30 22.10 1.00
CASE 19 42.50 73.00 36.40 26.80 1.00
CASE 20 39.00 75.50 34.00 25.20 1.00
CASE 21 30.00 67.50 32.30 22.50 1.00
CASE 22 38.00 73.60 33.20 25.00 1.00
CASE 23 43.00 72.00 35.80 25.30 1.00
CASE 24 46.50 79.60 36.30 26.80 1.00
CASE 25 49.90 79.00 39.00 24.60 1.00
CASE 26 50.68 79.40 37.00 27.40 1.00
CASE 27 26.50 69.30 32.40 24.60 1.00
CASE 28 12.14 49.80 25.20 19.40 1.00
CASE 29 30.00 65.20 32.50 23.50 1.00
CASE 30 40.00 71.00 34.00 26.40 1.00
CASE 31 36.00 71.00 35.00 25.40 1.00
CASE 32 34.00 69.00 34.30 24.30 1.00
CASE 33 58.50 80.00 40.70 30.20 1.00
CASE 34 44.50 71.30 36.00 25.00 1.00
CASE 35 49.00 76.20 34.80 29.20 1.00
CASE 36 48.00 76.70 35.00 28.70 1.00
CASE 37 38.00 76.10 34.00 27.00 1.00
CASE 38 29.00 67.10 31.00 23.30 1.00
CASE 39 51.00 79.00 36.80 28.60 1.00
CASE 40 40.00 74.20 34.40 26.00 1.00
CASE 41 36.50 71.50 33.50 24.70 1.00
CASE 42 40.00 74.20 34.50 26.60 1.00
CASE 43 33.00 70.00 34.30 24.70 1.00
CASE 44 40.00 72.30 34.00 27.00 1.00
CASE 45 35.00 68.00 31.50 25.00 1.00
CASE 46 34.50 66.60 33.10 25.40 1.00
CASE 47 44.00 73.30 33.80 27.00 1.00
CASE 48 41.00 74.30 35.00 27.40 1.00
CASE 49 26.00 63.00 32.40 22.00 1.00
CASE 50 45.00 75.30 36.30 27.70 1.00
CASE 51 13.00 50.30 24.60 18.80 2.00
CASE 52 28.00 63.00 27.60 23.50 2.00
CASE 53 9.00 46.00 25.00 16.30 2.00
CASE 54 21.50 56.70 27.50 21.80 2.00
CASE 55 21.00 57.10 28.60 21.40 2.00
CASE 56 6.00 38.30 21.00 13.20 2.00
CASE 57 22.00 60.50 28.50 21.20 2.00
CASE 58 24.00 60.50 30.40 21.80 2.00
I. Srbu - Modelarea proceselor ecologice (2009) 32
CASE 59 19.00 58.20 28.00 21.50 2.00
CASE 60 7.00 41.10 20.70 13.80 2.00
CASE 61 23.00 56.90 29.50 21.00 2.00
CASE 62 32.00 63.20 31.10 23.60 2.00
CASE 63 25.00 63.00 29.00 21.50 2.00
CASE 64 21.00 53.00 28.00 22.70 2.00
CASE 65 6.50 41.60 21.60 14.80 2.00
CASE 66 17.00 54.00 26.70 19.60 2.00
CASE 67 18.00 57.40 27.40 21.20 2.00
CASE 68 21.00 61.10 29.00 22.20 2.00
CASE 69 20.00 55.30 27.70 22.60 2.00
CASE 70 23.50 59.00 28.00 21.60 2.00
CASE 71 15.50 54.30 26.50 19.20 2.00
CASE 72 7.00 40.60 22.60 15.00 2.00
CASE 73 19.50 59.00 27.10 20.60 2.00
CASE 74 19.00 60.00 28.70 21.20 2.00
CASE 75 15.50 52.50 26.40 20.00 2.00
CASE 76 20.50 58.20 28.00 18.30 2.00
CASE 77 21.00 55.20 28.00 20.50 2.00
CASE 78 7.50 45.00 23.00 14.60 2.00
CASE 79 25.00 60.30 28.60 22.20 2.00
CASE 80 16.00 54.30 26.20 18.20 2.00
CASE 81 7.50 42.00 22.60 15.60 2.00
CASE 82 3.00 31.70 16.60 11.30 2.00
CASE 83 2.50 29.10 15.20 9.40 2.00
CASE 84 10.00 50.20 26.00 17.30 2.00
CASE 85 6.50 39.30 20.70 14.50 2.00
CASE 86 7.00 41.50 21.70 14.20 2.00
CASE 87 4.00 32.60 18.00 12.00 2.00
CASE 88 23.50 61.00 29.30 23.00 2.00
CASE 89 19.00 56.00 28.80 21.00 2.00
CASE 90 16.00 52.30 25.40 19.40 2.00
CASE 91 21.50 60.00 29.00 22.00 2.00
CASE 92 3.00 29.00 16.20 10.60 2.00
CASE 93 21.50 58.60 28.70 21.20 2.00
CASE 94 18.00 55.40 27.00 21.20 2.00
CASE 95 5.00 38.30 20.00 14.30 2.00
CASE 96 14.50 55.00 27.40 19.60 2.00
CASE 97 8.00 44.00 22.10 15.50 2.00
CASE 98 15.00 50.10 28.40 19.40 2.00
CASE 99 17.00 51.10 28.00 20.10 2.00
CASE 100 15.50 53.70 23.70 19.60 2.00

Dac se dorete realizarea unor prelucrri difereniate pe staii, sau grupe
de date, atunci se include n prima linie de comand numele variabilei de grupare.
Aceasta trebuie s conin numere naturale n calitate de identificator de grup
(din acelai motiv am ales codificarea staiilor n Tab. 2 sub form de numere
naturale), iar aceast trebuie s fie sortat (adic articolele sunt aranjate n
ordinea cresctoare a identificatorilor de grup). Comanda este BY
nume_variabil.
Dac, de exemplu, n fiierul de mai sus dorim s realizm unele calcule
difereniat pe cele dou staii, utilizm comanda: BY S. Atunci toate analizele
comandate prin Statistics se vor realiza difereniat pentru clasa de date din S=1 i
- separat - pentru cele din S=2.



I. Srbu - Modelarea proceselor ecologice (2009) 33
5.4. Testul t-Student pentru dou medii

Modulul de statistic descriptiv ofer posibilitatea aplicrii unor teste,
dintre care reinem pe cel care ne va fi extrem de folositor n analizele ecologice,
i anume testul t-Student pentru verificarea semnificaiei diferenei dintre
dou medii aritmetice.
Pentru a rula acest test trebuie s existe o cheie de grupare, toate datele
unui fiier aparinnd astfel, obligatoriu, la una din dou grupe (ca de exemplu
datele din fiierul XX, care sunt fie din staia S 1 fie din S 2). De asemenea
fiierul a fost sortat n prealabil dup cheia respectiv. Comanda pentru realizarea
testului este TTEST, cu expresia:
> TTEST
> Use (nume fiier)
> TEST variabila_1, variabila_2 ...,variabila_n * cheie (variabila de grupare)
De exemplu n fiierul XX dac dorim s verificm semnificaia
diferenelor dintre mediile variabilelor mas (GFA) i lungime total (L) dintre
loturile aparinnd celor dou staii, vom scrie expresiile:
> TTEST
> USE XX
> TEST GFA,L * S
care vor avea ca rezultat redarea urmtoarelor rezultate:


Two-sample t test on GFA grouped by S


Group N Mean SD

1

50
37.77 10.20

2

50
15.64 7.43

Separate Variance t = 12.40 df = 89.6 Prob = 0.00
Difference in Means = 22.13 95.00% CI = 18.59 to 25.68

Pooled Variance t = 12.40 df = 98 Prob = 0.00
Difference in Means = 22.13 95.00% CI = 18.59 to 25.68


Two-sample t test on L grouped by S

Group N Mean SD

1

50
71.17 6.93

2

50
51.33 9.42

Separate Variance t = 11.99 df = 90.0 Prob = 0.00
Difference in Means = 19.84 95.00% CI = 16.55 to 23.13

Pooled Variance t = 11.99 df = 98 Prob = 0.00
Difference in Means = 19.84 95.00% CI = 16.55 to 23.12

Rezultatele sunt redate explicit pentru cele dou variabile i staii, cea mai
important valoare n context, este cea redat prin abrevierea PROB situat n
I. Srbu - Modelarea proceselor ecologice (2009) 34
dreapta - jos. Valori mai mari de nivelul de semnificaie ales (de obicei 0.05)
semnific diferene nesemnificative ntre medii. Mai sus observm c n ambele
cazuri mediile difer semnificativ. Prin urmare bivalvele prezint medii
semnificativ mai mari att n ceea ce privete masa ct i lungimea, la staia
situat n amonte (la Ineu).
Interpretarea probabilitii testelor. Prin comparaie cu testele pe care
le-am studiat la ecologie, rezultatele celor aplicate n Systat redau (pe lng multe
alte rezultate intermediare, pe care le putem ignora de altfel) direct probabilitatea
(Prob) ca ipoteza nul s fie adevrat. Prin urmare, pentru a le interpreta, trebuie
s ne reamintim care este ipoteza nul. Regula de aur este c aceasta implic
ntotdeauna o egalitate, adic afirm c practic nu se ntmpl nimic (mediile nu
difer, distribuiile sunt egale, tratamentul nu are efect etc.), motiv pentru care se
mai numete i ipoteza de repaus. Cnd vedem o probabilitate mic
(convenional sub 0.05) concluzionm c este o ans mult prea redus de a
susine aceast ipotez, motiv pentru care negm ipoteza nul.
Testul t se poate apela n diferite variante i din meniuri, astfel:
Statistics t-test two groups (selecie variabile i variabila de grupare
cu dou valori)
produce un test t independent sau pentru dou probe (valorile unei
variabile separate n dou pe baza unei variabile de grupare);
Statistics t-test paired ... (selecie variabile, fr variabila de
grupare)
produce un test t dependent pentru mediile a dou variabile care descriu
acelai grup;
Statistics t-test One Sample ... (selecie variabile i redare
valoare prognozat)
pentru a realiza un test t pentru o prob, ntre valoarea medie a unei
variabile i o valoare presupus sau prognozat pentru aceasta.

5.5. Modulul de teste neparametrice

Testele neparametrice sunt utilizate atunci cnd nu putem presupune c
datele ecologice sunt descrise prin vreo distribuie matematic cunoscut. Mai
simplu, utilizm teste neparametrice atunci cnd avem puine date (n<30),
respectiv cnd lucrm cu probe statistice mici. Modulul neparametric se
acceseaz prin comanda NPAR, sau din meniuri.
Testele neparametrice se aleg n funcie de tipul i aranjarea datelor
primare. Astfel modulul permite realizarea testului Kolmogorov-Smirnov (pentru
o prob), testul semnelor al lui Wilcoxon (pentru dou probe relaionate),
Friedman (pentru mai multe probe relaionate), Kolmogorov - Smirnov sau Mann
- Whitney (pentru dou probe independente), Kruskal - Wallis (mai multe probe
independente).
I. Srbu - Modelarea proceselor ecologice (2009) 35
Ca n toate rutinele, comanda HELP urmat de o expresie specific, va
aduce pe ecran explicaii cu privire la testul solicitat, precum i gramatica
explicit a acestuia.
Dac avem un numr redus de probe i dorim s aflm n ce msur exist
diferene semnificative ntre mediile a dou grupe de date, putem rula testul
Mann-Whitney. Este extrem de util att n unele sectoare ale ecologiei, ct mai
ales n fiziologie, ecotoxicologie sau genetic, unde adesea, din cauza limitrilor
materiale, se lucreaz cu un numr redus de probe.
S presupunem c studiem efectul unei combinaii de substane Y ntr-o
anumit concentraie, asupra creterii unor plantule aparinnd unei specii de
cultur. Pentru aceast analiz avem un lot de plantule de aceeai vrst, separate
n dou grupe: proba martor (care crete n absena tratamentului cu Y) i proba
supus aciunii substanei cu pricina.
Fiierul de date primare (PLANTULE.sys) va conine prin urmare o
variabil care descrie creterea plantulelor ntr-o anumit perioad de timp, n cm
(variabila P) i o variabil de grupare, sau cheie, care desparte datele n funcie de
proba la care aparin (martor sau cea supus aciunii substanei Y):

P T
CASE 1 4.500 1.000
CASE 2 4.900 1.000
CASE 3 5.000 1.000
CASE 4 5.000 1.000
CASE 5 4.500 1.000
CASE 6 3.400 1.000
CASE 7 5.100 1.000
CASE 8 4.800 2.000
CASE 9 2.300 2.000
CASE 10 4.500 2.000
CASE 11 3.300 2.000
CASE 12 3.800 2.000
CASE 13 4.100 2.000
CASE 14 5.000 2.000
CASE 15 3.200 2.000
CASE 16 2.800 2.000

Pentru a afla dac exist diferene semnificative ntre medii (cu alte
cuvinte, dac substana are sau nu un efect asupra creterii plantulelor) se
tasteaz:
> NPAR
> USE PLANTULE
> KRUSKAL P * T
iar rezultatul va fi urmtorul ecran:



I. Srbu - Modelarea proceselor ecologice (2009) 36
KRUSKAL-WALLIS ONE-WAY ANALYSIS OF VARIANCE FOR 16 CASES

DEPENDENT VARIABLE IS P
GROUPING VARIABLE IS T

GROUP COUNT RANK SUM

1.000 7 79.000
2.000 9 57.000

MANN-WHITNEY U TEST STATISTIC = 51.000
PROBABILITY IS 0.038
CHI-SQUARE APPROXIMATION = 4.311 WITH 1 DF

Rezultatele se refer la precizarea dimensiunii probei, a variabilei
dependente (P) respectiv de grupare (T), suma rangurilor fiecrei grupe, valoarea
parametrului statistic al testului Mann-Whitney, probabilitatea (! cea mai
important parte a rezultatului; restul poate fi ignorat) care ne indic semnificaia
diferenei. A se reaminti c ipoteza nul statuteaz egalitatea mediilor. Dac s-a
ales un nivel critic de 0.05, devine evident faptul c probabilitatea calculat mai
sus (0.038) este mai mic, motiv pentru care respingem ipoteza nul i afirmm,
la nivelul de asigurare ales, diferene semnificative ntre cele dou probe. Altfel
spus, la nivelul de probabilitate de 0.05 recunoatem c soluia de Y are un efect
semnificativ inhibitor asupra creterii plantulelor aparinnd speciei de interes.
Modulul de teste neparametrice se poate apela i prin meniuri (Statistics
Non parametric tests ...), putndu-se selecta o varietate de alte aplicaii.

5.6. Grafice

Facilitile grafice sunt diverse i foarte uor de aplicat. Graficul se alege i
construiete adecvat datelor de care dispunem. Le putem clasifica dup utilitate
sau form, respectiv semnificaie. Dup utilitate le mprim n grafice
intermediare sau de lucru (care ne ajut n timpul procesului de analiz a datelor,
ca unealt n selectarea aplicaiilor) i grafice de prezentare a rezultatelor. Dup
semnificaie i form distingem grafice de tip nor de puncte, drepte sau curbe de
regresie (cel mai adesea cele dou tipuri apar mpreun), histograme (care pot
prezenta o mare varietate de date, cele mai uzuale n analizele statistice fiind
distribuiile de frecvene pe clase de variaie), grafice tip box-plot (descriu
variabilele n ceea ce privete mediana, limitele de confiden i amplitudinea)
etc.
n procesul de modelare este benefic s vizualizm din cnd n cnd datele,
deoarece aceasta ne poate oferi informaii despre tipul de model pe care trebuie
s-l construim. De exemplu, dac dorim s modelm relaia ntre masa scoicilor
din tabelul referitor la Unio crassus (fiierul XX.sys) i lungime, intrm n
modulul grafic (la versiuni inferioare se utilizeaz comanda GRAPH), ncrcm
fiierul (cu comanda USE) dup care vizualizm datele prin comanda:
> PLOT GFA * L
I. Srbu - Modelarea proceselor ecologice (2009) 37
unde PLOT are ca efect crearea unui grafic bidimensional de tip nor de puncte.

5.7. Corelaii i distane

Modulul de analiz a corelaiilor se acceseaz din meniuri prin selecia:
Statistics Correlations Simple (selectare variabile) (selecie tip
analiz i date).
Selecia tipului de analiz sau date utilizate se refer la variabile continue
(opiunile fiind analiza de corelaie Pearson, de covarian etc.), matrici de
distane (de exemplu calculeaz distane euclidiene, Bray-Curtis etc.), ranguri,
sau variabile binare (care conin valori de 1 i 0; acestea se pot utiliza n
ecologie pentru analiza de similitudine pe date calitative, cum ar fi prezena-
absena speciilor etc.).
O variant mai simpl este utilizarea comenzii de intrare n modul:
> CORR.
Exist numeroase posibiliti matematice de analiz corelativ. Astfel se
pot realiza, de exemplu, matrici cu coeficieni de covarian (prin comanda
COVARIANCE), coeficieni de corelaie de tip Pearson (PEARSON), matrici
de distane euclidiene (EUCLIDEAN), precum i indici pentru date binare, de
tipul coeficientului dichotomic Jaccard (S3), coeficientul dichotomic simplu (S4),
coeficienii Anderberg (S5), Tanimoto (S6) etc.
n analiza de corelaie se pot solicita matricile de probabiliti ale
semnificaiilor coeficienilor, prin adugarea unei comenzi suplimentare. De
exemplu, dac dorim s realizm o analiz de corelaie ntre variabilele
biometrice lungime, lime i nlime, ale fiierului XX.sys, trebuie s procedm
astfel:
L
G
F
A
-5
5
15
25
35
45
55
65
25 35 45 55 65 75 85 95
I. Srbu - Modelarea proceselor ecologice (2009) 38
> CORR
> USE XX
> SAVE (nume fiier nou)
> PEARSON L, LAT, H / PROB
n seriile de comenzi de mai sus, am intrat n modulul de corelaii, am
ncrcat fiierul XX.sys i am accesat o analiz de corelaii de tip Pearson pentru
cele trei variabile precizate prin etichetele lor (desprite de virgul), dup care
am cerut i o analiz de semnificaie (/ PROB) care va crea o a doua matrice de
probabiliti. Coeficienii semnificativi vor avea probabiliti mai mici de 0,05
(reamintesc c sub aceast probabilitate vom respinge ipoteza nul care statuteaz
c fiecare coeficient este nesemnificativ, adic nu difer semnificativ de zero).

PEARSON CORRELATION MATRIX
L H LAT

L 1.000
H 0.976 1.000
LAT 0.971 0.956 1.000

BARTLETT CHI-SQUARE STATISTIC: 577.750 DF= 3 PROB= .000

MATRIX OF PROBABILITIES
L H LAT

L 0.000
H 0.000 0.000
LAT 0.000 0.000 0.000

NUMBER OF OBSERVATIONS: 100

n toate cazurile (perechile de variabile analizate) coeficienii de corelaie
sunt extrem de semnificativi (probabilitile de semnificaie sunt mult situate sub
valoarea critic de 0.05), pozitivi i mari (toi sunt peste 0.95). Cea mai strns
corelaie se nregistreaz ntre L i H.

5.8. Analiza de regresie liniar general

Modulul pentru modele de regresie liniare (MGLH) este printre cele mai
utile n procesul de modelare a fenomenelor ecologice. Acest modul realizeaz
analize ale unor regresii de tip Y = a + bX. Dac relaia mbrac forma unei curbe
exponeniale sau logaritmice, acest lucru se poate rezolva prin schimbarea scrii
variabilelor.
De exemplu, dac dorim s realizm o analiz de regresie ntre variabila
GFA i L din fiierul XX. sys, simpla observaie a aranjrii datelor n figura de
tip PLOT realizat mai sus, ne informeaz c este inutil cutarea unui model de
tip liniar pe date originale. Acest lucru se corecteaz prin dubla logaritmare a
ambelor variabile, ceea ce se poate face fie n modulul DATA, fie n EDIT. n
ultimul caz procedm astfel:
> USE XX
I. Srbu - Modelarea proceselor ecologice (2009) 39
> SAVE LXX
> LET GFA = LOG(GFA)
> LET L = LOG (L)
a doua linie a servit la salvarea unei copii a fiierului original cu datele
transformate ale celor dou variabile. Apoi intrm n modulul MGLH i cerem o
analiz de semnificaie a modelului de interes. Tipul modelului se precizeaz
prin:
> MGLH
> MODEL nume_variabil_dependent = expresie
iar pentru a accesa analiza se tasteaz pe linia urmtoare:
> ESTIMATE
n exemplul nostru, vom tasta urmtoarea secven:
> MGLH
> USE XXL
> MODEL GFA = CONSTANT + L
> ESTIMATE
care va avea ca efect producerea urmtoarei ferestre. Aparent este foarte
complicat, pentru utilizatorul nceptor, din cauza faptului c prezint mai multe
rezultate intermediare i unele teste. Pentru ecolog este suficient s cunoasc
cteva valori, cele care au semnificaie maxim pentru modelul cutat.


DEP VAR: GFA N: 100 MULTIPLE R: .990 SQUARED MULTIPLE R: .981
ADJUSTED SQUARED MULTIPLE R: .980 STANDARD ERROR OF ESTIMATE: 0.100

VARIABLE COEFFICIENT STD ERROR STD COEF TOLERANCE T P(2 TAIL)

CONSTANT -9.132 0.174 0.000 . -52.586 0.000
L 2.988 0.042 0.990 1.000 70.480 0.000

ANALYSIS OF VARIANCE

SOURCE SUM-OF-SQUARES DF MEAN-SQUARE F-RATIO P

REGRESSION 49.418 1 49.418 4967.447 0.000
RESIDUAL 0.975 98 0.010

Coeficientul de determinare (SQUARED MULTIPLE R:) este foarte
mare (0.981) semnalnd o puternic dependen a variabilei ln(GFA) de ln(L).
STANDARD ERROR OF ESTIMATE semnific eroarea standard a modelului,
iar COEFFICIENT, prezentnd valorile coeficienilor ecuaiei de regresie, scrii
n dreptul variabilelor (VARIABLE) permit scrierea explicit a formei
matematice a acestui model. n sfrit, pe ultima coloan verificm dac P (2
TAIL) care conine probabilitile, sunt mai mici dect valoarea critic (aa cum
se constat n exemplul de fa), aceasta indicnd faptul c valorile sunt
semnificative din punct de vedere statistic. Astfel raportm rezultatul:
ln(GFA) = -9.132 + 2.988 ln(L)
r
2
= 0.981; eroare standard = 0.1; < 0.05
Modelele pe care le cutm pot fi uni- sau multivariate. n mod analog cu
modelarea statistic neliniar, evalum semnificaia acestora prin: r
2
(s fie ct
I. Srbu - Modelarea proceselor ecologice (2009) 40
mai mare), eroarea standard a estimrii (s fie ct mai mic), precum i prin
probabilitile de semnificaie ale parametrilor ecuaiei de regresie (care trebuie
s fie ct mai mici, n orice caz sub valoarea critic aleas de obicei la 0.05; dac
rezult valori mai mari cutm un alt tip de model).
Calculatorul estimeaz orice tip de model conceput de utilizator. Dac, de
exemplu, am logaritmat i variabilele H, respectiv LAT, am putea cuta modele
mai bune dect cel obinut anterior, prin diferite expresii, care vor fi urmate
(fiecare n parte) de comanda ESTIMATE:
> MODEL GFA = CONSTANT + L + LAT
este un model bivariat, de tip aditiv
> MODEL GFA = CONSTANT + L*LAT
model bivariat n care se nmulesc variabilele independente, sau
> MODEL GFA = L * LAT * H
care este un model trivariat de tip multiplicativ, fr constant (n cazul de fa,
se va dovedi cel mai bun model!).
Ori de cte ori realizm o analiz de acest tip, s nu uitm s precizm sub
ecuaie valoarea coeficientului de determinare (r
2
), a erorii standard i a
probabilitii de semnificaie.

5.9. Construirea dendrogramelor

Dup cum s-a artat n capitolul teoretic, construirea dendrogramelor face
parte din analiza de clasificare ierarhic. n SYSTAT apelarea modulului de
clasificare ierarhic se realizeaz prin comanda CLUSTER (n fereastra de
comenzi) sau prin selectarea din meniuri:
Statistics Classification Hierarchical clustering ...
dup care se selecteaz variabilele, dac se dorete ierarhizarea articolelor
sau a variabilelor, tip de amalgamare, distana, eventual selectarea variantei de
dendrogram polar etc.
S presupunem c am editat un fiier (CHEST.sys) care conine rezultatele
unei anchete asupra a 5 loturi de oameni (A, B, C, D i E), fiecare chestionat
asupra unor probleme de gestiune casnic a deeurilor. Indivizii din fiecare lot au
rspuns cu da sau nu la cte 5 ntrebri. S-a calculat procentul de indivizi din
fiecare lot care au dat rspunsuri afirmative la aceste ntrebri, fapte care denot o
atitudine responsabil fa de problema igienei. Fiierul este redat mai jos:

A B C D E

ntrebare 1 14.500 65.000 24.000 5.500 45.000
ntrebare 2 22.900 14.000 22.100 4.500 61.300
ntrebare 3 0.500 6.100 13.500 3.600 24.100
ntrebare 4 12.300 5.500 14.800 2.500 12.900
ntrebare 5 75.000 12.500 15.900 1.120 14.000

I. Srbu - Modelarea proceselor ecologice (2009) 41
Pentru a analiza cum se situeaz, prin comparaie, cele 5 loturi de indivizi, putem
construi dendrograma pe baza distanelor euclidiene. Pentru aceasta se acceseaz
modulul de clasificare se tasteaz comanda:
> CLUSTER
> USE CHEST
> JOIN / COLS
care va afia pe ecran:

SINGLE LINKAGE METHOD (NEAREST NEIGHBOR)
TREE DIAGRAM
DISSIMILARITIES
-100.000 0.000
B --------------------------------------------------+
+----+
A ----------------+
+---------------------------------+
E ----------------+
++
C -------------------------------------------------------+
+---
D --------------------------------------------------------+


n care se prezint dendrograma realizat la distan euclidian, prin metoda
gruprii la cel mai apropiat vecin, scara fiind redat n termeni de disimilaritate.
Se poate observa (i comenta corespunztor) c loturile A i E sunt cele mai
asemntoare n ceea privete atitudinea fa de problema deeurilor, iar C, dar n
special D, sunt cele mai diferite ca mentalitate.
Modulul posed diverse opiuni pentru construirea dendrogramelor. De
exemplu, matricile se pot clasifica pe linii (JOIN / ROWS), iar metoda de grupare
poate fi realizat la distan medie:
> JOIN / ROWS LINKAGE = AVERAGE
sau complet
LINKAGE = COMPLETE
Distana implicit este cea euclidian, iar metoda de grupare se realizeaz
implicit prin cel mai apropiat vecin.
Dac datele sunt de tip binar (specii prezente - absente), fiierul avnd forma:

S1 S2 S3 S4

CASE 1 1.000 1.000 0.000 1.000
CASE 2 0.000 0.000 1.000 0.000
CASE 3 0.000 0.000 1.000 1.000
CASE 4 1.000 1.000 0.000 0.000
CASE 5 0.000 1.000 0.000 1.000
CASE 6 0.000 1.000 0.000 0.000
CASE 7 0.000 0.000 1.000 0.000
CASE 8 1.000 1.000 0.000 1.000
CASE 9 0.000 0.000 1.000 1.000
CASE 10 0.000 0.000 1.000 0.000
CASE 11 0.000 0.000 1.000 1.000
CASE 12 1.000 1.000 0.000 1.000
I. Srbu - Modelarea proceselor ecologice (2009) 42
CASE 13 0.000 1.000 0.000 0.000
CASE 14 0.000 1.000 0.000 0.000
CASE 15 0.000 1.000 1.000 0.000

unde liniile reprezint anumite specii (n total 15 identificate), iar coloanele
structura specific (pe baza prezenei =1 sau absenei =0) a acestora, se
construiete o matrice de similitudine printr-un indice dichotomic (de exemplu
Jaccard) n modulul de corelaii (CORR). Presupunem c fiierul de mai sus este
salvat sub denumirea de COM.sys. Atunci calcularea matricii de similitudine pe
baza indicelui Jaccard (S3) se realizeaz prin secvena:
> CORR
> USE COM
> SAVE COM1
> S3
prin care matricea corespunztoare a fost salvat sub denumirea de COM1.
Aceasta va avea expresia:

S1 S2 S3 S4

CASE 1 1.000 . . .
CASE 2 0.444 1.000 . .
CASE 3 0.000 0.067 1.000 .
CASE 4 0.375 0.333 0.273 1.000

Construirea dendrogramei prin metoda de grupare la distan medie, se execut
prin secvena:
> CLUSTER
> USE COM1
> JOIN / COLS LINKAGE = AVERAGE
avnd ca efect apariia pe ecran a urmtorului grafic:
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7
Distances
S1
S2
S3
S4





I. Srbu - Modelarea proceselor ecologice (2009) 43

6. MODELE STATISTICE I MODELE TEORETICE;
EVITAREA ERORILOR DE MODELARE

Statistica este un limbaj al tiinei, care ne permite s nelegem natura
(Zimmerman, 1995 ap. Franklin et al., 2001).
Lumea este caracterizat prin incertitudine: toate sistemele i procesele
prezint i fluctuaii cu caracter imprevizibil, de "zgomot". Ca urmare sistemele
observaionale, dintre noi i natur (lumea real), conin att de multe surse de
incertitudine, nct chiar dac procesele sunt deterministe, previzibile,
observaiile sunt de obicei nesigure. Dac nelegem teoria ca o for ce trece
dincolo de date, care nglobeaz cazurile particulare n ansambluri integratoare,
atunci putem afirma c orice model, indiferent de forma i construcia lui, este o
form a teoriei ecologice (Mangel i col., 2001). n aceast abordare putem
identifica o nou clasificare a modelelor: teoretice i statistice.
Modelele statistice sunt utilizate pentru obinerea, analiza i interpretarea
datelor. Acestea utilizeaz n special metode statistice infereniale, cum ar fi de
exemplu definirea i estimarea parametrilor pe baza datelor reale. Modelul
statistic cel mai comun are un singur parametru populaional - media (), pe care
o estimm pe baza parametrului statistic corespunztor (media aritmetic a irului
de date) i a limitelor de confiden (a se revedea Srbu i Benedek, 2004). Pe
msur ce naintam n studiul ecologiei, am nvat s realizm analize de
regresie (univariat i liniar), de corelaie, precum i primii pai n testarea
ipotezelor (teste parametrice, cum ar fi t-Student pentru dou medii, testul w/s
pentru normalitatea unei distribuii, F-Fischer pentru dou variane,
2
pentru
dou distribuii de frecvene, Z pentru proporii, precum i un test neparametric,
i anume Wilcoxon-Mann-Whitney) i altele, cum ar fi tehnici de clasificare i
ierarhie matematic, analiza de asociere etc. Toate acestea sunt totodat i modele
statistice.
Modelele statistice nu iau n considerare mecanismele intime ale
proceselor; ele stabilesc relaii ntre variabile sau categorii de fenomene, fr
analiza cauzalitii lor.
Dup G.C. White (2001) modelele statistice au trei funcii importante. n
primul rnd ele pot fi testate i verificate prin datele reale. n al doilea rnd, dac
le acceptm ca unelte abstracte utile pentru descrierea fenomenelor naturale, le
putem folosi pentru analiza calitii datelor reale de care dispunem. n sfrit
utilizarea modelelor i datelor pentru estimarea parametrilor, poate releva funcii
i nsuiri emergente ale sistemelor, stabili prognoze ale dinamicii proceselor, sau
poate orienta mangementul resurselor naturale.
Prin urmare modelele statistice sunt de tip "post-hoc", adic sunt realizate
dup ce datele au fost colectate.
Prin contrast, modelele teoretice includ descrierea mecanismelor, a
relaiilor cauzale dintre fenomene, conducnd astfel spre prognoze, nainte ca
I. Srbu - Modelarea proceselor ecologice (2009) 44
datele s fie colectate (Mangel i col., 2001). Altfel spus, ele sunt de tip "ante-
hoc". Cnd utilizarea modelelor de acest gen nu produce convergena
prognozelor cu rezultatele, nseamn c trebuie s reconsiderm modelul teoretic,
logica acestuia, precum i calitatea datelor disponibile.
Modelele statistice sunt frecvent agregative, adic grupeaz categoriile de
elemente dup expresii medii ale nsuirilor sau performanelor lor. Acest fapt
ndeamn la pruden, mai ales atunci cnd traiectoria sistemelor este influenat
de variabilitatea sau comportamentul individual al elementelor constituente. De
exemplu, multe modele ale unor nsuiri emergente, cum ar fi cele de cretere
populaional, energetica comunitilor etc., depind explicit de ratele de cretere,
mortalitate, natalitate, reproducere, strategii comportamentale active de selectare
i exploatare a teritoriului, i multe altele. Aceste nsuiri individuale prezint o
relativ autonomie, producnd potenial modificri nsemnate n rezultatele
modelului sistemului care le integreaz (idem).
Atunci cnd modelele (fie ele teoretice sau statistice) sunt utilizate pentru
planificarea msurilor de management a resurselor naturale, trebuie considerate
cele dou paradoxuri ale lui Ludwig (1995, ap. Mangel i col., 2001), care
relaioneaz incertitudinile din natur de cele ale modelelor, i anume:
1. Managementul productivitii durabile nu poate fi optim;
2. Modelele eficiente de management nu pot fi realiste.
Sursele acestor dou paradoxuri sunt legate de problemele ridicate de
statistic i relaiile dintre modele i date. Una dintre implicaiile acestora, i n
mod special al celui de-al doilea paradox, este i aceea conform creia:
"consideraiile statistice invalideaz toate modelele, cu excepia celor mai
simple, agregative, ca unelte eficiente de management".
Este benefic ca n procesul de modelare s tratm separat ntrebri de tipul
"de ce" (distale/ funcionale), de "cum" (proximale/ mecaniciste). Primele se
adreseaz cauzelor fenomenelor, fiind fundamentate prin teoria evoluiei prin
selecie natural sau artificial. Modelele care se ocup de ntrebri proximale, se
concentreaz asupra modului n care opereaz un mecanism i cum se realizeaz
un proces (idem).
Acele modele care sunt simultan cele mai explicative (adic ne ajut s
nelegem datele) i totodat cele mai bune predictive (prognozeaz rezultate
nainte de a avea dovezile din lumea real, ne ajut s identificm noi date prin
extrapolarea rezultatelor viitoarelor experiene) sunt totodat i cele mai valabile,
respectiv utile, pentru scopul n care au fost alctuite.
Dup cum am mai afirmat n acest manual, modelele statistice sunt cel mai
frecvent limitate la procesul sau sistemul particular studiat, respectiv sunt valabile
pentru seturile disponibile de date experimentale. Ele nu sunt generalizabile i
nici - un alt termen de specialitate - transpozabile (adic nu pot fi aplicate la un
alt set de date, dect n eventualitatea unor modificri adecvate a parametrilor,
respectiv a recalibrrii eficiente). Prin contrast, modelele teoretice, care includ
descrierea mecanismelor intime, sunt transpozabile i - n limitele definirii unor
anumite seturi de variabile independente, cu domeniile aferente de variaie - sunt
I. Srbu - Modelarea proceselor ecologice (2009) 45
i generalizabile. Oricum, aceste considerente pot fi supuse i diverselor excepii
sau critici; depinde de modul n care definim problema, de datele disponibile, i
de cum tim s extrapolm rezultatele.

Evitarea erorilor de modelare

Criteriile stabilite mai sus ne permit s distingem baze obiective pentru
selectarea unor modele din ce n ce mai valabile, dar nu spun nimic despre
tehnicile de evitare a erorilor, respectiv despre capcanele care pot apare n
modelarea statistic.
O prim regul - general - este aceea c mai multe variabile i - implicit -
parametri, acumuleaz o cantitate mai mare de nedeterminare i de variaii
accidentale ("zgomote"), prin urmare scad precizia modelului. Altfel spus,
acurateea i precizia modelului va crete pn la un anumit numr de variabile i
parametri independeni, dup care va tinde s scad accelerat cu numrul
acestora. Concluzia este aceea de selectare a unui numr optim, i (preferabil)
redus, de parametri, precum i evitarea celor care implic prea mult incertitudine
(Mangel i col., 2001). Astfel se aplic cel de-al doilea paradox al lui Ludwig,
care mai poate fi enunat (i) prin principiul imperativ: "modelele trebuie
pstrate n variante simple, pn cnd apar motive serioase s le
complicm".
O a doua idee este cea de a dispune totdeauna de mai multe ipoteze de
lucru pentru analiza i modelarea aceluiai set de date. Altfel spus, s nu ne
limitm niciodat la o singur abordare, respectiv un singur tip de model, ci s
ncercm s abordm concepii diferite, i expresii matematice variate, pentru a
avea o baz mai larg de selecie.
Din principiul precedent se deduce logic urmtorul, care sugereaz ca
ntotdeauna s avem n vedere modele alternative. Problema selectrii unui
model valabil este numai parial legat de complexitate (de exemplu de numrul
de variabile independente incluse). La fel de important este selectarea a ce
anume se include (care sunt variabilele independente semnificative n context).
ntotdeauna trebuie s avem n vedere c este posibil ca modelului s-i lipseasc
una sau mai multe trsturi cheie ale sistemului, care explic mai bine
comportarea acestuia, dect variabilele considerate pn n prezent. Astfel, este
benefic testarea presupunerilor i a condiiilor de plecare, i nu numai a
prognozelor oferite de model prin compararea acestora cu datele reale.
Un alt aspect, care nu trebuie uitat, este c modelele statistice au un
domeniu de aplicabilitate limitat, i sunt greu de utilizat la alte sisteme sau
procese, respectiv n alte condiii. Este uor s greim atunci cnd prelum un
model prefabricat, din literatur sau debarcat de pe internet, i s ncercm s-l
folosim - de obicei pe date mai puine i variabile mai mult sau mai puin diferite
- ntr-un alt habitat i alte condiii ale mediului.
Confuziile dintre modelele statistice i cele teoretice constituie o surs
inepuizabil de erori. Adesea modelul statistic este excelent, explic i
I. Srbu - Modelarea proceselor ecologice (2009) 46
prognozeaz un anumit fenomen cu dezvoltare clar spaio-temporal, dup care
autorii cad n greeala considerrii acestuia drept model teoretic (deci
transpozabil i generalizabil). ns nu trebuie subestimat posibilitatea dezvoltrii
judicioase a legturilor dintre cele dou categorii de modele: adesea un model
statistic bun ne poate conduce la o serie de raionamente i analize, care vor
releva explicativ relaiile intime, cauzale, sau mecanismele legturilor de tip
statistic descoperite. Prin urmare, dei nu sunt sinonime (i nu pot fi niciodat),
nu nseamn c cele dou abordri nu sunt legate ntre ele, sau - mai practic - c
nu s-ar sprijini reciproc n calitate de unelte eficiente n cadrul aceluiai demers
(idem).
Pentru a construi un model eficient sunt necesare seturi de date valabile,
specificarea mecanismelor i a proceselor, precum i a parametrilor, dintre care
unele sau altele pot lipsi n anumite etape ale unui studiu. Nu trebuie s uitm c
modelele sunt (printre altele) metode care permit conducerea, organizarea i
orientarea cercetrilor viitoare din laborator sau teren. Ele nu se confund cu
adevrul, ci sunt "minciuna care ne ajut s vedem adevrul", dup cum se
exprima metaforic Fagerstrm (1987, ap. Mangel i col., 2001).
Un factor important n dezvoltarea modelelor statistice este ideea
necesitii construirii unui set de ipoteze de lucru multiple. Diferite surse
argumenteaz c oamenii de tiin tind s posede ipoteze preferate pentru
explicarea proceselor naturale. Ei tind s fie subiectivi atunci cnd verific aceste
ipoteze, eliminnd sau ignornd datele care le infirm i supraestimnd pe cele
care le confirm. Aceasta este un alt fel de a spune c i oamenii de tiin sunt
supui acelorai fore ca toat omenirea: dac sunt pui n faa unei explicaii care
pare satisfctoare, comode i logice, sunt motivai s cread pur i simplu n
aceasta. Pentru a ne feri de aceast continu surs de erori i prtinire, se
sugereaz considerarea totdeauna a multor altor ipoteze de lucru, alternative la
posibilele rspunsuri avansate ntr-un studiu.
Dup cum am mai amintit ntr-un capitol anterior, Platt (1964, ap. Franklin
i col., 2001) scria c, "necesitatea alctuirii unui sistem ipoteze multiple,
alternative, urmate de construirea unui set esenial de experimente care s le
verifice, apoi excluderea majoritii lor, poart denumirea de inferen
puternic, fiind un motor al progresului tiinei". S-a argumentat c testarea
ipotezelor poate fi benefic nlocuit prin procedura de testare a modelelor, aceasta
fiind abordarea cheie a procesului astfel definit.

Regresiile univariate liniare

Acest subcapitol este o scurt recapitulare a unei teme studiate la ecologia
sistemelor suprapopulaionale (a se vedea Srbu i Benedek, 2004), care se refera
la analiza de regresie i corelaie, ca metod de identificare i cuantificare a
relaiilor dintre variabile. Ea este succint expus, pentru a readuce n memorie
noiuni de baz, generalizabile, dar i pentru a servi ca ramp de lansare pentru
studiul unor modele statistice mai larg aplicate.
I. Srbu - Modelarea proceselor ecologice (2009) 47
Un model statistic de tipul unei relaii de regresie (o funcie) implic
existena unei variabile independente (fie aceasta X) i a uneia dependente (pe
care o putem nota cu Y). Cu alte cuvinte X determin, condiionaz sau l
influeneaz pe Y, respectiv variaia lui Y este cauzat (i de) cea a lui X.
Un pas logic este reprezentarea grafic, de obicei sub forma unui nor de
puncte, a perechilor experimentale de date, de tipul (x
i
, y
i
), unde i este numrul
curent al probei sau al observaiei unitare, un increment care ia valori de la 1 la n
(n fiind numrul total de probe unitare, sau dimensiunea statistic a probei;
numrul total de observaii). n funcie de forma norului de puncte, putem deja
discrimina teoretic ntre diferitele ecuaii care ar putea descrie relaia particular.
Dac distingem un nor care se dezvolt predominant dup o ax dreapt, putem
sugera c relaia dintre cele dou variabile mbrac forma unui polinom de gradul
I. Altfel spus am putea distinge un model de tipul:
Y = a + b*X
unde: a i b sunt parametrii care trebuie estimai, adic acele mrimi care
fac obiectul principal al modelrii statistice, legnd datele experimentale de
ecuaia teoretic (adic modelul statistic). i iat c astfel se obine, practic, un
prim model statistic. Algoritmul de modelare este urmtorul (a se revedea pentru
detalii Srbu i Benedek, 2004):
Construirea dreptei de regresie presupune parcurgerea urmtoarelor
etape:
a. Fixarea variabilei dependente i a celei independente; verificarea
suplimentar a naturii relaiei ntre cele dou variabile.
b. Verificarea (sau presupunerea) ndeplinirii a trei condiii: x
i
sunt msurate
fr eroare, natura relaiei dintre X i Y este ntr-adevr liniar, iar pentru
oricare valoare a lui X, valorile lui Y sunt normal distribuite n jurul mediei
lor.
c. Trasarea norului de puncte, fiecare punct A
i
avnd coordonatele (x
i
, y
i
).
Determinarea parametrilor ecuaiei dreptei care trece cel mai aproape de
toate punctele norului se poate face, de exemplu, prin utilizarea metodei celor
mai mici ptrate.
d. Se noteaz:

Atunci parametrii ecuaiei de regresie se calculeaz dup expresiile:




2
2
) (
) (
) )( (
Y y SSY
X x SSX
Y y X x SP
i
i
i i
=
=
=

I. Srbu - Modelarea proceselor ecologice (2009) 48




unde: b este coeficientul de regresie (panta dreptei de regresie), iar a este
intercepia ordonatei de ctre abscis (valoarea lui Y, atunci cnd X este zero).
d. Se poate trasa dreapta de regresie prin norul de puncte, eventual peste
aceasta, sau separat, se poate scrie i ecuaia corespunztoare (expresia
matematic a modelului).
De reinut este faptul c ntotdeauna pe dreapta de regresie se afl valoarea
medie a lui Y pentru o valoare dat a variabilei X. Regresia are valoare numai
ntre limitele intervalului de calcul, adic ntre x
min
i x
max
, ecuaia neavnd
valoare de prognoz pentru valori ale lui X situate n exteriorul acestui interval.
e. Se calculeaz coeficientul de determinare (r
2
) care indic intensitatea
legturii dintre variabile, altfel spus (i mai corect), proporia din variaia
variabilei dependente, care este explicat de ctre variabila independent. Acest
coeficient variaz ntre 0 i 1 (uneori se exprim n procente, caz n care fracia se
nmulete cu 100); legtura este cu att mai puternic (i implicit modelul este
mai bun), cu ct este mai aproape de valoarea maxim.


SSY SSX
SP
r
*
2
2
=


f. Testarea semnificaiei regresiei.
Exist posibilitatea ca relaia s fie numai aparent, cauzele putnd fi
efectul de prob, erori de colectare i interpretare a datelor etc. Dac dreapta de
regresie este n realitate paralel cu abscisa, atunci modelul nu este valabil pentru
populaia de date. Presupunem c b (coeficientul de regresie) este un estimator al
coeficientului populaional () i c regresia nu este semnificativ (adic =0).
Ipoteza alternativ presupune o diferen semnificativ ntre i 0. Atunci se
poate aplica testul t pentru verificarea semnificaiei coeficientului de regresie,
dup formulele:

X b Y a
SSX
SP
b
=
=
) 2 ( *
*
:
2
2

=
=
n SSX
SP SSY SSX
s
unde
s
b
t
b
b
I. Srbu - Modelarea proceselor ecologice (2009) 49

Dac valoarea t calculat este mai mare dect valoarea critic din tabelul
testului t-Student, la nivelul = 0.05 i (n-2) grade de libertate, respingem ipoteza
nul, fapt care semnific o regresie semnificativ.
g. Determinarea limitelor de confiden ale coeficientului de regresie se
realizeaz prin intermediul expresiei:


Aceste principii le aplicm pentru toate modelele statistice, indiferent de
numrul de variabile, de form i expresie, aa cum se va vedea n continuare.
































b
s t b =
I. Srbu - Modelarea proceselor ecologice (2009) 50

7. MODELAREA STATISTIC NELINIAR;
APLICAII N PROGRAMUL STATISTICA

n termenii cei mai generali, modelarea statistic va evalua relaii ntre una
sau mai multe variabile independente i o variabil dependent, n mod similar cu
cele expuse la analiza de regresie. n fapt, modelarea neliniar este o generalizare
a metodei regresiilor multiple. Deosebirea const n faptul c prima las libertatea
cercettorului de a defini natura i forma relaiei ntre cele dou categorii de
variabile; neliniar implic orice form a funciei care exprim aceste relaii. Un
model general, multivariat, are forma:

y = F(x
1
, x
2
, ..., x
n
)
unde: F este funcia care determin relaia dintre cele n variabile
independente i variabila dependent sau de rspuns y.
Estimarea neliniar ne permite s specificm orice tip de regresie continu
sau discontinu; univariat sau nu, unele modele pot fi predefinite n softurile
adecvate, dar cercettorul poate opta pentru orice descriere formal a acestei
relaii.
Modele statistice pot fi parametrice (n exemplul de mai sus am inclus
condiia evalurii unor coeficieni de tipul a i b, care relaioneaz modelul de
datele reale), sau pot fi neparametrice, adic se refer numai la datele
experimentale.
Prin urmare, un model de regresie general implic existena unui set de
date experimentale-pereche pentru fiecare prob (experiment, evaluare, interval
de timp etc.), existnd cte un set de informaii referitoare la variabila dependent
(Y
i
) i valorile corespunztoare (n acelai timp, loc sau domeniu de referin)
pentru variabilele independente (X
1i
, X
2i
, ...,X
ki
), unde i ia valori succesive de la 1
la n (numr de probe sau observaii). Modelul de regresie general este o ecuaie
propus de ecolog, iar - prin utilizarea unor softuri adecvate i algoritmi pe
msur - se genereaz valorile parametrilor (coeficienilor) care stabilesc legtura
optim dintre ecuaie (model) i datele reale.
Cu ct sunt mai multe observaii (seturi de date; adic cu ct n este mai
mare), cu att acurateea estimrii parametrilor va fi mai ridicat. Dac obinem
un model bun, putem utiliza relaia matematic n sens invers: cel de prognoz a
uneia dintre variabile (indiferent dac este dependent sau independent), n
funcie de celelalte.
Dac exist o relaie perfect ntre datele reale i cele prognozate de model
(care se pot calcula din relaia matematic obinut), atunci pentru orice valori ale
variabilelor independente, se poate preciza cu siguran valoarea exact a
variabilei dependente. Geometric, acest fapt se poate constata atunci cnd datele
reale sunt plasate exact pe graficul funciei de regresie. De obicei acest lucru nu
se constat (din cauza variabilitii generale a fenomenelor, a incertitudinilor, a
I. Srbu - Modelarea proceselor ecologice (2009) 51
considerrii unui numr mult mai redus de variabile dect cel care determin un
proces, cauze legate de erori de msur etc.).
n majoritatea cazurilor va exista o diferen ntre valorile observate, reale,
ale variabilei dependente i cele deduse sau prognozate de model. Diferena
dintre valoarea real (observat) i cea prognozat (teoretic) este eroarea
estimrii, fiind cunoscut i ca "deviaie" sau - mai frecvent - "rezidual".
Putem astfel distinge un alt mod de a discrimina ntre modelele valabile, i anume
un model este cu att mai "bun" cu ct suma rezidualelor este mai mic.
Un obiectiv esenial al analizei de regresie este determinarea valorilor
parametrilor care minimizeaz suma acestor reziduale pentru un set de observaii
(experimente). Acest deziderat se poate realiza printr-o varietate de tehnici, poate
cea mai simpl i frecvent aplicat fiind metoda ptratelor minime (utilizate i n
exemplul anterior, la regresia liniar univariat).
Dup tipul de expresie matematic distingem modele liniare sau neliniare
(care mbrac oricare alt form dect cea a polinoamelor de gradul I, sau a
combinaiilor liniare ale acestora); respectiv distingem modele uni- sau
multivariate.
Astfel o ecuaie de regresie liniar, general, multivariat, poate lua forma:

Y = a + b
1
x
1
+ b
2
x
2
+ ... + b
n
x
n

unde: a este constanta sau intercepia ordonatei (valoarea lui Y atunci cnd
toate variabilele independente sunt 0), b
1
...b
n
sunt coeficienii de regresie, n
numr egal cu variabilele independente. Altfel spus coeficienii b explic cu ct
se modific variabila Y, atunci cnd cele independente variaz cu o unitate.
Analiza de regresie presupune n primul rnd evaluarea acestor parametri,
precum i a gradului (a proporiei) n care variabilele independente explic
variaia variabilei dependente, fapt ilustrat - din nou - prin parametrul r
2
(coeficientul de determinare). Repet faptul c un prim criteriu, extrem de
important, cnd alegem dintre diferitele modele, este cel de maximalizare a r
2
(cu
ct r
2
este mai aproape de 1, cu att modelul este mai valabil, ntr-o prim
abordare).
n expresia matematic descris anterior, pentru ecuaia liniar
multivariat, se observ c fiecare variabil independent acioneaz aditiv,
independent de celelalte, n explicarea variaiei variabilei dependente. Acestea
sunt modele fr interaciuni, n ceea ce privete variabilele independente,
cunoscute i ca modele de efecte principale.
Unele modele (i implicit ecuaii) includ i combinaii ale variabilelor
independente, cum ar fi de exemplu:

Y = a + b
1
x
1
+ b
2
x
2
+ b
3
x
1
x
2

sau:

I. Srbu - Modelarea proceselor ecologice (2009) 52
Y = a + b
1
x
1
2
+ b
2
x
2
2
+ b
3
x
1
x
2
x
3
2


Implicaiile interaciunilor sunt denumite i efecte moderatoare, deoarece
includ interaciuni rezultante ale variabilelor independente, care pot aciona n
sens ameliorativ asupra explicrii variabilei dependente. Alegerea categoriei de
model i - prin aceasta - a ecuaiei corespunztoare, nu este un algoritm impus de
calculator, i nici nu se cunosc reete sigure, certe. Este mai degrab un aspect
care ine de joc, dar i de experiena ecologului. n asemenea demersuri
modelatorul petrece un timp ndelungat la calculator, propunnd diverse categorii
de ecuaii, selectnd semnificaia acestora (validitatea modelului) pe seama unui
set de criterii obiective. Prin urmare discriminarea ntre valoarea diverselor
modele propuse este obiectiv, dar propunerea acestora (alegerea, scrierea
ecuaiilor, includerea variabilelor independente, ca i forma lor - cu sau fr
interaciuni) este la libera alegere a ecologului.
Dup valoarea coeficientului de determinare, un al doilea criteriu pentru
stabilirea validitii unui model, este testul t pentru semnificaia coeficienilor
(n cazul unui model multivariat) de regresie. n toate cazurile de testare, ipoteza
nul afirm c panta dreptei (coeficientul de regresie) este nesemnificativ, n
spe c valoarea coeficientului populaional pe care acesta l aproximeaz, este
de fapt 0. Aceste informaii sunt redate sub forma probabilitii care rezult din
aplicarea testului de ctre programul corespunztor. Cu ct aceste valori (redate
prin nivelul de semnificaie, care se poate nota - n funcie de softul utilizat - cu p
sau cu ) sunt mai mici (i n spe mai mici de 0.05 sau - dac modelatorul nu
este prea exigent, mai mici de 0.1) cu att parametrii respectivi sunt mai
semnificativi. Altfel spus, la valori ale nivelului de semnificaie mai mici de
0.05, considerm c probabilitatea ca ipoteza nul s fie adevrat (care afirm c
coeficientul populaional este zero) este att de mic, nct nu poate fi susinut,
prin urmare regresia este valabil la nivelul termenului respectiv.
Un alt criteriu simplu de aplicat i extrem de practic (ns nu neaprat i
foarte corect) este s eliminm din model toate variabilele sau combinaiile
pentru care aceste probabiliti sunt mai mari de 0.05.
Cele mai frecvente modele statistice neliniare utilizate n ecologie sunt de
tipul:
- polinomiale: (exemplu) Y = a + bX
1
2
+ cX
2
3
Reamintim c gradul unui polinom este cea mai mare putere la care este
ridicat o variabil din ecuaie.
- exponeniale: (exemplu) Y = a + b*e
x1

- cu componente periodice: (exemplu) Y = a + b*sin(x
1
) + c*cos(x
2
)
- combinate (oricare combinaie a celor expuse mai sus, i multe altele).

Modele polinomiale

Regresia polinomial este un model care apare n mod obinuit n studiile
de biologie i ecologie. Dac studiem, de exemplu, o relaie ntre rata de
I. Srbu - Modelarea proceselor ecologice (2009) 53
duntori care mor (MORT - variabila dependent) ca urmare a unui ir de
concentraii ale unui insecticid (CON), putem obine ntr-un studiu de caz
urmtoarele valori:

Nr. MORT CON
1 .850 1000.000
2 .250 101.000
3 .940 1024.000
4 .120 45.000
5 .560 248.000
6 .480 205.000
7 .710 951.000
8 .250 118.000
9 .960 1011.000
10 .110 12.000

Reprezentnd norul de puncte observm c relaia este de natur neliniar.
Selectnd o funcie de regresie polinomial de gradul 2, de tipul:
2
) ( * 2 * 1 CON b CON b a MORT + + =

se poate obine, utiliznd un soft adecvat, urmtorul nor de puncte (reprezentarea
datelor reale), ecuaie de regresie i grafic al funciei (expresia modelului):

MORT=0.0685+0.0021*CON-0.0000012*CON
2


-200 0 200 400 600 800 1000 1200
CON
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
M
O
R
T


I. Srbu - Modelarea proceselor ecologice (2009) 54
Se observ faptul c modelul a fost evaluat de calculator, care a generat
valori pentru fiecare coeficient (a=0.0685; b1=0.0021 i b2= -0.0000012). Testul
t indic faptul c toi cei trei coeficieni de regresie sunt semnificativi (<0.05),
iar coeficientul de determinare R (sau r
2
) este 0.97, prin urmare modelul este bun
i semnificativ.
Dar un ecolog poate s mearg mai departe (s nu se mulumeasc cu
prima estimare) i s mai ncerce un model, de exemplu un polinom de gradul 3:

2
) ( * 2 * 1 CON b CON b a MORT + + =

Din evaluarea acestui model propus, rezult urmtoarea ecuaie,
reprezentat printr-un grafic i indicatorii de semnificaie:

MORT=-0.0034+0.0036*CON-0.0000075*CON
2
+0.0000000048*CON
3


-200 0 200 400 600 800 1000 1200
CON
-1.5
-1.0
-0.5
0.0
0.5
1.0
1.5
2.0
M
O
R
T


Toi parametrii sunt, din nou, semnificativi, dar coeficientul de determinare
R este 0.989, ceea ce semnific faptul c acest model este mai bun dect cel
precedent. Acest simplu exemplu arat i modul n care se caut (prin ncercare i
eroare, cu rbdare) n mod iterativ un model mai valid, n mod iterativ. De
asemenea se observ c graficul funciei celui de-al doilea model trece mai
aproape de punctele experimentale, un alt bun indiciu care atest valoarea
aprecierii vizuale prin analiz exploratorie.
Aceste categorii de modele sunt neliniare prin variabilele selectate,
respectiv a expresiei n care acestea au fost folosite.


I. Srbu - Modelarea proceselor ecologice (2009) 55
Modele exponeniale

Acestea sunt modele neliniare din cauza parametrilor i contrasteaz cu
exemplul anterior, prin faptul c funcia este explicit diferit de cea liniar, nu
att prin natura variabilelor ct a parametrilor implicai. De exemplu, considernd
relaia dintre rata de cretere (C - variabila dependent; cm/lun) i vrst (V -
variabila independent; ani) la o populaie oarecare, putem defini un model de
cretere exponenial.

C V
1 1.000 .500
2 .800 1.000
3 .600 2.500
4 .700 4.500
5 .600 6.000
6 .500 8.000
7 .400 12.000
8 .200 15.000
9 .100 18.000
10 .050 25.000


Vom putea alege o expresie a relaiei de tipul:


) V * 1 b (
e * a C =

n care a i b sunt coeficienii ecuaiei, iar numrul e este baza logaritmilor
naturali (numrul lui Euler). Rezultatul va arta astfel:

C = 0.949*e
-0.013*V

parametri a i b1 fiind semnificativi la nivelul ales (<0.05), iar coeficientul de
determinare avnd valoarea de 0.96 (foarte aproape de valoarea maxim a
domeniului de variaie). Reprezentarea grafic a modelului statistic neliniar este
redat mai jos.
Natura acestui model nu mai este liniar; aceast trstur rezid din nsi
definiia funciei care reprezint relaia dintre cele dou variabile.






I. Srbu - Modelarea proceselor ecologice (2009) 56
-2 0 2 4 6 8 10 12 14 16 18 20 22 24 26
V
0.0
0.2
0.4
0.6
0.8
1.0
1.2
C


Modele pentru variabile binare.
n numeroase cazuri variabila dependent este binar, adic poate lua
numai unul din dou rspunsuri (1 sau 0; de exemplu studenii promoveaz sau
nu examenul, iau sau nu burs, sunt sau nu pe locuri bugetare etc.). Apar astfel
modele n care este necesar decelarea relaiei ntre una sau mai multe variabile
continue independente i o variabil dependent binar.

Unitate 1 Unitate2
NR. A QI NR. A QI
1 1.000 .890
2 1.000 .910
3 1.000 .780
4 0.000 .230
5 0.000 .150
6 0.000 .840
7 0.000 .730
8 0.000 .610
9 1.000 .840
10 1.000 .790
11 0.000 .360
12 0.000 .210
13 0.000 .150
14 0.000 .150
15 0.000 .200
16 0.000 .160
17 1.000 .790
18 1.000 .990
19 1.000 .890
20 1.000 .730
1 1.000 .590
2 1.000 .890
3 1.000 .580
4 0.000 .120
5 0.000 .780
6 0.000 .910
7 0.000 .260
8 0.000 .530
9 1.000 .480
10 1.000 .910
11 0.000 .260
12 0.000 .580
13 0.000 .730
14 0.000 .610
15 0.000 .450
16 0.000 .910
17 1.000 .820
18 1.000 .460
19 1.000 .480
20 1.000 .660

S analizm dou cazuri de uniti de nvmnt superior care acord
studenilor burs (A = 1) sau nu acord (A = 0), n funcie i de un test care
I. Srbu - Modelarea proceselor ecologice (2009) 57
verific o serie de capaciti reunite sub denumirea de coeficient de inteligen
(variabila independent QI), test la care studenii iau punctaje prin valori continue
n domeniul 0.0 (cel mai ru rspuns) i 1.0. Desigur, bursele se acord i n
funcie de alte criterii, dar un cercettor ar putea fi interesat dac instituiile
acord sau nu o pondere important inteligenei studenilor. Extrasele din dou
iruri sunt redate mai sus (am selectat la ntmplare 20 de cazuri din fiecare
unitate).
Pentru a rezolva aceast problem, putem alege funcii de rspuns
continuu, adic s considerm o funcie de regresie care prognozeaz un rspuns
n domeniul cuprins ntre 0 i 1, cum este de exemplu modelul de regresie
logistic. Astfel, se estimeaz parametrii ecuaiei de regresie, ntre variabila
dependent (y) i una sau mai multe variabile independente (x
1
, x
2
, ... x
n
), ecuaie
definit prin formula general:

) x b ... x b b exp( 1
) x b ... x b b exp(
y
n n 1 1 0
n n 1 1 0
+ + + +
+ + +
=

unde, analog cu exemplele precedente, exp(expresie) = e
expresie
Se poate observa cu uurin c oricum variaz, i n orice amplitudine,
variabilele independente x
i
, variabila prognozat y va lua valori cuprinse numai
ntre 0 i 1.
Rezultatele rulrii modelului sunt redate mai jos.
Cazul 1.
Clasificarea cazurilor
Observate Prognozate Prognozate Procent
0 1 corect
0 9 2 81.8182%
1 0 9 100.0000%

2
= 17.89; < 0.001
Concluzie: model corect (coeficieni semnificativi)

I. Srbu - Modelarea proceselor ecologice (2009) 58
Din acest tabel reiese o corectitudine a prognozelor de 82% n cazul
studenilor care nu iau burs, prin criteriul QI, precum i o prognoz de 100%
pentru cei care iau. Valori mici ale domeniului critic () de asemenea informeaz
asupra validitii modelului (testul chi-ptrat indic faptul c nu exist deosebiri
semnificative ntre distribuia ateptat i constatat de frecvene). Ecuaia
modelului i expresia grafic a acestuia sunt redate mai jos:

Cazul 2. Clasificarea cazurilor (prognozate i observate) indic:
Observate Prognozate Prognozate Procent
0 1 corect
0 7 4 63.63636
1 6 3 33.33333

2
= 0.88; = 0.347

Model: Logistic regression (logit)
y=exp(-12.769327+(17.594565)*x)/(1+exp(-12.769327+(17.594565)*x))
QI

A
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
I. Srbu - Modelarea proceselor ecologice (2009) 59
Cu prognoze corecte ale studenilor care nu iau burse de 64%, respectiv de
33% a celor care reuesc aceasta, precum i pe baza valorii critice mult prea mari
( = 0.347), rezult c modelul este incorect (coeficieni nesemnificativi).
Graficul de mai jos de asemenea red aceast lips de semnificaie a relaiei:

Modelul logistic general de regresie poate fi exprimat ca:
) x b exp( b 1
b
y
2 1
0
+
=

Spre deosebire de modelul logistic prezentat anterior, cel general permite o
variaie a lui y ntr-un interval definit de utilizator, care poate fi altul dect [0, 1].
Acest tip de model este extrem de util pentru nelegerea i simularea creterii
logistice a populaiilor, aa cum se va vedea ntr-un alt capitol din publicaia de
fa.

Modele discontinue de regresie

n procedura de modelare neliniar avem posibilitatea evalurii relaiei de
dependen, care se schimb n funcie de domeniul de variaie al variabilei (sau
variabilelor) independente. De exemplu, rata de prdare sau consum evideniat
prin studii de teren pentru un anumit prdtor (c = variabila dependent) crete
dup o anumit funcie pn la o densitate P1 a przii, i dup o alt funcie
atunci cnd densitatea (d = variabila dependent) este mai mare de aceast
valoare. Atunci putem specifica o ecuaie de regresie discontinu, de tipul:

c = b
0
+ b
1
* d * (d< P1) + b
2
* d * (d P1)

Model: Logistic regression (logit)
y=exp(-1.3748407+(1.936842)*x)/(1+exp(-1.3748407+(1.936842)*x))
QI

A
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
I. Srbu - Modelarea proceselor ecologice (2009) 60
n aceast formul de regresie discontinu, expresiile (d< P1) i (d P1)
sunt condiii logice, care prin evaluare sunt echivalate cu 0 pentru fals i 1 pentru
adevr. Astfel, dac densitatea przii este mai mic dect P1 (punctul de
inflexiune), termenul (d< P1) = 1 i (d P1) = 0, motiv pentru care ecuaia se va
transforma n:
c = b
0
+ b
1
* d
n mod corespunztor, se modific ecuaia cnd densitatea przii este mai
mare de P1. n exemplul anterior, pentru simplificare, am utilizat ecuaii de
gradul I (funcii liniare), dar cele expuse sunt valabile pentru oricare alte funcii.
Un model posibil pentru funcia discontinu de regresie prezentat anterior
este:

c








P1 d

n alte ocazii, la o anumit valoare a variabilei independente, se
nregistreaz un salt n valoarea celei dependente (o rupere de continuitate a
funciei de regresie), cum rezult din exemplul de mai jos:


c








P0 d

ntr-un asemenea caz se specific un nou coeficient de intercepie, pentru
modelul care urmeaz din punctul discontinuitii funciei. Un caz, ca cel
prezentat mai sus, va avea o ecuaie de tipul:

c = (b
0
+ b
1
* d) * (d < P0) + (b
3
+ b
2
* d) * (d P0)
I. Srbu - Modelarea proceselor ecologice (2009) 61

unde b
3
este noul coeficient de intercepie, care reprezint valoarea funciei
de regresie imediat de dup salt.

Procedurile de estimare neliniar

Anterior am analizat n detaliu procedura de evaluare a parametrilor
ecuaiei de regresie liniare, i am definit-o pe aceasta ca dreapta care trece cel
mai aproape de toate punctele, respectiv cea pe care se afl valorile medii ale
variabilei dependente; pentru oricare valoare a variabilei independente, valorile
celei dependente sunt normal distribuite n jurul mediei. Tehnica prezentat se
mai numete procedura de estimare prin cele mai mici ptrate, extrem de
util, facil, dar nicidecum singura. Aceast tehnic se bazeaz pe minimizarea
sumei diferenelor ptrate dintre valorile observate (experimentale) ale variabilei
dependente i cele prognozate de ctre model.
Funcia de estimare prin cele mai mici ptrate este o particularizare a ceea
ce cunoatem sub denumirea general de funcie de pierdere (loss function, n
englez). Denumirea are o logic: n orice regresie, simpl sau multipl, liniar
sau neliniar, estimm parametrii, astfel nct s minimizm variaia rezidual din
jurul punctului prognozat, situat pe graficul funciei de regresie. Putem spune c
scopul este de a minimiza pierderea de acuratee a prognozei noastre, respectiv
de a gsi cele mai mici valori pentru funcia care o descrie. Exist mai multe ci
pentru a reduce pierderile la un minimum. Reamintim c prin reziduale se neleg
diferenele dintre valorile prognozate de o ecuaie de regresie i cele observate.

Metoda ptratelor minime ponderate

Metoda, amintit anterior, presupune c variaia erorii n jurul valorilor
estimate ale variabilei dependente, este aceeai pentru toate valorile variabilei
independente (deci eroarea este egal pentru ntregul model, n fiecare punct al
funciei). n mod real aceast presupunere este adesea neconform cu realitatea.
Un exemplu care apare permanent n studiile biometrice este norul de puncte de
form triunghiular. Norul prezint o baz mai larg la valori mai mici ale
dimensiunii (sau masei) corpurilor, parte i din cauza variabilitii individuale la
vrste juvenile, dar reflect i erori ale aparatului de msur. Punctele tind s fie
mai apropiate, prin contrast, spre cellalt capt al domeniului de variaie (desigur
aceast tendin apare statistic, nu este o constant a studiilor de acest gen). Prin
urmare, eroarea de estimare scade cu creterea domeniului de msur, din diferite
motive. Pentru a calcula aceast funcie de pierdere n mod difereniat, putem
opta pentru metoda ptratelor minime ponderate, care are expresia:

|

\
|
=
2
2
x
1
* ) ognozat Pr Observat ( Pierdere

I. Srbu - Modelarea proceselor ecologice (2009) 62

Pierderea specific mai nti ptratul diferenei dintre valoarea observat i
cea prognozat a variabilei dependente, dup care pondereaz aceast diferen
prin raportarea la inversul ptratului valorii variabilei independente. Acest proces
se repet pentru fiecare punct din nor, dup care funcia se calculeaz prin
nsumarea valorilor obinute.

Algoritmi care minimizeaz funciile de pierdere

Putem s decidem asupra modalitii de minimizare a funciei de pierdere,
precum i de estimare a erorii standard a parametrilor. Algoritmul quasi -
Newton, sau cel cunoscut sub denumirea de Gauss-Newton, sunt extrem de
eficieni i recomandai pentru a rezolva aceast problem, fr mare durere de
cap. Ei aproximeaz derivata de ordinul 2 a funciei de pierdere, pentru a
identifica valoarea minim a acesteia.
Dintre procedurile alternative care ne stau la dispoziie, amintim (fr a
mai intra n amnunte): tehnica minimului local, procedura simplex, modelul
Hooke-Jeeves, Rosenbrock, matricea hessian i erorile standard etc.

Evaluarea calitii modelului

Dup cum am mai scris, exist mai multe metode pentru a afla dac un
model este semnificativ, n sensul potrivirii valorilor prognozate cu cele
observate, respectiv pentru evaluarea erorilor i a semnificaiei coeficienilor.
Putem de exemplu evalua proporia de varian explicat de ctre
model. Astfel, putem obine valori cu privire la variana total a variabilei
dependente (suma total de ptrate, ST), proporia de varian datorat
rezidualelor (suma de ptrate a erorilor, SE) i proporia de varian datorat
modelului de regresie (suma de ptrate a regresiei: SR = ST - SE). Raportul SR /
ST explic proporia de varian nregistrat de model n variabila dependent,
motiv pentru care aceast rat este echivalent cu coeficientul de determinare (R
sau r
2
care ia valori ntre 0 i 1).
Verificarea semnificaiei diferenei dintre distribuia de frecvene
observat i cea prognozat, prin testul
2
. Se aplic pentru evaluarea potrivirii
dintre valorile prognozate i cele observate n modelul de tip logistic al
variabilelor binare. Parametrul statistic
2
se calculeaz i raporteaz la gradele de
libertate, egale cu numrul de variabile independente ale modelului. Dac nivelul
asociat testului chi-ptrat este semnificativ, putem susine c parametri regresiei
sunt statistic semnificativi (a se revedea exemplele precedente, de la modelul
logistic).
Reprezentarea valorilor observate n funcie de cele prognozate.
Permite vizualizarea acestei relaii sub forma unui nor de puncte; cu ct prognoza
este mai bun, cu att punctele sunt dispuse mai aproape de forma unei drepte
I. Srbu - Modelarea proceselor ecologice (2009) 63
(ilustrnd o relaie liniar de dependen). Modelul este cu att mai nesatisfctor,
cu ct relaia se abate mai mult de la forma unei drepte.
De exemplu, n modelul exponenial realizat ntre cretere i vrst (C i V;
redat anterior), graficul valorilor prognozate n funcie de cele observate, este:


Reprezentarea grafic a funciei de regresie permite vizualizarea norului
de puncte experimentale (a datelor observaionale), printre care trece graficul
funciei de regresie neliniar, modelat dup unul dintre algoritmii expui
anteriori. Acest tip de grafic constituie reprezentarea cea mai direct i evident a
rezultatelor, generndu-se o imagine de ansamblu asupra modelului obinut.















Valori Observate vs. Prognozate
Valori Prognozate
V
a
l
o
r
i

O
b
s
e
v
r
a
t
e
-0.1
0.1
0.3
0.5
0.7
0.9
1.1
0.0 0.2 0.4 0.6 0.8 1.0
I. Srbu - Modelarea proceselor ecologice (2009) 64

8. MODELARE N MATHCAD

Produsul MathCAD este elaborat de firma MathSoftInc Cambridge, MA,
SUA, fiind special conceput pentru modele matematice mai sofisticate, calcule cu
grad ridicat de dificultate, realizarea proiectelor complexe, avnd numeroase
faciliti grafice i de prezentare a rezultatelor. Vom lucra cu versiunea 2001
Professional.

Simboluri i combinaii de taste utilizate n MathCAD

Pentru a obine ... ... tastai: semnificaie:
: = : definiie sau atribuire
a,b .. c a, , ,b, ; , c domeniu de variaie redat ca: a valoare iniial, b
valoarea urmtoare, iar c este valoarea final
(x) , x sau (,x,) parantez
x! x , ! factorial
a
b
a , ^ , b ridicare la putere
| x | | , x modul, valoare absolut, determinant
x + y x , + , y adunare
m / n m , / , n mprire
a.b a , * , b nmulire
- c - , c minus; numr negativ
a > b a , > , b mai mare dect
a < b a , < , b mai mic dect
Sfift + ~ definiie global
x
i
x , [ , i indice
x
i,j
x , [ , ( , i , j ,) indici dubli
M
T
M , Alt + ! matrice transpus
x Alt + $ , x sum vectorial
x
\ , x radical
( )dx x f


x , & , f (x) integral nedefinit
f(x)
dx
d

x , ? , f(x) derivat
v
Alt+ - vectorizare

i
i
x
i , $ , x sum dup valorile indicelui i din x

i
i
x
i , # , x produs dup valorile indicelui i de x

Versiunile noi opereaz n mod similar cu Microsoft Office, operatorul
putnd selecta comenzi i funcii fie din meniurile pop-up, fie prin scrierea
explicit a comenzilor. Deoarece semnificaia tastelor i a combinaiilor acestora
a rmas similar n toate versiunile, vom ncepe aceast tem prin expunerea
simbolurilor i a semnificaiilor acestora (dup manualul original, precum i E.
Scheiber i D. Lixndroiu, 1994).
I. Srbu - Modelarea proceselor ecologice (2009) 65
Funcii Mathcad mai des utilizate n ecologie
Observaii: n tabelul de mai jos: x, y reprezint numere reale, n este un numr natural, v este
un vector iar M o matrice
Apelarea funciei Semnificaie
sin (x) sinus de z
cos (x) cosinus de x
tan (x) tg x
asin (x) arcsin x
acos (x) arccos x
atan (x) arctan x
exp (x) e
x
ln (x) logaritm natural din x (ln x)
log (x) logaritm zecimal din x (lg x)
rnd (x) numr aleator cuprins ntre 0 i x
length (v) numrul elementelor vectorului v
max (v) cel mai mare element al lui v
min (v) cel mai mic element al vectorului v
rows (M) numrul liniilor matricei M
cols (M) numrul coloanelor matricei M
augument (M1, M2) matricea obinut prin alturarea matricilor M1 i
M2, cu acelai numr de linii
identity (n) matricea unitate de ordin n
sort (v) ordoneaz cresctor elementele vectorului v
csort (M, n) aranjeaz liniile matricii M astfel nct
elementele coloanei n s fie n ordine cresctoare
rsort (M, n) aranjeaz coloanele matricii M astfel nct
elementele liniei n s fie n ordine cresctoare
mean (v) media aritmetic a elementelor vectorului v
var (v) variana elementelor lui v
stdev (v) abaterea standard a elementelor lui v
corr (vx, vy) coeficientul de corelaie Pearson aplicat
vectorilor de date vx i vy
linterp (vx, vy, x) returneaz valoarea n x a funciei afine de
interpolare, determinat de vectorii vx i vy
cspline (vx, vy) red coeficienii funciei spline cubice de
interpolare determinat de vectorii vx i vy,
funcia fiind cubic la extremiti
lspline (vx, vy) red coeficienii funciei spline cubice de
interpolare determinat de vectorii vx i vy,
funcia fiind liniar la extremiti
pspline (vx, vy) red coeficienii funciei spline cubice de
interpolare determinat de vectorii vx i vy,
funcia fiind parabolic la extremiti
interp (vs, vx, vy, x) returneaz valoarea n x a funciei spline cubice
de interpolare determinat de vectorii de date vx
i vy; vs reprezint vectorul cu coeficienii
funciei spline calculate n cspline, lspline sau
pspline

I. Srbu - Modelarea proceselor ecologice (2009) 66
Pentru a facilita nelegerea modului de tastare, vom uni cu simbolul + tastele
care se apas simultan, iar cu operatorul virgul (,) separm tastele care se apas
n ordine. Astfel: Shift + 4 semnific apsarea simultan a celor dou taste, pe
cnd Esc, *, Enter impune apsarea n ordine secvenial a tastelor Esc, apoi *,
urmate de Enter. Pentru cei crora le place mai degrab s lucreze cu meniuri
dect s nvee cele cteva comenzi, le rmne selectarea funciilor i operatorilor
exclusiv din oferta generoas de comenzi prezentate n stil pop-up.
Toate comenzile de sistem i de fiiere sunt similare cu cele utilizate de
produsele Microsoft Office, icoanele i cuvintele-cheie fiind identice.

8.1. CALCULE

Calculele numerice n MathCAD se efectueaz prin operatori de atribuire
sau definire, expresii matematice i operatori de afiare.
Operatorii de atribuire / definire sunt definii prin := (care se obine prin
tastarea a dou puncte :)
variabil := expresie
funcie (variabile separate prin virgul) := expresie
variabil expresie
ultima fiind expresia pentru operatorul de definire global (adic avnd ca
domeniu de valabilitate ntregul fiier).
Expresiile matematice sunt redate utiliznd variabilele, funciile i
parametrii definii anterior, utiliznd operatorii matematici i combinaiile de
taste redate n tabelele prezentate anterior.
Operatorul de afiare (ntoarcerea rezultatului) este dat de semnul =, n
formatul:
variabil =
expresie =
funcie (list variabile) =

Calculele simple se pot scrie explicit, urmate de semnul =, fapt care va
determina evaluarea i afiarea rezultatului acestora. De exemplu tastarea
urmtoarei secvene pentru calcularea indicelui de similitudine procentual
Czekanowski (virgula indic operaii succesive):
(,( , 2 , * , 12 , ), / , ( , 36 , + , 39 , ),) , * , 100 , =
produce pe ecran:

32 100
39 36
12 2
=
+



Semnul egal implic evaluarea expresiei matematice definite anterior. n
exemplul anterior am comparat dou comuniti, formate din 36, respectiv 39 de
specii, dintre care 12 sunt comune. Calculatorul a evaluat expresia de similitudine
I. Srbu - Modelarea proceselor ecologice (2009) 67
la 32%. Aceeai prelucrare se poate reda prin definirea unor parametri, n felul
urmtor:

c := 12
a := 36
b := 39

100
b a
c 2
: Is
+

=

Is = 32

Cu alte cuvinte, am definit prin operatori de atribuire valorile parametrilor
identificai prin a, b i c, am definit expresia lui Is, urmat de solicitarea de
afiare a rezultatului.
Identificatorii trebuie s nceap cu o liter, care poate fi urmat de alte
litere, cifre sau semne speciale.
Variabilele numerice de tip ir, se definesc prin:
- un increment i, care ia valori ntregi succesive de la 1 la n (de exemplu n = 8)
- variabila x
i
care este redat sub forma unei expresii matematice n i sau explicit.
Evident variabila ir conine attea valori cte au fost prevzute prin n. Dac
variabila este definit explicit, separatorul ntre termenii irului este dat de tasta
virgul (,)
Expresia general pentru o variabil ir este:
indice := valoare1, valoare 2 .. valoare final
(diferena dintre valoare 1 i valoare 2 va desemna incrementul, iar cele dou
puncte care urmeaz valorii 2 desemneaz repetarea incrementului pn la
valoare final; pentru a obine cele dou puncte se tasteaz ;)
variabil_ir
indice
:= valori
sau
variabil_ir
indice
:= expresie

ntr-un vector sau o matrice valoarea iniial a indicilor este 0. Dac se
dorete ca valoarea iniial (prima prob, prima msurtoare s fie 1 - aa cum se
prefer adesea n ecologie, trebuie s precizm acest lucru printr-o definiie
global a parametrului inclus ORIGIN.
Altfel spus, atunci cnd calculele vor ncepe cu prima valoare a unei
variabile ir (definit prin indicele i care ia valori ntregi succesive de la 1 la n)
precizm n linia de comand:
ORIGIN 1
Exemplu: un ecolog a colectat i prelucrat 31 de probe (de dimensiuni
egale, alese randomizat) prin metoda suprafeelor. Numrul de indivizi din
fiecare prob va fi inclus n variabila ir x
i
. n acest caz, operatorul tasteaz
urmtoarea secven:
I. Srbu - Modelarea proceselor ecologice (2009) 68


unde: valorile variabilei x
i
sunt rezultate n urma numrrii indivizilor din probele
colectate.
S presupunem c dorim acum s calculm media aritmetic a densitii,
variana i abaterea standard a irului x
i
. Exist posibilitatea de a scrie n mod
explicit ecuaiile (ca n partea teoretic), sau de a cere apelarea unor funcii
implicite ale programului. n cel de-al doilea caz, vom tasta i solicita afiarea,
prin:
mean (x) = 31.09
var (x) = 1153.96
stdev (x) = 33.97
n 31 :=
i 1 2 , 31 .. :=
x
i
12
0
5
7
0
0
6
0
8
14
15
24
23
62
150
42
58
78
53
21
0
25
26
84
36
45
82
5
36
74
4
:=
I. Srbu - Modelarea proceselor ecologice (2009) 69
Eventual putem calcula i ali parametri, cum ar fi, de exemplu eroarea
standard a mediei (Err), eroarea de estimare a mediei (D) i indicele de distribuie
spaial (ID), prin definirea urmtoarelor expresii:


) x ( mean
) x var(
: ID
) x ( mean
Err
: D
n
) x var(
: Err
=
=
=

Err = 6.10
D = 0.196
ID = 37.11

Dac n document dorim s includem spaii pentru text, n versiunile
superioare scriem pur i simplu explicaiile dorite, iar n versiunile inferioare,
marcm spaiul pentru text cu ghilimele. De exemplu, dac dorim dup operatorul
de afiare Err s precizm semnificaia acestuia, vom tasta:
Err =
Err semnific eroarea standard a mediei
Textul inclus ntre ghilimele nu va fi interpretat ca o expresie matematic i nici
drept comand, ci va fi ignorat de ctre calculator.

8.2. GRAFICE

Dac se dorete realizarea unei reprezentri grafice plane (bidimenionale)
se selecteaz simbolul din meniu, dup care se nscriu n spaiile rezervate
variabilele i/sau funciile care se reprezint, precum i domeniile lor de variaie
(valorile minime i maxime), ca n exemplul de mai jos.
S presupunem c am realizat un model de tip regresie liniar univariat,
aa cum am nvat la operarea programului prezentat anterior sau la capitolul de
teorie.
Fie:
x = variabila independent, cu domeniul de variaie cuprins ntre 12.1 i 86.9
f(x) = funcia de regresie definit ntre valorile variabilei dependente y i ale celei
independente x, cu expresia:
f(x) = 2.4 + 0.04 * x
2

Pentru a reprezenta grafic aceast funcie se tasteaz urmtoarea secven:

I. Srbu - Modelarea proceselor ecologice (2009) 70
Pentru a afla oricare estimat a variabilei dependente din funcia de
regresie, utilizatorul tasteaz o valoare oarecare din domeniul de variaie al lui x,
n cadrul expresiei funciei f(x). De exemplu pentru a estima valoarea variabilei
dependente la x = 59.65, se tasteaz:
f (59.65) =
care va returna automat rezultatul, astfel c pe ecran apare:
f (59.65) = 144.725
Pentru a modifica parametri graficului (dimensiune, marcarea norului de
puncte, culoarea graficului funciei etc.) n versiunile inferioare se poziioneaz
cursorul n interiorul graficului i se tasteaz f, iar n versiunile superioare se
execut dublu - clic cu tasta stng a mouse-ului, dup care se opereaz n
interiorul meniurilor oferite.
n cazul unei regresii duble se apeleaz fereastra pentru grafice n spaiul
3D, din meniul corespunztor.
Exemplu:
unde f(x,y) este o ecuaie de regresie bivariat evaluat n programul SYSTAT, i
i j sunt doi incremeni adaptai la modul de variaie al celor dou variabile
independente. Cotele suprafeei de regresie sunt incluse n matricea M, ca noduri
ntr-o reea dreptunghiular de puncte (x
i
, y
i
). n spaiul marcat (colul stnga -
x 12.1 86.9 .. :=
f x ( ) 2.4 0.04 x
2
+ :=
20 40 60 80
100
200
300
f x ( )
x
f x y , ( ) 0.13 0.06 x
2
+ 0.1 y
3
+ :=
i 0 78 .. :=
j 2 40 .. :=
x
i
12 i + :=
y
j
0 j + :=
M
i j ,
f x
i
y
j
,
( )
:=
I. Srbu - Modelarea proceselor ecologice (2009) 71
jos) al ferestrei de definire a graficului, se nscrie numai identificatorul de
matrice, n cazul nostru M, iar rezultatul va arta astfel:

De asemenea, prin accesarea meniurilor se pot modifica numeroi
parametri ai graficului (se poate roti n toate dimensiunile, mri sau micora,
schimba axele, scrile etc.).

8.3. MODELE DEFINITE PRIN FUNCII DE INTERPOLARE

n ecologie interpolarea, reprezentarea grafic i calcularea estimatei
funciei de interpolare ntr-un punct, care nu aparine reelei de noduri, este una
dintre cele mai utile aplicaii ale sistemului MathCAD.
Extrem de bune sunt funciile de interpolare spline. Date fiind n puncte (x
i
,
y
i
) funciile spline cubice au forma:

unde i ia valori naturale succesive n domeniul 1, 2 .. n.
n exemplul de mai jos este evaluat o funcie spline cubic f(x) care
traseaz forma albiei unui ru, n seciune transversal, pe baza unei serii de
msurtori, se calculeaz aria seciunii transversale a rului, lungimea graficului
(a albiei n seciune), iar introducerea unei estimate a vitezei momentane medii de
curgere a apei, permite evaluarea debitului.





M
3
3
2
2 0
) ( ) ( ) ( ) (
i i i i i i i i
x x c x x c x x c c x P + + + =
I. Srbu - Modelarea proceselor ecologice (2009) 72










Posibilitatea evalurii valorii functiei de interpolare intr-un punct care nu apartine
retelei de noduri; n acest caz adncimea estimat la distanta de 10 m = 1.435 m
f 10 ( ) 1.435 =
p 17.6 = h 23.237 = g 13.539 =
p g v :=
v 1.3 :=
h
0
22.9
x 1
x
f x ( )
d
d
|

\
|
|

2
+

(
(
(

d :=
g
0
22.9
x f x ( )

d :=
f x ( )
x
x 0.0 0.1 , 22.9 .. :=
f x ( ) interp s vx , vy , x , ( ) :=
s lspline vx vy , ( ) :=
vy
i
0
.45
1.0
1.20
1.50
.80
.56
0
:= vx
i
0.0
5.0
8.3
9.2
10.4
12.8
18.7
22.9
:=
i 1 n .. :=
n calculele de mai jos:
n = numrul de noduri (puncte n care s-au msurat adncimile),
vx = distanta n sectiune transversal, fat de un mal
(pozitia nodului in metri, fata de punctul de referinta)
vy = adncimea msurat n nodul definit prin vx
f(x) = functia de interpolare
g = aria sectiunii transversale de ru
h = lungimea graficului (a albiei in sectiune transversal)
v = viteza medie a apei la un anumit moment
n 8 := ORIGIN 1
I. Srbu - Modelarea proceselor ecologice (2009) 73


8.4. PROBLEME I DEMONSTRAII

1. Alctuirea unei rutine pentru calcularea indicilor de biodiversitate mai
des utilizai (biodiversitatea de tip )






simp 0.481 = E 0.421 = H 1.397 = d2 0.127 = d1 2.373 = N 6215 =
E
H
l2
:=
simp
i
X
i
X
i
1
( )

N N 1 ( )
:=
l2
log S ( )
log 2 ( )
:=
H
i
p
i
log p
i
( )
log 2 ( )
|

\
|
|

:=
d1
S 1
log N ( )
:=
d2
S
N
:=
p
i
X
i
N
:=
N
i
X
i
:=
n aceste formule s-a utilizat fie logaritmul zecimal, fie n baza 2 pentru
ilustrarea modului de schimbare a bazei
n urmtoarele formule d1 = indicele Margalef, d2 = indicele Menhinick
H = Shannon-Wiener, E = echitabilitate, simp = Simpson
X
i
15
11
3870
101
6
41
148
129
9
1885
:=
i 1 S .. :=
S 10 :=
S semnific numrul de specii, X este variabila sir care contine numrul
de indivizi prin care este reprezentat fiecare specie n probe,
N = numarul total de indivizi din probe.
ORIGIN 1
I. Srbu - Modelarea proceselor ecologice (2009) 74
2. n tabelul de mai jos sunt sunt redate valorile medii ale diversitii specifice
(calculate prin indicele Simpson, codificat prin vy) pentru comunitile bentonice dintr-
un ru. Staiile (de la S1 la S8) sunt poziionate prin distana vx fa de izvor (n km). S
se traseze graficul funciei spline de interpolare a diversitii n relaie cu distana fa
de izvor, i s se estimeze diversitatea la distanele de 10, 20, 30, 40, 50 i 60 km.
S1 S2 S3 S4 S5 S6 S7 S8
vx 0,01 12 25 31 45 55 60 79
vy 0,02 0,12 0,10 0,45 0,58 0,40 0,65 0,79


ORIGIN 1
n 8 :=
i 1 n .. :=
vy
i
0.02
0.12
0.10
0.45
0.58
0.40
0.65
0.79
:= vx
i
0.01
12
25
31
45
55
60
79
:=
s lspline vx vy , ( ) :=
f x ( ) interp s vx , vy , x , ( ) :=
x 0.0 0.01 , 79 .. :=
Variatia indicelui Simpson
f x ( )
x vx ,
f 10 ( ) 0.13 = f 20 ( ) 0.017 = f 30 ( ) 0.391 =
f 40 ( ) 0.667 = f 50 ( ) 0.417 = f 60 ( ) 0.65 =
I. Srbu - Modelarea proceselor ecologice (2009) 75
3. Rutin pentru analiza asocierii dintre specii (pentru partea teoretic a se
revedea Srbu i Benedek, 2004)





e3
a b + ( ) a c + ( )
n b d + ( ) c d + ( )
:=
C3
a d b c
b d + ( ) c d + ( )
:=
Daca bc>ad si a>d atunci C3, e3
e2
b d + ( ) c d + ( )
n a b + ( ) a c + ( )
:=
C2
a d b c
a b + ( ) a c + ( )
:=
Daca bc>ad si d>=a atunci C2, e2
e1
a c + ( ) c d + ( )
n a b + ( ) b d + ( )
:=
C1
a d b c
a b + ( ) b d + ( )
:=
2. C1, 2, 3 = coeficientii lui Cole si erorile standard: Daca ad >=bc atunci C1, e1
CCM
hip
n hip +
:=
coeficienti de asociere - 1. CCM: coeficientul contingentei medii patratice
hip 4.045 =
Valoarea critica a testului la nivelul de asigurare de 0,05 este de 3,84: asocierea este semnificativa
numai daca valoarea calculata hip este mai mare!
hip
n a d b c
n
2
|

\
|
|

(
(

a c + ( ) b d + ( ) a b + ( ) c d + ( )
:=
n a b + c + d + :=
d 22 :=
c 19 :=
b 23 := a 48 :=
I. Srbu - Modelarea proceselor ecologice (2009) 76


















Daca t calculat este mai mare decat valoarea critica la nivelul de asigurare ales
si gl grade de libertate, afinitatea este semnificativa.
************************************************************************************************
iab 0.696 = gl 136 = t 4.424 =
Rezultate pentru analiza de afinitate: iab=indicele Fager, t=valoare test,
gl= grade de libertate:
e3 0.152 = e2 0.059 = e1 0.088 =
C3 0.336 = C2 0.13 = C1 0.194 =
a 48 = d 22 = CCM 0.187 =
b c 437 = a d 1.056 10
3
= hip 4.045 =
Rezultate - pentru tabelul de contingenta
************************************************************************************************
gl na nb + 2 :=
t tt :=
tt
na nb + ( ) 2 a 1 ( )
2 na nb
1

(
(

na nb + 1 :=
iab
2 a
na nb +
:=
nb a b + := na a c + :=
Indicele de afinitate - Fager
I. Srbu - Modelarea proceselor ecologice (2009) 77
4. Rutin pentru evaluarea limii i suprapunerii nielor ecologice

Acest exemplu servete i pentru deprinderea modului de definire i
operare cu matrici. Pentru a defini o matrice, se alege simbolul corespunztor din
meniul de calcul. Apare o fereastr (Insert Matrix) n care se introduc numrul de
rnduri (Rows) i de coloane (Columns), dup care se insereaz matricea n locul dorit
(OK) i se completeaz cu valorile corespunztoare.
n exemplul de mai jos considerm o matrice de 7 resurse, exploatate n comun
de o comunitate format din 5 populaii.
n matricea care apare ne deplasm cu sgei sau cu Enter, i umplem spaiile
definite prin ptrate negre, cu valorile corespunztoare. Restul rutinei de mai jos este
autoexplicativ. Pentru partea teoretic a se revedea Srbu i Benedek, 2004.









ORIGIN 1 n 7 := k 5 :=
j 1 n .. := i 1 k .. := h 1 k .. :=
p
0.15
0
0.41
0
0.01
0.05
0
0.16
0.48
0.02
0.12
0.94
0.10
0.02
0.01
0.43
0.06
0.05
0
0
0.17
0
0.05
0
0.24
0.08
0
0
0.5
0.31
0
0
0.23
0
0.41
|

\
|
|
|
|
|
|

:=
a
j
0.05
0.07
0.01
0.12
0.29
0.14
0.32
:=
p
1 1 ,
0.15 =
accesarea unui termen al matricii
S
i
j
p
i j ,
:=
verificarea sumei pe linii a matricii de resurse
S
1
1
1
1
1
|

\
|
|
|
|
|
|

=
I. Srbu - Modelarea proceselor ecologice (2009) 78



HS
1
0.498
0.51
0.346
0.487
0.498
1
0.21
0.033
0.015
0.51
0.21
1
0.173
0.778
0.346
0.033
0.173
1
0.389
0.487
0.015
0.778
0.389
1
|

\
|
|
|
|
|
|

=
O
1
0.289
0.428
0.188
0.24
0.289
1
0.201
0.029
0.018
0.428
0.201
1
0.222
0.395
0.188
0.029
0.222
1
0.419
0.24
0.018
0.395
0.419
1
|

\
|
|
|
|
|
|

=
HS
i h ,
j
a
j
p
i j ,
p
h j ,

( )

j
a
j
p
i j ,

( )

(
(

j
a
j
p
h j ,

( )

(
(

:=
Indicele standardizat HS
O
i h ,
j
p
i j ,
p
h j ,

j
p
i j ,
( )
2

(
(

j
p
h j ,
( )
2

(
(

:=
Indicele Pianka
EVALUAREA SUPRAPUNERII NISELOR ECOLOGICE
FT
i
0.735
0.182
0.75
0.462
0.904
= BA
i
0.475
0.021
0.47
0.18
0.35
= B
i
3.852
1.127
3.823
2.08
3.102
=
REZULTATE:
Indicele Smith
FT
i
j
p
i j ,
a
j

:=
Indicele Levins - B standardizat
BA
i
B
i
1
n 1
:=
Indicele Levins - B
B
i
1
j
p
i j ,
( )
2

:=
EVALUAREA LATIMII NISELOR
I. Srbu - Modelarea proceselor ecologice (2009) 79

9. MODELE RECURENTE APLICATE N
ECOLOGIA POPULAIEI

Pentru a caracteriza o populaie, putem evalua o serie de parametri
ecologici cantitativi sau calitativi, cum ar fi: abundena populaiei, efectivul,
densitatea (ecologic, brut sau absolut), natalitatea (sau orice alt mecanism prin
care apar indivizi n interiorul unei populaii, excluznd imigrarea), mortalitatea,
distribuia pe clase de vrst (structura de vrst) sau dimensiuni, distribuia
spaial, dinamica populaional (variaii ale parametrilor cantitativi ai abundenei
sau efectivului n timp) etc. (a se revedea Srbu i Benedek, 2004).
Definim rata absolut a natalitii (B
a
) ca raportul ntre numrul indivizilor
nscui (b) sau intrai n populaie prin ecloziune, diviziune etc., ntr-un anumit
interval de timp (t), iar rata relativ a natalitii (B
s
) este raportul ntre indivizii
nou aprui n interiorul populaiei i intervalul de timp considerat, multiplicat cu
efectivul populaiei (N) sau un numr standard (100 sau 1000 de indivizi la
populaiile speciilor asexuate, respectiv de femele la cele cu reproducere
sexuat):
Corespunztor definim rata absolut a mortalitii (M
a
) ca raportul ntre
numrul de indivizi decedai ntr-un anumit interval de timp (m/t), iar rata
relativ a mortalitii raporteaz, analog, parametrul anterior la efectivul
populaional (N) sau un numr standard (100 sau 1000 de indivizi):

Pentru a urmri dinamica unei populaii sunt necesare date privitoare la
procesele demografice care se desfoar (natalitate, mortalitate, imigraie,
emigraie), a consecinelor acestora i a factorilor care le influeneaz. Pentru a
cunoate efectivul populaiei la un anumit moment (N
t
) este necesar cunoaterea
dimensiunii populaiei ntr-un stadiu de timp anterior (N
t-1
), la care se adaug
numrul de indivizi imigrai n intervalul de timp (I) i cei care au aprut (B) n
interiorul populaiei (prin natere, eclozare sau oricare alt mecanism biologic),
sczndu-se numrul de indivizi decedai (M) i cei emigrai (E). Prin urmare,
ecuaia general ar fi:

N
t
= N
t-1
+ B + I - M - E
t N
b
B
t
b
B
s
a

=
t N
m
M
t
m
M
s
a

=
I. Srbu - Modelarea proceselor ecologice (2009) 80

Acesta este un prim model matematic al dinamicii populaiei, care are
avantajul traducerii unui fenomen complex ntr-o ecuaie clar i obiectiv. Ea
poate fi manipulat ca orice ecuaie matematic, conducnd la o flexibilitate care
depete orice model conceptual. Dezavantajul metodei const n faptul c
determinarea direct a acestor parametri este posibil numai n cazuri foarte rare,
atunci cnd populaia poate fi monitorizat n ntregime. Cel mai frecvent, pentru
a afla valorile fluctuaiilor numerice ale indivizilor unei populaii se apeleaz la
diferite metode estimative i indirecte. O metod direct este construirea i
interpretarea tabelelor de via i de fecunditate. Pentru a readuce n memoria
cititorului principiile acestei metode, redm mai jos tehnica simplificat de
construire a unui tabel dinamic de via (care urmrete procesele demografice
de-a lungul unei generaii, n absena migraiei) pentru o specie cu generaii
discrete. Tehnica integral de calcul este redat de I. Srbu i A.M. Benedek
(2004) motiv pentru care nu se insist aici mai mult dect este necesar.
S considerm exemplul de mai jos, n care se urmrete mortalitatea
specific de vrst, pe parcursul a 6 stadii de dezvoltare, a unei generaii de
Chortippus brunneus (dup Richard i Waloff 1954, ap. Begon i col. 1986).

Tab. 2.1. Tabel dinamic de via al unei generaii de Chorthippus brunneus
(dup Richard i Waloff 1954, ap. Begon i col. 1986).

x a
x
l
x
d
x
q
x
F
x
m
x
l
x
m
x

Ou (0) 44000 1.000 0.920 0.92 - - -
Stadiul 1 3513 0.080 0.022 0.28 - - -
Stadiul 2 2529 0.058 0.014 0.24 - - -
Stadiul 3 1922 0.044 0.011 0.25 - - -
Stadiul 4 1461 0.033 0.003 0.11 - - -
Aduli 1300 0.030 0.030 1.00 22617 17 0.51

n acest tabel stadiul, vrsta sau intervalul de timp, este codificat prin x, iar
variabilele specifice de stadiu prin indicele subscript
x
(de exemplu a
x
sau l
x
).
Variabilele din acest tabel au urmtoarea semnificaie:
a
x
= numrul de indivizi n via la nceputul fiecrui stadiu. Aceste valori sunt
specifice fiecrei populaii i an, fcnd comparaiile directe imposibile. De
aceea se lucreaz cu valori standard, care se trec n coloana urmtoare, i
anume:
l
x
= proporia de indivizi din stadiul iniial care au supravieuit la nceputul
stadiului x:
l
x
= a
x
/ a
o

d
x
= proporia de indivizi eliminai din populaie n fiecare stadiu, adic:
(l
x
- l
x+1
)
I. Srbu - Modelarea proceselor ecologice (2009) 81
q
x
= rata mortalitii specifice de vrst (stadiu), adic raportul d
x
/ l
x.

Aceast rat este caracteristic pentru fiecare populaie i poate fi neleas ca
probabilitatea de deces a unui individ n decursul unui stadiu x.
Pn n acest punct ne-am ocupat numai de numrul de indivizi i am
nregistrat variaiile numerice ale acestora prin variabile standardizate, pentru a
permite gsirea unei proceduri de realizare a unor studii comparative.
Tabelul de fecunditate ncepe cu coloana urmtoare, n care sunt
nregistrai numrul de urmai produi de generaia parental n decursul stadiului
x.
F
x
= este coloana n care se nscrie numrul de urmai produi de lotul studiat
n stadiul x.
m
x
= numrul mediu de urmai produi de fiecare individ supravieuitor din
stadiul x. Altfel spus, m
x
= F
x
/ a
x

l
x
m
x
= este produsul ntre valorile din coloanele l
x
i m
x
, semnificnd numrul
mediu de urmai produi de fiecare individ din stadiul 0 (iniial) n decursul
etapei x.
Dac notm cu R
x
produsul m
x
l
x
definim un parametru sintetic al tabelelor
de via, i anume rata net de modificare (sau reproducere) a populaiei.
Aceasta red factorul de multiplicare al mrimii populaiei la sfritul unei
generaii parentale (de cte ori se poate multiplica mrimea unei populaii n
decursul unei generaii). Cu alte cuvinte am obinut un prim model populaional,
care exprim determinist dinamica acesteia, de forma:

N
t+1
= R
t
N
t


care este o ecuaie recurent de ordinul 1, din cauza faptului c relaioneaz
dimensiunea populaiei la momentul (t+1) de cea nregistrat la un interval
anterior de timp (t). n exemplul de mai sus R
t
este valoarea ultimei celule ale
produsului m
x
l
x
= 0.51, semnificnd c dimensiunea populaiei a sczut la cca. o
jumtate fa de anul precedent.
O ecuaie recurent de ordinul 2 ar implica calcularea dinamicii n dou
etape, cunoscnd efectivele populaiei la momentele (t) i (t-1), adic N
t
i N
t-1
,
precum i ratele fundamentale R
t-1
(dintre momentul t i t-1), precum i R
t
(dintre
t+1 i t), adic:

N
t+1
= R
t
N
t
+ R
t-1
N
t-1
n mod corespunztor o ecuaie de diferen sau recurent de ordinul 3 ar
implica parametri evaluai n trei stadii de timp ale studiului etc. Pornind de la
acest exemplu de evaluare a dinamicii populaionale pe baza tabelelor de via i
de fecunditate, s urmrim dezvoltarea altor categorii de modele, pe care le vom
realiza din ce n ce mai complex, n scopul apropierii de cazuri ct mai generale,
care aproximeaz mai corect fenomenele din natur.
Dup cum am mai specificat, urmrirea unui fenomen n timp se poate face
n mod continuu sau n mod discret (n ultimul caz exemplul este chiar tabelul de
I. Srbu - Modelarea proceselor ecologice (2009) 82
via precedent). Ecuaiile matematice care descriu modificrile n timp continuu
sunt ecuaii difereniale, iar cele care caracterizeaz schimbrile n intervale
discrete de timp sunt ecuaii recurente sau de diferene.
Dezvoltarea modelului dinamicii populaionale se va baza pe tehnica
expus de Gillman i Hails (1997).
n exemplul anterior, n care am analizat efectul direct al fecunditii i
supravieuirii asupra modificrii numerice a populaiei, am obinut o ecuaie care
constituie un model determinist (depinde explicit numai de parametri de intrare)
independent de densitate (probabilitatea de supravieuire a indivizilor din
fiecare clas nu depinde de interaciunile intraspecifice, condiionate de
abundena acestora). Dac redefinim rata net de cretere sau de modificare
numeric a populaiei (care ine seama de produsul dintre supravieuire i
fecunditate) printr-un termen general, pe care l definim fie prin expresia rata
finit de cretere a populaiei (Gillman, Hails, 1997) sau prin expresia
adaptat dup May (1981, ap. idem) factorul multiplicativ de cretere pe
generaie, obinem ecuaia general:
N
t+1
= N
t

care este tot o ecuaie recurent de ordinul 1, unde este constant n timp i se
poate calcula pe oricare stadiu corespondent al dou generaii succesive (fiind un
model determinist, independent de densitate). Dac aceste condiii sunt
ndeplinite i este mai mic dect unitatea, va surveni extincia determinist a
populaiei.
Invers, cunoscnd efectivul populaiei la momentul (t+1) i cel de la
momentul (t), din ecuaia anterioar se poate calcula valoarea ratei finite de
cretere, prin ecuaia:
Exemplu: dac ntr-un studiu realizat prin metoda tabelelor de via asupra
unei specii vegetale (terofit anual), am numrat pe suprafaa de prob 23450 de
semine germinate n anul 1 i n anul urmtor (n acelai stadiu) 36459, rata
finit de cretere a populaiei se calculeaz prin relaia:
= 36459 / 23450 = 1.55.
Este evident c aceast abordare a dinamicii populaionale este extrem de
simpl. n realitate abundena unei populaii (fie n termeni de efectiv sau
densitate) are implicaii majore asupra capacitii de supravieuire i de
fecunditate a indivizilor, prin efectele mecanismelor de reglare intraspecific
(competiie, stress, probabilitatea de a gsi un partener pentru reproducere etc.).
Totodat este dependent de fluctuaiile mediului, variaii n timp i spaiu ale
parametrilor abiogeni, fapt care implic renunarea la ideea de valoare constant
i trecerea la o distribuie de probabiliti a valorilor pe care le poate avea n
timp. Reglarea populaional dependent de densitate va modifica
corespunztor modelul enunat, prin faptul c mortalitatea crete cu abundena
(efectivul sau densitatea) populaiei. Dac notm cu s proporia indivizilor care
t
N
1 t
N
+
=
I. Srbu - Modelarea proceselor ecologice (2009) 83
supravieuiesc (echivalentul parametrului l
x
din tabelele de via), iar cu N o
msur a abundenei populaiei, care se poate exprima n moduri variate (cum ar
fi efectivul, densitatea ecologic sau brut, densitatea absolut etc.), am putea
identifica cel puin trei categorii majore de relaii ntre supravieuire i abunden
(modele dependente de densitate), redate n Fig. 2.1.
s
1

1

2


3
N
max

0 N

Fig. 7.1. Trei modele poteniale de dependen ntre fracia indivizilor care
supravieuiesc ntr-o unitate de timp (s) i densitatea sau abundena populaiei (N); dup
Gillman i Hails, 1997.

Cel mai simplu model evideniat de Fig. 7.1 este relaia liniar dintre
fracia de supravieuire s i abunden N (modelul 2). Reamintim c ecuaia
general a dreptei este:

f(x) = a + bx

unde x este variabila independent, b este panta dreptei iar a este
intercepia.
Dac notm intercepia ordonatei de ctre dreapt cu 1 (valoarea
probabilitii de supravieuire a unui individ la limita minim a densitii) iar
panta dreptei de regresie cu m, putem rescrie ecuaia general a dreptei ca:

s = 1 - mN

Acest model presupune c exist un N
max
, valoarea maxim a densitii,
dincolo de care populaia este incapabil s supravieuiasc (n grafic intercepia
abscisei de ctre dreapt), deci la care s=0. De asemenea exist i o densitate
minim N
min
la care s 1 sub care de asemenea populaia dispare.
Gradientul sau panta dreptei m se poate analoga cu tangenta unghiului
format de segmentele definite prin s, N
max
, O, ceea ce conduce la relaia:

max
1
N
m =
I. Srbu - Modelarea proceselor ecologice (2009) 84
Prin nlocuirea lui m n ecuaia general a modelului dependent de
densitate, rezult:

s = 1 - (1 / N
max
) N

s = 1 - N / N
max


care, repetm, caracterizeaz relaia dintre probabilitatea de supravieuire a unui
individ (sau fracia de supravieuire a indivizilor) i efectivul (abundena)
populaiei.
Putem acum s construim un nou model al dinamicii populaiei, care va
evalua efectivul la momentul (t+1), ca funcie de efectivul din momentul anterior
(t), de rata finit de modificare a populaiei (), dar care ine seama i de efectele
dependente de densitate (s ca funcie de N), adic:

care este ecuaia logistic discret a dinamicii populaionale, dependent
de densitate. Uzual nu se aplic notaia N
max
pentru valoarea maxim a densitii
sau abundenei, ci aceasta este nlocuit cu litera K, avnd aceeai semnificaie,
dar care se mai poate defini i drept capacitatea de suport. Aceasta mai
semnific densitatea maxim a unei specii, care poate fi susinut (suportat) de
un habitat particular. Muli consider c acest parametru caracterizeaz att
specia particular, ct i calitatea habitatului (abundena i disponibilitatea
resurselor acestuia). Uneori se opereaz cu inversul capacitii de suport, care se
noteaz cu = 1/K
Prin urmare, dac:

atunci obinem ecuaiile echivalente:

respectiv:
|
|

\
|
=
+
max
t
t 1 t
N
N
1 N N
K
1
respectiv
K N
max
=
=
|

\
|
=
+
K
N
1 N N
t
t 1 t
I. Srbu - Modelarea proceselor ecologice (2009) 85

Am scris aceste relaii nu pentru a ne juca cu expresii matematice, ci pentru
a ilustra faptul, c modelul dependent de densitate nu este liniar ci n mod evident
neliniar, deci un polinom de gradul 2. Reamintim aici c un model polinomial (o
funcie polinomial) are forma general:

f(x) = a
0
+ a
1
x + a
2
x
2
+ ...+ a
n
x
n


unde n este un numr natural; n 0. Ordinul sau gradul acestui model este cea
mai mare putere a lui x n expresia funciei.
Avnd ecuaia dinamicii populaionale dependente de densitate, putem
realiza numeroase simulri pe calculator (n programul MathCAD de exemplu) ,
dnd valori parametrilor , K i N
t
, respectiv urmrind modul n care acetia se
reflect n variaiile valorii ateptate N
t+1
.

Problem. S se construiasc n MathCAD o serie de grafice care s simuleze
dinamica populaional anual pentru diferite valori ale lui , la K=100 i K=200,
pentru un interval de timp de 21 de ani i efectiv iniial constant, utilizndu-se
modelul logistic discret.

Rezolvare. Se tasteaz secvena de mai jos:

prin care modelm dinamica populaional a dou sisteme caracterizate prin
valori diferite ale capacitii de suport (K1 i K2). Apelarea modulului de grafic
bidimensional, va produce graficul din Fig. 7.2.
( )
K
N
N N 1 N N
2
t
t t t 1 t

= =
+
K1 100 := K2 200 := 2 := t 1 20 .. :=
N
1
30 := D
1
30 :=
N
t 1 +
N
t
1
N
t
K1

\
|
|

:= D
t 1 +
D
t
1
D
t
K2

\
|
|

:=
I. Srbu - Modelarea proceselor ecologice (2009) 86


Fig. 7.2. Model logistic discret al dinamicii populaionale la =2.0

Dinamica modelului populaional la =2 aproximeaz o cretere logistic,
ce se ncheie cu un echilibru staionar al efectivului n timp, care depinde de
valoarea lui K. Pstrnd aceleai date ale problemei, dar alegnd = 3.0 obinem
Fig. 7.3.


Fig. 7.3. Model logistic discret al dinamicii populaionale la =3.0

care indic un echilibru dinamic ce se caracterizeaz prin oscilaii periodice ntre
dou valori ale densitii: se mai numesc i cicluri limit n dou puncte.
Mrind valoarea lui la 3.5 vom obine graficul de mai jos, care
corespunde cu un echilibru ciclic n patru puncte (Fig. 7.4)
0 5 10 15 20
40
60
80
100
120
120
30
N
t
D
t
21 0 t
0 5 10 15 20
50
100
150
150
30
N
t
D
t
21 0 t
I. Srbu - Modelarea proceselor ecologice (2009) 87


Fig.7.4. Model logistic discret al dinamicii populaionale la =3.5

Pentru = 4 dispare echilibrul ciclic, iar fluctuaiile aparent prezint un
model ntmpltor, care este denumit dinamic haotic. n toate cazurile K nu
afecteaz dinamica ci doar nivelul la care este realizat echilibrul sau dinamica
haotic (Fig. 7.5)


Fig. 7.5. Model logistic discret al dinamicii populaionale la =4.0

Dinamica haotic a unui fenomen nu nseamn faptul c acel fenomen este
un produs al ntmplrii. Multe procese haotice pot fi rezultate ale unor
fenomene previzibile, deterministe, aa cum se vede i din exemplul de mai sus.
Nu este ntotdeauna simplu s se disting ntre randomizare sau stochasticitate i
dinamica haotic (a se revedea cele expuse la analiza seriilor de timp).
0 5 10 15 20
50
100
150
200
200
30
N
t
D
t
21 0 t
0 5 10 15 20
0
50
100
150
200
210
0
N
t
D
t
21 0 t
I. Srbu - Modelarea proceselor ecologice (2009) 88
Pn acum am considerat dependena de densitate a probabilitii de
supravieuire, ca fiind o funcie liniar. n cazul n care aceast dependen nu
este liniar, ci corespunde cu curba de tip 3 din Fig. 7.1, atunci fracia indivizilor
supravieuitori (s) scade cu abundena sau densitatea populaiei (N) dup o
funcie negativ exponenial, de tipul:

s = e
-aN

unde parametrul a se poate considera ca intensitatea dependenei de densitate.
Este evident faptul c s scade cu att mai accentuat, cu ct a este mai mare, aa
cum rezult din simularea n Mathcad (Fig. 7.6).



Fig. 7.6. Simularea relaiei dintre abunden N i probabilitatea de supravieuire s la
diferite valori ale exponentului a.

Ecuaia modelului de dinamic populaional cu dependen neliniar de
densitate, devine:

N
t+1
= N
t
e
-aN
t

aceasta fiind tot o ecuaie recurent neliniar de ordinul I, cunoscut sub
denumirea de ecuaia Ricker (1954, ap. Gillman i Hails, 1997).
Evaluarea parametrilor i a din date reale (experimentale) se realizeaz
cel mai bine prin exprimarea ecuaiei sub forma unei drepte de regresie astfel:
ambii termeni ai ecuaiei se mpart la N
t
i se logaritmeaz expresia, rezultnd
ecuaiile echivalente:
a1 0.001 := a2 0.01 := a3 0.1 :=
N 10 20 , 500 .. :=
s1
N
e
a1 N
:= s2
N
e
a2 N
:= s3
N
e
a3 N
:=
0 100 200 300 400 500
0
0.5
1
1
0
s1
N
s2
N
s3
N
500 0 N
I. Srbu - Modelarea proceselor ecologice (2009) 89

Prin urmare, datele demografice experimentale se pot reprezenta sub forma
unei drepte de regresie de tipul ecuaiei de mai sus, dup care estimm ln() din
intercepia ordonatei de ctre dreapta de regresie (ln) iar panta dreptei sau
coeficientul de regresie va fi egal cu parametrul a.
Pn n acest moment am considerat populaia ca avnd generaii discrete,
sau c procesul de reproducere se desfoar n mod discret n cadrul unor
populaii cu generaii suprapuse. n natur ns, aceste trsturi acoper doar o
parte din posibiliti: numeroase specii nu i sincronizeaz reproducerea, care
poate fi astfel considerat ca un proces continuu. Evident modelele de tip recurent
nu mai sunt valabile n acest caz; noul model pe care l cutm va trebui s se
raporteze la un timp continuu, i astfel vom dezvolta modelele difereniale, pe
care le vom studia la masterat.

























( )
t
t
1 t aN
t
1 t
aN ln
N
N
ln e
N
N
t
=
|
|

\
|
=
+ +
I. Srbu - Modelarea proceselor ecologice (2009) 90

10. ACTIVITATE INDEPENDENT;
PROBLEME

Integrnd cele expuse anterior i din bibliografia indicat, studenii ar
trebui s fie capabili s rezolve pe calculator problemele de mai jos (care
simuleaz modul n care se va desfura partea practic a examenului). Succes!

Problema 1.
n tabelul de mai jos sunt redate valorile unor parametri fizico-chimici i ai
biodiversitii comunitilor acvatice din 9 staii de prelevare a probelor,
amplasate de-a lungul rului Cibin (dup A. Bnduc, 2005).
Codurile utilizate au urmtoarele semnificaii:
RF = reziduu fix, DO = deficit de oxigen, CBO5 = consum chimic de oxigen
dup 5 zile, CMN = consum chimic de oxigen prin metoda permanganatului de
potasiu, MA = indicele Margalef, ISIM = indicele Simpson inversat.
Semnificaiile codurilor staiilor: S1 - Ru Mare amonte de confluena cu
Dneasa; S2 - Cheile Cibinului, S3 - amonte lacul Gura Rului, S4 - aval baraj
Gura Rului, S5 - aval Orlat, S6 - amonte Sibiu, S7 - aval Sibiu, S8 - aval Mohu,
S9 - amonte vrsare n Olt.


RF DO CBO5 CMN MA ISIM

S1 124.440 16.320 1.990 3.780 11.170 0.919
S2 142.800 15.130 3.490 7.740 13.254 0.933
S3 111.220 13.130 1.840 3.370 10.695 0.930
S4 148.890 14.760 3.240 5.590 8.971 0.899
S5 222.440 23.100 4.180 7.310 6.216 0.836
S6 217.330 31.230 5.010 8.310 7.668 0.909
S7 209.110 31.270 5.130 9.260 4.281 0.859
S8 555.330 58.700 12.750 17.570 2.695 0.672
S9 294.440 25.210 7.400 14.330 5.290 0.779

Cerinele problemei:
1. S se discute posibilitile de reprezentare grafic a acestor valori.
2. S se discute posibilitile de prelucrare a datelor.
3. S se efectueze analiza de corelaie ntre valorile celor doi indici de
biodiversitate, i o analiz similar ntre parametrii CBO5 i CMN.
4. S se efectueze analiza de regresie ntre CBO5 i MA, i o analiz similar
ntre CMN i ISIM.
5. S se calculeze matricea cu valorile standardizate ale variabilelor.
6. Pe baza matricii cu valori standardizate s se calculeze matricea de distane
euclidiene ntre staiile de colectare a probelor (S1, S2 ... S9).
7. S se reprezinte grafic matricea de distane euclidiene printr-o dendrogram,
utiliznd metoda de grupare la distan medie.



I. Srbu - Modelarea proceselor ecologice (2009) 91

Problema 2. n tabelul de mai jos sunt redate valorile indicelui de abunden
relativ a principalelor grupe de macronevertebrate bentonice de-a lungul rului
Mure (S1 - Izvorul Mureului, S2 - Senetea, S3 - Rstolia, S4 - Ungheni, S5 -
Gura Arie, S6 - Sntimbru, S7 - Vinu de Jos, S8 - Pecica). Aceste date relev
starea ecologic a rului i calitatea apei i sedimentelor, avnd valoare n
caracterizarea impactului antropic asupra ecosistemelor riverane (dup Srbu i
col., 2002).

Taxon / Staie S1 S2 S3 S4 S5 S6 S7 S8
Hydroidea 0,00 0,00 0,00 0,00 0,45 0,00 0,45 0,10
Plathelminthes 3,46 0,00 0,00 0,00 0,00 0,00 0,00 0,10
Nemathelminthes 0,00 0,00 0,28 0,45 0,18 0,04 0,57 4,47
Oligochaeta 19,04 9,46 3,50 63,29 18,89 63,29 53,31 14,94
Hirudinea 0,00 0,00 0,00 0,34 0,00 0,00 0,00 0,00
Mollusca 0,58 0,17 1,83 0,68 0,36 0,00 0,00 0,10
Amphipoda 56,35 57,54 0,08 0,00 0,00 0,00 0,00 0,00
Hydracarina 0,19 0,62 2,87 0,00 0,09 0,00 0,00 0,00
Collembola 0,00 0,17 0,00 0,00 0,00 0,00 0,06 0,00
Ephemeroptera 4,61 8,77 3,82 7,87 6,83 5,24 2,93 0,81
Odonata 0,00 0,00 0,00 0,00 0,18 0,08 0,06 0,00
Plecoptera 1,54 1,99 0,12 0,34 0,00 0,00 0,00 0,00
Trichoptera 0,19 1,16 33,24 0,00 2,61 0,60 2,99 0,51
Coleoptera 9,81 13,43 0,72 0,00 0,00 0,04 0,00 0,00
Chironomidae 3,65 6,07 51,47 27,03 68,71 30,27 38,80 78,77
Diptera 0,58 0,62 2,07 0,00 1,71 0,44 0,82 0,20

Pe baza acestor date s se compare ntre ele staiile de prelevare a probelor,
utilizndu-se distana medie euclidian, s se reprezinte grafic sub forma unei
dendrograme prin metoda de grupare la distan medie. S se comenteze
rezultatul.

Problema 3. Un studiu de variabilitate morfologic i biometric a fost realizat la
4 populaii de Holandriana holandri n vederea urmririi modului n care
variabilitatea intraspecific variaz ecologic i geografic, precum i pentru
verificarea statutului taxonomic al subspeciilor citate n Romnia (dup Srbu,
1998). Fiecare individ are o fi de diagnoz, iar tabelul de mai jos red procentele
de indivizi din loturile studiate care prezint caracterul codificat corespunztor.
Codurile caracterelor sunt urmtoarele (...) Pentru penultimul anfract: SMPA ir
mamelonar, CPA caren, Pentru ultimul anfract: SMSUA ir mamelonar
superior, CSUA caren superioar, LSUA linie superioar, SMMUA ir
mamelonar median, CMUA caren median, NORN nu exist ornamentaii, E3
trei dungi brune n exterior, E2 dou, respectiv E1 o singur dung brun
spiral, I3 trei dungi brune n transparena peretelui palatal al aperturii, I2 dou,
I1 o dung vizibil prin transparen. EX3INT trei dungi vizibile att n
exterior ct i prin transparen, EX2INT acelai lucru dar pentru dou dungi,
NDB nu exist dungi brune, etc. etc.

I. Srbu - Modelarea proceselor ecologice (2009) 92


S1 S2 S3 S4
V$ C_GRAD C_VRANI N_SASCA L_TRIK
SMPA 23.070 24.560 8.600 1.660
CPA 3.840 24.560 3.220 3.320
LPA 17.290 3.510 0.000 1.660
SMSUA 44.200 29.820 54.840 1.660
CSUA 1.910 3.510 19.350 0.000
SMMUA 5.750 5.260 19.350 0.000
CMUA 3.830 10.520 58.060 0.000
LXMUA 17.290 5.260 3.220 3.320
LINUA 28.830 26.310 36.560 0.000
INFLUA 0.000 1.750 7.520 6.660
SFSUP 84.610 59.650 89.240 1.660
SFMED 80.750 43.860 87.100 3.320
SFINF 28.830 26.310 36.560 0.000
NEMORN 5.760 33.330 6.450 91.670
E3 9.610 5.260 11.830 100.000
I3 1.920 5.260 6.450 100.000
E2 40.380 10.520 51.610 0.000
I2 55.760 17.540 65.590 0.000
E1 3.850 0.000 0.000 0.000
I1 7.690 0.000 1.070 0.000
NDB 32.700 77.190 17.200 0.000

Problema cere s se compare loturile analizate prin construirea unei matrici
de distane euclidiene i s se reprezinte grafic sub forma unei dendrograme
(metoda de grupare la distan medie). S se calculeze pentru fiecare lot valoarea
indicelui de diversitate (morfologic) dup formula Shannon-Wiener. S se
comenteze rezultatele obinute.

Problema 4. Dinamica spaial a polurii cu doi compui chimici oarecare (n
mg/m
3
sol), redat prin distana fa de o surs industrial (n km), este :
Distana fa de surs : 0, 0.2, 0.5, 1, 2, 4, 8, 12, 12.2, 16.5, 20
Compus 1 : 89.9, 80.5, 56.4, 61.3, 60.9, 34.6, 12.4, 12.5, 10.2, 2.0, 1.0
Compus 2 : 45.3, 21.1, 16.3, 16.9, 16.6, 10.4, 8.2, 4.1, 3.6, 2.9, 0.
- S se modeleze dinamica prin interpolare cu funcii spline cubice.
- S se evalueze n ambele cazuri unde se estimeaz reducerea la jumtate a
concentraiei, n funcie de distana fa de surs.

Problema 5. S se construiasc n MathCAD rutine pentru aplicarea i calcularea
parametrilor prin Metoda distanelor (Ecologie practic, cap. VIII; Srbu i
Benedek, 2004).






I. Srbu - Modelarea proceselor ecologice (2009) 93

Problema 6. n aplicaia de mai jos DIST semnific distana fa de o surs de
poluare (n km), PB este concentraia de plumb (n mg/kg sol), CU concentraia
de cupru, Zn de zinc, iar DENS este densitatea unei populaii aparinnd unei
specii edafice sensibile la poluare (n nr. indivizi / dm
3
sol).

Staii PB CU ZN DENS DIST
s1 2.200 4.120 12.450 0.000 0.5
s2 2.200 3.190 11.450 0.140 1
s3 2.100 1.000 10.300 1.500 1.5
s4 2.600 2.000 10.040 0.400 2
s5 1.400 2.410 10.000 0.100 2.5
s6 1.300 3.000 8.540 1.500 3
s7 1.100 2.150 9.120 1.500 3.5
s8 0.600 2.100 8.430 1.800 4
s9 0.900 1.900 8.200 5.800 4.5
s10 1.100 1.400 8.000 5.300 5
s11 0.300 1.340 8.000 10.400 5.5
s12 0.100 1.120 2.160 12.200 6
s13 0.400 0.960 0.130 15.200 6.5
s14 0.200 0.350 0.120 13.700 7
s15 0.200 0.320 0.050 38.160 7.5

1- S se reprezinte grafic variaia variabilelor cu distana fa de sursa de poluare.
2- S se afle principalii parametri statistici descriptivi pentru fiecare variabil.
3- S se alctuiasc matricea de corelaii ntre concentraiile de metale grele i s
se verifice semnificaia coeficienilor.
4- S se afle modele statistice de regresie ntre DENS i metalele grele (att
modele uni- ct i multivariate).
5- S se modeleze dinamica spaial a variabilelor n funcie de distana fa de
surs prin interpolare cu funcii spline cubice pe poriuni.

Problema 7. n metoda transectelor, estimatorul lui Hayne pentru densitate (D
H
)
este dat de expresia:
L
nR
D
H
2

=
unde: n = numrul de indivizi aparinnd unei anumite specii, identificai la o
parcurgere a transectului; L = lungimea transectului; R = media inverselor
distanelor de vizualizare (media armonic) =

=
n
i i
r n
1
1 1
; r
i
= distana de vizualizare
a fiecrui individ i (i ia valori succesive naturale n intervalul dintre 1 i n).
Definim variana estimatorului lui Hayne [var(D
H
)], respectiv eroarea
standard [ES(D
H
)] prin expresiile:

(
(
(
(
(

|
|

\
|

=
) 1 (
1
1

var(
2
1
2
2
n n R
R
r
n
D D
n
i i
H H


I. Srbu - Modelarea proceselor ecologice (2009) 94

)

var( )

(
H H
D D ES =

iar limitele de confiden (L
1,2
) ale densitii medii se calculeaz dup expresiile:

)

2 , 1 H H
D ES t D L

=

unde: t

= valoarea critic din tabelul t-Student la nivelul de asigurare ales (uzual


0.05) i (n-1) grade de libertate = 1,64.

irul distanelor de vizualizare (n metri) a exemplarelor unei specii
oarecare, n timpul parcurgerii unui transect de L = 1000 m, este redat mai jos (n
= 38 indivizi):
r
i
= {12, 36, 10, 19, 51, 15, 68, 45, 36, 28, 87, 46, 52, 12, 16, 45, 69, 24, 15, 79,
31, 53, 26, 84, 15, 2, 65, 31, 19, 51, 63, 28, 16, 24, 23, 9, 17, 25} (metri).

S se afle densitatea, variana, eroarea standard i limitele de confiden.
Calculele se efectueaz mai nti n metri, iar valorile finale se raporteaz
la km
2
, prin nmulirea valorilor estimatorilor cu 10
6
.


EXERCIII - MODELARE NELINIAR (CU RSPUNSURI)

Problema 8. Relaia ntre producia primar algal f (mg/t) i concentraia
nutrienilor x (mg/l) este redat prin cifrele de mai jos. S se afle care dintre
modele polinomiale de gradul I, II sau III descrie cel mai bine aceast relaie
neliniar.

x f(x)
1 14.8
4 160.0
9 1689.0
15 7775
42 170400
50 287500

rspuns: f=12.5 + 2.3*x
3







I. Srbu - Modelarea proceselor ecologice (2009) 95

Problema 9. n tabelul de mai jos x este variabila independent iar f este cea
dependent. Care dintre urmtoarele modele este cel mai adecvat descrierii
fenomenului?
a. f=a+bx
b. f=a+bx
3
c. f=a*b
x

d. f=a*e
x
- asta este!
x f(x)
1 0.815
4 16.379
9 2431
15 980700

Problema 10. n tabelul de mai jos x i y sunt variabile independente, iar f este
funcia bivariat f(x,y).

x y f(x, y)
1 1 0.665
5 5 1.923
9 9 -0.218
12 12 0.164
24 24 1.045
28 28 -7.777
32 32 -1.458
42 42 3.954
50 50 1.952

care dintre urmtoarele modele neliniare, aproximeaz cel mai bine aceast
relaie?

2 2
3
2
2 2
) cos(
1
*
) sin(
1
* ) , ( .)
) cos(
1
)) (sin( * ) , ( .)
) ( cos * ) ( sin * ) , ( .)
x
c
x
b a y x f c
x
x b a y x f b
x c x b a y x f a
+ =
+ =
+ + =


rspuns: b





I. Srbu - Modelarea proceselor ecologice (2009) 96

11. BIBLIOGRAFIE SELECTIV

1. Allaby, M., 2005 - Oxford Dictionary of Ecology. Oxford University Press
(Third edition).
2. Andrei, T., Stancu, S., Pele, D.T., 2002 - Statistic. Teorie i aplicaii. Ed.
Economic, Bucureti.
3. Begon, M., Harper, J.L., Townsend, C.R., 1986 - Ecology. Individuals,
Populations and Communities. Sinauer Associates Inc., Publ., Sunderland,
Massachusets.
4. Cox, G.W., 2002 - General Ecology; Laboratory Manual (Eight Edition),
McGraw - Hill Publ., 312 pp.
5. Curtean-Bnduc, A., 2005 - Rul Cibin. Caracterizare ecologic. Ed. Univ.
"Lucian Blaga" Sibiu, 242 pp.
6. Digby, P.G.N., Kempton, R.A., 1987 - Multivariate Analysis of Ecological
Communities. Chapman and Hall, London, New York, 203 pp.
7. Diggle, P.J., 1995 - Time Series. A Biostatistical Introduction. Clarendon
Press; Oxford University Press, 257 pp.
8. Drgulescu, C., Srbu, I., 1997 - Practicum de Fitocenologie. Univ. "Lucian
Blaga" Sibiu, 102 pp.
9. Edgar, G.A., 1990 - Measure, Topology and Fractal Geometry. Springer-Verlag,
New York, Berlin, Heidelberg, London, Paris, Tokyo, Hong-Kong, 230 pp.
10. Falniowski, A., 2003 - Metody numeryczne w taksonomii. Wydawnictwo
Uniwersytetu Jagielloskiego, Krakw.
11. Gillman, M., Hails, R., 1997 - An Introduction to Ecological Modelling;
Puting Practice into Theory. Methods in Ecology (eds. J.H. Lawton, G. E.
Likens). Blackwell Sceince.
12. Gomoiu, M.T., Skolka, M., 2001 - Ecologie; Metodologii pentru studii
ecologice. Ovidius University Press, Constana.
13. Hair, J.F., Anderson, R.E., Tatham, R.L., Black, W.C., 1998 - Multivariate
Data Analysis Prentice Hall, New Jersey.
14. Hastings, H.M., Sugihara, G., 1993 - Fractals; A Users Guide for the Natural
Sciences. Oxford University Press, Oxford, New York, Tokyo, 232 pp.
15. Jeffries, C., 1989 - Mathematical Modeling in Ecology; a Workbook for
Students. Mathematical Modeling, 3, Birkhuser - Boston, Basel, Berlin, 191
pp.
16. Johnson, R.A., Wichern, D.W., 1998 - Applied Multivariate Statistical
Analysis (Fourth Edition). Prentice Hall, New Jersey
17. Jrgensen, S.E., 1988 - Fundamentals of Ecological Modelling. Developments
in Environmental Modelling, 9. Elsevier; Amsterdam, Oxford, New York,
Tokyo.
18. Jrgensen, S.E., Bendoricchio, G., 2001 - Fundamentals of Ecological
Modelling. (Third Edition) Developments in Environmental Modelling, 21.
Elsevier; Oxford, 1 - 523.
I. Srbu - Modelarea proceselor ecologice (2009) 97
19. Kanji, G.K., 1993 - 100 Statistical Tests; Sage Publications, London, Newbury
Park, New Delhi.
20. Krebs, C.J., 1989 - Ecological Methodology. Harper Collins Publishers, New
York.
21. Mangel, M., Fiksen, yvind, F., Giske, J., 2001 - Theoretical and Statistical
Models in Natural Resource Management and Research. In: Shenk, T.M.,
Franklin, A.B., (Editors) - Modeling in Natural Resource Management.
Development, Interpretation, and Application. Island Press, Washington,
Covelo, London, 57 - 73.
22. Saporta, G., tefnescu, V., 1996 - Analiza datelor i informatic. Ed. Econ.,
Bucureti.
23. Silvert, W., 2001 - Modelling as a Discipline. Int. J. General Systems, 30 (3),
261 - 282.
24. Srbu, I., 1996 - Programe pe calculator pentru asistarea studiilor de
speoclimatologie. Cercetri speologice, 4, ed. C.N.T.T., p. 70 - 82.
25. Srbu, I., 2003 A new mathematical measure of ecological niches overlap
and similarity assessment. Acta oecologica, Univ. Lucian Blaga Sibiu, 10
(1-2), 167 - 172.
26. Srbu, I., 2003 - Sisteme ecologice: structur i funcii; Partea a 2-a - ecologia
comunitilor; Note de curs. Univ "Lucian Blaga" Sibiu, 100 pp.
27. Srbu, I., Benedek, A.M., 2004 - Ecologie practic. Ed. Univ. Lucian Blaga,
Sibiu.
28. Srbu, I., 2007 - Introducere n modelarea proceselor i sistemelor ecologice
(n format electronic - suport de curs i aplicaii practice; n curs de publicare;
250 pp).
29. Scheiber, E., Lixndroiu, D., 1994 - MathCAD. Prezentare i probleme
rezolvate. Ed. Tehnic, Bucureti.
30. Smith, R.L., 1986 - Elements of Ecology (second edition). Harper & Row,
Publishers, New-York.
31. Smith, R.L., 1990 - Ecology and Field Biology. Harper & Row, Publishers,
New York, Grand Rapids, Philadelphia, St. Louis, San Francisco, London,
Sydney, Tokyo.
32. Takayasu, H., 1990 - Fractals in the physical sciences. Manchaster University
Press; Manchaster and New York, 169 pp.
33. White, G.C., 2001 - Statistical Models: Keys to Understanding the Natural
World. In: Shenk, T.M., Franklin, A.B., (Editors) - Modeling in Natural
Resource Management. Development, Interpretation, and Application. Island
Press, Washington, Covelo, London, 35 - 56.
34. Yakowitz, S.J., 1977 - Computational probability and simulation. Applied
mathematics and simulation, 12. Addison- Wesley Publishing Company, Inc.
Massachussetts.
35. *** 2001 - Mathcad. User's Guide with Reference Manual; Mathcad 2001,
Professional; www.mathsoft.com.