Biometrika i planiranje istraivanja na ivotinjama

Miroslav Kap
tel: 239-3949
e-mail: mkaps@agr.hr




1 UVOD............................................................................................................................................................................. 1
1.1 PODACI I VARIJABLE.................................................................................................................................................. 1
1.2 PRIKAZ PODATAKA.................................................................................................................................................... 3
1.2.1 Grafiki prikazi ................................................................................................................................................. 3
1.2.2 Numerike metode za opis kvantitativnih podataka.......................................................................................... 3
1.2.3 Simboli .............................................................................................................................................................. 3
1.2.4 Aritmetika srednja vrijednost:......................................................................................................................... 4
1.2.5 Varijanca uzorka: ............................................................................................................................................. 4
1.2.6 Standardna devijacija uzorka ........................................................................................................................... 5
1.2.7 Uvodni SAS primjer .......................................................................................................................................... 5
1.3 ZAKLJUCI O POPULACIJAMA NA TEMELJU UZORAKA................................................................................................ 6
1.4 SLUAJNE VARIJABLE I NJIHOVE RASPODJELE ........................................................................................................... 6
1.4.1 Raspodjele vjerojatnosti za diskretne sluajne varijable.................................................................................. 7
1.4.2 Raspodjele vjerojatnosti za kontinuirane sluajne varijable............................................................................ 8
1.5 FUNKCIJE SLUAJNE VARIJABLE.............................................................................................................................. 14
1.5.1 Neke statistike i njihove raspodjele................................................................................................................. 15
1.5.2 Stupnjevi slobode ............................................................................................................................................ 16
1.6 ZAKLJUIVANJE O POPULACIJI NA TEMELJU UZORAKA............................................................................................ 16
1.7 PROCJENA PARAMETARA......................................................................................................................................... 16
1.7.1 Procjena srednje vrijednosti populacije ......................................................................................................... 17
1.7.2 Procjena varijance u normalnoj populaciji .................................................................................................... 17
1.8 PROVJERA HIPOTEZA............................................................................................................................................... 17
1.8.1 P-vrijednost..................................................................................................................................................... 18
1.8.2 Statistika i praktina znaajnost ................................................................................................................... 19
1.8.3 Mogue greke kod statistikog zakljuivanja i snaga provjere..................................................................... 19
2 JEDNOSTAVNA LINEARNA REGRESIJA........................................................................................................... 21
2.1 UVOD...................................................................................................................................................................... 21
2.2 PROCJENA PARAMETARA
0
I
1
............................................................................................................................... 23
2.3 OSTATAK I SVOJSTVA OSTATKA............................................................................................................................... 24
2.4 PROSJECI I VARIJANCE PROCJENITELJA.................................................................................................................... 24
2.5 STUDENTOVA T-PROVJERA I INTERVAL POUZDANOSTI PROCJENE PARAMETARA...................................................... 25
2.6 INTERVAL POUZDANOSTI ZA
1
................................................................................................................................ 26
2.7 INTERVALI POUZDANOSTI ZAVISNE VARIJABLE ....................................................................................................... 26
2.8 RALANJENJE UKUPNE VARIJABILNOSTI ................................................................................................................ 28
2.8.1 Veza izmeu suma kvadrata............................................................................................................................ 29
2.9 PROVJERA HIPOTEZA - F- PROVJERA........................................................................................................................ 30
2.10 KOEFICIJENT DETERMINACIJE (R
2
) ........................................................................................................................ 31
2.11 SAS PRIMJER ZA JEDNOSTAVNU LINEARNU REGRESIJU.......................................................................................... 32
3 KOEFICIJENT KORELACIJE................................................................................................................................ 34
3.1 PROCJENA KOEFICIJENTA KORELACIJE..................................................................................................................... 35
4 VEKTORI I MATRICE ............................................................................................................................................. 36
4.1 TIPOVI I SVOJSTVA MATRICA................................................................................................................................... 36
4.1.1 Operacije s matricama i vektorima: ............................................................................................................... 37
5 JEDNOSTAVNA REGRESIJA U MATRINOM PRIKAZU............................................................................... 40
6 MULTIPLA REGRESIJA.......................................................................................................................................... 43
6.1 DVIJE NEZAVISNE VARIJABLE.................................................................................................................................. 43
6.1.1 Ralanjenje ukupne varijabilnosti i provjera hipoteza ................................................................................. 45
6.2 PARCIJALNE I STUPNJEVITE EKSTRA SUME KVADRATA ............................................................................................ 46
6.3 SAS PRIMJER ZA MULTIPLU REGRESIJU ................................................................................................................... 47
6.4 KRIVOLINIJSKA REGRESIJA DRUGOG STUPNJA ......................................................................................................... 48
6.4.1 SAS primjer za kvadratnu regresiju................................................................................................................ 49
6.5 MOGUE POTEKOE KOD UPOTREBE REGRESIJE .................................................................................................... 50
6.5.1 Analiza ostataka i naruenost pretpostavki modela........................................................................................ 51

6.5.2 Loa opaanja................................................................................................................................................. 52
6.5.3 Multikolinearnost............................................................................................................................................ 52
6.6 IZGRADNJA MODELA I KRITERIJI ZA IZBOR MODELA................................................................................................. 53
7 JEDNOSTRUKA ANALIZA VARIJANCE............................................................................................................. 54
7.1 MODEL JEDNOSTRUKE ANALIZE VARIJANCE S FIKSNIM UTJECAJIMA........................................................................ 55
7.1.1 Ralanjenje ukupne varijabilnosti na izvore varijabilnosti: ......................................................................... 56
7.1.2 Postavljanje hipoteza i F-provjera ................................................................................................................. 57
7.2 USPOREDBA SREDNJIH VRIJEDNOSTI POJEDINIH GRUPA ........................................................................................... 59
7.2.1 Najmanja znaajna razlika (LSD) .................................................................................................................. 59
7.2.2 Tukey provjera (HSD)..................................................................................................................................... 59
7.3 SAS PRIMJER JEDNOSTRUKE ANALIZE VARIJANCE S FIKSNIM UTJECAJIMA .............................................................. 60
7.4 MODEL SA SLUAJNIM UTJECAJIMA GRUPA............................................................................................................. 61
7.5 INTRAKLASNA KORELACIJA..................................................................................................................................... 63
7.6 SAS PRIMJER JEDNOSTRUKE ANALIZE VARIJANCE SA SLUAJNIM UTJECAJIMA ....................................................... 64
8 NAELA PLANIRANJA POKUSA.......................................................................................................................... 65
8.1 POKUSNA JEDINICA I TRETMANI .............................................................................................................................. 66
8.2 PONAVLJANJA I POKUSNA GREKA .......................................................................................................................... 66
8.3 POTREBAN BROJ PONAVLJANJA ............................................................................................................................... 67
9 POTPUNO SLUAJNI POKUSNI PLAN................................................................................................................ 68
10 BLOKOVI U ANALIZI VARIJANCE.................................................................................................................... 70
10.1 SLUAJNI BLOK PLAN (POTPUNI) ........................................................................................................................... 70
10.1.1 Ralanjenje ukupne sume kvadrata............................................................................................................. 71
10.1.2 Postavljanje hipoteza i F-provjera ............................................................................................................... 72
10.1.3 SAS primjer za sluajni blok plan................................................................................................................. 73
10.1.4 SAS primjer s vie pokusnih jedinica po kombinaciji blok x tretman ........................................................... 74
11 'CHANGE-OVER' POKUSNI PLANOVI .............................................................................................................. 77
11.1 JEDNOSTAVNI 'CHANGE-OVER' PLAN...................................................................................................................... 77
11.2 'CHANGE-OVER' PLAN KADA POSTOJI UTJECAJ RAZDOBLJA.................................................................................... 78
11.2.1 SAS primjer za change-over plan s utjecajem razdoblja ........................................................................... 79
11.3 LATINSKI KVADRAT............................................................................................................................................... 80
11.3.1 SAS primjer za latinski kvadrat..................................................................................................................... 82
11.4 CHANGE OVER PLAN POSTAVLJEN KAO VIE LATINSKIH KVADRATA...................................................................... 84
12 FAKTORIJALNI POKUS........................................................................................................................................ 85
12.1 SAS PRIMJER ZA FAKTORIJALNI POKUS ................................................................................................................. 88
13 HIJERARHIJSKI POKUSNI PLANOVI ............................................................................................................... 90
13.1 SAS PRIMJER ZA HIJERARHIJSKI PLAN ................................................................................................................... 92
14 POKUSNI PLANOVI SA KAVEZIMA I PREGONIMA..................................................................................... 94
15 DVOSTRUKI BLOKOVI......................................................................................................................................... 96
16 SPLIT PLOT POKUSNI PLAN............................................................................................................................. 100
16.1 FAKTOR A (GLAVNI FAKTOR) KAO SLUAJNI BLOK PLAN .................................................................................... 100
16.1.1 SAS Primjer: Split plot plan, glavne jedinice kao sluajni blokovi ............................................................ 101
16.2 FAKTOR A (GLAVNI FAKTOR) KAO POTPUNO SLUAJNI PLAN .............................................................................. 103
16.2.1 SAS primjer: Glavne jedinice u potpuno sluajnom planu......................................................................... 104
17 ANALIZA KOVARIJANCE.................................................................................................................................. 106
17.1 POTPUNO SLUAJNI POKUSNI PLAN SA KOVARIJABLOM....................................................................................... 106
1
1 Uvod
1.1 Podaci i varijable
Podaci:
- materijal s kojim statistiar radi
- prikupljaju se mjerenjem, brojanjem ili opaanjem
- Primjeri: skup teina teladi, koliina mlijeka u laktaciji, muki ili enski spol, plava ili
zelena boja oiju

Pokus ili eksperiment:
Proces sakupljanja, opaanja ili mjerenja podataka


Varijabla
Oznaava skup podataka
Poprima razliite vrijednosti
vrijednosti varijable pokazuju varijabilnost
Primjeri: teina, koliina mlijeka, spol, boja oiju

Podaci su vrijednosti koje varijabla poprima.
- teina od 200 kg, ili koliina mlijeka od 20 kg.


VARIJABLE
KVALITATIVNE
(ATRIBUTIVNE, KATEGORIKE).

KVANTITATIVNE
(NUMERIKE)
NOMINALNE ORDINALNE DISKRETNE KONTINUIRANE


VARIJABLE

A) kvantitativne (numerike)
- ije se vrijednosti prikazuju brojevima, a razlike izmeu brojeva imaju numeriko znaenje
- teina ivotinja, broj mladih u leglu, temperatura, vrijeme
a) diskretne
- konana ili beskonana
- prebrojiva, mjeri sa cijelim ili prirodnim brojevima
- broj mladih u leglu ili broj jaja
2
b) kontinuirane
- poprima beskonano mnogo vrijednosti
- njene vrijednosti mjere se realnim brojevima
- koliina mlijeka ili teina

B) kvalitativne (atributivne, kategorike)
- podaci su im opisni
- boja oiju ili da li je ivotinja bolesna ili nije
a) nominalne
- ne moe se rei da je jedna kategorija vea ili manja od druge
- boja oiju ili koe
b) ordinalne
- kod kojih se kategorije mogu poredati po veliini
- ocjene lakoe telenja

Zato podaci, mjerenja, opaanja

Mjerenja ili opaanja nam pomau u zakljuivanju o nekoj pojavi
Pitanje je i koji je uzrok da je neka krava bolja
Da li moemo izmjeriti i taj uzrok
Da li moemo rei da e uslijed nekog zahvata krava biti bolja
Na primjer: ako damo kravi mineralni dodatak da li e dati vie mlijeka? Kako emo
to zakljuiti?
Zakljuak:
Rekapitulacija stanja
Koristiti i u buduim situacijama

Koliko smo sigurni da je na zakljuak korektan?

Tonost i preciznost zakljuaka ovise o broju podataka (koliini informacija), kvaliteti
podataka, reprezentativnosti podataka
esto donosimo zakljuak uz neku vjerojatnost


Statistike metode

Naini na koje dolazimo do zakljuaka koristei podatke
Ukljuuju sakupljanje, organiziranje, tabeliranje, analizu, interpretaciju, opis i prezentaciju
podataka
Ukljuuju paljivo i precizno definiranje problema (postavljanje cilja), donoenje pravilnog
zakljuka koji pomae odgovoriti na postavljeno pitanje ili cilj

Biometrika (Biostatisika), a posebno statistike metode ukljuuju dva glavna pristupa u donoenju
zakljuaka:
1. Opis nekog skupa podataka (opisna statistika)
2. Izbor uzoraka iz veeg skupa podataka (populacije, izvora podataka) i koritenje tih uzoraka za
zakljuak o toj populaciji (populacijama)


3
1.2 Prikaz podataka
1.2.1 Grafiki prikazi
Primjer: Histogram:
-raspodjela frekvencija nekog skupa podataka
- podaci se svrstavaju u razrede
- prikazuje broj opaanja u pojedinom razredu
- prava ili relativna frekvencija


1 1
5
8 8
6
12
16
12
7 7
8
2
5
2
0
2
4
6
8
10
12
14
16
190 200 210 220 230 240 250 260 270 280 290 300 310 320 330
Sredine razreda
B
r
o
j

t
e
l
a
d
i

Slika 1-1: Histogram teine teladi u dobi od 7 mjeseci (n=100)

1.2.2 Numerike metode za opis kvantitativnih podataka
NUMERIKE OPISNE MJERE
A) Mjere centralne tendencije
- Aritmetika srednja vrijednost
- Medijan
- Mode
B) Mjere varijabilnosti
- Raspon
- Varijanca
- Standardna devijacija
- Koeficijent varijabilnosti
C) Mjere relativnog poloaja
- Percentili
- z-vrijednost

1.2.3 Simboli

i
= veliko grko slovo sigma = oznaka za sumu
i = 1 do n
Suma n brojeva:

i
y
i
= y
1
+ y
2
+.....+ y
n
Suma kvadrata n brojeva:

i
y
2
i
= y
2
1
+ y
2
2
+.....+ y
2
n

Suma produkata dva niza brojeva:

i
x
i
y
i
= x
1
y
1
+ x
2
y
2
+.....+ x
n
y
n

4

Primjer:

y y
1
y
2
y
3

2 4 6
x x
1
x
2
x
3

3 6 7

i
y
i
= y
1
+ y
2
+ y
3
= 2 + 4 +6 = 12

i
y
2
i
= y
2
1
+ y
2
2
+ y
2
3
= 2
2
+ 4
2
+6
2
= 56

i
x
i
y
i
= x
1
y
1
+ x
2
y
2
+ x
3
y
3
= (3)(2) + (6)(4) +(7)(6) = 72


1.2.4 Aritmetika srednja vrijednost:
n
y
y
i
i
=


Svojstva aritmetike srednje vrijednosti:
1.
( )

=
i
i
y y 0

2.
( )

=
i
i
y y minimum
2

drugim rijeima ( ) ( )

<
i
i
i
i
a y y y
2 2
, za bilo koji broj a.


1.2.5 Varijanca uzorka:

Ako se i prosjek izraunava iz istog uzorka kao
y
(tj. ako je nepoznat prosjek populacije)
1
) (
2
2

=

n
y y
s
i
i


Ako je od prije poznat prosjek populacije i NE rauna se iz istog uzorka:
n
y
s
i
i

=
2
2
) (


- Varijanca je prosjeno kvadrirano odstupanje od prosjeka

Suma kvadriranih odstupanja od srednje vrijednosti (korigirana suma kvadrata) =
( )
n
y
y y y
i
i
i
i
i
i
2
2 2
) (


=



5
1.2.6 Standardna devijacija uzorka
2
s s =

prosjeno odstupanje od prosjeka


1.2.7 Uvodni SAS primjer
Pogledajmo rjeavanje primjera o uzorku teine teladi koristei SAS software. Na detaljna
objanjenja upotrebe programa itaoca upuujem na iscrpnu SAS literaturu, dio koje moe vidjeti u
popisu literature na kraju ove knjige. Ovdje moemo samo ukratko spomenuti da se svaki SAS
program sastoji od dva dijela: 1) DATA step, koji slui za unos ili kreiranje skupa podataka za koji
se eli napraviti analiza, i 2) PROC step, koji slui za analizu podataka. Treba jo rei da SAS
software daje mogunost obrade podataka i bez pisanja programa sa instrukcijama, tj. koristei i
birajui ponuene opcije za eljenu analizu. Meutim, pisanje programa daje korisniku vee
mogunosti i znanje o koritenju programa bez obzira na kompjutersku platformu. SAS ima tri
osnovna prozora: Program prozor (PGM) u koji se upisuje program, Ispis prozor (OUT) u kojem
korisnik moe vidjeti ispis i LOG prozor u kojem se moe provjeriti detalje o provedbi programa i
mogue greke. Vratimo se primjeru o teinama teladi. Izmjereni su slijedei podaci 20 teladi:


SAS program:

DATA telad;
INPUT tezina @@;
DATALINES;
260 260 230 280 290 280 260 270 260 300
280 290 260 250 270 320 320 250 320 220
;
PROC MEANS DATA = telad N MEAN MIN MAX VAR STD CV ;
VAR tezina;
RUN;

Objanjenje: SAS naredbe pisat emo uvijek velikim slovima da ih istaknemo, makar to u programu
nije potrebno, tj. program jednako tretira i velika i mala slova. Imena koja sam korisnik daje
varijablama i drugim oznakama pisat emo malim slovima. Naredba DATA definira ime datoteke
koja e sadravati podatke, a ovdje je telad ime datoteke. Naredba INPUT definira ime varijable, a
naredba DATALINES govori da slijede podaci. Ovdje je varijabla tezina. SAS treba podatke
varijabli u kolonama, pa se u pravilu podaci i piu u kolone. Na primjer,

INPUT tezina;
DATALINES;
260
260

220
;
uitava podatke varijable tezina. Podaci se mogu pisati i jedan za drugim u redu ako se koristi
oznaka @@ kod naredbe INPUT. SAS ita podatke jedan po jedan i sprema ih u kolonu. Program
koristi proceduru MEANS. Da bi oznaili da je to ime procedure treba napisati PROC MEANS.
DATA = telad, definira za koju datoteku e se raunati statistike. Slijedi popis statistika koje
traimo: N = broj podataka, MEAN = aritmetika srednja vrijednost, MIN = minimum, MAX =
maksimum, VAR = varijanca, STD= standardna devijacija, CV = koeficijent varijacije. Naredba
VAR definira varijablu (tezina) koja e se analizirati.
6

SAS ispis:

Analysis Variable: TEZINA

N Mean Minimum Maximum Variance Std Dev CV
-------------------------------------------------------------
20 273.5 220 320 771.31579 27.77257 10.1545
-------------------------------------------------------------

SAS ispis prikazuje ime varijable koja e se analizirati (Analysis varijabla: TEZINA), a zatim
opisnu statistiku.

1.3 Zakljuci o populacijama na temelju uzoraka

Populacija:
Skup jedinki koje imaju neka zajednika svojstva od interesa
Izvor podataka

Parametri:
Opisni pokazatelji populacije
Obino nepoznate vrijednosti
Primjer: prosjek populacije
Koliki je prosjek koliine mlijeka u laktaciji?

Uzorak:
Skup jedinki (podataka) izabran iz populacije
Slui za procjenu i (ili) zakljuivanje o populaciji.
Vjerodostojnost procjene i zakljuaka o populaciji je vea:
ako je uzorak dobar predstavnik populacije
uzorak mora biti sluajno izabran

Statistike:
Numeriki opisni pokazatelji uzorka (eng. statistics)
Mogu se izraunati iz uzoraka
Primjer: aritmetika srednja vrijednost uzorka

Statistiki zakljuci na temelju uzoraka su podloni greki
Donose se uz neku vjerojatnost
Kako odrediti vjerojatnost?
Definiranjem sluajne varijable i matematikih modela raspodjele vjerojatnosti

1.4 Sluajne varijable i njihove raspodjele
Sluajna varijabla:

Matematiki pojam, govori kako se opaanju pridruuje numerika vrijednost
Vrijednost koju varijabla poprima smatra se sluajnim procesom (dogaajem)
Na primjer: izmjerimo tele i vidimo da je teko 180 kg. Meutim ne znamo zato ba
ima 180 kg.
7
Barem dio te vrijednosti zato smatramo sluajnim
Sluajna varijabla poprima odreenu numeriku vrijednost s odreenom vjerojatnosti


y je oznaka za varijablu
y
i
predstavlja vrijednost i-tog opaanje
- odreeno opaanje: y
1
, y
2

y y
0
su sve vrijednosti koje su manje ili jednake od y
0


Sluajne varijable

Kontinuirana (neprekidna)
- sve vrijednosti u nekom intervalu
- realni brojevi
- teina teladi starih 6, bilo koja vrijednost
u intervalu od 160 do 260 kg, recimo
180.0 ili 191.23456

Diskretna (prekidna)
- poprima samo odreeni broj vrijednosti u
nekom intervalu
- NE sve vrijednosti
- esto cijeli brojevi
- broj latica u cvijetu, broj mladih u leglu

Vrijednost varijable y
- numeriki dogaaj
- ima odreenu vjerojatnost da se dogodi
Raspodjela vjerojatnosti sluajne varijable y:
- tablica, grafikon ili formula koji pokazuje vjerojatnost da y poprimi odreenu vrijednost

Raspodjela vjerojatnosti sluajne varijable

Raspodjela vjerojatnosti sluajne varijable s konanim ili prebrojivim vrijednostima je raspodjela
frekvencija
Raspodjela vjerojatnosti se esto moe prikazati formulom (funkcijom)
Matematiki model prave raspodjele frekvencija
Procjena prave raspodjele frekvencija
Funkcija sluajne varijable: p(y) ili f(y)
Raspodjela = distribucija


Oekivanje (prosjek) i varijanca sluajne varijable
- pokazatelji poloaja i varijabilnosti
Oekivanje (prosjek): E(y) =
y
Varijanca: Var(y) =
2
y
=
2
= E[(y
y
)
2
] = E[y
2
]
y
2

(Sjetite se da je varijanca prosjeno kvadrirano odstupanje od prosjeka)


1.4.1 Raspodjele vjerojatnosti za diskretne sluajne varijable
- tabelarni ili grafiki prikaz ili formula koja daje vjerojatnost p(y) za svaku moguu vrijednost
varijable y.

Uvjeti:
1. O p(y) 1
2.
(svi y)
p(y) =1
8

Primjeri diskretnih varijabli

Binarna varijabla
samo dva mogua rezultata neke pojave
DA i NE ili 0 i 1 bolestan zdrav i sl

Binomna varijabla
Broj povoljnih pokuaja (y) u ukupno n pokuaja
U pojedinanom pokuaju mogua samo dva rezultata
broj enske teladi u 4 telenja, broj bijelih praia u leglu

Binomna raspodjela
- raspodjela vjerojatnosti y povoljnih opaanja (pokuaja) u ukupno n pokuaja
- broj enske teladi u 4 telenja
- broj bijelih praia u leglu

Raspodjela vjerojatnosti od y:
- odreena parametrom p i brojem pokuaja n:
y n y
q p
y
n
y p

|
|
.
|

\
|
= ) (

(y = 0,1,2,,...., n)

p = vjerojatnost povoljnog rezultata u pojedinanom opaanju (pokuaju) (vjerojatnost
elementarnog dogaaja). q = 1 p = vjerojatnost nepovoljnog rezultata

Oblik raspodjele vjerojatnosti ovisi o p:
- binomna raspodjela je simetrina kada je p = 0.5
- asimetrina u svim ostalim sluajevima

0
0.05
0.1
0.15
0.2
0.25
0.3
0 1 2 3 4 5 6 7 8
broj povoljnih pokuaja
fre
kve
nci
ja
A)
0
0.1
0.2
0.3
0.4
0 1 2 3 4 5 6 7 8
broj povoljnih pokuaja
fre
kve
nci
ja
B)

Slika 1-2: Binomna raspodjela (n = 8) za dva sluaja A) p=0.5 i B) p = 0.2
Primjer


1.4.2 Raspodjele vjerojatnosti za kontinuirane sluajne varijable
Kontinuirana sluajna varijabla:

Poprima neprebrojivo mnogo vrijednosti
Nemogue je pridruiti vjerojatnost za svaki pojedinani numeriki dogaaj
9
Teoretski vrijednost kontinuirane varijable je toka, a matematiki toka nema
dimenzije
Vjerojatnost da sluajna varijabla poprimi neku odreenu vrijednost je jednaka nuli

VANO:
promatrati vjerojatnost da varijabla y poprima vrijednosti u nekom intervalu
vjerojatnost se pridruuje numerikom dogaaju koji se odnosi na neki interval

Primjer: teina teladi
- vrijednosti koje se pridruuju pojedinom mjerenju zavise od preciznosti mjerenja
- ako npr. preciznost na 1 kg, tada izmjera od 220 kg znai sve mjere od 219.5 do 220.5 kg
- poto se radi o intervalu ==> dogaaj ima vjerojatnost

Funkcija vjerojatnosti gustoe
Gustoa = podsjetnik da govorimo o vjerojatnosti u intervalima
Funkcija gustoe = model prave (nepoznate) raspodjele frekvencije

Svojstva funkcije gustoe:
1. f(y
i
) 0
2. P( y +) = 1
(vjerojatnost da se dogodi bilo koji y je jednaka 1)


1.4.2.1 NORMALNA RASPODJELA

- model raspodjele relativnih frekvencija u mnogim pojavama.
- normalnu raspodjelu slijede mnogi pokazatelji koji se koriste za statistiko zakljuivanje.
- normalna krivulja = Gaussova krivulja
- oblik zvona.


Slika 1-3: Normalna (Gaussova) krivulja
Poloaj i oblik normalne krivulje je odreen sa dva parametra i
2
(prosjek i varijanca)

Funkcija gustoe je:
(
(

|
.
|

\
|

=
2
2
1
2
2
1
) (

y
e y f

- < y < +

e = baza prirodnog logaritma (e = 2.71828...)
= 3.14...

y je normalna sluajna varijabla => y N (,
2
)
10

- Visina i rasprenost krivulje ovisi o varijanci
2

- Poveanje
2
dovodi da krivulja smanjuje visinu i vie je rairena.

0
0.1
0.2
0.3
0.4
-4 -3 -2 -1 0 1 2 3 4
Frr
ekv
en
cija
= 1
= 1.5

Slika 1-4: Normalne krivulje sa standardnim devijacijama = 1 i = 1.5

Vjerojatnost da se sluajno izabrana jedinka (s nekom vrijednosti y) nalazi u intervalu (y
1
, y
2
) je
jednaka povrini ispod normalne krivulje ograniena vrijednostima y
1
i y
2
. (Uzima se da je
ukupna povrina 1 ili 100%)
Ova vjerojatnost je jednaka proporciji jedinki s vrijednostima izmeu y
1
i y
2



Primjer: Vjerojatnost da y bude izmeu 170 i 210
P(y
1
y y
2
) = P(170 y 210)

= 200
y
1
= 170
y
2
= 210

Slika 1-5: Povrina ispod normalne krivulje ograniena vrijednostima 170 i 210


Primjer:
Vjerojatnost da y < 230
= 200
0
y = 230

Slika 1-6: Normalna krivulja sa = 200 i = 20

Standardizacija normalnih krivulja

11
Budui da oblik krivulje ovisi samo o varijanci (odnosno stanardnoj devijaciji ), sve
normalne krivulje se mogu standardizirati tj. prevesti u standardnu normalnu krivulju
Standardizacija: sluajna normalna varijabla y se izrazi u jedinicama standardne devijacije:

=
y
z



Standardna normalna krivulja je takva normalna krivulja kojoj je prosjek 0 i standardna devijacija 1
=> = 0 i = 1

esto se za standardnu normalnu varijablu pie:
z Z ili z N(0, 1)

Funkcija gustoe standardne normalne varijable je:
| |
2
2
1
2
1
) (
z
e z f

=

0
95%
-1
1.96 1.96 1

Slika 1-7: Standardna normalna krivulja ( = 0 i
2
= 1)

Povrina ispod standardne normalne krivulje ograniena s dvije vrijednosti standardne
normalne varijable z
1
i z
2
, predstavlja vjerojatnost da varijabla poprime vrijednosti izmeu ta
dva broja. (opet se utima da je ukupna povrina jednaka jedan (ili 100%): P( z +) =
1
Takoer: P(1.96 z 1.96) = 0.95


Praktina vrijednost standardizacije je u tome to za pronalaenje povrine ispod krivulje
ogranienu nekim intervalom koristimo samo jednu krivulju. Podsjetimo se da je povrina ispod
krivulje u nekom intervalu (y
1
, y
2
) odgovara vjerojatnosti da sluajna varijabla y poprima
vrijednosti u tom intervalu. Matematiki povrina ispod krivulje je jednaka odreenom integralu
funkcije gustoe. Kako ne postoji eksplicitna formula za taj integral, sluimo se tablicama (bilo iz
knjige ili kompjuterskog programa). Poto je mogue sve normalne krivulje svesti na standardnu,
potrebno je imati samo jednu tablicu. Naime vjerojatnost da y poprima vrijednosti izmeu y
1
i y
2
je:
P(y
1
y y
2
) = P(z
1
z z
2
)

gdje su

=
1
1
y
z i

=
2
2
y
z


12
Primjer
z
y
0 1.5
=200 y
0
=230

Slika 1-8: Prikaz normalne i standardne normalne krivulje. Prikazane su dvije skale: originalna skala y
i standardna normalna skala z. Vrijednost varijable y
0
= 230 odgovara vrijednosti z
0
= 1.5.

210 200 170
.5 0 1.5
z
y

Slika 1-9: Povrina ispod krivulje izmeu 170 i 210.

Koliki je prosjek odabranih ivotinja?
z
s
= prosjek z vrijednosti za koje vrijedi z > z
0
, tj. z vrijednosti veih od z
0
.
Za standardnu normalnu krivulju vrijedi:
P
z f
z
S
) (
0
=

p = povrina ispod standardne normalne krivulje za z>z
0
,
f(z
0
) = ordinata za vrijednost z
0
.
Ordinata je:

2
) (
2
0
2
1
0
z
e
z f

=
-vrijednost funkcije za danu vrijednost z.
13

z
0
z
0
z
S

P
f(z)
f(z
0
)

Slika 1-10 Prosjek odabranih z vrijednosti. f(z
0
) = ordinata krivulje za z = z
0
, P je povrina, odnosno
vjerojatnost P(z>z
0
) i z
S
je prosjek vrijednosti veih od z
0
.
Primjer:


1.4.2.2 HI KVADRAT RASPODJELA

Neka su z
1
, z
2
,, z
v
standardne normalne varijable sa = 0 i = 1.

Sluajna varijabla

2
=
j
z
2
j


ima hi kvadrat raspodjelu sa v stupnjeva slobode.
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0 5 10 15 20
v=2
v=6
v=10
2
f (2)

Slika 1.11 Funkcija gustoe
2
varijabli sa stupnjevima slobode v = 2, v = 6 i v = 10

Nagib i oblik raspodjele ovisi o stupnju slobode


1.4.2.3 STUDENTOVA (T) RASPODJELA

Neka je z normalna sluajna varijabla sa = 0 i = 1 i
2
hi-kvadrat sluajna varijabla sa v
stupnjevima slobode. Varijabla definirana sa:
v
z
t
2

=

je sluajna varijabla s t-raspodjelom.

14

stupnjevi slobode v = 16
stupnjevi slobode v = 2

Slika 1-12: Funkcija gustoe t sluajnim varijablama sa stupnjevima slobode 16 i 2.
Studentova t raspodjela je po obliku slina normalnoj samo to sa smanjenjem stupnjeva slobode
krivulja postaje vie razvuenija (deblja) prema repovima (Slika 1.13).
Kada stupnjevi slobode idu prema beskonanosti, t raspodjela prelazi u normalnu..

1.4.2.4 F-RASPODJELA

Neka su
2
1
i
2
2
hi-kvadrat sluajne varijable sa stupnjevima slobode v
1
i v
2
. I neka su
2
1
i
2
2

nezavisni. Tada je:

2
2
2
1
2
1
v
v
F

=

sluajna varijabla sa F-raspodjelom
Oblik F raspodjele ovisi o stupnjevima slobode

Slika 1.13 Funkcije gustoe F raspodjela sa stupnjevima slobode: a) v
1
=2 i v
2
= 6; b) v
1
=6 i v
2
= 10; c)
v
1
=10 i v
2
=20
1.5 Funkcije sluajne varijable
Sluajne varijable: varijable ije vrijednosti mjerimo, opaamo (teina, koliina mlijeka
normalne sluajne varijable)
Funkcije tih varijabli iz uzoraka koje zovemo statistike (primjer: aritmetika srednja
vrijednost)

0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
0 1 2 3 4 5
F
f(F)
v1=2; v2=6
v1=10; v2=20
v1=6; v2=10
15

Statistike (engl. statistics)
Numeriki opisni pokazatelji izraunati iz uzorka
Funkcije sluajne varijable => i same su sluajne varijable
Primjeri:
y
i s
2
su statistike
Imaju poznate teoretske raspodjele
=> mogua procjena vjerojatnosti sa kojom se odreena vrijednost statistike
pojavljuje
=> koriste se za donoenje zakljuaka o populaciji


1.5.1 Neke statistike i njihove raspodjele

1.5.1.1 RASPODJELA SREDNJIH VRIJEDNOSTI UZORAKA , SREDINJI GRANINI TEOREM

Ako se sluajno izabiru uzorci veliine n iz neke populacije sa srednjom vrijednosti i varijancom

2
i kada je n dovoljno velik, raspodjela srednjih vrijednosti uzoraka moe se predoiti normalnom
funkcijom gustoe sa prosjekom
=
y

i standardnom devijacijom
n
y

=
.
y

= standardna greka procijene prosjeka populacije

ili samo standardna greka
y

Slika 1-14: Raspodjela srednjih vrijednosti uzoraka

y
se moe procijeniti standardnom grekom uzorka
n
s
s
y
=


1.5.1.2 NEKE STATISTIKE KOJE NEMAJU NORMALNU RASPODJELU

2
2
2
2
) (
) 1 (



=

i
y y
s n

ima hi-kvadrat raspodjela sa v = (n1) stupnjevima slobode, ako je y normalna varijabla.

16
Statistika
n
s
y
t
2

=
imai studentovu t raspodjelu sa (n1) stupnjeva slobode, ako je y normalna
varijabla.

Neke statistike imaju F raspodjelu.

1.5.2 Stupnjevi slobode
Broj nezavisnih opaanja povezanih sa procjenom varijance, odnosno s izraunavanjem
prosjeka kvadrata
Ukupan broj opaanja manje broj parametara koritenih u izraunavanju tog prosjeka
kvadrata
Na primjer: u izraunu varijance uzorka stupnjevi slobode su (n1)

Stupnjevi slobode u izraunu varijance uzorka
Varijanca uzorka je prosjeno kvadrirano odstupanje od aritmetike srednje vrijednosti
Postoji (n1) nezavisnih opaanja jer smo ve s istim opaanjima izraunali aritmetiku
srednju vrijednost
Dakle, prosjek kvadriranih odstupanja dobije se dijeljenjem sume kvadrata sa (n1)

1.6 Zakljuivanje o populaciji na temelju uzoraka
1. Procjena svojstava populacije
(procjena parametara)
2. provjera hipoteza o populaciji

1.7 Procjena parametara
Procjene parametara:

Jedinstveni procjenitelj:
- pravilo ili formula koja govori kako
izraunati procjenu iz uzorka
procjena = broj koji izraunamo
Intervalni procjenitelj
-formula koja govori kao izraunati
interval procjene
- intervalna procijena = izraunati interval

Svojstva jedinstvenih procjenitelja:
- statistika (funkcija sluajne varijable)
- izraunat iz uzorka
- mora biti nepristran: oekivanje od procjenitelja je jednako pravom parametru
- odstupanje procjenitelja od prave vrijednsoti parametra mora imati najmanju varijancu
- ima poznatu raspodjelu statistike uzorka
(engl. sampling distribution).

Npr. prema centralnom graninom teoremu raspodjela prosjeka uzorka e biti priblino normalna za
velike uzorke ( n > 30), sa srednjom vrijednosti i standardnom devijacijom
n /



17
1.7.1 Procjena srednje vrijednosti populacije
Jedinstveni procjenitelj od je
y

Svojstava:
Oekivanje od aritmetikog prosjeka je jedanko prosjeku populacije
- odstupanja ) ( y y
i
imaju najmanju varijancu ) ( y y Var
i
= min.
-
y
ima normalnu raspodjelu sa i
n
y

=
Statistika
y
y
z

=
ima standardnu normalnu raspodjelu


1.7.2 Procjena varijance u normalnoj populaciji
Nepristrani procjenitelj varijance populacije (
2
) je varijanca uzorka:
1
) (
2
2

=

n
y y
s
i
i

Ukoliko je y normalna varijabla sa prosjekom i varijancom
2
, tada je:
2
2
2
) 1 (

s n
=

sluajna varijabla sa hi-kvadrat raspodjelom.

2
) 2 / 1 (
2
2
2
2 /
2
) 1 ( ) 1 (

s n s n


1.8 Provjera hipoteza
Hipoteza: tvrdnja o jednoj ili vie populacija.

Istraivaka hipoteza


Statistika hipoteza


Nul hipoteza (H
0
)
- nepromijenjeno stanje, nepostojea razlika
- hipoteza koju provjeravamo
Alternativna hipoteza (H
1
)
- promijenjeno stanje, postojea
razlika
obino je identina istraivakoj
- sama se po sebi ne moe
provjeravati, nego se koristi provjera
nul hipoteze.

18
Provjera hipoteza:
- na temelju informacija iz uzorka
- rezultira u jednoj od dvije odluke:
1. odluka da se H
0
odbaci
2. odluka da se H
0
ne odbaci, jer uzorak nije dao dovoljno dokaza da bi se H
0
odbacila.
- H
0
i H
1
, se uvijek postavljaju tako da iskljuuju jedna drugu
- kada odbacujemo H
0
, pretpostavljamo da je H
1
tona.
- u zakljuivanju koristimo zakone vjerojatnosti

Openito, lake je dokazati da je neka hipoteza lana nego da je tona
- prihvaanje H
0
ne znai da je ona tona, nego da uzorak ne daje dovoljno dokaza da je H
0

lana.
- prihvaamo H
0
sve dok nije prikupljeno dovoljno dokaza koji je obaraju

Koraci u provjeri hipoteza:

1) Definiramo H
0
i H
1

2) Odredimo (razinu znaajnosti)
3) Izraunamo procjenu parametra
4) Odredimo statistiku za provjeru i njezinu raspodjelu kada vrijedi H
0
i izraunamo njenu
vrijednost iz uzorka
5) Odredimo kritinu vrijednost, kritino podruje
6) Usporedimo izraunatu vrijednost statistike za provjeru sa kritinim vrijednostima i donosimo
zakljuak.


Prikaz razine znaajnosti, kritine vrijednosti i kritinog podruja poznate raspodjele

z
/2
-
/2
/2
razina
znaajnosti =
kritino
podruje
kritino
podruje
0
kritina
vrijednost



1.8.1 P-vrijednost
Drugi nain da se odlui o prihvaanju ili odbijanju nul hipoteze H
0
, je da se utvrdi vjerojatnost da
izraunata vrijednost statistike za provjeru pripada distribuciji kada H
0
vrijedi. Ta vjerojatnost
obino se oznaava kao P vrijednost i predstavlja opaenu razinu znaajnosti. Mnogi kompjuterski
statistiki programi daju P vrijednost i ostavljaju istraivau da sam odlui o prihvaanju ili
odbijanju H
0
. Moe se rei da se H
0
odbacuje uz vjerojatnost pogreke koja je jednaka P
vrijednosti. P vrijednost se moe koristiti i kada je razina znaajnosti unaprijed odreena. Za
zadanu razinu znaajnosti , ako je P vrijednost manja od , H
0
se odbacuje uz razinu
znaajnosti.
19

1.8.2 Statistika i praktina znaajnost
Statistika znaajnost ne mora uvijek znaiti da istraivanje ima i praktinu znaajnost. Na primjer,
pretpostavimo pokus s upotrebom aditiva u hrani koji je poveao dnevni prirast u tovu junadi za 20
g. Ovo poveanje je relativno malo i najvjerojatnije nema ni praktino ni ekonomsko znaenje.
Meutim uz dovoljno velik uzorak i takvo poveanje se moe pokazati statistiki znaajno.
Takoer, razlike izmeu populacija mogu imati praktino znaenje, ali zbog malih uzoraka razlika
se nje pokazala statistiki znaajna u uzorcima.
Potreban je oprez u upotrebi rijei znaajan. Pojam statistika znaajnost vrijedi samo za uzorak.
Tako se moe rei: postoji znaajna razlika izmeu prosjeka uzoraka, to znai da njihova
izraunata razlika vodi do izraunate P vrijednosti dovoljno male da moemo odbaciti H
0
. Ali treba
izbjegavati izraze kao prosjeci populacije su znaajno razliiti, jer prosjeci populacije mogu biti
samo praktino razliiti, dakle oni su razliiti ili nisu razliiti. Potpuno je pogrean izraz:
alternativna hipoteza H
1
je da su prosjeci dviju populacije znaajno razliite, jer alternativna
hipoteza znai samo razliku, a prihvaanje alternativne hipoteze putem statistike provjere ne znai
automatski i praktinu znaajnost.


1.8.3 Mogue greke kod statistikog zakljuivanja i snaga provjere
Kod zakljuivanja na temelju uzorka mogua su dva pogrena zakljuka:
a) tip I greka = odbacivanje nul hipoteze H
0
, a da je zapravo H
0
istinita
b) tip II greka = ne odbacivanje H
0
, a da je zapravo H
0
lana.


Istinita (prava) situacija

H
0
tono H
0
nije tono
Nije odbaena H
0

Korektno prihvaanje
P = 1
Tip II greka
P =
O
d
l
u
k
a

s
t
a
t
i
s
t
i

k
e

p
r
o
v
j
e
r
e

Odbaena H
0

Tip I greka
P =
Korektno odbijanje
P = 1

1 = snaga provjere

Nain kontrole (smanjenja vjerojatnosti) tip I i tip II greke:
- poveati uzorak
- smanjiti varijancu
- poveati utjecaj (engl. effect size)
snagu provjere treba razmatrati kod planiranja pokusa
- kada je uzorak ve odreen, ne moe se istovremeno smanjiti i i
- obino se nastoji smanjiti tip I greka ()
- postavi = 0.05 i u veini sluajeva se ne obazire na .

Vjerojatnost tip I greke (, P-vrijednost):
- poznata ili se lako izrauna
- postavlja ju sam istraiva kao razinu znaajnosti
Vjerojatnost tip II greke ():
- esto teko izraunati
- mora se pretpostaviti neka raspodjela ako je H
1
tono i na temelju te raspodjele pokuati
odrediti
20


Raspodjela ako
vrijedi H
1

0



Snaga provjere
Raspodjela ako
vrijedi H
0

Kritino podruje

1



Slika 1-15: Vjerojatnost greke tipa I i II
Snaga provjere:
- vea snaga provjere (ili analogno mali , jer snaga je jednaka 1 ) je vana u sluaju kada
ne odbacujemo nul hipotezu
- ako provjera ima malu snagu i nije odbaena nul hipoteza, zakljuak je sumnjiv i velika je
ansa da radimo tip II greku
- obino ne donosimo zakljuke o jednakosti dva ili vie parametara ba zbog esto velike
vjerojatnosti , odnosne male snage (1 )

Snaga provjere moe se odrediti ako pretpostavimo nekoliko specifinih alternativnih hipoteza sa
razliitim parametrima


21
2 Jednostavna linearna regresija
2.1 Uvod
Mjerenja vie varijabli
Pitanja:
- kakav utjecaj imaju varijable jedna na drugu
- da li postoji funkcijska veza izmeu varijabli

Primjer:
- kako promjena vanjske temperature za jedan stupanj utjee na promjenu konverziju hrane
- kako promjena razine proteina u hrani utjee na promjenu dnevnog prirasta.

Regresija
- ukljuuje skup statistikih procedura kojima se izvode zakljuci o vezi izmeu varijabli
- prouava statistiku vezu izmeu varijabli na taj nain da se jedna varijabla definira kao
zavisna varijabla, a ostale kao nezavisne varijable
- kako promjena nezavisnih varijabli utjee na promjenu zavisne varijable
zavisna varijabla = y (konverzija hrane)
nezavisne varijable = x (temperatura)

Statistiki model:
y =
0
+
1
x +

y = zavisna varijabla (sluajna)
x = nezavisna varijabla (fiksna)

0
,
1
= regresijski koeficijenti (parametri)
= sluajna greka

= sluajna neprotumaena odstupanja
- zbog individualnih razlika izmeu ivotinja ili razliite okoline, greke kod mjerenja i sl.,

Statistiki model: matematiki model koji sadri
Deterministiki model: NE sadri
- kada bi opseg prsa tono opisao teinu
y =
0
+
1
x

Model regresije se odnosi na parove opaanja (x
1
,y
1
),(x
2
,y
2
),...,(x
n
,y
n
)
Prema modelu svaki y
i
se moe prikazati:
y
i
=
0
+
1
x
i
+
i
i = 1,.....n

Odnosno,
y
1
=
0
+
1
x
1
+
1
y
2
=
0
+
1
x
2
+
2
............
y
n
=
0
+
1
x
n
+
n

22

Oekivanje zavisne varijable y za zadani x je E(y|x) i predstavlja pravac.
E(y
i
| x
i
) =
0
+
1
x
i
= pravac

y
E(y|x)
*
*
*
*
*
*
*
*
*
* (x
i
,y
i
)

i
x

Slika 2-1: Pravac linearne regresije. Zvjezdicama su prikazana prava mjerenja (x
i
,y
i
), Pravac E(y|x) je
oekivanje zavisne varijable,
i
je odstupanje mjerenja od oekivanja
Objanjenje parametara jednostavne regresije

0
= odsjeak na y osi, vrijednost (E(y| x
i
=0)

1
= govori o nagibu pravca, to je promjena E(y| x) koja odgovara promjeni vrijednosti varijable x
za jedinicu (x=1).

E(y
i
|x
i
) =
0
+
1
x
i

1
x
y

1
x=1

Slika 2-2: Objanjenje parametara obine linearne regresije

x x
y
x
y
a) b)
x
y
c)

Slika 2-3: a) pozitivna regresija,
1
> 0; b) negativna regresija,
1
< 0,
c) regresija nije jasno utvrena,
1
= 0
23

2.2 Procjena parametara
0
i
1

1) izabrati sluajni uzorak
2) izmjeriti y i x

Broj ivotinje 1 2 3 ... n
Opseg prsa (x) x
1
x
2
x
3
... x
n

Teina (y) y
1
y
2
y
3
... y
n



Cilj: pronai krivulju koja e najbolje opisati dani skup podataka; pronai procjenitelje parametara

0
i
1
.
Procjenitelji parametara:
0

i
1

ili b
0
i b
1
.
E(y
i
|x
i
) se procjenjuje sa:
i i
x b b y
1 0
+ =

= procijenjeni pravac (krivulja) regresije, procijenjeni model

Ostatak:
i i i
y y e =
Svako opaanje u uzorku se moe napisati:
y
i
= b
0
+ b
1
x
i
+ e
i
i = 1,.....n
i i i
y y e =
$ y
i
$ y
*
*
*
*
* *
*
*
*
* y
i
y
x

Slika 2-4: Procijenjeni pravac jednostavne linearne regresije.
Metoda najmanjih kvadrata:
Pravilo:
- pronai procjenitelje b
0
i b
1
, da vrijedi:
( ) min
2 2

= =
i
i
i
i i
e y y

(ostaci moraju biti to manji)

OST
i
i
SS e

=
2
= Suma kvadrata ostatka

24
Procjenitelji b
1
i b
0
:
x b y b
SS
SS
b
xx
xy
1 0
1
=
=


Gdje su:
( )( ) y y x x SS
i
i
i xy
=


= suma produkata y i x
( )
2

=
i
i xx
x x SS
= suma kvadrata od x
n = veliina uzorka

2.3 Ostatak i svojstva ostatka
Podsjetite se da je greka pravog modela (modela populacije):

i
= y
i
E(y
i
|x
i
)
Ostatak je odstupanje vrijednosti zavisne varijable od regresijskog pravca procijenjenog iz uzorka:
i i i
y y e =
Dakle, Ostatak = greka procijenjenog pravca (procijenjenog modela)
Suma kvadrata za ostatak:
( )
2

=
i
i i OST
y y SS

Prosjek kvadrata ostatka (varijanca procijenjenog modela):
2
2

= =
n
SS
s MS
OST
OST
(n2) = stupnjevi slobode.
MS
OST
= s
2
je procjena
2
= Var ().

Stupnjevi slobode:
n (broj parametara koje treba procijeniti za dotinu sumu kvadrata)

Skraeni nain raunanja:
xx
xy
yy OST
SS
SS
SS SS
2
) (
=

2.4 Prosjeci i varijance procjenitelja
Svojstva procjenitelja:
E(b
1
) =
1
xx
b
SS
b Var
2
2
1
1
) (

= =

Ako y normalan onda b
1
normalan

Podsjetimo se: varijanca greke: Var(
i
) =
2
.
25
Nepristrani procjenitelj varijance
2
je:
( )
OST
OST
i
i i
MS
n
SS
y y
n
s =

=

2

2
1
2 2

MS
OST
=prosjek kvadrata za ostatak
Skraeni nain raunanja sume kvadrata za ostatak:
xx
xy
yy OST
SS
SS
SS SS
2
) (
=


Standardna greka regresijskog modela:
2
2

= =
n
SS
OST
s s

Var(b
1
) moemo procijeniti sa:
xx
b
SS
s
s
2
2
1
=

Standardna greka procjenitelja b
1
je:
xx
b
SS
s
s
2
1
=

2.5 Studentova t-provjera i interval pouzdanosti procjene parametara
Provjera hipoteza o nagibu pravca regresije:
H
0
:
1
= 0
H
1
:
1
0
H
0
: regresije nema, nagib regresije je nula, pravac regresije je horizontalan.
H
1
: regresija postoji, nagib nije horizontalan

Statistika za provjeru:
1
0
1
b
s
b
t

=

Uz H
0
, statistika t ima t raspodjelu sa (n2) stupnjeva slobode

Odbacujemo H
0
ako je izraunata statistika |t| velika. Za razinu znaajnosti odbacujemo H
0
ako
|t| t
/2,(n2)
.
b
1

1
= 0
t
/2 -t
/2 0
t

Slika 2-5: Teoretska distribucija procjenitelja b
1
i skala odgovarajue t statistike

26

2.6 Interval pouzdanosti za
1


Moemo pisati da je za 100(1)% interval pouzdanosti
1
2 , 2 1 b n
s t b

Za 95% interval pouzdanosti (IP)
1
2 , 025 . 0 1 b n
s t b

t
/2,n2
= kritina vrijednost
xx b
SS s s
2
1
=
= standardna greka procjenitelja b
1
.

2.7 Intervali pouzdanosti zavisne varijable
Procjena prosjeka populacije za danu vrijednost x
0

E[y|x
0
] =
0
+
1
x
0
.

Procjenitelj:
0 1 0 0
x b b y + =
.
( )
(

+ =
xx
i
SS
x x
n
y Var
2
2
) 0
1
(
Standardna greka:
( )
(

+ =
xx
i
y
SS
x x
n
s s
2
2

1
0


Interval pouzdanosti:
2 , 025 . 0 0
0

n y
t s y


Predvianje budue vrijednosti varijable y na temelju dane vrijednosti x
0
.
y|x
0
=
0
+
1
x
0
+
0
.

Procjenitelj:
0 1 0 , 0
x b b y
NOVI
+ =
.

Varijanca procjenitelja:
( )
(

+ + =
xx
i
NOVI
SS
x x
n
y Var
2
2
) , 0
1
1 (

Standardna greka predvienih novih vrijednosti zavisne varijable za danu vrijednost x
0
je:
( )
(

+ + =
xx
i
y
SS
x x
n
s s
NOVI
2
2

1
1
, 0
.

27
Interval pouzdanosti za nova opaanja uz razinu znaajnosti = 0.05 je:
2 , 025 . 0 , 0
,

n y NOVI
t s y
NOVI i


Intervali pouzdanosti za vie x vrijednosti:

Prosjek populacije:
p n p y i
pF s y
i

, ,

Nova opaanja:
p n p NOVI y i
pF s y
i

, , ,

Gdje su:
F = granina vrijednost F raspodjele za p i (np) stupnjeva slobode
p = broj parametara
n = broj opaanja
= vjerojatnost da je barem jedan interval nekorektan.

550
600
650
700
750
212 214 216 218 220 222
Opseg trupa (cm)
T
e

i
n
a

(
k
g
)

Slika -6: Povrine pouzdanosti za prosjeke populacije za dane vrijednosti x ( ___ )i nova opaanja (......)
28

2.8 Ralanjenje ukupne varijabilnosti
Regresijskim modelom nastoji se objasniti to vei dio varijabilnosti zavisne varijable.

*
*
*
raspodjela
y
*
*
*
*
*
*
*
*
x
y y
i
oko
raspodjela
(A)
(B)
y y
i
oko
y
y

Slika 2-7: Raspodjela varijabilnosti oko prosjeka i procijenjenog pravca regresije.
(B) mjeren sa sumom kvadrata za ostatak:

( )
2

=
i
i i OST
y y SS

(A) mjeren sa ukupnom sumom kvadrata:
( )
2

=
i
i i UKUP
y y SS

Tri izvora varijabilnosti:

1.Varijabilnost opisana modelom
- protumaena varijabilnost, mjeri se sumom kvadrata za regresiju (SS
REG
).
2. Ukupna varijabilnost zavisne varijable
- varijabilnost oko y , mjeri se ukupnom sumom kvadrata. (SS
UKUP
)
3. Neprotumaena varijabilnost
- varijabilnost oko y
, mjeri se sumom kvadrata za ostatak (SS
OST
).
*
*
*
*
*
*
*
*
*
*
*
*
y
x

29
Jak linearan trend: SS
OST
<< SS
UKUP

*
*
*
*
*
*
*
*
*
*
*
*
y
x

Slab linearan trend: SS
OST
SS
UKUP

2.8.1 Veza izmeu suma kvadrata
Vrijedi
) ( ) ( ) ( y y y y y y
i i i i
+ =
)
*
*
*
*
*
*
*
*
y
x
y y
i

$ y y
y y
i
$
$ y
y
*
y
i

Slika 2-8: Prikaz mjerenja y kao odstupanja od prosjeka i procijenjenog pravca

Moe se pokazati da vrijedi:
( ) ( ) ( )
2 2 2


+ =
i
i i
i
i
i
i
y y y y y y
SS
UKUP
= SS
REG
+ SS
OST


Kratki nain raunanja suna kvadrata:
1) SS
UKUP
= SS
yy
2)
xx
xy
REG
SS
SS
SS
2
) (
=
3)
xx
xy
yy OST
SS
SS
SS SS
2
) (
=


Na slina nain kao to se ralanjuju sume kvadrata, tako se ralanjuju i stupnjevi slobode:

(n1) = 1 + (n2) (stupnjevi slobode)
ukupno = regresija + ostatak
30
Ukupani stupnjevi slobode:
- gubi se 1 stupanj slobode u procijeni aritmetike srednje vrijednosti
Stupnjevi slobode ostatka:
- gube se 2 stupnja slobode u procijeni
0
i
1
.
Stupanj slobode za regresiju:
- treba 1 stupanj slobode za procjenu
1
.

Dijeljenjem suma kvadrata sa odgovarajuim stupnjevima slobode dobijemo prosjeke kvadrata:
Prosjek kvadrata za regresiju:
1
REG
REG
SS
MS =
Prosjek kvadrata za ostatak:
2
=
n
SS
MS
OST
OST

Ovi izraunati prosjeci kvadrata koriste se u provjeri hipoteza.


2.9 Provjera hipoteza - F- provjera
Hipoteze:
H
0
:
1
= 0 nema regresije
H
1
:
1
0 regresija postoji

Statistika za provjeru:
OST
REG
MS
MS
F =


Ovdje je:
regresiju za kvadrata prosjek
1
MS
REG
= =
REG
SS

ostatka kvadrata prosjek
2
MS
OST
=

=
n
SS
OST


F statistika ima F-raspodjelu sa stupnjevima slobode 1 i (n2) ukoliko vrijedi H
0
.

Za razinu znaajnosti odbacujemo H
0
ako je izraunata vrijednost F ekstremnija od kritine
vrijednosti F raspodjele (F > F
,1,n2
)

f (F
1, n-2 )
F
,1,n -2
F
1,n -2

Slika 2.9 F raspodjela i kritina vrijednost za stupnjeve slobode 1 i (n 2). Izraz F
,1,n2
predstavlja
kritinu vrijednost F raspodjele
31
Korisno je izraune i provjeru upisati u ANOVA tablicu (tablicu analize varijance)

ANOVA tablica
Izvor SS df MS F
Regresija SS
REG
1 MS
REG
F = MS
REG
/ MS
OST
Ostatak SS
OST
n2 MS
OST

Ukupno SS
UKUP
n1

Analiza varijance je podjela ukupne varijabilnosti na izvore varijabilnosti i analiza znaajnosti tih
izvora.

2.10 Koeficijent determinacije (R
2
)
- Proporcija varijabilnosti protumaenog modelom u odnosu na ukupnu varijabilnost:
UKUP
OST
UKUP
REG
SS
SS
SS
SS
R = = 1
2

Poprima vrijednosti od 0 do 1: 1 0
2
R
Mjera valjanosti modela
Dobar model
UKUP REG
SS SS
Lo model
UKUP OST
SS SS
Dobar model znai da je
1
2
R

32

2.11 SAS primjer za jednostavnu linearnu regresiju

Primjer: Procijenite pravac linearne regresije teine na opseg grudi krava prema slijedeem uzorku:

Krava 1 2 3 4 5 6
Teina (y): 641 633 651 666 688 680
Opseg prsa (x): 214 215 216 217 219 221

SAS program:

DATA krave;
INPUT tezina opseg;
DATALINES;
641 214
633 215
651 216
666 217
688 219
680 221
;
PROC REG;
MODEL tezina = opseg / ;
RUN;
QUIT;
*ili;

PROC GLM;
MODEL tezina =opseg / ;
RUN;
QUIT;

Objanjenje: Koristi se procedura GLM ili procedura REG. Naredba MODEL tezina = opseg znai
da je zavisna varijabla tezina, a nezavisna opseg.


SAS ispis:
Analiza varijance

Sum of Mean
Source DF Squares Square F Value Prob>F
Model 1 1927.52941 1927.52941 16.642 0.0151
Error 4 463.30392 115.82598
C Total 5 2390.83333

Root MSE 10.76225 R-square 0.8062
Dep Mean 659.83333 Adj R-sq 0.7578
C.V. 1.63106

Parameter Estimates

Parameter Standardna T for H0:
Variable DF Estimate Error Parameter=0 Prob > |T|
INTERCEP 1 -974.049020 400.54323178 -2.432 0.0718
OPSEG 1 7.529412 1.84571029 4.079 0.0151
33

Objanjenje: Prvo je dana ANOVA tablica: izvor (Source), stupnjevi slobode (DF), sume kvadrata
(Sum of Squares), prosjek kvadrata (Mean Square), F vrijednost (F value) i P vrijednost (Prob>F).
Izvori varijabilnosti su Regresija (Model), Ostatak (Error) i Ukupno (C Total). Vidljivo je da je
F = 16.642 sa P vrijednosti = 0.0151, to znai da je koeficijent regresije u uzorku znaajno razliit
od nule. Ispod ANOVA tablice dane su standardna greka regresijskog modela (Root MSE) =
10.76225 i koeficijent determinacije (R-square) = 0.8062. Ispod podnaslova Parameter Estimates,
moemo vidjeti procijene parametara sa standardnim grekama i t provjerom da su procjenitelji
znaajno razliiti od nule. Ovdje je b
0
(INTERCEP) = 974.046020 sa standardnom grekom
(Standard error) = 400.54323178, a b
1
(opseg) = 7.529412 sa standardnom grekom 1.84571029.
Izraunata t statistika je 4.079, s P vrijednosti (Prob > |T|) = 0.0151, to pokazuje da je b
1
znaajno
razliit od nule.

630
640
650
660
670
680
690
700
214 216 218 220 222
Opseg prsa (cm)
T
e

i
n
a

(
k
g
)

Slika 2-10: Regresija teine krava na opseg prsa

34
3 Koeficijent korelacije
Korelacija:
- mjera jakosti linearne veze izmeu dvije varijable
- relativna mjera
- poprima vrijednosti izmeu -1 i 1
- x i y su sluajne varijable sa zajednikom bivarijatnom raspodjelom
-Varijable zajedniki variraju
- Ne mora nuno postojati uzrono-posljedina veza

(Pozor: Regresija: uzrono-posljedina veza x i y, x = nezavisna, y = zavisna varijabla)

Koeficijent korelacije:
2 2
y x
xy

2
y
= Var(y)

2
x
=Var(x)

xy
= Cov(x, y) = kovarijanca izmeu x i y
x i y su sluajne normalne varijable.

Kovarijanca:
- zajedniko variranje dvije sluajne varijable
- apsolutna mjera veze
- ako su varijable nezavisne => Cov(x, y) = 0
Korelacija je kovarijanca standardiziranih varijabli x i y

- Korealcija moe biti pozitivna ili negativna.
Korelacija = 1 ili = 1 znai idealnu linearnu vezu
= 0 znai da veza ne postoji.


35
x
x
x
x
y
x
y
x
a)
x
b)
x
c)
x
d)
x
x
y
x
y

Slika 3-1 a) pozitivna korelacija, b) negativna korelacija, c) korelacija ne postoji d) veza izmeu
varijabli postoji ali nije linearna

3.1 Procjena koeficijenta korelacije
Procjenitelj koeficijenta korelacije je koeficijent korelacije uzorka:
yy xx
xy
SS SS
SS
r =

SS
xx
= suma kvadrata od x
( )
2

=
i
i xx
x x SS
SS
yy
= suma kvadrata od y
( )
2

=
i
i yy
y y SS
SS
xy
= suma produkata y i x
( )( ) y y x x SS
i
i
i xy
=


n = veliina uzorka


36
4 Vektori i matrice
Matrica je skup brojeva koji su po nekom kriteriju svrstani u redove i kolone:
2 x 3 2 x 3
32 31
22 21
12 11
1 2
1 1
3 1
a a
a a
a a
(
(
(

=
(
(
(

= A
2 x 3 2 x 3
32 31
22 21
12 11
2 1
3 1
1 2
b b
b b
b b
(
(
(

=
(
(
(

= B


esto piemo: A = {a
ij
}
3x2


Vektor:
jedna kolona ili jedan red
1 x 2
2
1
(

= b


4.1 Tipovi i svojstva matrica
Kvadratna matrica:
- isti broj kolona i redova.
Simetrina matrica:
- kvadratna matrica
- vrijedi a
ij
= a
ji
.

2 x 2
2 1
1 2
(

= C


Dijagonalna matrica
- kvadratna matrica takva da je a
ij
= 0 za svaki i j
2 x 2
2 0
0 2
D
(

=


Jedinina matrica:
- dijagonalna matrica
a
ii
= 1
(
(
(

=
(

=
1 0 0
0 1 0
0 0 1
,
1 0
0 1
3 2
I I


Nul matrica je matrica iji su svi lanovi jednaki nuli. Nul vektor je vektor iji su lanovi jednaki
nuli.
37
(
(
(

=
(

=
0
0
0
0 ,
0 0
0 0
0

Matrica iji su svi lanovi jednaki 1, obino se oznaava sa J. Vektor iju su svi lanovi jednaki 1
obino se oznaava sa 1.
(
(
(

=
(

=
1
1
1
,
1 1
1 1
1 J


Transponirana matrica:
- matrica kojoj su kolone zamijenjene s redovima
(

=
1 1 3
2 1 1
' A

4.1.1 Operacije s matricama i vektorima:

Zbrajanje matrica
=
(
(
(

+ +
+ +
+ +
= +
33 33 31 31
22 22 21 21
12 12 11 11
b a b a
b a b a
b a b a
B A


2 x 3
1 3
4 2
4 3
2 1 1 2
3 1 1 1
1 3 2 1
(
(
(

=
(
(
(

+ +
+ +
+ +
= + B A


Mnoenje matrica s brojem
2 x 3
2 4
2 2
6 2
2
(
(
(

= A

Mnoenje matrice s matricom
- broj kolona prve matrice mora biti jednak broju redova druge matrice,
- broj elemenata u redu prve matrice mora biti jednak broju redova druge matrice

Openito:
A = {a
ik
}ima dimenzije r x c
B = {b
kj
}ima dimenziju c x s
produkt AB= {c
ij
} ima dimenziju r x s:
c
ij
=
=
c
1 k
kj ik
b a


Primjer: Izraunaj AC ako je:
38
2 x 3 2 x 3
32 31
22 21
12 11
1 2
1 1
3 1
a a
a a
a a
(
(
(

=
(
(
(

= A
i
2 x 2 2 x 2
22 21
12 11
2 1
1 2
c c
c c
(

= C


(
(
(

+ +
+ +
+ +
=
22 32 21 31 21 32 11 31
22 22 21 21 21 22 11 21
22 12 21 11 21 12 11 11
c * a c * a c * a c * a
c * a c * a c * a c * a
c * a c * a c * a c * a
AC

2 3
0 3
3 3
7 5
2 * 1 1 * 2 1 * 1 2 * 2
2 * 1 1 * 1 1 * 1 2 * 1
2 * 3 1 * 1 1 * 3 2 * 1
x
(
(
(

=
(
(
(

+ +
+ +
= AC


Primjer 2:
1 x 2
2
1
(

= b
. Izraunaj Ab

1 x 3 1 x 3
0
3
7
1 * 1 2 * 2
2 * 1 1 * 1
2 * 3 1 * 1
(
(
(

=
(
(
(

+
+
= Ab


Kvadratni oblik:
- umnoak transponiranog vektora i samog vektora
- predstavlja sumu kvadrata elemenata vektora.

Neka je vektor
1 nx
n
2
1
y
...
y
y
(
(
(
(

= y

Kvadratni oblik je:
| |

=
(
(
(
(

=
i
2
i
n
2
1
n 2 1
y
y
...
y
y
y .. y y y y'
= suma kvadriranih lanova vektora

Inverzna matrica neke matrice C je matrica C
-1
takva da je C
-1
C = I i CC
-1
= I

Sustav linearnih jednadbi moe prikazati matrino.
Primjer: Sustav jednadbi s dvije nepoznanice
2a
1
+ a
2
= 5
a
1
a
2
= 1

39
(

=
2
1
a
a
a

(

=
1 1
1 2
X

(

=
1
5
y


Xa = y | X
1

X
1
Xa = X
1
y
a = X
1
y

(

=
(

=
(

=
(

1
2
1
5
3 / 2 3 / 1
3 / 1 3 / 1
1
5
1 1
1 2
1
2
1
a
a


Normalne jednadbe definirane su sa:
XXa = Xy
(XX)
1
(XX)a = (XX)
1
Xy
Normalne jednadbe pogodne su za rjeavanje sustava jednadbi kada je broj jednadbi vei nego
broj nepoznanica


40
5 Jednostavna regresija u matrinom prikazu
skalarni model regresije:
y
i
=
0
+
1
x
i
+
i
i = 1,.....n

Definirajmo vektore i matrice

(
(
(
(

=
n
y
y
y
...
2
1
y

(
(
(
(

=
n
x
x
x
1
... ...
1
1
2
1
X

(

=
1
0

(
(
(
(

=
n

...
2
1

y = vektor opaanja zavisne varijable
X = matrica opaanja nezavisnih varijabli
= vektor parametara
= vektor greki

y = X +

Prosjek od y :

( ) X y =
(
(
(
(

+
+
+
=
(
(
(
(

=
n n
x
x
x
y E
y E
y E
E
1 0
2 1 0
1 1 0
2
1
...
) (
...
) (
) (





Varijanca od y je:
Var(y) =
2
I

Procijenjeni model :
Xb y =


y y e = = vektor ostataka
b = vektor procjenitelja
(

=
1
0
b
b
b i
(
(
(
(

=
n
2
1
e
...
e
e
e
Normalne jednadbe:
(XX)b = Xy

41
Rjeenje jednadbe za b je:
b = (XX)
1
Xy

(
(

=


i
i
i
i
i
i
x x
x n
2
X X'

(
(

i
i i
i
i
y x
y
y X'

(
(
(
(

+
=

xx xx
xx x
SS SS
x
SS
x
SS
x
n
1
1
) (
2
1
X X'


Oekivanje i varijanca su:
E(b) =
(

= ) ( =
1 2
) ( ) , (
) , ( ) (
) Var(
1 1 0
1 0 0
b Var b b Cov
b b Cov b Var
X X' b

Ukoliko koristimo s
2
tada je varijanca vektora b jednaka:

s
2
(b) = s
2
(X'X)
1


Vektor procijenjenih vrijednosti zavisne varijable je:
( ) y X X X X Xb y
1
' '

= =

Ostatak je definiran sa:
y - y e =


Sume kvadrata:

( )
2
i
i REG
y y ) ( )' ( SS

= = y y y y
( )
2
i
i OST
y y ) ( )' ( SS

= = y y y y
( )
2
i
i UKUP
y y ) ( )' ( SS

= = y y y y


Primjer: Napiite procijenjeni model regresije teine na opseg grudi krava koristei matrice i
vektore. Mjerenja 6 krava dana su u slijedeoj tablici:

Krava 1 2 3 4 5 6
Teina (y): 641 633 651 666 688 680
Opseg prsa (x): 214 215 216 217 219 221

42
Vektor y i matrica X su:
(
(
(
(
(
(
(

=
680
688
666
651
633
641
y i
(
(
(
(
(
(
(

=
221 1
219 1
217 1
216 1
215 1
214 1
X
Prva kolona matrice X sadri broj 1 jer procjenjujemo odsjeak na osi y, b
0
. Kada uvrstimo X i y,
model je:
(
(
(
(
(
(
(
(

+
(

(
(
(
(
(
(
(

=
(
(
(
(
(
(
(

6
5
4
3
2
1
1
0

2211 1
219 1
217 1
216 1
215 1
214 1
680
688
666
651
633
641

e
e
e
e
e
e
b
b
(
(
(
(
(
(
(
(

+ +
+ +
+ +
+ +
+ +
+ +
=
6 1 0
5 1 0
4 1 0
3 1 0
2 1 0
1 1 0
221
219
217
216
215
214
e b b
e b b
e b b
e b b
e b b
e b b


43
6 Multipla regresija
Multipla regresija:
- regresija koja ima dvije ili vie nezavisnih varijabli
- regresija koja ima tri ili vie parametara
Ciljevi:
1. Pronai model (funkciju) koja najbolje opisuje zavisnost zavisne varijable o nezavisnim
varijablama. Odnosno odrediti parametre.
2. Predvianje vrijednosti zavisne varijable na temelju novih mjerenja nezavisnih varijabli
3. Prouiti vanost nezavisnih varijabli, odnosno procijeniti da li su sve ili samo neke nezavisne
varijable vane u modelu. To je izgradnja optimalnog modela.

Podaci:

y x
1
x
2
... x
p

y
1
x
11
x
21
... x
p1

y
2
x
12
x
22
... x
p2

. . . .
. . . .
y
n
x
1n
x
2n
... x
pn



Model:
y
i
=
0
+
1
x
1i
+
2
x
2i
+ ... +
p1
x
(p1)i
+
i
i = 1,...,n

y
i
= opaanja zavisne varijable
x
1i
,x
2i
,......,x
(p1)i
= opaanja nezavisnih varijabli

0
,
1
,
2
,......,
p1
= regresijski koeficijenti (parametri)

i
= greka, model nije egzaktan, sluajna odstupanja, neprotumaena, zbog jedinke ili mjerenja


6.1 Dvije nezavisne varijable
Model:
y
i
=
0
+
1
x
1i
+
2
x
2i
+
i
i = 1,...,n

y
i
= opaanja zavisne varijable y
x
1i
i x
2i
= opaanja nezavisnih varijabli x
1
i x
2

0
,
1
,
2
= regresijski koeficijenti (parametri)

i
= greka modela


Model procijene (procijenjena krivulja) je:
i i i
x b x b b y
2 2 1 1 0
+ + =
i = 1,...,n

44
Ostatak:
)] x b x b (b - [y y y e
2i 2 1i 1 0 i i i i
+ + = =

b
0
, b
1
i b
2
= procjenitelji parametara

Model matrino:
y = X +

y = vektor zavisne varijable
= vektor parametara
X = matrica konstanti
= vektor greki sa prosjekom E() = 0 i varijancom Var() =
2
I

(
(
(
(

=
n
y
y
y
...
2
1
y

(
(
(
(

=
n n
x x
x x
x x
2 1
22 12
21 11
1
... ... ...
1
1
X
(
(
(

=
2
1
0

(
(
(
(

=
n

...
2
1

Procijenjeni model je:
Xb y =


(
(
(

=
2
1
0
b
b
b
b

(
(
(
(

=
n
e
e
e
...
2
1
e

Procjena parametara: Metoda najmanjih kvadrata:
uvjet da
i
e
2
i
= ee = min.
e'e = suma kvadrata ostataka.
ee parcijalno derivira po b i izjednai s nulom.
Normalne jednadbe:
XXb = Xy

b = (XX)
1
Xy
(
(
(
(

(
(
(

=
n 2 n 1
22 12
21 11
n 2 22 12
n 1 12 11
x x 1
... ... ...
x x 1
x x 1
x ... x x
x ... x x
1 ... 1 1
X X'
(
(
(

=



i
i
i
i i
i
i
i
i i
i
i
i
i
i
i
i
i
x x x x
x x x x
x x n
2
2 2 1 2
2 1
2
1 1
2 1

(
(
(

=
(
(
(
(

(
(
(

i
i i 2
i
i i 1
i
i
n
2
1
n 2 22 21
n 1 12 11
y x
y x
y
y
...
y
y
x ... x x
x ... x x
1 ... 1 1
y X'


Primjer

45
Ostatak:
y y e =

Suma kvadrata za ostatak je:
SS
OST
= e'e
Varijanca
2
procjenjuje se sa
OST
OST
MS
p n
SS
s =

=
2

np = stupnjevi slobode.
Openito: stupnjevi slobode = n (broj parametara u modelu).
Drugi korijen iz procjene varijance:
2
s s =

standardna greka regresijskog modela.

Svojstva procjenitelja:
E(b) =
Var(b) =
2
(XX)
1

Ukoliko se koristi varijanca procijenjena iz uzorka tada je varijanca:
s
2
(b) = s
2
(XX)
1


Provjera hipoteze H
0
:
i
= 0
Statistika za provjeru:
) (
i
i
b s
b
t =


) ( ) s(b
2
i i
b s =
Kritina vrijednost t raspodjele odreuje se prema razini znaajnosti i stupnju slobode
n p, gdje je p = broj parametara.
p = 3 pa su stupnjevi slobode jednak n3.


6.1.1 Ralanjenje ukupne varijabilnosti i provjera hipoteza
Sume kvadrata:
( )
2
) ( )' (

= =
i
i REG
y y SS y y y y

( )
2
) ( )' (

= =
i
i OST
y y SS y y y y

( )
2
) ( )' (

= =
i
i UKUP
y y SS y y y y


SS
UKUP
= SS
REG
+ SS
OST

Stupnjevi slobode:
n1 = (p1) + (np)

n = broj ivotinja i p je broj parametara

Hipoteze:
46
H
0
:
2
= ... =
p
= 0
H
1
: barem jedan
i
0, i = 1 do p1

Ako nul hipoteza vrijedi tada kvocijent
OST
REG
MS
MS
F =

ima F-raspodjelu sa (p1) i (np) stupnjeva slobode, gdje je p broj parametara u modelu.
Za razinu znaajnosti odbacujemo H
o
ako
F
,p1,n3
( F > F
,p1,n3
).
ANOVA tablica
Izvor SS df MS = SS/df F
Regresija SS
REG
p1 MS
REG
F=MS
REG
/SS
OST
Ostatak SS
OST
np MS
OST
Ukupno SS
UKUP
n1


Koeficijent multiple determinacije je:
UKUP
OST
UKUP
REG
SS
SS
SS
SS
R = = 1
2

0 R
2
1

6.2 Parcijalne i stupnjevite ekstra sume kvadrata
SS
REG
se moe ralaniti na sume kvadrate za odgovarajue parametre u modelu
Provjerava se vanost pojedinih parametara
Primjer: Puni model (sve varijable ukljuene u model).
y =
0
+
1
x
1
+
2
x
2
+
3
x
3
+

Reducirani modeli (podskupovi punog modela):
y =
0
+
1
x
1
+
2
x
2
+
y =
0
+
1
x
1
+
3
x
3
+
y =
0
+
2
x
2
+
3
x
3
+
y =
0
+
1
x
1
+
y =
0
+
2
x
2
+
y =
0
+
3
x
3
+
y =
0
+

Broj parametara SS
REG
SS
OST

Broj parametara SS
REG
SS
OST




Provjera opravdanosti parametara
3
i
4
u punom modelu je:
Openito:
) (
). ( ) (
_
_ _
PUNI PUNI OST
REDUCIRANI PUNI PUNI OST REDUCIRANI OST
p n SS
p p SS SS
F

=

47
Ovdje je:
p
REDUCIRANI
= broj parametara u reduciranom modelu.
p
PUNI
= broj parametara u punom modelu
SS
OST_PUNI
/ (np
PUNI
) = MS
OST_PUNI
= prosjek kvadrata ostatka punog modela


6.3 SAS primjer za multiplu regresiju

Primjer: Procijenite regresiju teine na opseg grudi i visina do grebena 6 mladih bikova. Podaci su
slijedei:

Bik: 1 2 3 4 5 6 7
Teina, kg (y) 480 450 480 500 520 510 500
Opseg, cm (x
1
): 175 177 178 175 186 183 185
Visina, cm (x
2
): 128 122 124 128 131 130 124


SAS program:

DATA bikovi;
INPUT tezina opseg visina;
DATALINES;
480 175 128
450 177 122
480 178 124
500 175 128
520 186 131
510 183 130
500 185 124
;
PROC GLM;
MODEL tezina=opseg visina ;
RUN;
QUIT;


SAS ispis:

Dependent Variable: tezina

Sum of
Source DF Squares Mean Square F Value Pr > F
Model 2 2727.655201 1363.827601 9.78 0.0288
Error 4 558.059085 139.514771
Corrected Total 6 3285.714286

R-Square Coeff Var Root MSE tezina Mean
0.830156 2.403531 11.81164 491.4286

Source DF Type I SS Mean Square F Value Pr > F
opseg 1 1400.983103 1400.983103 10.04 0.0339
visina 1 1326.672098 1326.672098 9.51 0.0368

Source DF Type III SS Mean Square F Value Pr > F
opseg 1 616.426512 616.426512 4.42 0.1034
48
visina 1 1326.672098 1326.672098 9.51 0.0368

Standard
Parameter Estimate Error t Value Pr > |t|
Intercept -495.0140313 225.8696150 -2.19 0.0935
opseg 2.2572580 1.0738674 2.10 0.1034
visina 4.5808460 1.4855045 3.08 0.0368

6.4 Krivolinijska regresija drugog stupnja
Model:
y
i
=
0
+
1
x
i
+
2
x
2
i
+
i
i = 1,...,n

y
i
= opaanja zavisne varijable y
x
i
= opaanja nezavisne varijable x

0
,
1
,
2
= regresijski koeficijenti (parametri)

i
= greka modela,

kvadratna regresija = multipla regresija sa dvije nezavisne varijable x i x
2
,

Model procijene (parabola):
i i i i
e x b x b b y
2 2 1 1 0
+ + + =
i = 1,...,n

Matrino model se pie:
y = X +
(
(
(
(

=
n
y
y
y
...
2
1
y

(
(
(
(
(

=
2
2
2 2
2
1 1
1
... ... ...
1
1
n n
x x
x x
x x
X

(
(
(

=
3
1
0

(
(
(
(

=
n

...
2
1

Model procijene:
Xb y =

Ostatak:
y y e =

(
(
(

=
2
1
0
b
b
b
b

(
(
(
(

=
n
e
e
e
...
2
1
e

Vektor procjena parametara izrauna se iz izraza:
b = (XX)
1
Xy

Provjera hipoteza:

H
0
:
1
= ... =
p1
= 0
H
1
: barem jedan
i
0, i = 1 do (p1)

49
Ako nul hipoteza vrijedi tada kvocijent
OST
REG
MS
MS
F =

ima F-raspodjelu sa 2 i (n3) stupnjeva slobode.

Primarni cilj analize:
- da li je
2
potreban u modelu
- odnosno da li je model kvadratne regresije valjan.
Hipoteza:
H
0
:
2
= 0
t- provjera:
) (
2
2
b s
b
t =

Procijenjene varijance i kovarijance za b
0
, b
1
i b
2
su;:
s
2
(b) = s
2
(XX)
1


6.4.1 SAS primjer za kvadratnu regresiju
SAS program za primjer s rastom purana je slijedei.

SAS program:

DATA purani;
INPUT tezina dan @@;
DATALINES;
44 1 66 7 100 14 150 21 265 28 370 35 455 42 605 49 770 56
;
PROC GLM;
MODEL tezina=dan dan*dan/ ;
RUN;
QUIT;

Objanjenje: Koristimo proceduru GLM. Naredba MODEL tezina = dan dan*dan znai da je zavisna
varijabla tezina, a nezavisne dan kao linearna komponenta i dan*dan kao kvadratna komponenta.



SAS ispis:

Dependent Variable: TEZINA
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 2 523870.39532 261935.19766 1246.82 0.0001
Error 6 1260.49357 210.08226
Corrected Total 8 525130.88889

R-Square C.V. Root MSE TEZINA Mean
0.997600 4.617626 14.494215 313.88889

Source DF Type I SS Mean Square F Value Pr > F
DAN 1 497569.66165 497569.66165 2368.45 0.0001
DAN*DAN 1 26300.73366 26300.73366 125.19 0.0001

50
Source DF Type III SS Mean Square F Value Pr > F
DAN 1 859.390183 859.390183 4.09 0.0896
DAN*DAN 1 26300.733664 26300.733664 125.19 0.0001

T for H0: Pr > |T| Std Error of
Parameter Estimate Parameter=0 Estimate
INTERCEPT 38.85551791 3.15 0.0197 12.31629594
DAN 2.07249024 2.02 0.0896 1.02468881
DAN*DAN 0.19515458 11.19 0.0001 0.01744173

0
100
200
300
400
500
600
700
800
0 20 40 60
Dob u danima
T
e

i
n
a

(
g
)

Slika 6-1: Mjerene () i procijenjene (-) vrijednosti teine zago


6.5 Mogue potekoe kod upotrebe regresije
Mogui problemi kod regresije mogu se pojaviti zbog
1) Neka opaanja su loa. Pod loim podacima misli se na opaanja koja su neuobiajeno
ekstremna.
2) greke modela nemaju konstantnu varijancu
3) greke modela nisu nezavisne
4) greke modela nisu normalno distribuirane
5) Nelinarnost
6) Jedna ili vie vanih nezavisnih varijabli nisu ukljueni u model
7) Model sadri previe nezavisnih varijabli
8) Multikolinearnost. Multikolinearnost je pojava kad postoji korelacija izmeu nezavisnih
varijabli.

Mogu dovesti do:
- upotrebe krivog modela,
- loeg procjene regresije,
- krivog zakljuka
- nepreciznosti procjene parametara zbog velike varijance.




51
6.5.1 Analiza ostataka i naruenost pretpostavki modela
i i i
y y e

=

*
*
*
*
*
*
*
*
*
*
*
0
( )
x y$
e

Model OK
Rasprenost ostatka sluajna
Varijanca konstantna
Nema ekstremnih podataka.

*
*
*
*
*
*
*
*
*
*
*
*
0
e
( ) x y$

Nelinearnost. ????Potreban x
i
2
ili x
i
3
u modelu. ???? logaritamska, eksponencijalna funkcija

*
*
*
*
*
*
*
*
*
*
*
0
( )
x y$
e

Zavisnost ostataka (autokorelacija)

52
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
0
( )
x y$
e

Varijanca nije homogena. Potrebne su transformacije ili x ili y varijable.
Mogua je i upotreba razliite strukture varijance koja e definirati nehomogenost.

Normalnost ostataka. Nenormalnost dovodi u pitanje valjanost
F ili t provjere.
??? poopeni linearni model (engl. 'generalized linear models')


6.5.2 Loa opaanja
loa = neuobiajeno ekstremna opaanja

*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
*
x
i x
i
y
y
*
*
*
*
4
5
3
2
1
*

Slika -2 Prikaz ekstremnih vrijednosti u analizi regresiji Ekstremne vrijednosti su zaokruene i oznaene
brojevima: a) ekstremi u odnosu na x su: 3, 4 i (5), b) ekstremi u odnosu na y su: 1, 2 i 4, c) ekstremi koji
imaju utjecaja na procjenu regresije su: 2, 4 i (5)



6.5.3 Multikolinearnost
Postoji znaajna i visoka korelacija izmeu nezavisnih varijabli
Nezavisne varijable su skoro linearno zavisne
Varijanca procjenitelja velika
53


Problem multiokolinearnosti moe se rijeiti:
a) isputanjem problematinih opaanja
b) ako se iz nekoliko koreliranih nezavisnih varijabli definira jedna
c) isputanjem nepotrebnim varijabli iz modela
d) koritenjem drugih statistikim metoda ('Ridge' regresija ili 'Principal Components')


6.6 Izgradnja modela i kriteriji za izbor modela
a) Koeficijent determinacije(R
2
)
Dodavanje nove varijable ==> poveanje R
2

? dodavanje kojih varijabli znaajno poveava R
2


b) Prosjek kvadrata ostatka (MS
OST
)
Dodavanje nove varijable obino se smanjuje MS
OST
.
!!!! opasnost da se izabere preveliki model.

c) Parcijalne F-provjere
Znaajnost pojedine varijable u modelu.
??? optimalan model. Kolinearnost (varijable gledane posebno mogu izgledati vane, a ukupni
model moe biti vrlo neprecizan)

c ) Cp kriterij ('Conceptual Predictive Criterion')
- Usporeuje se model kandidat sa 'pravim' modelom

e) AIC (Akaike Information Criteria)

54
7 Jednostruka analiza varijance
Cilj:
- da li postoji razlika prosjeka vie populacija
- provjera razlika aritmetikih prosjeka uzoraka izabranih iz vie populacija.

Zavisna varijabla:
- mjerenja ili opaanja
Nezavisna varijabla:
- grupa (ili nain klasificiranja), esto kaemo i tretmani (grupe predstavljaju populacije)

- kvalitativna, ili kategorika varijabla
- faktor

Da li postoji utjecaj grupa na opaanja???

Primjer1 :
Utjecaj razliite hranidbe na prirast u tovu.
Sakupljanje podataka, odnosno organiziranje pokusa:
Odredit emo grupe ivotinja sluajnim izborom, razliito ih tretirati i izraunati srednje vrijednosti
grupa.
(Izabrati emo sluajni uzorak i sluajno primijeniti tretmane (napraviti grupe) na uzorak).

Primjer 2: Da li postoji razlika u mlijenosti krava simentalske pasmine izmeu tri upanije.
Sakupljanje podataka, odnosno plan pokusa:
Izabrati emo sluajne uzorke iz upanija
upanije su definicije grupa (razliitih populacija)

Pitanja?
1. Procijeniti prosjeke grupa i ukupnu srednju vrijednost,
2. Da li postoji utjecaj grupe, tj. da li su prosjeci pojedinih grupa razliiti
(Da li su aritmetike srednje vrijednosti uzoraka grupa znaajno razliiti)

Odgovoriti na pitanje da li postoji utjecaj grupe, tj. da li su srednje vrijednosti pojedinih grupa
dovoljno razliite da ih moemo smatrati znaajno razliitim.
(Znaajna razlika => u smislu da moemo u velikom broju takvih ponovljenih pokusa
oekivati razliku.)

Odgovor na ova pitanja moe dati statistika procedura koja se zove analiza varijance.

Analiza varijance:
- podjela ukupne varijabilnosti na izvore varijabilnosti i analiza znaajnosti tih izvora.
- da li je protumaena varijabilnost (varijabilnost izmeu prosjeka grupa) znaajna u odnosu
na neprotumaenu varijabilnost (unutar grupa)

Modeli analize varijance prema broju nezavisnih (kategorikih) varijabli:
- jednostruka
- dvostruka, itd.
55
7.1 Model jednostruke analize varijance s fiksnim utjecajima
Pretpostavka je da postoji fiksni utjecaj, tj. utjecaj grupe je isti na svaku jedinku u toj grupi

Neka je broj grupa (tretmana) = a
Grupe ili tretmani = sluajni uzorci iz odgovarajuih populacija
Po svakom tretmanu n mjerenja.
ukupno N = (n a) jedinica je podijeljeno u a grupa veliine n.

Mjera varijabilnosti izmeu grupa je varijabilnost prosjeka grupa
Mjera varijabilnosti unutar grupa je varijabilnost izmeu pojedinih mjerenja unutar grupe

Model:
y
ij
= +
i
+
ij
i = 1,.....,a j = 1,...,n

y
ij
= opaanje jedinice j u grupi i (tretmanu i)
= ukupni prosjek

i
= fiksni utjecaji grupe ili tretmana i

ij
= greka modela sa N(0,
2
)

Nezavisna varijabla :
- poprima vrijednosti razliitih grupa (tretmana)
- kategorika varijabla, esto se zove faktor
- prema modelu faktor ima utjecaj na vrijednosti zavisne varijable y



Prosjeci populacija procjenjuju se aritmetikim prosjecima grupa.

Model procijene:
i i ij
y + = =
i = 1,.....,a j = 1,...,n

ijednost srednja vr ukupna na procijenje =

i grupe utjecaj ni procijenje =
i

i grupe prosjek ni procijenje =
i

i ij ij
y e = = ostatak u uzorcima, neprotumaen modelom

y
ij
= j-to mjerenje u i-toj grupi

Grupa
G1 G2 G3
y
11
y
21
y
31

y
12
y
22
y
32

y
13
y
23
y
33

y
14
y
24
y
34

y
15
y
25
y
35


56
7.1.1 Ralanjenje ukupne varijabilnosti na izvore varijabilnosti:
Izvori varijabilnosti:
a) ukupna varijabilnost (varijabilnost opaanja bez obzira u kojoj su grupi),
b) varijabilnost opaanja unutar svake grupe i
c) varijabilnost izmeu prosjeka grupa

Podsjetimo se da je varijanca uzorka pokazatelj varijabilnosti tog uzorka:
( )
( )
1 1
var
2
2
2
2

= =

n
n
y
y
n
y y
s
i
i
i
i
i
i

Takoer,
( )
( )

=
i
i
i
i
i
i
n
y
y y y
2
2 2
= suma kvadrata korigirana na srednju vrijednost (SS).

Mjere izvora varijabilnosti

Ukupna varijabilnost => (SS
UKUP
) = Ukupna suma kvadrata
Varijabilnost izmeu grupa => (SS
TRT
) = Suma kvadrata izmeu grupa (tretmana)
= Suma kvadrata za grupe (tretmane)
Varijabilnost unutar grupa => (SS
OST
) = Suma kvadrata unutar grupa
= Suma kvadrata za ostatak



SS
TRT
= Suma kvadrata izmeu grupa (tretmana) = Suma kvadrata za grupe (tretmane)
SS
OST
= Suma kvadrata unutar grupa = suma kvadrata za ostatak = suma kvadrata za pokusnu
greku
SS
UKUP
= Ukupna suma kvadrata

Moe se pokazati da vrijedi:

SS
UKUP
= SS
TRT
+ SS
OST


Stupnjevi slobode (ukupno) = stupnjevi slobode (grupa) + stupnjevi slobode (ostatak)
(N1) = (a1) + (Na)
N = ukupan broj mjerenja, a = broj tretmana.

Oznake prosjeka:
i
j
ij
i
n
y
y

= .
= prosjek grupe i
..
N
y
y
ij
i j

= = prosjek svih opaanja

N = ukupan broj opaanja

57



Sume kvadrata:

=
i j
ij UKUP
y y SS
2
..) (


= =
i
i i
i j
i TRT
y y n y y SS
2 2
..) . ( ..) . (


=
i j
i ij OST
y y SS
2
.) (

Kratki nain raunanja:
1) Ukupna suma

i

j
y
ij

2) Korekcija za srednju vrijednost
( )
( )
opazanja broj ukupni
suma ukupna
2
2
= =

N
y
C
i j
ij

3) Ukupna (korigirana) suma kvadrata

=
i j
ij UKUP
C y SS
2
= Suma svih kvadriranih opaanja minus C
4) Suma kvadrata za grupe (tretmane)
( )
C
n
y
SS
i
i
j
ij
TRT
=

2
= Suma
( )
grupi u opaanja broj
suma grupe

2
za svaku grupu minus C
5) Suma kvadrata za ostatak
SS
OST
= SS
UKUP
SS
TRT


Dijeljenjem suma kvadrata s odgovarajuim stupnjevima slobode dobiju se prosjeci kvadrata:
prosjek kvadrata = SS/ stupnjevi slobode

Prosjek kvadrata za tretmane:
MS
TRT
= SS
TRT
/(a1)
Prosjek kvadrata za ostatak:
MS
OST
= SS
OST
/(Na)


7.1.2 Postavljanje hipoteza i F-provjera

H
0
:
1
=
2
=... =
a
, nema utjecaja grupa
H
1
:
i

i
za barem jedan par (i,i), razlika izmeu grupa postoji

Hipoteza se moe i ovako postaviti:

H
0
:
1
=
2
=... =
a
, prosjeci populacija su isti,
H
1
:
i

i
za barem jedan par (i,i) prosjeci populacija nisu isti.




58
F provjerom provjeravamo:
- da li je varijabilnost mjerenja potpuno sluajna ili je uvjetovana i nekim sistematskim utjecajem
(grupom ili tretmanom)
- da li je varijabilnost izmeu grupa (izmeu prosjeka grupa) znaajna u odnosu na
varijabilnost unutar grupa
- da li su prosjeci grupa ili utjecaji grupa znaajno razliiti
OST
TRT
MS
MS
F =

ima F raspodjelu sa (a1) i (Na) stupnjeva slobode, ukoliko vrijedi H
0
.

:
- Odbacujemo H
0
ako F > F
,(a1),(Na)
, tj. ako je izraunata statistika F iz uzorka vea od kritine
vrijednosti


F
,(a-1),(N-a)

F F

Slika 7-1: Provjera hipoteza koristei F raspodjelu. Ako je F izraunatimanji od F kritino,
tj. F < F
,a1,Na
,H
0
ne odbacujemo.


F
,(a-1),(N-a)

F F

Slika 7-2: Provjera hipoteza koristei F raspodjelu. Ako je F izraunativei od F kritono, tj. F > F
,a
1,Na
,H
0
odbacujemo uz razinu znaajnosti.


Radi preglednosti izrauni i provjera se moe napisati u tablicu analize varijance

ANOVA tablica:
Izvor SS df MS = SS/df F
Grupa SS
TRT
a1 MS
TRT
MS
TRT
/MS
OST
Ostatak SS
OST
Na MS
OST

Ukupno SS
UKUP
N1


59
7.2 Usporedba srednjih vrijednosti pojedinih grupa
F-provjerom provjeravamo da li postoji razlika izmeu tretmana.
Ako se H
0
ne odbaci:
- nije potrebno dublje analizirati problem,
- (!!!mogunost tip II greke)
Ako se H
0
odbaci:
- ? koji tretman je utjecao na to
- izmeu kojih tretmana je utvrena znaajna razlika.
- da li je
i

i
za tretmane i i'

7.2.1 Najmanja znaajna razlika (LSD)
Cilj: utvrditi najmanju razliku koja e biti znaajna i usporediti razlike svih parova srednjih
vrijednosti tretmana sa tom vrijednou.
|
|
.
|

\
|
+ =

'
, 2 / '
1 1
i i
OST a N ii
n n
MS t LSD


Procedura:
1.F-provjera (H
0
:
1
=..........=
a
, H
1
:
i

i
za barem jedan par i,i)
2. Ukoliko H
1
tada se rauna LSD
ii
za sve parove ii.
3. Zakljuujemo
i

i
ako
' ' ii i i
LSD y y

F provjera mora prethoditi LSD da osiguramo razinu znaajnosti za bilo koji broj usporedbi.

Prednost LSD provjere:
- vrlo vjerojatno da e pronai razliku izmeu srednjih vrijednosti (ako postoje)
- ima nisku razinu tip II greke
Loa strana:
- pokazuje esto razlike kada i nisu
- visoka razina tip 1 greke

7.2.2 Tukey provjera (HSD)
t
OST
a N a
n
MS
q HSD

=
, ,
q statistika ima Q raspodjelu (iz tablica); n
t
je broj opaanja po grupi

Zakljuujemo
, ako
' ' ' ii i i i i
HSD y y
.

Vjerojatnost da se napravi greka tip I je jednaka , tj razina vrijedi za cijelu proceduru, tj. za sve
parove srednjih vrijednosti
Za nejednaki broj opaanja po grupi:
) (
1
1
2
N
n
N
a
n
i
i
t

=


Prednost Tukey provjere:
- ne toliko pogrenih zakljuaka kao LSD,
Loa strana:
- ima vie pogrenih
i
=
j
zakljuaka.
60
7.3 SAS primjer jednostruke analize varijance s fiksnim utjecajima
Primjer: Postavljen je pokus u svrhu provjere razlika tri smjese u dnevnom prirastu prasadi. Tri
smjese su oznaene s TR
1
, TR
2
i TR
3
. Podaci su dani u slijedeoj tablici:


TR
1
TR
2
TR
3


270 290 290

300 250 340

280 280 330

280 290 300

270 280 300 Ukupno

SAS program:

DATA pigs;
INPUT smjesa $ prirast @@;
DATALINES;
TR1 270 TR2 290 TR3 290
TR1 300 TR2 250 TR3 340
TR1 280 TR2 280 TR3 330
TR1 280 TR2 290 TR3 300
TR1 270 TR2 280 TR3 300
;
PROC GLM DATA = pigs;
CLASS smjesa;
MODEL prirast = smjesa ;
LSMEANS smjesa / STDERR PDIFF ADJUST=TUKEY;
RUN;
QUIT;

Dependent Variable: prirast
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 2 3640.0000 1820.0000 6.13 0.0146
Error 12 3560.0000 296.6667
Corrected Total 14 7200.0000

R-Square Coeff Var. Root MSE prirast Mean
0.505556 5.939315 17.224014 290.00000

Least Squares Means
Adjustment for multiple comparisons: Tukey

prirast Standard LSMEAN
smjesa LSMEAN Error Pr > |t| Number
TR1 280.000000 7.702813 0.0001 1
TR2 278.000000 7.702813 0.0001 2
TR3 312.000000 7.702813 0.0001 3


Least Squares Means for effect smjesa
Pr > |t| for H0: LSMean(i)=LSMean(j)

i/j 1 2 3
1 0.9816 0.0310
2 0.9816 0.0223
3 0.0310 0.0223
61
7.4 Model sa sluajnim utjecajima grupa
Grupa ili tretman sluajna varijabla sa nekom raspodjelom.
Slijedee dvije slike prikazuju razlike izmeu modela s fiksnim i modela sa sluajnim utjecajima:


Slika 7-3: Prikaz izvora varijabilnosti fiksnog modela jednostruke analize varijance:
Ukupna varijabilnost , varijabilnost unutar grupa, varijabilnost izmeu grupa .



Slika 7-4: Prikaz izvora varijabilnosti sluajnog modela jednostruke analize varijance:
Ukupna varijabilnost , varijabilnost unutar grupa, varijabilnost izmeu grupa .

Fiksni model:
Mali (konaan) broj grupa
Utjecaj grupe definiran i fiksan
Varijabilnost izmeu grupa nije objanjena teoretskom raspodjelom

Sluajni model
Velik (beskonaan) broj grupa
Utjecaj pojedine grupe (prosjek) je sluajna varijabla
Varijabilnost izmeu grupa je objanjena teoretskom raspodjelom

Model jednostruke analize varijance:
y
ij
= +
i
+
ij
i = 1, 2, ... j = 1,...,n

y
ij
= Opaanje jedinice j u grupi i
= ukupni prosjek

i
= sluajni utjecaji grupe ili tretmana i

ij
= sluajna greka
62

Pretpostavke modela:

i
= sluajna varijabla sa prosjekom E(
i
) = 0 i varijancom Var(
i
) =
2

ij
= sluajna greka sa prosjekom E(
ij
) = 0 i homogenom varijancom
2

i
2
= komponente varijance.

i
i
ij
su nezavisni, tj.
Cov(
i
,
ij
) = 0
Iz pretpostavki slijedi
y
i
N(0,
2

+
2
) varijanca opaanja sadri komponente varijanci
Cov(y
ij
, y
ij
) =
2

Cov(
i
, y
ij
) =
2

- kovarijanca izmeu opaanja unutar jedne grupe je jednaka varijanci izmeu grupa.

Ciljevi:
1. Provjera hipoteza
2. Procjena komponenti varijance
3. Predvianje
1
,..,
a
.

Hipoteze: da li postoji varijabilnost izmeu tretmana:
H
0
:
2

= 0
H
1
:
2

0

Ukoliko vrijedi H
0
:
=> varijanca grupa jednaka je nuli
=> grupe su jednake jer nema varijabilnosti izmeu njih

F provjera:
OST
TRT
MS
MS
F =

ako vrijedi H
0
tada je
2

= 0, i F = 1.

ANOVA tablica

Izvor SS df MS = SS/df E(MS)
Grupa SS
TRT
a1 MS
TRT

2
+ n
2

Ostatak SS
OST
Na MS
OST

2

Ukupno SS
UKUP
N1

U tablicu je dobro upisati i oekivanja prosjeka kvadrata, E(MS)

Poto je
E(MS
OST
) =
2

E(MS
TRT
) =
2
+ n
2

63
mogu se iz Anova tablice procijeniti komponente varijance koristei jednakosti:
2 2 2 2
) (

n MS n MS E
TRT TRT
+ = + =

2 2
) ( = =
OST OST
MS MS E

Iz tog slijedi:
OST
MS =
2



) - (

2
n
MS MS
OST TRT
=

parametara procijene su i
2 2

n = broj opaanja po grupi

Predvianje srednjih vrijednosti odnosno utjecaja tretmana (primijetite da su razliite od
aritmetikih prosjeka zbog komponenti varijanci):
.. y =
) . (
. ,


=
i y i
y b
i

( )
( )
i i
i i
y
n y Var
y Cov
b
i
/
,
2 2
2
. ,

+
= =
ako su varijance poznate
i
y
n
b
i
/

2 2
2
. ,

+
=
ako se varijance isto procjenjuju iz uzoraka


7.5 Intraklasna korelacija
Korelacija izmeu opaanja unutar grupe.
) ( ) (
) , (
' , ,
' , ,
j i j i
j i j i
t
y Var y Var
y y Cov
=


Kovarijanca izmeu opaanja unutar grupa jednaka komponenti varijance izmeu grupa:
Cov(y
ij
,y
ij'
) = Var (
i
) =

2


Varijanca bilo kojeg opaanja ij je:
Var(y
ij
) =

2
+
2

Intraklasna korelacija:
2 2
2

+
=
t

Procjena iz uzorka:
2 2
2

+
=
t
r



64
7.6 SAS primjer jednostruke analize varijance sa sluajnim utjecajima

Primjer: Mjerena je koncentracija progesterona kod 8 svinja s ciljem da se procijeni varijabilnost
unutar i izmeu svinja, odnosno da se utvrdi da li je varijabilnost izmeu svinja znaajna.
Koncentracija progesterona je mjerena tri puta na svakoj svinji. Podaci su u slijedeoj tablici.

Svinja
Mjerenje 1 2 3 4 5 6 7 8
1 5.3 6.6 4.3 4.2 8.1 7.9 5.5 7.8
2 6.3 5.6 7.0 5.6 7.9 4.7 4.6 7.0
3 4.2 6.3 7.9 6.6 5.8 6.8 3.4 7.9


SAS program:

DATA sow;
INPUT sow prog @@;
DATALINES;
1 5.3 1 6.3 1 4.2 2 6.6 2 5.6 2 6.3
3 4.3 3 7.0 3 7.9 4 4.2 4 5.6 4 6.6
5 8.1 5 7.9 5 5.8 6 7.9 6 4.7 6 6.8
7 5.5 7 4.6 7 3.4 8 7.8 8 7.0 8 7.9
;
PROC MIXED DATA=sow METHOD = REML;
CLASS sow ;
MODEL prog = / SOLUTION DDFM = SATTERTH;
RANDOM sow / SOLUTION;
RUN;


SAS ispis:

Covariance Parameter Estimates

Cov Parm Estimate
sow 0.5571
Residual 1.4937

Solution for Fixed Effects

Standard
Effect Estimate Error DF t Value Pr > |t|
Intercept 6.1375 0.3632 7 16.90 <.0001

Solution for Random Effects

Std Err
Effect sow Estimate Pred DF t Value Pr > |t|
sow 1 -0.4599 0.5475 5.49 -0.84 0.4360
sow 2 0.0154 0.5475 5.49 0.03 0.9785
sow 3 0.1386 0.5475 5.49 0.25 0.8093
sow 4 -0.3542 0.5475 5.49 -0.65 0.5437
sow 5 0.5963 0.5475 5.49 1.09 0.3216
sow 6 0.1738 0.5475 5.49 0.32 0.7626
sow 7 -0.8647 0.5475 5.49 -1.58 0.1698
sow 8 0.7547 0.5475 5.49 1.38 0.2216

65
8 Naela planiranja pokusa
Pokus (eksperiment):
- planirano istraivanje u svrhu dobivanja novih injenica ili potvrde odnosno osporavanja
rezultata prijanjih pokusa

Istraivanje se moe prikazati u nekoliko koraka:
1. Opis problema (uvod)
- openito, dosadanja istraivanja
2. Postavljanje cilja (hipoteze)
- usko, specifino, dalji rad slijedi iz toga
- pitanje na koje treba odgovoriti
- hipoteza koju treba provjeriti
- utjecaj koji treba procijeniti

3. Postavljanje pokusnog plana (design)
- to treba uiniti, materijal i metode
4. Sakupljanje podataka
- prema pokusno planu
5. Analiza (Rezultati i rasprava)
6. Donoenje zakljuka
- odgovor na postavljeni cilj
- jasan i koncizan

U pokusnom planu treba definirati:
- Tretmani (populacije)
- Pokusna jedinica
- Jedinica uzorka (opaanje)
- Ponavljanja
- Pokusna greka

Pokusni plan:
- Nain na koji se primjenjuju tretmani na pokusne jedinice
- Postavlja ga istraiva
- Unutar okvira plana mora postojati sluajnost primjene tretmana

Statistiki model:
- Slijedi pokusni plan
- Pomae pri provjeri statistikih hipoteza
- Pomae pri donoenju zakljuaka
- Sastoji se od tri dijela:
- prosjeci (oekivanja)
- disperzija (varijance i kovarijance)
- definirane raspodjele
esto prikazan matematikom formulom

66
8.1 Pokusna jedinica i tretmani
Pokusna jedinica
- jedinica materijala na koje se primjenjuju tretmani
- jedna jedinka, npr. ivotinja
- ili grupa jedinki kao to je 10 pilia u jednom kavezu
Tretman
- procedura iji utjecaj e biti mjeren i usporeivan s drugim utjecajima
- primjer: razina hranidbe, nain primjene insekticida
- odreivanje populacije za koje e se donositi zakljuci

Utjecaj tretmana se mjeri na jedinici uzorka
Faktor: grupa tretmana koji predstavljaju vrijednosti jedne kategorike nezavisne varijable.

Jedinica uzorka:
- moe biti jednaka pokusnoj jedinici
- moe biti dio pokusne jedinice

8.2 Ponavljanja i pokusna greka
Ponavljanja:
- kada se tretmani primjenjuju vie puta na vie pokusnih jedinca
- omoguuju procjenu pokusne greke
- vie ponavljanja poveava preciznost pokusa jer se time smanjuju standardne greke
tretmana

Pokusna greka (engl. experimental error):
- mjera neprotumaene varijabilnosti koja postoji izmeu opaanja na pokusnim jedinicama
kada bi one bile tretirane jednako, odnosno kad nema utjecaja tretmana
MS
OST
, s
2
, MS
E

- prosjek kvadrata za ostatak
- prosjek kvadrata izmeu pokusnih jedinica
- prosjek kvadrata unutar tretmana (grupa).
Procjena pokusne greke je potrebna:
- za provjeru znaajnosti razlika pojedinih utjecaja
- za procjenu intervala povjerenja srednjih vrijednosti

Koliina informacija:
2
s
n
I =


Kontrola pokusne greke
(kontrola varijabilnosti izmeu pokusnih jedinica)
Pokusna greka se moe smanjiti:
1. Izborom pokusnog materijala sa to manjom varijabilnosti meu pokusnim jedinicama
(sluajnost izbora mora biti zadovoljena)
2. Poboljanjem provedbe pokusa dajui sline uvjete pokusnim jedinicama
3. Izborom odgovarajueg statistikog plana
67
Na tonu procjenu pokusne greke utjee:
- sluajnost izbora pokusnog materijala
- sluajnost primjene tretmana na pokusne jedinice
Izvori varijabilnost pokusne greke:
- varijabilnost izmeu pokusnih jedinica koju se ne moe objasniti
- postoji varijabilnost zbog pomanjkanja uniformnosti u provedbi pokusa.


Preciznost pokusnih planova
Na preciznost pokusa utjee:
izbor i homogenost pokusnog materijala
izbor i razine tretmana
kontrola pokusne greke
broj ponavljanja

8.3 Potreban broj ponavljanja
Ovisi o:
- varijabilnosti uzorka
- eljenoj razlici izmeu prosjeka tretmana
- preciznosti pokusa
- broju tretmana
- razini vjerojatnosti sa kojom elimo biti sigurni da nismo pogrijeili u zakljuivanju (razina
znaajnosti)

Potreban broj ponavljanja:
( )
2
2
2 /
2

z z
r
+

z
/2
= vrijednost na apscisi standardne normalne raspodjele odreen sa /2 vjerojatnosti tipa 1
greke
z

= vrijednost na apscisi standardne normalne krivulje odreen sa vjerojatnosti tipa 2 greke

= eljena razlika koju elimo utvrditi

2
= pokusna greka, odnosno varijanca pokusnih jedinca kad ne bi bilo utjecaja tretmana.


68
9 Potpuno sluajni pokusni plan
Svojstva:
- tretmani se dodjeljuju sluajno na pokusne jedinice
- pokusne jedinice izabrane su sluajno iz populacije
jednostruka analiza varijance = jednofaktorska analiza varijance.
Koristi se:
- kada su pokusne jedinice homogene.

Primjer:

Utjecaj tri razliite hranidbe na prirast u tovu.
Prvo treba definirati sakupljanje podataka, odnosno napraviti plan pokusa:
Izabrat emo sluajni uzorak i sluajno primijeniti tretmane na uzorak (definirati grupe)
Izabrali smo 15 junadi i razliito ih hranili.(tretirali).


69
Radi preglednosti mogu se ivotinje i njihova mjerenja napisati po tretmanima
Tretmani
T1 T2 T3
June Mjerenje June Mjerenje June Mjerenje
2 1170 1 1090 3 1290
6 1200 4 1050 5 1340
9 1180 8 1080 7 1330
12 1180 10 1090 11 1300
15 1170 14 1080 13 1300




Shema:
Broj ivotinje 1 2 3 4 5 6 7 8
Tretman T2 T1 T3 T2 T3 T1 T3 T2

Broj ivotinje 9 10 11 12 13 14 15

Tretman T1 T2 T3 T1 T3 T2 T1

Radi preglednosti mogu se ivotinje i njihova mjerenja napisati po tretmanima:

Tretmani
T1 T2 T3
Broj Mjerenje Broj Mjerenje Broj Mjerenje
2 y
11
1 y
21
3 y
31

6 y
12
4 y
22
5 y
32

9 y
13
8 y
23
7 y
33

12 y
14
10 y
24
11 y
34

15 y
15
14 y
25
13 y
35

70
10 Blokovi u analizi varijance
Unaprijed je poznato da e neke pokusne jedinice, iako tretirane jednako, ponaati razliito
- tee ivotinje e imati drugaiji prirast nego lake
- mjerenje na isti dan e biti slinija nego ona u razliitim danima

Pokusni plan:
- pokusne jedinice se klasificiraju i prema tim poznatim izvorima varijabilnosti
- smanjuje se pokusna greka

10.1 Sluajni blok plan (potpuni)
Pokusne jedinice uz tretmane mogu grupirati i prema drugom poznatim izvoru varijabilnosti u
blokove
- npr. na temelju poetne teine, kondicije, pasmine, spolu, stadij laktacije, legla, itd.
Blokovi:
- grupe koje slue da se protumai jo jedan dio varijabilnosti
- njihova provjera obino nije od primarnog interesa
Cilj grupiranja u blokove:
- da su jedinice unutar blokova sline tako da je varijabilnost izmeu njih uglavnom zbog
razliitih tretmana

Karakteristike sluajnog blok plana su:
- imamo a tretmana i b blokova. Svaki tretman se javlja u svakom bloku i to samo jedanput
- nain kako se tretmani primjenjuju na ivotinje u pojedinom bloku je potpuno sluajan
- dvostruka analiza varijance (dvostruka klasifikacija) - dva naina klasificiranja pokusnih
jedinica: prema bloku i tretmanu

Primjer:
Stimulansi na rast junadi
- 3 tretmana
- 4 bloka prema poetnoj teini
- u svakom bloku 3 ivotinje na koje sluajno primjenjujemo tretmane
- ukupno 12 ivotinja u pokusu

Blok ivotinje
I 1,2,3
II 4,5,6,
III 7,8,9
IV 10,11,12

Shema pokusnog plana:

71

Blokovi

I II III IV
Br. 1 (T3) br. 4 (T1) br. 7 (T3) br. 10 (T3)
Br. 2 (T1) br. 5 (T2) br. 8 (T1) br. 11 (T2) Br. ivotinje (Tretman)
Br. 3 (T2) br. 6 (T3) br. 9 (T2) br. 12 (T1)

Rezultati mjerenja:


Blokovi

I II III IV
T1
y
11
y
12
y
13
y
14

T2 y
21
y
22
y
23
y
24

T
r
e
t
m
a
n

T3 y
31
y
32
y
33
y
34


y
ij
= mjerenje tretmana i u bloku j.

Model:
y
ij
= +
i
+
j
+
ij
i = 1,.....,a j = 1,...,b

y
ij
= opaanje pokusne jedinice za tretman i u bloku j
, = ukupna srednja vrijednost

i
= fiksni utjecaji grupe (tretmana)

j
= fiksni utjecaji blokova

ij
- sluajni neprotumaeni utjecaj N(0,
2
) = interakcija blok x tretman

10.1.1 Ralanjenje ukupne sume kvadrata

Sume kvadrata:
SS
UKUP
= SS
TRT
+ SS
BLK
+ SS
OST

Stupnjevi slobode su:
(ba1) = (a1) + (b1) + (a1)(b1)

Takoer je
(a1)(b1) = (abab+1)

Jednostruka ANOVA:
SS
UKUP
= SS
TRT
+ SS'
OST
Dvostruka ANOVA:
SS
UKUP
= SS
TRT
+ SS
BLK
+ SS
OST


SS'
OST
= SS
BLK
+ SS
OST


SS
OST
: suma kvadrata za ostatak kod dvostruke ANOVA-e (pokusna greka kod sluajnog blok
plana)

SS'
OST
: suma kvadrata za ostatak kod jednostruke ANOVA-e
72
Smanjenje SS ostatka => vea preciznost sluajnog blok plana u utvrivanju eventualnih razlika
tretmana

Sume kvadrata:

=
i j
ij UKUP
y y SS
2
..) (

= =
i
i
i j
i TRT
y y b y y SS
2 2
..) . ( ..) . (


= =
i
j
i j
j BLK
y y a y y SS
2 2
..) . ( ..) . (

+ =
i j
j i ij OST
y y y y SS
2
..) . . (


Kratki nain raunanja suma kvadrata:
1) Ukupna suma =
i

j
y
ij

2) Korekcijski faktor za srednju vrijednost:
( )
( )
opazanja broj ukupni
suma ukupna
2
2
= =

ab
y
C
i j
ij

3) SS
UKUP
=
i

j
y
ij
2
C
4)
( )
C
b
y
SS
i
j
ij
TRT
=

2

5)
( )
C
a
y
SS
j
i
ij
BLK
=

2

6) SS
OST
= SS
UKUP
SS
TRT
SS
BLK


Prosjeci kvadrata = MS = SS/df
MS
BLK
= SS
BLK
/ (b1),
MS
TRT
= SS
TRT
/ (a1),
MS
OST
= SS
OST
/[(a1)(b1)]


10.1.2 Postavljanje hipoteza i F-provjera
H
0
:
1
=
2
=... =
a
, nema utjecaja tretmana
H
1
:
i

i
za barem jedan par (i,i), razlika izmeu tretmana postoji

F statistika
OST
TRT
MS
MS
F =

ima F raspodjelu sa stupnjevima slobode (a1) i (a1)(b1) ukoliko vrijedi H
0

Za razinu znaajnosti odbacujemo H
o
ako
F > F
,(a1),(a1)(b1)


Provjera za blokove:
- obino nije od primarnog interesa
- analogna kao i za tretmane.

73
Anova tablica:

Izvor SS df MS F
Blokovi SS
BLK
b1 MS
BLK
F=MS
BLK
/MS
OST
Tretmani SS
TRT
a1 MS
TRT
F=MS
TRT
/MS
OST
Ostatak SS
OST
(a1)(b1) MS
OST

Ukupno SS
UKUP
ab1


10.1.3 SAS primjer za sluajni blok plan

Primjer: Cilj pokusa je bio utvrditi utjecaj primjene tri tretmana (T
1
, T
2
i T
3
) na prosjeni dnevni
prirast u tovu junadi. Junad je podijeljena u etiri bloka prema poetnoj teini. U svakom su bloku
dakle tri ivotinje na koje su sluajno dodijeljeni tretmani. Ukupno je bilo 12 ivotinja u pokusu.
Radi lakeg praenja napravimo tablicu s podacima, prosjecima i sumama po tretmanima i
blokovima:

Blokovi
I II III IV
T
1
826 865 795 850
T
2
827 872 721 860
T
3
753 804 737 822


SAS program:

DATA steer;
INPUT trt blok $ prirast @@;
DATALINES;
1 I 826 1 II 865 1 III 795 1 IV 850
2 I 827 2 II 872 2 III 721 2 IV 860
3 I 753 3 II 804 3 III 737 3 IV 822
;
PROC GLM DATA = steer;
CLASS blok trt;
MODEL prirast = blok trt/ ;
LSMEANS trt / STDERR PDIFF ADJUST=TUKEY;
RUN;
QUIT;


SAS output:

Dependent Variable: prirast
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 5 24734.0000 4946.8000 8.08 0.0122
Error 6 3672.0000 612.0000
Corrected Total 11 28406.0000

R-Square Coeff Var Root MSE prirast Mean
0.870732 3.050386 24.7386 811.000

74
Source DF Type III SS Mean Square F Value Pr > F
blok 3 18198.0000 6066.0000 9.91 0.0097
trt 2 6536.0000 3268.0000 5.34 0.0465

Least Squares Means
Adjustment for Multiple Comparisons: Tukey

prirast Standard LSMEAN
trt LSMEAN Error Pr > |t| Number
1 834.000000 12.369317 0.0001 1
2 820.000000 12.369317 0.0001 2
3 779.000000 12.369317 0.0001 3

Least Squares Means for effect trt
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: prirast

i/j 1 2 3
1 0.7165 0.0456
2 0.7165 0.1246
3 0.0456 0.1246


10.1.4 SAS primjer s vie pokusnih jedinica po kombinaciji blok x tretman

Primjer: Pretpostavimo opet da je cilj pokusa bio utvrditi utjecaj primjene tri tretmana (T
1
, T
2
i T
3
)
na prosjeni dnevni prirast u tovu junadi. Opet emo koristiti 4 bloka, meutim ovaj puta imamo na
raspolaganju 8 ivotinja po svakom bloku. Ukupno u cijelom pokusu ima 432 = 24 ivotinje.
Tretmani su primijenjeni na ivotinje u bloku sluajno. Tablica sa rezultatima mjerenja na kraju
pokusa je slijedea:

Blokovi
Tretmani I II III IV
T
1

826
806
864
834
795
810
850
845
T
2

827
800
871
881
729
709
860
840
T
3

753
773
801
821
736
740
820
835


SAS program za primjer s junadi i dvije pokusne jedinice po kombinaciji blok x tretman je
slijedei. Dva pristupa e biti pokazana: blokovi definirani kao fiksni koristei GLM proceduru i
blokovi definirani kao sluajni koristei MIXED proceduru.


SAS program:

DATA prirast;
INPUT trt blok $ prirast @@;
DATALINES;
1 I 826 1 I 806 1 II 864 1 II 834
1 III 795 1 III 810 1 IV 850 1 IV 845
75
2 I 827 2 I 800 2 II 871 2 II 881
2 III 729 2 III 709 2 IV 860 2 IV 840
3 I 753 3 I 773 3 II 801 3 II 821
3 III 736 3 III 740 3 IV 820 3 IV 835
;
PROC GLM DATA = prirast;
CLASS blok trt;
MODEL prirast = blok trt blok*trt/;
LSMEANS trt / STDERR PDIFF ADJUST=TUKEY;
LSMEANS blok*trt / STDERR PDIFF ADJUST=TUKEY;
RUN;
QUIT;


SAS ispis GLM procedure za fiksne blokove:

Dependent Variable: prirast

Sum of
Source DF Squares Mean Square F Value Pr > F
Model 11 49929.83333 4539.07576 25.81 <.0001
Error 12 2110.00000 175.83333
Corrected Total 23 52039.83333

R-Square Coeff Var Root MSE prirast Mean
0.959454 1.638244 13.26022 809.4167

Source DF Type III SS Mean Square F Value Pr > F
blok 3 33816.83333 11272.27778 64.11 <.0001
trt 2 8025.58333 4012.79167 22.82 <.0001
blok*trt 6 8087.41667 1347.90278 7.67 0.0015

Least Squares Means
Adjustment for Multiple Comparisons: Tukey

prirast Standard LSMEAN
trt LSMEAN Error Pr > |t| Number
1 828.750000 4.688194 <.0001 1
2 814.625000 4.688194 <.0001 2
3 784.875000 4.688194 <.0001 3

Least Squares Means for Effect trt
t for H0: LSMean(i)=LSMean(j) / Pr > |t|
Dependent Variable: prirast

i/j 1 2 3
1 0.1251 <.0001
2 0.1251 0.0020
3 <.0001 0.0020

Least Squares Means

prirast Standard
blok trt LSMEAN Error Pr > |t|
I 1 816.000000 9.376389 <.0001
I 2 813.500000 9.376389 <.0001
I 3 763.000000 9.376389 <.0001
II 1 849.000000 9.376389 <.0001
II 2 876.000000 9.376389 <.0001
II 3 811.000000 9.376389 <.0001
76
III 1 802.500000 9.376389 <.0001
III 2 719.000000 9.376389 <.0001
III 3 738.000000 9.376389 <.0001
IV 1 847.500000 9.376389 <.0001
IV 2 850.000000 9.376389 <.0001
IV 3 827.500000 9.376389 <.0001

PROC MIXED DATA = prirast;
CLASS blok trt;
MODEL prirast = trt/;
RANDOM blok blok*trt;
LSMEANS trt / DIFF ADJUST=TUKEY;
RUN;

SAS ispis MIXED procedure za sluajne blokove:

Covariance Parameter
Estimates

Cov Parm Estimate

blok 1654.06
blok*trt 586.03
Residual 175.83


Type 3 Tests of Fixed Effects

Num Den
Effect DF DF F Value Pr > F
trt 2 6 2.98 0.1264

Least Squares Means

Stand
Effect trt Est Error DF t Val Pr>|t| Alpha Lower Upper
trt 1 828.75 24.1247 6 34.35 <.0001 0.05 769.72 887.78
trt 2 814.62 24.1247 6 33.77 <.0001 0.05 755.59 873.66
trt 3 784.87 24.1247 6 32.53 <.0001 0.05 725.84 843.91

Differences of Least Squares Means

Stand
Effect tr_tr Est Error DF t Val Pr > |t| Adjustment Adj P Alpha

trt 1 2 14.125 18.3569 6 0.77 0.4708 Tukey-Kramer 0.7339 0.05
trt 1 3 43.875 18.3569 6 2.39 0.0540 Tukey-Kramer 0.1174 0.05
trt 2 3 29.750 18.3569 6 1.62 0.1562 Tukey-Kramer 0.3082 0.05

Differences of Least Squares Means

Adj Adj
Effect trt _trt Lower Upper Lower Upper
trt T1 T2 -30.7927 59.0427 . .
trt T1 T3 -1.0427 88.7927 . .
trt T2 T3 -15.1677 74.6677 . .


77
11 'Change-over' pokusni planovi
11.1 Jednostavni 'change-over' plan
Svojstva:
- svi tretmani se primjenjuju na svaku ivotinju (subjekt)
- a mjerenja na svakom od n subjekata
- mjerenja a odgovaraju tretmanima
- redoslijed primjene tretmana je sluajan
- pokusna jedinica NIJE subjekt (ivotinja)
- pokusna jedinica JE jedno mjerenje na ivotinji
- protumaeni izvori varijabilnosti:
- subjekti i tretmani

Razdoblje Subjekt 1 Subjekt 2 Subjekt 3 Subjekt n
1 T2 T1 T2 T3
2 T1 T3 T3 T2
3 T3 T2 T1 T1


Model:
y
ij
= +
i
+ SUB
j
+
ij
i = 1,.....,a j = 1,...,n


y
ij
= Opaanje ivotinje (subjekta) j u za tretman i
= ukupni prosjek

i
= fiksni utjecaj tretmana i
SUB
j
= sluajni utjecaj ivotinje (subjekta) j

ij
sluajna greka

Kada imamo rezultate mjerenja obino piemo:

Subjekt
Tretman 1 2 ......... n
T1 y
11
y
12
.... y
1n

T2 y
21
y
22
.... y
2n
..........................

Ta y
31
y
32
.... y
an

Izvori varijabilnosti
Sume kvadrata :
SS
UKUP
= SS
SUB
+ SS
UNUTAR SUBJEKTA

SS
UNUTAR SUBJEKTA
= SS
TRT
+ SS
OST

SS
UKUP
= SS
SUB
+ SS
TRT
+ SS
OST

78
stupnjevi slobode:
(na1) = (n1) + (a1) + (n1)(a1)

Sume kvadrata su:

=
i j
ij UKUP
y y SS
2
..) (


= =
i
j
i j
j SUB
y y a y y SS
2 2
..) . ( ..) . (

= =
i
i i
i j
i TRT
y y n y y SS
2 2
..) . ( ..) . (

=
i j
j ij UNUTAR
y y SS
2
SUBJEKTA
) . (

+ =
i j
ji i ij OST
y y y y SS
2
..) . . (


MS = SS/df:
MS
TRT
= SS
TRT
/ (a1)
MS
OST
= SS
OST
/[(a1)(n1)]

ANOVA tablica:

Izvor SS df MS F
Izmeu subj. SS
SUB
n1 MS
SUB

Unutar subj. SS
UNUTAR
n(a1) MS
UNUTAR

Tretmani SS
TRT
a1 MS
TRT
MS
TRT
/MS
OST

Ostatak SS
OST
(n1)(a1) MS
OST


Hipoteze:
H
0
:
1
=
2
=... =
a
, nema utjecaja grupa
H
1
:
i

i
za barem jedan par (i,i), razlika izmeu grupa postoji

F statistika:
OST
TRT
MS
MS
F =


11.2 'Change-over' plan kada postoji utjecaj razdoblja
omoguava i provjeru utjecaja redoslijeda primjene tretmana.
Model:
y
ijk
l
= +
i
+
k
+ SUB()
jk
+ t
l
+
ijk
l

i = 1 do a; j = 1 do n
k
, k = 1 do b; l = 1 do a

Gdje su:
y
ijk
l
= opaanje ijkl
= ukupni prosjek korigiran na sve utjecaje

i
= utjecaj tretmana i

k
= utjecaj bloka k, blok moe na primjer biti redoslijed primjene pojedinog tretmana
SUB()
jk
= sluajni utjecaj ivotinje (subjekta) j unutar bloka k sa prosjekom 0 i varijancom
2
g

t
l
= utjecaj razdoblja l

ijk
l
= sluajna greka s prosjekom 0 i varijancom
2

79
a = broj tretmana i razdoblja, b = broj blokova, je n
k
= broj ivotinja unutar bloka k. n =
k
n
k
=
ukupan broj ivotinja

ANOVA tablica:
Izvor varijabilnosti SS df MS = SS / df F

Blokovi SS
BLK
b1 MS
BLK
MS
BLK
/MS
SUB

Subjekt unutar bloka SS
SUB

k
(n
k
1) MS
SUB

Razdoblje SS
t
a1 MS
t
MS
t
/MS
OST

Tretmani SS
TRT
a1 MS
TRT
MS
TRT
/MS
OST


Ostatak SS
OST
(a1)(
k
n
k
2) MS
OST

Ukupno SS
UKUP
a
k
n
k
1

Provjera tretmana:

Provjera blokova
OST
TRT
MS
MS
F =

F =
) ( BLOK SUBJ
BLOK
MS
MS



11.2.1 SAS primjer za change-over plan s utjecajem razdoblja

Primjer: Ispitivan je utjecaj dva tretmana na proizvodnju mlijeka kod krava. Primijenjen je 'change-
over' plan, tj. na svaku kravu primijenjena su oba tretmana. Pokus je proveden u 3. i 4. mjesecu
laktacije. Redoslijed tretmana kod svake krave utvren je sluajno. Na kraju pokusa dobivene su
slijedee prosjene dnevne koliine mlijeka u kg:

BLOK I

Razdoblje Tretman Krava 1 Krava 4 Krava 5 Krava 9 Krava 10
1 1 31 34 43 28 25
2 2 27 25 38 20 19

BLOK II
Razdoblje Tretman Krava 2 Krava 3 Krava 6 Krava 7 Krava 8
1 2 22 40 40 33 18
2 1 21 39 41 34 20


SAS program:

DATA Cows;
INPUT period trt order cow milk @@;
DATALINES;
1 1 1 1 31 1 2 2 2 22
2 2 1 1 27 2 1 2 2 21
1 1 1 4 34 1 2 2 3 40
2 2 1 4 25 2 1 2 3 39
1 1 1 5 43 1 2 2 6 40
2 2 1 5 38 2 1 2 6 41
1 1 1 9 28 1 2 2 7 33
2 2 1 9 20 2 1 2 7 34
1 1 1 10 25 1 2 2 8 18
2 2 1 10 19 2 1 2 8 20
;
80
PROC MIXED ;
CLASS trt cow period order;
MODEL milk = order trt period;
RANDOM cow(order) ;
LSMEANS trt/ DIFF ADJUST=TUKEY ;
RUN;


SAS ispis:

Covariance Parameter
Estimates

Cov Parm Estimate
cow(order) 75.4000
Residual 1.5250

Type 3 Tests of Fixed Effects

Num Den
Effect DF DF F Value Pr > F
order 1 8 0.11 0.7527
trt 1 8 37.90 0.0003
period 1 8 29.51 0.0006

Least Squares Means

Standard
Effect trt Estimate Error DF t Value Pr > |t|
trt 1 31.6000 2.7735 8 11.39 <.0001
trt 2 28.2000 2.7735 8 10.17 <.0001

Differences of Least Squares Means

Standard
Effect trt _trt Estimate Error DF t Value Pr > |t|
trt 1 2 3.4000 0.5523 8 6.16 0.0003

Differences of Least Squares Means

Effect trt _trt Adjustment Adj P
trt 1 2 Tukey-Kramer 0.0003


11.3 Latinski kvadrat
Znaajke:
- tretmani se primjenjuju na blokove na dva razliita naina, tj. u kolone i redove.
- svaka kolona i svaki red predstavljaju kompletni blok sa primjenjenim svim tretmanima
- tri protumaena izvora varijabilnosti
- kolone, redovi i tretmani
- pojedino opaanje je samo u jednoj koloni, jednom redu i podlijee samo jednom tretmanu
- pretpostavka da nema interakcije
- r = broj tretmana, kolona i redova
- ukupan broj mjerenja = r
2


81
Primjer:
- blokovi utjecaj ivotinje i razdoblje
- na istu ivotinju se primjenjuju svi tretmani u razliitim razdobljima
- latinski kvadrat => 'change-over' plan.

Primjer: r = 4

ivotinje
Razdoblja 1 2 3 4
1 T1 T2 T3 T4
2 T2 T3 T4 T1

3 T3 T4 T1 T2.
4 T4 T1 T2 T3

y
ij(k)
= mjerenje u i - tom redu (periodu), j - toj koloni (ivotinji), sa primijenjenim k -tim
tretmanom:

ivotinje
Razdoblja 1 2 3 4
1 y
11(1)
y
12(2)
y
13(3)
y
14(4)

2 y
21(2)
y
22(3)
y
23(4)
y
24(1)
3 y
31(3)
y
32(4)
..y
33(1)
..y
34(2)
.
4 y
41(4)
y
42(1)
y
43(2)
y
44(3)


Statistiki model:
y
ij(k)
= + RED
i
+ KOL
j
+
(k)
+
ij(k)

i,j,k = 1,...,r

y
ij(k)
= opaanje ij(k)
= srednja vrijednost korigirana na sve utjecaje
RED
i
= fiksni utjecaj i reda
KOL
j
= fiksni utjecaj j kolone

(k)
= fiksni utjecaj tretmana k

ij(k)
- ostatak sluajni N(0,
2
)

Sume kvadrata:
SS
UKUP
= SS
RED
+ SS
KOL
+ SS
TRT
+ SS
OST


stupnjevi slobode:
r
2
1 = (r1) + (r1) + (r1) + (r1)(r2)

Sume kvadrata:

=
i j
k ij UKUP
y y SS
2
) (
..) (

=
i
i RED
y y r SS
2
..) . (

=
i
j KOL
y y r SS
2
..) . (

=
i
k TRT
y y r SS
2
..) (

( )

+ =
i j
k j i ij OST
y y y y y SS .. 2 . .


82
Kratki nain raunanja:
1) Ukupna suma =
i

j
y
ij(k)
= y..
2) Korekcijski faktor za srednju vrijednost:

( )
( )
opazanja broj ukupni
suma ukupna
2
2
2
) (
= =

r
y
C
i j
k ij

3) SS
UKUP
=
i

j
(y
ij(k)
)
2
C
4)
( )
C
r
y
SS
i
j
ijk
RED
=

2

5)
( )
C
r
y
SS
j
i
k ij
KOL
=

2
) (

6)
( )
C
r
y
SS
k
i j
k ij
TRT
=

2
) (

7) SS
OST
= SS
UKUP
SS
A
SS
B
SS
TRT


MS
RED
= SS
RED
/ (r1),
MS
KOL
= SS
KOL
/ (r1),
MS
TRT
= SS
TRT
/ (r1),
MS
OST
= SS
OST
/[(r1)(r2)]

Hipoteze:
H
0
:
1
=
2
=... =
a
, nema utjecaja tretmana
H
1
:
i

i
za barem jedan par (i,i), razlika izmeu tretmana postoji

OST
TRT
MS
MS
F =


ANOVA tablica

Izvor SS df MS F
Redovi SS
RED
r1 MS
RED
MS
RED
/MS
OST
Kolone SS
KOL
r1 MS
KOL
MS
KOL
/MS
OST
Tretmani SS
TRT
r1 MS
TRT
MS
TRT
/ MS
OST
Ostatak SS
OST
(r1)(r2) MS
OST

Ukupno SS
UKUP
r
2
1


11.3.1 SAS primjer za latinski kvadrat
Cilj pokusa je bio utvrditi utjecaj dodavanja 4 razliita dodataka (A, B, C i D) na uzimanje sijena
kod tovne junadi. Pokus je proveden kao latinski kvadrat: na 4 ivotinje u 4 razdoblja.

83
June
Razdoblje 1 2 3 4
1 10.0(B) 9.0(D) 11.1(C) 10.8(A)
2 10.2(C) 11.3(A) 9.5(D) 11.4(B)
3 8.5(D) 11.2(B) 12.8(A) 11.0(C)
4 11.1(A) 11.4(C) 11.7(B) 9.9(D)

SAS program:

DATA a;
INPUT period steer suppl $ hay @@;
DATALINES;
1 1 B 10.0 3 1 D 8.5
1 2 D 9.0 3 2 B 11.2
1 3 C 11.1 3 3 A 12.8
1 4 A 10.8 3 4 C 11.0
2 1 C 10.2 4 1 A 11.1
2 2 A 11.3 4 2 C 11.4
2 3 D 9.5 4 3 B 11.7
2 4 B 11.4 4 4 D 9.9
;
PROC GLM;
CLASS period steer suppl;
MODEL hay = period steer suppl;
LSMEANS suppl / STDERR PDIFF ADJUST=TUKEY;
RUN;
QUIT;


SAS ispis:

Dependent Variable: hay
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 9 17.09562500 1.89951389 13.12 0.0027
Error 6 0.86875000 0.14479167
Corrected Total 15 17.96437500

R-Square Coeff Var Root MSE hay Mean
0.951640 3.562458 0.380515 10.68125

Source DF Type III SS Mean Square F Value Pr > F
period 3 1.48187500 0.49395833 3.41 0.0938
steer 3 3.59187500 1.19729167 8.27 0.0149
suppl 3 12.02187500 4.00729167 27.68 0.0007

Least Squares Means
Adjustment for Multiple Comparisons: Tukey

hay Standard LSMEAN
suppl LSMEAN Error Pr > |t| Number
A 11.5000000 0.1902575 <.0001 1
B 11.0750000 0.1902575 <.0001 2
C 10.9250000 0.1902575 <.0001 3
D 9.2250000 0.1902575 <.0001 4

Least Squares Means for Effect suppl
t for H0: LSMean(i)=LSMean(j) / Pr > |t|
Dependent Variable: hay
84

i/j 1 2 3 4
1 0.4536 0.2427 0.0006
2 0.4536 0.9411 0.0019
3 0.2427 0.9411 0.0030
4 0.0006 0.0019 0.0030


11.4 Change over plan postavljen kao vie latinskih kvadrata
I kvadrat II kvadrat
B B
A 1 2 3 A 1 2 3
1 a b c 1 a b c
2 b c d 2 b c d

3 c d a 3 c d a

Model:
y
ij(k)m
= + KV
m
+ A(KV)
im
+ B(KV)
jm
+ T
(k)
+
ij(k)m

i,j,k = 1,...,r; m = 1,...,b
gdje su:
y
ij(k)m
= opaanje ij(k)m
= ukupni prosjek korigiran na sve utjecaje
KV
m
= utjecaj kvadrata m
RED(KV)
im
= fiksni utjecaj reda i unutar kvadrata m
KOL(KV)
jm
, = fiksni utjecaj kolone j unutar kvadrata m

(k)
= fiksni utjecaj tretmana k

ij(k)m
= sluajna greka sa prosjekom 0 i varijancom
2

r = broj tretmana, i broj redova i kolona unutar kvadrata
b = broj kvadrata

ANOVA tablica:
Izvor df
Kvadrati (blokovi) b1
Redovi unutar kvadrata b(r1)
Kolone unutar kvadrata b(r1)
Tretman b1
Ostatak (Pokusna greka) b(r1)(r2)+(b1)(r1)
Ukupno b r
2
1

F-provjera:
OST
TRT
MS
MS
F =

85
12 Faktorijalni pokus
- kada imamo dva ili vie faktora koji se prouavaju u isto vrijeme.
- sve kombinacije faktora se provjeravaju meusobno

Interakcija:
- razliiti utjecaj razina jednog faktora na razine drugog faktora
Glavni utjecaji:
- utjecaji svakog faktora gledajui samo po sebi
Protumaeni izvori varijabilnosti:
- faktor 1, faktor 2, ., interakcije izmeu faktora

Primjer:
- pokus sa dva faktora:
prvi faktor = koliina proteina (3 razine)
drugi faktor = vrsta proteinskih krmiva u obroku krava (dva krmiva)
- pojedinoj kravi u pokusu dodjeljuje se jedna od 6 kombinacija krmivo x koliina.
- 3 2 faktorijalni pokus, tj. tri razine prvog faktora i 2 razine drugog faktora

Upotreba:
- kada malo znamo o faktorima
- potrebno je istraiti sve mogue kombinacije da se vidi koja od njih je najpovoljnija
- takoer je mogue istraiti interakcije izmeu faktora, tj. da li je razlika izmeu razina
jednog faktora ista ili razliita u razinama drugih faktora.
Pokusni plan:
- potpuno sluajni
- kombinacije razina faktora se sluajno dodjeljuju pokusnim jedinicama

Pretpostavimo dva faktora A i B
- faktor A => a razina
- faktor B => b razina
- broj pokusnih jedinica po svakoj kombinaciji = n
- ukupno ima nab pokusnih jedinica podijeljenih u ab grupa (kombinacija faktora A i B)
- skup tretmana se sastoji od ab moguih kombinacija razina faktora

Model faktorijalnog pokusa je:
y
ijk
= + A
i
+ B
j
+(AB)
ij
+
ijk


y
ijk
= k-to opaanje za razinu i faktora A i razinu j faktora B
= ukupni prosjek
A
i
= fiksni utjecaj razine i faktora A
B
j
= fiksni utjecaj razine j faktora B
(AB)
ij
= fiksni utjecaj interakcije razine ij faktora A i B

ijk
- neprotumaeni utjecaj, sluajan sa N(0,
2
)

Primjer: dva faktora A i B i obadva imaju dvije razine
- 2 2 faktorijalni plan

86
Kombinacije razine faktora A i B

Faktor B
Faktor A B
1
B
2

A
1
A
1
B
1
A
1
B
2

A
2
A
2
B
1
A
2
B
2


Ukupno ima etiri kombinacije razina faktora

Shema faktorijalnog plana sa mjerenjima y
ijk

A
1
A
2

B
1
B
2
B
1
B
2

y
111
y
121
y
211
y
221

y
112
y
122
y
212
y
222

... ... ... ...
y
11n
y
12n
y
21n
y
22n


Sume kvadrata:

SS
UKUP
= SS
A
+ SS
B
+ SS
AB
+ SS
OST


stupnjevi slobode
(abn1) = (a1) + (b1) + (a1)(b1) + ab(n1)


Sume kvadrata:

=
i j k
ijk UKUP
y y SS
2
...) (


= =
i
i
i j k
i A
y y bn y y SS
2 2
...) .. ( ...) .. (


= =
i
j
i j k
j B
y y an y y SS
2 2
...) . . ( ...) . . (

B A
i j
ij AB
SS SS y y n SS =

2
...) . (


=
i j k
ij ijk OST
y y SS
2
.) (


=
i j k
ij ijk OST
y y SS
2
.) (


Sume kvadrata se mogu izraunati i kratkim nainom:
1) Ukupna suma =
i

j

k
y
ijk
= y...
2) Korekcijski faktor za srednju vrijednost:
( )
( )
opazanja broj ukupni
suma ukupna
2
2
= =

abn
y
C
i j k
ij

3) SS
UKUP
=
i

j

k
(y
ijk
)
2
C
4)
( )
C
nb
y
SS
i
j k
ijk
A
=

2

87
5)
( )
C
na
y
SS
j
i k
ijk
B
=

2

6)
( )
C SS SS
n
y
SS
B A
i j
k
ijk
AB
=

2

7) SS
OST
= SS
UKUP
SS
A
SS
B
SS
AB


Prosjeci kvadrata
MS
A
= SS
A
/ (a1)
MS
B
= SS
B
/ (b1)
MS
AB
= SS
AB
/ (a1)(b1)
MS
OST
= SS
OST
/[ab(n1)]


ANOVA tablica

Izvor SS df MS=SS/df F
A SS
A
a1 MS
A
MS
A
/MS
OST (2)
B SS
B
b1 MS
B
MS
B
/MS
OST (3)
AB SS
AB
(a1)(b1) MS
AB
MS
AB
/MS
OST (1)
Ostatak SS
OST
ab(n1) MS
E

Ukupno SS
UKUP
abn1

(1) F-provjera za interakciju
(2) F-provjera za faktor A (ukoliko nema interakcije)
(3) F-provjera za faktor B (ukoliko nema interakcije)

Ukoliko je interakcija znaajna provjera za glavne utjecaje nema smisla.


A1
A1
A2
A2
0.40
0.45
0.50
0.55
0.60
0.65
0.70
0.75
B1 B2
Razine faktora B
P
r
i
r
a
s
t

(
k
g
)

Slika 12-1: Prikaz interakcije 2 2 faktorijalnog pokusa.

88
12.1 SAS primjer za faktorijalni pokus

Primjer: Istraivan je utjecaj dodavanja dva vitamina (I i II) u krmivo na prosjeni dnevni prirast kod
svinja. Primijenjeni su dvije razine vitamina I (0 i 40 mg) i dvije razine vitamina II (0 i 5 mg).
Izabrano je 20 ivotinja. Na njih su sluajnim izborom primijenjene 4 kombinacije vitamina I i II.
Izmjereni su slijedei dnevni prirasti:

Vitamin I 0 mg 4mg
Vitamin II 0 mg 5 mg 0 mg 5 mg
0.585 0.567 0.473 0.684
0.536 0.545 0.450 0.702
0.458 0.589 0.869 0.900
0.486 0.536 0.473 0.698
0.536 0.549 0.464 0.693


SAS program:

DATA prirast;
INPUT vitI vitII prirast @@;
DATALINES;
1 1 0.585 2 1 0.473
1 1 0.536 2 1 0.450
1 1 0.458 2 1 0.869
1 1 0.486 2 1 0.473
1 1 0.536 2 1 0.464
1 2 0.567 2 2 0.684
1 2 0.545 2 2 0.702
1 2 0.589 2 2 0.900
1 2 0.536 2 2 0.698
1 2 0.549 2 2 0.693
;
PROC GLM;
CLASS vitI vitII;
MODEL prirast= vitI vitII vitI*vitII;
LSMEANS vitI*vitII / STDERR PDIFF ADJUST=TUKEY;
RUN;
QUIT;


SAS ispis:

Dependent Variable: prirast
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 3 0.14521095 0.04840365 4.39 0.0196
Error 16 0.17648360 0.01103023
Corrected Total 19 0.32169455
R-Square Coeff Var Root MSE prirast Mean
0.451394 17.81139 0.10502 0.58965

Source DF Type III SS Mean Square F Value Pr > F
vitI 1 0.05191805 0.05191805 4.71 0.0454
vitII 1 0.06418445 0.06418445 5.82 0.0282
vitI*vitII 1 0.02910845 0.02910845 2.64 0.1238

Least Squares Means
89
Adjustment for multiple comparisons: Tukey
vit vit Standard LSMEAN
I II prirast LSMEAN Error Pr > |t| Number
1 1 0.52020000 0.04696855 0.0001 1
1 2 0.55720000 0.04696855 0.0001 2
2 1 0.54580000 0.04696855 0.0001 3
2 2 0.73540000 0.04696855 0.0001 4

Least Squares Means for effect vitI*vitII
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: prirast

i/j 1 2 3 4
1 0.9433 0.9799 0.0238
2 0.9433 0.9981 0.0701
3 0.9799 0.9981 0.0506
4 0.0238 0.0701 0.0506


90
13 Hijerarhijski pokusni planovi
- Uzorci se biraju u dva ili vie koraka.
- dvo-, tro- ili vie hijerarhijski planovi

Primjer :
- 3 razine faktora A
- 3 razine faktora B unutar razina faktora A
- sluajni uzorak unutar razina B

A 1 2 3

6 7 44 8 4 4

6 7 44 8 44

6 7 44 8 44

B 1 2 3 4 5 6 7 8 9
y
111
y
121
y
131
y
141
y
151
y
161
y
171
y
181
y
191

y
112
y
122
y
132
y
142
y
152
y
162
y
172
y
182
y
192


y
11n
y
12n
y
13n
y
14n
y
15n
y
16n
y
17n
y
18n
y
19n


Statistiki model:
y
ijk
= + A
i
+ B(A)
ij
+
ijk

i = 1,....,a; j = 1,....,b; n = 1,......,n

y
ijk
= k-to opaanje za razinu i faktora A i razinu j faktora B
= ukupni prosjek korigiran na sve utjecaje,
A
i
= utjecaj i razine faktora A
B(A)
ij
= utjecaj razine j faktora B unutar razine i faktora A

ijk
- ostatak, sluajni N(0,
2
)

- razine faktora B nezavisne izmeu razliitih razina faktora A.


Sume kvadrata:
SS
UKUP
= SS
A
+ SS
B(A)
+ SS
Unutar B


stupnjevi slobode:
(abn1) = (a1) + (b1) + a(b1) + ab(n1)

Sume kvadrata definirane su kao:

=
i j k
ijk UKUP
y y SS
2
...) (


= =
i
i
i j k
i A
y y bn y y SS
2 2
...) .. ( ...) .. (


= =
i j
i ij
i j k
i ij A B
y y n y y SS
2 2
) (
..) . ( ..) . (


=
i j k
ij ijk B UNUTAR
y y SS
2

.) (


91
Skraeni nain raunanja:
1) Ukupna suma:
i

j

k
y
ijk

2) Korekcijski faktor za srednju vrijednost:
( )
( )
opazanja broj ukupni
suma ukupna
2
2
= =

abn
y
C
i j k
ij

3) SS
UKUP
=
i

j

k
(y
ijk
)
2
C
4)
( )
C
nb
y
SS
i
j k
ijk
A
=

2

5)
( )
C SS
n
y
SS
A
i j
k
ijk
A B
=

2
) (

6) SS
Unutar B
= SS
UKUP
SS
A
SS
B(A)


ANOVA tablica:

Izvor SS df MS=SS/df
A SS
A
a1 MS
A
B unutar A SS
B(A)
a(b1) MS
B(A)
Unutar B SS
Unutar B
ab(n1) MS
Unutar B

Ukupno SS
UKUP
abn1

Utjecaj 'Unutar B' je neprotumaeni utjecaj ili ostatak.

Oekivanja prosjeka kvadrata (E(MS)) ovise da li su utjecaji A i B fiksni ili sluajni:

E(MS) (A fix i B fix) (A fix i B slu.) (A slu. i B slu.)
E(MS
A
)
E(MS
B(A)
)
E(MS
Untr B
)

2
+ Q(A)

2
+ Q(B(A))

2
+ n
2
B
+ Q(A)

2
+ n
2
B

2
+ n
2
B
+ nb
2
A

2
+ n
2
B

2

n = broj razina unutar B
Q = neki fiksni, izraunati broj

Definicija pokusne greke, a time i F provjera ovisi da li su utjecaji (faktori) fiksni ili sluajni.
Najee je B sluajan:
- pokusna greka za provjeru utjecaja A je: MS
B(A)
- pokusna greka za utjecaj B je: MS
Unutar B
.
F-statistika za utjecaj A:
) ( A B
A
MS
MS
F =

F-statistika za utjecaj B:
UnutarB
A B
MS
MS
F
) (
=


92
13.1 SAS primjer za hijerarhijski plan

Primjer: Cilj pokusa je bio utvrditi utjecaj majki i oeva na varijabilnost porodne teine prasadi.
Upotrijebljen je hijerarhijski plan: Sluajno je izabrano 4 nerasta, po svakom nerastu dvije krmae i
po svakoj krmai dva praseta. Podaci, zajedno sa sumama i kvadratima po nerastovima i krmaama,
prikazani su u slijedeoj tablici:


Nerast Krmaa Prase Teina
1 1 1 1.2
1 1 2 1.2
1 2 3 1.2
1 2 4 1.3
1 3 5 1.1
1 3 6 1.2
2 4 7 1.2
2 4 8 1.2
2 5 9 1.1
2 5 10 1.2
2 6 11 1.2
2 6 12 1.1
3 7 13 1.2
3 7 14 1.2
3 8 15 1.3
3 8 16 1.3
3 9 17 1.2
3 9 18 1.2
4 10 19 1.3
4 10 20 1.3
4 11 21 1.4
4 11 22 1.4
4 12 23 1.3
4 12 24 1.3


SAS program za MIXED proceduru:

DATA pig;
INPUT boar sow piglet por_tezina @@;
DATALINES;
1 1 1 1.2 1 1 2 1.2 1 2 1 1.2
1 2 2 1.3 1 3 1 1.1 1 3 2 1.2
2 1 1 1.2 2 1 2 1.2 2 2 1 1.1
2 2 2 1.2 2 3 1 1.2 2 3 2 1.1
3 1 1 1.2 3 1 2 1.2 3 2 1 1.3
3 2 2 1.3 3 3 1 1.2 3 3 2 1.2
4 1 1 1.3 4 1 2 1.3 4 2 1 1.4
4 2 2 1.4 4 3 1 1.3 4 3 2 1.3
;
PROC MIXED DATA=pig METHOD = TYPE3;
CLASS boar sow;
MODEL por_tezina = / DDFM = KENWARDROGER;
RANDOM boar sow(boar)/S;
RUN;

93

SAS ispis MIXED procedure

Type 3 Analysis of Variance

Sum of
Source DF Squares Mean Square Expected Mean Square
boar 3 0.093333 0.031111 Var(Residual)+2Var(sow(boar))+6Var(boar)
sow(boar) 8 0.040000 0.005000 Var(Residual)+2Var(sow(boar))
Residual 12 0.020000 0.001667 Var(Residual)

Error
Source Error Term DF F Value Pr > F
boar MS(sow(boar)) 8 6.22 0.0174
sow(boar) MS(Residual) 12 3.00 0.0424
Residual . . . .

Covariance Parameter
Estimates

Cov Parm Estimate
boar 0.004352
sow(boar) 0.001667
Residual 0.001667

Solution for Random Effects

Std Err
Effect boar sow Estimate Pred DF t Value Pr > |t|
boar 1 -0.02798 0.04239 3.96 -0.66 0.5456
boar 2 -0.05595 0.04239 3.96 -1.32 0.2579
boar 3 3.26E-15 0.04239 3.96 0.00 1.0000
boar 4 0.08393 0.04239 3.96 1.98 0.1195
sow(boar) 1 1 -0.00357 0.03390 7.87 -0.11 0.9187
sow(boar) 1 2 0.02976 0.03390 7.87 0.88 0.4060
sow(boar) 1 3 -0.03690 0.03390 7.87 -1.09 0.3085
sow(boar) 2 1 0.01508 0.03390 7.87 0.44 0.6684
sow(boar) 2 2 -0.01825 0.03390 7.87 -0.54 0.6051
sow(boar) 2 3 -0.01825 0.03390 7.87 -0.54 0.6051
sow(boar) 3 1 -0.02222 0.03390 7.87 -0.66 0.5308
sow(boar) 3 2 0.04444 0.03390 7.87 1.31 0.2268
sow(boar) 3 3 -0.02222 0.03390 7.87 -0.66 0.5308
sow(boar) 4 1 -0.01151 0.03390 7.87 -0.34 0.7431
sow(boar) 4 2 0.05516 0.03390 7.87 1.63 0.1430
sow(boar) 4 3 -0.01151 0.03390 7.87 -0.34 0.7431


94
14 Pokusni planovi sa kavezima i
pregonima
Pojedinani tretman ivotinja:
Blok
I II
T
2

T
1

T
1

T
2

T
1

T
2

T
1

T
2


4 ivotinja po svakom bloku i na njih sluajno primijenimo 2 tretmana.

ANOVA tablica:

Izvor Stupnjevi slobode
Blok (b1) = 1
Tretman (a1) = 1
Blok x tretman (b1)(a1) = 1
Ostatak (Greka) ab(n1)= 4
Ukupno (abn1)= 7


esto je nemogue ivotinje tretirati pojedinano
cijeli kavez (boks, pregon) je pokusna jedinica.

Blok
I II
T
1

T
1

T
2

T
2

T
2

T
2

T
1

T
1


2 ivotinje u svakom kavezu
po 2 kaveza u bloku
na svaki kavez u bloku je sluajno primijenjen tretman

ANOVA tablica:

Izvor Stupnjevi slobode
Blok (b1) = 1
Tretman (a1) = 1
Pokusna greka = Blok tretman (b1)(a1) = 1
Ostatak ab(n1)= 4
Ukupno (abn1)= 7

Pokusna greka za tretman ovdje je jednaka interakciji blok tretman
95
pokusna jedinica je kavez (kombinacija blok tretman)
Interakcija blok tretman provjerava se ostatkom

Linearni model takvog plana je:
y
ijk
= +
i
+
j
+
ij
+
ijk


i = 1,......,a; a = broj tretmana
j = 1,......,b; b = broj blokova
k = 1,.....,n; n = broj ponavljanja

Gdje su:
y
ijk
= opaanje k za tretman i u bloku j
, = ukupni prosjek

i
= fiksni utjecaj tretmana i

j
= fiksni utjecaj bloka j

ij
= sluajna greka izmeu pokusnih jedinica za provjeru tretmana s prosjekom 0 i varijancom
2

,
(interakcija tretman x blok)

ij
= sluajna greka unutar pokusne jedinice s prosjekom 0 i varijancom
2


Hipoteze:
H
0
:
1
=
2
=... =
a
, nema utjecaja tretmana
H
1
:
i

i
za barem jedan par (i,i), razlika izmeu tretmana postoji

Oekivanja od MS:
E(MS
pok gr
)
2
+ n
2

E(MS
OST
)
2


96
15 Dvostruki blokovi
Primjer: 3 tretmana, 2 spol, 4 bloka prema poetnoj teini
(8 blokova, 4 bloka unutar spola)
Ukupno trebamo 324=24 ivotinje.

Mogua shema plana pokusa:

Muki enke
Blok I
T1
T2
T3
Blok II
T2
T1
T3
Blok V
T3
T2
T1
Blok VI
T1
T2
T3
Blok III
T1
T3
T2
Blok IV
T2
T1
T3
Blok VII
T2
T1
T3
Blok VIII
T3
T2
T1

broj spolova, s = 2,
broj blokova unutar spola: b = 4,
broj tretmana: a = 3.

Izvor Stupnjevi slobode
Blok (2b1) = 7
Spol (s1) = 1
Blok unutar spola s(b1) = 6
Tretman (a1) = 2
Blok x tretman (2b1)(a1) = 14
Spol x tretman (s1)(a1) = 2
Ostatak s(b1)(a1) = 12
Ukupno (abs1) = 23


Pokusni plan i statistiki model ovisi da li se neki utjecaj definira kao blok ili tretman
97
Primjer:
3 tretmana (a = 3)
2 pasmine (p = 2)
4 Bloka (broj laktacije, b = 4)

Pokusni plan 1): Pasmina kao blok
- zanima nas najvea preciznost provjere utjecaja tretmana

Pasmina A

Pasmina B

Lakt. I
T1
T2
T3
Lakt. II
T2
T1
T3
Lakt. I
T3
T2
T1
Lakt. II
T1
T2
T3
Lakt. III
T1
T3
T2
Lakt. IV
T2
T1
T3
Lakt. III
T2
T1
T3
Lakt. IV
T3
T2
T1

ANOVA tablica je:

Izvor Stupnjevi slobode
Pasmina (p1)= 1
Laktacija unutar pasmine p(b1)= 6
Tretman (a1)= 2
Pasmina tretman (p1)(a1)= 2
Ostatak p(b1)(a1)= 2
Ukupno (abp1)= 23


Pokusni plan 2): Pasmina kao tretman
faktorijalni plan (2 3), postavljenih u sluajni blok plan (laktacije)
preciznija provjera utjecaja pasmine i pasmina tretman

Lakt. I Lakt. II Lakt. III Lakt. IV
A T1
B T2
B T3
A T2
B T1
A T3
B T3
A T2
A T1
A T1
B T2
A T3
A T1
B T3
B T2
A T2
B T1
A T3
A T2
A T1
B T3
A T3
B T2
B T1

A i B su pasmine

98
ANOVA tablica:

Izvor Stupnjevi slobode
Laktacija (b1)= 3
Pasmine (p1)= 1
Tretman (a1)= 2
Pasmina tretman (p1)(a1)= 2
Ostatak (b1)[(p1)+(a1)+(p1)(a1)] = 15
Ukupno (abp1)= 23


Pokusni plan 3):
a) grupiramo prema laktaciji u etiri bloka;.
b) blokove podijelimo u dva boksa i u svaki od njih sluajno rasporedimo jednu pasminu;
c) na svaku pasminu unutar bloka primijenimo sluajno tretmane.

Split plot plan
- Dvije vrste pokusnih jedinica:
- pasmina unutar laktacije
- tretman unutar pasmine unutar laktacije
- Dvije razliite pokusne greke

Lakt. I Lakt. II
Pasmina A
T1
T2
T3
Pasmina B
T2
T1
T3
Pasmina B
T3
T2
T1
Pasmina A
T1
T2
T3
Lakt. III Lakt. IV
Pasmina B
T1
T3
T2
Pasmina A
T2
T1
T3
Pasmina A
T2
T1
T3
Pasmina B
T3
T2
T1

ANOVA tablica:

Izvor Stupnjevi slobode
Laktacija (b1)= 3
Pasmine (p1)= 1
Greka a (Laktacija Pasmina) (b1)(p1)= 3
Glavni plot (b1)+(p1)+(b1)(p1) = 7

Tretman (a1) = 2
Pasmina tretman (p1)(a1) = 2
Greka b p(a1)(b1) = 12

Ukupno (abp1) = 23

Izbor plana ovisi o:
- mogunosti smjetaja
- eljenoj preciznosti pokusa za pojedine faktore
99

Redoslijed preciznosti pokusa za pojedine faktore:

Plan 1 Plan 2 Plan 3
Tretman 1 3 2
Pasmina 3 1 2
Pasmina Trtetman 3 1 1


100
16 Split plot pokusni plan
Znaajke:
- pokusni materijal podjeli u vie glavnih jedinica (plotovi) na koje se apliciraju razine nekog
faktora, a zatim se cijele jedinice podijele u podjedinice (split plotovi) na koje se primjenjuju
razine drugog faktora

- plan moe ukljuiti jedan ili vie potpuno sluajni, sluajni blok plan ili latinski kvadrat koji
se primjenjuju na jedinice ili podjedinice

- tretmani se dodjeljuju sluajno u dvije stepenice:
1. razine faktora A sluajno na glavne jedinice (plotove)
2. razine faktora B se sluajno na svaku podjedinicu (subplotove)

Split plot plan se moe koristiti:
1. kada jedan faktor zahtjeva vie pokusnog materijala nego neki drugi faktor.
- u poljskim ili laboratorijskim pokusima.
- pripreme zemlje (A) varijetet (B)
2. Kada se jedan faktor primjenjuje kasnije. Taj faktor se primjenjuje na subjedinice (faktor B).
3. Varijabilnost izmeu cijelih jedinica se oekuje da e biti vea nego ona izmeu subjedinica.
4. Ako je vea preciznost potrebna za jedan od faktora. Taj faktor se primjenjuje na subjedinice
(faktor B).


16.1 Faktor A (glavni faktor) kao sluajni blok plan

Blok 1 Blok 2 Blok 3
B
2
B
2
B
1
B
2


B
1
B
2
B
1
B
1


B
2
B
1
B
2
B
1

B
1
B
1
B
2
B
1


B
2
B
1
B
2
B
2


B
1
B
2
B
1
B
2

A
4
A
1
A
2
A
3


A
2
A
1
A
4
A
3


A
1
A
2
A
4
A
3


Model:
y
ijk
= + Blok
k
+ A
i
+
ik
+ B
j
+(AB)
ij
+
ijk

i = 1,....,a; j = 1,....,b ; k = 1,......,n

y
ijk
= k-to opaanje za razinu i faktora A i razinu j faktora B
= ukupni prosjek korigiran na sve utjecaje
Blok
k
= utjecaj bloka
A
i
= utjecaj faktora A
B
j
= utjecaj faktora B
(AB)
ij
= utjecaj interakcije A B
101

ik
= cijeli plot greka N(0,
2
t
) = interakcija Blok
k
A
i

ijk
= split plot greka N(0,
2
)

Takoer je
ij
= A
i
+ B
j
+(AB)
ij
= prosjek ij-te A x B kombinacije.

a = broj razina tretmana A
b = broj razina tretmana B
n = broj blokova (ponavljanja)

Cijeli plot greka i split plot greka su nezavisni.

Primjer:
a = 4, b = 2, n = 3
ANOVA tablica

Izvor Stupnjevi slobode
Blok (n1) = 2
Tretmani A (a1) = 3
Cijeli plot
greka
(n1)(a1) = 6
Tretmani B (b1) = 1
A x B (a1)(b1)= 3
Split plot greka a(b1)(n1) = 8
Ukupno (abn1)= 23


F provjera za faktor A:
geska plot Cijeli
MS
MS
F
A
=
Cijeli plot pokusna greka je prosjek kvadrata za interakcija blok A.

F-provjera za faktor B:
greska plot Split
MS
MS
F
B
=
Split plot greka je prosjek kvadrata ostatka.

F-provjera za interakciju A B:
greska plot Split
MS
MS
F
AxB
=


16.1.1 SAS Primjer: Split plot plan, glavne jedinice kao sluajni blokovi
SAS program za primjer s utjecajem etiri tretmana na panjacima i dva dodatka minerala na
mlijenost krava je slijedei. Naini tretiranja panjaka primijenjeni su na glavne jedinice kao
sluajni blok plan.
102

SAS program:

DATA spltblk;
INPUT blok past min milk @@;
DATALINES;
1 4 2 30 1 4 1 29 1 1 2 27 1 1 1 25
1 2 1 26 1 2 2 28 1 3 2 26 1 3 1 24
2 2 1 32 2 2 2 37 2 1 2 30 2 1 1 31
2 4 1 34 2 4 2 37 2 3 1 33 2 3 2 32
3 1 2 34 3 1 1 31 3 2 1 30 3 2 2 31
3 4 2 36 3 4 1 38 3 3 1 33 3 3 2 32
;
PROC MIXED DATA = spltblk;
CLASS blok past min;
MODEL milk =past min past*min / DDFM = KENWARDROGER;
RANDOM blok blok*past/;
LSMEANS past min past*min / DIFF ADJUST=TUKEY ;
RUN;

SAS ispis:

Covariance Parameter
Estimates

Cov Parm Estimate
blok 12.7431
blok*past 1.0486
Residual 2.2500

Type 3 Tests of Fixed Effects

Num Den
Effect DF DF F Value Pr > F
past 3 6 5.46 0.0377
min 1 8 3.63 0.0932
past*min 3 8 0.86 0.4981

Least Squares Means

Standard
Effect past min Estimate Error DF t Value Pr > |t|

past 1 29.6667 2.2298 2.51 13.30 0.0022
past 2 30.6667 2.2298 2.51 13.75 0.0020
past 3 30.0000 2.2298 2.51 13.45 0.0021
past 4 34.0000 2.2298 2.51 15.25 0.0015
min 1 30.5000 2.1266 2.09 14.34 0.0041
min 2 31.6667 2.1266 2.09 14.89 0.0038
past*min 1 1 29.0000 2.3124 2.9 12.54 0.0013
past*min 1 2 30.3333 2.3124 2.9 13.12 0.0011
past*min 2 1 29.3333 2.3124 2.9 12.69 0.0013
past*min 2 2 32.0000 2.3124 2.9 13.84 0.0010
past*min 3 1 30.0000 2.3124 2.9 12.97 0.0012
past*min 3 2 30.0000 2.3124 2.9 12.97 0.0012
past*min 4 1 33.6667 2.3124 2.9 14.56 0.0008
past*min 4 2 34.3333 2.3124 2.9 14.85 0.0008
103

Differences of Least Squares Means

Standard
Effect past min _past _min Estimate Error DF t Value Pr>|t| Adjust Adj P
past 1 2 -1.0000 1.2038 6 -0.83 0.4379 Tuk-Kr 0.8385
past 1 3 -0.3333 1.2038 6 -0.28 0.7911 Tuk-Kr 0.9918
past 1 4 -4.3333 1.2038 6 -3.60 0.0114 Tuk-Kr 0.0427
past 2 3 0.6667 1.2038 6 0.55 0.5997 Tuk-Kr 0.9421
past 2 4 -3.3333 1.2038 6 -2.77 0.0325 Tuk-Kr 0.1135
past 3 4 -4.0000 1.2038 6 -3.32 0.0159 Tuk-Kr 0.0587
min 1 2 -1.1667 0.6124 8 -1.91 0.0932 Tuk-Kr 0.0932
past*min 1 1 1 2 -1.3333 1.2247 8 -1.09 0.3080 Tuk-Kr 0.9425
past*min 1 1 2 1 -0.3333 1.4829 11.5 -0.22 0.8261 Tuk-Kr 1.0000
past*min 1 1 2 2 -3.0000 1.4829 11.5 -2.02 0.0669 Tuk-Kr 0.5207
past*min 1 1 3 1 -1.0000 1.4829 11.5 -0.67 0.5134 Tuk-Kr 0.9955
past*min 1 1 3 2 -1.0000 1.4829 11.5 0.67 0.5134 Tuk-Kr 0.9955
past*min 1 1 4 1 -4.6667 1.4829 11.5 -3.15 0.0088 Tuk-Kr 0.1407
past*min 1 1 4 2 -5.3333 1.4829 11.5 -3.60 0.0039 Tuk-Kr 0.0792
past*min 1 2 2 1 1.0000 1.4829 11.5 0.67 0.5134 Tuk-Kr 0.9955
...
...
past*min 3 1 3 2 -222E-18 1.2247 8 -0.00 1.0000 Tuk-Kr 1.0000
past*min 3 1 4 1 -3.6667 1.4829 11.5 -2.47 0.0301 Tuk-Kr 0.3217
past*min 3 1 4 2 -4.3333 1.4829 11.5 -2.92 0.0133 Tuk-Kr 0.1868
past*min 3 2 4 1 -3.6667 1.4829 11.5 -2.47 0.0301 Tuk-Kr 0.3217
past*min 3 2 4 2 -4.3333 1.4829 11.5 -2.92 0.0133 Tuk-Kr 0.1868
past*min 4 1 4 2 -0.6667 1.2247 8 -0.54 0.6011 Tuk-Kr 0.9988


16.2 Faktor A (glavni faktor) kao potpuno sluajni plan

B
2
B
2
B
1
B
2
B
1
B
2
B
1
B
1

B
1
B
1
B
2
B
1
B
2
B
1
B
2
B
2

A
4
A
1
A
2
A
3
A
2
A
1
A
4
A
3


Model:
y
ijk
= + A
i
+
ik
+ B
j
+(AB)
ij
+
ijk

i = 1,....,a; j = 1,....,b ; k = 1,......,n

ANOVA tablica

Izvor Stupnjevi slobode
Tretman A (a1) = 3
Cijeli plot
greka
a(n1) = 8
Tretman B (b1) = 1
A B (a1)(b1)= 3
Split plot greka a(b1)(n1) = 8
Ukupno (abn1)= 23

104

F provjera za A:
geska plot Cijeli
MS
MS
F
A
=

Cijeli plot pokusna greka je prosjek kvadrata izmeu plotova.
F-provjera za B:
greska plot Split
MS
MS
F
B
=

Split plot greka je prosjek kvadrata ostatka.

F-provjera za interakciju A B:
greska plot Split
MS
MS
F
AxB
=


16.2.1 SAS primjer: Glavne jedinice u potpuno sluajnom planu
SAS program za primjer s utjecajem etiri tretmana na panjacima i dva dodatka minerala na
mlijenost krava kada su tretmani panjaka primijenjeni na glavne jedinice kao potpuno sluajni
plan.

SAS program:

DATA splt;
INPUT plot pas min milk @@;
DATALINES;
1 4 2 30 1 4 1 29 2 1 2 27 2 1 1 25
3 2 1 26 3 2 2 28 4 3 2 26 4 3 1 24
5 2 1 32 5 2 2 37 6 1 2 30 6 1 1 31
7 4 1 34 7 4 2 37 8 3 1 33 8 3 2 32
9 1 2 34 9 1 1 31 10 2 1 30 10 2 2 31
11 4 2 36 11 4 1 38 12 3 1 33 12 3 2 32
;
PROC MIXED DATA = splt;
CLASS plot pas min;
MODEL milk =pas min pas*min / DDFM = KENWARDROGER;
RANDOM plot(pas) /;
LSMEANS pas min pas*min / DIFF ADJUST=TUKEY ;
RUN;

SAS ispis:

Covariance Parameter
Estimates

Cov Parm Estimate
plot(pas) 13.7917
Residual 2.2500

Type 3 Tests of Fixed Effects

Num Den
Effect DF DF F Value Pr > F
pas 3 8 0.80 0.5302
min 1 8 3.63 0.0932
pas*min 3 8 0.86 0.4981
105

Least Squares Means

Standard
Effect pas min Estimate Error DF t Value Pr > |t|
pas 1 29.6667 2.2298 8 13.30 <.0001
pas 2 30.6667 2.2298 8 13.75 <.0001
pas 3 30.0000 2.2298 8 13.45 <.0001
pas 4 34.0000 2.2298 8 15.25 <.0001
min 1 30.5000 1.1562 9.2 26.38 <.0001
min 2 31.6667 1.1562 9.2 27.39 <.0001
pas*min 1 1 29.0000 2.3124 9.2 12.54 <.0001
pas*min 1 2 30.3333 2.3124 9.2 13.12 <.0001
pas*min 2 1 29.3333 2.3124 9.2 12.69 <.0001
pas*min 2 2 32.0000 2.3124 9.2 13.84 <.0001
pas*min 3 1 30.0000 2.3124 9.2 12.97 <.0001
pas*min 3 2 30.0000 2.3124 9.2 12.97 <.0001
pas*min 4 1 33.6667 2.3124 9.2 14.56 <.0001
pas*min 4 2 34.3333 2.3124 9.2 14.85 <.0001

Differences of Least Squares Means

Stand
Effect past min _pas _min Estimate Error DF t Pr>|t| Adj Adj P
pas 1 2 -1.0000 3.1535 8 -0.32 0.7593 Tuk-Kr 0.9881
pas 1 3 -0.3333 3.1535 8 -0.11 0.9184 Tuk-Kr 0.9995
pas 1 4 -4.3333 3.1535 8 -1.37 0.2067 Tuk-Kr 0.5469
pas 2 3 0.6667 3.1535 8 0.21 0.8379 Tuk-Kr 0.9964
pas 2 4 -3.3333 3.1535 8 -1.06 0.3214 Tuk-Kr 0.7231
pas 3 4 -4.0000 3.1535 8 -1.27 0.2403 Tuk-Kr 0.6053
min 1 2 -1.1667 0.6124 8 -1.91 0.0932 Tuk-Kr 0.0932


106
17 Analiza kovarijance
Karakteristike:
- kategorike + numerike nezavisne varijable
- numerika varijabla = kovarijabla (kovarijanta)

Analiza kovarijance se koristi za:
- kontrolu pokusne greke i poveanja preciznosti
- korigiranje prosjeka tretmana na temelju nezavisne varijable
- procjena izgubljenih podataka
- procjena razlika nagiba krivulja izmeu tretmana

17.1 Potpuno sluajni pokusni plan sa kovarijablom
- Za korigiranje prosjeka tretmana
- Kontrola pokusne greke
- Poveanje preciznosti

Model:
y
ij
=
0
+
1
x
ij
+
i
+
ij
i = 1,.....,a j = 1,...,n

Gdje su:
y
ij
= Opaanje jedinice j u grupi i (tretmanu i)

0
= odsjeak na y osi

1
= regresijski koeficijent
x
ij
= kontinuirana nezavisna varijabla sa prosjekom
x

i
= fiksni utjecaj grupe ili tretmana i

ij
= sluajna greka

Ukupni prosjek: =
0
+
1

x
,
Prosjek grupe i:
i
=
0
+
1

x
+
i
.
x
= prosjek kovarijable x.

Pretpostavke su slijedee:
1) kovarijabla je fiksna i nezavisna od tretmana
2) greke su nezavisne jedna od druge
3) greka ima normalnu raspodjelu sa prosjekom 0 i homogenom varijancom.

107
Povrina ispod standardne normalne krivulje (z > z

)
z

z

0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641
0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002


108
Kritine vrijednosti studentove t-raspodjele (t > t

)
t

Stupnjevi
slobode
t
0.1
t
0.05
t
0.025
t
0.01
t
0.005
t
0.001
1 3.078 6.314 12.706 31.821 63.656 318.289
2 1.886 2.920 4.303 6.965 9.925 22.328
3 1.638 2.353 3.182 4.541 5.841 10.214
4 1.533 2.132 2.776 3.747 4.604 7.173
5 1.476 2.015 2.571 3.365 4.032 5.894
6 1.440 1.943 2.447 3.143 3.707 5.208
7 1.415 1.895 2.365 2.998 3.499 4.785
8 1.397 1.860 2.306 2.896 3.355 4.501
9 1.383 1.833 2.262 2.821 3.250 4.297
10 1.372 1.812 2.228 2.764 3.169 4.144
11 1.363 1.796 2.201 2.718 3.106 4.025
12 1.356 1.782 2.179 2.681 3.055 3.930
13 1.350 1.771 2.160 2.650 3.012 3.852
14 1.345 1.761 2.145 2.624 2.977 3.787
15 1.341 1.753 2.131 2.602 2.947 3.733
16 1.337 1.746 2.120 2.583 2.921 3.686
17 1.333 1.740 2.110 2.567 2.898 3.646
18 1.330 1.734 2.101 2.552 2.878 3.610
19 1.328 1.729 2.093 2.539 2.861 3.579
20 1.325 1.725 2.086 2.528 2.845 3.552
21 1.323 1.721 2.080 2.518 2.831 3.527
22 1.321 1.717 2.074 2.508 2.819 3.505
23 1.319 1.714 2.069 2.500 2.807 3.485
24 1.318 1.711 2.064 2.492 2.797 3.467
25 1.316 1.708 2.060 2.485 2.787 3.450
26 1.315 1.706 2.056 2.479 2.779 3.435
27 1.314 1.703 2.052 2.473 2.771 3.421
28 1.313 1.701 2.048 2.467 2.763 3.408
29 1.311 1.699 2.045 2.462 2.756 3.396
30 1.310 1.697 2.042 2.457 2.750 3.385
40 1.303 1.684 2.021 2.423 2.704 3.307
50 1.299 1.676 2.009 2.403 2.678 3.261
60 1.296 1.671 2.000 2.390 2.660 3.232
120 1.289 1.658 1.980 2.358 2.617 3.160
1.282 1.645 1.960 2.326 2.576 3.090

109
Kritine vrijednosti hi-kvadrat raspodjele,
2
>
2

Stupnjevi
slobode

2
0.1

2
0.05

2
0.025

2
0.01

2
0.005

2
0.001
0.1000 0.0500 0.0250 0.0100 0.0050 0.0010
1 2.706 3.841 5.024 6.635 7.879 10.827
2 4.605 5.991 7.378 9.210 10.597 13.815
3 6.251 7.815 9.348 11.345 12.838 16.266
4 7.779 9.488 11.143 13.277 14.860 18.466
5 9.236 11.070 12.832 15.086 16.750 20.515
6 10.645 12.592 14.449 16.812 18.548 22.457
7 12.017 14.067 16.013 18.475 20.278 24.321
8 13.362 15.507 17.535 20.090 21.955 26.124
9 14.684 16.919 19.023 21.666 23.589 27.877
10 15.987 18.307 20.483 23.209 25.188 29.588
11 17.275 19.675 21.920 24.725 26.757 31.264
12 18.549 21.026 23.337 26.217 28.300 32.909
13 19.812 22.362 24.736 27.688 29.819 34.527
14 21.064 23.685 26.119 29.141 31.319 36.124
15 22.307 24.996 27.488 30.578 32.801 37.698
16 23.542 26.296 28.845 32.000 34.267 39.252
17 24.769 27.587 30.191 33.409 35.718 40.791
18 25.989 28.869 31.526 34.805 37.156 42.312
19 27.204 30.144 32.852 36.191 38.582 43.819
20 28.412 31.410 34.170 37.566 39.997 45.314
21 29.615 32.671 35.479 38.932 41.401 46.796
22 30.813 33.924 36.781 40.289 42.796 48.268
23 32.007 35.172 38.076 41.638 44.181 49.728
24 33.196 36.415 39.364 42.980 45.558 51.179
25 34.382 37.652 40.646 44.314 46.928 52.619
26 35.563 38.885 41.923 45.642 48.290 54.051
27 36.741 40.113 43.195 46.963 49.645 55.475
28 37.916 41.337 44.461 48.278 50.994 56.892
29 39.087 42.557 45.722 49.588 52.335 58.301
30 40.256 43.773 46.979 50.892 53.672 59.702
40 51.805 55.758 59.342 63.691 66.766 73.403
50 63.167 67.505 71.420 76.154 79.490 86.660
60 74.397 79.082 83.298 88.379 91.952 99.608
70 85.527 90.531 95.023 100.425 104.215 112.317
80 96.578 101.879 106.629 112.329 116.321 124.839
90 107.565 113.145 118.136 124.116 128.299 137.208
100 118.498 124.342 129.561 135.807 140.170 149.449

110

Kritine vrijednosti F raspodjele, F> F

, = 0.05
F

Stupnjevi slobode brojnika
1 2 3 4 5 6 7 8
1 161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88
2 18.51 19.00 19.16 19.25 19.30 19.33 19.35 19.37
3 10.13 9.55 9.28 9.12 9.01 8.94 8.89 8.85
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07
11 4.84 3.98 3.59 3.36 3.20 3.09 3.01 2.95
12 4.75 3.89 3.49 3.26 3.11 3.00 2.91 2.85
13 4.67 3.81 3.41 3.18 3.03 2.92 2.83 2.77
14 4.60 3.74 3.34 3.11 2.96 2.85 2.76 2.70
15 4.54 3.68 3.29 3.06 2.90 2.79 2.71 2.64
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59
17 4.45 3.59 3.20 2.96 2.81 2.70 2.61 2.55
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51
19 4.38 3.52 3.13 2.90 2.74 2.63 2.54 2.48
20 4.35 3.49 3.10 2.87 2.71 2.60 2.51 2.45
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42
22 4.30 3.44 3.05 2.82 2.66 2.55 2.46 2.40
23 4.28 3.42 3.03 2.80 2.64 2.53 2.44 2.37
24 4.26 3.40 3.01 2.78 2.62 2.51 2.42 2.36
25 4.24 3.39 2.99 2.76 2.60 2.49 2.40 2.34
26 4.23 3.37 2.98 2.74 2.59 2.47 2.39 2.32
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.31
28 4.20 3.34 2.95 2.71 2.56 2.45 2.36 2.29
29 4.18 3.33 2.93 2.70 2.55 2.43 2.35 2.28
30 4.17 3.32 2.92 2.69 2.53 2.42 2.33 2.27
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13
60 4.00 3.15 2.76 2.53 2.37 2.25 2.17 2.10
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07
80 3.96 3.11 2.72 2.49 2.33 2.21 2.13 2.06
90 3.95 3.10 2.71 2.47 2.32 2.20 2.11 2.04
100 3.94 3.09 2.70 2.46 2.31 2.19 2.10 2.03
S
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

n
a
z
i
v
n
i
k
a

120 3.92 3.07 2.68 2.45 2.29 2.18 2.09 2.02

111

Kritine vrijednosti F raspodjele, F> F

, = 0.05
F

Stupnjevi slobode brojnika
9 10 12 15 20 24 30 60 120
1 240.54 241.88 243.90 245.95 248.02 249.05 250.10 252.20 253.25
2 19.38 19.40 19.41 19.43 19.45 19.45 19.46 19.48 19.49
3 8.81 8.79 8.74 8.70 8.66 8.64 8.62 8.57 8.55
4 6.00 5.96 5.91 5.86 5.80 5.77 5.75 5.69 5.66
5 4.77 4.74 4.68 4.62 4.56 4.53 4.50 4.43 4.40
6 4.10 4.06 4.00 3.94 3.87 3.84 3.81 3.74 3.70
7 3.68 3.64 3.57 3.51 3.44 3.41 3.38 3.30 3.27
8 3.39 3.35 3.28 3.22 3.15 3.12 3.08 3.01 2.97
9 3.18 3.14 3.07 3.01 2.94 2.90 2.86 2.79 2.75
10 3.02 2.98 2.91 2.85 2.77 2.74 2.70 2.62 2.58
11 2.90 2.85 2.79 2.72 2.65 2.61 2.57 2.49 2.45
12 2.80 2.75 2.69 2.62 2.54 2.51 2.47 2.38 2.34
13 2.71 2.67 2.60 2.53 2.46 2.42 2.38 2.30 2.25
14 2.65 2.60 2.53 2.46 2.39 2.35 2.31 2.22 2.18
15 2.59 2.54 2.48 2.40 2.33 2.29 2.25 2.16 2.11
16 2.54 2.49 2.42 2.35 2.28 2.24 2.19 2.11 2.06
17 2.49 2.45 2.38 2.31 2.23 2.19 2.15 2.06 2.01
18 2.46 2.41 2.34 2.27 2.19 2.15 2.11 2.02 1.97
19 2.42 2.38 2.31 2.23 2.16 2.11 2.07 1.98 1.93
20 2.39 2.35 2.28 2.20 2.12 2.08 2.04 1.95 1.90
21 2.37 2.32 2.25 2.18 2.10 2.05 2.01 1.92 1.87
22 2.34 2.30 2.23 2.15 2.07 2.03 1.98 1.89 1.84
23 2.32 2.27 2.20 2.13 2.05 2.01 1.96 1.86 1.81
24 2.30 2.25 2.18 2.11 2.03 1.98 1.94 1.84 1.79
25 2.28 2.24 2.16 2.09 2.01 1.96 1.92 1.82 1.77
26 2.27 2.22 2.15 2.07 1.99 1.95 1.90 1.80 1.75
27 2.25 2.20 2.13 2.06 1.97 1.93 1.88 1.79 1.73
28 2.24 2.19 2.12 2.04 1.96 1.91 1.87 1.77 1.71
29 2.22 2.18 2.10 2.03 1.94 1.90 1.85 1.75 1.70
30 2.21 2.16 2.09 2.01 1.93 1.89 1.84 1.74 1.68
40 2.12 2.08 2.00 1.92 1.84 1.79 1.74 1.64 1.58
50 2.07 2.03 1.95 1.87 1.78 1.74 1.69 1.58 1.51
60 2.04 1.99 1.92 1.84 1.75 1.70 1.65 1.53 1.47
70 2.02 1.97 1.89 1.81 1.72 1.67 1.62 1.50 1.44
80 2.00 1.95 1.88 1.79 1.70 1.65 1.60 1.48 1.41
90 1.99 1.94 1.86 1.78 1.69 1.64 1.59 1.46 1.39
100 1.97 1.93 1.85 1.77 1.68 1.63 1.57 1.45 1.38
S
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

n
a
z
i
v
n
i
k
a

120 1.96 1.91 1.83 1.75 1.66 1.61 1.55 1.43 1.35

112

Kritine vrijednosti F raspodjele, F> F

, = 0.01
F

Stupnjevi slobode brojnika
1 2 3 4 5 6 7 8
1 4052.18 4999.34 5403.53 5624.26 5763.96 5858.95 5928.33 5980.95
2 98.50 99.00 99.16 99.25 99.30 99.33 99.36 99.38
3 34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49
4 21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80
5 16.26 13.27 12.06 11.39 10.97 10.67 10.46 10.29
6 13.75 10.92 9.78 9.15 8.75 8.47 8.26 8.10
7 12.25 9.55 8.45 7.85 7.46 7.19 6.99 6.84
8 11.26 8.65 7.59 7.01 6.63 6.37 6.18 6.03
9 10.56 8.02 6.99 6.42 6.06 5.80 5.61 5.47
10 10.04 7.56 6.55 5.99 5.64 5.39 5.20 5.06
11 9.65 7.21 6.22 5.67 5.32 5.07 4.89 4.74
12 9.33 6.93 5.95 5.41 5.06 4.82 4.64 4.50
13 9.07 6.70 5.74 5.21 4.86 4.62 4.44 4.30
14 8.86 6.51 5.56 5.04 4.69 4.46 4.28 4.14
15 8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00
16 8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89
17 8.40 6.11 5.19 4.67 4.34 4.10 3.93 3.79
18 8.29 6.01 5.09 4.58 4.25 4.01 3.84 3.71
19 8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63
20 8.10 5.85 4.94 4.43 4.10 3.87 3.70 3.56
21 8.02 5.78 4.87 4.37 4.04 3.81 3.64 3.51
22 7.95 5.72 4.82 4.31 3.99 3.76 3.59 3.45
23 7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41
24 7.82 5.61 4.72 4.22 3.90 3.67 3.50 3.36
25 7.77 5.57 4.68 4.18 3.85 3.63 3.46 3.32
26 7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29
27 7.68 5.49 4.60 4.11 3.78 3.56 3.39 3.26
28 7.64 5.45 4.57 4.07 3.75 3.53 3.36 3.23
29 7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20
30 7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17
40 7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99
50 7.17 5.06 4.20 3.72 3.41 3.19 3.02 2.89
60 7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82
70 7.01 4.92 4.07 3.60 3.29 3.07 2.91 2.78
80 6.96 4.88 4.04 3.56 3.26 3.04 2.87 2.74
90 6.93 4.85 4.01 3.53 3.23 3.01 2.84 2.72
100 6.90 4.82 3.98 3.51 3.21 2.99 2.82 2.69
S
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

n
a
z
i
v
n
i
k
a

120 6.85 4.79 3.95 3.48 3.17 2.96 2.79 2.66

113

Kritine vrijednosti F raspodjele, F> F

, = 0.01
F

Stupnjevi slobode brojnika
9 10 12 15 20 24 30 60 120
1 6022.40 6055.93 6106.68 6156.97 6208.66 6234.27 6260.35 6312.97 6339.51
2 99.39 99.40 99.42 99.43 99.45 99.46 99.47 99.48 99.49
3 27.34 27.23 27.05 26.87 26.69 26.60 26.50 26.32 26.22
4 14.66 14.55 14.37 14.20 14.02 13.93 13.84 13.65 13.56
5 10.16 10.05 9.89 9.72 9.55 9.47 9.38 9.20 9.11
6 7.98 7.87 7.72 7.56 7.40 7.31 7.23 7.06 6.97
7 6.72 6.62 6.47 6.31 6.16 6.07 5.99 5.82 5.74
8 5.91 5.81 5.67 5.52 5.36 5.28 5.20 5.03 4.95
9 5.35 5.26 5.11 4.96 4.81 4.73 4.65 4.48 4.40
10 4.94 4.85 4.71 4.56 4.41 4.33 4.25 4.08 4.00
11 4.63 4.54 4.40 4.25 4.10 4.02 3.94 3.78 3.69
12 4.39 4.30 4.16 4.01 3.86 3.78 3.70 3.54 3.45
13 4.19 4.10 3.96 3.82 3.66 3.59 3.51 3.34 3.25
14 4.03 3.94 3.80 3.66 3.51 3.43 3.35 3.18 3.09
15 3.89 3.80 3.67 3.52 3.37 3.29 3.21 3.05 2.96
16 3.78 3.69 3.55 3.41 3.26 3.18 3.10 2.93 2.84
17 3.68 3.59 3.46 3.31 3.16 3.08 3.00 2.83 2.75
18 3.60 3.51 3.37 3.23 3.08 3.00 2.92 2.75 2.66
19 3.52 3.43 3.30 3.15 3.00 2.92 2.84 2.67 2.58
20 3.46 3.37 3.23 3.09 2.94 2.86 2.78 2.61 2.52
21 3.40 3.31 3.17 3.03 2.88 2.80 2.72 2.55 2.46
22 3.35 3.26 3.12 2.98 2.83 2.75 2.67 2.50 2.40
23 3.30 3.21 3.07 2.93 2.78 2.70 2.62 2.45 2.35
24 3.26 3.17 3.03 2.89 2.74 2.66 2.58 2.40 2.31
25 3.22 3.13 2.99 2.85 2.70 2.62 2.54 2.36 2.27
26 3.18 3.09 2.96 2.81 2.66 2.58 2.50 2.33 2.23
27 3.15 3.06 2.93 2.78 2.63 2.55 2.47 2.29 2.20
28 3.12 3.03 2.90 2.75 2.60 2.52 2.44 2.26 2.17
29 3.09 3.00 2.87 2.73 2.57 2.49 2.41 2.23 2.14
30 3.07 2.98 2.84 2.70 2.55 2.47 2.39 2.21 2.11
40 2.89 2.80 2.66 2.52 2.37 2.29 2.20 2.02 1.92
50 2.78 2.70 2.56 2.42 2.27 2.18 2.10 1.91 1.80
60 2.72 2.63 2.50 2.35 2.20 2.12 2.03 1.84 1.73
70 2.67 2.59 2.45 2.31 2.15 2.07 1.98 1.78 1.67
80 2.64 2.55 2.42 2.27 2.12 2.03 1.94 1.75 1.63
90 2.61 2.52 2.39 2.24 2.09 2.00 1.92 1.72 1.60
100 2.59 2.50 2.37 2.22 2.07 1.98 1.89 1.69 1.57
S
t
u
p
n
j
e
v
i

s
l
o
b
o
d
e

n
a
z
i
v
n
i
k
a

120 2.56 2.47 2.34 2.19 2.03 1.95 1.86 1.66 1.53

114

Kritine vrijednosti studentiziranog raspona, q(a,v)

a = broj grupa
v = stupnjevi slobode pokusne greke
= 0.05

Broj grupa (a)
V 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
1 18.00 27.00 32.80 37.20 40.50 43.10 45.40 47.30 49.10 50.60 51.90 53.20 54.30 55.40 56.30
2 6.09 8.33 9.80 10.89 11.73 12.43 13.03 13.54 13.99 14.39 14.75 15.08 15.38 15.65 15.91
3 4.50 5.91 6.83 7.51 8.04 8.47 8.85 9.18 9.46 9.72 9.95 10.16 10.35 10.52 10.69
4 3.93 5.04 5.76 6.29 6.71 7.06 7.35 7.60 7.83 8.03 8.21 8.37 8.52 8.67 8.80
5 3.64 4.60 5.22 5.67 6.03 6.33 6.58 6.80 6.99 7.17 7.32 7.47 7.60 7.72 7.83
6 3.46 4.34 4.90 5.31 5.63 5.89 6.12 6.32 6.49 6.65 6.79 6.92 7.04 7.14 7.24
7 3.34 4.16 4.68 5.06 5.35 5.59 5.80 5.99 6.15 6.29 6.42 6.54 6.65 6.75 6.84
8 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92 6.05 6.18 6.29 6.39 6.48 6.57
9 3.20 3.95 4.42 4.76 5.02 5.24 5.43 5.60 5.74 5.87 5.98 6.09 6.19 6.28 6.36
10 3.15 3.88 4.33 4.66 4.91 5.12 5.30 5.46 5.60 5.72 5.83 5.93 6.03 6.12 6.20
11 3.11 3.82 4.26 4.58 4.82 5.03 5.20 5.35 5.49 5.61 5.71 5.81 5.90 5.98 6.06
12 3.08 3.77 4.20 4.51 4.75 4.95 5.12 5.27 5.40 5.51 5.61 5.71 5.80 5.88 5.95
13 3.06 3.73 4.15 4.46 4.69 4.88 5.05 5.19 5.32 5.43 5.53 5.63 5.71 5.79 5.86
14 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.36 5.46 5.56 5.64 5.72 5.79
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.20 5.31 5.40 5.49 5.57 5.65 5.72
16 3.00 3.65 4.05 4.34 4.56 4.74 4.90 5.03 5.15 5.26 5.35 5.44 5.52 5.59 5.66
17 2.98 3.62 4.02 4.31 4.52 4.70 4.86 4.99 5.11 5.21 5.31 5.39 5.47 5.55 5.61
18 2.97 3.61 4.00 4.28 4.49 4.67 4.83 4.96 5.07 5.17 5.27 5.35 5.43 5.50 5.57
19 2.96 3.59 3.98 4.26 4.47 4.64 4.79 4.92 5.04 5.14 5.23 5.32 5.39 5.46 5.53
20 2.95 3.58 3.96 4.24 4.45 4.62 4.77 4.90 5.01 5.11 5.20 5.28 5.36 5.43 5.50
24 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92 5.01 5.10 5.18 5.25 5.32 5.38
30 2.89 3.48 3.84 4.11 4.30 4.46 4.60 4.72 4.83 4.92 5.00 5.08 5.15 5.21 5.27
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.74 4.82 4.90 4.98 5.05 5.11 5.17
60 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.55 4.65 4.73 4.81 4.88 4.94 5.00 5.06
120 2.80 3.36 3.69 3.92 4.10 4.24 4.36 4.47 4.56 4.64 4.71 4.78 4.84 4.90 4.95
2.77 3.32 3.63 3.86 4.03 4.17 4.29 4.39 4.47 4.55 4.62 4.68 4.74 4.80 4.84