Академический Документы
Профессиональный Документы
Культура Документы
FACULTATEA DE ŞTIINłE
CATEDRA DE ECOLOGIE ŞI PROTECłIA MEDIULUI
Sibiu
2008
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 2
CUPRINS
Modelul este o reprezentare a unei entităŃi reale, a unui lucru, idei sau
condiŃii. Acestea pot fi foarte de simple, de exemplu o expresie verbală cu privire
la însuşirea unui subiect, sau două dreptunghiuri înzestrate cu o anumită
semnificaŃie, legate între ele printr-o săgeată care indică o relaŃie. Sau, modelele
pot fi oricât de complexe, de exemplu programe imense care rulează pe reŃele de
calculatoare interconectate, la care lucrează instituŃii cu sute de oameni, din cele
mai diverse specialităŃi. Procesul de modelare este un şir de etape, care trebuie
parcurse, pentru a converti o idee mai întâi într-un model conceptual şi apoi într-o
reprezentare cantitativă.
Modelarea ecologică este încadrată variabil, undeva între o simplă şi
frecvent ignorată metodă a ecologiei, şi (polul opus) un domeniu de vârf care
necesită specialişti “modelatori”, definindu-se astfel un domeniu distinct al
ecologiei. Probabil adevărul este undeva pe la mijloc. ToŃi ecologii practicieni,
cel puŃin la un anumit moment, pe parcursul unui studiu, trebuie să reprezinte
imaginativ ideile, elementele observate, datele investigaŃiei, relaŃiile dintre
acestea, să reprezinte grafic structura sau dinamica unui sistem etc. În toate aceste
activităŃi, reprezentările, conceptualizările, adesea formule şi ecuaŃii sunt
implicate în mod necesar.
Prin urmare modelarea este o procedură care însoŃeşte inevitabil orice
studiu. Modelarea nu înseamnă neapărat calcul, dar cel mai frecvent implică sau
se exprimă (şi) prin limbaj matematic.
Dar, sistemele experimentale sunt exemple foarte bune de modele
nematematice. Orice experiment, fie că se desfăşoară în laborator sau în teren,
este o imagine simplificată şi sintetică a realităŃii, dar nu se identifică cu realitatea
însăşi. Un experiment bine conceput şi implementat reflectă sau simulează un
proces care se desfăşoară în natură, fapt care este realizat în mod similar şi de
către un model bun. Ambele se bazează pe stabilirea cu acurateŃe a condiŃiilor de
lucru.
După cum scria W. Silvert (2001) este larg răspândit crezul, că numai
anumiŃi specialişti sunt “modelatori” buni, pentru aceasta cerându-se o mare
chemare pentru matematici şi deprinderi avansate de informatică, respectiv
operare şi programare a calculatorului. De fapt, modelarea este o activitate
universală; toŃi practicienii, uneori şi teoreticienii, creează şi testează modele de
cele mai diferite forme, idei şi expresii. Dacă excludeŃi modelul dintr-o cercetare
de ecologie, veŃi fi nişte simpli colecŃionari de fapte sau de date primare.
Modelele pot fi definite în mod grafic, informal (fără ecuaŃii: de
exemplu un mod alternativ, preliminar, este definirea verbală a modelului) sau
formal, prin expresiile matematice corespunzătoare şi programe asociate pe
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 4
♦ ALGORITMUL MODELĂRII
Scara la care definim modelul, poate fi oricât de mică sau de mare; nu există
scări “bune”, “adevărate”, respectiv nici “false” sau “contraindicate” la modul
absolut. Dar este sigur că un subiect particular se pretează mai bine la analiza sub o
anumită scară şi prea puŃin la o alta. Nu există nici o relaŃie între scara spaŃială şi
complexitatea modelului (W. Silvert, 2001).
Conceptualizarea este etapa în care transpunem problema particulară într-o
imagine sau idee de ansamblu, cum ar fi de exemplu sub forma unei diagrame,
care conŃine informaŃii despre parametri şi despre relaŃiile dintre aceştia
(matematice sau de altă natură). Transpunerea grafică a ideilor, a etapelor şi
vizualizarea relaŃiilor între diferitele categorii de variabile, formează modelul
conceptual. Prin adăugarea de valori, evaluări cantitative ale proceselor şi
elaborarea de ecuaŃii, obŃinem modelul cantitativ.
Construirea modelului se referă la alcătuirea acestuia, în termeni de idei,
concepte, expresii fizice, ecuaŃii matematice, respectiv programe pe calculator.
Modelele se pot construi în două feluri: de la bază la vârf sau invers.
Modelul bază - vârf se realizează prin asamblarea de submodele, respectiv de cât
mai multe elemente sau procese care se desfăşoară într-un sistem. Acestea tind să
fie foarte complicate, deoarece teoretic totul poate fi inclus; se consideră a fi bune
pentru înŃelegerea funcŃionării sistemului, dar nu dau rezultate prea bune pentru
scopul pentru au fost create (W. Silvert, 2001). Modelele vârf - bază pleacă de la
funcŃii generale, de la comportamentul întregului sistem sau de la proprietăŃile
emergente. Cele mai multe sunt de tip statistic. Acestea sunt modele empirice, se
bazează pe date experimentale, nu presupun obligatoriu considerarea
mecanismelor subiacente, iar ca domeniu de valabilitate sunt adesea restricŃionate
la subiectul particular analizat.
Atunci când rezultatele obŃinute prin model nu verifică datele
experimentale, sau - şi mai rău - când prognozele nu se adeveresc nici pe departe,
cel mai adesea este blamat modelul, dar aceasta nu este singura cauză posibilă.
Sunt trei posibilităŃi de fapt: model eronat, date experimental- observaŃionale
greşite sau ambele. Trebuie înŃeles faptul că datele obŃinute prin experimente sau
observaŃii sunt expuse unui şir de erori potenŃiale, ele fiind la rândul lor numai o
reprezentare a realităŃii şi nici pe departe realitatea însăşi. Într-o altă ordine de
idei, matematica poate fi perfectă, dar aparatul de măsură nu a fost calibrat, sau
eroarea sistematică diferă la cei care execută măsurătorile.
Dacă am ajuns la etapa implementării acestuia pe calculator, pasul care
urmează în mod logic este rularea modelului de cât mai multe ori, pentru a se
evalua construcŃia obŃinută. El se rulează cu o varietate de condiŃii modificate ale
parametrilor de intrare, în scopul urmăririi modului în care se comportă în situaŃii
cât mai diverse.
Validarea şi verificarea modelului se execută în secvenŃa următoare a
algoritmului. Evaluarea rezultatelor înseamnă validarea lor, adică corespondenŃa
cu valorile reale (observate sau experimentale, în cazul în care acestea există), dacă
sunt logice, posibile, îndeplinesc sau nu ceea ce ne-am putea aştepta de la modelul
realizat, precum şi dacă le-am interpretat corect. Dacă modelul nu trece de acest
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 7
Definirea problemei
Selectarea complexităŃii
Ipoteze
Diagrama conceptuală
Model cantitativ
Prognoze
Rulare şi verificare
Validare
Analiza de senzitivitate
Valorificare
♦ Ce software utilizăm?
Este întrebarea care apare mai devreme sau mai târziu în orice studiu cu
pretenŃii, precum şi în dinamica dezvoltării capacităŃilor cercetătorului. Este bine
să subliniem, că nu există şi nu poate exista un singur răspuns la aceasta,
deoarece sunt cel puŃin două categorii de motivaŃii: de ordin subiectiv şi obiectiv.
Cele subiective sunt legate de reguli ale cercetării ecologice, care afirmă: “cel
mai bun software este cel pe care îl cunoşti”, apoi “cea mai bună tehnică de
calcul este cea la care ai acces nelimitat”, precum şi “pentru un ecolog, a opera
este preferabil intenŃiei de a programa un calculator” (Sîrbu şi Benedek, 2004).
Este evident că un limbaj sau program pe care nimeni din echipă nu-l ştie, nu are
nici o şansă să rezolve problema indiferent cât este de nou. Snobismul modei
dezvoltării neîncetate a calculatorului personal, veşnica vânare a unui echipament
mai performant, programe mai diverse şi mai noi, a avea permanent ultima placă
video etc., sunt fără îndoială utile unui informatician sau unui exeget al jocurilor,
dar sunt prea puŃin potrivite unui ecolog practicant. Pe lângă confuzia între scop
şi mijloace, implică şi pierdere de timp şi alocarea nejustificată a resurselor. Mult
mai folositoare este alocarea de timp pentru cunoaşterea aprofundată a modului
de utilizare corectă a acelor programe, care într-adevăr ne ajută să progresăm în
cercetare şi în folosirea rezultatelor.
Apelarea la un informatician sau (în funcŃie de natura problemei) un
matematician poate da uneori rezultate, dar atenŃie la bariera de comunicare şi de
reprezentare a intenŃiilor. Includerea unui specialist din alt domeniu este benefică
pentru echipă, numai dacă există dorinŃa de comunicare bidirecŃională şi
traducerea tuturor etapelor în entităŃi cu semnificaŃie similară pentru ambele părŃi.
Un alt element care trebuie Ńinut sub control, este faptul că înŃelegem prea puŃin
despre oamenii implicaŃi în alte specialităŃi. Orice biolog sau ecolog ar trebui să
ştie ce înseamnă specializare în cadrul domeniului (deşi ecologii, mai ales
teoreticienii holişti, tind uneori să uite spre paguba lor aceasta), dar consideră alte
discipline ca fiind omogene. Şi matematicienii, respectiv informaticienii, sunt
specializaŃi, ceea ce nu înseamnă că ştiu neapărat multe despre puŃin, ci faptul că
ştiu mult mai mult despre unele lucruri şi semnificativ mai puŃin despre oricare
altele. Este o mare deosebire între calitatea/cantitatea informaŃiilor pe care o
persoană le deŃine şi potenŃialul acesteia de a selecta informaŃia relevantă într-un
anumit context (marea problemă a celor care predau la alte specialităŃi: de
exemplu matematicienii la ecologie).
De aceea pentru un program de cercetare includerea într-o echipă de
biologi (ecologi) a unui oarecare “matematician” este la fel de inutilă, precum
includerea în structura unei instituŃii ştiinŃifice a unui “biolog”, sau într-un
institut de cercetare a unui “specialist în bentos”. ExcepŃia o constituie acele
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 10
ELEMENTELE MODELELOR
2. Variabile de stare
3. EcuaŃii matematice
4. Parametri
5. Constante universale
Sunt valori deduse din legi ale naturii, fixe, imuabile, care apar adesea
şi în multe modele ecologice. Amintim aici numărul π, e (baza logaritmului
natural, numărul lui Euler), constanta lui Avogadro, constanta solară,
masele atomice ale elementelor chimice etc.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 16
2. MODELE CONCEPTUALE
a. Modele verbale
Semnifică descrierea verbală a structurii unui model, a componentelor şi
legăturilor dintre acestea. Se utilizează mai frecvent la procese simple.
b. Scheme şi desene
Foarte des folosite în toate domeniile ecologiei, atât ca metodă ştiinŃifică,
cât şi pentru expunere didactică sau popularizare. Există o mare varietate de
grafice, scheme, desene care includ o serie de detalii, reprezentări ale unor
structuri şi funcŃii particulare etc. În ştiinŃă desenul se utilizează pentru ilustrarea
sintetică a caracteristicilor realităŃii investigate, pentru a reliefa şi reprezenta
semnificaŃia datelor experimentale.
cauzalitatea şi legătura dintre aceste două categorii. Se aplică mai ales la studii de
caz, la relaŃii de tip statistic, şi în general nu se pot extrapola la alte sisteme.
- modele tip cutie albă (blocuri albe)
Sunt modele constituite pe baza expresiei relaŃiilor cauzale între procesele
analizate. Între datele de intrare şi cele de ieşire sunt intercalate reguli, de tipul
ecuaŃiilor matematice. Odată definite şi validate, aceste relaŃii se pot aplica (cu
modificările de rigoare) şi la alte sisteme sau procese similare.
- modele tip cutie gri
În realitate sunt cele mai comun utilizate, constituind o combinaŃie a
categoriilor antemenŃionate. Acestea conŃin relaŃii cauzale, dar includ şi legături
empirice sau statistice pentru unele procese.
O variantă a modelelor cu blocuri, sunt cele de tip I/O adică intrare - ieşire
(Input / Output) care conŃin date suplimentare pentru fiecare cutie, la începerea şi
la finalul procesului particular analizat.
Indiferent de tipul modelului, formele geometrice ale blocurilor pot fi alese
astfel încât să mărească sugestivitatea procesului reprezentat. Se poate opta, de
exemplu, pentru forme utilizate în algoritmii de calculator, sau forme speciale,
cum sunt de exemplu, cele utilizate de P. Odum (1971) la descrierea structurii
energetice ale sistemelor ecologice (ilustrând prin diferite forme intrarea energiei,
transferul, pierderile, consumul etc.). În literatură există o mare varietate de
definiŃii şi posibilităŃi de reprezentare grafică.
d. Modelele matriciale
Indică prin algebră matricială legătura dintre elementele constituente ale
unui sistem. Cea mai simplă formă de expresie este indicarea unei legături, fără a
se preciza nici valoarea acesteia (intensitatea sau evaluarea cantitativă de orice
fel), şi nici direcŃionarea (cine asupra cui acŃionează). O variantă este simpla
construcŃie cu valori de tip 1 şi 0, unde 1 semnifică existenŃa relaŃiei iar 0 absenŃa
acesteia. În exemplul de mai jos considerăm 4 elemente (să presupunem că
acestea ar fi populaŃii ale unei comunităŃi) între care există (1) sau nu (0) relaŃii
de competiŃie:
A B C D
A 1
B 1 1
C 0 1 0
D 0 0 1 1
B C
Un alt model poate ne indică cine asupra cui acŃionează, caz în care
matricea nu trebuie să fie simetrică, iar reprezentarea va fi de tipul unui graf
orientat. De exemplu, fie o comunitate în care valorile de 1 indică cine cu cine se
hrăneşte (cine prădează pe cine), Ńinând seama că rolurile se pot schimba, iar într-
un caz întâlnim şi fenomene de canibalism:
de la (prădează pe...):
A B C D
A 1 0 0 0
către: B 1 0 1 0
(este C 0 0 0 1
prădat) D 0 1 1 0
B C
1.)C = a * P
b*P
2.)C =
1+ c*P
3.)C = d * P * e −f *P
Modelul 1:
C( P )
Modelul 2:
C( P )
P
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 20
Modelul 3:
C( P )
xt+1 = f(xt)
unde: f este funcŃia care descrie variaŃia. De exemplu f(x)= 23.7 - 4.5*x
Dacă cunoaştem valoarea xt putem prognoza fără probleme şi corect valoarea lui
xt+1.
În timp continuu, un proces care se desfăşoară va avea ecuaŃia generală de
forma:
dx
= g( x)
dt
unde: dx/dt este rata modificării variabilei de stare, iar g este funcŃia care
descrie procesul care contribuie la această rată. Rezolvarea ecuaŃiilor şi a
sistemelor de ecuaŃii diferenŃiale, modelarea traiectoriei sistemelor ecologice şi
alte aplicaŃii ale acestora se vor studia într-un alt capitol, în semestrul 3.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 22
1. Editarea datelor
Operatori şi semnificaŃii
+ sumă
- diferenŃă
* înmulŃire
/ divizare
^ exponent
< mai mic decât
> mai mare decât
= egal
<> diferit de
<= mai mic sau egal decât
=> mai mare sau egal decât
SIN sinus
COS cosinus
TAN tangent
Ori de câte ori uităm sintaxa unei expresii sau vreun nume rezervat, putem
cere ajutor, fie din meniul pop-up al versiunilor superioare, fie tastând HELP în
lina de comandă. Dacă nu dorim un ajutor general, ci specific, legat de o anumită
expresie sau funcŃie, tastăm:
>HELP expresie
Căutarea în baza de date se realizează cu comanda FIND. De exemplu
> FIND GT = 186
va determina poziŃionarea cursorului pe linia 38.
Ştergerea unui articol (adică a unui rând de date) se face prin comanda
DELETE nr.curent al liniei. De exemplu
>DELETE 23
are ca efect ştergerea datelor incluse în linia 23 (proba cu numărul curent 23).
Ştergerea unei variabile se face cu comanda DROP nume_variabilă.
De exemplu comanda
>DROP GT
are ca efect ştergerea variabilei în care sunt incluse datele de densitate ale speciei
Galba truncatula. Dacă aŃi şters ceva din greşeală, cel mai simplu mod de a
recupera datele este să nu salvaŃi fişierul, ci să ieşiŃi din modul, reintraŃi şi
încărcaŃi din nou datele originale. Versiunile superioare permit accesarea unor
utilităŃi de tipul Undo, respectiv Redo, pentru un număr oarecare de erori.
Comenzi condiŃionate se pot introduce folosind perechea IF, THEN.
Operatorii logici sunt:
AND - şi
OR - sau
NOT - negaŃie logică
De exemplu următoarea linie de comandă
>IF GT = 0 AND PA = 0 THEN LET MELCI$ = ‘proba_nula’
are ca urmare căutarea articolelor care satisfac ambele condiŃii (adică densitatea
ambelor specii să fie 0) şi introduce o variabilă şir, nouă, care va conŃine expresia
‘proba_nula’ pentru articolele astfel selectate.
Părăsirea modulului de editare (pentru a schimba modulul sau a închide
calculatorul) se face cu comanda:
> QUIT
Părăsirea oricărui alt modul, inclusiv închiderea sesiunii de lucru şi
părăsirea programului se poate realiza cu acest cuvânt rezervat. În versiunile
superioare mai există posibilitatea de închidere similară cu cea utilizată în
programele sub Windows (din meniurile pop-up).
Ordinea evaluării expresiilor este de la stânga la dreapta şi de sus în jos,
în funcŃie de valoarea operatorilor, în mod similar cu condiŃiile notaŃiilor
matematice. Şi aici, utilizarea parantezelor rotunde, are aceeaşi semnificaŃie pe
care o au şi în matematică.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 27
Ieşirea din fişierul salvat şi aducerea unui ecran gol, pentru a introduce
datele unui nou fişier, se face prin comanda NEW.
2. MODULUL DATA
De exemplu:
> STANDARDIZE
determină standardizarea datelor tuturor variabilelor, iar:
> STANDARDIZE nume_variabilă_1, nume_variabilă_2
are ca efect standardizarea celor două variabile apelate.
Tabelul 2 conŃine date biometrice ale speciei Unio crassus, exemplarele
fiind colectate din două staŃii de pe Crişul Alb, şi anume de la Ineu şi Chişineu -
Criş (au fost selectate la întâmplare câte 50 de exemplare măsurate în fiecare
dintre staŃii). Etichetele variabilelor au următoarele semnificaŃii: GFA - masa
scoicii, fără apă în cavitatea paleală, L - lungimea maximă, H - înălŃimea în
dreptul umbonelui, LAT - lăŃimea, S - codul numeric al staŃiei (S=1 pentru Ineu şi
S=2 pentru Chişineu-Criş).
GFA L H LAT S
> STATS
> USE LAC
> STATISTICS /ALL
TOTAL OBSERVATIONS: 40
GT PA
N OF CASES 40 40
MINIMUM 0.000 0.000
MAXIMUM 368.000 85.000
RANGE 368.000 85.000
MEAN 45.675 17.725
VARIANCE 5585.251 282.922
STANDARD DEV 74.735 16.820
STD. ERROR 11.817 2.660
SKEWNESS(G1) 2.717 2.014
KURTOSIS(G2) 7.906 5.462
SUM 1827.000 709.000
C.V. 1.636 0.949
Rezultă analizele separat pentru cele două staŃii; deoarece nu s-a inclus
specificarea ALL după STATISTICS, nu se vor reda toŃi parametrii, ci minimul,
maximul, media şi abaterea standard a variabilei GT. Să nu uităm că utilizarea
comenzii BY cheie, necesită o sortare anterioară a fişierului pe baza variabilei
cheie. Rezultatele vor fi:
THE FOLLOWING RESULTS ARE FOR:
S = 1.000
TOTAL OBSERVATIONS: 50
GFA
N OF CASES 50
MINIMUM 12.136
MAXIMUM 58.913
MEAN 37.774
STANDARD DEV 10.205
GROUP N MEAN SD
1.000 50 37.774 10.205
2.000 50 15.640 7.435
POOLED VARIANCES T = 12.396 DF = 98 PROB = .000
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 34
GROUP N MEAN SD
1.000 50 71.168 6.934
2.000 50 51.330 9.424
POOLED VARIANCES T = 11.990 DF = 98 PROB = .000
Rezultatele sunt redate explicit pentru cele două variabile şi staŃii, cea mai
importantă valoare în context, este cea redată prin abrevierea PROB situată în
dreapta - jos. Valori mai mari de nivelul de semnificaŃie ales (de obicei 0.05)
semnifică diferenŃe nesemnificative între medii. În cazurile de mai sus observăm
că în ambele cazuri mediile diferă semnificativ. Prin urmare bivalvele prezintă
medii semnificativ mai mari atât în ceea ce priveşte masa cât şi lungimea, la staŃia
situată în amonte (la Ineu).
Pentru a afla dacă există diferenŃe semnificative între medii (cu alte
cuvinte, dacă substanŃa are sau nu un efect asupra creşterii plantulelor) se
tastează:
> NPAR
> USE PLANTULE
> KRUSKAL P * T
iar rezultatul va fi următorul ecran:
KRUSKAL-WALLIS ONE-WAY ANALYSIS OF VARIANCE FOR 16 CASES
DEPENDENT VARIABLE IS P
GROUPING VARIABLE IS T
1.000 7 79.000
2.000 9 57.000
la nivelul de asigurare ales, diferenŃe semnificative între cele două probe. Altfel
spus, la nivelul de probabilitate de 0.05 recunoaştem că soluŃia de Y are un efect
semnificativ inhibitor asupra creşterii plantulelor aparŃinând speciei de interes.
5. GRAFICE
65
55
45
35
GFA
25
15
-5
25 35 45 55 65 75 85 95
L
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 37
L 1.000
H 0.976 1.000
LAT 0.971 0.956 1.000
MATRIX OF PROBABILITIES
L H LAT
L 0.000
H 0.000 0.000
LAT 0.000 0.000 0.000
Modulul pentru modele de regresie (MGLH) este printre cele mai utile în
procesul de modelare a fenomenelor ecologice. Acest modul realizează analize
ale unor regresii de tip Y = a + bX, semnificaŃiile şi formulele fiind prezentate la
partea teoretică (a se vedea Sîrbu şi Benedek, 2004, Cap. X). Dacă relaŃia
îmbracă forma unei curbe exponenŃiale sau logaritmice, acest lucru se poate
rezolva prin schimbarea scării variabilelor.
De exemplu, dacă dorim să realizăm o analiză de regresie între variabila
GFA şi L din fişierul XX. sys, simpla observaŃie a aranjării datelor în figura de
tip PLOT realizată mai sus, ne informează că este inutilă căutarea unui model de
tip liniar pe date originale. Acest lucru se corectează prin dubla logaritmare a
ambelor variabile, ceea ce se poate face fie în modulul DATA, fie în EDIT. În
ultimul caz procedăm astfel:
> EDIT
> USE XX
> LET GFA = LOG(GFA)
> LET L = LOG (L)
> SAVE XXL
ultima linie a servit la salvarea unei copii a fişierului original cu datele
transformate ale celor două variabile. Apoi intrăm în modulul MGLH şi cerem o
analiză de semnificaŃie a modelului de interes. Tipul modelului se precizează
prin:
> MODEL nume_variabilă_dependentă = expresie
iar pentru a accesa analiza se tastează pe linia următoare:
> ESTIMATE
În exemplul nostru, vom tasta următoarea secvenŃă:
> MGLH
> USE XXL
> MODEL GFA = CONSTANT + L
> ESTIMATE
care va avea ca efect producerea următoarei ferestre. Aparent este foarte
complicată, pentru utilizatorul începător, din cauza faptului că prezintă mai multe
rezultate intermediare şi unele teste. Pentru ecolog este suficient să cunoască
câteva valori, cele care au semnificaŃie maximă pentru modelul căutat.
DEP VAR: GFA N: 100 MULTIPLE R: .990 SQUARED MULTIPLE R: .981
ADJUSTED SQUARED MULTIPLE R: .980 STANDARD ERROR OF ESTIMATE: 0.100
ANALYSIS OF VARIANCE
8. CONSTRUIREA DENDROGRAMELOR
A B C D E
Pentru a analiza cum se situează, prin comparaŃie, cele 5 loturi de indivizi, putem
construi dendrograma pe baza distanŃelor euclidiene. Pentru aceasta se accesează
modulul de clasificare (CLUSTER) şi se tastează comanda:
> JOIN / COLS
care va afişa pe ecran:
SINGLE LINKAGE METHOD (NEAREST NEIGHBOR)
TREE DIAGRAM
DISSIMILARITIES
-100.000 0.000
B --------------------------------------------------+
+----+
A ----------------+ ¦ ¦
+---------------------------------+ ¦
E ----------------+ ¦
++
C -------------------------------------------------------+¦
+---
D --------------------------------------------------------+
unde liniile reprezintă anumite specii (în total 15 identificate), iar coloanele
structura specifică (pe baza prezenŃei =1 sau absenŃei =0) a acestora, se
construieşte o matrice de similitudine printr-un indice dichotomic (de exemplu
Jaccard) în modulul de corelaŃii (CORR). Presupunem că fişierul de mai sus este
salvat sub denumirea de COM.sys. Atunci calcularea matricii de similitudine pe
baza indicelui Jaccard (S3) se realizează prin secvenŃa:
> CORR
> USE COM
> SAVE COM1
> S3
prin care matricea corespunzătoare a fost salvată sub denumirea de COM1.
Aceasta va avea expresia:
S1 S2 S3 S4
CASE 1 1.000 . . .
CASE 2 0.444 1.000 . .
CASE 3 0.000 0.067 1.000 .
CASE 4 0.375 0.333 0.273 1.000
5. MODELARE ÎN MATHCAD
∏x
i
i
i,#,x produs după valorile indicelui i de x
1. CALCULE
2 ⋅ 12
⋅ 100 = 32
36 + 39
c := 12
a := 36
b := 39
2⋅c
Is := ⋅ 100
a+b
Is = 32
n := 31
i := 1, 2 .. 31
x :=
i
12
0
5
7
0
0
6
0
8
14
15
24
23
62
150
42
58
78
53
21
0
25
26
84
36
45
82
5
36
74
4
unde: valorile variabilei xi sunt rezultate în urma numărării indivizilor din probele
colectate.
Să presupunem că dorim acum să calculăm media aritmetică a densităŃii,
varianŃa şi abaterea standard a şirului xi. Există posibilitatea de a scrie în mod
explicit ecuaŃiile (ca în partea teoretică), sau de a cere apelarea unor funcŃii
implicite ale programului. În cel de-al doilea caz, vom tasta şi solicita afişarea,
prin:
mean (x) = 31.09
var (x) = 1153.96
stdev (x) = 33.97
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 47
var(x )
Err :=
n
Err
D :=
mean( x )
var(x )
ID :=
mean ( x )
Err = 6.10
D = 0.196
ID = 37.11
2. GRAFICE
x := 12.1.. 86.9
2
f ( x) := 2.4 + 0.04⋅ x
300
200
f ( x)
100
20 40 60 80
x
Pentru a afla oricare estimată a variabilei dependente din funcŃia de
regresie, utilizatorul tastează o valoare oarecare din domeniul de variaŃie al lui x,
în cadrul expresiei funcŃiei f(x). De exemplu pentru a estima valoarea variabilei
dependente la x = 59.65, se tastează:
f (59.65) =
care va returna automat rezultatul, astfel că pe ecran apare:
f (59.65) = 144.725
Pentru a modifica parametri graficului (dimensiune, marcarea norului de
puncte, culoarea graficului funcŃiei etc.) în versiunile inferioare se poziŃionează
cursorul în interiorul graficului şi se tastează f, iar în versiunile superioare se
execută “dublu - clic” cu tasta stângă a mouse-ului, după care se operează în
interiorul meniurilor oferite.
În cazul unei regresii duble se apelează fereastra pentru grafice în spaŃiul
3D, din meniul corespunzător.
Exemplu:
2 3
f ( x, y ) := 0.13 + 0.06⋅ x + 0.1⋅ y
i := 0 .. 78
j := 2 .. 40
x := 12 + i
i
y := 0 + j
j
M
i, j ( i j)
:= f x , y
M
De asemenea, prin accesarea meniurilor se pot modifica numeroşi
parametri ai graficului (se poate roti în toate dimensiunile, mări sau micşora,
schimba axele, scările etc.).
Pi ( x) = c 0i + c i ( x − x i ) + c 2i ( x − x i ) 2 + c 3i ( x − x i ) 3
ORIGIN ≡ 1 n := 8
În calculele de mai jos:
i := 1 .. n n = numãrul de noduri (puncte în care s-au mãsurat adâncimile),
vx := vy := vx = distanta în sectiune transversalã, fatã de un mal
i i
(pozitia nodului in metri, fata de punctul de referinta)
0.0 0 vy = adâncimea mãsuratã în nodul definit prin vx
5.0 .45 f(x) = functia de interpolare
8.3 1.0 g = aria sectiunii transversale de râu
9.2 1.20 h = lungimea graficului (a albiei in sectiune transversalã)
v = viteza medie a apei la un anumit moment
10.4 1.50
12.8 .80
18.7 .56
22.9 0
s := lspline( vx, vy )
f ( x) := interp ( s , vx, vy , x)
x := 0.0, 0.1.. 22.9
f ( x)
x
22.9 22.9
⌠ ⌠
g := f ( x) dx 2
⌡ h :=
d
1 + f ( x) dx
0
⌡ dx
0
v := 1.3
p := g ⋅ v
f ( 10) = 1.435 Posibilitatea evaluãrii valorii functiei de interpolare intr-un punct care nu apartine
retelei de noduri; în acest caz adâncimea estimatã la distanta de 10 m = 1.435 m
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 51
PROBLEME ŞI DEMONSTRAłII
ORIGIN ≡ 1
S semnificã numãrul de specii, X este variabila sir care contine numãrul
S := 10 de indivizi prin care este reprezentatã fiecare specie în probe,
i := 1 .. S N = numarul total de indivizi din probe.
X :=
i
Înurmãtoarele formule d1 = indicele Margalef, d2 = indicele Menhinick
15
H = Shannon-Wiener, E = echitabilitate, simp = Simpson
11
3870
În aceste formule s-a utilizat fie logaritmul zecimal, fie în baza 2 pentru
101
6
ilustrarea modului de schimbare a bazei
41
148
129
9
1885
N := ∑ Xi p :=
i
X
i
i N
S−1 d2 :=
S
d1 :=
log( N) N
log( p i)
H := − ∑ p ⋅
i log ( 2)
∑ Xi⋅( Xi − 1)
i
log( S) i
l2 := simp :=
log( 2) N⋅ ( N − 1)
H
E :=
l2
2. În tabelul de mai jos sunt sunt redate valorile medii ale diversităŃii specifice
(calculate prin indicele Simpson, codificat prin vy) pentru comunităŃile bentonice dintr-
un râu. StaŃiile (de la S1 la S8) sunt poziŃionate prin distanŃa vx faŃă de izvor (în km). Să
se traseze graficul funcŃiei spline de interpolare a diversităŃii în relaŃie cu distanŃa faŃă
de izvor, şi să se estimeze diversitatea la distanŃele de 10, 20, 30, 40, 50 şi 60 km.
S1 S2 S3 S4 S5 S6 S7 S8
vx 0,01 12 25 31 45 55 60 79
vy 0,02 0,12 0,10 0,45 0,58 0,40 0,65 0,79
ORIGIN ≡ 1
n := 8
i := 1 .. n
vy := vx :=
i i
0.02 0.01
0.12 12
0.10 25
0.45 31
0.58 45
0.40 55
0.65 60
0.79 79
s := lspline( vx, vy )
f ( x) := interp ( s , vx, vy , x)
x := 0.0, 0.01.. 79 Variatia indicelui Simpson
f ( x)
x, vx
f ( 10) = 0.13 f ( 20) = 0.017 f ( 30) = 0.391
a := 48 b := 23
c := 19 d := 22
n := a + b + c + d
2
n ⋅ a⋅ d − b ⋅ c −
n
hip :=
2
( a + c) ⋅ ( b + d ) ⋅ ( a + b ) ⋅ ( c + d )
Valoarea critica a testului la nivelul de asigurare de 0,05 este de 3,84: asocierea este semnificativa
numai daca valoarea calculata hip este mai mare!
hip = 4.045
hip
CCM :=
n + hip
2. C1, 2, 3 = coeficientii lui Cole si erorile standard: Daca ad >=bc atunci C1, e1
a⋅ d − b ⋅ c
C1 :=
( a + b ) ⋅ ( b + d)
( a + c) ⋅ ( c + d )
e1 :=
n⋅ (a + b)⋅ (b + d)
( b + d) ⋅ ( c + d )
e2 :=
n ⋅ ( a + b ) ⋅ ( a + c)
( a + b ) ⋅ ( a + c)
e3 :=
n⋅ (b + d)⋅ ( c + d)
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 54
na := a + c nb := a + b
2⋅ a
iab :=
na + nb
( na + nb ) ⋅ ( 2⋅ a − 1)
tt := − 1 ⋅ na + nb − 1
2⋅ na ⋅ nb
t := tt
gl := na + nb − 2
************************************************************************************************
Rezultate - pentru tabelul de contingenta
3
hip = 4.045 a⋅ d = 1.056 × 10 b⋅ c = 437
CCM = 0.187 d = 22 a = 48
Daca t calculat este mai mare decat valoarea critica la nivelul de asigurare ales
si gl grade de libertate, afinitatea este semnificativa.
************************************************************************************************
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 55
ORIGIN ≡ 1 n := 7 k := 5
j := 1 .. n i := 1 .. k h := 1 .. k
0.15 0.05 0.12 0.43 0.17 0.08 0
0 0 0.94 0.06 0 0 0
a :=
p := 0.41 0.16 0.10 0.05 0.05 0 0.23 j
0 0.48 0.02 0 0 0.5 0 0.05
0.07
0.01 0.02 0.01 0 0.24 0.31 0.41
0.01
0.12
0.29
0.14
p = 0.15 accesarea unui termen al matricii
1, 1 0.32
S :=
i ∑ pi , j verificarea sumei pe linii a matricii de resurse
j
1
1
S = 1
1
1
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 56
B −1
i
BA := Indicele Levins - B standardizat
i n−1
FT :=
i ∑ p ⋅a
i, j j
Indicele Smith
j
REZULTATE:
B = BA = FT =
i i i
3.852 0.475 0.735
1.127 0.021 0.182
3.823 0.47 0.75
2.08 0.18 0.462
3.102 0.35 0.904
Indicele Pianka
∑ p i , j⋅ p h , j
j
O :=
i, h
∑ (p i , j) ∑ (p h , j)
2
⋅
2
j j
Indicele standardizat HS
∑ (a j⋅ p ⋅p
i, j h , j )
j
HS :=
∑ (a j⋅ p i , j) ⋅ ∑ (a j⋅ p h , j)
i, h
j j
t
Exemplu de serie temporală staŃionară
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 58
xt
t
Serie temporală nestaŃionară cu tendinŃă liniară
s1 s3
t
Serie temporală caracterizată prin două rupturi de nivel (I şi II)
În graficul de mai sus este reprezentată o serie temporală cu două rupturi
de nivel, fapt care o divizează în trei subserii (s1, s2 şi s3). Când apar asemenea
fenomene este benefic să cunoaştem dacă modificările sunt semnificative (adică
dacă există diferenŃe probabilistice între parametrii descriptivi ai subseriilor),
pentru a determina numărul de subperioade distincte din cadrul ST. Se vor
identifica parametrii fiecărei subperioade, după care se calculează indicatorii
sintetici. Ulterior se poate eventual evalua periodicitatea apariŃiei rupturilor în
cadrul seriei (Andrei şi col. 2002).
Să presupunem că avem o serie temporală xt în care bănuim existenŃa a
două perioade distincte (deci o ruptură de nivel). Verificarea semnificaŃiei
diferenŃelor între acestea se realizează în manieră similară cu cea a comparării
parametrilor statistici descriptivi.
Studiu de caz. VariaŃia efectivului unei populaŃii monitorizate timp de 16 ani
prezintă următoarele valori:
200
150
Efectiv (N)
100
50
Ani
0
1 2 3 5 6 7 8 10 11 12 13 15 16
N 120 68 112 84 135 110 160 56 42 31 46 95 66
Serie temporală cu salt de nivel care este testată pentru semnificaŃia distincŃiei dintre cele
două subperioade.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 60
∑x i
X = i =1
= 94.75
n
16
∑ (x i − X )2
sT2 = i =1
= 1887.13
n
∑ (x i − X1)2
s12 = i =1
= 1258.19
n1
16
∑ (x i − X 2 )2
s 22 = i =10
= 535.67
n2
s12 n1 + s 22 n 2
s2 = = 942.09
n1 + n 2
( X 1 − X ) 2 n1 + ( X 2 − X ) 2 n 2
d2 = = 939.28
n1 + n2
v 2 = s 2 + d 2 = 1881.37
d2
k = 2 * 100 = 50%
v
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 61
d2
GL
F = 2 1 = 6,96
sT
GL2
valoare care, fiind mai mare decât cea critică, permite respingerea ipotezei
nule, prin urmare există diferenŃe semnificative între cele două subperioade.
a. Indicatori absoluŃi
- Termenii absoluŃi ai seriei sunt termenii xt, fiecare reprezentând valoarea
nominală a procesului investigat la valoarea corespunzătoare de timp t. Uneori
aceştia mai sunt definiŃi şi prin date primare sau brute.
- Volumul agregat al seriei are semnificaŃie numai pentru unele ST, constând în
suma tuturor termenilor de tip xt pentru întreaga perioadă. Este evident faptul că
în multe cazuri nu are nici un sens calcularea acestui parametru (de exemplu
însumarea variaŃiilor efectivului populaŃional în timp), alteori este obligatoriu
pentru a defini o caracteristică globală a unui sistem (de exemplu cantitatea totală
de precipitaŃii raportate la un metru pătrat pentru un an). Prin urmare:
n
∑x
t =1
t = volum _ agregat
b. Indicatori relativi
Ne-am întâlnit cu această categorie de indicatori la analiza tabelelor de
viaŃă şi de fecunditate dinamice (a se revedea Sîrbu şi Benedek, 2004). Aceştia se
formează prin raportarea valorii curente la momentul t cu valoarea unui anumit
termen (de exemplu primul dintr-un şir), caz în care vorbim de indicatori relativi
cu bază fixă. De exemplu termenul coloanei lt a tabelului de viaŃă care semnifica
proporŃia de supravieŃuitori din cohorta originală, raporta efectivul cohortei la
momentul t (at), unde t lua valori succesive de-a lungul întregii generaŃii, la
efectivul momentului iniŃial (a0), adică:
at
lt =
a0
n −1
xi + xi +1
∑ 2
ti
X = i =1
n
∑t
i =1
i
∑ (x t +1 − xt )
x n − x1
∆= t =1
=
(n − 1) n −1
R = 1− I
Netezirea
Se realizează pe baza unei modalităŃi de calculare a mediilor locale ale
datelor, astfel încât componentele nesistematice ale termenilor absoluŃi ai ST să
se anuleze reciproc. Metoda comună de netezire este calcularea unei medii
mobile, care înlocuieşte fiecare termen al şirului, cu mediana, media aritmetică
simplă sau ponderată a n elemente vecine, unde n reprezintă dimensiunea sau
lăŃimea “ferestrei de netezire”. Seriile cu erori mari de măsură sunt netezite prin
tehnici mai rar utilizate cum ar fi cu metoda distanŃei ponderate a celor mai mici
pătrate. ST cu erori relativ puŃine şi sistematice sunt netezite prin utilizarea
funcŃiilor spline cubice.
n
n −1
∑ (
x t − X x t +1 − X )( )
r = t =1 n
n −1
∑ xt − X
2
( )
t =1
∑x t
X1 = t =1
n−k
n−k
∑x t +k
X2 = t =1
n−k
n−k
cov( xt , xt + k ) ∑ (x t − X 1 )( xt + k − X 2 )
rk = = t =1
s xt s xt + k n−k 2
n−k
2
∑ t ( x − X 1 ) ∑ ( xt + k − X 2 )
t =1 t =1
Dacă n este suficient de mare, caz în care cele două medii sunt egale, sau
dacă seria este staŃionară, coeficientul de autocorelaŃie se calculează după
formula:
n− k
∑ (x t − X )( xt + k − X )
rk = t =1
n−k
∑ (x
t =1
t − X )2
AN N P
CASE 1 81 145 70
CASE 2 82 151 62
CASE 3 83 139 65
CASE 4 84 126 80
CASE 5 85 150 74
CASE 6 86 164 72
CASE 7 87 151 84
CASE 8 88 145 71
CASE 9 89 159 68
CASE 10 90 189 85
CASE 11 91 165 83
CASE 12 92 158 64
CASE 13 93 178 70
CASE 14 94 198 64
CASE 15 95 183 59
CASE 16 96 177 66
CASE 9 10
CASE 10 14
CASE 11 23
CASE 12 15
CASE 13 9
CASE 14 16
CASE 15 20
CASE 16 17
CASE 17 8
CASE 18 12
CASE 19 22
CASE 20 15
CASE 21 12
CASE 22 16
CASE 23 24
CASE 24 21
CASE 25 7
CASE 26 16
CASE 27 24
CASE 28 13
CASE 29 6
CASE 30 19
CASE 31 26
CASE 32 14
CASE 33 10
CASE 34 16
CASE 35 20
CASE 36 14
unde PLOT produce graficul, acesta este urmat de numele unei variabile,
sau mai multe, despărŃite prin virgule, specificările care urmează barei slash (/)
fiind opŃionale, iar # semnifică un număr întreg.
Dacă nu se specifică nimic, programul redă reprezentarea pentru 15
articole (termeni ai seriei). Dacă se doreşte includerea mai multor termeni, se
specifică prin opŃiunea LAG = nr. de termeni.
Cu opŃiunile MIN = număr şi MAX = număr se specifică o altă scară de
raportare decât cea implicită, iar comanda NOFILL reprezintă seria sub forma
unor puncte şi nu de bare orizontale. Cuvântul rezervat CENTER permite
reprezentarea termenilor prin poziŃia relativă faŃă de media seriei de timp, iar prin
STANDARDIZE sunt înlocuite valorile reale cu cele standardizate.
De exemplu, pentru reprezentarea integrală a seriei N din EF.sys, vom
tasta:
> PLOT N/ LAG = 16
care va aduce pe ecran:
PLOT OF N
NUMBER OF CASES = 16
MEAN OF SERIES = 161.125
STANDARD DEVIATION OF SERIES = 18.977
Dacă în urma unei transformări, dorim să păstrăm într-un alt fişier noile
valori, acest fapt se specifică prin utilizarea comenzii de salvare, urmat de un
nume nou:
> SAVE nume_fişier_nou
Principalele transformări pe care le utilizăm în modelarea ST sunt realizate
prin comenzile:
> MEAN nume_veriabilă
care elimină media din serie (prin diferenŃa dintre valoarea reală şi media
aritmetică),
> LOG nume_variabilă
transformă valorile reale prin logaritmarea acestora în bază naturală,
> TREND nume_variabilă
are ca efect eliminarea tendinŃei liniare a seriei.
Comanda:
>DIFFERENCE nume_variabilă
are ca efect înlocuirea valorilor reale cu diferenŃa dintre fiecare termen şi
cel precedent, având aplicaŃii practice în transformarea seriei într-una staŃionară.
Dacă dorim să realizăm diferenŃa între valoarea reală şi una situată anterior cu un
număr oarecare de paşi (de exemplu pentru eliminarea periodicităŃii), specificăm
intenŃia prin acordarea unui număr natural în dreptul cuvântului rezervat LAG, de
exemplu:
> DIFFERENCE nume_variabilă / LAG = 4
are ca efect executarea succesivă a diferenŃelor dintre termenul curent şi cel
situat cu 4 paşi înainte.
Dacă dorim raportarea tuturor termenilor şirului la o valoare constantă,
care serveşte ca bază de raportare, indicăm variabila şi numărul curent al valorii
dorite, prin comanda:
> INDEX nume_variabilă/ BASE = număr_curent
De exemplu:
> INDEX N / BASE = 1
va avea ca efect raportarea tuturor valorilor efectivului din EF.sys la prima
valoare a şirului din primul an de studiu.
PLOT OF AUTOCORRELATIONS
PLOT OF AUTOCORRELATIONS
Graficul de mai sus constituie opoziŃia celui obŃinut pe date reale (cu
tendinŃă prezentă). Acum vom putea mai bine înŃelege semnificaŃia unei
autocorelograme, aşa cum rezultă aceasta din studiul de caz nr. 2:
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 72
>USE F
>ACF C / LAG= 36
PLOT OF C
NUMBER OF CASES = 36
MEAN OF SERIES = 15.444
STANDARD DEVIATION OF SERIES = 5.101
PLOT OF AUTOCORRELATIONS
având ca rezultat:
PLOT OF CROSS CORRELATIONS
Acest grafic indică: existenŃa unor tendinŃe similare în cele două populaŃii,
existenŃa unor defazaje în timp (decalări ale efectivului), susŃinând ideea unei
corelaŃii cu tendinŃă inversă.
Prin urmare la ST staŃionare şi periodice, autocorelogramele tind să
prezinte forma unei frunze de ferigă cu baza în sus. Coloanele evidente, indicând
corelaŃii puternice, sunt opuse şi descrescătoare, negativ corelate. Între ele
coeficienŃii de autocorelaŃie au valori mici; deci valorile învecinate au
amplitudini foarte mari.
ST cu tendinŃă şi periodicitate valorile coeficienŃilor de autocorelaŃie
învecinaŃi sunt foarte similare, valorile îndepărtate prezentând tendinŃa de
corelaŃie negativă. Şirul coeficienŃilor tinde să fie monoton, fără salturi mari,
până la un punct, după care revine treptat spre zero.
ST staŃionare şi neciclice se caracterizează prin coeficienŃi de autocorelaŃie
extrem de mici (prin comparaŃie), rar depăşind 0,2, indiferent de semn. Nu se
decelează un model sau o formă distinctă a aranjării valorilor; coloanele sunt
distribuite în sens pozitiv sau negativ într-o aparentă dezordine, iar domeniul de
confidenŃă este îngust, prin comparaŃie cu modelele anterioare.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 74
Nt = Nt-1 + B + I - M - E
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 75
x ax lx dx qx Fx mx l xm x
Ouă (0) 44000 1.000 0.920 0.92 - - -
Stadiul 1 3513 0.080 0.022 0.28 - - -
Stadiul 2 2529 0.058 0.014 0.24 - - -
Stadiul 3 1922 0.044 0.011 0.25 - - -
Stadiul 4 1461 0.033 0.003 0.11 - - -
AdulŃi 1300 0.030 0.030 1.00 22617 17 0.51
În acest tabel stadiul, vârsta sau intervalul de timp, este codificat prin x, iar
variabilele specifice de stadiu prin indicele subscript x (de exemplu ax sau l x).
Variabilele din acest tabel au următoarea semnificaŃie:
ax = numărul de indivizi în viaŃă la începutul fiecărui stadiu. Aceste valori sunt
specifice fiecărei populaŃii şi an, făcând comparaŃiile directe imposibile. De
aceea se lucrează cu valori standard, care se trec în coloana următoare, şi
anume:
l x = proporŃia de indivizi din stadiul iniŃial care au supravieŃuit la începutul
stadiului x:
lx = ax / ao
d x = proporŃia de indivizi eliminaŃi din populaŃie în fiecare stadiu, adică:
(l x - l x+1)
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 76
Nt+1 = RtNt
3
Nmax
0 N
Fig. 7.1. Trei modele potenŃiale de dependenŃă între fracŃia indivizilor care
supravieŃuiesc într-o unitate de timp (s) şi densitatea sau abundenŃa populaŃiei (N); după
Gillman şi Hails, 1997.
Cel mai simplu model evidenŃiat de Fig. 7.1 este relaŃia liniară dintre
fracŃia de supravieŃuire s şi abundenŃă N (modelul 2). Reamintim că ecuaŃia
generală a dreptei este:
f(x) = a + bx
s = 1 - mN
s = 1 - (1 / Nmax) N
s = 1 - N / Nmax
Nt
N t +1 = N t λ1 −
N max
N
N t +1 = λN t 1 − t
K
respectiv:
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 80
λN 2t
N t +1 = λN t (1 − αN t ) = λN t −
K
unde n este un număr natural; n ≥ 0. Ordinul sau gradul acestui model este cea
mai mare putere a lui x în expresia funcŃiei.
Având ecuaŃia dinamicii populaŃionale dependente de densitate, putem
realiza numeroase simulări pe calculator (în programul MathCAD de exemplu) ,
dând valori parametrilor λ, K şi Nt, respectiv urmărind modul în care aceştia se
reflectă în variaŃiile valorii aşteptate Nt+1.
K1 := 100 K2 := 200 λ := 2 t := 1 .. 20
N1 := 30 D1 := 30
Nt Dt
Nt+1 := λ ⋅Nt ⋅ 1 − Dt+1 := λ ⋅Dt ⋅ 1 −
K1 K2
120
120
100
Nt
80
Dt
60
40
30
0 5 10 15 20
0 t 21
150
150
Nt 100
Dt
50
30
0 5 10 15 20
0 t 21
200
200
150
Nt
Dt
100
50
30
0 5 10 15 20
0 t 21
210 200
150
Nt
Dt 100
50
0 0
0 5 10 15 20
0 t 21
s = e-aN
1
1
s1 N
s2 N
0.5
s3 N
0 0
0 100 200 300 400 500
0 N 500
Nt+1 = λNte-aNt
N t +1 N
= λe −aN t ⇔ ln t +1 = ln(λ ) − aN t
Nt Nt
Prin urmare, datele demografice experimentale se pot reprezenta sub forma
unei drepte de regresie de tipul ecuaŃiei de mai sus, după care estimăm ln(λ) din
intercepŃia ordonatei de către dreapta de regresie (lnλ) iar panta dreptei sau
coeficientul de regresie va fi egal cu parametrul a.
Pînă în acest moment am considerat populaŃia ca având generaŃii discrete,
sau că procesul de reproducere se desfăşoară în mod discret în cadrul unor
populaŃii cu generaŃii suprapuse. În natură însă, aceste trăsături acoperă doar o
parte din posibilităŃi: numeroase specii nu îşi sincronizează reproducerea, care
poate fi astfel considerată ca un proces continuu. Evident modelele de tip recurent
nu mai sunt valabile în acest caz; noul model pe care îl căutăm va trebui să se
raporteze la un timp continuu, şi astfel vom dezvolta modelele diferenŃiale, pe
care le vom studia în materia din semestrul următor.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 85
Atunci când modelele (fie ele teoretice sau statistice) sunt utilizate pentru
planificarea măsurilor de management a resurselor naturale, trebuie considerate
cele două paradoxuri ale lui Ludwig (1995, ap. Mangel şi col., 2001), care
relaŃionează incertitudinile din natură cu cele ale modelelor, şi anume:
1. Managementul productivităŃii durabile nu poate fi optim;
2. Modelele eficiente de management nu pot fi realiste.
Sursele acestor două paradoxuri sunt legate de problemele ridicate de
statistică şi relaŃiile dintre modele şi date. Una dintre implicaŃiile acestora, şi în
mod special al celui de-al doilea paradox, este şi aceea conform căreia:
"consideraŃiile statistice invalidează toate modelele, cu excepŃia celor mai simple,
agregative, ca unelte eficiente de management".
Y = a + b*X
unde a şi b sunt parametri care trebuie estimaŃi, adică acele mărimi care fac
obiectul principal al modelării statistice, legând datele experimentale de cele
teoretice (ale modelului). Şi iată un prim model statistic. Algoritmul de modelare
este următorul (a se revedea pentru detalii Sîrbu şi Benedek, 2004):
SP = ∑( xi − X )( yi − Y )
SSX = ∑( xi − X )2
SSY = ∑( yi − Y )2
SP
b=
SSX
a = Y − bX
SP 2
r2 =
SSX * SSY
b
t=
sb
unde :
SSX * SSY − SP 2
sb =
SSX 2 * (n − 2)
Dacă valoarea calculată este mai mare decât valoarea critică din tabelul
testului t (a se vedea Anexa I) la nivelul 0.05 şi (n-2) grade de libertate,
respingem ipoteza nulă.
g. Determinarea limitelor de confidenŃă ale coeficientului de regresie se
realizează prin intermediul expresiei:
β = b ± t ∗ sb
1 x − X
sy = s + i 2 ( ) 2
n SSX
sau:
♦ Modele polinomiale
Regresia polinomială este un model care apare în mod obişnuit în studiile
de biologie şi ecologie. Dacă studiem, de exemplu, o relaŃie între rata de
dăunători care mor (MORT - variabila dependentă) ca urmare a unui şir de
concentraŃii ale unor substanŃe insecticide (CON_I), putem obŃine într-un studiu
de caz următoarele valori:
1.0 C:9
C:3
C:1
0.8
C:7
MORT
0.6 C:5
C:6
0.4
C:2C:8
0.2
C:10 C:4
0.0
200 400 600 800 1000
CON_I
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 95
C = a * exp(b1*V)
iar calculatorul va estima automat toŃi termenii ecuaŃiei pe care nu îi recunoaşte
sub forma de etichete ale variabilelor sau alŃi coeficienŃi predefiniŃi. Rezultatul va
arăta astfel:
Model: C=A*EXP(B*V)
y=(0.9486946)*exp((-0.0913291)*x)
1.1
0.9
0.7
0.5
C
0.3
0.1
-0.1
5 10 15 20 25
V
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 96
Unitate 1 Unitate2
NR. A QI NR. A QI
1 1.000 .890 1 1.000 .590
2 1.000 .910 2 1.000 .890
3 1.000 .780 3 1.000 .580
4 0.000 .230 4 0.000 .120
5 0.000 .150 5 0.000 .780
6 0.000 .840 6 0.000 .910
7 0.000 .730 7 0.000 .260
8 0.000 .610 8 0.000 .530
9 1.000 .840 9 1.000 .480
10 1.000 .790 10 1.000 .910
11 0.000 .360 11 0.000 .260
12 0.000 .210 12 0.000 .580
13 0.000 .150 13 0.000 .730
14 0.000 .150 14 0.000 .610
15 0.000 .200 15 0.000 .450
16 0.000 .160 16 0.000 .910
17 1.000 .790 17 1.000 .820
18 1.000 .990 18 1.000 .460
19 1.000 .890 19 1.000 .480
20 1.000 .730 20 1.000 .660
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 97
exp(b 0 + b1 x 1 + ... + b n x n )
y=
1 + exp(b 0 + b1 x 1 + ... + b n x n )
1.0
0.8
0.6
A
0.4
0.2
0.0
-0.2
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
QI
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 98
1.0
0.8
0.6
A
0.4
0.2
0.0
-0.2
0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
QI
b0
y=
1 + b1 exp(b 2 x )
P1 d
P0 d
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 100
Există mai multe metode pentru a afla dacă un model este semnificativ, în
sensul potrivirii valorilor prognozate cu cele observate, respectiv pentru
evaluarea erorilor şi a semnificaŃiei coeficienŃilor.
Selectând meniurile corespunzătoare, putem de exemplu evalua proporŃia
de varianŃă explicată de către model. Astfel, putem obŃine valori cu privire la
varianŃa totală a variabilei dependente (suma totală de pătrate, SST), proporŃia de
varianŃă datorată rezidualelor (suma de pătrate a erorilor, SSE) şi proporŃia de
varianŃă datorată modelului de regresie (suma de pătrate a regresiei: SSR = SST -
SSE). Raportul SSR / SST explică proporŃia de varianŃă înregistrată de model în
variabila dependentă, motiv pentru care această rată este echivalentă cu
coeficientul de determinare (r2 care ia valori între 0 şi 1).
0.9
0.7
Valori Obsevrate
0.5
0.3
0.1
-0.1
0.0 0.2 0.4 0.6 0.8 1.0
Valori Prognozate
9. ACTIVITATE INDEPENDENTĂ;
PROBLEME
Problema 1.
În tabelul de mai jos sunt redate valorile unor parametri fizico-chimici şi ai
biodiversităŃii comunităŃilor acvatice din 9 staŃii de prelevare a probelor,
amplasate de-a lungul râului Cibin (după A. Bănăduc, 2005).
Codurile utilizate au următoarele semnificaŃii:
RF = reziduu fix, DO = deficit de oxigen, CBO5 = consum chimic de oxigen
după 5 zile, CMN = consum chimic de oxigen prin metoda permanganatului de
potasiu, MA = indicele Margalef, ISIM = indicele Simpson inversat.
SemnificaŃiile codurilor staŃiilor: S1 - Râu Mare amonte de confluenŃa cu
Dăneasa; S2 - Cheile Cibinului, S3 - amonte lacul Gura Râului, S4 - aval baraj
Gura Râului, S5 - aval Orlat, S6 - amonte Sibiu, S7 - aval Sibiu, S8 - aval Mohu,
S9 - amonte vărsare în Olt.
CerinŃele problemei:
1. Să se discute posibilităŃile de reprezentare grafică a acestor valori.
2. Să se discute posibilităŃile de prelucrare a datelor.
3. Să se efectueze analiza de corelaŃie între valorile celor doi indici de
biodiversitate, şi o analiză similară între parametrii CBO5 şi CMN.
4. Să se efectueze analiza de regresie între CBO5 şi MA, şi o analiză similară
între CMN şi ISIM.
5. Să se calculeze matricea cu valorile standardizate ale variabilelor.
6. Pe baza matricii cu valori standardizate să se calculeze matricea de distanŃe
euclidiene între staŃiile de colectare a probelor (S1, S2 ... S9).
7. Să se reprezinte grafic matricea de distanŃe euclidiene printr-o dendrogramă,
utilizând metoda de grupare la distanŃă medie.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 104
Taxon / StaŃie S1 S2 S3 S4 S5 S6 S7 S8
Hydroidea 0,00 0,00 0,00 0,00 0,45 0,00 0,45 0,10
Plathelminthes 3,46 0,00 0,00 0,00 0,00 0,00 0,00 0,10
Nemathelminthes 0,00 0,00 0,28 0,45 0,18 0,04 0,57 4,47
Oligochaeta 19,04 9,46 3,50 63,29 18,89 63,29 53,31 14,94
Hirudinea 0,00 0,00 0,00 0,34 0,00 0,00 0,00 0,00
Mollusca 0,58 0,17 1,83 0,68 0,36 0,00 0,00 0,10
Amphipoda 56,35 57,54 0,08 0,00 0,00 0,00 0,00 0,00
Hydracarina 0,19 0,62 2,87 0,00 0,09 0,00 0,00 0,00
Collembola 0,00 0,17 0,00 0,00 0,00 0,00 0,06 0,00
Ephemeroptera 4,61 8,77 3,82 7,87 6,83 5,24 2,93 0,81
Odonata 0,00 0,00 0,00 0,00 0,18 0,08 0,06 0,00
Plecoptera 1,54 1,99 0,12 0,34 0,00 0,00 0,00 0,00
Trichoptera 0,19 1,16 33,24 0,00 2,61 0,60 2,99 0,51
Coleoptera 9,81 13,43 0,72 0,00 0,00 0,04 0,00 0,00
Chironomidae 3,65 6,07 51,47 27,03 68,71 30,27 38,80 78,77
Diptera 0,58 0,62 2,07 0,00 1,71 0,44 0,82 0,20
S1 S2 S3 S4
V$ C_GRAD C_VRANI N_SASCA L_TRIK
SMPA 23.070 24.560 8.600 1.660
CPA 3.840 24.560 3.220 3.320
LPA 17.290 3.510 0.000 1.660
SMSUA 44.200 29.820 54.840 1.660
CSUA 1.910 3.510 19.350 0.000
SMMUA 5.750 5.260 19.350 0.000
CMUA 3.830 10.520 58.060 0.000
LXMUA 17.290 5.260 3.220 3.320
LINUA 28.830 26.310 36.560 0.000
INFLUA 0.000 1.750 7.520 6.660
SFSUP 84.610 59.650 89.240 1.660
SFMED 80.750 43.860 87.100 3.320
SFINF 28.830 26.310 36.560 0.000
NEMORN 5.760 33.330 6.450 91.670
E3 9.610 5.260 11.830 100.000
I3 1.920 5.260 6.450 100.000
E2 40.380 10.520 51.610 0.000
I2 55.760 17.540 65.590 0.000
E1 3.850 0.000 0.000 0.000
I1 7.690 0.000 1.070 0.000
NDB 32.700 77.190 17.200 0.000
A B C
132.000 132.000 154.000
453.000 112.000 132.000
325.000 132.000 124.000
354.000 133.000 146.000
567.000 125.000 155.000
678.000 143.000 167.000
768.000 122.000 185.000
756.000 154.000 177.000
456.000 135.000 164.000
423.000 143.000 152.000
132.000 165.000 120.000
243.000 134.000 135.000
465.000 133.000 122.000
543.000 146.000 127.000
365.000 162.000 149.000
576.000 154.000 164.000
789.000 152.000 173.000
867.000 155.000 159.000
536.000 162.000 158.000
435.000 166.000 144.000
122.000 172.000 139.000
637.000 164.000 136.000
946.000 166.000 121.000
242.000 164.000 143.000
456.000 165.000 150.000
165.000 168.000 167.000
377.000 179.000 170.000
232.000 182.000 181.000
747.000 168.000 162.000
134.000 193.000 152.000
132.000 174.000 148.000
456.000 199.000 144.000
111.000 177.000 130.000
n
1
2
∑
− R
1 i =1 ri
var(Dˆ H ) ≈ Dˆ H +
2
n R 2
n ( n − 1)
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 108
ES ( Dˆ H ) = var(Dˆ H )
iar limitele de confidenŃă (L1,2) ale densităŃii medii se calculează după expresiile:
L1, 2 = Dˆ H ± tα ES ( Dˆ H )
unde: tα = valoarea critică din tabelul t-Student la nivelul de asigurare ales (uzual
0.05) şi (n-1) grade de libertate = 1,64.
x f(x)
1 14.8
4 160.0
9 1689.0
15 7775
42 170400
50 287500
Problema 10. În tabelul de mai jos x este variabila independentă iar f este cea
dependentă. Care dintre următoarele modele este cel mai adecvat descrierii
fenomenului?
a. f=a+bx
b. f=a+bx3
c. f=a*bx
d. f=a*ex - asta este!
x f(x)
1 0.815
4 16.379
9 2431
15 980700
Problema 11. În tabelul de mai jos x şi y sunt variabile independente, iar f este
funcŃia bivariată f(x,y).
x y f(x, y)
1 1 0.665
5 5 1.923
9 9 -0.218
12 12 0.164
24 24 1.045
28 28 -7.777
32 32 -1.458
42 42 3.954
50 50 1.952
care dintre următoarele modele neliniare, aproximează cel mai bine această
relaŃie?
răspuns: b
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 110
1. Andrei, T., Stancu, S., Pele, D.T., 2002 - Statistică. Teorie şi aplicaŃii. Ed.
Economică, Bucureşti.
2. Begon, M., Harper, J.L., Townsend, C.R., 1986 - Ecology. Individuals,
Populations and Communities. Sinauer Associates Inc., Publ., Sunderland,
Massachusets.
3. Cox, G.W., 2002 - General Ecology; Laboratory Manual (Eight Edition),
McGraw - Hill Publ., 312 pp.
4. Curtean-Bănăduc, A., 2005 - Râul Cibin. Caracterizare ecologică. Ed. Univ.
"Lucian Blaga" Sibiu, 242 pp.
5. Digby, P.G.N., Kempton, R.A., 1987 - Multivariate Analysis of Ecological
Communities. Chapman and Hall, London, New York, 203 pp.
6. Diggle, P.J., 1995 - Time Series. A Biostatistical Introduction. Clarendon
Press; Oxford University Press, 257 pp.
7. Drăgulescu, C., Sîrbu, I., 1997 - Practicum de Fitocenologie. Univ. "Lucian
Blaga" Sibiu, 102 pp.
8. Edgar, G.A., 1990 - Measure, Topology and Fractal Geometry. Springer-Verlag,
New York, Berlin, Heidelberg, London, Paris, Tokyo, Hong-Kong, 230 pp.
9. Falniowski, A., 2003 - Metody numeryczne w taksonomii. Wydawnictwo
Uniwersytetu Jagiellońskiego, Kraków.
10.Gillman, M., Hails, R., 1997 - An Introduction to Ecological Modelling;
Puting Practice into Theory. Methods in Ecology (eds. J.H. Lawton, G. E.
Likens). Blackwell Sceince.
11. Gomoiu, M.T., Skolka, M., 2001 - Ecologie; Metodologii pentru studii
ecologice. Ovidius University Press, ConstanŃa.
12. Hair, J.F., Anderson, R.E., Tatham, R.L., Black, W.C., 1998 - Multivariate
Data Analysis Prentice Hall, New Jersey.
13. Hastings, H.M., Sugihara, G., 1993 - Fractals; A User’s Guide for the Natural
Sciences. Oxford University Press, Oxford, New York, Tokyo, 232 pp.
14. Jeffries, C., 1989 - Mathematical Modeling in Ecology; a Workbook for
Students. Mathematical Modeling, 3, Birkhäuser - Boston, Basel, Berlin, 191
pp.
15. Johnson, R.A., Wichern, D.W., 1998 - Applied Multivariate Statistical
Analysis (Fourth Edition). Prentice Hall, New Jersey
16. Jørgensen, S.E., 1988 - Fundamentals of Ecological Modelling. Developments
in Environmental Modelling, 9. Elsevier; Amsterdam, Oxford, New York,
Tokyo.
17. Jørgensen, S.E., Bendoricchio, G., 2001 - Fundamentals of Ecological
Modelling. (Third Edition) Developments in Environmental Modelling, 21.
Elsevier; Oxford, 1 - 523.
18. Kanji, G.K., 1993 - 100 Statistical Tests; Sage Publications, London, Newbury
Park, New Delhi.
I. Sîrbu - Bazele modelării proceselor şi sistemelor ecologice (I - 2008) 111
19. Krebs, C.J., 1989 - Ecological Methodology. Harper Collins Publishers, New
York.
20. Mangel, M., Fiksen, Øyvind, F., Giske, J., 2001 - Theoretical and Statistical
Models in Natural Resource Management and Research. In: Shenk, T.M.,
Franklin, A.B., (Editors) - Modeling in Natural Resource Management.
Development, Interpretation, and Application. Island Press, Washington,
Covelo, London, 57 - 73.
21. Saporta, G., Ştefănescu, V., 1996 - Analiza datelor şi informatică. Ed. Econ.,
Bucureşti.
22. Silvert, W., 2001 - Modelling as a Discipline. Int. J. General Systems, 30 (3),
261 - 282.
23. Sîrbu, I., 1996 - Programe pe calculator pentru asistarea studiilor de
speoclimatologie. Cercetări speologice, 4, ed. C.N.T.T., p. 70 - 82.
24. Sîrbu, I., 2003 – A new mathematical measure of ecological niches overlap
and similarity assessment. Acta oecologica, Univ. “Lucian Blaga” Sibiu, 10
(1-2), 167 - 172.
25. Sîrbu, I., 2003 - Sisteme ecologice: structură şi funcŃii; Partea a 2-a - ecologia
comunităŃilor; Note de curs. Univ "Lucian Blaga" Sibiu, 100 pp.
26. Sîrbu, I., Benedek, A.M., 2004 - Ecologie practică. Ed. Univ. Lucian Blaga,
Sibiu.
27. Sîrbu, I., 2007 - Introducere în modelarea proceselor şi sistemelor ecologice
(în format electronic - suport de curs şi aplicaŃii practice; în curs de publicare;
250 pp).
28.Scheiber, E., Lixăndroiu, D., 1994 - MathCAD. Prezentare şi probleme
rezolvate. Ed. Tehnică, Bucureşti.
29. Smith, R.L., 1986 - Elements of Ecology (second edition). Harper & Row,
Publishers, New-York.
30. Smith, R.L., 1990 - Ecology and Field Biology. Harper & Row, Publishers,
New York, Grand Rapids, Philadelphia, St. Louis, San Francisco, London,
Sydney, Tokyo.
31. Takayasu, H., 1990 - Fractals in the physical sciences. Manchaster University
Press; Manchaster and New York, 169 pp.
32. White, G.C., 2001 - Statistical Models: Keys to Understanding the Natural
World. In: Shenk, T.M., Franklin, A.B., (Editors) - Modeling in Natural
Resource Management. Development, Interpretation, and Application. Island
Press, Washington, Covelo, London, 35 - 56.
33. Yakowitz, S.J., 1977 - Computational probability and simulation. Applied
mathematics and simulation, 12. Addison- Wesley Publishing Company, Inc.
Massachussetts.
34. *** 2001 - Mathcad. User's Guide with Reference Manual; Mathcad 2001,
Professional; www.mathsoft.com.