BIOMETRIKA
BIOMETRIKA
BIOMETRIKA
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
<strong>BIOMETRIKA</strong><br />
Poslijediplomski studij<br />
“Zaštita bilja”
Tematske cjeline:<br />
Znanstveno utemeljena obrada podataka<br />
Oblici raspodjele učestalosti s osvrtom na ZB<br />
ANOVA<br />
Kombinirani pokusi u prostoru i vremenu<br />
Modificirani ili prilagoĎeni pokusi<br />
Analiza vremenskih serija<br />
Nelinearna korelacija i regresija<br />
Neparametrijska statistika i testovi
Etape znanstveno-istraživačkog<br />
(statističkog) rada<br />
Statističko promatranje<br />
SreĎivanje pokusnih podataka<br />
Znanstveno utemeljena obrada<br />
podataka
Statističko promatranje<br />
Uzorkovanje (prikupljanje i notiranje pokusnih<br />
podataka ili jedinica promatranja)<br />
Svaka pokusna tehnika ima specifične načine<br />
prikupljanja podataka, odnosno metode uzoraka:<br />
– sondiranje (silosi i skladišni prostori),<br />
– otkidanje biljnih dijelova (višeetapni ili višefazni rad),<br />
– prikupljanje i brojanje štetnika ili korova,<br />
– praćenje raznih oštećenja na biljnom tkivu: mikoze, viroze,<br />
nekroze i sl.
Statističko promatranje<br />
Mjesta prikupljanja, markiranja i notiranja<br />
uzoraka:<br />
– polje,<br />
– plastenici i staklenici,<br />
– rasadnici,<br />
– laboratorij i hidroponi (umjetne podloge, klimakomore<br />
i sl.)<br />
– silosi i skladišni prostori,
Statističko promatranje<br />
Načini i tehnike notiranja uzoraka ili jedinica<br />
promatranja:<br />
• upis u ranije pripremljene sheme ili obrasce<br />
• elektronička pohrana podataka “elektronički<br />
sjetvenici”: prijenosna računala ili drugi mobilni<br />
ureĎaji
Statističko promatranje<br />
Oblici i načini pripreme pokusnih podataka<br />
za statističku obradu:<br />
– ocjene ili procjene (različite mjerne skale i metode<br />
ocjenjivanja (0 do 5, 0 do 10 i slično) – dominiraju<br />
neparametrijske metode ocjenjivanja,<br />
– uporaba apsolutnih ili relativnih brojeva ili kvantitativnih<br />
metoda - dominiraju parametrijske metode ocjenjivanja,
Statističko promatranje<br />
Vrijeme promatranja: vremenski definirano,<br />
• “kritični trenutak promatrane pojave”: fenofaze, etape<br />
organogeneze, praćenje populacije štetnika, korova ili biljne<br />
bolesti,<br />
• biologija patogena i korelacija s vremenskim i edafskim<br />
čimbenicima,<br />
Prognozna i izvještajna služba
Sređivanje pokusnih podataka:<br />
• sortiranje i grupiranje podataka,<br />
• formiranje vremenskih ili drugih nizova,<br />
• grafičko ili preliminarno prikazivanje,<br />
• “Ad Hoc” testovi, opisna (deskriptivna)<br />
statistika: izračunate i položajne srednje<br />
vrijednosti, mjere varijacije ...,<br />
• testovi za provjeru “normaliteta podataka”...
Sređivanje pokusnih podataka:<br />
Već na osnovi sortiranja pokusnih podataka,<br />
formiranja razreda i raspodjele učestalosti, moguće<br />
je preliminarno odrediti smjernice za daljnja<br />
istraživanja.
Znanstveno utemeljena<br />
obrada podataka:<br />
U ovoj etapi znanstvenog rada rabe se brojne statističke metode:<br />
izračunate i položajne srednje vrijednosti,<br />
relativni brojevi,<br />
mjere varijacije,<br />
analiza varijance,<br />
korelacijska i regresijska analiza,<br />
... druge metode.<br />
Na osnovi navedenih statističkih tehnika i analiza, usvajaju se ili odbacuju pokusom<br />
postavljene nulte hipoteze ili otkrivaju veze i zakonitosti izmeĎu ispitivanih<br />
čimbenika, tremana i pojava.<br />
Samo ispravno prikupljeni i statistički obrađeni podaci, mogu u završnoj,<br />
znanstvenoj analizi, rezultirati donošenjem valjanih zaključaka.
Oblici raspodjele učestalosti:<br />
• Gaussova normalna raspodjela<br />
• simetričnost<br />
• asimetričnost<br />
• spljoštenost<br />
Oblik raspodjele ovisi o izvoru i jačini čimbenika koji utječu na<br />
promatranu pojavu!
Oblici raspodjele učestalosti:<br />
Simetrična raspodjela učestalosti<br />
• nastaje pri utjecaju čimbenika suprotnog smjera, ali istog intenziteta,<br />
• broj jedinica s vrijednostima manjim od aritmetičke srednje vrijednosti (50%) jednak<br />
je broju jedinica čije su vrijednosti obilježja veće od aritmetičke sredine (50%),
Oblici raspodjele učestalosti:<br />
Asimetrične raspodjele učestalosti:<br />
Negativna ili ljevostrana: Pozitivna ili desnostrana:<br />
x Medijana Mod<br />
Mod <br />
Medijana x
Oblici raspodjele učestalosti:<br />
Spljoštenost ili opterećenost vrha krivulje:<br />
- stupnjevanje u odnosu na visinu normalne krivulje -<br />
f<br />
( x)<br />
<br />
<br />
x<br />
1<br />
e<br />
2<br />
(<br />
xM<br />
2<br />
U slučaju da su sve učestalosti iste grafički<br />
prikaz raspodjele bio bi pravokutan.<br />
x<br />
2<br />
)<br />
2
Oblici raspodjele učestalosti:<br />
mezokurtičan: srednja ili normalna<br />
zaobljenost<br />
leptokurtičan: negativna zaobljenost<br />
platikurtičan: pozitivna zaobljenost<br />
Pozitivna izduženost krivulje ukazuje na to da se u središnjici varijacijskog dijela<br />
ili krivulje nalazi više jedinica promatranja nego kod normalne raspodjele. I protivno,<br />
negativna izduženost krivulje ukazuje na manju zastupljenost jedinica promatranja u<br />
središnjem dijelu krivulje.
Oblici raspodjele učestalosti:<br />
Asimetričnost i spljoštenost krivulje:<br />
normalna krivulja
Analiza varijance<br />
Ispitivanje nulte hipoteze:<br />
H X X X ... X k <br />
0...<br />
1 2 3<br />
U svojoj osnovi analiza varijance je probabilistička metoda;<br />
Probabilan (probabilis) vjerojatan, moguć; probabilizam – tvrdnja da je svaka spoznaja<br />
samo vjerojatna<br />
H X X X ... X k <br />
ili<br />
0...<br />
1 2 3<br />
X<br />
X
Sir Ronald Fisher<br />
Analiza varijance<br />
F <br />
F test (Fisherov test)<br />
Varijanca<br />
Varijanca<br />
tretmana<br />
pogreške
Analiza varijance<br />
Source<br />
Of<br />
Variation<br />
d.f.<br />
Sum<br />
of<br />
Square<br />
Mean<br />
Square<br />
F<br />
value<br />
F<br />
required<br />
Treatments<br />
Residual<br />
Total<br />
1<br />
<br />
k<br />
k<br />
N <br />
1<br />
<br />
N<br />
SS<br />
T<br />
SS<br />
P<br />
SS<br />
U<br />
1<br />
<br />
k<br />
T SS<br />
2<br />
P<br />
SS<br />
s<br />
k<br />
N<br />
P<br />
<br />
<br />
1<br />
<br />
N<br />
U SS<br />
2<br />
P<br />
MS<br />
s<br />
T
Analiza varijance<br />
Parametrijski statistički testovi:<br />
SD<br />
– usporedba izmeĎu sredina tretmana –<br />
<br />
t (Studentov) test:<br />
s<br />
2<br />
p<br />
r<br />
t<br />
<br />
X<br />
i <br />
SD<br />
X<br />
j
Analiza varijance<br />
LSD ili NZR test:<br />
S<br />
( X i X<br />
j )<br />
=<br />
=<br />
2s<br />
r<br />
2<br />
p<br />
NZR0,05 t(<br />
0,05;<br />
dferror<br />
) ( X X<br />
=<br />
NZR0,01 t(<br />
0,01;<br />
dferror<br />
) ( X X<br />
*<br />
*<br />
S<br />
S<br />
i<br />
i<br />
j<br />
j<br />
)<br />
)
Analiza varijance<br />
Tukey test:<br />
S<br />
( X )<br />
=<br />
=<br />
s<br />
2<br />
p<br />
r<br />
Q 0,05 q(<br />
0,05;<br />
15)<br />
=<br />
Q 0,01 q(<br />
0,01;<br />
15)<br />
*<br />
*<br />
S<br />
S<br />
X<br />
X
Analiza varijance<br />
Duncanov test:<br />
S<br />
( X )<br />
=<br />
s<br />
2<br />
p<br />
r<br />
• test višestrukih usporedbi sredina svih tretmana,<br />
• višestruki test razmaka,
Analiza varijance<br />
Duncanov test (POSTUPAK!)<br />
a) za ispitivanje statističke značajnosti razlike tretmana rabi se posebna tablica iz koje<br />
se, na osnovi broja stupnjeva slobode pogreške i svakog razmaka posebno, iščitavaju<br />
kritične vrijednosti,<br />
b) svaka kritična vrijednost množi se sa standardnom pogreškom da bi se dobio<br />
najmanji značajni razmak,<br />
c) razlike između sredina tretmana ispituju se tako da se prvo pronađe razlika između<br />
najveće i najmanje sredine te se ona uspoređuje s najmanjim značajnim razmakom za<br />
razmak 6. Ako je veća, razlika se smatra statistički značajnom,<br />
d) zatim se ispituje razlika između najveće sredine i sljedeće najmanje sredine i<br />
uspoređuje s najmanjim značajnim razmakom za razmak 5. Na sličan način ispituju se<br />
razlike na osnovi razmaka 4, 3 i 2.
Analiza varijance<br />
Dunnettov test:<br />
• test se rabi u slučajevima kada se usporeĎuju razlike izmeĎu kontrolnog i<br />
drugih ispitivanih tretmana u pokusu,<br />
• izračunava se jedna kritična ili granična vrijednost s kojom se usporeĎuju<br />
razlike izmeĎu kontrolnoga i ostalih tretmana, a na osnovi slijedećega izraza:<br />
d' tDs<br />
( X <br />
i X<br />
“tD” - vrijednost iz Dunnettove tablice za “k” tretmana i broj stupnjeva<br />
pogreške iz analize varijance.<br />
j<br />
)
Analiza varijance<br />
Osnovni preduvjeti za statistiku ANOVA-e:<br />
(a) homogenost varijanci<br />
(b) aditivnost<br />
(c) ortogonalnost
Analiza varijance<br />
Homogenost varijanci:<br />
ujednačenost varijanci pogreške svakoga tretmana,<br />
Ispituje se statističkim testovima:<br />
F max <br />
HARTEYEV Fmax test<br />
najveća varijanca<br />
od k tretmana<br />
najmanja varijanca<br />
od k tretmana<br />
BARTLETTOV χ2 test:<br />
C<br />
k 1<br />
1<br />
3k(<br />
n 1)<br />
2<br />
<br />
2,<br />
3026(<br />
n 1)(<br />
k log s<br />
C<br />
2<br />
<br />
k<br />
<br />
i1<br />
log s<br />
2<br />
i<br />
)
Analiza varijance<br />
Aditivnost:<br />
neaditivnost je posljedica multiplikativnosti, odnosno rasčlambe<br />
vrijednosti izmjere na aditivne komponente.<br />
moguće ju je izbjeći transformacijom podataka,<br />
ispituje se primjenom Tukeyevog testa aditivnosti:<br />
Aditivnost<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
t<br />
<br />
i1<br />
j1<br />
b<br />
<br />
j1<br />
b<br />
( X<br />
X<br />
0 j<br />
ij<br />
( X<br />
<br />
X<br />
0<br />
j<br />
00<br />
<br />
)<br />
2<br />
X<br />
<br />
<br />
<br />
00<br />
<br />
<br />
<br />
t<br />
<br />
i1<br />
)( X<br />
( X<br />
i 0<br />
i 0<br />
<br />
<br />
X<br />
X<br />
00<br />
00<br />
<br />
) <br />
<br />
)<br />
2<br />
2
Analiza varijance<br />
Transformacije podataka:<br />
Osnovna uloga transformacije podataka je prevoĎenje izvornih<br />
podataka u neku drugu skalu, pri čemu se može postići<br />
zadovoljavanje preduvjeta za primjenu analize varijance.<br />
Nakon transformacije, odnos i poredak za sve podatke, u<br />
odnosu na izvorne, ostaju nepromjenjeni.<br />
Podaci se transformiraju na više načina, od kojih su neki<br />
učestaliji u primjeni.
Analiza varijance<br />
Transformacije podataka:<br />
Optimalna transformacija podataka bit će ona čija će krivulja ili<br />
histogram raspodjele učestalosti biti najpribližniji normalnoj.<br />
Nakon obavljene transformacije podataka analiza varijance i<br />
odgovarajući testovi izvode se na osnovi transformiranih<br />
podataka.<br />
Izbor transformacije ovisi o prirodi raspodjele učestalosti.<br />
Najčešći pokazatelj nužnosti primjene transformacije je priroda<br />
veze izmeĎu varijanci tretmana i njihovih srednjih vrijednosti.
X<br />
Analiza varijance<br />
Transformacije podataka:<br />
(a) korjenska,<br />
(b) logaritamska,<br />
(c) kutna,<br />
(d) recipročna,<br />
(e) probit,<br />
(f) ...........
Analiza varijance<br />
Korjenska transformacija:<br />
X X 1<br />
X X 1<br />
primjenjuje se u slučajevima kada su sredine uzoraka, odnosno tretmana,<br />
proporcionalne njihovim varijancama.<br />
primjenjuje se i kada su pokusni podaci dobiveni prebrojavanjem, na<br />
primjer: broj štetnika po biljci, broj bakterijskih kolonija na hranjivoj podlozi,<br />
broj gusjenica kukuruznoga moljca u klipu kukuruza i slično, dakle na osnovi<br />
diskontinuiranih obilježja.
Analiza varijance<br />
Logaritamska transformacija:<br />
X ' <br />
log<br />
primjenjuje se u slučajevima kada su sredine uzoraka proporcionalne<br />
njihovim standardnim devijacijama,<br />
primjenjuje se i kada je srednja vrijednost u pozitivnoj korelaciji s<br />
varijancom (manjoj srednjoj vrijednosti odgovara manja varijanca) i tamo gdje<br />
statistički nizovi imaju velike razmake varijacije.<br />
X
Analiza varijance<br />
Kutna ili arcus sinus transformacija:<br />
arcsin<br />
primjenjuje se u slučajevima kada su podaci izraženi u vidu proporcija ili<br />
postotaka, odnosno binomnih podataka,<br />
primjenjuje se i kada je srednja vrijednost u pozitivnoj korelaciji s<br />
varijancom (manjoj srednjoj vrijednosti odgovara manja varijanca) i tamo gdje<br />
statistički nizovi imaju velike razmake varijacije.<br />
%
Analiza varijance<br />
Recipročna transformacija:<br />
X<br />
' <br />
primjenjuje se kod onih pokusa gdje se ispituju korelacijski odnosi, kao na<br />
primjer: broj dana od primjene nekog insekticida i smrtnost kukaca; korelacija<br />
između prosječnog broja larvi nekog štetnika i prirodnih neprijatelja i drugo.<br />
1<br />
X
Planovi i metode postavljanja pokusa u<br />
poljoprivredi:<br />
Metoda parova (PAIRED COMPARISON<br />
EXPERIMENT)<br />
Potpuno slučajan raspored (COMPLETELY<br />
RANDOMIZED DESIGN)<br />
Slučajan blok raspored (RANDOMIZED BLOCK)<br />
Latinski kvadrat (LATIN SQUARE DESIGN)<br />
Latinski pravokutnik (LATIN RECTANGLE DESIGN)<br />
Višečimbenični pokusi (FACTORIAL<br />
EXPERIMENTS)<br />
Višečimbenični pokusi - METODA PODIJELJENIH<br />
PARCELA (SPLIT - PLOT DESIGNS)<br />
Ostali, modificirani ili prilagođeni planovi ...
Modificirani ili prilagođeni planovi:<br />
u svojoj su osnovi slični slučajnom blok<br />
sustavu,<br />
rabe se s ciljem smanjenja pokusne<br />
pogreške i povećanja preciznosti pokusa,
Modificirani ili prilagođeni planovi:<br />
Osnovni modificirani planovi koji pripadaju<br />
jednosmjernoj klasifikaciji su:<br />
a) balansirani nepotpuni blokovi<br />
b) latis planovi
Modificirani ili prilagođeni planovi:<br />
Balansirani nepotpuni blokovi:<br />
statistička analiza pokusa s nepotpunim blokovima<br />
složenija je nego li ona kod pokusa s potpunim blokovima,<br />
glede manjega broja jedinica u bloku od broja<br />
tretmana, potrebito je kod ispitivanja razlika sredina<br />
tretmana obaviti ispravku za utjecaj blokova gdje se ti<br />
tretmani ne pojavljuju.<br />
pri planiranju pokusa s nepotpunim blokovima polazi<br />
se od načela da preciznost bude uvijek jednaka za sve<br />
tretmane.
Modificirani ili prilagođeni planovi:<br />
Balansirani nepotpuni blokovi:<br />
a) svaki blok sadrži isti broj tretmana,<br />
b) svaki se tratman ponavlja podjednaki broj puta,<br />
c) svaki mogući par tretmana pojavljuje se jednaki broj<br />
puta u istome bloku<br />
d) u praksi pokusa razlikujemo pet osnovnih planova ili<br />
tipova balansiranog nepotpunog bloka.
Modificirani ili prilagođeni planovi:<br />
Balansirani latis plan:<br />
t = k 2<br />
a) svaki se par tretmana pojavljuje jednaki broj puta u blokovima (λ),<br />
dok je broj ponavljanja k + 1 = r te je tako preciznost za svaki<br />
tretman jednaka.<br />
b) balansirani latis plan postaje opravdan i učinkovit za 16 i više<br />
tretmana.<br />
c) broj planova je ograničen jer oni zahtijevaju 9, 16, 25, 49, ...<br />
tretmana, odnosno veličinu bloka od 3, 4, 5, 7, ... jedinica.
Analiza vremenskih serija:<br />
Glede sezonskoga ili ciklusnoga karaktera<br />
biološke produkcije, prate se i ispituju<br />
promjene u vremenskim nizovima. Te<br />
promjene obično imaju naznačene smjernice<br />
ili tendencije, koje se uobičajeno nazivaju<br />
TREND.
Analiza vremenskih serija:<br />
LINEARNI TREND:<br />
y <br />
f<br />
( ti<br />
Uloga trenda je utvrđivanje pravilnosti i zakonitosti<br />
varijacija ispitivane pojave tijekom vremena.<br />
)
Analiza vremenskih serija:<br />
Problem iznalaženja trenda svodi se na<br />
dva osnovna zadatka:<br />
1. Izabrati tip funkcije koji najbolje izražava stvarne varijacije<br />
pojave kroz vrijeme, odnosno utvrditi razvija li se pojava u<br />
obliku linearne ili krivolinijske funkcije.<br />
2. Prilagoditi izabrani tip funkcije stvarnim podacima<br />
vremenskoga niza.
Analiza vremenskih serija:<br />
LINEARNI TREND:<br />
Matematičko-statistička metoda kojom se dolazi do linije<br />
trenda zove se metoda “najmanjih kvadrata”, a linija<br />
najbolje prilagođena linija ili linija trenda.<br />
yˆ <br />
a bt ; i 1,<br />
2,...,<br />
n<br />
i<br />
Kada su varijacije u jednom vremenskom nizu takve da se promjena ili<br />
dinamika pojave može prikazati stalnim porastom ili opadanjem tijekom<br />
vremena, tada je linearna funkcija ta koja će najbolje prikazati smjernicu<br />
promatrane pojave.
Analiza vremenskih serija:<br />
LINEARNI TREND:<br />
Parametri «a» i «b» izračunavaju se metodom najmanjih<br />
kvadrata i to na osnovi sljedećih jednadžbi:<br />
n<br />
yi<br />
na b<br />
i1<br />
i1<br />
n<br />
n<br />
t i yi<br />
a<br />
i1<br />
i1<br />
t<br />
i<br />
n<br />
t<br />
i<br />
b<br />
n<br />
<br />
i1<br />
t<br />
2<br />
i
Analiza vremenskih serija:<br />
LINEARNI TREND:<br />
Standardna pogreška devijacije linije trenda ili<br />
predviĎanja računa se na osnovi sljedeće formule:<br />
s<br />
e<br />
<br />
n<br />
<br />
i1<br />
( y<br />
n<br />
i<br />
<br />
<br />
2<br />
yˆ<br />
i<br />
)<br />
2
Analiza vremenskih serija:<br />
LINEARNI TREND:<br />
Razmak povjerenja za buduće vrijednosti trenda:<br />
ˆ ˆ <br />
y t s y y t<br />
nk<br />
/ 2;<br />
p nk<br />
nk<br />
/ 2;<br />
<br />
s<br />
p
Nelinearna korelacija i regresija<br />
• Pri ispitivanju zavisnosti dvaju obilježja promatranja ili dvije promjenjive<br />
veličine često se, u biotehnološkim istraživanjima, događa da je priroda<br />
veze nelinearnog ili krivolinijskog oblika. Za razliku od linearnog oblika<br />
regresije, gdje je raspodjela podataka najbolje interpolirana pravcem,<br />
odnosno jednadžbom pravca , kod nelinearnog oblika riječ je najčešće o<br />
paraboličnom prikazu.<br />
• Kao i kod linearne jednadžbe regresije i ovdje se, u cilju utvrđivanja<br />
povezanosti i izvjesne zakonitosti veze, izračunavaju srednje vrijednosti<br />
zavisno promjenjive veličine (Y) za datu nezavisno promjenjivu veličinu<br />
(X). Odrediti koja će jednadžba najbolje odgovarati raspodjeli pokusnih<br />
podataka najučinkovitije je na osnovi dijagrama rasipanja.
Nelinearna korelacija i regresija<br />
Linearan model veze (jednadžba pravca):<br />
Yˆ a b x b x ... <br />
1<br />
1<br />
2<br />
2<br />
bi<br />
xi
Nelinearna korelacija i regresija<br />
Krivolinijski oblici povezanosti:
Nelinearna korelacija i regresija<br />
i<br />
Kvadratni:<br />
Yˆ <br />
a bX cX<br />
i<br />
2<br />
i
Nelinearna korelacija i regresija<br />
Logaritamski:<br />
Yˆ <br />
a bln<br />
i<br />
X<br />
i
Nelinearna korelacija i regresija<br />
Eksponencijalni:<br />
Y <br />
ab<br />
i<br />
X i
Nelinearna korelacija i regresija<br />
Polinomijalni (trećega stupnja):<br />
Yˆ <br />
a bX cX dX<br />
i<br />
i<br />
2<br />
i<br />
3<br />
i
Nelinearna korelacija i regresija<br />
Mase pilića (g)<br />
2500<br />
2000<br />
1500<br />
1000<br />
500<br />
0<br />
Logistička krivulja:<br />
Yˆ<br />
i<br />
<br />
m<br />
<br />
1<br />
ab<br />
0 1 2 3 4 5 6 7 8 9<br />
t<br />
i<br />
Ciklusi
Neparametrijska statistika<br />
Često se ne polazi od pretpostavke o obliku<br />
raspodjele učestalosti jednoga ili više<br />
osnovnih skupova, odnosno ispitivane<br />
populacije. Za takav metodološki pristup<br />
uobičajeni je naziv metoda slobodne<br />
raspodjele ili NEPARAMETRIJSKA STATISTIKA.
Neparametrijska statistika<br />
Neparametrijska statistika provodi se<br />
pomoću neparametrijskih testova:<br />
• brzina i jednostavnost primjene,<br />
• provode se na osnovi razlike ili ranga,<br />
• uzorak na osnovi kojega se provodi test može se temeljiti na<br />
različitim oblicima osnovnih skupova ili dijelova ispitivane populacije<br />
o kojoj se vrlo malo zna,
Neparametrijska statistika<br />
Neparametrijski testovi:<br />
rabe se pri ispitivanju nultih hipoteza tamo gdje se provode potpuno nova<br />
(do tada nepoznata, neprovjerena ili nepotvrĎena) istraživanja, na primjer:<br />
uvođenjem posve nove agrotehnike, uporabom do tada<br />
neprimjenjenih preparata, kultivara i sličnog istražuje se relativno<br />
novo područje, gdje su rezultati prilično neizvjesni i teško usporedivi<br />
s do tada provedenim istraživanjima.<br />
prednost neparametrijskih testova ogleda se i u povoljnom odnosu<br />
učinkovitosti i ekonomičnosti. Naime, neparametrijski testovi, iako manje<br />
učinkoviti od parametrijskih, ekonomski su opravdaniji. To pozitivno utječe<br />
na ekonomičnost pokusa u cjelini.<br />
Glavni nedostatak neparametrijskih testova u odnosu<br />
na parametrijske je smanjena efikasnost.
Neparametrijska statistika<br />
Hi kvadrat test (Χ 2 )<br />
Neparametrijski testovi:<br />
Test znakova (SIGN TEST)<br />
Test rangiranih znakova (WILCOXON SIGNED RANK TEST)<br />
Test sume rangova (MANN – WHITNEY U TEST)<br />
Siegel – Tukey test<br />
Test homogenog niza (RUN TEST)<br />
Test Medijane<br />
Fisherov LSD Protected test<br />
Friedmanov test<br />
Cochranov Q test