8.

Ders
Deney Tasarımı Model Uygulamaları
Çapraz ve Đç Đçe Tasarımlar, Tekrarlı Gözlemler, Bloklama

Çapraz tasarımlar ile ilgili bazı uygulamalar önceki derslerde örnek

olarak verildi. ….

Đç Đçe Etkenli Deney Tasarımı

(Nested Experimental Design)
Başlıktan da anlaşıldığı gibi Đç Đçe Etkenli Deney Tasarımında
(Experimental Design with Nested Factors) birden çok etken söz konusudur.
Önceki bölümlerde etkenlerin düzey etkilerinin çaprazlama uygulanması sonucu
gözlemler ortaya çıkmakta idi. Bu tür deneylere çarpımsal (faktöriyel) deneyler
(Factorial Experiments) denir.
Bir hocanın anlattığı bir dersteki başarı notu üzerinde öğrencinin
cinsiyeti, uygulama saati (1 saat, 2 saat ya da 3 saat) ve kullanılan yardımcı
kitap (bir dönem içinde sadece bir yardımcı kitap kullanılmakta, mevcut 20
kitap arasından rasgele seçilen dört kitap-düzey) etkileri incelenmek
istendiğinde ilk iki etkeni özel seçimli, üçüncüsü rasgele seçimli olan çarpımsal
üç etkenli karma bir tasarım söz konusu olmaktadır.
Lisansüstü eğitime girişte işe yarayan LES sınavına giren öğrencilerin
aldığı not üzerinde, okuduğu üniversite (düzeyleri ülkemizdeki üniversiteler) ve
bölüm (düzeyleri bölümler) etkenlerinin etkileri incelenmek istendiğinde, bu iki
etkenin düzeyleri bir öğrenci üzerinde çaprazlama uygulanmış olamaz. Đkinci
etken (bölüm) birinci etken (üniversite) içine yuvalanmış bir etkendir. Birinci
etkenin düzeylerinden rasgele 10 tanesi seçilip, her birinden ikinci etken için
rasgele 5 ‘er düzey seçilebilir. Seçilen her bölümden rasgele iki öğrenci
(tekerrür) gözlenebilir. Dikkat edilirse etkenler için bir hiyerarşi söz konusudur.
Böyle tasarımlara Đç Đçe Etkenli Deney Tasarımı denir. Đç Đçe Etkenli Deney
Tasarımında etkenler için düzeyler özel seçilmiş veya rasgele seçimli olabilir.
Sprey şeklindeki üç çeşit ilâcın (özel seçilmiş üç ilâç: A1 , A2 , A3 ) her biri
rasgele seçilen dörder ağaca,
( B1(1) , B2(1) , B3(1) , B4(1) , B1(2) , B2(2) , B3(2) , B4(2) , B1(3) , B2(3) , B3(3) , B4(3) )
gibi uygulansın. Bir hafta sonra bu 12 ağaçtan rasgele koparılmış 6 ‘şar
yaprağın her birinde azot derişimi ölçülsün. Burada, ilâç etkeninin düzeyleri
özel seçimli, ağaç etkeninin düzeyleri rasgele seçimlidir. Ağaçlar, çok sayıda
ağaç bulunan ağaç kitlesinden rasgele seçilmiştir. Đlâçlanan her ağaçta bulunan
çok sayıda yaprak arasından rasgele seçilen 6 ‘şar yaprak birer alt örnek
oluşturmaktadır. Bu deneyde 12 ağaç spreylenmiş ve 72 yaprakta azot derişimi
gözlenmiştir. Azot derişimi ölçümleri Yijk olmak üzere, i indisi spreyi, j indisi
ağacı ve k indisi yaprağı temsil etsin.
 Gözlemler:



Y111 Y121 Y131 Y141 Y211 Y221 Y231 Y241 Y311 Y321 Y331 Y341
Y112 Y122 Y132 Y142 Y212 Y222 Y232 Y242 Y312 Y322 Y332 Y342
⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮ ⋮
Y116 Y126 Y136 Y146 Y216 Y226 Y236 Y246 Y316 Y326 Y336 Y346

Đlgili model,

Yijk = µ + αi + β j (i ) + ε(ij ) k i=1,2,3 j=1,2,3,4 k=1,2,…,6

biçiminde ifade edilebilir. Burada,

3

∑α i = 0 , β j (i ) ~BND (0, σβ2 ) , ε ( ij ) k ~BND (0, σε2 ) , β j (i ) ile ε ( ij ) k lar bağımsız

i =1

dır. Azot derişimi dört parçaya ayrılmış oldu. Đlki genel ortalama µ ’dür, µ üç
sprey’in tümü için ortalama azot derişimidir. Đkincisi α i , özel bir spreye ait
parçadır. α i , pozitif ise i-inci sprey ortalamadan daha yüksek azot derişimi
üretir. Üçüncü parça β j (i ) , i-inci spreyin kullanıldığı j-inci ağaca aittir. Đlâçlama
yaprak-yaprak değil de, ağaç-ağaç yapıldığı için ağaç etkeninin düzeyleri ilâç
etkeninin düzeyleri içinde yuvalanmıştır. Bu yuvalanma β j (i ) terimindeki
indisler vasıtasıyla ifade edilmiştir. Đlâçlama yaprak-yaprak yapılırsa ağaç
etkeninin bir düzeyi (seçilen bir ağaç) ile ilâç etkeninin düzeyleri çapraz
uygulanabilirdi. Bir ağaçtan koparılan 6 yaprağa deneme tekrarı (tekerrür)
olarak bakılabilir. O zaman hata terimi εijk biçiminde gösterilebilir. Yaprakların
da ağaçlardan koparıldığı düşünülürse hata terimi εk (ij ) biçiminde gösterilebilir.
Bu modelde Đlâç ve Ağaç diye iki etken söz konusudur. Yaprağın etkisi, başka
birçok etki gibi kendisini hata teriminde göstermektedir. Hata terimi için εijk
veya εk (ij ) gösterimlerinden herhangi biri kullanılabilir.

Đç içe etkenli modellerde gözlemler, etken hiyerarşisindeki en son

etkenden sonra ortaya çıkmaktadır. Biri diğeri içinde yuvalanmış iki etken
olduğunda tasarıma Đki-Aşamalı Đç Đçe Tasarım (Two-Stage Nested Design)
denir. Benzer şekilde iç içe yuvalanmış üç etken olduğunda tasarıma Üç-
Aşamalı Đç Đçe Tasarım denir. Đç Đçe Etkenli Tasarımlarda etkenlerden herhangi
biri özel veya rasgele seçimli olabilir. Bir deney tasarımında düzeyleri
çarpımsal etkenli ve iç içe etkenli olan etkenler bir arada bulunabilir. Bu derste
ilk önce, Đki-Aşamalı Đç Đçe Tasarım, ardından Üç-Aşamalı Đç Đçe Tasarım ve
son olarak çapraz ile iç içe etkenleri bir arada bulunduran tasarımlar ana hatları
ile ele alınacaktır.

Đki-Aşamalı Đç Đçe Tasarım

1. Sabit etkili dengeli model,

i = 1, 2,..., a

Yijk = µ + αi + β j (i ) + ε(ij ) k  j = 1, 2,..., b ε ( ij ) k ~BND (0, σε2 )

k = 1, 2,..., n

a b
ve parametrik kısıtlamalar, ∑α i =0, ∑β
j =1
j (i ) = 0 , i = 1, 2,...a dır.
i =1

2. Rasgele etkili dengeli model,

i = 1, 2,..., a

Yijk = µ + αi + β j (i ) + ε(ij ) k  j = 1, 2,..., b ε ( ij ) k ~BND (0, σε2 )

k = 1, 2,..., n

αi ∼ BND(0, σα2 ) , β j (i ) ~BND (0, σβ2 ) ve αi , β j (i ) , ε ( ij ) k lar bağımsız

dır.
3. Karma etkili dengeli model,

i = 1, 2,..., a

Yijk = µ + αi + β j (i ) + ε(ij ) k  j = 1, 2,..., b ε ( ij ) k ~BND (0, σε2 )

k = 1, 2,..., n
a

∑α i = 0 , β j (i ) ~BND (0, σβ2 ) , β j (i ) ile ε ( ij ) k lar bağımsız

i =1

dır.

Karesel Toplamlar:
Genel kareler toplamını uygun parçalara bölerek varyans analizi tablosu
oluşturmaya çalışalım. Yijk − Y .. farkı aşağıdaki gibi üç parçanın toplamı olarak
yazılabilir.

Yijk − Y... = (Yi.. − Y... ) + (Yij . − Yi.. ) + (Yijk − Yij . )

Her iki yanın karesi alınıp tüm gözlemler üzerinden toplama geçilirse,
a b n a a b a b n

∑∑∑ (Yijk −Y... )2 = bn∑ (Yi.. −Y... )2 + n∑∑ (Yij. −Yi.. )2 + ∑∑∑ (Yijk −Yij. )2
i=1 j=1 k =1

 

i=1  i=1 j=1

  i=1 j =1 k =1

 
KTGenel KTA KTB ( A ) KTHata

KTGenel = KTA + KTB ( A) + KTHata

elde edilir. KTA , KTB ( A ) , KTHata karesel toplamları bağımsızdır. Bu kareler
toplamları için serbestlik dereceleri ile kareler ortalamalarının beklenen
değerlerinin elde edilmesi Ders 7 de anlatıldığı gibidir. Sonuçlar aşağıdaki
tablodadır.
KT s.d.
KTA a −1
KTB ( A) a (b −1)
KTHata ab(n −1)
KTGenel abn −1

BKO A sabit A rasgele A sabit

B sabit B rasgele B rasgele
a a

BKOA ∑ αi2 2
σ + nσ + bnσ
ε
2
β
2
α
∑α 2
i
σε2 + nb i =1
σε2 + nσβ2 + bn i =1

a −1 a −1
 BKOB ( A) a b

n ∑ ∑ β 2j ( i )
2 i =1 j =1
σε2 + nσβ2 σε2 + nσβ2
σ +
ε
a (b −1)
BKOHata σε2 σε2 σε2

Varyans Analizi Tablosu:

Değişkenliği Serbestlik Kareler Kareler Ortalamaları Beklenen Kareler
n Kaynağı derecesi Toplamı Ortalmaları (BKO)
(Source of (Degrees of (Sum of (Mean Squares) (Expected Mean
Variation) Freedom) Squares) Squares)
KTA
A etkeni a −1 KTA
KOA =
a −1 BKOA

KTAB
A içinde B KTB ( A ) KOB ( A) = BKOB ( A)
a(b-1) a (b −1)
etkeni

Hata KTHata
ab(n-1) KTHata KOHata = BKOHata
ab(n −1)

Genel abn-1 KTGenel

Düzeyleri özel seçilmiş etkenler için sıfır hipotezi, bu etkenin düzey

etkilerinin sıfıra eşit olması ve düzeyleri rasgele seçimli etkenler için sıfır
hipotezi, ilgili varyans bileşeninin sıfıra eşit olması biçiminde olduğunu
hatırlatalım. Örneğin, biri etkeni özel diğeri rasgele seçimli iç içe etkenli bir
deney tasarımında hipotezler,
H 0 : α1 = α2 = ... = αa = 0 H 0 : σβ2 = 0
H1 : değil H1 : σβ2 > 0
olabilir.
Sabit etkenli modelde parametreler için tahmin ediciler,
µˆ = Y...
αˆ i = Yi.. − Y... , i = 1, 2,..., a

i = 1, 2,..., a
β j (i ) = Yij . − Yi.. , 
 j = 1, 2,..., b
olarak elde edilir. Bu tahmin ediciler düzgün en küçük varyanslı yansız
(UMVU) tahmin edicilerdir. σε2 parametresinin yansızlık düzeltmesi yapılmış en
çok olabilirlik tahmin edicisi,
 a b n a b n

∑∑∑ (Yijk −Yˆijk )2

i =1 j =1 k =1
∑∑∑ (Y
i =1 j =1 k =1
ijk −Yij . ) 2
KTHata
σˆ ε2 = = = = KOHata
ab(n −1) ab(n −1) ab(n −1)

dır.

Rasgele etkenli modelde varyans bileşenleri için tahmin ediciler,

KTHata
σˆ ε2 = = KOHata
ab(n −1)

KOA − KOB ( A)
σˆ α2 =
bn
KOB ( A) − KOHata
σˆ β2 =
n
dır.

Karma modelde,
µˆ = Y...
αˆ i = Yi.. − Y... , i = 1, 2,..., a
ve σβ2 , σε2 varyans bileşenleri için yansız birer tahmin edici,
KTHata
σˆ ε2 = = KOHata
ab(n −1)
KOB ( A) − KOHata
σˆ β2 =
n

dır.

Üç-Aşamalı Đç Đçe Tasarım

Üç-Aşamalı Đç Đçe Etkenli Deney Tasarımı Modeli,

i = 1, 2,..., a

 j = 1, 2,..., b
Yijkl = µ + αi + β j (i ) + γ k (ij ) + ε(ijk )l  ε(ijk )l ~BND (0, σε2 )
k = 1, 2,..., c

l = 1, 2,..., n

biçimindedir.
 Karesel Toplamlar:

Yijkl − Y.... = (Yi... − Y... ) + (Yij.. − Yi... ) + (Yijk . − Yij .. ) + Yijkl − Yijk .

olmak üzere, her iki yanın karesi alınıp tüm gözlemler üzerinden toplama
geçilirse,
a b c n 2 a a b a b l

∑∑∑∑ (Yijkl −Y.... ) = bcn∑ (Yi... − Y.... )2 + cn∑∑ (Yij.. −Yi... )2 + n∑∑∑ (Yijk . − Yij.. )2
i=1 j =1 k =1 l =1

 

i =1 
 i=1 j =1

 i=1 j =1 k =1

 
KTA KTC ( AB )
KTGenel KTB ( A )

a b c n 2
+ ∑∑∑∑ (Yijkl − Yijk . )
i=1 j =1 k =1 l =1


KTHata

KTGenel = KTA + KTB ( A) + KTC ( AB ) + KTHata

elde edilir.

Örneğin A ile B etkenlerinin düzeyleri özel seçimli ve C etkeninin

düzeyleri rasgele seçimli olduğunda kareler toplamların serbestlik dereceleri ve
beklenen kareler ortalamaları aşağıdaki gibidir.
KT s.d.
KTA a −1
KTB ( A) a (b −1)
KTC ( AB ) ab(c -1)
KTHata abc(n −1)
KTGenel abcn −1

S S R R
a b c n BKO
Etken i j k l
a

αi 0 b c n ∑α 2
i
BKOA = σε2 + nσγ2 + bcn i =1

a −1
 a b

β j (i ) 1 0 c n ∑∑ β
i =1 j =1
2
j (i )

BKOB ( A) = σε2 + nσγ2 + cn

a (b −1)
γ k ( ij ) 1 1 1 n 2
BKOC ( AB ) = σ + nσ
ε
2
γ

ε(ijk )l 1 1 1 1 BKOHata = σε2

Varyans Analizi Tablosu:

Değişkenliğin Serbestlik Kareler Kareler Ortalamaları Beklenen Kareler
Kaynağı derecesi Toplamı Ortalmaları (BKO)
(Source of (Degrees (Sum of (Mean Squares) (Expected Mean
Variation) of Squares) Squares)
Freedom)
KTA
A etkeni a −1 KTA
KOA =
a −1 BKOA

KTAB
A içinde B KTB ( A ) KOB ( A) = BKOB ( A)
a(b-1) a (b −1)
etkeni

B içinde C KTC ( AB )
ab(c-1) KTC ( AB ) KOC ( AB ) =
etkeni ab(c −1) BKOC ( AB )

KTHata KTHata
Hata ab(n-1) KOHata =
ab(n −1) BKOHata

Genel abn-1 KTGenel

Çapraz ve Đç Đçe Beraber Tasarım

A,B,C gibi üç etkenli, A ile B çapraz etkili ve C etkeni A içinde

yuvalanmış olan bir tasarım göz önüne alalım. Model,
 i = 1, 2,..., a

 j = 1, 2,..., b
Yijkl = µ + αi + β j + (αβ )ij + γ k (i ) + (βγ ) jk (i ) + ε(ijk )l 
k = 1, 2,..., c

l = 1, 2,..., n
ε(ijk )l ~BND (0, σε2 )

biçimindedir.

Karesel Toplamlar:

Yijkl − Y.... = (Yi ... − Y... ) + (Y. j .. − Y.... ) + (Yij .. − Yi ... − Y. j .. + Y.... ) + (Yi .k . − Yi ... ) + (Yijk . − Yij .. − Yi .k . + Yi ... ) + (Yijkl − Yijk . )

olmak üzere, her iki yanın karesi alınıp tüm gözlemler üzerinden toplama
geçilirse,

a b c n 2 a b
∑∑∑∑ (Yijkl −Y.... ) = bcn∑ (Yi... − Y.... )2 + acn∑ (Y. j.. −Y.... )2
i=1 j =1 k =1 l =1

 

i =1 
 j =1


KTGenel KTA
KTB

a b
+ cn ∑∑ (Yij .. − Yi... − Y. j.. + Y.... )2
i=1 j =1


KTAB

a c
+ bn∑∑ (Yi.k . −Yi... )2
i=1 k =1


KTC ( A )

a b c
+ n∑∑∑ (Yijk . − Yij.. − Yi.k . + Yi... )
i=1 j =1 k =1

 
KTBC ( A )

a b c n 2
+ ∑∑∑∑ (Yijkl − Yijk . )
i=1 j =1 k =1 l =1


KTHata

KTGenel = KTA + KTB + KTAB + KTC ( A) + KTBC ( A) + KTHata

elde edilir.
 Örneğin A ile B etkenlerinin düzeyleri özel seçimli ve C etkeninin
düzeyleri rasgele seçimli olduğunda kareler toplamların serbestlik dereceleri ve
beklenen kareler ortalamaları aşağıdaki gibidir.

KT s.d.
KTA a −1
KTB b −1
KTAB (a −1)(b −1)
KTC ( A) a (c −1)
KTBC ( A) a (b −1)(c -1)
KTHata abc(n −1)
KTGenel abcn −1

S S R R
a b c n BKO
Etken i j k l
a

αi 0 b c n ∑α 2
i
BKOA = σε2 + nσγ2 + bcn i =1

a −1
βj a 0 c n b

∑β j =1
2
j

BKOB = σε2 + nσβγ

2
+ acn
b −1
a b

(αβ )ij 0 0 c n ∑∑ β
i =1 j =1
2
ij

BKOAB = σ ε2 + nσβγ
2
+ cn
a (b −1)
γ k (i ) 1 b 1 n 2
BKOC ( A) = σ + nσ
ε
2
γ

(βγ ) jk ( i ) 1 0 1 n BKOC ( AB ) = σε2 + nσβγ

2

ε(ijk )l 1 1 1 1 BKOHata = σε2

Varyans Analizi Tablosu:

Değişkenliğin Serbestlik Kareler Kareler Ortalamaları Beklenen
Kaynağı derecesi Toplamı Kareler
Ortalmaları
KTA
A etkeni a −1 KTA
KOA =
a −1 BKOA

KTB KTB BKOB

B etkeni b −1 KOB =
b −1
KTAB
AxB etkileşimi KTAB KOAB = BKOAB
(a −1)(b −1) (a −1)(b −1)
 KTC ( A)
KOC ( A) =
a (c -1) a(c −1)
A içinde C KTC ( A )
etkeni BKOC ( A)
KTBC ( A)
a (b −1)(c -1) KTBC ( A) KOBC ( A) =
Bx(A içindeki C) a(b −1)(c −1) BKOBC ( A)
etkeni

KTHata
abc(n-1) KOHata = BKOHata
Hata KTHata abc(n −1)

Genel abcn-1 KTGenel

Tekrarlamalı Ölçümler Tasarımı

(Repeated Measures Design)

Konuya geçmeden önce, Tekrar (tekerrür, replication) Đlkesi ve

Tekrarlamalı Ölçümler Tasarımında geçen tekrar sözcüğü üzerinde duralım.
Tekrar ilkesi, aynı koşullar altında gözlem almanın tekrarlanabilir
olmasını vurgulamaktadır. Örneğin, bir ilâcın etki süresi ile ilgili üç farklı
dozunun (düzeyinin) düzey etkileri karşılaştırılmak istendiğinde ilâç dozları
birer kez 10 ‘ar hasta (toplam 30 hasta) üzerinde denenebilir. Bu durumda,
i = 1, 2,3(ilâç dozları) 3
Yij = µ + αi + εij  ε ~BND (0, σε2 ) ,
 j = 1, 2,...,10( gözlemtekrarı) ij ∑α i =0
i =1

gibi bir model söz konusu olup, her doz için alınan 10 gözlem (10 tekrar) kendi
içinde ve aralarında bağımsızdır (ilişkisizdir). Gözlemler birbirinden ilişkisizdir,
hem dozlar içinde hem dozlar arasında. Tekrar Đlkesine uyulması, yani
gözlemlerin çoğaltılması, tahmin edicilerin varyansını küçültmekte ve
istatistiksel sonuç çıkarımı iyileştirmektedir. Deney için, sadece 10 hastamız
olduğunda ve her doz için 10 gözlem almak (tekrar yapmak) istediğimizde, yani
Tekrar Đlkesine bağlı kalmak istediğimizde nasıl bir düzenleme (tasarım)
yapılabilir? Đlâcın her dozu her hastada birer kez denenebilir. Hastalar
arasındaki gözlemler ilişkisizdir, ancak bir hastada farklı dozlar için alınan üç
gözlem aralarında ilişkisiz değildir. Aşağıdaki,

 εij ~BND(0,σε2 )

 3
i = 1, 2,3(ilâç dozları) ∑ αi = 0
Yij = µ + αi + β j + εij   i=1
 j = 1, 2,...,10(hastalar ) 
β j ∼ BND(0, σβ2 )

εij ile β j ler bağımsız
modelinde j ≠ l için Cov(Yij , Ykl ) = 0 ve i ≠ k için Cov(Yij , Ykj ) = σβ2 olmak üzere, üç
doz ile ilgili kovaryansların aynı olması durumunda veriler böyle bir model
çerçevesinde ele alınabilir. Bununla birlikte, bir hastada denenecek üç doz için
veriliş sırası rasgele olursa dozların sırayla uygulanmasındaki sistematik ilişki
önlenebilir.
Özetlersek; Tekrar Đlkesindeki tekrar sözcüğü gözlemlerin çoğaltılmasını,
Tekrarlamalı Ölçümler Tasarımında tekrar sözcüğü aynı birim üzerinden
gözlem alınmasını vurgulamaktadır. Tekrarlamalı ölçümler durumunda modele
bir etken daha gelmektedir. Đlgilendiğimiz etken (etkenler) ile gelen etkenin
düzey etkileri toplamsaldır.
Yukarıdaki gibi, iki etkenli dengeli bir deney tasarımında, A etkeninin
özel seçilmiş düzeyleri A1 , A2 ,..., Aa ve bu düzeylerin düzey etkileri α1 , α2 ,..., αa ile
B etkeninin rasgele seçilmiş düzeyleri B1 , B2 ,..., Bb ve bu düzeylerin düzey
etkileri β1 , β2 ,..., βb olmak üzere,

 εij ~BND(0,σε2 )

 3
i = 1, 2,..., a ∑ αi = 0
Yij = µ + αi + β j + εij   i=1
 j = 1, 2,..., b 
β j ∼ BND(0, σβ2 )

εij ile β j ler bağımsız
modeli, biri sabit biri rasgele etkenli karma bir modeldir. Bu modelde,

a b a b a b

∑∑ (Yij −Y.. )2 = b∑ (Yi. −Y.. )2 + a∑ (Y. j −Y.. )2 + ∑∑ (Yij − Yi. −Y. j + Y. . )2

i=1 j =1

 

i=1  j=1

 i=1 j =1


KTGenel KTA KTB KTHata

ve µ, α1 , α2 ,..., αa parametreleri için yansız birer tahmin edici,

 µˆ = Y..
αˆ i = Yi. − Y.. , i = 1, 2,..., a

olmak üzere, A etkeni ile ilgili,

H 0 : α1 = α2 = ... = αa = 0
H1 : α1 ≠ 0 veya α2 ≠ 0 veya ... veya αa ≠ 0

hipotezi için varyans analizi tablosu aşağıdadır.

Varyans Analizi Tablosu:

Değişkenliğin Serbestlik derecesi Kareler Kareler Ortalamaları Beklenen Kareler
Kaynağı (Degrees of Toplamı Ortalamaları (Expected
(Sum of
(Mean Squares) F değeri
(Source of Freedom) Mean Squares)
Variation) Squares)
a

KTA
∑α 2
i KOA
a −1 σε2 + b i =1 FA =
A etkeni KTA KOA = KOHata
a −1 a −1

KTB σε2 + aσβ2 KOB

B etkeni KTB KOB = FB =
b −1 b −1 KOHata

Hata (a −1)(b −1) KTHata KOHata =

KTHata σε2
(a −1)(b −1)

Genel ab-1 KTGenel

Gözlemler:
Đlâcın B1 B2 B3 B4 B5 B6 B7 B8 B9 B10
düzeyi
A1 8.0 7.5 8.2 7.1 7.4 6.5 6.9 8.0 7.2 7.6
A2 7.8 8.1 7.0 8.5 7.9 8.3 8.8 7.9 8.3 8.0
A3 8.3 8.6 9.2 9.4 8.1 7.3 7.8 8.6 8.9 8.8

General Linear Model: C1 versus C2; C3

Factor Type Levels Values
C2 fixed 3 1 2 3
C3 random 10 1 2 3 4 5 6 7 8 9 10

Analysis of Variance
Source DF Seq SS Adj SS Adj MS F P
C2 2 5,6720 5,6720 2,8360 7,99 0,003
C3 9 2,0000 2,0000 0,2222 0,63 0,760
Error 18 6,3880 6,3880 0,3549
Total 29 14,0600

Yij C1 C2
8,0 1 1
7,5 1 2
8,2 1 3
7,1 1 4
7,4 1 5
6,5 1 6
6,9 1 7
8,0 1 8
7,2 1 9
7,6 1 10
7,8 2 1
8,1 2 2
7,0 2 3
8,5 2 4
7,9 2 5
8,3 2 6
8,8 2 7
7,9 2 8
8,3 2 9
8,0 2 10
8,3 3 1
8,6 3 2
9,2 3 3
9,4 3 4
8,1 3 5
7,3 3 6
7,8 3 7
8,6 3 8
8,9 3 9
8,8 3 10

Analysis of Means
C1 C1 C1
N Mean StDev
C2
1 10 7,4400 0,5358
2 10 8,0600 0,4835
3 10 8,5000 0,6412
All 30 8,0000 0,6963
 One-w ay ANOM for C1 by C2

8,5

8,35759
Mean

8,0 8

7,64241

7,5

1 2 3
Lev els of C2

Đlgilendiğimiz etken iki düzeye sahip olduğunda, Tekrarlamalı Ölçümler

Tasarımı ile yapılan istatistiksel analiz, ikinci bölümde (Karşılaştırma
Deneyleri) Örnek 2 de anlatılan analiz ile aynıdır. Örneğin, belli bir eğitim
programı ile ilgili eğitim öncesi ve sonrası not ortalamaları ile ilgili
H 0 : µÖnce = µSonra
H1 : µÖnce ≠ µSonra

hipotezi test edilmek istensin. Yapılan sınavlarda 10 kişinin notları aşağıdaki

gibi gözlenmiş olsun.
Önce Sonra
80 83
75 86
82 92
71 94
74 81
65 73
69 78
80 86
72 89
76 88
Paired T-Test and CI: C1; C4
Paired T for C1 - C4

N Mean StDev SE Mean

C1 10 75,40 6,50 2,06
C4 10 85,00 6,41 2,03
Difference 10 -9,60 6,33 2,00

T-Test of mean difference = 0 (vs not = 0): T-Value = -4,80 P-Value = 0,001
Aynı gözlemler,
 εij ~BND(0,σε2 )

 3
i = 1, 2 ∑ α = 0
Yij = µ + αi + β j + εij   i
i =1
 j = 1, 2,...,10 
β j ∼ BND(0, σβ2 )

εij ile β j ler bağımsız
modeli çerçevesinde ele alındığında,
Yij C1 C2
80 1 1
75 1 2
82 1 3
71 1 4
74 1 5
65 1 6
69 1 7
80 1 8
72 1 9
76 1 10
83 2 1
86 2 2
92 2 3
94 2 4
81 2 5
73 2 6
78 2 7
86 2 8
89 2 9
88 2 10
olmak üzere,
General Linear Model: C1 versus C2; C3
Factor Type Levels Values
C2 fixed 2 1 2
C3 random 10 1 2 3 4 5 6 7 8 9 10

Analysis of Variance
Source DF Seq SS Adj SS Adj MS F P
C2 1 460,80 460,80 460,80 23,01 0,001
C3 9 570,20 570,20 63,36 3,16 0,051
Error 9 180,20 180,20 20,02
Total 19 1211,20

dır. Dikkat edilirse, buradaki F-değeri=23.01 yukarıdaki T-Value = -4,80

değerinin karesidir ve P-değerleri aynıdır.
 Bloklama (Blocking)

Đstatistiksel Deney Tasarımının üç temel ilkesi vardır. Bunlar:

rasgeleleştirme (randomization), tekrar (tekerrür, replication) ve bloklama
(blocking) dır.

Rasgeleleştirme ilkesi, gözlem birimlerine uygulanacak işlemlerin

(düzeylerin) birimlere rasgele dağıtılmasını ya da bir işlemin uygulanması için
birimin rasgele seçilmesini vurgulamaktadır. Bazı tasarımlarda, rasgeleleştirme
ilkesine tam olarak uymak mümkün olmamaktadır. Rasgeleleştirme üzerinde
kısıtlama olmadığında tasarıma Tamamen Rasgeleleştirilmiş Tasarım
(Completely Randomized Design) denir.

Tekrar ilkesi, aynı koşullar altında gözlem almanın tekrarlanabilir

olmasını vurgulamaktadır. Tekrar ilkesine uyulması durumunda, tahmin
edicilerin varyansı küçülmekte ve istatistiksel sonuç çıkarım iyileşmektedir.

Deney tasarımında istatistiksel sonuç çıkarımın sağlıklı olması için

uyulması gereken başka bir ilke bloklama, başka bir ifade ile homojenlik
ilkesidir. Homojenlik ilkesi, birbirine benzer gözlem birimleri seçerek veya
yardımcı etkenler (nuisance factors) denen etkenlere göre gözlem birimlerini
gruplara (bloklara) ayırarak sağlanmaktadır. Bloklama ile gözlem hücreleri
yardımcı etkenin düzeylerine göre alt hücrelere bölünerek daha homojen
gözlemlerden oluşan hücreler ortaya çıkmaktadır ve modeldeki hata (hata
varyansı) azalmaktadır. Bloklamaya, bağımlı değişken üzerinde etkilerini
araştırmak istediğimiz etkenler dışında var olan, ancak bizim ilgilenmediğimiz
ve etkilerini analiz etmek istemediğimiz etkenlerin elenmesi olarak da
bakılabilir.

Bloklama yapılması durumunda istatistiksel sonuç çıkarım, göz önüne

alınan etkenler ile birlikte yardımcı etkenlerin de bulunduğu bir modelde
yapılmaktadır. Örneğin bir etkenli bir deney tasarımında bir-yönlü varyans
analizi yapılırken, bloklama durumunda, bir yardımcı etkenin de analize
katılmasıyla iki-yönlü varyans analizi yapılmaktadır, ancak bizi ilgilendiren
etken yine bir tanedir. Bloklamayı sağlayan yardımcı etken (bağımsız değişken,
özellik) için düzeyler özel seçimli olduğu gibi rasgele seçimli de olabilir.

Uyulması gereken bir ilke olarak Bloklama Đlkesi çok sık olarak
karşımıza çıkmaktadır. Örneğin, laboratuarlarda sonuçlar günden güne fark
edebilir, bu nedenle günler bloklar olarak düşünülmelidir. Deneyin
yapılmasında laborant etkisi, bloklama gerektirecek çokça karşılaşılan bir
durumdur. Zirai denemelerde bazen bloklar belli bir yardımcı etkene (özelliğe)
göre ayrılmış toprak parselleridir.

Bir etkenli (a düzeyli) dengeli bir deney tasarımında bloklama (b tane

blok, b tane blok düzeyi) olması durumunda veri kümesi,

B1 B2 … Bb

A1 Y111 , Y112 ,..., Y11n Y121 , Y122 ,..., Y12 n … Y1b1 , Y1b 2 ,..., Y1bn

A2 Y211 , Y212 ,..., Y21n Y221 , Y222 ,..., Y22 n … Y2b1 , Y2b 2 ,..., Y2 bn
⋮ ⋮ ⋮ ⋮

Aa Ya11 , Ya12 ,..., Ya1n Ya 21 , Ya 22 ,..., Ya 2 n … Yab1 , Yab 2 ,..., Yabn

dır. Hücrelerde bir gözlem olması durumunda yukarıdaki veri kümesi,

B1 B2 … Bb
A1 Y11 Y12 … Y1b
A2 Y21 Y22 … Y2b
⋮ ⋮ ⋮ ⋮
Aa Ya1 Ya 2 … Yab

olmaktadır.
 Belli bir hastalığın tedavisinde kullanılan bir ilâcın üç farklı dozu (özel
seçilmiş üç düzeyi) için düzey etkileri arasında farklılık araştırılmak istensin.
Seçilmiş 24 hasta, rasgele 8 ‘er hastadan oluşan üç gruba ayrılıp, her gruba
ilâcın bir düzeyinin rasgele atanması şeklinde bir deney tasarımı yapılırsa, bu,
bir etkenli sabit etkili tamamen rasgeleleştirilmiş bir tasarımdır. Đlâcın düzey
etkilerini ortaya çıkarabilmek için üzerinde gözlem yapılacak 24 hastayı
birbirine benzeyen hastalar olarak seçme girişiminde bulunabiliriz. Birçok
etkenin (faktörün) ilâca karşı verilecek tepkiyi (gözlemi) etkileyeceği ortadadır.
Örneğin, yaş veya ağırlık gibi. Araştırmacı bu etkenlerin (faktörlerin) bazısını
yardımcı etken olarak kullanıp bloklama yapabilir. Yaşa göre bloklama
yapıldığında, 24 hasta yaşlarına göre sıralanıp her birinde 3 hasta bulunan 8
bloğa (yaş grubuna) ayrılır. Örneğin birinci blok en genç üç hastadan ve
sekizinci blok en yaşlı üç hastadan oluşmaktadır. Böylece, her bir blok
olabildiği kadar yaşa göre homojen olacak şekilde kurulmaya çalışılmıştır. Öte
yandan, farklı bloklardaki bireyler arasında yaş olarak büyük farklar olabilir.
B1 B2 B3 B4 B5 B6 B7 B8

Bloklar düzenlendikten sonra, her bir bloktaki üç hastaya ilâcın üç düzeyi

rasgele verilir. Bu tasarıma Rasgeleleştirilmiş Bloklar (Rasgele Blok) Tasarımı
denir. Her bir ilâç düzeyi her bir blok içinde tam olarak bir kez kullanılmıştır.
Veri tablosu:
Bloklar
Đlâcın B1 B2 B3 B4 B5 B6 B7 B8
düzeyi
A1 Y11 Y12 Y13 Y14 Y15 Y16 Y17 Y18
A2 Y21 Y22 Y23 Y24 Y25 Y26 Y27 Y28
A3 Y31 Y32 Y33 Y34 Y35 Y36 Y37 Y38
 Model: Gözlemler için,

i = 1, 2,3 3
Yij = µ + αi + β j + εij ,  , εij ∼ BND(0, σε2 ) , ∑α i =0
 j = 1, 2,...,8 i =1

gibi bir modelin geçerli olduğu varsayılsın. Bu model iki etkenli etkileşimsiz bir
modeldir. Bizi ilgilendiren etken ilâç olmak üzere, bu etkenin düzey etkileri
olan α1 , α2 , α3 parametrelerini tahmin etmek ve bunlar üzerinde,

H 0 : α1 = α2 = α3 = 0
H 1 : α1 ≠ 0 veya α2 ≠ 0 veya α3 ≠ 0

hipotezini test etmek isteyebiliriz.

Varyans Analizi Tablosu ( a = 3, b = 8 ):

Değişkenlik Serbestlik Kareler Kareler Ortalamaları F değeri
kaynağı derecesi Toplamı

KTA KOA
A etkeni a −1 KTA KOA = FA =
a −1 KOHata

B etkeni b-1 KTB

(bloklama) KTB KOB =
b −1

KTHata
Hata ab-a-b+1 KTHata KOHata =
ab − a − b + 1
Genel
ab-1 KTGenel

olmak üzere, bu tablo bloklama etkeninin özel veya rasgele seçimli olması
durumlarının her ikisinde de kullanılabilir.
Blok sayısı 4 olsaydı, her bir ilâç düzeyi her bir blok içinde iki kez
kullanılarak (dengeli tekerrürlü tasarım) her hücrede iki gözlem olacaktı. Bu
durumda, model
i = 1, 2,3
 3
Yijk = µ + αi + β j + εijk ,  j = 1, 2, 3, 4 , εijk ∼ BND(0, σε2 ) , ∑α i =0
 i =1
k = 1, 2
şeklinde ve varyans analizi tablosu ( a = 3, b = 4, n = 2 ),
Değişkenlik Serbestlik Kareler Kareler Ortalamaları F değeri
kaynağı derecesi Toplamı

A etkeni
a −1 KTA KTA KOA
KOA = FA =
a −1 KOHata
KTB
B etkeni b-1
KTB KOB =
(bloklama) (b −1)

KTHata
Hata abn-a-b+1 KTHata KOHata =
abn − a − b + 1

Genel abn-1 KTGenel

olacaktı. Đlgilendiğimiz etken ile bloklama etkeni arasında etkileşim de söz

konusu olduğunda,
i = 1, 2,3

Yijk = µ + αi + β j + (αβ )ij + εijk ,  j = 1, 2, 3, 4 , εijk ∼ BND(0, σε2 )

k = 1, 2

gibi bir model de geçerli olabilir. Bu durumda varyans analizi tablosu

( a = 3, b = 4, n = 2 ),
Değişkenliğin Serbestlik Kareler Toplamı Kareler Ortalamaları F değeri
Kaynağı derecesi
B etkeni için düzeyler
A etkeni özel seçilmiş
a −1 KTA KTA
KOA = olduğunda
a −1
KOA
FA =
KOHata
B etkeni KTB KTB
(bloklama) b-1 KOB =
(b −1) ve B etkeni için
düzeyler rasgele
KTAB seçilmiş olduğunda
(a-1)(b-1) KTAB KOAB =
AB etkileşimi (a −1)(b −1)
KOA
FA =
KOAB
KTHata
Hata KTHata KOHata = dır.
ab(n-1) ab(n −1)

Genel abn-1 KTGenel

dır.
Örnek 1 Belli bir hastalığın tedavisinde kullanılan bir ilâcın üç farklı dozu
(özel seçilmiş üç düzeyi) için etki süresi ortalamaları arasında farklılık
araştırılmak istenmektedir. 24 hasta yaşlarına göre, yukarıda anlatıldığı gibi her
birinde 3 hasta bulunan 8 bloğa (yaş grubuna) ayrılmaktadır. Birinci blok en
genç üç hastadan ve sekizinci blok en yaşlı üç hastadan oluşmaktadır. Veri
tablosu,
Bloklar
Đlâcın B1 B2 B3 B4 B5 B6 B7 B8
düzeyi
A1 7.1 7.5 7.3 8.6 7.5 7.4 8.0 8.1
A2 7.1 7.2 7.4 8.1 7.6 7.4 7.8 8.0
A3 7.9 8.5 8.5 7.8 7.9 7.1 8.6 9.2

olmak üzere,

i = 1, 2,3 3
Yij = µ + αi + β j + εij ,  , εij ∼ BND(0, σε2 ) , ∑α i =0
 j = 1, 2,...,8 i =1

modeli çerçevesinde,
H 0 : α1 = α2 = α3 = 0
H 1 : α1 ≠ 0 veya α2 ≠ 0 veya α3 ≠ 0
hipotezi test edilmek istenmektedir.
Veri:
C1 C2 C3
7,1 1 1
7,5 1 2
7,3 1 3
8,6 1 4
7,5 1 5
7,4 1 6
8,0 1 7
8,1 1 8
7,1 2 1
7,2 2 2
7,4 2 3
8,1 2 4
7,6 2 5
7,4 2 6
7,8 2 7
8,0 2 8
7,9 3 1
8,5 3 2
8,5 3 3
7,8 3 4
7,9 3 5
7,1 3 6
8,6 3 7
9,2 3 8
Çıktılar:
Two-way ANOVA: C1 versus C2; C3
Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 5,30 0,019
C3 7 3,327 0,475 2,96 0,040
Error 14 2,246 0,160
Total 23 7,273
Karar: Sıfır hipotezi reddedilir.

Bloklama yapılmamış olsaydı,

One-way ANOVA: C1 versus C2

Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 3,20 0,061
Error 21 5,572 0,265
Total 23 7,273

Karar: Sıfır hipotezi reddedilemez

olurdu.

Aynı gözlemler için yaş etkenine göre,

C3: 8 blok, her blokta 3 gözlem birimi,
C4: 4 blok, her blokta 6 gözlem birimi,
C5: 2 blok, her blokta 12 gözlem birimi.
şeklinde bloklama ile aşagıdaki dengeli tasarımlar yapılsın:

C1 C2 C3 C4 C5
7,1 1 1 1 1
7,5 1 2 1 1
7,3 1 3 2 1
8,6 1 4 2 1
7,5 1 5 3 2
7,4 1 6 3 2
8,0 1 7 4 2
8,1 1 8 4 2
7,1 2 1 1 1
7,2 2 2 1 1
7,4 2 3 2 1
8,1 2 4 2 1
7,6 2 5 3 2
7,4 2 6 3 2
7,8 2 7 4 2
8,0 2 8 4 2
7,9 3 1 1 1
8,5 3 2 1 1
8,5 3 3 2 1
7,8 3 4 2 1
7,9 3 5 3 2
7,1 3 6 3 2
8,6 3 7 4 2
9,2 3 8 4 2

Đlgili çıktılar:

One-way ANOVA: C1 versus C2

Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 3,20 0,061
Error 21 5,572 0,265
Total 23 7,273

Two-way ANOVA: C1 versus C2; C3

Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 5,30 0,019
C3 7 3,327 0,475 2,96 0,040
Error 14 2,246 0,160
Total 23 7,273

Two-way ANOVA: C1 versus C2; C4

Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 4,75 0,030
C4 3 2,507 0,836 4,66 0,022
Interaction 6 0,916 0,153 0,85 0,555
Error 12 2,150 0,179
Total 23 7,273

Two-way ANOVA: C1 versus C2; C4

Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 4,99 0,019
C4 3 2,507 0,836 4,91 0,012
Error 18 3,066 0,170
Total 23 7,273

Two-way ANOVA: C1 versus C2; C5

Analysis of Variance for C1
Source DF SS MS F P
C2 2 1,701 0,850 2,83 0,086
C5 1 0,107 0,107 0,35 0,559
Interaction 2 0,051 0,025 0,08 0,919
Error 18 5,415 0,301
Total 23 7,273

olmak üzere, C5 ile yapılan bloklamanın anlamsız (blok

ortalamalarının eşitliği hipotezi reddedilemez)olduğu
ortadadır. C4 ile yapılan bloklamada etkileşim için p-
değeri=0.555 olup, ilâç etkeni ile blok etkeni arasında
etkileşim yoktur. C4 ile bloklanan etkileşimsiz modelde bizi
ilgilendiren ilâç etkeninin düzeyleri (ilâcın üç farklı dozu)
ile ilgili sıfır hipotezi (düzey etkilerinin eşitliği
hipotezi) %5 anlam düzeyinde reddedilir. C3 ile bloklama
durumunda da aynı sonuç çıkmaktadır. Bloklamanın (blok
etkeninin de modele katılmasının) bir amacı da hata
varyansını düşürmektir. C3 ile bloklamada hata varyansı için
bir yansız tahmin σˆ ε2 = 0,160 ve C4 ile bloklamada σˆ ε2 = 0,170 dır.
Bloklama yapılmadığında hata varyansının σˆ ε2 = 0,265 olduğu
tahmin edilmektedir. Hata varyansının küçük olması, düzey
etkileri tahmin edicilerinin varyanslarının küçük olmasını
sağlamakta olup istatistiksel sonuç çıkarımı
iyileştirmektedir. Tahmim edicilerin varyanslarını küçültme
şeklindeki bir iyileştirme gözlem sayısını arttırmakla da
sağlanabilir. Bu açıdan bakıldığında, isabetli bir yardımcı
etken ile yapılan bloklama oldukça yararlı olmaktadır.

Örnek 2 Araba lâstiklerinin aşınmasında çok sayıda etkenin etkisi olduğu

açıktır. Bir araştırmacı, aşınma olayında lâstik markasının etkisini incelemek
istemektedir. Özel seçilmiş 4 tür lâstik (dört farklı marka, A1 , A2 , A3 , A4 ) için her
markadan birer lâstik bir arabada olmak üzere dört araba ( B1 , B2 , B3 , B4 ) ile
20000 kilometre yol katettikten sonra aşınma miktarları ölçülmektedir.
Gözlemler aşağıdaki gibidir.
Arabalar
Markalar B1 B2 B3 B4

A1 17 14 13 13

A2 14 14 13 8

A3 12 12 11 9
13 11 11 9
A4

Bu gözlemlere dayalı olarak, aşınma ortalamalarının eşitliği ile ilgili, α = 0.05

anlam düzeyinde:
H 0 : µA1 = µA2 = µA3 = µA4

H1 : değil
hipotezini,
 a) Arabalar göz ardı edilip,
b) Araba’lara göre bloklama (lâstik markası ile araba etkileşimsiz) yapılıp
test edildiğinde aşağıdaki çıktılar elde edilmektedir.

Veri:
C1 C2 C3
17 1 1
14 1 2
13 1 3
13 1 4
14 2 1
14 2 2
13 2 3
8 2 4
12 3 1
12 3 2
11 3 3
9 3 4
13 4 1
11 4 2
11 4 3
9 4 4

Çıktılar:
One-way ANOVA: C1 versus C2

Analysis of Variance for C1

Source DF SS MS F P
C2 3 28,25 9,42 2,28 0,131
Error 12 49,50 4,13
Total 15 77,75

Karar: Sıfır hipotezi reddedilemez.

Individual 95% CIs For Mean

Based on Pooled StDev
Level N Mean StDev -----+---------+---------+---------+-
1 4 14,250 1,893 (--------*--------)
2 4 12,250 2,872 (--------*--------)
3 4 11,000 1,414 (--------*--------)
4 4 11,000 1,633 (--------*--------)
-----+---------+---------+---------+-
Pooled StDev = 2,031 10,0 12,5 15,0 17,5
Two-way ANOVA: C1 versus C2; C3

Analysis of Variance for C1

Source DF SS MS F P
C2 3 28,25 9,42 7,53 0,008
C3 3 38,25 12,75 10,20 0,003
Error 9 11,25 1,25
Total 15 77,75

Individual 95% CI
C2 Mean ------+---------+---------+---------+-----
1 14,25 (-------*-------)
2 12,25 (--------*-------)
3 11,00 (-------*--------)
4 11,00 (-------*--------)
------+---------+---------+---------+-----
10,50 12,00 13,50 15,00

Karar: Sıfır hipotezi reddedilir.

Yukarıdaki örnekte, her bir markadan 4 lastik (toplam N = 16 lâstik), her

markadan birer lastik bir arabada olmak üzere 20000 kilometrelik bir yolda
denenmiştir. Bağımlı değişken (tepki değişkeni) aşınma miktarı (Y ) ve
ilgilendiğimiz etken lâstik markası olmak üzere, araba etkeni ile bloklama
altında model,
i = 1, 2,3, 4 4
Yij = µ + αi + β j + εij ,  , εij ∼ BND(0, σε2 ) , ∑ αi = 0
 j = 1, 2,3, 4 i =1

biçimindedir. Bu şekilde 4 tekerrür yapılırsa (toplam N = 64 lâstik denenmekte),

model
i = 1, 2,3, 4
 4
Yijk = µ + αi + β j + εijk ,  j = 1, 2,3, 4 , εijk ∼ BND(0, σε2 ) , ∑α i =0
 i =1
k = 1, 2,3, 4
biçiminde olur. Etkileşim de varsa,

i = 1, 2,3, 4
 4
Yijk = µ + αi + β j + (αβ )ij + εijk ,  j = 1, 2,3, 4 , εijk ∼ BND(0, σε2 ) , ∑α i =0
 i =1
k = 1, 2,3, 4
gibi bir model söz konusu olur. Bir lâstiğin arabanın hangi tekerleğinde olduğu
da önemsenirse, yani başka bir etken olan tekerlek de bir yardımcı etken (ikinci
blok etkeni) olarak analize katılırsa,
i = 1, 2,3, 4
 4
Yijk = µ + αi + β j + γ k + εijk ,  j = 1, 2, 3, 4 , εijk ∼ BND(0, σε2 ) , ∑α i =0
 i =1
k = 1, 2,3, 4
gibi, etkileri toplanabilir üç etkenli bir model üzerinde analiz yürütülebilir.
Burada, örneğin γ1 ön sağ, γ 2 ön sol, γ3 arka sol ve γ 4 arka sağ tekerleğin
düzey etkilerini gösterebilir. Tüm bu deney tasarımlarında amacımızın özel
seçilmiş 4 lâstik markası ( A1 , A2 , A3 , A4 ) için aşınma ortalamaları ile ilgili,
H 0 : µA1 = µA2 = µA3 = µA4 veya H 0 : α1 = α2 = α3 = α4 = 0
H1 : değil H1 : değil
hipotezini test etmek olduğunu gözden kaçırmayalım.

Tamamlanmamış Blok Tasarımlar

(Incomplete Block Designs)
Bir deney tasarımında rasgeleleştirme üzerinde hiçbir kısıtlama olmadığında tasarıma
Tamamen Rasgeleleştirilmiş Tasarım (Completely Randomized Design) dendiğini
hatırlatalım. Örneğin iki etkenli bir deney tasarımında etken düzeylerinin bir kombinasyonu
gözlem birimleri içinden rasgele seçilen bir birime uygulandığında Tamamen
Rasgeleleştirilmiş Tasarım söz konusudur. Bloklama durumunda böyle bir kombinasyon
sadece o blok içindeki birimlere rasgele uygulanmaktadır. Her kombinasyon ile ilgili en az
bir gözlem alınabiliyorsa, böyle tasarımlara Rasgele Tamamlanmış Bloklar Tasarımı
(Randomized Complete Block Design) denir. Bir bloğun içindeki bazı hücrelerde gözlem
olmaması (alınamaması) durumunda tasarıma Tamamlanmamış Bloklar Tasarımı
(Incomplete Block Design) denir. Örneğin, veri tablosu:

Bloklar
B1 B2 B3 B4 B5 B6
A1 Y12 Y13 Y15
A2 Y21 Y22 Y23 Y25
A3 Y31 Y33 Y34 Y35 Y36
A4 Y42 Y44 Y32 Y32

gibi olan bir tasarımda ilgilenilen etken ile blok etkeninin düzeylerinin bazı kombinasyonları
uygulanmamıştır, bazı bloklarda boş hücreler vardır. Bir bloğun içindeki birim sayısı etkenin
düzey sayısından daha az olması durumunda bu blok tamamlanmamış olacaktır.
Tamamlanmamış Bloklar Tasarımının bazı özel halleri Dengeli Tamamlanmamış Bloklar
Tasarımı (Balanced Incomplete Block Designs), Lâtin Kareler (Latin Squares), Lâtis
Tasarımlar (Lattice Designs), Bölünmüş Parseller Tasarımı (Split Plot Design) dır.
 Dengeli Tamamlanmamış Blok Tasarımlar
(Balanced Incomplete Block Designs)

Dengeli Tamamlanmamış Bloklar Tasarımı ile ilgili Design and Analysis of

Experiments (Montgomery, 2005, sayfa 145-154) kitabına bakılabilir.

Bir yardımcı etken olması durumundaki Dengeli Tamamlanmamış Bloklar Tasarımı

için aşağıdaki koşullar söz konusudur:

1. Her blokta eşit sayıda (k tane) deney birimi (neticede gözlem) vardır.
2. Her bloktaki birim sayısı işlem (etken düzeyi) sayısından küçüktür, yani k<a dır.
3. Her işlem (etken düzeyi) eşit sayıda (r tane) blokta uygulanır.
4. Her işlem çifti (düzey çifti) aynı sayıda blokta ( λ defa) uygulanır ve

r (k −1)
λ= , λ (a −1) = r (k −1)
a −1
dır.
Örneğin,
B1 B2 B3 B4
A1 Y11 Y12 Y13
A2 Y21 Y23 Y24
A3 Y31 Y32 Y34
A4 Y42 Y43 Y44

gibi bir tasarımda, a = 4, b = 4, k = 3, r = 3, λ = 2 dır. λ = 2 olması demek, her işlem çiftinin

(düzey çiftinin) iki tane blokta görünmesi demektir. Örneğin, A1 ile A3 düzeyleri birlikte

B1 ile B2 bloklarında bulunmaktadır. Burada toplam gözlem sayısı N = ar = 4×3 = 12 dır.

i = 1, 2,..., a ve j = 1, 2,..., b için,

1 , i. satır j.sütunda gözlem olduğunda

nij = 
0 , i. satır j.sütunda gözlem olmadığında

olmak üzere, gözlemlerin ortalaması,

 a b a b

∑∑ nijYij ∑∑ n Y ij ij
Y..
i =1 j =1 i =1 j =1
Y.. = a b
= =
N ar
∑∑ n
i =1 j =1
ij

dır. Ayrıca,

∑n Y ij ij
Yi.
j =1
Yi. = b
= , i = 1, 2,..., a
r
∑n
j =1
ij

∑n Y
i =1
ij ij
Y. j
Y. j = a
= , j = 1, 2,..., b
k
∑n ij
i =1

∑n n
j =1
ij i ' j =λ , i ≠ i ' , i, i ' = 1, 2,..., a

ve
a b a b
Y..2
KTGenel = ∑∑ nij (Yij − Y.. )2 =∑∑ nij (Yij )2 −
i =1 j =1 i =1 j =1 N

∑ n Y. j
j =1
ij

Qi = Yi. − , i = 1, 2,..., a
k
olmak üzere,
i = 1, 2,..., a
Yij = µ + αi + β j + εij ,  , εij ∼ BND(0, σε2 )
 j = 1, 2,..., b

modeli çerçevesinde, ilgilendiğimiz

H 0 : µA1 = µA2 = µA3 = µA4 veya H 0 : α1 = α2 = α3 = α4 = 0

H1 : değil H1 : değil
hipotezi ile ilgili varyans analizi tablosu,

Değişkenlik s.d. Kareler Toplamı Kareler Ortalamaları F değeri

kaynağı
a
k ∑ Qi2 KTA KOA
A etkeni a −1 KTA ( düzeltilmiş ) = i =1 KOA = FA =
λa a −1 KOHata

b Y. 2jY..2 KTB
B etkeni
KTB = ∑ k
−
N KOB =
(bloklama) b-1 j =1 b −1

KTHata
Hata N-a-b+1 KTHata = KTGenel − KTA( düzeltilmiş ) − KTB KOHata =
N − a − b +1

N-1
a b
Y..2
Genel KTGenel = ∑∑ nij (Yij ) 2 − KTGenel
i =1 j =1 N

dır (Montgomery (2005), sayfa 147).

Lâtin Kare Tasarımı

Lâtin Kare Tasarımında ilgilendiğimiz etken, iki yardımcı etken ile

bloklanmış durumdadır ve tüm etkenler için düzey sayıları eşit olup, bir etkenin
bir düzeyi diğer etken düzeyleri ile yalnız bir kez birlikte uygulanmaktadır.
Örneğin, belli bir hastalıkta kullanılan üç ( A1 , A2 , A3 ) ilâç için ilâcın etki süresi
ortalamaları ile ilgili,

H 0 : µA1 = µA2 = µA3

H1 : değil

hipotezi test edilmek istensin. Bizi ilgilendiren etken ilâçtır. Đlâç 9 hasta
üzerinde denenecektir. Hastalar yaş bakımından genç, orta, yaşlı olarak üçer
kişilik üç yaş grubuna ( B1 , B2 , B3 ) ayrılsın (veya böyle olacak şekilde önceden
seçilmiş olsun) ve ilâç sabah, öğlen, akşam ( C1 , C2 , C3 ) verilmek üzere, her ilâç,
her yaş grubunda, her veriliş zamanında birer kez denenmek üzere, aşağıdaki
gibi tasarımlar (düzenlemeler) yapılabilir.

Yaş grubu
Đlâç veriliş
zamanı Genç Orta Yaşlı
Sabah A1 A2 A3
Öğlen A3 A1 A2
Akşam A2 A3 A1

Yaş grubu
Đlâç veriliş
zamanı Genç Orta Yaşlı
Sabah A2 A1 A3
Öğlen A3 A2 A1
Akşam A1 A3 A2

Yaş grubu
Đlâç veriliş
zamanı Genç Orta Yaşlı
Sabah A2 A1 A3
Öğlen A1 A3 A2
Akşam A3 A2 A1

Satırlar ve sütunlar bloklama etkenlerini göstermek üzere, sadece ilâç

indisinin yazılmasıyla yukarıdaki üç tasarımı da içinde bulunduran 12 farklı
Latin Kare Tasarımı oluşturulabilir.
123 123 231 231 312 312 132 132 213 213 321 321
231 312 123 312 123 231 213 321 132 321 132 213
312 231 312 123 231 123 321 213 321 132 213 132

Bir Latin Kare Tasarımında birinci satır ile birinci sütundaki indisler doğal
sıralamasında ise bu tür tasarımlara Standart Latin Kare Tasarımı (SLKT)
denir. Örneğin ilâç için 4 düzey, bloklama etkenleri için de 4’er düzey, yani 4x4
Latin Kare Tasarımı olması durumunda SLKT’lar aşağıdaki gibi olurdu.

1234 1234 1234 1234

2341 2143 2143 2413
3412 3412 3421 3142
4123 4321 4312 4321
3x3 Latin Kare Tasarımında 1 tane SLKT ve 4x4 Latin Kare Tasarımında 4 tane
SLKT bulunmaktadır. 3x3 Latin Kare Tasarımında 3!x(3-1)!x1=12 farklı
tasarım, 4x4 Latin Kare Tasarımında ise 4!×(4 −1)!× 4 = 576 tane farklı tasarım
oluşturulabilir. Bunlar her SLKT’da satırların veya sütunların yer değiştirmesi
ile elde edilebilir. pxp Latin Kare Tasarımında,

Latin Kare Sayısı = p !×(1− p)!× SLKT sayısı

dır (Montgomery (2005), sayfa 140).

Đlâç örneğinde Yijk , i. ilâcın, j. yaş grubundan bir hastaya, k. zamanda

uygulanması sonucu etki süresini göstermek üzere, düzey etkileri modeli

i = 1, 2,3

Yijk = µ + αi + β j + γ k + εijk ,  j = 1, 2, 3 , εijk ∼ BND(0, σε2 )

k = 1, 2,3

biçiminde yazılabilir. Ancak, i, j, k indislerinde j, k = 1, 2,3 olmak üzere i indisi

tasarıma ve j, k ‘ya bağlı olarak değer almaktadır. Örneğin,

Yaş grubu
Đlâç veriliş
zamanı Genç Orta Yaşlı
Sabah A1 A2 A3
Öğlen A3 A1 A2
Akşam A2 A3 A1

Latin Kare Tasarımında,

j = 1ve k = 1 ise i =1
j = 1ve k = 2 ise i =3
j = 1ve k = 3 ise i =2
j = 2 ve k = 1 ise i =2
j = 2 ve k = 2 ise i =1
j = 2 ve k = 3 ise i =3
j = 3 ve k = 1 ise i =3
j = 3 ve k = 2 ise i =2
j = 3 ve k = 3 ise i =1

olmaktadır. Buna göre model,

 µ
 Y111  1 1 0 0 1 0 0 1 0 0    ε111 
    α1  
Y122  1 1 0 0 0 1 0 0 1 0    ε122 
    α2  
Y  1
 133   1 0 0 0 0 1 0 0 1    ε133 
α3
Y  1
 213   0 1 0 1 0 0 0 0 1    ε213 
Y  = 1  β1 
 221   0 1 0 0 1 0 1 0 0   +  ε221 
     β2   
Y232  1 0 1 0 0 0 1 0 1 0    ε232 
     β3   
Y312  1 0 0 1 1 0 0 0 1 0    ε312 
    γ   
Y323  1 0 0 1 0 1 0 0 0 1  1   ε323 
    γ   
Y331  1 0 0 1 0 0 1 1 0 0  2   ε331 
γ 
 3

olup, tasarım matrisinin rankı rank ( X ) = 7 ve normal denklemler,


 9 3 3 3 3 3 3 3 3 3  µ   Y... 
   

 3 3 0 0 1 1 1 1 1 1  α1  Y1.. 
  
 3 0 3 0 1 1 1 1 1 1 α2  Y2.. 
 


3 0 0 3 1 1 1 1 1 1 α3  Y3.. 
 

 3 1 1 1 3 0 0 1 1 1  β1  Y.1. 
  = 
 3 1 1 1 0 3 0 1 1 1  β2  Y.2. 
  
 3 1 1 1 0 0 3 1 1 1  β3  Y.3. 
 


3 1 1 1 1 1 1 3 0 0  γ1  Y..1 
 

 3 1 1 1 1 1 1 0 3 0  γ2  Y..2 
   

 3 1 1 1 1 1 1 0 0 3  γ3  Y..3 
 

dır. Burada,
3 3 3
Y... Y...
Y... = ∑∑∑ nijk Yijk , Y... = 3 3 3
=
9
i =1 j =1 k =1
∑∑∑ n
i =1 j =1 k =1
ijk

3 3 3 3

3 3 ∑∑ nijkYijk ∑∑ n Y
ijk ijk
j =1 k =1 j =1 k =1
Yi.. = ∑∑ nijk Yijk , Yi.. = 3 3
= , i = 1, 2, 3
3
j =1 k =1
∑∑ nj =1 k =1
ijk

3 3 3 3

3 3 ∑∑ nijkYijk ∑∑ nj =1 k =1
Y
ijk ijk

Y. j. = ∑∑ nijk Yijk , Y. j . = i =1 k =1
3 3
= , j = 1, 2,3
3
i =1 k =1
∑∑ n ijk
i =1 k =1
 3 3 3 3

3 3 ∑∑ n Y
ijk ijk ∑∑ n Y
ijk ijk
j =1 k =1
Y..k = ∑∑ nijk Yijk , Y..k = i =1 k =1
3 3
= , k = 1, 2, 3
3
i =1 j =1
∑∑ n
i =1 j =1
ijk

olup, nijk sayısı i. ilâç, j. yaş grubuna, k. zamanda uygulanmış ise 1 değerini
diğer durumlarda 0 değerini almaktadır. Parametreler üzerinde,
3 3 3

∑ αi = 0 , ∑ β j = 0 , ∑ γ k = 0 kısıtlamaları altında, en çok olabilirlik tahmin

j =1
i =1 k =1

ediciler,
µˆ = Y...
αˆ i = Yi.. − Y... , i = 1, 2,3
βˆi = Y. j . − Y... , j = 1, 2,3
γˆ k = Y..k − Y... , k = 1, 2, 3

ve yansızlık düzeltmesi yapılmış,

3 3 3 3 3 3

∑∑∑ n ˆ 2 ∑∑∑ n (Yijk −Yi.. − Y. j . − Y..k + 2Y... ) 2

ijk (Yijk −Yijk ) ijk
i =1 j =1 k =1 i =1 j =1 k =1
σˆ ε2 = = = KOHata
2 2

dır. Ayrıca,

Yijk − Y... = (Yi.. − Y... ) + (Y. j. − Y... ) + (Y..k − Y... ) + (Yijk − Yi.. − Y. j . − Y..k + 2Y... )

olmak üzere, her iki tarafın karesi alınıp i,j,k üzerinden toplam alınırsa,

KTGenel = KTA + KTB + KTC + KTHata

elde edilir. Burada,

3 3 3
KTA = ∑ (Yi.. − Y... ) 2 , KTB = ∑ (Y. j. − Y... ) 2 , KTC = ∑ (Y..k − Y... ) 2
i =1 j =1 k =1
3 3 3
KTHata = ∑∑∑ nijk (Yijk − Yi.. − Y. j. − Y..k + 2Y... )2
i =1 j =1 k =1

dır.
 Genel olarak a × a Lâtin Kare Tasarımında model,

i = 1, 2,..., a

Yijk = µ + αi + β j + γ k + εijk ,  j = 1, 2,..., a , εijk ∼ BND(0, σε2 )

k = 1, 2,..., a
ve Varyans Analizi Tablosu,
Değişken-
liğin Serbestlik Kareler Toplamı Kareler Ortalamaları F değeri
Kaynağı derecesi

A etkeni
a −1 a
Yi..2 Y...2 KTA KOA
KTA = ∑
i =1 a
−
N
KOA =
a −1
FA =
KOHata

a Y. 2j . Y...2
B etkeni
a −1 KTB = ∑ a
−
N KOB =
KTB
j =1 a −1

a −1
a
Y..2k Y...2 KTC
C etkeni KTC = ∑
k =1 a
−
N
KOC =
a −1

KT
( a − 1)( a − 2) KTHata KTGenel − KTA − KTB − KTC KOHata = Hata
Hata =
( a − 1)( a − 2)

a a a
Genel 2
a −1 KTGenel = ∑∑∑ n
i =1 j =1 k =1
ijk (Yijk − Y... ) 2

a a
Y...2
a
= ∑∑∑ n Y − 2
ijk ijk
i =1 j =1 k =1 N

dır. Bu varyans analizi tablosu sabit etkili üç etkenli etkileri toplanabilir

(additive) ve rasgelelik üzerinde Latin Kare Tasarımının getirdiği bazı
kısıtlamalar bulunan bir model içindir.

Đlâç örneğinde bizi ilgilendiren etken ilâç olmak üzere amacımız,

H 0 : µA1 = µA2 = µA3

H1 : değil

hipotezini test etmektir. Test istatistiği,

 KOA
FA =
KOHata

olup, sıfır hipotezi altında,

KOA
FA = ∼ Fa−1,(a−1)( a−2)
KOHata
dır.

Greko-Lâtin Kare Tasarımı

Lâtin Kare Tasarımında ilgilendiğimiz etken, iki yardımcı etken ile

bloklanmış durumdadır ve tüm etkenler için düzey sayıları eşit olup, bir etkenin
bir düzeyi diğer etken düzeyleri ile yalnız bir kez birlikte uygulanmaktadır.
Şimdi ilgilenilen etken üç yardımcı etken ile bloklanmış olsun ve yine tüm
etkenler için düzey sayıları eşit olup, bir etkenin bir düzeyi diğer etken
düzeyleri ile yalnız bir kez birlikte uygulansın. Đlâç örneğinde, ilâcın veriliş
şekli (tablet D1 , kapsül D2 , şurup D3 ) üçüncü bloklama etkeni (yardımcı etken)
olarak alınsın ve model,

i = 1, 2,3

 j = 1, 2, 3
Yijkl = µ + αi + β j + γ k + δl + εijkl ,  , εijk ∼ BND(0, σε2 )
k = 1, 2,3

l = 1, 2,3

biçiminde etkileri toplanabilir bir model olsun. Burada i, j, k , l indislerinden

sadece iki tanesi 1, 2,3 değerlerini çaprazlama almaktadır ( j, k ), diğerlerinin
değerleri tasarıma ve j, k ‘ya bağlıdır. Örneğin aşağıdaki gibi bir tasarımda,

Yaş grubu
Đlâç veriliş
zamanı Genç Orta Yaşlı
Sabah A1 A2 A3
tablet kapsül şurup
Öğlen A3 A1 A2
kapsül şurup tablet
Akşam A2 A3 A1
şurup tablet kapsül
 j = 1ve k = 1 ise i =1 ve l = 1
j = 1ve k = 2 ise i =3 ve l = 2
j = 1ve k = 3 ise i =2 ve l = 3
j = 2 ve k = 1 ise i =2 ve l = 2
j = 2 ve k = 2 ise i =1 ve l = 3
j = 2 ve k = 3 ise i =3 ve l = 1
j = 3 ve k = 1 ise i =3 ve l = 3
j = 3 ve k = 2 ise i =2 ve l = 1
j = 3 ve k = 3 ise i =1 ve l = 2

dır. Satır ve sütunlar akılda tutularak yukarıdaki tasarım,

A1 D1 A2 D2 A3 D3
A3 D2 A1 D3 A2 D1
A2 D3 A3 D1 A1 D2

ve sadece i, l indislerinin değerlerinin yazılmasıyla,

11 22 33
32 13 21
23 31 12

biçiminde yazılabilir. 1,2,3 rakamlarının yerine birinci basamakta A,B,C Latin

harfleri, ikinci basamakta α, β , γ Grek harfleri yazılırsa yukarıdaki kare,

Aα Bβ Cγ
Cβ Aγ Bα
Bγ Cα Aβ

biçimini alır. Bu tür karelere Greko-Lâtin Kareler (Graeco-Latin Squares) denir.

Bir Greko-Lâtin Karede her harf her satır ve sütunda ve diğer alfabeden bir
harfle birlikte sadece bir kez bulunmaktadır. Bir Greko-Lâtin Kare esasında iki
tane Lâtin Karenin üst üste yazılmasıyla oluşmaktadır. Yukarıdaki Greko-Lâtin
Karesi aşağıdaki Lâtin Karelerden oluşmaktadır.

A B C
C A B
B C A

α β γ
β γ α
γ α β
 Đki Lâtin Kare üst üste konduğunda bir Greko-Lâtin Kare oluşturması için
bir harf diğer alfabeden bir harfle birlikte sadece bir kez görünmelidir. Bu tür
Lâtin Karelere dik (ortogonal) Lâtin Kareler denir.

A,B,C ve α, β , γ harfleri ile oluşturulabilecek başka bir Greko-Lâtin Kare

Aα Cβ Bγ
Bβ Aγ Cα
Cγ Bα Aβ

dır. Bu Greko-Lâtin Kareye ilâç örneğinde karşılık gelen tasarım

Yaş grubu
Đlâç veriliş
zamanı Genç Orta Yaşlı
Sabah A1 A3 A2
tablet kapsül şurup
Öğlen A2 A1 A3
kapsül şurup tablet
Akşam A3 A2 A1
şurup tablet kapsül

dır.

Greko-Lâtin Kare Tasarımlarında ilgilendiğimiz etken, üç yardımcı etken

ile bloklanmış durumdadır ve tüm etkenler için düzey sayıları eşit olup, bir
etkenin bir düzeyi diğer etken düzeyleri ile yalnız bir kez birlikte
uygulanmaktadır. Greko-Lâtin Kare Tasarımı sabit etkili dört etkenli etkileri
toplanabilir (additive) deneylerde kullanılmaktadır. Toplam gözlem sayısı düşük
tutulabildiği için maliyet açısından oldukça kullanışlı bir tasarımdır, ancak
etkenlerin düzey sayılarının eşit olduğu özel durumlarda işe yaramaktadır.
Ayrıca, a ≥ 3 ve a ≠ 6 için a × a Greko-Lâtin Kareler oluşturulabilir. Bir Greko-
Lâtin Kare Tasarımı ile ilgili model,
 i = 1, 2,..., a

 j = 1, 2,..., a
Yijkl = µ + αi + β j + γ k + δl + εijkl ,  , εijkl ∼ BND(0, σε2 )
k = 1, 2,..., a

l = 1, 2,..., a

ve

Varyans Analizi Tablosu:

Değişken- Kareler
liğin Serbestlik Kareler Toplamı Ortalamaları F değeri
Kaynağı derecesi

A etkeni
a −1 a
Yi...2 Y....2 KTA KOA
KTA = ∑i =1 a
−
N
KOA =
a −1
FA =
KOHata

a Y. 2j.. Y....2
B etkeni a −1 KTB = ∑j =1 a
−
N KOB =
KTB KOB
a −1 FB =
KOHata

a
Y..2k . Y....2
C etkeni a −1
KTC = ∑ a
−
N KTC KOC
k =1 KOC = FC =
a −1 KOHata
a
Y...2l Y....2
D etkeni a −1
KTd = ∑ a
−
N KTD KOD
l =1 KOD = FD =
a −1 KOHata

Hata KOHata =
( a − 3)( a − 1) KTHata = KTGenel − KTA − KTB − KTC
KTHata

( a − 3)( a − 1)

a a
Genel a 2 −1 KTGenel = ∑∑∑∑ (Y
j =1 k =1 i l
ijkl − Y.... ) 2

dır. Dikkat edilirse, a = 3 durumunda Hata Kareleri Toplamının serbestlik

derecesi sıfır olmaktadır. Greko-Lâtin Kare Tasarımında a > 3 olmalıdır.

a = 3 için a × a Lâtin Kare Tasarımında Hata Kareleri Toplamının

serbestlik derecesi (a − 1)( a − 2) =2 ve a = 4 için (a − 1)( a − 2) =6 olmaktadır. Küçük
Lâtin Karelerde serbestlik derecesini artırmak için tekrar (tekerrür)
yapılmaktadır. Bir Lâtin Kare Tasarımında tekrar:
 a) aynı Lâtin Karede,

b) bloklama etkenlerinden birine göre aynı olan Lâtin Karelerde,

c) farklı Lâtin Karelerde

yapılabilir. Tekrar sayısı n ve toplam gözlem sayısı na 2 olmak üzere,

tekrarlama yöntemine göre Varyans Analizi Tabloları sırasıyla aşağıdaki
gibidir.

Varyans Analizi Tablosu (aynı Lâtin Kare üzerinde):

Değişkenlik
Kaynağı Serbestlik derecesi Kareler Toplamı Kareler Ortalamaları F değeri

A etkeni
a −1 a
Yi...2 Y....2 KTA KOA
KTA = ∑ na
i =1
−
N
KOA =
a −1
FA =
KOHata

B etkeni
a −1 a Y. 2j..
Y....2
(satırlar) KTB = ∑j =1
−
na N

C etkeni
a −1
a
Y..2k . Y....2
(sütunlar) KTC = ∑ na
k =1
−
N

n
Y...2l Y....2
Tekrar n −1 ∑
l =1 a
2
−
N
KOHata =
KTHata
KTHata = KTGenel − KTA − KTB − KTC − KTTekrar
Hata ( a − 1) ( n( a + 1) − 3)
( a − 1) ( n ( a + 1) − 3)

a a n
Genel
na 2 −1 KTGenel = ∑∑∑∑ (Y ijkl − Y.... ) 2
j =1 k =1 i l =1
Varyans Analizi Tablosu (farklı içerikli satırlar, içeriği aynı sütunlar):
Değişkenlik
Kaynağı Serbestlik derecesi Kareler Toplamı Kareler Ortalamaları F değeri
A etkeni a −1 a
Y 2
Y 2
KTA KOA
KTA = ∑ na − N
i =1
i... .... KOA =
a −1
FA =
KOHata
2
B etkeni n(a −1) n a Y
. j .l
n
Y...2l
(satırlar) KTB = ∑∑ l =1 j =1 a
−∑
l =1 a2
2
a −1
a
Y Y....2
C etkeni
(sütunlar)
KTC = ∑ na
k =1
..k .
−
N

n
Y...2l Y....2
Tekrar n −1 ∑
l =1 a
2
−
N
KTHata
Hata ( a − 1) ( na − 1) KOHata =
KTHata = KTGenel − KTA − KTB − KTC − KTTekrar ( a − 1) ( na − 1)

a a n
Genel
na 2 −1 KTGenel = ∑∑∑∑ (Y
j =1 k =1 i l =1
ijkl − Y.... ) 2

Varyans Analizi Tablosu (farklı içerikli satırlar ve farklı içerikli sütunlar):

Değişkenlik
Kaynağı Serbestlik derecesi Kareler Toplamı Kareler Ortalamaları F değeri
A etkeni a −1 a
Y 2
Y 2
KTA
KTA = ∑ na − N
i =1
i... .... KOA =
a −1 FA =
KOA
B etkeni KOHata
(satırlar) n(a −1) n a Y. 2j .l Y2 n
KTB = ∑∑
l =1 j =1 a
− ∑ ...2l
l =1 a
C etkeni
n(a −1)
n a
Y..2kl Y...2l n
(sütunlar) KTC = ∑∑ l =1 k =1 a
−∑ 2
l =1 a
n
Y...2l Y....2
Tekrar n −1 ∑
l =1 a
2
−
N

KOHata =
Hata ( a − 1) ( n ( a − 1) − 1) KTHata = KTGenel − KTA − KTB − KTC − KTTekrar KTHata

( a − 1) ( n ( a − 1) − 1)
a a n

Genel na 2 −1 KTGenel = ∑∑∑∑ (Y

j =1 k =1 i l =1
ijkl − Y.... ) 2
 Kayıp Gözlemler

Bir deney tasarımındaki deney safhasında bir ya da daha çok gözlem kayıp olabilir.
Bazı durumlarda kayıp gözlemlerin varlığı istatistiksel analizi zorlaştırabilir, örneğin
istatistiksel hesaplamaları kolay yürütülen dengeli bir model bozulmuş olabilir. Böyle
durumlarda kayıp gözlem için onun bir tahmini yerine konup analize devam edilir veya kayıp
gözlem olmaksızın geriye kalan gözlemlerle analiz yapılır. Kayıp gözlemin yerinin
doldurulmasında, “Hata Kareleri Toplamına katkısı en küçük olacak şekilde bir değerin
seçilmesi” düşünülebilir. Örneğin,
i = 1, 2, 3
Yij = µ + αi + β j + εij ,  , εij ∼ BND(0, σε2 )
 j = 1, 2,..., 8

modelinde Y33 gözlemi kayıp olsun.

3 8 3 8
KTHata = KTGenel − KTA − KTB = ∑∑ (Yij −Y.. ) 2 − 8∑ (Yi. − Y.. ) 2 −3∑ (Y. j − Y.. ) 2
i =1 j =1 i =1 j =1

ifadesinde Y33 yerine x harfi ve diğer Yij ‘ler yerine gözlenen değerler yazılıp KTHata minimum

olacak şekilde x bulunur ve kayıp gözlem yerine yazılır. Kareler Toplamları hesaplanır ve KTHata ile

KTGenel için serbestlik dereceleri bir eksiltilerek Yaklaşık Varyans Analizi Tablosu hazırlanır. Birden
çok kayıp gözlem olması durumunda Hata Kareleri Toplamı, kayıp gözlemlerin yerine yazılmış
argümanlara göre minimize edilir. KTHata ‘yı minimum yapan argüman değerleri kayıp gözlemlerin

yerine yazılıp Kareler Toplamları hesaplanır. Varyans analizi tablosunda KTHata ile KTGenel için

serbestlik dereceleri kayıp gözlem sayısı kadar azaltılır.

a × a Lâtin Kare Tasarımında kayıp bir Yijk gözlemi yerine aşağıdaki değer alınabilir,

a(Yi..′ + Y. ′j . + Y..′k ) − 2Y...′

yijk =
(a − 2)(a −1)
(Montgomery (2005), sayfa 139). Burada, Y. ′j. , Y..′k , Y...′ değerleri j. satır, k . sütununda eksik

gözlem bulunan kare için sırasıyla j. satır, k . sütun ve tüm gözlemlerin toplamları ve
a a
Yi..′ = ∑∑ Yijk
j =1 k =1

dır.