Sunteți pe pagina 1din 147

1

ROMNIA
MINISTERUL EDUCAIEI NAIOANALE
UNIVERSITATEA Vasile Alecsandri din BACU
FACULTATEA DE TIINE
Str. Calea Mreti, nr. 157, Bacu, 600115
Tel. +40 234542411, tel./ fax +40 234571012
www.ub.ro; e-mail: stiinte@ub.ro



FACULTATEA DE TIINE

INFORMATIC
INVMNT CU FRECVEN REDUS










PROBABILIT I I STATISTICA






AUTOR:
Lect. Univ. Dr. LUNGU OTILIA


Curs pentru studenii anului II
2

OBIECTIVELE DISCIPLINEI

1. Explicarea si interpretarea corect a conceptelor matematice, folosind
limbajul specific teoriei probabilitailor i statisticii matematice.
2. Aplicarea corect a metodelor i principiilor de baz n rezolvarea
problemelor de probabiliti i statistica matematic.
3. Recunoaterea principalelor clase/tipuri de probleme matematice i
selectarea metodelor i a tehnicilor adecvate pentru rezolvarea lor
4. Identificarea noiunilor de baz utilizate in descrierea unor fenomene si
procese. Interpretarea rezultatelor prelucrrii datelor . Evaluarea critic a
rezultatelor implementrii modelului, compararea cu diferite abordri
alternative




COMPETENE ASIGURATE PRIN
PARCURGEREA DISCIPLINEI (grila 2 rncis, fisa
disciplinei)


C3. Utilizarea instrumentelor informatice in context interdisciplinar
C4. Utilizarea bazelor teoretice ale informaticii si a modelelor formale


FOND DE TIMP ALOCAT, FORME DE
ACTIVITATE, FORME DE VERIFICARE,
CREDITE (fia disciplinei)

Forma de activitate Numr ore
semestru
Numr credite
Lucrri practice/seminar 28
Studiu individual 41
Verificare final Examen 5


3

STABILIREA NOTEI FINALE (fia disciplinei)


Forma de verificare (Examen, Colocviu,
Verificare pe parcurs)
Examen
Modalitatea de susinere (Scris i Oral,
Oral, Test gril, etc.)
Scris Puncte sau
procentaj
Rspunsurile la examen/colocviu/lucrari practice 5(50%)
Activitati aplicative atestate /laborator/lucrri practice/proiect
etc
...(.. %)
Teste pe parcursul semestrului ...(.. %)
Teme de control 5(50%)
N
O
T
A
R
E

TOTAL PUNCTE SAU PROCENTE 10 (100%)


TIMP MEDIU NECESAR PENTRU ASIMILAREA
FIECRUI MODUL

Timp mediu necesar
Nr.
Crt.
Denumire modul/tema (obligatoriu,
un modul/tema are 2-3 ore)
SI LP Total
1 Obiectul de studiu al Teoriei
Probabilitatilor si Statisticii
Matematice
5 3 8
2 Scheme clasice de probabilitate 5 3 8
3 Variabile aleatoare 5 3 8
4 Repartitii clasice 5 4 9
5 Elemente de statistica descriptiva 5 4 9
6 Teoria selectiei 6 4 10
7 Teoria estimatiei 5 4 9
8 Verificarea ipotezelor statistice 5 3 8
Timp total necesar 41 28 69






4
CUPRINS
MODULUL I
ELEMENTE DE TEORIA PROBABILITILOR

Unitatea de studiu I. Cmp de
evenimente.
7
I.1. Experiene aleatoare.
Evenimente.
7
I.2. Relaii ntre
evenimente
8
I.3. Operaii cu
evenimente.
8
I.4. Cmp de
evenimente.
9
Unitatea de studiu II. Cmp de
probabilitate..
11
II.1. Definiia clasic a
probabilitii
11
II.2. Definiia axiomatic a
probabilitii.
11
II.3. Sistem complet de
evenimente
12
II.4. Evenimente
independente
12
II.5. Probabiliti
condiionate
13
II.6. Scheme clasice de
probabilitate.
15
Unitatea de studiu III. Variabile
aleatoare.
21
III.1. Definiia variabilelor
aleatoare.
21
III.2. Funcia de
repartiie
22
III.3. Densitatea de
repartiie..
24
III.4. Operaii cu variabile
aleatoare
25
III.5. Caracteristici numerice ale variabilelor aleatoare
discrete.
27
III.6. Caracteristici numerice ale variabilelor aleatoare
continue
33
Unitatea de studiu IV. Repartiii
clasice.
39
IV.1. Repartiii 39
5
discrete
IV.2. Repartiii
continue..
44
Unitatea de studiu V. Legi ale numerelor
mari..
52
V.1. Tipuri de convergene pentru iruri de variabile
aleatoare.
52
V.2. Inegaliti pentru variabile
aleatoare..
54
V.3. Legi ale numerelor
mari..
54
Autoevaluare prin aplicaii 58
Teste de autoevaluare 69
MODULUL II
ELEMENTE DE STATISTIC MATEMATIC

Unitatea de studiu VI. Elemente de statistic
descriptiv.
72
VI.1. Obiectul
statisticii.
72
VI.2. Limbajul
statisticii.
73
VI.3. Serii
statistice.
74
VI.4. Indicatori sintetici ai seriilor
statistice
75
Unitatea de studiu VII. Elemente de teoria
seleciei..
88
VII.1. Noiunea de selecie. Momente de
selecie
88
VII.2. Estimarea mediei teoretice. Media e
selecie.
89
VII.3. Estimarea dispersiei teoretice. Dispersia de
selecie.
91
VII.4. Metode de efectuare a unui
sondaj
93
Unitatea de studiu VIII. Elemente de teoria
estimaiei..
96
VIII.1. Noiuni
generale..
96
VIII.2. Metoda verosimilitii
maxime
99
VIII.3. Metoda
momentelor
101
VIII.4. Metoda intervalelor de 103
6
ncredere.
Unitatea de studiu IX. Verificarea ipotezelor
statistice.
107
IX.1. Noiuni
generale.
107
IX.2.
TestulZ
.
109
IX.3.
TestulT
.
111
IX.4. Teste pentru compararea a
doumedii..
113
IX.5.
Testul
2

..
116

IX.6.TestulF
..
117
IX.7.Testul de
concordan
2
.
119
IX.8. Testul de concordan
Kolmogorov
121
Unitatea de studiu X. Regresie i
corelaie.
122
X.1. Noiuni
generale..
122
X.2. Metode elementare de caracterizare a legturii dintre
variabile.
122
X.3. Modelul liniar de
regresie
124
X.4. Modele neliniare de
regresie
126
X.5. Msurarea intensitii legturii dintre
variabile...
127
Autoevaluare prin aplicaii 129
Teste de autoevaluare 139
BIBLIOGRAFIE 147




7




MODULUL I

ELEMENTE DE TEORIA
PROBABILITILOR


UNITATEA DE STUDIU I

CMP DE EVENIMENTE


I.1 Experien aleatoare. Eveniment

n activitile economice, sociale, tiinifice .a. sunt ntlnite
fenomene a cror producere i desfurare poate fi prevzut cu precizie.
Exist ns i fenomene a cror producere i ale cror rezultate sunt greu de
anticipat deoarece sunt condiionate de foarte muli factori necontrolabili.
Astfel de fenomene se numesc fenomene aleatoare.( exp.: starea vremii,
extragerea a 6 numere la loto, apariia unei anumite fee la aruncarea unui
zar)
tiina care modeleaz i studiaz fenomenele aleatoare este teoria
probabilitilor.

Definiia I.1.1. O experien aleatoare este o activitate ale crei
rezultate nu pot fi anticipate cu certitudine. Fiecare repetare a unei experiene
aleatoare se numete prob.

O experien aleatoare se caracterizeaz prin 3 elemente:
i) toate rezultatele posibile sunt cunoscute dinainte;
ii) rezultatul unei singure probe nu poate fi cunoscut dect dup realizarea
probei;
iii) experiena poate fi repetat n condiii identice.

8
Definiia I.1.2. Mulimea rezultatelor posibile ale unei experiene
aleatoare se numete mulimea cazurilor posibile.

Definiia I.1.3. Se numete eveniment aleator (sau, pe scurt,
eveniment) orice situaie care se poate realiza prin una sau mai multe probe.
Notm evenimentele aleatoare prin A, B, C,. .

Evenimentele care se realizeaz printr-o singur prob se numesc
evenimente elementare, iar celelalte, evenimente compuse.

Definiia I.1.4. Evenimentul care nu se realizeaz n nici o prob a
experienei se numete eveniment imposibil i se noteaz cu .

Definiia I.1.5. Evenimentul care se realizeaz cu certitudine n orice
prob se numete eveniment sigur.

Definiia I.1.6. Numim eveniment contrar evenimentului A, acel
eveniment notat prin A care se realizeaz atunci i numai atunci cnd nu se
realizeaz A.

Submulimile de probe ataate evenimentelor A i A sunt
complementare fa de mulimea tuturor probelor experienei.
Teoria probabilitilor este cea care modeleaz fenomenele aleatoare. Una
dintre cele mai utilizate modelri este cea a lui Kolmogorov care are la baz
teoria mulimilor.


I.2. Relaii ntre evenimente

Echivalena evenimentelor.

Definiia I.2.1 Numim evenimente echivalente acele evenimente
care se realizeaz simultan .
Mulimile de probe ce corespund evenimentelor echivalente sunt
mulimi egale.
Notm: A=B.

Implicaia evenimentelor.

Definiia I.2.2. Spunem c evenimentul A implic evenimentul B
dac realizarea evenimentului A atrage realizarea evenimentului B.
9
Orice prob care realizeaz evenimentul A realizeaz i evenimentul
B, prin urmare mulimea de probe ataat evenimentului A este inclus n
mulimea de probe ataat evenimentului B
Notm: B A .


I.3. Operaii cu evenimente

Definiia I.3.1. Numim reuniunea evenimentelor A i B evenimentul
notat B A care const n realizarea a cel puin unuia din evenimentele A
sau B.

Observaie. Urmtoarele relaii au loc:
= = / = = A A, A A, B B A B, A A A, A A ,
( ) ( ) C B A = C B A .
Definiia I.3.2. Numim intersecia evenimentelor A i B evenimentul
notat B A care const n realizarea simultan a celor dou evenimente.

Observaie. Urmtoarele relaii au loc:
A = / = / = = A , A A, B B A A, B A A, A A ,
( ) ( ) C B A = C B A .
Definiia I.3.3. Numim diferena evenimentelor A i B evenimentul
notat B A care se realizeaz atunci cnd se realizeaz A i nu se realizeaz
B.

Definiia I.3.4. Evenimentele A i B sunt incompatibile dac
= B A adic nu se pot realiza simultan n nici o prob. n caz contrar
evenimentele sunt compatibile.


I.4.Cmp de evenimente

Definiia I.4.1. Se numete algebr Boole o mulime nevid
nzestrat cu operaiile (reuniune), (intersecie), (complementar) care
verific urmtoarele proprieti:
1. Comutativitatea:
A B B A
A B B A
=
=
, B , A .

10
2. Asociativitatea:
( ) ( )
( ) ( ) C B A C B A
C B A C B A
=
=
, C , B , A .

3. Distributivitatea:
( ) ( ) ( )
( ) ( ) ( ) C A B A C B A
C A B A C B A
=
=
, C , B , A .

4. Absorbia:
( )
( ) A A B A
A A B A
=
=
, B , A .

5. Complementareitatea:
( )
( ) B B A A
B B A A
=
=
, B , A .

Definiia I.4.2. O algebr Boole nchis la reuniunea unui ir de
elemente ( )
N n
n
A

din algebr ( adic ( )
N n
n
A rezult

U
N n
n
A )
se numete
- algebr Boole.

Definiia I.4.3. Fie o mulime nevid E oarecare i ( ) E P mulimea
prilor sale. Fie ( ) E P K . K se numete corp de pri (corp de
evenimente) dac este nchis la reuniune i complementar, adic :
i) K B A K B , A ;
ii) K A K A .

Definiia I.4.4. O familie ( ) E P K se numete - corp de pri
(corp borelian) dac este nchis la complementar i la reuniunea oricrui
ir de elemente din K, adic:
i) K A K A ;
ii) ( ) K A K A
N n
n
N n
n

U
.

Definiia I.4.5. Se numete cmp de evenimente o mulime E
nzestrat cu un corp de evenimente K i notat ( ) K , E . Cnd K este corp
borelian de evenimente, ( ) K , E se numete cmp borelian de evenimente.






11

UNITATEA DE STUDIU II

CMP DE PROBABILITATE


II.1. Definiia clasic a probabilitii

Considerm o experien cu n probe egal posibile i fie A un eveniment
oarecare ataat experienei care se poate realiza n m probe, n m .

Definiia II.1.1 Numim probabilitatea evenimentului A, numrul
( )
n
m
A P = ,
adic raportul dintre numrul cazurilor favorabile realizrii lui A i numrul
cazurilor egal posibile.

Algoritm pentru a calcula probabilitatea unui eveniment oarecare A:
1. Se determin numrul de cazuri favorabile m, adic numrul de
elemente din mulimea de probe ce se ataeaz evenimentului A.
2. Se determin numrul de cazuri posibile n, adic numrul de elemente
din mulimea total de probe ce se ataeaz evenimentului sigur.
3. Se calculeaz probabilitatea ( ) A P ca fiind raportul acestor dou
numere:
n
m
.

II.2. Definiia axiomatic a probabilitii

Aceast definiie a fost dat n anul 1929 de matematicianul rus N. A.
Kolmogorov .

Definiia II.2.1. Fie E o mulime de evenimente ce reprezint
rezultate posibile ale unei experiene aleatoare i ( ) K , E un cmp de
evenimente. Se numete probabilitate o aplicaie R K : P care satisface
urmtoarele axiome:
1. ( ) 1 0 A P , K A .
2. ( ) 1 = E P .
12
3. ( )


=
|
|

\
|
I i
i
I i
i
A P A P
U
, pentru orice familie cel mult numrabil { } I i A
i

de evenimente din K, avnd proprietatea c sunt disjuncte n ansamblul lor,
adic j i , A A
j i
= .
Tripletul ( ) P , K , E se numete cmp de probabilitate.

Proprieti:
1. ( ) 0 = P .
2. ( ) ( ) A P A P =1 , K A .
3. Dac B A , atunci ( ) ( ) B P A P , K B , A .(monotonia)
4. Dac B A , atunci ( ) ( ) ( ) A P B P A B P = , K B , A .
5. ( ) ( ) ( ) B A P A P B A P = , K B , A .
6. ( ) ( ) ( ) ( ) B A P B P A P B A P + = , K B , A .(aditivitate tare)
7. ( )



|
|

\
|
I i
i
I i
i
A P A P
U
, pentru orice familie finit { } I i A
i
de
evenimente.(finit-subaditivitate)
8. Formula lui Poincar
( ) ( ) ( ) ( )
( ) ( )
n
n
s j i
s j i
n
j j i
j i j n
A ... A A P ....
A A A P A A P A P A ... A A P
+
+ =

< < = <



2 1
1
1
2 1
1



II.3. Sistem complet de evenimente


Definiia II.3.1. Un sistem complet de evenimente este o mulime de
evenimente n , k , A
k
1 = care satisfac urmtoarele condiii:
1. n , k , A
k
1 = .
2. n , k , j , k j A A
j k
1 = = .
3. E A
n
k
k
=
=
U
1
.
Dac evenimentele n , k , A
k
1 = formeaz un sistem complet de evenimente,
atunci
13
( ) 1
1
= =
|
|

\
|
=
E P A P
n
k
k U



II.4. Evenimente independente

Dou evenimente A i B sunt independente dac ele nu se influeneaz ,
adic realizarea evenimentului A nu depinde de realizarea lui B i reciproc.

Definiia II.4.1. Dou evenimente
1
A , K A
2
sunt independente
dac
( ) ( ) ( )
2 1 2 1
A P A P A A P = .
Definiia II.4 2. Trei evenimente K A , A , A
3 2 1
sunt independente
dac
( ) ( ) ( )
2 1 2 1
A P A P A A P = , ( ) ( ) ( )
3 1 3 1
A P A P A A P = ,
( ) ( ) ( )
3 2 3 2
A P A P A A P =
i
( ) ( ) ( ) ( )
3 2 1 3 2 1
A P A P A P A A A P = .

Definiia II.4.3. Spunem c evenimentele K A ,..., A , A , A
k

3 2 1
sunt
independente n totalitate dac sunt independente
dou cte dou ( adic ( ) ( ) ( ) j i , A P A P A A P
j i j i
= ),
trei cte trei( adic ( ) ( ) ( ) ( ) s j i , A P A P A P A A A P
s j i s j i
= )
,i
toate k( adic ( ) ( ) ( ) ( )
k k
A P ... A P A P A ... A A P =
2 1 2 1
).

Observaie. Dac evenimentele sunt independente dou cte dou nu
rezult c sunt independente n totalitate.
Dac evenimentele sunt independente n totalitate, atunci sunt
independente si s cte s.

Proprietate. Dac evenimentele n , k , A
k
1 = sunt independente n
totalitate, stunci
( ) ( ) ( )

= = = = =
= =
|
|

\
|
=
|
|

\
|
=
|
|

\
|
n
k
k
n
k
k
n
k
k
n
k
k
n
k
k
A P A P A P A P A P
1 1 1 1 1
1 1 1 1 1
I U U
.

Propoziia II.4.4. Au loc urmtoarele afirmaii:
14
1) Dac K A astfel nct ( ) 0 = A P , sau ( ) 1 = A P , atunci, K B
avem c A i B sunt independente.
2) Dac K B , A sunt evenimente in dependente, atunci i perechile
( ) ( ) ( ) B , A , B , A , B , A sunt independente.


II.5. Probabiliti condiionate

Atunci cnd evenimentele nu sunt independente spunem c sunt dependente.

Definiia II.5.1. Fie ( ) P , K , E un cmp de probabilitate i K B un
eveniment pentru care ( ) 0 > B P . Numim probabilitatea evenimentului A
condiionat de evenimentul B raportul ( )
( )
( ) B P
B A P
A P
B

= .

Dac K A este un eveniment pentru care ( ) 0 > A P putem defini
probabilitatea evenimentului B condiionat de evenimentul A prin
( )
( )
( ) A P
B A P
B P
A

= .
Din aceste dou rapoarte obinem formula care leag probabilitile
evenimentelor reciproc condiionate:
( ) ( ) ( ) ( ) A P B P B P A P
B A
= .

Observaie. Dac A i B sunt dou evenimente independente, atunci
( ) ( ) A P A P
B
= i ( ) ( ) B P B P
A
= .

Formula de nmulire a probabilitilor( Probabilitatea interseciei de
evenimente)

Probabilitatea interseciei a dou evenimente este egal cu produsul
dintre probabilitatea primului eveniment i probabilitatea condiionat a celui
de-al doilea de ctre primul:
( ) ( ) ( ) A P A P B A P
B
= , K B , A .
Generaliznd, dac K A ,..., A , A
n

2 1
, atunci
( ) ( ) ( ) ( ) ( )
n A ... A A A A A n
A P ... A P A P A P A ... A A P
n 1 2 1 2 1 1
3 2 1 2 1


=
.
Dac evenimentele n , k A
, k
1 = sunt independente, atunci relaia de mai sus
se reduce la
( ) ( ) ( ) ( ) ( )
n n
A P ... A P A P A P A ... A A P =
3 2 1 2 1

15

Formula de adunare a probabilitilor

Fie K A ,..., A , A
n

2 1
i K B cu ( ) 0 > B P . Are loc relaia
( ) ( ) ( ) ( )
n B
n
n
n j i
j i B
n
i
i B
n
i
i B
A ... A A P ... A A P A P A P + + =
|
|

\
|

< = =
2 1
1
1 1 1
1
U
.
Dac evenimentele K A ,..., A , A
n

2 1
i K B sunt independente, atunci
(*)
( ) ( ) ( ) ( )
n
n
n
n j i
j i
n
i
i
n
i
i
A ... A A P ... A A P A P A P + + =
|
|

\
|

< = =
2 1
1
1 1 1
1
U
.
Dac n plus evenimentele n , k A
, k
1 = sunt i incompatibile, atunci relaia
(*) devine
( )

= =
=
|
|

\
|
n
i
i
n
i
i
A P A P
1 1
U
.

Formula probabilitii totale

Fie K A ,..., A , A
n

2 1
un sistem complet de evenimente i K X un
eveniment oarecare. Are loc formula:
( ) ( ) ( )

=
=
n
k
A k
X P A P X P
k
1
.
Demonstraie. Deoarece I k A
k
, , formeaz un sistem complet de
evenimente, avem c K A
I k
k
=

U
. Prin urmare, se poate scrie
( ).
U U
I k
k
I k
k
A X A X K X X

=
|
|

\
|
= =
De asemenea, deoarece , / =
j i
A A rezult c i
( ) ( ) / =
j i
A X A X , pentru j i , deci
( ) ( ) ( ) ( ).


= =
I k
A k
I k
k
X P A P A X P X P
k

Formula lui Bayes

Fie K A ,..., A , A
n

2 1
un sistem complet de evenimente i K X un
eveniment oarecare. Are loc formula:
16
( )
( ) ( )
( ) ( )

=
n
k
A k
A j
j X
X P A P
X P A P
A P
k
j
1
.
Aceast formul se aplic n urmtoarea situaie. n urma unei experiene
poate aprea un eveniment X ca efect a n evenimente K A ,..., A , A
n

2 1
care
formeaz un sistem complet de evenimente . Presupunnd c se cunosc
probabilitile evenimentelor K A ,..., A , A
n

2 1
(numite i probabiliti a
priori) precum i probabilitatea de apariie a evenimentului X, se pot calcula
probabilitile condiionate ( ) n , k , X P
k
A
1 = .Formula lui Bayes ne permite s
aflm pentru fiecare n , k 1 = probabilitatea ca evenimentul X s fi aprut din
cauza evenimentului
k
A , adic probabilitatea ( )
k X
A P , n , k 1 = ( numit i
probabilitate a posteriori)


II.6. Scheme clasice de probabilitate

n calculul probabilitilor ntlnim anumite clase de probleme , n
sensul c fiecare problem dintr-o astfel de clas admite o abordare identic,
prin particularizri ale parametrilor care intervin. Din acest motiv, pentru o
anumit clas de probleme se construiete modelul matematic probabilistic,
model ce poart numele de schem de probabilitate.

a) Schema bilei nerevenite

Se consider o urn ce conine bile de dou culori diferite: a bile albe
i b bile negre. Se extrag n ( ) b a n + bile fr revenire. Acest tip de
extragere se poate realiza prin dou modaliti: se extrag simultan toate cele n
bile, sau, se extrage pe rnd cte o bil, fra a o reintroduce n urn.
Se cere probabilitatea ca din cele n bile extrase, k s fie albe i n-k
negre, unde a k i b k n .
Utiliznd definiia clasic a probabilitii se obine c probabilitatea
cerut este dat de formula
( )
n
b a
k n
b
k
a
C
C C
k , n P
+

= .
Generalizare. Presupunem c avem o urn cu bile de s culori diferite:
1
a
bile de culoarea 1,
2
a bile de culoarea 2,,
s
a bile de culoarea s. Se extrag
n ( )
s
a ... a a n + + +
2 1
bile fr revenire. Se cere probabilitatea ca din cele n
17
bile extrase,
1
k s fie de culoarea 1,
2
k de culoarea 2,,
s
k de culoarea s,
unde
1 1
a k ,
2 2
a k ,,
s s
a k i n k ... k k
s
= + + +
2 1
.
Utiliznd definiia clasic a probabilitii se obine c probabilitatea
cerut este dat de formula
( )
n
a ... a a
k
a
k
a
k
a
s
s
s
s
C
C ... C C
k ,..., k , k . n P
+ + +
=
2 1
2
2
1
1
2 1
.


b) Schema bilei revenite(binomial)

Aceast schem de probabilitate se aplic n cazul n care se fac
repetri independente ale unui experimant i la fiecare repetare se are n
vedere apariia unui eveniment bine precizat. Evenimentul considerat se
presupune c apare cu aceeai probabilitate la fiecare repetare a
experimentului. Se cere calcularea probabilitii ca din n repetri ale
experimentului evenimnetul precizat s apar de k ori.
Modelul probabilistic se realizeaz printr-o urn ce conine bile de
dou culori diferite: a bile albe i b bile negre. Se extrag n bile din urn,
una cte una astfel nct fiecare bil extras se reintroduce n urn dup ce
se constat culoarea bilei extrase. Se cere determinarea probabilitii ca
din cele n bile extrase, k s fie de culoarea alb i n-k de culoare neagr.
Dac se noteaz prin
i
A evenimantul ca la extragerea de rang i s fie
extras o bil de culoare alb, atunci
i
A este evenimentul ca la extragerea
de rang i s fie obinut o bil de culoare neagr. De asemenea, deoarece
la fiecare repetare, bila extras se depune din nou n urn, probabilitatea
de a extrage o bil alb, la fiecare repetare, este aceeai: ( ).
i
A P p = . La
fel, obinerea unei bile negre la fiecare repetare se realizeaz cu aceeai
probabilitate ( ) . 1 p q A P
i
= =
Fie notat prin
k n
B
,
evenimentul ca din n bile extrase s fie obinute k
bile albe. Acest evenimant se poate scrie sub forma
18
( ).
1
1 1
1
, U
L
L L
n i i
i i i i k n
k
n k k
A A A A B
< <
=
+

Evenimentele reuniunii sunt incompatibile dou cte dou, iar
evenimentele din fiecare intersecie sunt independente. Astfel se scrie
succesiv
( ) ( )
( ) ( ) ( ) ( )
.
1
1
1 1
1
1 1
1
1
1
,


<

< <
< <
=
= =
= =
+
+
n i i
k n k
n i i
i i i i
n i i
i i i i k n
k
k
n k k
k
n k k
q p
A P A P A P A P
A A A A P B P
L
L
L
L L
L L

Avnd n vedere c toi termenii sumei sunt egali, iar suma are
k
n
C
termeni, avem c probabilitatea ( ) k n P , de a obine k bile albe n n
extrageri de bile din urn este dat prin formula
( ) . ,
k n k k
n
q p C k n P

=

Observaie. Dac se consider formula binomului lui Newton, avem c
( ) ( ) . ,
0 1

= =

= = +
n
k
k
n
k
k k n k k
n
n
x k n P x q p C q px
Aadar, probabilitatea ( ) k n P , este coeficientul
k
x din dezvoltatea
binomului ( ) ,
n
q px + de aici i denumirea de schem binomial.

Observaie. Dac se ia n formula de la observaia precedent 1 = x i
dac se are n vedere c 1 = + q p , se obine c
( ) ( ) . 1 ,
0
= + =

=
n
k
n
q p k n P

Generalizare. Schema bilei ntoarse cu mai multe stri (multinomial
sau polinomial)

19
Aceas schem de probabilitate este o generalizare a schemei
binomiale. Se aplic atunci cnd la fiecare repetare a experimentului, se
urmrete apariia a r evenimente, care formeaz un sistem complet de
evenimente. Probabilitile de apariie pentru evenimentele considerate nu
depind de rangul repetrii, deci sunt constante. Se dorete calculul
probabilitii ca n n repetri independente ale experimentului, cele r
evenimente precizate s apar de un numr de ori dat.
Modelul probabilistic este realizat printr-o urn ce conine bile de r
culori. Din urn se extrag, pe rnd, bile cu ntoarcerea bilei extrase n urn,
dup ce s-a constatat culoarea bilei extrase. Se cere s se calculeze
probabilitatea ( )
r
k k k n P , , , ;
2 1
L , ca din n bile extrase
1
k s fie de culoarea
nti,
2
k bile de culoarea a doua .a.m.d.
r
k s fie de culoarea a r a.
Folosind aceeai metod ca la schema binomial, se obine c
( ) ,
! ! !
!
, , , ;
2 1
2 1
2 1
2 1
r
k
r
k k
r
r
p p p
k k k
n
k k k n P L
L
L =
unde , , 1 , r i p
i
= sunt respectiv probabilitile de-a obine la o extragere bil
de culoarea . , 1 , r i i =
Observaie. Dac se dezvolt urmtorul polinom
( ) ,
2 2 1 1
n
r r
x p x p x p L + +
atunci probabilitatea ( )
r
k k k n P , , , ;
2 1
L este coefcientul monomului
r
k
r
k k
x x x L
2 1
2 1
din aceast dezvoltare. De aici i denumirea de schema
multinomial sau polinomial folosit pentru aceast schem de probabilitate.
Observaie. Au loc relaiile
1
2 1
= + +
r
p p p L i .
2 1
n k k k
r
= + + + L




20
c) Schema lui Poisson

Se aplic n cazul n care se fac repetri independente ale unui
experiment i la fiecare repetare se urmrete un anumit eveniment, care
apare, n general, cu probabiliti diferite la repetiii de ranguri diferite.
Se cere s se calculeze probabilitatea ca din n repetri ale
experimentului, evenimentul considerat s apar de k ori.
Realizarea modelului se obie cu ajutorul unui sistem de n urne. n
fiecare urn se afl bile de dou culori diferite. n urna cu nr. 1 se afl
1
a bile
albe i
1
b bile negre. n urna cu nr. 2 se afl
2
a bile albe i
2
b bile negre. ....
n urna cu nr. n se afl
n
a bile albe i
n
b bile negre. Se ia cte o bil din
fiecare urn i se cere determinarea probabilitii ( ) k n P , de a obine k bile de
culoarea alb din cele n extrase.
Dac se noteaz cu
i
p probabilitatea de a extrage o bil alb
din urna cu numrul i i prin
i
q probabilitatea de a extrage o bil de culoare
neagr din urna cu numrul i, adic
i i
p q = 1 , pentru fiecare , , 1 n i = atunci,
printr-un raionament analog cu cel de la schema binomial, se obine c
( )

< <
+
=
n i i
i i i i
k
n k k
q q p p k n P
L
L L
1
1 1
1
. ,
Observaie. Probabilitatea ( ) k n P , se obine ca fiind coeficientul lui
k
x al polinomului
( )( ) ( )
n n
q x p q x p q x p + + + L
2 2 1 1
.
Observaie. Dac p p
i
= , pentru fiecare n i , 1 = , deci i
p q q
i
= = 1 , atunci se obine schema lui Bernoulli cu bila ntoars.



21
UNITATEA DE STUDIU III
VARIABILE ALEATOARE


III.1. Definiia variabilelor aleatoare

Pn acum, n studiul cmpului de evenimente asociat unui
experiment, am fost interesai de apariia sau neapariia evenimentului, deci
latura calitativ a experimentului. Un studiu riguros al fenomenelor aleatoare
necesit ns i o descriere cantitativ a acestora, astfel nct s poat s fie
studiate din punct de vedere matematic. Avem deci nevoie de o
coresponden ntre mulimea evenimentelor dintr-un corp K i mulimea
numerelor reale R. O astfel de coresponden este realizat de variabilele
aleatoare.

Definiia III.1.1. Fie ( ) p K E , , un cmp borelian de probabilitate. O
aplicaie R E X : se numete variabil aleatoare dac R a avem c
( ) { } K a e X E e > .
Variabilele aleatoare sunt de dou tipuri: discrete i continue.

Definiia III.1.2. O variabil aleatoare R E X : este discret dac
mulimea valorilor pe care le ia este o muime finit sau numrabil.

Definiia III.1.3. O variabil aleatoare discret se numete simpl
dac ia un numr finit de valori.
Prin urmare, o variabil aleatoare discret este simpl dac:
i) { } R x x x E X
n
,..., , :
2 1
;
ii) ( ) { } n i K x e X E e
i i
, 1 , = = .

Observaie. Deoarece evenimentele n i x X
i
, 1 , = = formeaz un
sistem complet de evenimente, avem c 1
1
=

=
n
i
i
p .
In general, variabilele aleatoare simple sunt reprezentate printr-un
tablou de repartiie (distribuie). Acesta este de fapt un tabel alctuit din
dou linii: pe prima linie sunt trecute valorile distincte ale variabilei
aleatoare, iar pe a doua linie , probabilitile cu care apar aceste valori.
|
|

\
|
n
n
p p p
x x x
X
L
L
2 1
2 1
,
unde
22

=
= >

=
1
, 1 , 0
1
n
i
i
i
p
n i p
i ( )
i i
x X P p = = .

Definiia III.1.4. O variabil aleatoare este continu dac mulimea
valorilor sale este un interval sau o reuniune de intervale.



III.2. Funcia de repartiie a unei variabile aleatoare


Definiia III.2.1. Fie ( ) p K E , , un cmp borelian de probabilitate i
R E X : o variabil aleatoare. Funcia R R F : definit pin
( ) ( ) ( ) { } ( ) x e X E e P x X P x F < = < =
se numete funcie de repartiie a variabilei aleatoare X.

Teorema III.2.1. Funcia de repartiie F corespunztoare unei
variabile aleatoare X are urmtoarele proprieti:
(1) pentru orice R x , avem c ( ) , 1 0 x F
(2) pentru orice a, bR, a<b, avem c
( ) ( ) ( )
( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ),
,
,
,
b X P a F b F b X a P
b X P a X P a F b F b X a P
a X P a F b F b X a P
a F b F b X a P
= + =
= + = = <
= = < <
= <

(3) pentru orice ( ) ( )
2 1 2 1 2 1
, , x F x F ca avem x x x x < R,
(funcia F este cresctoare),
(4) ( ) ( ) ( ) ( ) , 1 lim , 0 lim = + = = =
+ +
F x F F x F
x x

(5) pentru orice R x , avem c ( ) ( ) ( ) x F x F y F
x y
= =

0 lim
(funcia F este continu la stnga).

Demonstraie. (1) Deoarece valorile funciei de repartiie sunt nite
probabiliti, avem aceast afirmaie, deci ( ) . 1 0 x F
(2) Se scrie succesiv
23
( ) ( ) ( ) ( ) | |. \ , a X b X P a X b X P b X a P < < = < < = <
Deoarece ( ) ( ), b X a X < < avem n continuare c
( ) ( ) ( ) ( ) ( ), a F b F a X P b X P b X a P = < < = <
Pentru a doua relaie se are n vedre c
( ) ( ) ( ), \ a X b X a b X a = < = < <
deci
( ) ( ) ( ) ( ) ( ) ( ). a X P a F b F a X P b X a P b X a P = = = < = < <
In mod analog, se arat i celelalte dou relaii de la acest punct.
(3) Folosind prima formul de la punctul precedent, avem relaiile
( ) ( ) ( ), 0
1 2 1
x F x F x X x P = < de unde ( ) ( ).
2 1
x F x F
(4) Formal avem c ( ) ( ) ( ) , 0 lim lim = / = < =

P x X P x F
x x
respectiv
( ) ( ) ( ) . 1 lim lim = = < =
+ +
P x X P x F
x x

(5) Un raioanament analog cu cel de la punctul precedent ne conduce
la faptul c funcia F este continu la stnga.

Propoziia III.2.1. Dac X este o variabil aleatoare discret cu
distribuia
n i
i
i
p
x
X
, 1 =
|
|

\
|
, atunci funcia de repartiie este dat prin
( ) ( )

< <
= = =
x x
i
x x
i
i i
p x X P x F , R x .
Altfel spus, pentru un R x dat, se adun toate probabilitile
i
p ce
corespund valorilor lui X care verific condiia x x
i
< :
24
( )

>
<
< +
<

=
+
=

n
k k
k
i
k
x x
x x x p
x x x p p
x x x p
x x
x F
, 1
,
,
,
, 0
1
1
3 2 2 1
2 1 1
1
M
M
Observaie. Funcia de repartiie F a unei variabile aleatoare discrete
n i
i
i
p
x
X
, 1 =
|
|

\
|
este o funcie scar, n care punctele n i x
i
, 1 , = sunt puncte de
discontinuitate de spea I, iar mrimile salturilor n aceste puncte sunt date de
probabilitile corespunztoare n i p
i
, 1 , = .
Pn acum am facut referire cu precdere la variabile aleatoare
discrete. Pentru a putea face o descriere a varibilelor aleatoare continue avem
nevoie de o nou noiune, pe care o vom introduce n continuare.

III.3. Densitatea de probabilitate ( repartiie).

Definiia III.3.1. Fie X o variabil aleatoare i F funcia sa de
repartiie. Dac exist o funcie R R f : , integrabil pe R astfel nct
( ) ( )


=
x
dt t f x F , R x , atunci funcia f se numete densitate de repartiie
sau densitate de probabilitate a variabilei aleatoare X.

25
Definiia III.3.2. Fie X o variabil aleatoare i F funcia sa de
repartiie. Spunem c X este o variabil aleatoare continu dac funcia de
repartiie F se spoate scrie sub forma ( ) ( )


=
x
dt t f x F , R x .

Teorema III.3.1. Densitatea de repartiie f a unei variabile aleatoare
continue X are urmtoarele proprieti:
(1) pentru orice R, x avem c ( ) , 0 x f
(2) ( ) ( ), ' x f x F = aproape peste tot pe R
(3) pentru a < b, avem c ( ) ( ) ,

= <
b
a
dx x f b X a P
(4) ( ) . 1 =

+

dx x f
Observaie. Dac X este o variabil aleatoare continu, atunci tabloul
su de distribuie este
( )
R x
x f
x
X

|
|

\
|
,
unde
( )
( )

+

. 1
, 0
dx x f
R x x f



III.4. Operaii cu variabile aleatoare.

Teorema III.4.1. Fie ( ) p K E , , un cmp borelian de probabilitate,
R E X : o variabil aleatoare i { } 0 R a o constant. Atunci i
aplicaiile:
26
1) a X + ,
2) aX ,
3) X ,
4)
n
X ,
*
N n ,
5) 0 ,
1
X
X

definite pe E cu valori reale, sunt de asemenea variabile aleatoare.
Observaie. Dac
|
|

\
|
n
n
p p p
x x x
X
L
L
2 1
2 1
,cu

=
= >

=
1
, 1 , 0
1
n
i
i
i
p
n i p
este o
variabil aleatoare discret simpl, atunci:
1)
|
|

\
| + + +
+
n
n
p p p
a x a x a x
a X
L
L
2 1
2 1
,
2)
|
|

\
|
n
n
p p p
ax ax ax
aX
L
L
2 1
2 1
,
3)
|
|

\
|
n
n
p p p
x x x
X
L
L
2 1
2 1
,
4)
|
|

\
|
n
n
n
n n
n
p p p
x x x
X
L
L
2 1
2 1
,
5)
|
|
|

\
|
n
n
p p p
x x x
X
L
L
2 1
2 1
1 1 1
1
.


Teorema III.4.2. Fie ( ) p K E , , un cmp borelian de probabilitate i
R E X : , R E Y : dou variabile aleatoare. Atunci i
1) Y X + ,
2) Y X ,
3) Y X
4) 0 , Y
Y
X

sunt de asemenea variabile aleatoare.
27
Propoziia III.4.1. Dac
n i
i
i
p
x
X
, 1 =
|
|

\
|
i
m j
j
j
q
y
Y
, 1 =
|
|

\
|
sunt dou
variabile aleatoare discrete simple, atunci:
i)
m j n i
ij
j i
p
y x
Y X
, 1 , , 1 = =
|
|

\
| +
+ ,
ii)
m j n i
ij
j i
p
y x
XY
, 1 , , 1 = =
|
|

\
|
,
unde ( ) ( ) ( )
j i ij
y Y x X P p = = = .
Observaie. Dac variabilele aleatoare
n i
i
i
p
x
X
, 1 =
|
|

\
|
i
m j
j
j
q
y
Y
, 1 =
|
|

\
|
sunt
independente, atunci
j i ij
q p p = .
Dac exist j i astfel nct
j i
x x = , atunci, n tabloul de repartiie
al variabilei corespunztoare se va trece o singur dat valoarea
i
x cu
probabilitatea
j i
p p + .

III.5. Caracteristici numerice ale variabilelor aleatoare discrete.

Fie R E X : o variabil aleatoare discret ,
n i
i
i
p
x
X
, 1 =
|
|

\
|
, unde

=
= >

=
1
, 1 , 0
1
n
i
i
i
p
n i p
.
Valoarea medie
Definiia III.5.1. Numim valoare medie a variabilei aleatoare
discrete X acea valoare notat prin m, sau X , sau ( ) X M i definit prin

=
=
n
i
i i
p x m
1
.
28
Proprieti. Valoarea medie are urmtoarele proprieti:
1) ( ) ( ) , b X aM b aX M + = + R b a ,

2) ( ) ( ) ( ), Y M X M Y X M + = +
3) Dac variabilele aleatoare X i Y sunt independente, atunci
( ) ( ) ( ). Y M X M XY M =
Demonstraie. Vom considera variabilele aleatoare X i Y de tip discret
cu distribuiile
, ,
J j
j
j
I i
i
i
q
y
Y
p
x
X

|
|

\
|
|
|

\
|

pentru care exist ( ) X M i ( ). Y M
1) Scriem succesiv
( ) ( ) ( )
( ) , b X aM p b p x a
bp p ax p b ax b aX M
I i
i
I i
i i
I i
i i i
I i
i i
+ = + =
= + = + = +





de unde ( ) ( ) . b X aM b aX M + = +
2) Dac variabilele aleatoare X i Y au distribuiile, precizate mai sus,
atunci variabila aleatoare Y X + are distribuia
( ). , ,
) , (
j i ij
J I j i
ij
j i
y Y x X P p unde
p
y x
Y X = = =
|
|

\
| +
+


Prin urmare, avem c
( ) ( )




+ =
= + = + = +
I i I i J j
ij j
J j
ij i
I i I i J j
ij j
J j
ij i
I i J j
ij j i
p y p x
p y p x p y x Y X M
). ( ) (

Se obine c
( ) ( ) ( ). Y M X M q y p x Y X M
J j
j j
I i
i i
+ = + = +



29
3) Avnd n vedere c variabilele aleatoare X i Y sunt independente, se
obine distribuia variabilei aleatoare produs
( )
.
, J I j i
j i
j i
q p
y x
XY

|
|

\
|

Aadar, putem scrie sucesiv
( ) ( ) ( ), Y M X M q y p x q p y x XY M
J j
j j
I i
i i
I i J j
j i j i
=
|
|

\
|
|

\
|
= =



adic ( ) ( ) ( ). Y M X M XY M =
Observaie. Dac n propoziia precedent, la punctul (1) se ia 0 = a ,
atunci se obine c valoarea medie a unei constante este constanta nsi, iar
punctele (2) i (3) se pot extinde pentru un numr finit de variabile aleatoare.

Momentul de ordin r
Definiia III.5.2. Numim momentul de ordin r al variabilei aleatoare
X, valoarea medie a variabilei
r
X .
Vom nota momentul de ordin r cu ( ) X M
r
:
( ) ( )

=
= =
n
i
i
r
i
r
r
p x X M X M
1
.



Valoarea medie de ordin r
Definiia III.5.3. Valoarea medie de ordin r a unei variabile
aleatoare X este radicalul de ordin r al momentului de ordin r:
( )
r
n
i
i
r
i
r
r r
p x X M

=
= =
1


Abaterea
30
Definiia III.5.4. Numim abaterea variabilei aleatoare X , avnd
valoarea medie m, variabila aleatoare m X = .
Observaie. Dac
n i
i
i
p
x
X
, 1 =
|
|

\
|
, atunci
n i
i
i
p
m x
, 1 =
|
|

\
|
i ( ) 0 = M .

Momentul centrat de ordin r
Definiia III.5.5. Momentul centrat de ordin r al variabilei
aleatoare X este momentul de ordin r al abaterii.
( ) ( ) ( ) ( ) ( )

=
= = = =
n
i
i
r
i
r
r
r r
p m x m X M M M
1
.
Teorema III.5.1. Intre momentele de ordin r i momentele centrate
de ordinul r ale unei variabile aleatoare X exist urmtoarea relaie:
( ) ( ) | | ( )


=
r
k
k r
k
k
r
k
r
X M X M C
0
1 .
Observaie. In statistica matematic se utilizeaz momente centrate
pn la ordinul 4:
0
1
= ;
( ) ( ) | |
2
2 2
X M X M = ;
( ) ( ) ( ) ( ) | |
3
2 3
2 3 3
X M X M X M X M + = ;
( ) ( ) ( ) ( ) | | ( ) ( ) | |
4
2
2
2 4 4
3 6 4 X M X M X M X M X M X M + =


Dispersia.
Definiia III.5.6. Momentul centrat de ordin 2 se numete dispersie.
( ) ( ) ( ) | | ( ) ( ) ( ) | |
2
2
1
2 2
2
X M X M p m x m X M X X D
n
i
i i
= = = =

=

.
Proprieti. Dispersia verific urmtoarele proprieti:
31
1) ( ) 0 = c D , R c .
2) ( ) ( ) X D c cX D
2
= .
3) Dac variabilele aleatoare X i Y sunt independente, atunci
( ) ( ) ( ). Y D X D Y X D + = +
Demonstraie.
1) ( ) ( ) ( ) | | 0
2 2
2
2
= = = c c c M c M c D
2) Dac
n i
i
i
p
x
X
, 1 =
|
|

\
|
, atunci X are abaterea
n i
i
i
p
m x
, 1 =
|
|

\
|
i cX are
abatrea
n i
i
i
p
cm cx
c
, 1 =
|
|

\
|
. Prin urmare avem:
( ) ( ) ( ) ( ) ( ) ( ) ( ) c p m x c p m x c p cm cx c M cX cX D
n
i
i i
n
i
i i
n
i
i i
1
2
2
1
2
2
1
2 2
2
= = = = = =

= = =


3) Deoarece vriabilele aleatoare X i Y sunt independente, rezult
succesiv
( ) ( ) | | | |
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) | |
( ) ( ) ( ) ( ) ( ) | | ( )
( ) ( ) ( ) ( ) | | ( ) ( ) ( ). 2
2
2
2 2
2
Y D X D Y D Y M X M XY M X D
Y D Y M X M X Y M Y X M XY M X D
Y M Y Y M Y X M X X M X M
Y X M Y X M Y X D
+ = + =
= + + =
= + =
= + + = +


Abaterea medie ptratic.
Definiia III.5.7. Media de ordin 2 a abaterii se numete abatere
medie ptratic.
( ) X D = .


Modul (Valoarea modal; valoarea dominant)
32
Definiia III.5.8. Valoarea modal a unei variabile aleatoare discrete
X este acea valoare
k
x a variabilei, pentru care probabilitatea
corespunztoare
k
p este maxim.

Funcia caracteristic
Fiind dat o variabil aleatoare discret
n k
k
k
p
x
X
, 1 =
|
|

\
|
, putem considera
variabila aleatoare
n k
k
itx
itX
p
e
e
k
, 1 =
|
|

\
|
, cu 1
2
= i i
k k
itx
tx i tx e
k
sin cos + = .
Definiia III.5.9. Funcia caracteristic a variabilei aleatoare X este
media variabilei aleatoare
itX
e , adic
( ) ( )

= = =
+ = = =
n
k
k k
n
k
n
k
k k k
itx itX
tx p i tx p p e e M t
k
1 1 1
sin cos .
Proprieti. Funcia caracteristic a unei variabile aleatoare discrete
are urmtoarele proprieti:
1) ( ) 1 0 = i ( ) 1 t , R t .
2) ( ) t este uniform continu pe R.
3) ( ) ( ) t t = .
4) ( ) ( ) at e t
X
itb
b aX
=
+
, R b a , .
5) Dac X i Y sunt dou variabile aleatoare independente, atunci
( ) ( ) ( ) t t t
Y X Y X
+ =
+

adic, funcia caracteristic a unei sume de dou variabile aleatoare
independente este egal cu produsul funciilor caracteristice ale celor dou
variabile.

Funcia generatoare
33
Fiind dat o variabil aleatoare discret
n k
k
k
p
x
X
, 1 =
|
|

\
|
, putem considera
variabila aleatoare
n k
k
tx
tX
p
e
e
k
, 1 =
|
|

\
|
.
Definiia III.5.10. Funcia generatoare ataat unei variabile
aleatoare discrete X este media variabilei
tX
e , adic
( ) ( )

=
= =
n
k
k
tx tX
p e e M t g
k
1
.
Au loc urmtoarele relaii:
( )

=
=
n
k
tx
k k
k
e x p t g
1
' i ( ) ( ) X M x p g
n
k
k k
= =

=1
0 ' .
( )

=
=
n
k
tx
k k
k
e x p t g
1
2
' ' i ( ) ( ) X M x p g
n
k
k k 2
1
2
0 ' ' = =

=
.
M
( )

=
=
n
k
tx r
k k
r
k
e x p t g
1
i ( ) ( ) X M x p g
r
n
k
r
k k
r
= =

=1
0 .
In concluzie, funcia generatoare se folosete pentru a calcula
momente de diferite ordine ale unei variabile aleatoare discrete. Acestea se
obin derivnd funcia generatoare n 0 = t .


III.6. Caracteristici numerice ale variabilelor aleatoare continue

Fie X o variabil aleatoare continu, cu funcia de repartiie F i
funcia densitate
de probabilitate f:
( )
R x
x f
x
X

|
|

\
|
,unde
( )
( )

+

. 1
, 0
dx x f
R x x f


34
Valoarea medie
Definiia III.6.1. Numim valoare medie a variabilei aleatoare
discrete X acea valoare notat prin m, sau X , sau ( ) X M i definit prin
( )

+

= dx x xf m .
Proprieti. Valoarea medie are urmtoarele proprieti:
1) ( ) ( ) , b X aM b aX M + = + R b a ,
2) ( ) ( ) ( ), Y M X M Y X M + = +
3) Dac variabilele aleatoare X i Y sunt independente, atunci
( ) ( ) ( ). Y M X M XY M =
4) Dac ( )
N n n
X

este un ir de variabile aleatoare continue
independente dou cte dou, atunci
( ) ( ) ( )

= < =
+ =
|
|

\
|
|

\
|
n
i n j i
j i i
n
i
i
X M X M X M X M
1 1
2
2
1
2 .
5) Dac X este o variabil aleatoare continu cu funcia de repartiie F i
media m, atunci:
i) ( ) ( ) 0 1 lim =
+
x F x
x
.
ii) ( ) 0 lim =

x xF
x
.

Observaie. Dac n propoziia precedent, la punctul 1) se ia 0 = a ,
atunci se obine c valoarea medie a unei constante este constanta nsi, iar
punctele 2) i 3) se pot extinde pentru un numr finit de variabile aleatoare.

Momentul de ordin r
Definiia III.6.2. Numim momentul de ordin r al variabilei aleatoare
X, valoarea medie a variabilei
r
X .
Vom nota momentul de ordin r cu ( ) X M
r
:
35
( ) ( ) ( )

+

= = dx x f x X M X M
r r
r
.

Valoarea medie de ordin r
Definiia III.6.3. Valoarea medie de ordin r a unei variabile
aleatoare X este radicalul de ordin r al momentului de ordin r:
( ) ( ) r
r
r
r r
dx x f x X M

+

= =

Abaterea
Definiia III.6.4. Numim abaterea variabilei aleatoare X , avnd
valoarea medie m, variabila aleatoare m X = .
Observaie. Dac
( )
R x
x f
x
X

|
|

\
|
, atunci
( )
R x
x f
m x

|
|

\
|

i ( ) 0 = M .

Momentul centrat de ordin r
Definiia III.6.5. Momentul centrat de ordin r al variabilei
aleatoare X este momentul de ordin r al abaterii.
( ) ( ) ( ) ( ) ( ) ( )

+

= = = = x f m x m X M M M
r r r
r r
.

Dispersia.
Definiia III.6.6. Momentul centrat de ordin 2 se numete dispersie.
( ) ( ) ( ) | | ( ) ( ) ( ) ( ) | |
2
2
2 2
2
X M X M dx x f m x m X M X X D = = = =

+

.
Proprieti. Dispersia verific urmtoarele proprieti:
1) ( ) 0 = c D , R c .
36
2) ( ) ( ) X D c cX D
2
= .
3) Dac variabilele aleatoare X i Y sunt independente, atunci
( ) ( ) ( ). Y D X D Y X D + = +


Abaterea medie ptratic.
Definiia III.6.7. Media de ordin 2 a abaterii se numete abatere
medie ptratic.
( ) X D = .


Modul (Valoarea modal; valoarea dominant)
Definiia III.6.8. Valoarea modal a unei variabile aleatoare continue
X este acea valoare a variabilei, pentru care funcia densitate de probabilitate
este maxim.
Dac
( )
R x
x f
x
X

|
|

\
|
este o variabil aleatoare continu, atunci valoarea
sa modal este soluia sistemului
( )
( )

<
=
0 "
0 '
x f
x f
.

Mediana
Definiia III.6.9. Mediana unei variabile aleatoare continue este un
numr real Me pentru care avem
( ) ( ) Me X P Me X P = < .
Dac variabila X are funcia de repartiie F, atunci
( ) ( ) x F Me X P = < i ( ) ( ) x F Me X P = 1 .
37
Prin urmare obinem c ( )
2
1
= x F . Aadar, mediana este soluia ecuaiei
( )
2
1
= x F .
Observaie. Mediana unei variabile aleatoare este un numr real i nu
este neaprat o valoare a variabilei.
Se poate ca o variabil aleatoare s nu admit medie, dar orice
variabil aleatoare admite cel puin o median.

Funcia caracteristic
Fiind dat o variabil aleatoare continu
( )
R x
x f
x
X

|
|

\
|
, putem
considera variabila aleatoare
n k
k
itx
itX
p
e
e
k
, 1 =
|
|

\
|
, cu 1
2
= i i
k k
itx
tx i tx e
k
sin cos + = .
Definiia III.6.10. Funcia caracteristic a variabilei aleatoare X
este media variabilei aleatoare
itX
e , adic
( ) ( )

= = =
+ = = =
n
k
k k
n
k
n
k
k k k
itx itX
tx p i tx p p e e M t
k
1 1 1
sin cos .
Proprieti. Funcia caracteristic a unei variabile aleatoare discrete
are urmtoarele proprieti:
1) ( ) 1 0 = i ( ) 1 t , R t .
2) ( ) t este uniform continu pe R.
3) ( ) ( ) t t = .
4) ( ) ( ) at e t
X
itb
b aX
=
+
, R b a , .
5) Dac X i Y sunt dou variabile aleatoare independente, atunci
( ) ( ) ( ) t t t
Y X Y X
+ =
+

38
adic, funcia caracteristic a unei sume de dou variabile aleatoare
independente este egal cu produsul funciilor caracteristice ale celor dou
variabile.
Funcia generatoare
Fiind dat o variabil aleatoare discret
n k
k
k
p
x
X
, 1 =
|
|

\
|
, putem considera
variabila aleatoare
n k
k
tx
tX
p
e
e
k
, 1 =
|
|

\
|
.
Definiia III.6.11. Funcia generatoare ataat unei variabile
aleatoare discrete X este media variabilei
tX
e , adic
( ) ( )

=
= =
n
k
k
tx tX
p e e M t g
k
1
.
Au loc urmtoarele relaii:
( )

=
=
n
k
tx
k k
k
e x p t g
1
' i ( ) ( ) X M x p g
n
k
k k
= =

=1
0 ' .
( )

=
=
n
k
tx
k k
k
e x p t g
1
2
' ' i ( ) ( ) X M x p g
n
k
k k 2
1
2
0 ' ' = =

=
.
M
( )

=
=
n
k
tx r
k k
r
k
e x p t g
1
i ( ) ( ) X M x p g
r
n
k
r
k k
r
= =

=1
0 .
In concluzie, funcia generatoare se folosete pentru a calcula
momente de diferite ordine ale unei variabile aleatoare discrete. Acestea se
obin derivnd funcia generatoare n 0 = t .







39
UNITATEA DE STUDIU IV

REPARTIII CLASICE


IV.1. Repartiii discrete


1. Repartiia discret uniform

Definiia IV.1.1. Spunem c variabila aleatoare X are repartiie
discret uniform de parametru n dac pentru orice { } 1, 2,..., , k n
( )
1
.
k
p P X k
n
= = =
Tabloul de repartiie este:
1 2 ...
.
1 1 1
...
n
n n n
| |
|
|
|
\

Propoziia IV.1.1. Dac X este o variabil aleatoare cu repartiie
discret uniform atunci media este ( )
1
,
2
n
M X
+
= iar dispersia de
( )
2
1
.
12
n
D X

=
Demonstraie.
( ) ( )
( )
1 1
1 1 1 1
1 2 ...
1
1 2 ... 1
2
;
2
n n
k
k k
M X k p x k n
n n n n
n n
n n
n n
= =
= = = + + + =
+
+ + + +
= = =

( ) ( ) ( )
2
2 2 2 2 2
1
1 1 1 1
1 2 ...
2

=
+
| |
= = + + + =
|
\

n
k
k
n
D X k p x M X n
n n n

( )( )
2 2
2 2 2 2
1 2 1
1 2 ... 1 1 1
6
.
2 2 12
n n n
n n n n
n n
+ +
+ + + + +
| | | |
= = =
| |
\ \






40
2. Repartiia binomial

Definiia IV.1.2. Spunem c variabila aleatoare X are repartiie
binomial de parametri n i p ( n ntreg pozitiv, 0 1 p < < ) dac pentru
orice { } 0,1, 2,..., , k n
( ) ,
k k n k
k n
p P X k C p q

= = =
unde 1 . q p =
Tabloul de repartiie este:
|
|

\
|
n k n k k
n
n
n
n
p q p C pq C q
n k
X
L L
L L
1 1
1 0
.

Propoziia IV.1.2 . Dac X este o variabil aleatoare cu repartiie
binomial atunci media, respectiv dispersia sunt date de: ( ) , M X n p =
respectiv ( ) . D X n p q =
Demonstraie. Folosim identitatea:
( )
0
.
n
n
k k k n k
n
k
px q C p x q

=
+ =


Prin derivarea acestei identiti n raport cu x obinem:
( )
1
1
0
.
n
n
k k k n k
n
k
np px q kC p x q


=
+ =

(*)
Dar
( )
0
,
n
k k n k
n
i
M X kC p q

=
=

ceea ce nseamn c n relaia de mai sus,


considernd 1 x = obinem ( ) ( )
1
.
n
M X np p q

= + Deoarece 1, p q + = avem
( ) . M X np =
Pentru calcularea dispersiei utilizm formula
( ) ( ) ( )
2 2
; D X M X M X =
Pentru a determina momentul de ordin 2
( )
2 2
0
.
n
k k n k
n
k
M X k C p q

=
=

nmulim
relaia (*) cu x i o derivm nc o dat, obinnd:
( ) ( ) ( )
1 2
2 2 1
0
1 .
n
n n
k k k n k
n
k
np px q np n x px q k C p x q


=
+ + + =


n aceast relaie l lum pe 1 x = i innd cont de faptul c membrul drept
reprezint chiar
( )
2
M X i c 1, p q + = rezult:
( ) ( ) ( ) ( )
2 2
1 1 . M X np n n p np np p np np q = + = + = +
Dispersia va fi n acest caz: ( ) ( ) ( )
2
. D X np np q np npq = + =


41
3. Repartiia Poisson

Definiia IV.1.3. Variabila aleatoare X are repartiia Poisson cu
parametrul 0, > dac ea poate lua orice valoare ntreag pozitiv i
( )
!
k
k
k
p P X k e
k


= = = , 0,1, 2,... k =
Tabloul de repartiie este:
|
|

\
|

L L
L L


e
n
e e
n
X
n
!
1 0


Propoziia IV.1.3. Dac X este o variabil aleatoare cu repartiie
Poisson atunci:
( ) M X = i ( ) . D X =
Demonstraie. Avem c
( )
( ) ( )
1
1 1 1
.
! 1 ! 1 !
k k k
k k k
M X k e e e e e
k k k





= = =
= = = = =



Pentru calcularea dispersiei utilizm formula
( ) ( ) ( )
2 2
. D X M X M X =
Folosim urmtorul artificiu de calcul:
( )
( )
( )
( )
( )
2
2 2 2
2 1
2
1 1
2 2
1
2 ! !
! !
,
k k
k k
k k
k k
e e e e k k
k k
e k e k
k k
M X M X M X






= =


= =
= = = =

= =
== =



de unde rezult c
( )
2 2
. M X = +
n final obinem
( ) ( ) ( )
2 2 2 2
. D X M X M X = = + =
Observaie. Legea lui Poisson se mai numete i legea
evenimentelor rare i se poate obine ca un caz limit al legii binomiale
pentru p foarte mic i n foarte mare.

4. Repartiia hipergeometric

Definiia IV.1.4. Variabila aleatoare X are repartiia
hipergeometric de parametri , a b i n ( , , a b n numere ntregi pozitive,
n a b + ) dac pentru orice , k ( ) ( ) max 0, min , n b k n a avem:
Propoziia IV.1.4. Dac X este o variabil aleatoare cu repartiie
hipergeometric atunci media, respectiv dispersia sunt:
42
( ) ,
na
M X
a b
=
+
respectiv ( )
( )
( ) ( )
2
.
1
nab a b n
D X
a b a b
+
=
+ +

Demonstraie. Avem c valoare medie este
( )
0
.
k n k n
a b
n
k
a b
C C
M X k
C

=
+
=


Pentru determinarea mediei utilizm urmtoarele calcule:
1)
( )
( )
( ) ( )
( )
( ) ( )
1
1
1 ! 1 !
!
;
! ! 1 ! ! 1 ! !
k k
a a
a a a
a
kC k k a aC
k a k k k a k k a k


= = = =


( ) .
k n k
a b
k n
a b
C C
p P X k
C

+
= = =
2)
1 1
1 1
0 1 1
,
n n n
k n k k n k k n k n
a b a b a b a b
k k k
C C kC C a C C aC

+
= = =
= = =


unde inem cont de faptul c
0
.
n
k n k n
a b a b
k
C C C

+
=
=


Astfel, media este:
( )
( )
( ) ( )
( )
( )
1
1
1 ! ! !
.
1 ! ! !
n
a b
n
a b
a b n a b n
aC na
M X a
C n a b n a b a b

+
+
+ +
= = =
+ + +

Pentru calcularea dispersiei utilizm formula
( ) ( ) ( )
2 2
, D X M X M X =
Mai nti calculm momentul de ordin 2:
( )
( )
( ) ( )
2 2 2
0 0
0 0
0
1
1 1
1
1
1
k n k n n
k n k a b
a b n n
k k
a b a b
n n
k n k k n k
a b a b n n
k k
a b a b
n
k n k
a b n
k
a b
C C
M X k k C C
C C
k k C C kC C
C C
k k C C M X
C

= =
+ +

= =
+ +

=
+
= = =
= + =
= +


unde evident ( )
2
1 . k k k k = +
( ) ( )
( )
( )
( )
( ) ( )
( )
0 2
2
2
2 2
!
1 1
! !
2 !
1 1 .
2 ! !
n n
k
a
k k
n n
k
a
k k
a
k k C k k
k a k
a
a a a a C
k a k
= =

= =
= =

= =




Revenind n formula pentru momentul de ordinul 2 avem:
( )
( )
( )
2 2
2
2
1
k n k
a b n
k a b
a a
M X C C M X
C

= +

= + =


( ) ( )( )
( ) ( ) ( )
( )
( )( )
1 ! ! 2 !
.
! 2 ! ! 1
a a n a b n a b na na b n
na
a b n a b n a b a b a b
+ + +
= + =
+ + + + +

43
Dispersia este:
( ) ( ) ( )
( )
( )( )
( )
( )
( ) ( )
2 2
2 2
2 2
.
1
1
na na b n nab a b n
n a
D X M X M X
a b a b
a b a b a b
+ +
= = =
+ +
+ + +


5. Repartiia geometric

Definiia IV.1.5. Variabila aleatoare X are repartiie geometric de
parametru p cu proprietatea ( 0 1 p < < ) dac ea poate lua orice
valoare ntreag pozitiv i
( )
1
,
k
k
p P X k pq

= = =
unde 1 . q p =

Propoziia IV.1.5. Dac X este o variabil aleatoare cu repartiie
geometric
atunci:
( )
1
, M X
p
=
( )
2
.
q
D X
p
=
Demonstraie.Vom calcula media i momentul de ordin doi utiliznd
funcia generatoare
1
1 1
( ) ( ) ,
1 1
t t
tk k t k
t t
k k
p p e q e p
F t e pq e q
q q e q e q

= =

= = = =



unde am avut n vedere c 0 1. q < <
Calculm derivata de ordinul nti a funciei ( ) F t n raport cu t :
2
'( )
(1 )
t
t
pe
F t
e q
=

i considernd 0 t = rezult c media variabilei aleatoare


X va fi:
1
( ) '(0) ; M X F
p
= =
Calculm derivata de ordinul doi a funciei ( ) F t n raport cu t :
2
3 3 2 2
( 1) ( 1) 1 1
"( ) "(0) ( ) "(0) ;
(1 ) (1 )
t t
t
pe qe p q q q
F t F M X F
e q q p p
+ + + +
= = = = =


Utilizm formula dispersiei:
2 2
2
( ) ( ) ( ) .
q
D X M X M X
p
= =




44
IV.2. Repartiii continue


1. Repartiia continu uniform

Definiia IV.2.1. Variabila aleatoare X are repartiie continu
uniform de parametri , a b dac densitatea de probabilitate este:
( )
| |
1
, ,
0 , ( , ) ( , )
x a b
f x
b a
x a b

.
Se pot verifica urmtoarele condiii: 0 f i ( ) 1. f x dx
+


Propoziia IV.2.1. Dac variabil aleatoare X are repartiia
uniform de parametri , a b atunci:
( ) ,
2
a b
M X
+
= ( )
( )
2
.
12
b a
D X

=
Demonstraie. Avem c
( ) ( ) ( ) ( ) ( )
a b
a b
M x x x dx x x dx x x dx x x dx
+ +

= = + +


i innd cont de faptul c funcia are valoarea 0 n afara intervalului
| |
, a b
obinem:
( )
2 2 2
1 1 1
.
2 2 2
b
a
b
x b a a b
M x x dx
a b a b a b a
+
= = = =


Dispersia este dat de formula:
( ) ( ) ( )
2 2
. D X M X M X =
Calculm mai nti momentul de ordin 2:
( ) ( )
3 2 2
2 2 2
1 1
.
3 3
b
a
b
x b ab a
M X x x dx x dx
a b a b a

+ +
= = = =



i dispersia va fi obinem:
( )
( )
2
2 2 2 2
2
.
3 4 12
a b
b ab a b ab a
D X
+
+ + +
= =

2. Repartiia exponenial

Definiia IV.2.2. O variabil aleatoare X are repartiie
exponenial de parametru 0 > dac densitatea de probabilitate este:
( )
, 0
.
0 , 0
x
e x
f x
x



=

<


45

Propoziia IV.2.2. Dac variabila aleatoare X are repartiia
exponenial de parametru 0, > atunci:
( )
1
M X

= i ( )
2
1
. D X

=
Demonstraie.Att pentru calcularea mediei ct i a dispersiei vom
utiliza metoda integrrii prin pri.
( ) ( ) ( )
'
0 0
0
1 1
0 .
0 0
x x
x x x
M X x x dx x e dx x e dx
xe e dx e




+ + +

+

= = = =
+ +
= + = =


( ) ( )
2 2 2 2
0 0
2
0
+ + +

+
= = = + =

x x x
M X x x dx x e dx x e xe dx


2
0
2 2 1 2
0 .
x
x e dx

= + = =


Prin nlocuire n formula dispersiei obinem: ( )
2 2 2
2 1 1
. D X

= =




3. Repartiia gamma

Definiia IV.2.3. O variabil aleatoare X are repartiie gamma de
parametri a i b ( 0, 0 a b > > ) i notm ( ) , X a b dac funcia densitate
de probabilitate este:
46
( ) ( )
1
1
, 0
.
0 , 0
x
a
b
a
x e x
f x a b
x

>

<




Propoziia IV.2.3. Dac variabil aleatoare X are repartiia gamma,
atunci:
( ) M X ab = i ( )
2
. D X ab =
Demonstraie. n cele ce urmeaz vom aminti noiunea de integral
gamma: ( )
1
0
a x
a x e dx
+

=


i relaia de recuren pentru aceasta:
( ) ( ) 1 . a a a + =
Pentru calculul mediei avem c
( ) ( )
( ) ( )
1
0 0
1 1 1 1
.
x x
a a
b b
a a
M X x x dx x x e dx x e dx
a b a b

+ + +

= = =



Pentru rezolvarea acestei integrale vom face urmtoarea substituie:
x
t x bt dx bdt
b
= = =
i observnd c limitele de integrare se pstreaz, obinem:
( )
( ) ( ) ( )
( )
( )
( )
0 0
1 1
1 .
a a t a t
a
b b b
M X t b e bdt t e dt a a a ab
a b a a a
+ +

= = = + = =


Calculm momentul de ordinul 2:
( ) ( )
( )
2 2 1
0
1 1
x
a
b
a
M X x x dx x e dx
a b

+ +

+

= =



i utiliznd substituia anterioar avem:
47
( )
( ) ( ) ( )
( )
2 2
2 1 1 1
0 0
1 1
2
a a t a t
a
b b
M X b t e bdt t e dt a
a b a a
+ +
+ + +
= = = + =



( ) ( )
( )
( )
2
2
1
1 .
a a b a
a a b
a
+
= = +


Prin nlocuirea n formula dispersiei obinem:
( ) ( ) ( )
2
2 2
1 . D X a a b ab ab = + =



4. Repartiia beta

Definiia IV.2.4. Variabila aleatoare X are repartiie beta de
parametri a i b ( 0, 0) a b > > i notm ( ) , X a b dac are densitatea de
probabilitate:
( )
( )
( ) ( )
( )
1
1
1
1 , 0,1
,
.
0 , 0,1
b
a
x x x
a b
f x
x



Propoziia IV.2.4. Dac variabil aleatoare X are repartiia beta,
atunci:
( )
a
M X
a b
=
+
i ( )
( ) ( )
2
.
1
ab
D X
a b a b
=
+ + +

Demonstraie. Mai nti amintim noiunea de integral beta:
( ) ( )
1
1
1
0
, 1
b
a
a b x x dx


i relaia de legtur ntre integrala beta i integrala gamma:
( )
( ) ( )
( )
, .
a b
a b
a b


=
+

Calculm media:
( ) ( ) ( ) ( ) ( )
0 1
0 1
. M X x x dx x x dx x x dx x x dx
+ +

= = + +


Prima i ultima integral sunt egale cu 0 conform definiiei i prin urmare
avem:
( )
( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
1
1
0
1, 1
1
1
, , 1
b
a
a b a a a b
M X x x dx
a b a b a b a b

+ + +
= = = =
+ +


48
( )
( ) ( )
( )
( )
.
a a a b
a
a b a b a a b
+
= =
+ + +

( ) ( ) ( )
( )
( )
1 1
1
2 2 2 1
0 0
1
1
,
b
a
M X x x dx x x dx x x x dx
a b

= = = =



( )
( )
( )
( )
( ) ( )
( )
( )
( ) ( )
1
1
1
0
2, 2
1
1
, , 2
b
a
a b a b a b
x x dx
a b a b a b a b

+
+ + +
= = = =
+ +


( ) ( )
( ) ( ) ( )
( )
( )
( )
( )( )
1 1
.
1 1
a a a a b a a
a b a b a b a a b a b
+ + +
= =
+ + + + + + +

Dispersia va fi dat de : ( )
( ) ( )
2
.
1
ab
D X
a b a b
=
+ + +




5. Repartiia normal

Definiia IV.2.5. Variabila aleatoare X are repartiie normal de
parametri m i i notm ( ) , , X N m dac funcia densitate de
probabilitate este:
( )
( )
2
2
2
1
, .
2
x m
f x e x

=
Observaie. Funcia ( ) f x este simetric fa de mi are puncte de
inflexiune:
. x m =
Pentru 0 m = i 1 = se obine repartiia normal normat, ( ) 0,1 , N a
crei densitate este:
( )
2
2
1
, .
2
x
f x e x


=

Definiia IV.2.6. Funcia de repartiie a variabilei normale normate
este
( )
2 1
2
1
2
x
t
x e dt

=


i se numete funcia lui Laplace.
Din simetria lui ( ) x rezult:
( ) ( ) ( ) ( ) ( ) 1 1 x P X x P X x P X x x = < = > = < =
de unde:
49
( ) ( ) 1. x x + =
Funcia lui Laplace este tabelat pentru diferite valori ale lui . x Cu aceste
tabele putem gsi probabilitile asociate evenimentelor privind orice
variabil normal.
Observaie. Dac ( ) , , X N m atunci:
a)
( ) ;
b m
P X b

| |
< =
|
\

b)
( ) .
b m a m
P a X b

| | | |
< < =
| |
\ \


Propoziia IV.2.5. Dac X este o variabil aleatoare cu repartiie
normal, atunci:
( ) M X m = i ( )
2
. D X =
Demonstraie.
( ) ( )
2
2
2
( )
2
2
1 1
.
2 2
x m
x m
M X x x dx x e dx xe dx


| | + + +

|
\

= = =


Rezolvm aceast integral fcnd urmtoarea substituie:
2 2
2
x m
t x m t dx dt

= = + =
i observnd c nu se modific nici unul dintre capetele integralei.
( )
( )
2 2 2
1 2
2 2 .
2
t t t
m
M X m t e dt te dt e dt



+ + +


= + = +


Deoarece funcia de sub prima integral este o funcie impar
( ) ( ) ( ), f t f t = rezult c integrala se anuleaz i innd cont de integrala
Gauss:
2
0
,
2
x
e dx

+

obinem:
50
( )
2 2
0
2 2
.
2
t t
m m m
M X e dt e dt m


+ +

= = = =


( ) ( ) ( ) ( ) ( )
2
2
2
2
1
.
2
x m
D X x M X x dx x m e dx


| |
+ +

|
\

= =


Utiliznd aceeai substituie integrala devine:
( )
( )
2 2 2
2 2
2
2 2
0
1 2 4
2 2 .
2
t t t
D X t e dt t e dt t e dt



+ + +


= = =


Scriem
2
2
'
2
t
t
e
te

| |
=
|
|

\
i folosim metoda integrrii prin pri:
( )
2
2
2 2 2
2
0
4 2 2
0 .
0 2 2
t
t
e
D X t e dt



+

+
= + = + =




6. Repartiia hi-ptrat
2
( )

Definiia IV.2.7. Variabila aleatoare X are repartiia
2
cu n
grade de libertate dac are densitatea de probabilitate:
( )
1
2 2
2
1
, 0
. 2
2
0 , 0
n x
n
x e x
n
f x
x

>

| |
=

|
\

<

.


Propoziia IV.2.6. Pentru o variabil aleatoare X ce satisface
repartiia
2
avem:
( ) M X n = i ( ) 2 . D X n =
Demonstraie.
51
( ) ( ) ( )
1
2 2
0 0 2
1
.
2
2
n x
n
M X x x dx x x dx x x e dx
n

+ + +

= = =
| |

|
\


Facem urmtoarea substituie: 2 2
2
x
t x t dx dt = = = i astfel media
devine:
( ) ( )
2 2
2
0 0 0 2
1 2 2
2 2
2
2 2
2
n n
n
t t t
n
M X t e dt t e dt t e dt
n n
n
+ + +

= = = =
| | | |
| |

| |
|
\ \
\


2 2
1 .
2 2 2
2 2
n n n
n
n n
| | | |
= + = =
| |
| | | |
\ \

| |
\ \

( ) ( ) ( )
1
2 2 2 2
2 2
0 0 2
1
.
2
2
n x
n
M X x x dx x x dx x x e dx
n

+ + +

= = =
| |

|
\


Folosim aceeai substituie i avem:
( ) ( )
1
1
2
2
2
0 0 2
1 4 4
2 2 2
2
2
2 2
2
n
n
t t
n
n
M X t e dt t e dt
n n
n
+ +
+
+

| |
= = = + =
|
| | | |
| | \

| |
|
\ \
\


( )
4
2 2 .
2 2 2
2
n n n
n n
n
| | | |
= + = +
| |
| |
\ \

|
\

n final, putem calcula dispersia:
( ) ( ) ( ) ( )
2
2 2
2 2 . D X M X M X n n n n = = + =


7. Repartiia Student

Definiia IV.2.8 Variabila aleatoare X are o repartiie Student cu
n grade de libertate dac funcia densitate de probabilitate este
( )
1
2
2
1
2
1 , .
2
n
n
x
f x x
n n
n
+

+ | |

|
| |
\
= +
|
| |
\

|
\


Propoziia IV.2.7. Dac variabil aleatoare X are repartiia Student,
atunci:
52
( ) 0 M X = i ( ) .
2
n
D X
n
=



Demonstraie.
( ) ( )
1
2
2
1
2
1 0
2
n
n
x
M X x x dx x dx
n n
n

+ +

+ | |

|
| |
\
= = + =
|
| |
\

|
\

,deoarece funcia de
sub integral este impar iar intervalul de integrare este simetric.





UNITATEA DE STUDIU V

LEGI ALE NUMERELOR MARI


V.1.Tipuri de convergene pentru iruri de variabile aleatoare


Fie ( ) p K E , , un cmp borelian de probabilitate i ( )
1 n n
X un ir de
variabile aleatoare definite pe acest cmp. Spre deosebire de convergena
irurilor de funcii din analiza matematic clasic, exist mai multe tipuri de
convergen a unui astfel de ir de variabile aleatoare.

Convergena n probabilitate

Definiia V.1.1. Un ir de variabile aleatoare ( )
1 n n
X converge n
probabilitate la variabila aleatoare X dac
( ) ( ) { } 1 lim = <

e X e X E e P
n
n
, 0 > .
Notm convergena n probabilitate prin
X X
P
n
.
Proprieti.
1. Limita unui ir de variabile aleatoare convergent n probabilitate este
unic aproape sigur.
53
2. Dac ( )
1 n n
X i ( )
1 n n
Y sunt dou iruri de variabile aleatoare astfel
nct X X
P
n
i Y Y
P
n
atunci bY aX bY aX
P
n n
+ + ,
pentru oricare numere reale a i b.
3. Dac ( )
1 n n
X este un ir de variabile aleatoare astfel nct
X X
P
n
, atunci X X
P
n
.

Convergena n repartiie

Fie ( )
1 n n
X este un ir de variabile aleatoare cruia i corespunde un
ir de funcii de repartiie ( )
1 n n
F i X o variabil aleatoare cu funcia de
repartiie F .

Definiia V.1.2. Spunem c ( )
1 n n
X converge n repartiie la X
dac irul de funcii ( )
1 n n
F converge ctre funcia F n fiecare punct de
continuitate a acesteia.

Notm convergena n repartiie
X X
rep
n

.
.

Teorema V.1.1.
1. Dac X X
P
n
, atunci X X
rep
n

.
.
2. Dac c este o constant real i dac c X
rep
n

.
, atunci c X
P
n
.


Convergena aproape sigur (Convergen tare)

Definiia V.1.3. Un ir de variabile aleatoare ( )
1 n n
X converge
aproape sigur la variabila aleatoare X dac mulimea punctelor e n care
irul ( )
1 n n
X converge punctual formeaz un eveniment de probabilitate 1.
( ) ( ) 1 lim = |

\
|
=

e X e X E e P
n
n
.

Notm convergena aproape sigur
X X
s a
n

. .
.
Teorema V.1.2. Dac X X
s a
n

. .
, atunci X X
P
n
.

Teorema V.1.3. X X
P
n
dac i numai dac din orice subir al
irului ( )
1 n n
X se poate extrage alt subir ( )
1 n
n
k
X astfel nct X X
s a
n
k

. .
.
54

Convergena n medie

Definiia V.1.4. Fie ( )
1 n n
X un ir de variabile aleatoare i X o
variabil aleatoare. Dac exist momentele de ordin r ale variabilelor
n
X i
X , notate ( )
r
n
X M i ( )
r
X M i dac ( ) 0 lim =

r
n
n
X X M , atunci spunem
c irul ( )
1 n n
X converge n medie r la X .

Definiia V.1.5. Convergena n medie de ordin 2 implic
convergena n probabilitate.


V.2. Inegaliti pentru variabile aleatoare

Teorema V.2.1.(Inegalitatea Cebev). Fie X o variabil aleatoare
pentru care exist valoarea medie ( ) X M i dispersia ( ) X D finite. Pentru
0 > are loc inegalitatea
( ) ( )
( )
2
1

X D
X M X P < ,
sau, echivalent
( ) ( )
( )
2

X D
X M X P < .

Observaie. Inegalitatea afirm c probabilitatea ca modulul abaterii
unei variabile aleatoare s ia valori mai mari dect un numr 0 > este mai
mic dect raportul
( )
2

X D
. Prin urmare, dac dispersia unei variabile
aleatoare este mic, atunci abateri mari de la medie sunt puin probabile.

Teorema V.2.2.(Inegalitatea Markov) Dac X este o variabil
aleatoare continu ce ia valori pozitive, atunci
( ) ( ) ( )
( ) | |
( ) X M
X M
X M X P
2
2
2
1 > > ,
unde ( ) 1 , 0 .


V.3. Legi ale numerelor mari

Legile numerelor mari reprezint un grup de teoreme referitoare la
variabile aleatoare care urmeaz o repartiie binomial.
55

Teorema V.3.1.(Teorema lui Bernoulli). Fie un eveniment A de
probabilitate teoretic p. Notm cu numrul de apariii a evenimentului A
n n probe. Numim frecven relativ raportul
n
f
n

= . In aceste condiii
avem c
n
f converge n probabilitate la p, adic
( ) 1 lim = <

p f P
n
n
, 0 > .
Demonstraie. Din inegalitatea Cebev avem c
( )
2
2
1

< a X P .
In repartiia binomial avem ns c npq D = =
2
. Obinem astfel
( ) ( )
2 2 2 2 2
2
1 1 1

n
pq
n
npq
n
n np P p
n
P p f P
n
= = < =
|
|

\
|
< = <
.
Rezult inegalitatea
( ) 1 1
2
< <

p f P
n
pq
n
,
din care, aplicnd teorema cletelui obinem concluzia.

Observaie. Din teorema Bernoulli obinem c n cazul unei populaii
de volum mare, dac se efectueaz o selecie de volum n i se obin
rezultate favorabile, atunci, cu o probabilitate apropiat de 1 putem afirma c
probabilitatea evenimentului cercetat este dat de frecvena relativ. Prin
urmare, n studiul populaiilor pentru care nu putem determina probabilitatea
p aceasta se poate exprima pe cale experimental prin frecvena relativ
n
f
n

= a evenimentului cinsiderat.


Teorema V.3.2. (Teorema lui Poisson) Fie un ir de evenimente
independente ,... ,..., ,
2 1 n
A A A cu probabilitile teoretice ,... ,.., ,
2 1 n
p p p i
presupunem c exist
n
p p p
p
n
n
...
lim
2 1
+ +
=

. Notm cu
n
f frecvena de
apariie a evenimentului
n
A A A ...
2 1
n n probe. In aceste condiii
avem c p f
P
n
.
Demonstraie. Presupunem c evenimentelor ,... ,..., ,
2 1 n
A A A le
corespund variabilele aleatoare
,.. 2 , 1
0 1
=
|
|

\
|
=
k
k k
k
q p
X , iar evenimentului
56
n
A A A ...
2 1
i corespunde variabila aleatoare
n
X X
Y
n
n
+ +
=
...
1
.
Avem c ( )
k k
p X M = i ( )
k k k
q p X D = .
Obinem c media variabilei
n
Y este
( ) ( ) ( )

= =
= = + + =
n
k
k
n
k
k n n
p
n
X M
n
X X M
n
Y M
1 1
1
1 1
...
1

i dispersia
( ) |

\
|
=
|
|
|
|

\
|
=

=
=
n
k
k
n
k
k
n
X D
n n
X
D Y D
1
2
1
1
.
Rezult
( )
2 2
1 1
2
2
...
1 1

n
q p q p
p f P
n n
n
+ +
= < .
Cum 1 = +
k k
q p i 0 , 0 > >
k k
q p , obinem c
4
1

k k
q p , n k , 1 = .
Drept urmare,
2 2 2 2 2
1 1
4
1
4
...
n n
n
n
q p q p
n n
=
+ +
.
Obinem astfel c
( ) 1
4
1
1
2
< <

p f P
n
n

i de aici, aplicnd teorema cletelui obinem concluzia.

Teorema V.3.3.(Teorema Cebev). Fie ( )
1 n n
X un ir de variabile
aleatoare independente dou cte dou, avnd dispersiile mrginite de aceeai
constant c:
( ) c X D
n
, ,... 2 , 1 = n .
Atunci, 0 > avem c
( ) 0
1 1
lim
1 1
=
|
|

\
|
)
`

>

= =


n
i
i
n
i
i
n
X M
n
X
n
P ,
Adic, irul de variabile aleatoare ( ) ( )

=

n
i
i i
X M X
n
1
1
converge n
probabilitate la 0.
Demonstraie. Avem c
( )

= =
= |

\
|
n
i
i
n
i
i
X M
n
X
n
M
1 1
1 1

i, innd seama c variabilele date sunt independente avem i
57
( )

= =
= |

\
|
n
i
i
n
i
i
X D
n
X
n
D
1
2
1
1 1
.
Din ipotez rezult
n
c
X
n
D
n
i
i
|

\
|

=1
1
.
Inegalitatea Cebev pentru variabila

=
n
i
i
X
n
1
1
conduce la
( )
|
|

\
|
<
)
`

>

= =
2
1 1
1 1

n
c
X M
n
X
n
P
n
i
i
n
i
i
,
de unde, trecnd la limit, obinem concluzia.

Caz particular. Dac ( ) ( ) ( ) m X M X M X M
n
= = = = ...
2 1
, atunci
obinem c
0
...
lim
2 1
=
|
|

\
|
>
+ + +

m
n
X X X
P
n
n
.
Astfel se explic de ce putem face observaii asupra mediei unei populaii pe
baza unei selecii de voum mic comparativ cu volumul ntregii populaii.

Observaie. Teorema Cebev ne spune c, dei variabilele aleatoare
independente pot lua valori departe de mediile lor, media aritmetic a unui
numr suficient de mare de astfel de variabile aleatoare ia, cu o probabilitate
foarte mare, valori n vecintatea constantei ( )

=
n
i
i
X M
n
1
1
. Aceast observaie
ne arat c ntre comportarea fiecrei variabile aleatoare i a mediei lor
aritmetice exist o mare deosebire, n sensul c nu putem preciza ce valoare
va lua fiecare variabil aleatoare, dar putem preciza cu o probabilitate
apropiat de 1 ce valoare va lua media aritmetic a acestor variabile.
Teorema Cebev scoate n eviden esena numerelor mari: dac
anumite caracteristici ataate unei populaii de volum mare conin erori,
aceste erori devin neglijabile atunci cnd numrul lor este foarte mare.







58
Autoevaluare prin aplicaii


1. Din irul primelor 100 de numere naturale se alege la ntmplare un
numr.
Fie A evenimentul ca numrul ales s fie par. Ce nseamn evenimentul A?

2. Din irul primelor 100 de numere naturale se alege la ntmplare un
numr. Fie A evenimentul ca numrul ales s nceap cu cifra 3 i B
evenimentul ca numrul ales s aib ultima cifr 5. Ce nseamn evenimentul
B A ?

3. Doi studeni joac o partida de ah. Fie A evenimentul ca primul
student s ctige partida i B evenimentul ca al doilea student s ctige
.Partida s-a terminat remiz. S se scrie evenimentul realizat prin intermediul
evenimentelor A i B.

4. Fie un lot de 10 piese ce se supune unui control de calitate. Notm cu
i
A evenimentul ca piesa i s fie defect, cu 10 1, i = . S se scrie urmtoarele
evenimente:
a) niciuna din piese nu este defect;
b) cel puin una din piese este defect;
c) numai una din piese este defect;
d) toate piesele sunt defecte;

5. Cineva telefoneaz pe rnd la 4 numere diferite. Fiecare numr este
format o singur dat. Se noteaz cu
i
A evenimentul ca la apelul i s nu se
primeasc rspuns, cu 4 1, i = . S se scrie urmtoarele evenimente:
a) s-a primit rspuns la toate apelurile;
b) s-a primit rspuns la un singur apel;
c) nu s-a primit rspuns la nici un apel;
d) nu s-a primit rspuns la un singur apel;
e) nu s-a primit rspuns cel mult la primul apel.

6.Un aparat este format din trei componenete. Se noteaz cu A, B i C
respectiv evenimentele ca prima, a doua i a treia component s fie defect.
S se exprime cu ajutorul evenimentelor A, B i C evenimentul ca:

a) cel puin o component este defect,
b) exact o component este defect,
c) nici o component nu este defect,
59
d) toate componentele sunt defecte.

7. ntr-o urn sunt 3 bile albe i 5 bile negre. Se cere probabilitatea de a se
extrage o bil alb.

8.. Se arunc 2 zaruri. Se cer probabilitile:
a. de a se obine dubl;
b. de a se obine un total de 7 puncte;
c. de a se obine un total de cel puin 3 puncte.

9. Zece obiecte metalice de greuti diferite sunt aezate pe un raft. Care
este probabilitatea ca acestea s fie aezate n ordine cresctoare a greutii?

10.Pe un raft sunt aezate la ntmplare 10 cri, dintre care trei reprezint
cele trei volume ale aceluiai roman. S se calculeze probabilitatea ca:

a) cele trei volume ale romanului s fie aezate unul lng altul n
ordinea natural (vol.1,2,3),
b) cele trei volume ale romanului s fie aezate unul lng altul n orice
ordine,
c) cele trei volume ale romanului s fie aezate unul lng altul n
ordinea natural, la nceputul raftului.


11. Zece studeni sunt aezai ntr-o ordine aleatoare pe o banc. Se cere
probabilitatea ca doi dintre ei s stea mereu unul lng cellalt.

12. Pentru un examen oral sunt pregtite 25 de bilete. Pe fiecare bilet sunt
cte 2 subiecte: 10 bilete conin cte 1 subiect de algebr i 1 subiect de
geometrie, 7 bilete conin 1 subiect de algebr i unul de trigonometrie i 8
bilete conin cte 1 subiect de geometrie i unul de trigonometrie. Care este
probabilitatea ca trgand 2 bilete s nimeresc 2 subiecte de algebr?

13. Fiecare coeficient al ecuaiei trigonometrice b atgx = este determinat
prin aruncarea unui zar i luarea numrului de puncte ieit. Care este
probabilitatea ca ecuaia dat s admit soluiile ,... 1 , 0 ,
4
= + = k k a

?

14. Trei tunuri trag simultan asupra unei inte. Probabilitile de
nimerire a intei pentru cele trei tunuri sunt respectiv 6 0
1
, p = , 8 0
2
, p = ,
7 0
3
, p = . S se determine probabilitatea ca inta s fie nimerit cel puin o
dat.

60
15. O persoan scrie n scrisori la n corespondeni. Amestec scrisorile
i le introduce la ntmplare n n plicuri pe care erau deja scrise adresele.
Care este probabilitatea ca cel puin un destinatar s primeasc scrisoarea
adresat lui?

16. n magazia unei uzine se gsesc piese de acelai fel provenite de
la 3 secii ale uzinei. Se tie c prima secie produce 25% din totalul pieselor,
a doua secie, 35% i a treia secie 40% din totalul pieselor. Rebuturile sunt
de 2%, 3%, respectiv 1% pentru cele 3 secii.
a) S se calculeze probabilitatea ca lund o pies din magazie aceasta s fie
rebut.
b) tiind c o pies aleas la ntmplare este rebut, s se calculeze
probabilitatea ca ea s provin de la a treia secie.

17. Pentru nsmnri s-au pregtit semine de gru de 4 caliti
diferite. Probabilitile ca un bob luat la ntmplare s fie de una din cele 4
caliti sunt respectiv 0,7 , 0,25 , 0,4 , 0,1 . Probabilitile ca dintr-un bob din
cele 4 caliti s creasc un spic bogat sunt respectiv 0,9 , 0,8 , 0,6 , 0,5 .
Care este probabilitatea ca un spic recoltat s fie bogat?

18. ntr-o anumit cas, probabilitatea c exist cacaval la micul
dejun este 0,8, iar probabilitatea c exist lapte este 0,7. Probabilitatea c
exist i lapte i cacaval la micul dejun este 0,5. Calculai probabilitatea s
fie cacaval cu condiia s fie i lapte, iar apoi probabilitatea s fie lapte cu
condiia s fie i cacaval la micul dejun.

19. Din n bilete de examen, a sunt considerate favorabile. Studenii
vin pe rnd i extrag cte un bilet. Dintre primii doi studeni care are ansa
mai mare de a extrage un bilet favorabil?

20. Probabilitatea ca o echip de fotbal s piard primul meci din
campionat este 0,9. Dac pierde acest meci, probabilitatea de a-l pierde i pe
al doilea este 0,3. Dac ns ctig primul meci, probabilitatea de al pierde
pe al doilea este 0,8. tiind c echipa a pierdut al doilea meci, gsii
probabilitatea s-l fi pierdut i pe primul.

21. Ionel spal vasele de 3 ori pe sptmn, iar sora sa, Maria, de 4
ori. Zilele n care acetia spal vasele se aleg la ntmplare n fiecare
sptmn. Probabilitatea ca Ionel s sparg vase n timpul splrii este 0,2,
iar probabilitatea ca Maria s sparg vase este 0,1. ntr-o zi, tatl, auzind
zgomot de vase sparte spune: aceasta este ziua n care Ionel spal vase
Care este probabilitatea ca tatl s aib dreptate?

61
22 48% din populaia unei localiti sunt brbai. Doar 60% din ei
ating vrsta de 70 de ani. Aceeai vrst este atins de femei n procent de
75%. Care este probabilitatea ca o persoan din acea localitate s ating
vrsta de 70 de ani?

23. La o uzin, ntr-o zi de lucru, trei maini A, B, C produc piese:
3900 de piese sunt produse de maina A, 4200 de B i 3600 de C.
Probabilitatea ca o pies s fie defect este de 0,01 pentru maina A, 0,02
pentru B i 0,04 pentru C. La un control de calitate o piesa este aleas la
ntmplare din producia acelei zile i se constat c ea este defect. Care este
probabilitatea ca ea s fi fost produs de maina B?

24. Un aparat este construit din dou uniti. Pentru ca aparatul s
funcioneze trebuie ca ambele uniti s fie n stare bun. ntr-un anumit
interval de timp, ns, ele se pot defecta, n mod independent, cu
probabilitile 0,1 i respectiv 0,2. tiind c aparatul s-a defectat, se cere
probabilitatea s se fi defectat numai prima unitate.

25. Tragerea de pe un avion contra altui avion inamic poate s se
produc de la distanele de 800m, 600m, sau 400m. Probabilitatea ca tragerea
s se produc de la 800m este 0,5, de la 600m este 0,3 i de la 400m este 0,2.
Probabilitatea doborrii avionului inamic de la distana de 800m este 0,4, de
la 600m, 0,6 i de la 400m, 0,8. Se efectueaz o tragere al crei efect este
doborrea avionului inamic. S se determine probabilitatea ca ragerea sa se fi
efectuat de la 600m.

26.Se presupune c un sistem de detecie poate grei asupra prezenei
unei inte ( de exemplu un avion inamic) cu probabilitatea 0,05, iar n
prezena real a intei, o detecteaz cu probabilitatea 0,9. Presupunnd c
probabilitatea de apariie a unei inte n zona sistemului de detecie este 0,25,
s se determine probabilitatea unei alarme false, imediat ce sistemul primete
un semnal relativ la prezena intei.

27. ntr-o grup de studeni sunt 20 de biei i 10 fete. Care este
probabilitatea
ca alegnd la ntmplare 10 studeni pentru a forma o echip, aceasta s fie
alctuit din 6 biei i 4 fete?

28. ntr-o lad sunt 1000 de uruburi, din care 40 nu au filet. Care este
probabilitatea ca din 200 de uruburi luate la ntmplare, 10 s fie fr filet?

29. Un vnztor are la vnzare 100 de cutii identice din care 30 sunt
cu pantofi, iar restul cu bocanci. Pn la ora 12 au fost vndute 10 cutii. S se
afle probabilitatea ca 3 cutii s fi fost cu bocanci.
62

30. Dintr-un lot de 40 de maini de splat primite la un magazin, 3 nu
nclzesc apa. Un cumprtor achiziioneaz 2 maini de splat. Care este
probabilitatea ca acestea s funcioneze perfect?

31. O urn conine 7 bile albe, 6 bile negre i 10 bile verzi. Se extrag
9 bile. Care este probabilitatea de a se obine cte 3 bile din fiecare culoare?

32. Pe un raft, ntr-un magazin, se afl 50 de piese de acelai tip, care
provin de la dou fabrici, respectiv 20 de la una dintre ele i 30 de la cealalt.
Intr-o zi s-au vndut ase astfel de piese. S se calculeze probabilitatea s se
fi vndut acelai numr (cte trei) de piese de la cele dou fabrici.

33. Se arunc 7 monede. Care este probabilitatea s apar de 5 ori marca?

34. Se arunc un zar de 4 ori. S se determine probabilitatea de a se
obine faa cu 5 puncte de 3 ori.

35. Se tie c 3 studeni din 200 fac alergie la Coca-Cola. Care este
probabilitatea ca ntr-o grup de 50 de studeni s fie 4 alergici?

36. Se arunc 2 zaruri de 100 de ori. Care este probabilitatea ca de 20 de
ori s se obin suma punctelor 4?

37. O banc crediteaz pe o perioad determinat de timp 8 societi
comerciale. Probabilitatea de solvabilitate a acestora este de 0,9. S se
determine probabilitatea ca 5 societi s fie solvabile.

38. Un lot de 20 de porumbei cltori sunt trimii spre o
destinaie.Probabilitatea ca un porumbel s se ntorc este 6 , 0 = p i este
aceeai pentru toi porumbeii. Se cere probabilitatea ca s se ntoarc 14
porumbei.
63
39. Probabilitatea ca un portar al unei echipe de fotbal s prind mingea
la o lovitur de la 11 metri este 3 , 0 = p . Se cere probabilitatea ca din 5
lovituri s nu ia nici un gol.

40. Un tren sosete la ora fixat cu probabilitatea 0,9. S se determine
probabilitatea ca ntr-o sptmn trenul s ntrzie de dou ori, tiind c face
o singur cursa pe zi.

41. Intr-un joc fa de un adversar la fel de puternic, ce este mai probabil
s se ctige: 3 partide din 4, sau 5 din 8?

42. Dac o familie are 6 copii, se cere s se calculeze probabilitatea ca:
a) patru din cei ase copii s fie biei;
b)cel puin doi din cei ase copii s fie biei.
43. .La un magazin se gsesc articole de mbrcminte dintre care 90%
satisfac standardele, 7% prezint defeciuni retuabile, iar 3% prezint
defeciuni neretuabile. S se calculeze probabilitatea ca din ase articole
luate la ntmplare, trei s satisfac standardele, dou s fie retuabile i unul
s fie neretuabil.


44. Se dau 3 loturi a cte 100 de piese. n fiecare lot exist i piese
defecte: 3 n primul lot, 4 n al doilea i 5 n al treilea. Dac lum cte o pies
din fiecare lot, care este probabilitatea s obinem 2 piese bune i una
defect?

44. Trei vntori trag simultan asupra unei inte. Se tie c
probabilitile ca vntorii s nimereasc inta sunt de 0,7, 0,8, respectiv 0,6.
care este probabilitatea ca inta s fie nimerit exact o singur dat?

45. O societate comercial se aprovizioneaz de la 4 furnizori. Acesta
estimeaz c probabilitile cu care furnizorii pot onora comenzile la
64
termenul stabilit sunt
5
4
1
= p ,
2
1
2
= p ,
7
3
3
= p ,
3
1
4
= p . S se detrmine
probabilitatea ca toi furnizorii s-i onoreze comenzile la termen.

46. Intr-o secie sunt 3 strunguri care execut piese mari i piese mici.
Primul, execut 10% piese mici, al doilea execut 15% piese mici, iar al
treilea 75% piese mari. Se ia cte o pies la ntmplare de la fiecare strung.
Care este probabilitatea ca 2 piese s fie mici i una mare?

47. Pe 4 tvi dintr-o cofetrie sunt cte 30 de prjituri, printre care se
afl 2, 3, 1, respectiv 2 prjituri mai necoapte. Vnztoarea ia la ntmplare
cte o prjitur de pe fiecare tav. Care este probabilitatea ca toate s fie
coapte bine?

48. Cinci maini, care produc acelai tip de piese, dau rebuturi n
procente 2%, 1%, 5%, 4%, 6% respectiv. Se ia cte o pies produs de la
fiecare. S se calculeze probabilitatea ca din cele cinci piese luate, exact dou
s fie rebut, precum i probabilitatea ca cel puin una s fie rebut.

49. Se dau variabilele aleatoare independente
|
|

\
|
2 , 0 1 , 0 3 , 0
4 3 2 1
p
X i
|
|

\
|
a
Y
8
1
4
1
8
1
3 2 0 1
.
a) S se determine parametrii reali p i a.
b) S se calculeze Y X Y X Y X + + , , 4 , 5 .
c) S se calculeze media, momentele de ordin 2 i 3 , precum i dispersia
celor dou variabile aleatoare.

50. Se dau variabilele aleatoare independente
|
|

\
|
+ +

3
1
3
1
6
1
1 0 1
b a
X i
|
|

\
|

2
12 2
3
1
2 0 1
a b a
Y .
65
a) S se determine parametrii reali b i a.
b) S se calculeze Y X Y X Y X + + , 3 2 , .
c) S se calculeze media, momentele de ordin 2 i 3 , precum i dispersia
celor dou variabile aleatoare.

51. Calculai valoare medie urmtoarelor variabile aleatoare:
a)
|
|

\
|
100
1
100
1
100
1
100
1
100 3 2 1
L
L
X
b)
|
|
|
|

\
|

100
1
100
1
100
1
100
1
101 100
1
4 3
1
3 2
1
2 1
1
L
L
Y
c)
|
|

\
|
99 2 99
2
1
2
1
2
1
2
1
100 3 2 1
L
L
Z .

52. O variabil aleatoare X are repartiia
|
|

\
|
3 2 1
2 0 1
p p p
X . Dac
( )
3
1
= X M i ( )
3
4
= X D , calculai
3 2 1
, , p p p .

53. Se arunc 2 zaruri. Se acord 12 puncte dac suma punctelor de pe
cele dou fee este 2 sau 12, 4 puncte dac suma este 7 i un punct pentru
celelalte cazuri. S se scrie tabelul de distribuie al variabilei aleatoare N
ce ia dret valori numrul de puncte acordate celui care arunc zarul.
Calculai apoi valoarea medie i dispersia acestei variabile.

54. Se experimenteaz 3 prototipuri de aparate. Probabilitile ca
acestea s corespund sunt respectiv 9 , 0
1
= p , 8 , 0
2
= p i 7 , 0
3
= p . S
se scrie tabelul de distribuie al variabilei aleatoare ce ia ca valori
66
numrul de prototipuri care corespund. Calculai apoi valoarea medie i
abaterea medie ptratic a acestei variabile.

55. La un antrenament, un juctor de baschet nimerete n co la o
singur aruncare a mingii cu probabilitatea 7 , 0 . S se scrie tabelul de
distribuie al variabilei aleatoare ce ia ca i valori numrul de nimeriri la
co, atunci cnd juctorul arunc mingea de 4 ori. Calculai apoi valoarea
medie i abaterea medie ptratic a acestei variabile.

56. La o edin se convoac prin telefon 4 persoane. Probabilitatea ca
la un singur apel s se gseasc telefonul ocupat este 0,1, 0,3, 0,2 i
respectiv 0,25. S se scrie tabelul de distribuie al variabilei aleatoare care
ia drept valori numrul persoanelor care au rspuns la telefon, atunci cnd
se d un singur telefon la fiecare din cele 4 persoane.
57. Fie A i B dou evenimente astfel nct ( )
4
1
= A P , ( )
2
1
= B P
A
i
( )
4
1
= A P
B
. Definim o variabil aleatoare X, astfel: 1 = X , sau 0 = X ,
dup cum se realizeaz sau nu evenimentul A. Definim de asemenea o
variabil aleatoare Y, astfel: 1 = Y , sau 0 = Y , dup cum se realixeaz
sau nu evenimentul B. Calculai ( ) X M i ( ) Y M .

58. Fie funcia R R f : , ( )
| |
( ) ( )

+

=
, 1 1 , , 0
1 , 1 ,
2
x
x kx
x f , unde
R k .
a) S se determine parametrul real k astfel nct funcia f s fie o funcie
densitate de probabilitate.
b) S se calculeze media i dispersia variabilei aleatoare cu densitatea de
repartiie de f.
67
c) S se determine funcia de repartiie corespunztoare.

59. Fie funcia R R f : , ( )
| |
( ) ( )

+

+
=
, 1 1 , , 0
1 , 1 ,
1
2
x
x
x
a
x f , unde R a .
a) S se determine parametrul real a astfel nct funcia f s fie o funcie
densitate de probabilitate.
b) S se calculeze media i dispersia variabilei aleatoare cu densitatea de
repartiie de f.
c) S se determine funcia de repartiie corespunztoare.

60. Fie funcia R R f : , ( )
| |
( ) ( )

=
, , , 0
, ,
2 2
a a x
a a x
x a
a
x f , unde
R a .
a) S se determine parametrul real a astfel nct funcia f s fie o funcie
densitate de probabilitate.
b) S se calculeze media i dispersia variabilei aleatoare cu densitatea de
repartiie de f.
c) S se determine funcia de repartiie corespunztoare.

61. Fie funcia R R f : , ( )
| |
( ) ( )

+

=
, 2 0 , , 0
2 , 0 , 1 1
x
x x
x f
S se precizeze dac f este o funcie densitate de probabilitate i n caz
afirmativ, calculai valoarea medie i dispersia variabilei aleatoare
( )
R x
x f
x
X

|
|

\
|
.
68
62. O variabil aleatoare continu X are funcia densitate de
probabilitate R R f : , ( )
| |
( ) ( )

=
, 0 , , 0
, 0 , ln
a x
a x
x
a
c
x f , unde a este fixat i
R c .
a) S se calculeze valoarea parametrului real c.
b) S se scrie funcia de repartiie a variabilei aleatoare X.
c) S se calculeze media i dispersia variabilei aleatoare X.

63. Se consider funcia R R f : ,
( )
| |
( ) ( )

+ +
+
=
, 1 1 , , 0
1 , 1 ,
1
a a x
a a x
x
x f , unde R a .
a) S se determine parametrul real a astfel nct funcia f s fie o funcie
densitate de probabilitate.
b) S se calculeze media i dispersia variabilei aleatoare cu densitatea de
repartiie de f.
c) S se determine funcia de repartiie corespunztoare.

64. Fie X o variabil aleatoare continu cu funcia densitate de
probabilitate
R R f : , ( )

>
=

0 , 0
0 ,
!
x
x e
m
x
x f
x
m
, unde
*
N m . Calculai media i
dispersia acestei variabile aleatoare.





69
TESTE DE AUTOEVALUARE

TEST 1
1. Se consider funcia
R R f : , ( )
| |
| (
( ) ( )

=
, 2 0 , , 0
2 , 1 ,
2
1
1 , 0 ,
3 2
x
x ax
x x a
x f , unde R a .
a) S se determine parametrul real a astfel nct funcia f s fie o funcie
densitate de probabilitate.
b) S se calculeze media i dispersia variabilei aleatoare cu densitatea de
repartiie de f.
c) S se determine funcia de repartiie corespunztoare.

2. Intr-un lot de 100 de piese prelucrate la un strung, 10 sunt defecte. Pentru
un control de calitate, se extrag la ntmplare 3 piese. S se scrie tabelul de
distribuie al variabilei aleatoare care ia ca valori numrul de piese defecte
extrase. Calculai apoi valoarea medie i dispersia acestei variabile.

3.Se presupune c un sistem de detecie poate grei asupra prezenei unei
inte ( de exemplu un avion inamic) cu probabilitatea 0,05, iar n prezena
real a intei, o detecteaz cu probabilitatea 0,9. Presupunnd c
probabilitatea de apariie a unei inte n zona sistemului de detecie este 0,25,
s se determine probabilitatea unei alarme false, imediat ce sistemul primete
un semnal relativ la prezena intei.

TEST 2

70
1. Se arunc 2 zaruri. Se acord 12 puncte dac suma punctelor de pe cele
dou fee este 2 sau 12, 4 puncte dac suma este 7 i un punct pentru
celelalte cazuri. S se scrie tabelul de distribuie al variabilei aleatoare N
ce ia dret valori numrul de puncte acordate celui care arunc zarul.
Calculai apoi valoarea medie i dispersia acestei variabile.

2. Un tren sosete la ora fixat cu probabilitatea 0,9. S se determine
probabilitatea ca ntr-o sptmn trenul s ntrzie de dou ori, tiind c face
o singur cursa pe zi.

3. Fiecare coeficient al ecuaiei trigonometrice b atgx = este determinat
prin aruncarea unui zar i luarea numrului de puncte ieit. Care este
probabilitatea ca ecuaia dat s admit soluiile ,... 1 , 0 ,
4
= + = k k a

?

TEST 3

1. Un vnztor are la vnzare 100 de cutii identice din care 30 sunt cu
pantofi, iar restul cu bocanci. Pn la ora 12 au fost vndute 10 cutii. S se
afle probabilitatea ca 3 cutii s fi fost cu bocanci.

2. Intr-o secie sunt 3 strunguri care execut piese mari i piese mici. Primul,
execut 10% piese mici, al doilea execut 15% piese mici, iar al treilea 75%
piese mari. Se ia cte o pies la ntmplare de la fiecare strung. Care este
probabilitatea ca 2 piese s fie mici i una mare?
P.12. Fie funcia R R f : , ( )
| |
( ) ( )

=
, , , 0
, ,
2 2
a a x
a a x
x a
a
x f , unde
R a .
a) S se determine parametrul real a astfel nct funcia f s fie o funcie
densitate de probabilitate.
71
b) S se calculeze media i dispersia variabilei aleatoare cu densitatea de
repartiie de f.
c) S se determine funcia de repartiie corespunztoare.



































72
MODULUL II

ELEMENTE DE STATISTIC MATEMATIC


UNITATEA DE STUDIU VI

ELEMENTE DE STATISTIC DESCRIPTIV


VI.1. Obiectul statisticii


Numeroase fenomene din viaa economic i social, din fizic,
biologie, psihologie etc. necesit n studiul lor un instrument matematic
special: statistica matematica.
De exemplu, pentru a cunoate starea de spirit a populaiei unei tri
naintea alegerilor, nu pot fi chestionai toi cetenii, ci se efectueaz un
sondaj de opinie, adic se stabilete un eantion reprezentativ al populaiei,
numeric limitat, se calculeaz procentul cetenilor care au o anumit opinie,
dup care se extrapoleaz rezultatul la ntreaga populaie.
Aadar statistica utilizeaz raionamente inductive : prin inducie se
ajunge de la parte la intreg. Din punct de vedere al preciziei, raionamentul
inductiv este mai puin precis dect cel deductiv. Prin urmare, afirmaiile se
fac cu un anumit grad de nencredere, deci cu erori.
Statistica are ca obiect sistematizarea, analiza, prelucrarea i
interpretarea datelor referitoare la anumite fenomene n vederea studierii pe
cale inductiv a fenomenelor aleatoare de mas precum i n vederea
realizrii de previziuni privind producerea unor anumite fenomene.
Vom studia pe rnd elemente de statistica descriptiva i statistic analitic
(matematic)
Statistica descriptiv se ocup de culegerea , gruparea i analiza
datelor rezultate din observaia diferitelor fenomene.
Statistica matematic elaboreaz o metodologie fundamentat pe
teoria probabilitilor care s asigure o verosimilitate ct mai mare n
raionamentele cu caracter inductiv.





73


VI.2. Limbajul statisticii

Exist cteva elemente i concepte comune tuturor cercetrilor
statistice, concepte care alctuiesc limbajul de baz al statisticii.
Populaia (colectivitatea) statistic reprezint totalitatea elementelor
de aceeai
natur, care au trsturi eseniale comune i care sunt supuse unui studiu
statistic.
Termenul de populaie nu se refer doar la un grup de persoane. Prin
populatie se nelege o mulime de obiecte, preri, evenimente, opinii etc.
O populaie statistic include ntreaga colecie de obiecte sau
observaii pe care le analizm statistic pentru a trage concluzii.
In genearal, populaia este bine definit n timp, spaiu i ca form
organizatoric i n plus este considerat a fi finit.
Eantionul reprezint un subset de elemente selectate dintr-o
colectivitate
statistic.
Cu ct este mai numeroas o colectivitate, cu att devine mai dificil
cercetarea tuturor elementelor ei, fiind consumatoare de timp i costisitoare.
In acest caz soluia este extragerea unei subcolectiviti (eantion) din
colectivitatea general. In felul acesta se vor estima parametrii populaiei
totale pe baza rezultatelor obinute n eantion, iar ceea ce a fost determinat
ca fiind tipic, esenial i caracteristic n eantion, se presupune c ar fi fost
gsit i dac s-ar fi cercetat colectivitatea general.
Exactitatea acestei presupuneri depinde de modul n care a fost extras
eantionul, iar de acurateea acestui proces depinde succesul mersului
statistic. Reprezentativitatea eantionului este aadar aspectul crucial al
oricrui proces de cercetare pe baz de sondaj statistic.
Inferena statistic reprezint o decizie, o estimaie, o predicie sau o
generalizare privitoare la o colectivitate general, bazat pe informaiile
statistice obinute pe un eantion.
Unitatea statistic reprezint elementul constitutiv al unei
colectiviti i care este purttorul fiecrei trsaturi supuse observrii ix
cercetrii statistice.
Definirea clar a unitii statistice trebuie s evite orice ambiguitate,
s fac posibil identificarea ei exact i s fie posibil nregistrarea datelor
statistice.
Unitile statistice pot fi simple sau complexe. Unitile complexe
sunt rezultate ale organizrii sociale sau economice (ex. familia).
Caracteristica statistic reprezint trasatura comuna tuturor
unittilor unei colectiviti i care variaz ca nivel, sau valoare de la o unitate
74
la alta a colectivitii. Este numit i variabil statistic sau variabil
aleatoare.
Caracteristicile statistice se pot clasifica dup mai multe criterii,
astfel:
Dup modul de exprimare:calitative( nominative) ;cantitative (numerice).
Dup numrul variantelor de rspuns:alternative ( binare);nealternative.
Dup natura variaiei caracteristicilor numerice:continue;discrete.
Dup coninut:de timp;de spaiu;atributive.





VI.3. Serii statistice

Analiza statistic a unui fenomen, n raport cu o singur caracteristic
ne conduce la o serie de perechi de valori care poart denumirea de serie
statistic.

Definiia VI.3.1. Fie o populaie statistic avnd o caracteristic X
care ia valorile
p
x x x ,... ,
2 1
i
i
n cu p i , 1 = numrul de uniti statistice
pentru care caracteristica X ia valoarea
i
x . Mulimea perechilor ( )
p i i i
n x
, 1
,
=
se
numete serie statistic, iar numerele
i
n se numesc frecvene absolute.
O serie statistic este de obicei prezentat sub forma unui tabel de
tipul urmtor:

Valoarea caracteristicii (
i
x )
1
x
2
x
.......................
p
x
Frecvena absolut (
i
n )
1
n
2
n
.......................
p
n

Exist i serii statistice n care valorile caracteristicii urmrite sunt
exprimate prin intervale. In acest caz, spunem c avem o serie statistic n
care distribuia frecvenelor este pe intervale.:

Valoarea caracteristicii
( | )
1
,
+ i i
x x )
| )
2 1
, x x | )
3 2
, x x
.......................
| )
1
,
+ p p
x x
Frecvena absolut (
i
n )
1
n
2
n
.......................
p
n

75
Definiia VI.3.2. Fie ( )
p i i i
n x
, 1
,
=
o serie statistic cu efectivul total al
populaiei

=
=
p
i
i
n N
1
. Numrul
N
n
f
i
i
= se numete frecvena relativ a
valorii
i
x .

Definiia VI.3.3. Fie ( )
p i i i
n x
, 1
,
=
o serie statistic. Numrul

=
=
i
k
k i
n N
1
, reprezentnd suma tuturor frecvenelor absolute pn la
i
n
inclusiv, se numete frecven absolut cumulat cresctor.

Definiia VI.3.4. Fie ( )
p i i i
n x
, 1
,
=
o serie statistic. Numrul

=
=
p
i k
k i
n N
*
, reprezentnd suma tuturor frecvenelor absolute care apar
ncepnd cu
i
n inclusiv, se numete frecven absolut cumulat
descresctor.






VI.4. Indicatori sintetici ai seriilor statistice


Analiza frecvenelor unei serii statistice are neajunsul de a manipula
ntreaga cantitate de date, respectiv toate valorile distribuiei statistice. Pentru
a elimina acest neajuns sun utilizai aa- numiii indicatori sintetici. Ei sunt
descriptori umerici ce condenseaz ntr-o valoare unic o anumit
caracteristic a ntregii serii statitice.
Principalele avantaje ale acestor indicatori sunt concentrarea
semnificaiei i uurina utilizrii. In acelai timp ns, dat fiind natura lor
sintetic, prezint i dezavantaje, n sensul c fiecare indicator pierde o
anumit cantitate de informaie care ine de alte caracteristici pe care nu le
surprinde.
Exist 3 clase mari de indicatori sintetici:
a) Indicatori ai tendinei centrale: sunt valori tipice pentru ntreaga
distribuie.
b) Indicatori ai mprtierii: sunt valori ce descriu caracteristica de
mprtiere a distribuiei.
76
c) Indicatori ai formei distribuiei: se refer la forma curbei de
reprezentare grafic a distribuiei.



a) Indicatori ai tendinei centrale


a1) Mrimi medii

i) Media aritmetic
Media aritmetic a valorilor individuale
n
x x x ,...., ,
2 1
ale
caracteristicii numerice X reprezint acea valoare care s-ar fi nregistrat dac
toi factorii de influen ar fi acionat constant (cu aceeai intensitate) la
nivelul fiecrei uniti nregistrate. Aceasta nseamn c dac media
aritmetic ar substitui fiecare o valoare individual
i
x ,
i = n , 1 ,valoarea totalizat obiectiv format a caracteristicii urmrite nu s-ar
modifica.
Definiia VI.4.1. Fiind dat seria statistic ( )
p i i i
n x
, 1
,
=
, numrul

=
=
=
p
i
i
p
i
i i
n
n x
x
1
1
se numete valoarea medie a seriei statistice.

Observaii.
i)Definiia dat valorii medii este adevarat numai dac valorile
individuale nregistrate sunt numerice.
ii) Valoarea medie este unic.
iii) Suma diferenelor dintre toate valorile individuale nregistrate i
media lor aritmetic este nul: ( )

=
=
p
i
i
x x
1
0 .
iv) Media aritmetic este legat de toate valorile numerice
nregistrate. Prin urmare ea este sensibil la prezena valorilor aberante (
valori foarte mari, sau foarte mici, n comparaie cu majoritatea datelor
nregistrate). Existena unor astfel de valori are drept efect o valoare medie
nereprezentativ pentru caracteristica studiat.
v) Dac avem o serie statisticn care distribuia se face pe intervale,
pentru a calcula o valoare medie ct mai apropiat de cea real se vor lua n
calcul centrele intervalelor e forma | )
1
,
+ i i
x x .

77
Teorema VI.4.1. Dac x este valoarea medie a unei serii statistice
( )
p i i i
n x
, 1
,
=
, atunci b x a + este valoarea medie a seriei ( )
p i i i
n b ax
, 1
,
=
+ .
Observaie. Aceast teorem ne permite un calcul mai rapid al valorii
medii atunci cnd dispunem de un numr mare de valori ale caracteristicii
studiate, valori exprimate prin numere mari. Practic, n loc s calculm media
y a unei serii ( )
p i i i
n y
, 1
,
=
, calculm media x a seriei ( )
p i i i
n x
, 1
,
=
cu
a
b y
x
i
i

= , iar apoi avem c b x a y + = .


ii)Media armonic
Media armonic se definete ca valoarea invers a mediei aritmetice a
inverselor valorilor individuale nregistrate. Aplicarea mediei armonice
pentru exprimarea numeric a tendinei centrale are sens numai dac este
obiectiv nsumarea inverselor valorilor individuale.
Definiia VI.4.2. Fiind dat seria statistic ( )
p i i i
n x
, 1
,
=
, numrul

=
=
=
p
i
i
i
p
i
i
h
x
n
n
x
1
1
se numete medie armonic a seriei statistice.

Observaii.
i)Media armonic este mai mic dect media aritmetica pentru aceleai
valori pozitive.
ii) In cazul n care ntre dou variabile exist o relaie de invers
proporionalitate, (
x
y
1
= ) aceasta se pastreaz i ntre mediile calculate
pentru fiecare variabil.
iii) Media armonic se folosete pentru calculul valorii medii a unei serii
statistice n care valorile caracteristicii urmrite sunt, la rndul lor, valori
medii.



iii)Media ptratic (sau momentul iniial de ordinul doi)
Media ptratic ( p x ) exprim tendina central a valorilor numerice
nregistrate pentru variabila observat dac are sens obiectiv nsumarea
ptratelor valorice individuale. Ea reprezint acea valoare a caracteristicii
care, dac ar nlocui fiecare valoare individual din serie, suma ptratelor
termenilor seriei nu s-ar modifica.
78
Definiia VI.4.3. Fiind dat seria statistic ( )
p i i i
n x
, 1
,
=
, numrul

=
=
=
p
i
i
p
i
i i
p
n
n x
x
1
1
2
se numete medie ptratic a seriei statistice.

Observaii.
i)Cu toate c media ptratic se poate calcula att pentru valori individuale
pozitive, nule sau negative, ea nu are sens din punct de vedere economic
dect dac se calculeaz pentru valori pozitive.
ii)Valoarea mediei ptratice este mai mare dect cea a mediei aritmetice
atunci cnd ele se calculeaz cu aceleai date.
iii) Media ptratic se utilizeaz frecvent la calculul abaterii medii ptratice,
adic a abaterii valorilor caracteristicii fa de valoarea lor medie.
.
iv) Media geometric
Spre deosebire de tipurile de medii prezentate anterior, care au la baz
o relaie de aditivitate ntre termenii unei serii statistice, media geometric se
calculeaz pe baza unei relaii obiective multiplicative ntre termenii aceleiai
serii. Prin urmare, media geometric (
g
x ) reprezint acea valoare a
caracteristicii observate care, dac ar nlocui fiecare valoare individual din
serie, produsul acestora nu s-ar modifica.
Definiia VI.4.4. Fiind dat seria statistic ( )
p i i i
n x
, 1
,
=
, numrul

g
x =
p
p
i
i
x
1
1
(

=

se numete medie geometric a seriei statistice.

Observaii.
i) Media geometric uneori se mai numete i medie logaritmic deoarece se
poate determina prin logaritmii valorilor individuale, dup cum urmeaz:
( )
n
x
x
n
i
i
g

=
=
1
ln
ln , de unde
(

=

=
n
i
i g
x
n
x
1
ln
1
exp

ii) Dac cel puin o valoare individual este nul sau negativ, calculul
mediei geometrice este lipsit de sens.
iii) Media geometric se utilizeaz frecvent pentru calculul indicelui mediu
al dinamicii, pentru caracterizarea tendinei centrale din seria indicilor de
dinamica cu baza mobil.

79
.

a2)Indicatori de poziie

Caracterizarea tendinei centrale n seriile statistice presupune luarea
n considerare nu numai a valorilor individuale ale caracteristicii urmrite,
dar i a formei n care se repartizeaz unitile colectivitii dup
caracteristica respectiv. De multe ori, informaii mult mai utile
fundamentrii deciziilor, dect cele oferite de indicatorii medii, le furnizeaz
indicatorii de poziie. Aceasta nseamn c pentru caracterizarea tendinei
centrale n seriile statistice rolul de valoare tipic poate fi jucat nu numai de
medie ci i de indicatorii de poziie: modul , mediana si cuantilele.

i)Valoarea modal (valoarea dominant sau modul)

Definiia VI.4.5. Fiind dat seria statistic ( )
p i i i
n x
, 1
,
=
, modul
reprezint acea valoare
k
x a caracteristicii , pentru care frecvena
k
n este
maxim.
Observaie. Pot exista mai multe valori modale.

Calcul. Pentru o serie avnd distribuia frecvenelor pe intervale,
valoarea modal se calculeaz astfel:
Se idetific intervalul modal, ca fiind acel interval pentru care
frecvena este maxim.
Se calculeaz modul dup formula:

2 1
1
0 0 0
+

+ =
jM jM
h x M ,
unde:

0 jM
x - limita inferioar a intervalului modal j;

0 jM
h - marimea intervalului modal;

1
- diferena dintre frecvena intervalului modal i frecvena
intervalului predecesor;

2
- diferena dintre frecvena intervalului modal i cea a
intervalului succesor.

ii) Mediana

Definiia VI.4.6. Fiind dat seria statistic ( )
p i i i
n x
, 1
,
=
, mediana
reprezint acea valoare a caracteristicii localizat n mijlocul unei serii
statistice n care valorile au fost ordonate.
80
Cu alte cuvinte, mediana mparte populaia statistic ordonat n dou
pri: jumtate cu valori superioare medianei i jumtate cu valori inferioare
medianei.
Calcul.
Pentru o serie statistic ( )
p i i i
n x
, 1
,
=
, mediana se calculeaz astfel:
Se cumuleaz cresctor frecvenele;
Mediana este acea valoare a caracteristicii care corespunde primei
frecvene
cumulate cresctor mai mare dect
2
1
1

=
+
p
i
i
n
.
Pentru o serie n care distribuia frecvenelor se face pe intervale, mediana se
calculeaz astfel:
Se cumuleaz cresctor frecvenele;
Se determin intervalul median ca fiind primul interval a crui frecven
cumulat este mai mare dect
2
1
1

=
+
p
i
i
n
.
Se determin mediana dup formula:
Me
Me
p
i
i
n
F
n
h x Me
1
1
0
2
1

+
+ =

,
unde:
0
x - limita inferioar a intervalului median;
0
h - marimea intervalului median;
Me
n - frecvena intervalului median;
1 Me
F - frecvena cumulat cresctor a intervalului predecesor celui median.


iii) Cuantilele
Cuantilele sunt indicatori care descriu anumite poziii localizate n mod
particular n cadrul seriilor statistice.. Conceptul de cuantil indic o
divizare a distribuiei observaiilor ntr-un numr oarecare de pri.

Definiia VI.4.7. Cuantilele de ordin r sunt valori ale
caracteristicii urmrite care mpart distribuia ordonat a observaiilor n r
pri egale. Fiecare parte are acelai efectiv, adic l/r din numrul total al
unitilor statistice.
Frecvent se utilizeaz urmtoarele cuantile:
81
*mediana sau cuantila de ordinul 2 (r=2);
*cuartilele sau cuantilele de ordinul 4 (r=4);
*decilele sau cuantilele de ordinul 10 (r=10);
*centilele sau cuantilele de ordinul 100 (r=100)
Cuantilele de ordin superior (r > 4) se calculeaza in cazul
distributiilor cu numar mare de grupe sau clase de valori individuale.






b)Indicatori ai mprtierii ( de variaie)

Un exemplu simplu sugereaz insuficiena indicatorilor tendinei
centrale n caracterizarea uni serii statistice: s presupunem c doi elevi au
obinut la un anumit obiect urmtoarele note:

7 7 8 6 :
9 6 10 3 :
Y
X

Se observ c media aritmetic a celor doi elevi este aceeai: 7. Aceast not
ins, caracterizeaz mult mai bine notele elevului Y, dect pe cele ale lui X,
care sunt foarte dispersate.
In cele ce urmeaz vom descrie indicatorii de variaie care stabilesc n
ce msur o medie va caracteriza valorile unei serii statistice, dac acestea
sunt mai apropiate sau mai ndeprtate de medie.
Se disting dou tipuri de indicatori de variaie:
b1) indicatori simpli ai variaiei (calculai la nivelul unei uniti statistice);
b2) indicatori sintetici ai variaiei (calculai la nivelul ntregii populaii
statistice).




b1)Indicatorii simpli ai variaiei

Aceast clas de indicatori compar sub form de diferen mrimea a
doi termeni ai seriei sau mrimea unui termen al seriei cu nivelul mediu al
acesteia. Se exprim n unitatea de msur a caracteristicii pentru care s-au
calculat.

i)Amplitudinea absolut a variaiei:

82
Definiia VI.4.8. Intro serie statistic ( )
p i i i
n x
, 1
,
=
amplitudinea
absolut a variaiei este diferena dintre cea mai mare i cea mai vic
valoare a caracteristicii studiate
min max
x x A =

Observaii:
i)Dac cele dou valori extreme sunt valori aberante, amplitudinea nu mai
prezint o semnificaie deosebit (este sensibil la valorile extreme).
ii)Nu poate fi folosit n comparaii, dect pentru serii care se refer la
aceeai caracteristic (care se exprim n aceeai unitate de msur).
iii)Este destul de instabil, pe msura adugrii de noi date.
iv)Dac ntr-o distribuie de frecvene pe intervale de valori nu se cunosc
limitele inferioar i superioar, atunci amplitudinea nu poate fi calculat,
dect fcnd anumite presupuneri pe baza mrimii intervalelor de grupare.
v) Amplitudinea se utilizeaz frecvent n prelucrarea statistic la alegerea
numrului de intervale de grupare a datelor i la stabilirea mrimii
intervalelor.

ii) Abaterile individuale

Definiia VI.4.9. Intro serie statistic ( )
p i i i
n x
, 1
,
=
abaterile
individuale exprim cu cte uniti de msur se abate o numit valoare a
caracteristicii studiate de la valoarea medie.
Abaterea individual absolut :
x x d
i i
= , p i , 1 = .
Abaterea maxim pozitiv (n expresie absolut):
x x d =
+
max max
.

Abaterea maxim negativ (n expresie absolut):
x x d =

min max
.


b2) Indicatorii sintetici

Indicatorii sintetici ai mprtierii, spre deosebire de indicatorii
simpli, sintetizeaz ntr-o singur expresie numeric variaia valorilor
caracteristicilor unei serii statistice corespunztoare unei populaii statistice.
La baza determinrii indicatorilor sintetici stau abaterile individuale,
dar pentru a se evita compensarea acestora, ele vor fi utilizate n valoare
absolut, sau se va opera cu ptratele acestora.

i)Abaterea medie liniar
83

Definiia VI.4.10. Abaterea medie liniar reprezint media
aritmetic simpl sau ponderat a abaterilor tuturor valorilor individuale luate
n valoarea absolut, ale termenilor seriei fa de media lor.
Arat cu cte uniti de msur concrete s-a modificat n medie un
termen al seriei fa de nivelul mediu al acesteia.
Pentru serie statistic ( )
p i i i
n x
, 1
,
=
avem c abaterea medie liniar este
dat de

=
=

=
p
i
i
p
i
i i
n
x x n
d
1
1
.
In cazul n care avem o serie cu distribuia frecvenelor pe intervale, pentru
calculul abaterii medii liniare se vor lua n considerare centrele intervalelor
de forma | )
1
,
+ i i
x x .

ii) Dispersia (sau variana)

Definiia VI.4.11. Dispersia este media aritmetic simpl sau
ponderat a ptratelor abaterilor individuale absolute, ale termenilor seriei
fa de media lor.
Pentru serie statistic ( )
p i i i
n x
, 1
,
=
avem c dispersia este dat de
( )

=
=

=
p
i
i
p
i
i i
n
x x n
D
1
1
2
.
Observaii:
i)Dispersia nu are unitate de msur;
ii)Cu ct este mai apropiat de 0 cu att variaia este mai mic; cu ct este
mai deprtat de 0, cu att variaia este mia mare.
iii) Cu ct valorile caracteristicii urmrite sunt mai omogene ( mai apropiate
ntre ele), cu att mrimea dispersiei este mai mic .

Proprieti .
1. Pentru un ir de valori constante, dispersia este ntotdeauna nul.Altfel
spus, dac toate valorile individuale sunt egale ntre ele (ceea ce ar nsemna
omogenitate perfect) dispersia este nul.
2. Dac ntr-o serie statistic fiecare termen se mrete sau se micoreaz cu
o aceeai constant a, atunci dispersia seriei nu se modific.
84
3. Dac ntr-o serie statistic, fiecare termen se mrete sau se micoreaz de
un acelai numr de ori (h), atunci dispersia seriei se va modifica i ea n
acelai sens de h
2
ori, fa de dispersia seriei iniiale.

Observaie. Aceste proprieti sugereaz posibilitatea de a calcula
dispersia printr-o expresie care simplific operaiile de calcul fr s afecteze
rezultatul.

Relaia de calcul simplificat a dispersiei:
( )
2
2
1
1
2
c x h
n
n
h
c x
D
n
i
i
p
i
i
i

|

\
|
=

=
=
,
unde, de regul, c i h sunt valori convenabil stabilite. De exemplu, n cazul
distribuiei pe intervale egale de grupare se consider c= centrul intervalului cu
cea mai mare frecven i h=mrimea intervalului de grupare.

.
iii) Abaterea medie ptratic (sau abatere standard, sau deviaie
standard)


Definiia VI.4.12. Abaterea medie ptratic este media ptratic
simpl sau ponderat a abaterilor individuale absolute fa de medie:
Pentru serie statistic ( )
p i i i
n x
, 1
,
=
avem c abaterea medie ptratic
este dat de
( )

=
=

= =
p
i
i
p
i
i i
n
x x n
D
1
1
2
.
Observaie. In analizele statistice se prefer abaterea medie ptratic
n locul dispersiei deoarece este un parametru al legii de repartiie normale i
majoritatea metodelor de prelucrare statistic au la baz ipoteza normalitii
repartiiilor.


iv)Coeficientul de variaie (Coeficient de omogenitate)

85
Definiia VI.4.13. Coeficientul de variaie este indicatorul sintetic al
variaiei care msoar n mod relativ i sintetic gradul de mprtiere a
valorilor fa de tendina central a seriei: 100 =
x
v

.

Observaie. Coeficientul de omogenitate nu depinde de unitatea de
msur a caracteristicii urmrite, de aceea poate fi folosit pentru a compara
omogenitatea sau, dimpotriv, eterogenitatea a dou sau mai multe serii, care
se refer la variabile diferite.
Proprieti:
-dac valoarea coeficientului de variaie este mai mic sau cel mult egal cu
30 - 35%, atunci seria este omogen i media este reprezentativ pentru
valorile din care s-a calculat.
-dac, dimpotriv, valoarea coeficientului de variaie este de peste 65-70%,
seria este eterogen, media calculat i pierde semnificaia i nu mai este
reprezentativ.


c) Indicatori ai formei distribuiei

Aceast categorie e indicatori ne permite s analizm seriile statistice
n funcie de curba de reprezentare a frecvenelor. Concret se va analiza
simetria/asimetria i aplatizarea/boltirea curbei frecvenelor.


c1) Simetria/ Asimetria distribuiilor statistice

Asimetria este dat de diferena dintre valoarea medie i cea modal:
Dac Mo x = , spunem c avem o distribuie simetric. In acest caz,
observaiile nregistrate sunt egal dispersate de o parte i de alta a
valorii lor medii..
Dac Mo x > , spunem c avem asimetrie pozitiv ( coad la
dreapta).
Dac Mo x < , spunem c avem asimetrie negativ (coad la
stnga).
Pentru a aprecia calitativ asimetria se utilizeaz frecvent anumii coeficieni
adimensionali.


i) Coeficientul de asimetrie Pearson:

Mo x
C
as

=
86

Pentru repartiii moderat asimetrice, exist relaia: ( ) Me x Mo x 3 i
drept urmare

Me x
C
as

3


Interpretare:
Coeficientul de asimetrie Pearson ia valori n intervalul | | 1 , 1 + .
Dac
Mo Me x Cas = = = 0
, seria este perfect simetric.
Dac Mo Me x Cas > > > 0 , seria este pozitiv asimetric, n ea
predominnd valorile mici;
Dac Mo Me x Cas < < <0 , seria este negativ asimetric, n ea predominnd
valorile mari;
Dac
Cas
ia valori apropiate de 1, distribuia are asimetrie pronunat
(pozitiv sau negativ);
Dac
Cas
ia valori apropiate de 0, distribuia are asimetrie uoar (pozitiv
sau negativ).

ii) Coeficientul de asimetrie Fisher:
3
3

=
F
C ,
unde
( )

=
=

=
p
i
i
p
i
i i
n
x x n
1
1
3
3
este momentul centrat de ordin 3.
Interpretare:
Dac 0 =
F
C , seria este perfect simetric..
Dac 0 >
F
C , seria este pozitiv asimetric.
Dac 0 <
F
C , seria este negativ asimetric.

c2) Aplatizarea / Boltirea distribuiilor statistice

Graficele seriilor statistice pot fi comparate cu clopotul lui Gauss
corespunztor repartiiei normale. In comparaie cu acesta, graficele pot fi
mai mult sau mai puin boltite/ aplatizate.
Exist indicatori care dau o msur a gradului de aplatizare/ boltire.

i) Coeficientul de aplatizare :
87
4
4

=
A
C ,
unde
( )

=
=

=
p
i
i
p
i
i i
n
x x n
1
1
4
4
este momentul centrat de ordin 4.
Interpretare:
Dac 3 =
A
C seria are o distribuie echivalent cu cea normal.
Dac 3 >
A
C seria are o reprezentare grafic cu vrf mai ascuit i cozi mai
lungi dect n cazul repartiiei normale.
Dac 3 <
A
C seria are o reprezentare grafic cu vrf mai turtit i cozi mai
scurte dect n cazul repartiiei normale.

ii) Coeficientul de exces:

3 =
A
C Ex
Interpretare:
Dac 0 = Ex seria are o distribuie echivalent cu cea normal.
Dac 0 > Ex seria are o reprezentare grafic cu vrf mai ascuit i cozi mai
lungi dect n cazul repartiiei normale.
Dac 0 < Ex seria are o reprezentare grafic cu vrf mai turtit i cozi mai
scurte dect n cazul repartiiei normale.

















88

UNITATEA DE STUDIU VII

ELEMENTE DE TEORIA SELECIEI


VII.1. Noiunea de selecie. Momente de selecie


Presupunem c avem o colectivitate , discret sau continu, de
volum N pentru care este nepractic sau imposibil cunoaterea individual
a tuturor elementelor ce o constituie. Fa de aceast colectivitate se
cerceteaz o proprietate sau un fenomen care genereaz o variabil aleatoare
X. Pentru aceasta se va considera o subcolectivitate ( numit i eantion,
selecie sau sondaj ) cu volumul n . Avem deci i N n < . Vom
cerceta proprietatea sau fenomenul care definete variabila X n prin
intermediul valorilor ce le ia X n .
Considerm
n
X X X ,..., ,
2 1
variabile aleatoare ce reprezint valorile
variabilei X observate la elementele din . Dac sondajul este efectuat la
ntmplare, variabilele n j X
j
, 1 , = au aceeai ans de a se realiza. De aceea,
ele determin urmtoarea variabil aleatoare discret cu distribuie uniform:
|
|

\
|
n n n
X X X
X
n
1
...
1 1
...
2 1
*
,
pe care o numim variabil de selecie. X se numete variabil teoretic.

Definiia VII.1.1. Numim medie de selecie expresia
( )

=
= =
n
i
i
X
n
X M m
1
* *
1
.
Definiia VII.1.2. Numim moment de selecie de ordin k expresia
( ) ( ) ( )

=
= =
n
i
k
i
k
k
X
n
X M M
1
* *
1
.
Definiia VII.1.3. Numim moment centrat de selecie de ordin k
expresia
( )

=
=
n
i
k
i k
m X
n
1
* *
1
.
Definiia VII.1.4. Numim dispersie de selecie expresia
( )

=
= =
n
i
i
m X
n
D
1
2
* *
2
*
1
.
89
Spunem c o selecie este corect efectuat atunci cnd caracteristicile
variabilei teoretice X sunt egale cu cele ale variabilei de selecie
*
X . Ideal ar
fi cazul n care ( ) ( )
*
X M X M = , ( ) ( )
*
X M X M
k k
= , ( ) ( )
*
X D X D = .
Intruct variabila teoretic X este necunoscut, nici caracteristicile
sale numerice nu sunt cunoscute. De aceea, n practic se procedeaz
oarecum invers:
- se alege subcolectivitatea i se obine variabila de selecie
*
X ;
- se deterimn caracteristicile variabilei de selecie
*
X ;
- se cerceteaz n ce condiii valorile obinute pentru
*
X aproximeaz
suficient de bine caracteristicile corespuztoare ale variabilei teoretice
X;
Aceast aproximare are loc n sens probabilistic i se numete estimare.
Estimrile pot fi corecte sau absolut corecte.
Definiia VII.1.5. Spunem c variabila de selecie
*
X estimeaz
corect variabila teoretic X dac:
i ) ( ) ( ) X M X M
N n

*
;
ii) ( ) 0
*

N n
X D .
Definiia VII.1.6. Spunem c variabila de selecie
*
X estimeaz
absolut corect variabila teoretic X dac:
i ) ( ) ( ) X M X M =
*
;
ii) ( ) 0
*

N n
X D .
Definiia VII.1.7. Diferena ( ) ( ) X M X M
*
se numete
distorsiunea estimaiei.
Observaii. Dac estimaia este absolut corect, atunci distorsiunea
este 0.
Dac distorsiunea are ca limit o constant a, adic
( ) ( ) a X M X M
N n

*
, atunci a se numete eroare sistematic. Este
evident c dac eroarea sistematic a este cunoscut, atunci estimarea lui X
este dat de a X
*
.


VII.2.Estimarea mediei teoretice. Media de selecie.

Teorema VII.2.1. Media de selecie estimeaz absolut corect media
teoretic.
Demonstraie. Vom arta c sunt verificate cele dou condiii din
definiia estimaiei absolut corecte. Pentru aceasta vom calcula ( )
*
m M i
( )
*
m D .
Avem c
90
( ) ( ) m nm
n
m
n
X M
n
X M
n n
X
M m M
n
i
n
i
i
n
i
i
n
i
i
= = = |

\
|
= |

\
|
=
|
|
|
|

\
|
=

= = =
=
1 1 1 1
1 1 1
1 *

i

( ) ( ) ( ) | |
2
* *
2
*
m M m M m D =
Calculm mai ni
( ) ( ) ( ) ( )
( )
|
|

\
|
|
|

\
|
+ =
|
|

\
|
+ =
|
|
|
|
|

\
|
|
|
|
|

\
|
= =

= =
= =
=
n
i
j
n
n j i j i
i i
n
i
j
n
n j i j i
i i
n
i
i
X X M X M
n
X X X M
n n
X
M m M m M
1 1 , ,
2
2
1 1 , ,
2
2
2
1
2
* *
2
2
1
2
1

Variabilele aleatoare
i
X sunt independente, deoarece eantioanele se iau la
ntmplare, iar compoziia unuia nu depinde de cea a altuia. Prin urmare
avem c
( ) ( )
j
n
n j i j i
i j
n
n j i j i
i
X M X M X X M

= =
=
|
|

\
|
1 , , 1 , ,
.
Obinem
( ) ( ) ( ) ( )
( ) ( )
( ) ( )
( )
( ) ( )
2
2
2
2
1
2
1 , ,
2
1
2
2
*
2
1
2
1 2 1
2 1
X M
n
n
n
X M
X M
n n
n n
X
M
n
X M X M
n
X M
n
m M
n
i
i
j
n
n j i j i
i
n
i
i

+ =

+
|
|

\
|
=
+ |

\
|
=


=
= =
.
Inlocuind n expresia dispersiei gsim
( )
( )
( ) X D
n
m m
n
n
n
X M
m D
1 1
2 2
2
*
=

+ = .
Rezult c
( ) 0 lim
*
=

m D
n

i astfel teorema este demonstrat.

Teorema VII.2.2. Distribuia mediei de selecie
*
m pentru n suficient
de mare este aproximat de distribuia normal cu parametri m i
n

.
91
Practic, cele dou teoreme permit aplicarea rezultatelor de la
distribuia normal n cazul estimrii mediei prin media de selecie.In cazul
distribuiilor aproape simetrice, aceast aproximare este satisfctoare i
pentru 10 > n , iar la cele nesimetrice pentru 30 > n .


VII.3.Estimarea dispersiei teoretice. Dispersia de selecie.

Teorema VII.3.1. Dispersia de selecie estimeaz corect dispersia
teoretic.
Demonstraie. Vom arta c sunt verificate cele dou condiii din
definiia estimaiei corecte. In acest scop, vom calcula ( )
*
D M i ( )
*
D D .
Pentru a calcula ( )
*
D M considerm egalitatea

( ) ( ) m m m X m X
i i
+ =
* *
,
care, prin ridicare la ptrat devine
( ) ( ) ( ) ( )( ) m m m X m m m X m X
i i i
+ + =
* *
2
*
2
* 2
2 .
Sumnd, gsim
( ) ( ) ( ) ( )( )

= = = =
+ + =
n
i
i
n
i
n
i
i
n
i
i
m m m X m m m X m X
1
* *
1
2
*
1
2
*
1
2
2

sau, echivalent
( ) ( ) ( )
2
*
1
2
*
1
2
m m n m X m X
n
i
i
n
i
i
+ =

= =
.
De aici rezult
( ) ( )
( )
2
* 1
2
*
1
2
m m
n
m X
n
m X
n
i
i
n
i
i
+


= =
,
adic
( )
( )
2
* 1
2
*
m m
n
m X
D
n
i
i

=

=
.
Obinem
( )
( )
( ) ( )
2
* 1
2
*
m m M
n
m X
M D M
n
i
i

|
|
|
|

\
|

=

=
,
adic
( ) ( )
* *
m D D D M = .
92
Am gsit astfel c media dispersiei de selecie este mai mic dct dispersia
teoretic cu dispersia mediei de selecie.
In plus avem
( )
n
D
m D =
*
,
de unde rezult
( ) D
n
n
n
D
D D M
1
*

= = .
Prin urmare,
( ) 0
1
*
=
n
D
n
D D M .
Am obinut c estimarea dispersiei teoretice D prin dispersia de selecie
*
D
se face ntotdeauna cu o distorsiune de valoare
n
D
. Prin urmare nu avem o
estimare absolut corect pentru dispersie.
Pentru a gsi totui o estimare absolut corect cu ajutorul datelor de
selecie, considerm dispersia corectat
~
D:
*
~
1
D
n
n
D

= ,
sau, echivalent,
( )
( )
1 1
1
2
*
1
2
*
~

=
=
n
m X
n
m X
n
n
D
n
i
i
n
i
i
.
Rezult c
( )
*
~
1
D M
n
n
D M

=
|

\
|

i cum
( ) D
n
n
D M
1
*

= ,
obinem
D D M =
|

\
|
~
.
Calculnd dispersia lui
~
D gsim c
( )
2 4
~
1
3
D
n n
n
n
M
D D

=
|

\
|

i de aici
0
~
=
|

\
|
D D .
93
In concluzie, dispersia corectat
~
D estimeaz absolut corect dispersia
teoretic D.

Practic, dispersia teoretic D se estimeaz absolut corect printr-o
sum de tipul dispersiei de selecie n care ns se nlocuiete numitorul n cu
1 n .Evident, pentru n suficient de mare, cele dou estimri ale dispersiei
teoretice
*
D i
~
D vor diferi neesenial, ambele mrimi tinznd n
probbilitate la D.

Valoarea dispersiei de selecie
*
D conine o imprecizie (bias) care
conduce la subestimarea mprtierii la nivelul ntregii populaii. Astfel, chiar
dac lum n considerare un numr mare de eantioane extrase succesiv dintr-
o populaie, indicatorii mprtierii vor fi mai mici dect mprtierea real la
nvelul ntregii populaii. Corecia se face prin utilizarea la numitor a expresiei
1 n . In acest mod, cu ct eantionul este mai mic, cu att indicatorul
respectiv al mprtierii va fi influenat mai mult de expresia de la numitor.




VII.4. Metode de efectuare a unui sondaj


Am vzut c cercetarea unei variabile X se face prin intermediul unui
eantion constituit din uniti de sondaj a cror alegere se efecueaz dup
anumite metode pe care le vom prezenta n continuare.

a) Selecia repetat ( Sondaj cu ntoarcere) (non-exhaustiv)

In acest tip de selecie fiecare unitate de sondaj extras pentru a fi
cercetat este lsat n colectivitatea dup cercetare. Efectuarea sondajului
cu ntoarcere pentru n uniti de sondaj are ca schem probabilistic schema
bilei revenite a lui Bernoulli. Dac numrul unitilor de sondaj este N, atunci
se pot realiza un numr de
! n
N
n
selecii repetate astfel ca oricare dou
eantioane s difere cel puin prin natura unei uniti de sondaj. Sondajele cu
ntoarcere sunt echiprobabile, iar variabilele de selecie obinute sunt
independente.




94
Calculul erorilor pentru selecia repetat

Definiia VII.4.1. Se numete eroare de selecie abaterea care exist
ntre valorile calculate prin prelucrarea datelor din eantion i ceea ce s-ar fi
obinut dac s-ar fi organizat o observare a ntregii populaii i s-ar fi
prelucrat toate datele obinute.

Definiia VII.4.2. Eroarea standard a mediei este
n
E
m

= ,
unde este abaterea medie ptratic a eantionului, iar n este volumul
eantionului.

Observaie. Deoarece am extras un eantion de volum n dintr-o
populaie de volum N, nu putem fi siguri 100% n privina valorii adevrate a
mediei ntregii populaii. Cu toate acestea, dac eantionul este de volum
destul de mare ( 30 > n ) putem construi un interval de ncredere cu o
probabilitate ( )% 1 100 de garantare a rezultatelor.

Pentru ca probabilitatea cu care garantm rezultatele s fie
( )% 1 100 , eroarea maxim (limit )este
n
z m m
X

2 /
*
*
= = .
Intervalul de ncredere pentru medie desemneaz zona probabil n
interiorul creia se va plasa media populaiei totale:
*
*
m
m m <
* *
*
m m
m m < <
* *
* *
m m
m m m + < <
n
z m m
n
z m

2 /
*
2 /
*
+ < < ,
unde
2 /
z este argumentul funciei Gauss-Laplace i are valorile tabelate.
Intervalul
|
|

\
|
+
n
z m
n
z m

2 /
*
2 /
*
, va conine adevrata
valoare a mediei teoretice m, n ( )% 1 100 din cazuri.

Volumul eantionului

La organizarea unei cercetri prin sondaj, una din problemele foarte
importante este asigurarea reprezentativitii eantionului.Teoria i practica
95
au demonstrat c n acest scop trebuie respectate cu strictee urmtoarele
condiii:
- includerea n eantion a unitilor statistice n mod obiectiv, fr a
acorda prioritate unora n defavoarea altora;
- includerea fiecrei uniti statistice n eantion trebuie s se fac
independent de alte uniti;
- eantionul trebuie s fie suficient de mare astfel nct s permit
redarea trsturilor eseniale ale populaiei studiate, dar, n acelai
timp, trebuie s fie ct mai mic astfel nct s satisfac i criterii de
economicitate.
Pentru a determina volumul eantionului trebuie s ne concentrm atenia
asupra a 3 factori eseniali:
- nivelul de ncredere dorit;
- eroarea limit permis ;
- omogenitatea datelor.
Pentru a estima parametrul colectivitii generale cu o eroare maxim
*
m
cu
un nivel de ncredere 1 ( adic pentru a avea o probabilitate de garantare
a rezultatelor de ( )% 1 100 ) volumul n al eantionului se determin din
relaia
n
z
X

2 /
*
= i se obine
2
2
2 /
2

=

z
n .
Valoarea n astfel obinut va trebui rotunjit la un numr ntreg, prin adaus,
pentru a fi siguri c mrimea eantionului este suficient n scopul obinerii
preciziei dorite.


b) Selecia nerepetat ( Sondaj fr ntoarcere) (exhaustiv)


In acest tip de selecie fiecare unitate de sondaj extras pentru a fi
cercetat este ndeprtat din colectivitatea dup cercetare.Efectuarea
sondajului fr ntoarcere are drept schem probabilistic schema bilei
nerevenite. Dac notm cu N numrul de uniti statistice din colectivitatea
cercetat, atunci numrul eantioanelor distincte de volum n ce se pot
constitui este
n
N
C . Acestea sunt echiprobabile, iar variabilele de selecie
corespunztoare sunt independente.

Definiia VII.4.3. Eroarea standard a mediei este
1

=
N
n N
n
E
m

,
96
unde este abaterea medie ptratic a eantionului, iar n este volumul
eantionului.

Dac volumul N al populaiei este foarte mare, iar volumul n al
eantionului este redus, atunci 1
1

N
n N
. Astfel, se obine o eroare ce
coincide cu cea din selecia repetat.
Dac n N = , atunci 0 =
m
E , deci eroarea dispare. Acest lucru este de
altfel evident ntruct cercetarea parial s-a transformat ntr-o cercetare a
ntregii populaii, ceea ce nu mai genereaz erori care sunt specifice numai
lucrului cu eantioane.
In general, eroarea n cazul seleciei nerepetate este mai mic dect n
cazul seleciei repetate, deoarece, n acel caz, rentoarcerea repetat a
acelorai uniti n eantion nrutete reprezentativitatea.

Pentru ca probabilitatea cu care garantm rezultatele s fie
( )% 1 100 , eroarea maxim (limit )este
N
n
n
z
X
= 1
2 /
*

,
iar volumul eantionului este
N
z
z
n
m
2 2
2 / 2
2 2
2 /
*

+
= .



UNITATEA DE STUDIU VIII
ELEMENTE DE TEORIA ESTIMAIEI

VIII.1. Noiuni generale

In unele aplicaii ale statisticii matematice repartiia fenomenului
studiat este dat de o funcie cunoscut n care intr anumii parametri cu
valori necunoscute. Pentru aplicaii practice nu ne putem mulumi cu att, ci
trebuie s cunoatem repartiia exact, cu alte cuvinte trebuie s determinm
valorile numerice ale parametrilor. Determinarea acestora se face folosind
97
rezultatele a n experiene care ne conduc la valorile
n
x x x ,..., ,
2 1
pentru o
caracteristic X studiat .
Opraia prin care determinm valorile parametrilor se numete
estimarea parametrilor. Exist mai multe metode prin care se poate realiza
aceast estimare. Inainte ns de a le descrie vom introduce unele noiuni
legate de teoria estimaiei.
Se consider caracteristica X care urmeaz legea de probabilitate dat
prin funcia densitate de probabilitate ( ) , x f , unde este un parametru
necunoscutce urmeaz a fi estimat folosind datele de selecie
n 2 1
x ,..., x , x i
bazndu-ne pe rezultatele teoretice relative la variabilele de selecie
n 2 1
X ,..., X , X .

Definiia VIII.1.1. Se numete funcie de estimaie (punctual) sau
estimator al parametrului necunoscut funcia de selecie (statistica)
) X ,..., X , X (
n 2 1

= cu ajutorul creia se trag concluzii relative la .

DefiniiaVIII.1.2. Spunem c funcia de estimaie este estimator
consistent dac 0 , 1 ) ( P lim
n
> = <


,
adic

P
n 2 1
) X ,..., X , X ( ,
iar valoarea numeric ) x ,..., x , x (
n 2 1

se numete estimaie consistent


pentru .

Definiia VIII.1.3. Spunem c funcia de estimaie este estimator
absolut corect pentru dac =

) ( M i 0 ) ( D
2

cnd n , iar
valoarea numeric ) x ,..., x , x (
n 2 1

se numete estimaie absolut corect


pentru .

DefiniiaVIII.1.4. Spunem c funcia de estimaie este estimator
corect pentru dac =


) ( M lim
n
i 0 ) ( D lim
2
n
=


, iar valoarea
numeric ) x ,..., x , x (
n 2 1

se numete estimaie corect pentru .



Definiia VIII.1.5. Se numete distorsiunea (deplasarea)
estimatorului

diferena M(

) , iar dac distorsiunea este nul,


estimatorul

se numete nedeplasat.

98
Propoziia VIII.1.1. Dac ) X ,..., X , X (
n 2 1

= este un estimator
absolut corect pentru , atunci estimatorul este consistent.
Demonstraie. Din ipotez avem c = ) (
*
M i folosind
inegalitatea lui Cebev pentru
*
obinem ( )
2
* 2
*
) (
1



D
P < ,
pentru orice > 0.
Deoarece 0 ) ( lim
* 2
=

D
n
din inegalitatea lui Cebev se obine
( ) 1 lim
*
= <

P
n
, pentru orice > 0, deci
*
este un estimator consistent
pentru parametrul .

Propoziia VIII.1.2. Momentul de selecie k de ordin k este
estimator absolut corect pentru momentul teoretic ); (
k
k
X M =
Demonstraie. Avem c
k
k
n
i
k
n
i
k
n
i
k
i
n
i
k
i k
n
n
n
X M
n
X M
n
X
n
M M

= = = = = |

\
|
=

= = = = 1 1 1 1
1
) (
1
) (
1 1
) ( ,
respectiv
= = |

\
|
=

= =
n
i
k
i
n
i
k
i k
X D
n
X
n
D D
1
2
2
1
2 2
) (
1 1
) (
0
) ( ) (
) (
1
2
2
2
1
2
2
= = =

=
n
X D
n
X nD
X D
n
k k n
i
k
,
cnd n se obine c
k
este estimator absolut corect pentru
k
.

Propoziia VIII.1.3. Momentul centrat de selecie de ordin doi
2

este estimator corect pentru momentul centrat teoretic de ordin doi
) X ( D
2
2
= , adic pentru dispersia teoretic;
Demonstraie.Avem succesiv
) ( ) (
1 1
) (
1
) (
2 2
2
2
1
2
X D X D
n
n
n
n
X X
n
M M
n
k
k

= |

\
|
=

=

Cnd n , respectiv
0
) 3 )( 1 ( ) 1 (
) (
2
2
3
4
3
2
2
2

=
n
n n
n
n
D
cnd n i rezult c
2
este un estimator corect pentru
2
.

Propoziia VIII.1.4.Dispersia de selecie
2
este estimator absolut
corect pentru dispersia teoretic ) X ( D
2
.
99
Demonstraie.Folosind relaia
2
2
1

=
n
n
se obine
) ( ) (
1
1
) (
1 1
) (
2 2
2 2
2
X D X D
n
n
n
n
M
n
n
n
n
M M =

=
|

\
|

= ,
respectiv
0 ) (
1 1
) (
2
2
2
2
2 2 2

\
|

=
|

\
|

= D
n
n
n
n
D D ,
cnd n i deci
2
este un estimator absolut corect pentru dispersia
teoretic.

Definiia VIII.1.6. Numim cantitate de informaie relativ la
parametrul expresia:
I(
(
(

\
|


=
2
) , x ( f ln
M n ) .
Observaie. Se arat c estimatorul absolut corect

al lui verific
inegalitatea Rao-Cramer
) ( I
1
) ( D
2

.
Definiia VIII.1.7. Estimatorul

absolut corect pentru parametrul


se numete eficient dac
) ( I
1
) ( D
2

, iar raportul
) ( D
)] ( I [
) ( e
2
1

= se
numete eficiena estimatorului

.


VIII.2. Metoda verosimilitii maxime

Considerm o populaie n care se urmrete o caracteristic numeric
ce este o variabil aleatoare X avnd funcia densitate de probabilitatea
( ) , x f , unde este un parametru necunoscut.Pentru estimarea lui se
realizeaz o selecie n urma creia se obin valorile
n
x x x ,..., ,
2 1
.

Definiia VIII.2.1. Funcia
( ) ( ) ( ) ( ) , ... , , , ,..., ,
2 1 2 1 n n
x f x f x f x x x V = se numete funcie de
verosimilitate.

Definiia VIII.2.2. Spunem c o valoare
*
este un estimator pentru
parametrul dac realizeaz maximul funciei de verosimilitate.
Cu alte cuvinte, cea mai verosimil valoare a parametrului este
aceea pentru care funcia V are valoare maxim.
100
In concluzie, pentru a determina estimatorul parametrului necunoscut
se rezolv ecuaia
0 =

V
.
Observaie. Funcia V are valoare maxim dac i numai dac funcia
V ln are valoare maxim.
Drept urmare, estimatorul cutat este soluie i pentru ecuaia
( )
0
ln
=

V
.
Algoritm de determinare a estimatorului.
1. Se construiete funcia de verosimilitate
( ) ( ) ( ) ( ) , ... , , , ,..., ,
2 1 2 1 n n
x f x f x f x x x V = .
2. Se calculeaz ( ) , ,..., , ln
2 1 n
x x x V .
3. Se calculeaz
( )

, ,..., ,
2 1 n
x x x V
.
4. Se rezolv ecuaia
( )
0
, ,..., ,
2 1
=


n
x x x V
.
Generalizare.Dac funcia densitate de probabilitate f depinde de n
parametri necunoscui
n
,..., ,
2 1
, adic ( )
n
x f f ,..., , ,
2 1
= , atunci
funcia de verosimilitate este
( ) ( ) ( ) ( )
n n n n n n
x f x f x f x x x V ,..., , , ... ,..., , , ,..., , , ,..., , , ,..., ,
2 1 2 1 2 2 1 1 2 1 2 1
=
Pentru a gsi estimatorii parametrilor necunoscui se rezolv sistemul:

, 0
0
0
2
1
n
V
V
V

M

sau, sistemul echivalent
( )
( )
( )

. 0
ln
0
ln
0
ln
2
1
n
V
V
V

M


101

Exemplu.S se determine estimatorii de verosimilitate maxim pentru
valoarile mediei i abaterei standard dac se consider caracteristica X, care
urmeaz legea normal N(m, ).
Soluie. Avem c
M(X) = m i = ) X ( , f(x; m,
2
2
2
) m x (
e
2
1
)


= .
Pentru a scrie sistemul de verosimilitate maxim avem:
ln f(x; m, ) = - ln
2
2
2
) m x (
ln 2

,
de unde
2
m x
m
) , m ; x ( f ln


, iar
3
2
) m x ( 1 ) , m ; x ( f ln

=


.
Se obine:

= = =
=

n
k
n
k
n
k
k
k k
m X
m X
m
m X f
m
V
1 1 1
2 2
) (
1 ) , ; ( ln ln


i

= = =
+ =

+ =

n
k
k
n
k
n
k
k k
m X
m X m X f V
1
2 2
1 1
3 3
2
] ) ( [
1
]
) ( 1
[
) , ; ( ln ln

.
Obinem sistemul

= +
=


=
=
0 ] ) m X ( [
0 ) m X (
n
1 k
2
k
2
n
1 k
k

Care conduce la soluia

= =
= =

2
1
2
1
) (
1
1

n
k
k
n
k
k
X X
n
X X
n
m
.



VIII.3. Metoda momentelor

Aceast metod const n estimarea parametrilor necunoscui din
condiiile ca momentele teoretice ale variabilei aleatoare X, cu funcia
densitate de probabilitate ( )
n
x f f ,..., , ,
2 1
= , s fie egale cu momentele
de selecie de acelai ordin.
Momentul teoretic de ordin k este
102
( ) ( )

+

= dx x f x X M
n
k
k
,..., , ,
2 1

Momentul de selecie de ordin k este
( )
n
x
X M
n
i
k
i
k

=
=
1 *
.
Din egalitatea ( ) ( ) X M X M
k k
*
= , n k , 1 = se obine un sistem din care
se gsesc estimatorii parametrilor
n
,..., ,
2 1
.

Exemplu. Se consider caracteristica X, care urmeaz legea gamma
de parametrii a>b>0 necunoscui. Vom estima aceti parametri, folosind
metoda momentelor, pe baza datelor
n 2 1
x ,..., x , x de selecie.
Soluie.Funcia densitate de probabilitate a caracteristicii X este:

>

0 x daca , 0
0 x daca , e x
b ) a (
1
) b , a ; x ( f
b
x
1 a
a
,
unde este funcia lui Euler de spea a doua, adic


=
0
x 1 a
dx e x ) a ( .
n cazul de fa este vorba de doi parametri, deci sistemul de ecuaii este
format din dou ecuaii, anume
1
1 = i
2
2 = .
Vom calcula momentul teoretic iniial
k
de ordin k:



+
+ + = =

= = a k a k a b dx e x
b a
dx b a x f x
k
b
x
k a
a
k
k
)... 2 )( 1 ( ...
) (
1
) , ; (
0
1

.
Rezult sistemul:

+ =
=
) 1 (
2
2
1
a a b
ab



care are soluia
1
2
1 2
2
1 2
2
1
,

=

b a ,
care reprezint estimatorii pentru parametrii a i b.








103
VIII.4. Metoda intervalelor de ncredere


Fie caracteristica X care are funcia de probabilitate ( ) , x f , unde
este parametrul necunoscut. Metoda const n determinarea a dou funcii de
selecie n , 1 i ), X ,..., X , X (
n 2 1 i i
= = astfel nct P(
2 1
< < ) = 1- ,
unde nu depinde de i poart numele de probabilitate de risc, iar 1-
se numete probabilitate de ncredere. Intervalul aleator ( ) ,
2 1
poart
numele de interval de ncredere pentru parametrul .


Algoritm de determinare a intervalului de ncredere.
1.Se caut determinarea unei statistici ) ; X ,..., X , X ( Z Z
n 2 1 n n
= a crei lege
de probabilitate s fie cunoscut i s nu depind de .
2. Se determin apoi un interval numeric ( ) z , z
2 1
astfel nct P(
2 n 1
z Z z < < )
= 1- .
3. Din
2 n 1
z Z z < < se exprim inegalitatea
2 1
< < i de aici intervalul
( ) ,
2 1
este determinat.

Observaie. Intervalul este cu att mai bun cu ct are lungimea mai
mic i cu ct 1- este mai mare.

Aplicaii
1. Interval de ncredere pentru valoarea medie teoretic dac
dispersia teoretic este cunoscut.
Soluie.Se consider caracteristica X care urmeaz legea normal
N(m, ) cu m R necunoscut i 0 > cunoscut. Vom determina un interval
de ncredere pentru m cu o probabilitate de ncredere 1- dat i cunoscnd
datele de selecie
n 2 1
x ,..., x , x , respectiv variabilele de selecie
n 2 1
X ,..., X , X
corespunztoare.
Considerm statistica
n
m X
Z
n

= , unde

=
=
n
1 k
k
X
n
1
X , care urmeaz legea
normal N(0,1) ce nu depinde de parametrul necunoscut m. Deci putem
determina intervalul ( ) z , z
2 1
astfel nct P( ) z Z z
2 n 1
< < = 1- adic
= 1 ) z ( ) z (
1 2
,

=
x
0
2
t
dt e
2
1
) x (
2
este funcia lui Laplace i care
are valorile tabelate. Intervalul are lungime minim cnd este simetric fa de
104
origine adic
2
1 1 2
z z z

= = . Rezult c
2
1
) z (
2
1

=

i folosind
tabelele de valori pentru funcia Laplace gsim
2
1
z

.
Am obinut P( = <

<

1 ) z
n
m X
z
2
1
2
1
, adic
P( ) z
n
X m z
n
X
2
1
2
1


+ < <

= 1- .
Deci intervalul de ncredere pentru media teoretic m este ( ) m , m
2 1
, unde
2
1 1
z
n
X m

= i
2
1 2
z
n
X m

+ = , iar

=
=
n
1 k
k
X
n
1
X .
Observaie. Cnd X nu urmeaz legea normal, dar volumul seleciei este
mare (n>30) i se cunoate 0 ) X ( > = atunci statistica
n
Z =
n
m X

,
unde m=M(X) este necunoscut, este aproximativ repartizat normal N(0,1).
Deci se poate considera pentru m acelai interval de ncredere obinut mai
sus.

2. Interval de ncredere pentru valoarea medie teoretic dac
dispersia teoretic este necunoscut.
Soluie.Fie caracteristica X ce urmeaz legea normal N(m, ) cu
m=M(X) parametru necunoscut i 0 ) X ( D
2
> = necunoscut.
Considerm statistica
n
m X
T

= , unde

=
=
n
1 k
k
X
n
1
X i

=
n
1 k
2
k
2
) X X (
1 n
1
care urmeaz legea Student cu n-1 grade de libertate.
Determinm intervalul (
2 1
t , t ) cu P( ) t T t
2 1
< < = 1- , adic
=

1 ) t ( F ) t ( F
1 1 n 2 1 n
, unde

+

+

=
x
2
1 n
2
n
ds )
n
s
1 (
)
2
n
( n
)
2
1 n
(
) x ( F este
funcia de repartiie a legii Student cu n grade de libertate i care are valorile
105
tabelate, iar ) x ( F 1 ) x ( F
n n
= . Deci
1
2
1 , 1 n
2
t t t = =


se determin astfel
nct
2
1 ) t ( F
2
1 , 1 n
1 n

=

,
apoi putem scrie
= <

<


1 ) t
n
m X
t ( P
2
1 , 1 n
2
1 , 1 n

sau



= + < <

1 ) (
2
1 , 1
2
1 , 1 n n
t
n
X m t
n
X P .
Adic, intervalul de ncredere pentru m este ) m , m (
2 1
unde
2
1 , 1
1


=
n
t
n
X m i
2
1 , 1
2


+ =
n
t
n
X m .
3. Intervalul de ncredere pentru diferena mediilor a dou populaii
Soluie. Fie dou populaii
1
i
2
la care se analizeaz aceeai
caracteristic i care pentru
1
este
1
X ce urmeaz legea normal N( ) , m
1 1
,
iar pentru
2
este
2
X ce urmeaz legea normal N ) , m (
2 2
. Vom determina
un interval de ncredere pentru diferena mediilor
2 1
m m cu probabilitatea
de ncredere 1- folosind datele de selecie
1
n 1 12 11
x ,..., x , x relativ la
caracteristica
1
X , respectiv
2
n 2 22 21
x ,..., x , x relativ la caracteristica
2
X .
a) Presupunem abaterile standard ( ) ,
2 1
cunoscute. Statistica
2
2
2
1
2
1
2 1 2 1
n n
) m m ( ) X X (
Z


=
,
unde , X
n
1
X , X
n
1
X
2 1
n
1 k
k 2
2
2
n
1 k
k 1
1
1
= =
= = urmeaz legea normal N(0,1). Se
determin intervalul ( ) z , z
2 1
astfel nct P( ) z Z z
2 1
< < = 1- la fel ca n
aplicaia 1.
Avem
= <


<

1 ) z
n n
) m m ( ) X X (
z ( P
2
1
2
2
2
1
2
1
2 1 2 1
2
1

sau
106
) ) ( ) ((
2
2
2
1
2
1
2
1
2 1 2 1
2
2
2
1
2
1
2
1
2 1
n n
z X X m m
n n
z X X P


+ + < < +


adic intervalul de ncredere pentru
2 1
m m este (A,B) unde
A = (
2
2
2
1
2
1
2
1
2 1
n n
z ) X X

+

i B =
2
2
2
1
2
1
2
1
2 1
n n
z ) X X (

+

.
b) Presupunem abaterile standard = =
2 1
necunoscute. Considerm
statistica
2 1
2 1
2
2 2
2
1 1
2 1 2 1
n
1
n
1
2 n n
) 1 n ( ) 1 n (
) m m ( ) X X (
T
+
+

+

= ,
unde
1
X i
2
X sunt mediile de selecie definite anterior, iar
2
1
i
2
2
dispersiile de selecie

=
1
n
1 k
2
1 k 1
1
2
1
) X X (
1 n
1
i

=
2
n
1 k
2
2 k 2
2
2
2
) X X (
1 n
1
, care urmeaz legea Student cu n = 2 n n
2 1
+
grade de libertate. La fel ca n aplicaia 2. se determin intervalul ) t , t (
2 1

astfel nct = < < 1 ) t T t ( P
2 1
adic
= <
+
+
+

<

1 ) t
n
1
n
1
2 n n
) 1 n ( ) 1 n (
) m m ( ) X X (
t ( P
2
1 , n
2 1
2 1
2
2 2
2
1 1
2 1 2 1
2
1 , n
.
Rezult intervalul de ncredere (A,B) pentru
2 1
m m unde
A = S t ) X X (
2
1 , n
2 1

i S t ) X X ( B
2
1 , n
2 1
+ =


cu
2 n n
n
1
n
1
] ) 1 n ( ) 1 n [( S
2 1
2 1
2
2 2
2
1 1
2
+
+
+ = .
4. Intervalul de ncredere pentru dispersia teoretic
Soluie. Fie caracteristica X ce urmeaz legea normal N(m, ).
Considerm statistica
2
2
2
) 1 n (
H


= unde

=
n
1 k
2
k
2
) X X (
1 n
1
, iar

=
=
n
1 k
k
X
n
1
X , ce urmeaz legea
2
cu n-1 grade de libertate. Pentru
probabilitatea de ncredere 1- se poate determina intervalul ( ) h , h
2
2
2
1
,
astfel nct
= < < 1 ) h H h ( P
2
2
2
2
1
.
107
2
2
, 1 n
2
1
h h

= se determin din relaia


2
) h ( F
2
1 1 n

=

i
2
2
1 , 1 n
2
2
h h


= se determin din relaia
2
1 ) h ( F
2
2 1 n

=

, unde ) x ( F
n
este
funcia de repartiie a legii
2
cu n grade de libertate

=
x
0
2
t
1
2
n
2
n
n
dt e t
)
2
n
( 2
1
) x ( F care are valorile tabelate.
Obinem


= <

< 1 )
) 1 (
(
2
2
2
2
2
1
h
n
h P
sau
=

< <

1 )
h
) 1 n (
h
) 1 n (
( P
2
1
2
2
2
2
2
,
adic s-a obinut intervalul de ncredere ( ) ,
2
2
2
1
pentru
2
, unde
2
2
1 , 1 n
2
2
1
h
) 1 n (



= i
2
2
, 1 n
2
2
2
h
) 1 n (


= , iar intervalul de ncredere pentru
abaterea standard este ) , (
2 1
.


UNITATEA DE STUDIU IX
VERIFICAREA IPOTEZELOR STATISTICE

IX.1. Noiuni generale

Definiia IX.1.1. Se numete ipotez statistic presupunerea care se
face cu privire la parametrul unei repartiii sau la legea de repartiie pe care o
urmeaz anumite variabile aleatoare.

Definiia IX.1.2. Procedeul de verificare a unei ipoteze statistice se
numete test.

Definiia IX.1.3. Ipoteza statistic ce urmeaz a fi testat se numete
ipotez nul i se noteaz cu
0
H . Respingerea ipotezei nule implic
acceptarea unei alte ipoteze, numit ipotez alternativ (sau ipotez
admisibil) , notat cu
1
H .
108

Definiia IX.1.4. Regiunea critic reprezint valorile numerice ale
tesului statistic pentru care ipoteza nul va fi respins.

Definiia IX.1.5. Eroarea pe care o facem eliminnd o ipotez nul,
dei ea este adevrat se numete eroare de genul I.
Probabilitatea de a realiza o astfel de eroare reprezint riscul de genul
I ( sau riscul furnizorului) , se noteaz cu i se umete nivel de
semnificaie (sau prag de semnificaie).

Definiia IX.1.6. Nivelul de ncredere al unui test statistic este
1 , iar procentul ( )% 1 100 este probabilitatea de garantare a
rezultatelor.

Definiia IX.1.7. Eroarea pe care o facem acceptnd o ipotez nul,
dei ea este fals , se numete eroare de genul al II-lea, iar probabilitatea
comiterii unei astfel de erori se noteaz cu i reprezint riscul
beneficiarului. Valoarea 1 se numete puterea testului statistic.

Fie X o caracteristic pentru care funcia densitate de probabilitate
este ( ) , x f , unde este un parametru necunoscut.
Presupunem c aparine unei mulimi A. Aceasta este ipoteza nul:
A H :
0
.
Aceast presupunere poate fi adevrat sau fals. De aceea trebuie verificat.
Pentru aceasta considerm i ipoteza alternativ
1 1
: A H .
Pentru a verifica ipoteza nul
0
H se efecueaz o selecie:
n
X X X ,..., ,
2 1
.
Regiunea critic este o mulime
n
R U cu proprietatea c
( ) ( ) =
0 2 1
,..., , H U x x x P
n
i ( ) ( ) =
1 2 1
,..., , H U x x x P
n

Dac ( ) U x x x
n
,..., ,
2 1
, atunci
0
H se respinge.
Dac ( ) U x x x
n
,..., ,
2 1
, atunci
0
H se admite.

Observaie. Nu exist o metod general de construire a regiunii
critice U. Se cnosc ns clase de probleme pentru care s-au construit astfel de
regiuni criice i corespunztor lor, avem diferite teste de verificare a
ipotezelor statistice.





109
IX.2. Testul Z

Se consider caracteristica X, ce urmeaz legea normal ) , ( m N ,
unde R m este necunoscut, iar 0 > este cunoscut.
Relativ la media teoretic ) (X M m = facem ipoteza nul
0 0
: m m H = , cu alternativa
0 1
: m m H .
Pentru verificarea ipotezei nule
0
H cu alternativa precizat mai
nainte, considerm o selecie repetat de volum n i nivelul de semnificaie
) 1 , 0 ( . Fie datele de selecie
n
x x x , , ,
2 1
K i corespunztor variabilele de
selecie
n
X X X , , ,
2 1
K . Dac se consider statistica
n
m X
Z

= , unde

=
=
n
k
k
X
n
X
1
1
,
care urmeaz legea normal ) 1 , 0 ( N . Prin urmare, pentru ) 1 , 0 ( , putem
determina intervalul numeric ) , (
2
1
2
1


z z astfel nct


= < <

1 ) (
2
1
2
1
z Z z P .
ntr-adevr, avem c


= = = < <

1 ) ( 2 ) ( ) ( ) (
2
1
2
1
2
1
2
1
2
1
z z z z Z z P ,
aadar, se ia
2
1

z astfel nct
2
1
) (
2
1


=

z .
Se definete regiunea critic
n
R U ,

=

) , ( ) , , (
2
1
2
1
0
2 1

z z
n
m u
R u u u U
n
n
K ,
unde

=
=
n
k
k
u
n
u
1
1
.
n acest fel am obinut c
= ) ) , , , ((
0 2 1
H U X X X P
n
K
=
|
|
|
|

\
|
|
|

\
|

=

0
2
1
2
1
0
, H z z
n
m u
P


110


=
|
|

\
|
|
|

\
|
=

0
2
1
2
1
, H z z Z P .
Prin urmare, am determinat regiunea critic U, astfel nct s fie satisfcut
relaia = ) ) , , , ((
0 2 1
H U X X X P
n
K .
Folosind regiunea critic U, vom respinge ipoteza nul
0 0
: m m H = ,
dac U x x x
n
) , , , (
2 1
K , adic dac ) , (
2
1
2
1
0


= z z
n
m x
z i o admitem
dac U x x x
n
) , , , (
2 1
K , adic ) , (
2
1
2
1
0


= z z
n
m x
z .

Observaie. Se vede c regiunea critic U corespunde mulimii
complementare a intervalului numeric ) , (
2
1
2
1


z z . Din acest motiv, n cele
ce urmeaz, nu vom pune n eviden, de fiecare dat, regiunea critic U, ci
numai intervalul numeric cruia i aparine statistica utilizat pentru obinerea
acestei regiuni.

Observaie. Testul Z se poate folosi i pentru caracteristica X ce nu
urmeaz legea normal, cnd volumul n al seleciei este mare ) 30 ( > n ,
avnd n vedere c statistica Z urmeaz aproximativ legea normal ) 1 , 0 ( N ,
unde ) (X M m = i ) (
2
X D = .

Etapele aplicrii testului Z.
1
o
Se dau: ; ; , , ;
0 2 1
m m x x x
n
= K ;
2
o
Se determin
2
1

z astfel nct
2
1
) (
2
1


=

z ;
3
0
Se calculeaz
n
m x
z

= , unde

=
=
n
k
k
x
n
x
1
1
;
4
0
Concluzii: dac
2
1

< z z , ipoteza
0
H este admis, n caz contrar
ipoteza este respins.

Observaie. Deoarece ipoteza alternativ este
0 1
: m m H , testul
prezentat este testul Z bilateral. Dac ipoteza alternativ este
0 1
: m m H < , se
111
obine n mod analog testul Z unilateral stnga, respectiv pentru ipoteza
alterantiv
0 1
: m m H > , se obine testul Z unilateral dreapta.
De exemplu, pentru testul Z unilateral dreapta, intervalul numeric
pentru statistica Z devine ) , (
1
z , unde
1
z este determinat astfel nct

=

2
1
) (
1
z , iar regiunea critic U se modific n mod corespunztor,
adic

=

) ) , , (
1
0
2 1

z
n
m u
R u u u U
n
n
K .


IX.3. Testul T (Student)

Se consider caracteristica X ce urmeaz legea normal ) , ( m N cu
parametrii R X M m = ) ( i 0 > necunoscui. Relativ la aceast
caracteristic se face ipoteza nul
0 0
: m m H = cu ipoteza alternativ
0 1
: m m H .
Pentru verificarea acestei ipoteze se consider o selecie repetat de
volum n, cu datele de selecie
n
x x x , , ,
2 1
K i corespunztor variabilele de
selecie
n
X X X , , ,
2 1
K .
Construim statistica
1
2

=
n
m X
n
m X
T

, unde, dup cum se tie

=
=
n
k
k
X
n
X
1
1
,
2
1
2
2
1
) (
1
1

=

=
n
n
X X
n
n
k
k
, care urmeaz legea
Student cu n-1 grade de libertate.
Prin urmare, pentru nivelul de semnificaie ) 1 , 0 ( dat, se poate
determina intervalul numeric ) , (
2
1 , 1
2
1 , 1

n n
t t astfel nct


= < <

1 ) (
2
1 , 1
2
1 , 1 n n
t T t P .
Anume,
2
1 , 1

n
t se determin astfel ca
2
1
2
1 , 1
1

=
|
|

\
|

n
n
t F , unde
112

|
|

\
|
+
|

\
|

\
| +

=
t
m
m
R t dx
m
x
m
m
m
t F , 1
2
2
1
) (
2
1
2

,
este funcia de repartiie pentru legea Student cu m grade de libertate
(tabelat n Anexa II, pentru anumite valori).
Complementarea intervalului numeric, astfel determinat, ne definete
regiunea critic
n
R U . Astfel, avem c

=

) ) , , (
2
1 , 1
0
2 1

n
u
n
n
t
n
m u
R u u u U K ,
unde

=
=
n
k
k
u
n
u
1
1
, respectiv

=
n
k
k u
u u
n
1
2
2
) (
1
1
.

Etapele aplicrii testului T.
1
o
Se dau:
0 2 1
; , , ; m m x x x
n
= K ;
2
o
Se determin
2
1 , 1

n
t astfel nct
2
1
2
1 , 1
1

=
|
|

\
|

n
n
t F ;
3
0
Se calculeaz
n
m x
t

= , unde

=
=
n
k
k
x
n
x
1
1
,

=
n
k
k
x x
n
1
2
2
) (
1
1
;
4
0
Concluzii: dac
2
1 , 1


<
n
t t , ipoteza
0 0
: m m H = este admis, n
caz contrar ipoteza este respins.

Observaie. Deoarece ipoteza alternativ este
0 1
: m m H , testul
prezentat este testul T bilateral. Dac ipoteza alternativ este
0 1
: m m H < , se
obine n mod analog testul T unilateral stnga, respectiv pentru ipoteza
alterantiv
0 1
: m m H > , se obine testul T unilateral dreapta.
Cnd numrul gradelor de libertate tinde spre infinit, conform
teoremei limit central, avem c legea Student converge n repartiie la legea
normal ) 1 , 0 ( N .
Prin urmare, dac volumul n al seleciei este mare ) 30 ( > n , se poate
utiliza testul Z pentru verificarea ipotezei nule
0 0
: m m H = , prin utilizarea
113
statisticii T n loc de statistica Z. Toate rezultatele de la testul Z rmn,
aadar, adevrate n acest caz.


IX.4. Teste pentru compararea a dou medii

Se consider dou populaii independente ' C i ' ' C cercetate din
punct de vedere al aceleiai caracteristici. Aceast caracteristic este ' X
pentru ' C i urmeaz legea normal ) ' , ' ( m N i respectiv ' ' X pentru ' ' C i
urmeaz legea normal ) ' ' , ' ' ( m N .
Relativ la mediile teoretice ale celor dou caracteristici independente
se face ipoteza nul ' ' ' :
0
m m H = cu alternativa ' ' ' :
1
m m H .
Pentru aceasta se consider cte o selecie repetat de volum ' n i
respectiv ' ' n din cele dou populaii. Notm datele de selecie prin
'
'
'
2
'
1
, , ,
n
x x x K i respectiv
' '
' '
' '
2
' '
1
, , ,
n
x x x K , i variabilele de selecie
'
'
'
2
'
1
, , ,
n
X X X K , respectiv
' '
' '
' '
2
' '
1
, , ,
n
X X X K .
Reamintim notaiile

=
=
'
1
'
'
'
1
n
k
k
X
n
X
,

=
'
1
2
'
'
2
'
) (
1 '
1
n
k
k
X X
n
,

=
=
' '
1
' '
' '
' '
1
n
k
k
X
n
X ,

=
' '
1
2
' '
' '
2
' '
) (
1 ' '
1
n
k
k
X X
n
,
pentru mediile de selecie i respectiv dispersiile de selecie.
Distingem n cele ce urmeaz trei cazuri, n funcie de anumite
informaii ce le cunoatem relativ la dispersiile teoretice.

a). Testul Z (dac dispersiile
2
' i
2
' ' sunt cunoscute). n acest
caz se consider statistica
( ) ( )
' '
' '
'
'
' ' '
2 2
' ' '
n n
m m X X
Z

+

= , care urmeaz legea
normal ) 1 , 0 ( N . Se aplic prin urmare testul Z pentru compararea celor dou
medii teoretice.
Pentru nivelul de semnificaie ) 1 , 0 ( dat se determin intervalul
numeric ) , (
2
1
2
1


z z , astfel nct

= < <

1 ) (
2
1
2
1
z Z z P . Stabilirea
acestui interval se obine din relaia
2
1
) (
2
1


=

z , unde ) (x este funcia
lui Laplace i care este tabelat.
.
Etapele aplicarii testului
114
1
o
Se dau:
' '
' '
' '
2
' '
1
'
'
'
2
'
1
, , , ; , , , ;
n n
x x x x x x K K ;
2
o
Se determin
2
1

z astfel nct
2
1
) (
2
1


=

z ;
3
0
Se calculeaz
' '
' '
'
'
2 2
' ' '
n n
x x
z

+

= , unde

=
=
'
1
'
'
'
1
n
k
k
x
n
x , i

=
=
' '
1
' '
' '
' '
1
n
k
k
x
n
x ;
4
0
Concluzii: dac
2
1

< z z , ipoteza ' ' ' m m = este admis, n caz


contrar ipoteza este respins.

b). Testul T (dac dispersiile
2
' i
2
' ' sunt necunoscute i
2 2 2
' ' ' = = ). Se consider statistica
( ) ( )
' '
1
'
1
2 ' ' '
' ' ) 1 ' ' ( ' ) 1 ' (
' ' '
2 2
' ' '
n n
n n
n n
m m X X
T
+
+
+

=

, care urmeaz legea
Student cu 2 ' ' ' + = n n n grade de libertate.
n acest caz se va aplica testul T. Pentru nivelul de semnificaie
) 1 , 0 ( dat se poate determina intervalul numeric ) , (
2
1 ,
2
1 ,

n n
t t , astfel
nct
2
1 ) (
2
1 ,
2
1 ,


= < <
n n
t T t P . Pentru aceasta se folosete relaia
2
1
2
1 ,

=
|
|

\
|
n
n
t F , unde ) (x F
n
este funcia de repartiie de la legea Student
cu n grade de libertate i care este tabelat

Etapele aplicarii testului
1
o
Se dau:
' '
' '
' '
2
' '
1
'
'
'
2
'
1
, , , ; , , , ;
n n
x x x x x x K K ; 2 ' ' ' + = n n n ;
2
o
Se determin
2
1 ,

n
t astfel nct
2
1
2
1 ,

=
|
|

\
|
n
n
t F ;
115
3
0
Se calculeaz
' '
1
'
1
2 ' ' '
' ' ) 1 ' ' ( ' ) 1 ' (
2 2
' ' '
n n
n n
n n
x x
t
+
+
+

=

, unde

=
=
'
1
'
'
'
1
n
k
k
x
n
x ,

=
'
1
2
'
'
2
'
) (
1 '
1
n
k
k
x x
n
,

=
=
' '
1
' '
' '
' '
1
n
k
k
x
n
x ,

=
' '
1
2
' '
' '
2
' '
) (
1 ' '
1
n
k
k
x x
n
;
4
0
Concluzii: dac
2
1 ,

<
n
t t , ipoteza ' ' ' m m = este admis, n caz
contrar ipoteza este respins.

c) Testul T (dac dispersiile
2
' i
2
' ' sunt necunoscute i
diferite). Se va considera statistica
( ) ( )
' '
' '
'
'
' ' '
2 2
' ' '
n n
m m X X
T

+

=
,
care urmeaz legea Student cu n grade de libertate. Numrul n al gradelor de
libertate se calculeaz cu formula
1 ' '
) 1 (
1 '
1
2 2

=
n
c
n
c
n
, unde
|
|

\
|
+ =
' '
' '
'
'
'
'
2 2 2
n n n
c

.
S-a ajuns la testul T, care pentru nivelul de semnificaie ) 1 , 0 ( dat,
conduce la intervalul numeric ) , (
2
1 ,
2
1 ,

n n
t t , astfel nct


= < <

1 ) (
2
1 ,
2
1 , n n
t T t P .
Pentru aceasta se folosete relaia
2
1
2
1 ,

=
|
|

\
|
n
n
t F , unde ) (x F
n
este
funcia de repartiie de la legea Student cu n grade de libertate i care este
tabelat.

Etapele aplicrii testului
1
o
Se dau:
' '
' '
' '
2
' '
1
'
'
'
2
'
1
, , , ; , , , ;
n n
x x x x x x K K ;
2
o
Se calculeaz

=
=
'
1
'
'
'
1
n
k
k
x
n
x ,

=
'
1
2
'
'
2
'
) (
1 '
1
n
k
k
x x
n
,
116

=
=
' '
1
' '
' '
' '
1
n
k
k
x
n
x ,

=
' '
1
2
' '
' '
2
' '
) (
1 ' '
1
n
k
k
x x
n
,
de unde
|
|

\
|
+ =
' '
' '
'
'
'
'
2 2 2
n n n
c

;
3
0
Se determin n astfel nct
1 ' '
) 1 (
1 '
1
2 2

=
n
c
n
c
n
;
4
o
Se determin
2
1 ,

n
t astfel nct
2
1
2
1 ,

=
|
|

\
|
n
n
t F ;
5
0
Se calculeaz
' '
' '
'
'
2 2
' ' '
n n
x x
t

+

= ;
6
0
Concluzii: dac
2
1 ,

<
n
t t , atunci ipoteza ' ' ' m m = este admis, n
caz contrar ipoteza este respins.



IX.5. Testul
2
(hi-ptrat) pentru dispersie


Fie caracteristica X ce urmeaz legea normal ) , ( m N , unde
dispersia teoretic ) (
2 2
X D = este necunoscut i R m de asemenea
necunoscut.
Relativ la dispersia teoretic se face ipoteza nul
2
0
2
0
: = H cu
ipoteza alternativ
2
0
2
1
: H .
Pentru verificarea ipotezei nule
0
H cu alternativa
1
H se consider o
selecie repetat de volum n, cu datele de selecie
n
x x x , , ,
2 1
K i
corespunztor variabilele de selecie
n
X X X , , ,
2 1
K .
Statistica
2
2
1
2
2
2
) 1 (
) (
1


= =

=
n
x X H
n
k
k
, urmeaz legea
2
cu
1 n grade de libertate.
Pentru un nivel de semnificaie ) 1 , 0 ( dat, se poate determina un
interval numeric ) , (
2
2
1 , 1
2
2
, 1

n n
h h astfel nct


= < <

1 ) (
2
2
1 , 1
2 2
2
, 1 n n
h H h P .
Extremitile acestui interval numeric se determin din relaiile
117
2
2
2
, 1
1

=
|
|

\
|

n
n
h F i
2
1
2
2
1 , 1
1

=
|
|

\
|

n
n
h F ,
unde ) (x F
m
este funcia de repartiie pentru legea
2
cu m grade de
libertate, adic

>
|

\
|

=

x t m
m
m
x dt e t
m
x F
0
2
1
2
2
0 ,
2
2
1
) ( , fiind tabelat pentru
anumite valori n Anexa III.
Cu ajutorul intervalului numeric ) , (
2
2
1 , 1
2
2
, 1

n n
h h astfel determinat,
regiunea critic va fi dat de complementarea acestui interval, adic

=

=

) , ( ) (
1
) , , (
2
2
1 , 1
2
2
, 1
1
2
2
0
2 1

n n
n
k
k
n
n
h h u u R u u u U K ,
unde

=
=
n
k
k
u
n
u
1
1
.
Etapele aplicrii testului
2

1
o
Se dau: ; ; , , ;
0 2 1
=
n
x x x K ;
2
o
Se determin intervalul ) , (
2
2
1 , 1
2
2
, 1

n n
h h astfel nct
2
2
2
, 1
1

=
|
|

\
|

n
n
h F i
2
1
2
2
1 , 1
1

=
|
|

\
|

n
n
h F ;

3
0
Se calculeaz

=
=
n
k
k
x x h
1
2
2
0
2
) (
1

, unde

=
=
n
k
k
x
n
x
1
1
;

4
0
Concluzii: dac ) , (
2
2
1 , 1
2
2
, 1
2

n n
h h h , ipoteza
0
H este admis, n
caz contrar este respins.


IX.6. Testul F (Snedecor-Fisher)

Se consider dou populaii independente ' C i ' ' C cercetate din
punct de vedere al aceleai caracteristici. Aceast caracteristic este ' X
pentru ' C i urmeaz legea normal ) ' , ' ( m N i respectiv ' ' X pentru ' ' C i
urmeaz legea normal ) ' ' , ' ' ( m N .
Relativ la dispersiile teoretice ale celor dou caracteristici se face
ipoteza nul
2 2
0
' ' ' : = H cu alternativa
2 2
1
' ' ' : H .
118
Pentru verificarea ipotezei nule
0
H se efectueaz cte o selecie
repetat de volum respectiv ' n i ' ' n din cele dou populaii ' C i ' ' C .
Notm datele de selecie prin
'
'
'
2
'
1
, , ,
n
x x x K i respectiv
' '
' '
' '
2
' '
1
, , ,
n
x x x K , i
variabilele de selecie
'
'
'
2
'
1
, , ,
n
X X X K , respectiv
' '
' '
' '
2
' '
1
, , ,
n
X X X K .
Cu notaiile

=
'
1
2
'
'
2
'
) (
1 '
1
n
k
k
X X
n
,

=
=
'
1
'
'
'
1
n
k
k
X
n
X ,

=
' '
1
2
' '
' '
2
' '
) (
1 ' '
1
n
k
k
X X
n
,

=
=
' '
1
' '
' '
' '
1
n
k
k
X
n
X ,
avem c statistica
2
2
2
2
' '
' '
'
'

= F , urmeaz legea Snedecor-Fisher cu


1 ' = n m i 1 ' ' = n n grade de libertate. Prin urmare, statistica F are funcia
de repartiie, pentru 0 > x , dat prin

+

|

\
|
+
|

\
|

\
|

\
| +

\
|
=
x
n m n m
n m
dt t
n
m
t
n m
n m
n
m
x F
0
2
1
2 2
,
1
2 2
2
) ( .
Pentru un nivel de semnificaie ) 1 , 0 ( fixat se poate determina
intervalul numeric ) , (
2
1 , ,
2
, ,

n m n m
f f , astfel nct


= < <

1 ) (
2
1 , ,
2
, , n m n m
f F f P .
Extremitile acestui interval se determin din relaiile
2
2
, ,
,

=
|
|

\
|
n m
n m
f F i
2
1
2
1 , ,
,

=
|
|

\
|
n m
n m
f F .
Deoarece are loc relaia

=
1 , ,
, ,
1
m n
n m
f
f , tabelele pentru funcia
) (
,
x F
n m
sunt, de regul, ntocmite numai pentru valori mari ale lui (0,95,
0,975, 0,99,..) i pentru 1 > F .
Dac 1 < F , intervalul numeric pentru F este dat prin
|
|
|

\
|
=

2
, ,
2
1 , ,
2
1 , ,
2
, ,
1
,
1
) , (


m n m n
n m n m
f f
f f .
Etapele aplicrii testului F
1
o
Se dau: ; , , , ; , , , ; 1 ' ' ; 1 ' ;
' '
' '
' '
2
' '
1
'
'
'
2
'
1 n n
x x x x x x n n n m K K = = ;
2
o
Se determin intervalul ) , (
2
1 , ,
2
, ,

n m n m
f f astfel nct
119
2
2
, ,
,

=
|
|

\
|
n m
n m
f F i
2
1
2
1 , ,
,

=
|
|

\
|
n m
n m
f F ;

3
0
Se calculeaz
2
2
' '
'

= f , unde

=
'
1
2
'
'
2
'
) (
1 '
1
n
k
k
x x
n
,

=
=
'
1
'
'
'
1
n
k
k
x
n
x ,

=
' '
1
2
' '
' '
2
' '
) (
1 ' '
1
n
k
k
x x
n
,

=
=
' '
1
' '
' '
' '
1
n
k
k
x
n
x .

4
0
Concluzii: dac ) , (
2
1 , ,
2
, ,

n m n m
f f f , atunci ipoteza
2 2
' ' ' = este
admis, n caz contrar este respins.


IX.7. Testul de concordan
2


Fie caracteristica X, care are funcia de repartiie teoretic F. Ipoteza
statistic nul ce o facem relativ la caracteristica X este
) , , ; ( :
2 1 0 0 s
x F F H K = ,
unde
s
K , ,
2 1
sunt parametri necunoscui.
Pentru a verifica aceast ipotez statistic, la nceput, folosind datele
de selecie
n
x x x K , ,
2 1
, se estimeaz prin metoda verosimilitii
maxime parametrii
s
K , ,
2 1
. Fie estimaiile de verosimilitate maxim
pentru aceti parametri, respectiv
s

2 1
K . Prin urmare, ipoteza nul
devine )

; ( :
2 1 0 0 s
x F F H K = .
Se efectueaz apoi gruparea datelor de selecie
n
x x x K , ,
2 1
,
obinndu-se distribuia empiric de selecie
|
|

\
|
N
N
f f f
x x x
X
K
K
2 1
' '
2
'
1
. Pentru
clasa
'
i
x , dat de intervalul | )
i i
a a ,
1
avem c
) ( ) ( ) (
1 1
= < =
i i i i i
a F a F a X a P p , N i , 1 = , probabiliti
necunoscute, deoarece funcia de repartiie teoretic F este necunoscut.
Din ipoteza nul
0
H se poate calcula probabilitatea
)

, ,

, ( )

, ,

; ( ) | (
2 1 1 2 1 0 1 s i s i i i i
a F a F F F a X a P p K K

= = < =
.
120
n acest fel ipoteza nul
0
H , fcut asupra funciei de repartiie, se poate
rescrie n N i p p H
i i
, 1 , :
0
= = , cu ipoteza alternativ
0 1
: H H fals.
Valoarea numeric
( )

=
N
i i
i i
p n
p n f
h
1
2
2

este valoarea unei variabile


aleatoare
2
H ce urmeaz legea de probabilitate
2
cu 1 = s N k grade de
libertate.
Aadar, pentru probabilitatea de risc se consider intervalul de
ncredere ( )
2
1 ,
, 0
k
h pentru
2
H , definit prin relaia

= <

1 ) (
2
1 ,
2
k
h H P , adic

1 ) (
2
1 , k k
h F .
Aici funcia ) (x F
k
este funcia de repartiie pentru legea
2
cu numrul
gradelor de libertate 1 = s N k i care este tabelat
.

Etapele aplicrii testului
2
.
1
o
Se consider: ) , , ; ( , , , ,
2 1 0 2 1 s n
x F F x x x K K = ;
2
o
Se determin estimaiile de verosimilitate maxim
s

2 1
K ;
3
0
Se determin distribuia empiric de selecie
N i
i
i
f
x
X
, 1
'
=
|
|

\
|
;
4
o
Se calculeaz probabilitile
)

, ,

, ( )

, ,

; ( ) | (
2 1 1 0 2 1 0 0 1 s i s i i i i
a F a F F F a X a P p K K

= = < =
, N i , 1 = ;
5
0
Se calculeaz ) 1 (
2
1 ,
=

s N k h
k
astfel nct

1 ) (
2
1 , k k
h F ;
6
0
Se calculeaz
( )

=
N
i i
i i
p n
p n f
h
1
2
2

;
7
0
Concluzii: dac
2
1 ,
2

<
k
h h , ipoteza statistic
0
F F = este admis,
n caz contrar ipoteza este respins.

Observaie. Testul de concordan
2
nu este aplicabil dac exist
i
p n mai mici dect 5, caz n care se cere o regrupare a datelor de selecie.







121
IX.8. Testul de concordan al lui Kolmogorov


Fie caracteristica X de tip continuu, avnd funcia de repartiie
teoretic F. Dac ) (x Fn este funcia de repartiie de selecie, avem c
( ) ) ( lim x K x d n P
n
n
= <

,
unde
) ( ) ( sup x F x F d n
R x
n
=

,
iar

=
2 2
2
) 1 ( ) (
x k k
e x K este funcia lui Kolmogorov i este tabelat.
Se face ipoteza nul
0
H c X urmeaz legea de probabilitate dat de
funcia de repartiie
0
F . Dac ipoteza nul este adevrat, pentru
probabilitatea de risc , se poate determina valoarea
1
x astfel nct

1 ) (
1
x K .
Astfel, avem ( )

= <

1
1
x d n P
n
sau

=
|
|

\
|
<

1
1
n
x
d P
n
.
Aadar, dac valoarea calculat a lui
n
d pentru datele de selecie, satisface
inegalitatea

<
1
x d n
n
, vom admite ipoteza nul, n caz contrar o
respingem.

Etapele aplicrii testului Kolmogorov.
1
o
Se consider: , distribuia empiric de selecie
N i
i
i
f
x
X
, 1
'
=
|
|

\
|
,
funcia de repartiie
0
F , ) (
2 1 N
f f f n + + + = K ;
2
o
Se calculeaz
1
x astfel nct

1 ) (
1
x K ;
3
0
Se calculeaz ) ( ) ( max
0
, 1
i i
n
N i
n
a F a F d =
=
, unde
2
1
'
i i
i
a a
x
+
=

;
4
o
Concluzii: dac

<
1
x d n
n
, ipoteza nul este admis, n caz
contrar ipoteza este respins.







122
UNITATEA DE STUDIU X

REGRESIE I CORELAIE


X.1. Noiuni generale

In practic, populaiile depind de dou sau chiar mai multe
caracteristici. In plus, variabilele economice, fenomenele sociale, n general
nu evolueaz independent, ci sunt n legtur cu alte fenomene (variabile) .
Astfel, utiliznd cunotinele privind nivelul unei anumite variabile se poate
prognoza nivelul unei alte variabile cu care se afl n relaie de dependen.
Studierea legturii dintre fenomene se realizeaz utiliznd regresia i
corelaia.
Regresia descrie modul n care o variabil dependent evolueaz n
funcie de modificarea uneia sau a mai multor variabile independente
(cauzale).
Scopul regresiei este acela de a gsi funcii matematice care s descrie
ct mai bine legturile dintre variabile. Astfel de funcii sunt de forma
( ) e x x x f y
n i
+ = ,..., ,
2 1
,
unde:
i
y este variabila dependent ( sau variabil efect, sau variabil
rezultativ),
i
x sunt variabile independente (sau cauze, sau variabile
factoriale), iar e este variabila eroare (sau reziduu, sau eroare de modelare)
ce reprezint influena acelor factori omii n calcule.
Corelaia stabilete gradul n care o variabil este dependent de alte
variabile.
Termenii de regresie i corelaie au fost mprumutai din biometrie i
sunt atribuii lui Galton. Acesta a studiat legtura dintre nlimea copiilor i
nlimea prinilor acestora. Concluzia a fost c din prini foarte nali se
nasc copii mai mici de nlime, iar din prini foarte scunzi se nasc copii mai
nali. Cu alte cuvinte are loc o regresie spre valoarea medie. Dac nu s-ar
ntmpla astfel, din prini nali s-ar fi ajuns la copii din ce n ce mai nali,
iar din prini scunzi, s-ar fi ajuns la copii tot mai scunzi. Lumea s-ar fi
confruntat astfel cu situaii de gigantism sau piticism.


X.2. Metode elementare de caracterizare a legturilor dintre variabile

a) Metoda seriilor statistice paralele interdependente

123
Aceast metod const n compararea termenilor a dou serii
interdependente ( )
n i i
x X
, 1 =
i ( )
n i i
y Y
, 1 =
, unde X este variabila independent,
iar Y cea dependent.
X:
n
x x x ,..., , ,
2 1

Y:
n
y y y ,..., , ,
2 1

Se evideniaz existena i direcia legturii dintre cele dou variabile, dup
cum urmeaz:
dac valorile ambelor variabile variaz n acelai sens, atunci exist o
legtur direct ntre variabile;
dac valorile variabilelor variaz n sens diferit , atunci exist o
legtur invers ntre variabile;
dac valorile variabilelor variaz independent, sau, n timp ce valorile
uneia din variabile variaz, valorile celeilalte variabile rmn
constante, atunci nu exist legtur ntre variabile.

Observaie. Aceast metod se aplic n cazul unui numr mic de
valori ale variabilelor.

b) Metoda tabelului de corelaie

Aceast metod const n gruparea unitilor unei populaii simultan
dup ambele variabile X i Y.

1
y
2
y
..
p
y
1
x
11
n
12
n
..
p
n
1

2
x
21
n
22
n

p
n
2

M M M M
k
x
1 k
n
2 k
n
.
kp
n
In funcie de modul de distribuie a frecvenelor
ij
n n acest tabel se
poate aprecia existena, direcia, precum i intensitatea legturii dintre cele
dou variabile:
dac valorile
ij
n sunt dispersate relativ uniform pe toat suprfaa
tabelului, atunci nu exist legtur ntre cele dou variabile;
cu ct valorile
ij
n se concentreaz mai mult n jurul diagonalelor
tabelului cu att legtura este mai intens (n jurul diagonalei
principale \: legtur invers; In jurul diagonalei secundare /:
legtur direct).

c) Metoda grafic

124
Graficul se construiete pornind de la perechile de valori observate
( )
i i
y x , care se reprezint ntr-un sistem de coordonate ortogonal. Pe axa
absciselor se reprezint valorile
i
x ale variabilei independente X, iar pe axa
ordonatelor se reprezint valorile
i
y ale variabilei dependente. Graficul
obinut se numete corelogram sau diagram de mprtiere.
Dac punctele sunt dispersate la ntmplare n plan, atunci ntre cele
dou variabile nu exist legtur semnificativ. In acest caz putem
considera c punctele se grupeaz n jurul unei drepte paralele cu axa
absciselor.
Dac punctele se grupeaz n jurul unei drepte care nu este paralel cu
axa absciselor, atunci ntre cele dou variabile exist legturi directe, sau
inverse.





X.3. Modelul de regresie liniar


Prin acest model se exprim legtura dintre dou variabile printr-o
relaie de forma
e X Y + + = ,
unde Y este variabila dependent, X este variabila independent, iar e este
eroarea ce nsumeaz influenele asupra lui Y ale variabilelor neincluse n
model.
Ecuaia e x y + + = se numete ecuaie de regresie, iar panta
acestei drepte, , este coeficientul de regresie.
Semnul lui indic direcia legturii dintre ele dou variabile, dup
cum urmeaz:
dac 0 > , exist legtur direct ntre variabile;
dac 0 = , nu exist legtur ntre variabile;
dac 0 < , exist legtur invers ntre variabile.
In ecuaia de regresie ns, parametrii i sunt necunoscui, iar
determinarea lor la nivelul ntregii populaii statistice este imposibil de
realizat. De acea se impune o estimare a parametrilor.
Considerm a i b cei doi estimatori ai parametrilor necunoscui
i , calculai la nivelul unui eantion de volum n . Ecuaia de regresie la
nivelul eaantionului este
i x
bx a y
i
+ = .
Ecuaia de regresie la nivelul ntregii populaii este
125
i x i
e y y
i
+ = .
Vom determin estimatorii din condiia ca
i i i
bx a y e = s fie minim,
condiie ce implic i faptul c suma

=
=
n
i
i
e S
1
2
este minim. Numim aceast
metod, metoda celor mai mici ptrate.
Pentru ca S s fie minim trebuie ndeplinite urmtoarele condiii:
i) Derivatele pariale de ordin I ale lui S n raport cu a i b s fie nule:

0
0
b
S
a
S
.
Acest sistem este echivalent cu

= +
= +


= = =
= =
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
y x x b x a
y x b na
1 1
2
1
1 1
.

Soluia acestui sistem este
. ,
1
2
1
1
1 1
1
1
2
1
1
1
2
1
1 1








= =
=
= =
=
= =
=
= =
= =
= =
n
i
i
n
i
i
n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i i
n
i
i
n
i
i
x x
x n
y x x
y n
b
x x
x n
x y x
x y
a

ii) Matricea derivatelor pariale de ordinul al II-lea s fie pozitiv definit,
adic determinantul matricei
|
|
|
|

\
|

=
2
2 2
2
2
2
b
S
a b
S
b a
S
a
S
A
s fie pozitiv, ceea ce este echivalent cu condiia
0
2
1 1
2
> |

\
|
|

\
|

= =
n
i
i
n
i
i
x x n .
Observaie. Dac se studiaz legtura ntre dou variabile folosind
date grupate ntr-un tabel de corelaie, sistemul de mai sus devine
126

= +
= +


= = = =
= = = =
.
1 1 1
2
1
1 1 1 1
k
i
k
i
p
j
ij j i i i
k
i
i i
k
i
p
j
p
j
j j
k
i
i i ij
n y x n x b n x a
n y n x b n a



X.4. Modele de regresie neliniar

Model de regresie de tip parabolic.

Ecuaia de regresie este de forma
e cx bx a y + + + =
2
.
Pentru o estimare a parametrilor utiliznd un eantion de volum n se rezolv
sistemul:

= + +
= + +
= + +



= = = =
= = = =
= = =
n
i
n
i
i
n
i
i i i
n
i
i
n
i
i
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i
n
i
i
y x x c x b x a
y x x c x b x a
y x c x b na
1 1 1
2 4 3
1
2
1 1
3
1
2
1
1 1
2
1
.


Model de regresie de tip hiperbolic.

Ecuaia de regresie este de forma
e
x
b
a y + + = .
Pentru o estimare a parametrilor utiliznd un eantion de volum n se rezolv
urmtorul sistem:

= +
= +


= = =
= =
n
i
n
i
n
i i
i
i
i
n
i
n
i
i
i
x
y
x
b
x
a
y
x
b an
1 1 1
2
1 1
1 1
1
.

Model de regresie de tip exponenial.

Ecuaia de regresie este de forma
x
b a y = .
Pentru orice eantion, ecuaia se poate liniariza prin logaritmare:
b x a y ln ln ln + = .
127
Estimarea parametrilor se face rezolvnd urmtorul sistem:

= +
= +


= = =
= =
. ln ln ln
ln ln ln
1 1
2
1
1 1
n
i
i i
n
i
i
n
i
i
n
i
i
n
i
i
y x x b x a
y x b a n



X.5. Msurarea intensitii legturii dintre variabile


Pentru a msura ct de puternic este legtura dintre variabile se
utilizeaz diferii indicatori.

Covariana.

Presupunem c avem o populaie statistic de volum N i dou
caracteristici X i Y cu valorile ( )
N i i
x
, 1 =
i, respectiv ( )
N i i
y
, 1 =
i valorile
medii x i respectiv y .
Covariana este un indicator care indic direcia legturii dintre cele
dou variabile X i Y, dar nu i intensitatea ei. Se definete prin expresia
( )
( )( )
N
y y x x
Y X Cov
i
N
i
i

=

=1
, .
dac ( ) 0 , > Y X Cov , atunci exist legtur direct ntre
variabile;
dac ( ) 0 , < Y X Cov , atunci exist legtur invers ntre
variabile;
dac ( ) 0 , = Y X Cov , atunci nu exist legtur ntre variabile.

Coeficientul de corelaie.
Presupunem c avem o populaie statistic de volum N i dou
caracteristici X i Y cu valorile ( )
N i i
x
, 1 =
i, respectiv ( )
N i i
y
, 1 =
, valorile
medii x i respectiv y i abaterile medii ptratice
X
i respectiv
Y
.
Coeficientul de corelaie se definete prin urmtorul raport:
( )
( )
( )( )
( ) ( )

= =
=


= =
N
i
i
N
i
i
i
N
i
i
Y X
y y x x
y y x x
Y X Cov
Y X
1
2
1
2
1
,
,

.
128
Acest coeficient ia valori n intervalul | | 1 , 1 , semnul su indic direcia
legturii, iar valoarea lui indic intensitatea acestei legturi.
dac ( ) 0 , > Y X , exist legtur direct ntre variabile;
dac ( ) 0 , < Y X , exist legtur invers ntre variabile;
dac ( ) 0 , = Y X , nu exist legtur ntre variabile;
dac ( ) 1 , Y X , atunci legtura dintre variabile este una
puternic;
dac ( ) 0 , Y X , atunci legtura dintre variabile este foarte
slab.
O formul simplificat pentru coeficientul de corelaie este
urmtoarea:
( )
(
(

\
|
|

\
|
(
(

\
|
|

\
|

=


= = = =
= = =
2
1 1
2
2
1 1
2
1 1 1
,
N
i
i
N
i
i
N
i
i
N
i
i
N
i
N
i
i i
N
i
i i
y y n x x n
y x y x n
Y X .

Coeficientul de asociere
Se folosete pentru msurarea intensitii legturii statistice
dintre dou caracteristici nenumerice alternative. Datele necesare
calculului se grupeaz ntr-un tabel de asociere:

1
y
2
y
1
x
11
n
12
n
2
x
21
n
22
n
De exemplu, dac studiem asocierea dintre nlimea i
greutatea unui grup de persoane, n cazul unei corelaii perfect
pozitive, toate persoanele nalte trebuie s aib greutate mare, iar cele
scunde, greutate mic. In acest caz, frecvenele vor fi predominante n
valorile
11
n i
22
n .
In cazul unei corelaii negative, toate persoanele nalte au
greutate mic, iar cele scunde , greutate mare. Acum frecvenele se
vor concentra n
12
n i
21
n .
In cazul lipsei de corelaie ntre variabile, frecvenele se
distribuie uniform n tabel.
Msurarea gradului de asociere dintre dou variabile se face
cu ajutorul coeficientului de asociere al lui Yule:
21 12 22 11
21 12 22 11
n n n n
n n n n
C
as
+

= .
129
Acesta este un coeficient adimensional, cu valori n intervalul
| | 1 , 1 . Cu ct valoarea sa este mai aproape de 1, cu att asocierea
dintre variabile este mai puternic.


Autoevaluare prin aplicaii

1. Un grup de oameni este intrebat care sunt tarile de provenienta ale
masinilor utilizate. In tabelul frecventelor se cere sa se completeze
coloanele libere.

tara Frecvent
a
absoluta
Frecvent
a relativa
Frecvente
absolute
cumulate
crescator
Frecvente
absolute
cumulate
descrescator
Frecvente
relative
cumulate
crescator
Frecvent
relative
cumulate
descrescator
Romania 6
SUA 2
Japonia 3
Germani
a
5
Italia 4
Total

2. Adancimea lacului Bicaz a fost masurata in puncte diferite (in metri)
si rezultatele sunt urmatoarele:
15,4 16,7 16,9 17,0 20,2 25,3 28,8 29,1 30,4 34,5 36,7 39,1
39,4 39,6 39,8 40,1 42,3 43,5 45,6 45,9 48,3 48,5 48,7 49,0
49,1 49,3 49,5 50,1
50,2 52,3
Intocmiti un tabel al frecventelor.

3. La teza la matematica elevii dintr-o clasa au obtinut notele: 7, 4, 5, 5,
6, 8, 6, 5, 7, 9, 3, 4, 5, 6, 6, 5, 4, 5, 5, 7, 8, 6, 8, 6, 7, 7, 6, 10, 9, 6
a. Prezentati situatia notelor printr-o serie statistica;
b. Completati tabelul frecventelor
c. Trasati diagrama cu bastonase corespunzatoare seriei
d. Se repartizeaza notele in urmatoarele clase: 3-4; 5-6; 7-8; 9-10.
Precizati noua serie statistica ce se formeaza si trasati-i diagrama prin
coloane.

4. Se considera urmatoarea serie statistica reprezentand repartitia a 200
de familii dupa numarul de copii

130
Numar de copii Frecventa
0 65
1 60
2 29
3 32
4 8
5 6
a. Completati tabelul frecventelor
b. Construiti diagrama seriei

5. 80 de mijloace de transport au fost distribuite dupa distantele parcurse
intr-o perioada de timp astfel

Distanta (in Km) Numar de mijloace
[85,90) 3
[90,95) 15
[95,100) 20
[100,105) 23
[105,110) 14
[110,115) 5
a) Reprezentati histograma seriei statistice
b) Construiti poligonul de frecvente al seriei.

6. Din cei 200 de absolventi ai unui liceu, 50 candideaza la ASE, 30 la
Facultatea de Drept, 20 la Politehnica, 10 la Facultatea de Medicina,
40 la scoli postliceale, iar restul doresc sa se angajeze.
a. Construiti tabelul frecventelor
b. Reprezentati repartitia absolventilor printr-o diagrama circulara.

7. Echipa Steaua a avut pe teren la ultimul meci 11 jucatori cu
urmatoarele varste:
Varsta 18 20 21 22 25 27 33 35
Nr.
fotbalisti
1 3 1 1 2 1 1 1
Care a fost media de varsta a echipei Steaua in acest meci?

8. Pretul benzinei intre 1989 si 1997 a evoluat astfel:
Anul 1989 1990 1991 1992 1993 1994 1995 1996 1997
Pretul
(lei)
15 25 30 30 330 450 1000 1500 2900
Care este indicele mediu de crestere a pretului?

131
9. Doua grupe de studenti, cu efective de 25 si respectiv 32 de persoane,
au susinut un test de cultura generala. Prima grupa a obtinut media 7,8,
iar a doua 8,4. Sa se gaseasca nota medie pe ansamblul celor doua grupe.

10. Se cunosc urmatoarele date
Intervale de salarii Nr. angajati
1,25-2 87
2-2,75 170
2,75-3,50 115
3,50-4,25 32
4,25-5,00 18
5,00-5,75 10
5,75-6,50 3
Total 375
Sa se calculeze salariul median si modal.

11. La o banca se analizeaza distributia debitorilor dupa situatia zilelor de
intarziere a rambursarii creditelor, astfel :

Intervale de variatie a numarului de
zile de intarziere a platii
Numar debitori
10-20 120
20-30 85
30-40 37
40-50 16
50-60 7
60-70 2
Sa se determine valoarea mediana.

12. In tabelul de mai jos sunt date referitoare la numarul de copii in
familie in generatia actuala si numarul de copii din generatia parentala
intr-un sat X:
Numar de copii Numar de familii din
generatia actuala
Numar de familii din
generatia parentala
1 18 6
2 66 14
3 46 34
4 21 36
5 12 30
6 22 26
7 7 15
8 6 17
132
9 2 13
10 0 5
11 0 1
12 0 1
13 0 0
14 0 0
15 0 1
16 0 1
Se cere:
a. Modul, mediana si media pentru fiecare serie in parte.
b. Diagrama cu coloane a fiecarei serii.

13.S-a analizat continutul de vitamina B6 in 12 loturi de biscuiti ce
pretind a contine aceasta vitamina. Rezultatele obtinute in miliechivalenti
pe kg sunt cuprinse in tabelul de mai jos

Continut vitamina B6 Nr. loturi
0,10 2
0,15 1
0,20 4
0,25 2
0,30 1
0,35 2

Sa se calculeze media, dispersia, abaterea medie patratica, mediana si
modul.

14. Dintr-un lot de 10000 de sticle de ulei de jumatate de litru s-a masurat
continutul la 100 din sticle luate la intamplare si s-au obtinut datele din
tabelul de mai jos:


Clase in ml frecventa
492-493 3
493-494 3
494-495 3
495-496 2
496-497 4
497-498 6
498-499 13
499-500 17
500-501 20
501-502 9
133
502-503 5
503-504 4
504-505 3
505-506 2
506-507 2
507-508 2
508-509 2
Se cere:
a. Sa se traseze histograma seriei si poligonul frecventelor
b. Sa se calculeze modul si mediana

15.Fie seria statistica
Numar
piese
28 31 33 35 38 43
Numar
muncitori
16 25 20 30 28 21
a. Care este media numarului de piese executate de un muncitor?
b. Sa se calculeze abaterea medie patratica si coeficientul de variatie al
serie

16.La teza la matematica pe semestrul I la clasa a X-a A s-au obtinut
notele:
Nota 5 6 7 8 9 10
Nr. elevi 2 5 5 5 5 2
In clasa a X-a B s-au obtinut urmatoarele note:
Nota 4 5 6 7 8 9 10
Nr.
elevi
1 2 4 2 7 8 0
a. Care clasa este mai buna?
b. Care clasa este mai omogena ?
c. Intocmiti diagramele cu coloane ale celor doua serii.

17.La proba de 100m plat a unui concurs de atletism s-au obtinut
urmatoarele rezultate:
Timp
realizat
11,8-
12,2
12,2-
12,6
12,6-
13,0
13,0-
13,4
13,4-
13,8
13,8-
14,2
14,2-
14,6
14,6-
15,0
Nr.
concurenti
2 34 134 252 212 104 23 54
a. Reprezentati histograma seriei si poligonul frecventelor
b. Determinati modul si mediana seriei
c. Determinati valoarea medie a seriei , abaterea medie liniara, dipersia,
abaterea medie patratica si coeficientul de variatie.

134
18.Un controlor de trafic a urmrit lungimile cozilor la un anumit
semafor. A numrat mainile care s-au oprit i ateapt la semafor pn la
apariia culorii verzi n 90 de perioade diferite.
Nr.
maini
0 1 2 3 4 5 6 7 8 9
Nr.
perioade
3 9 12 15 15 15 11 8 2 0
Calculai media i variana.

19.In tabelul urmtor au fost trecute distanele ( n km.) de la birou i
pn la locuin ale unui grup de lucrtori n administraia unui ora.

Distana(km) [0,1) [1,2) [2,3) [3,4) [4,5) [5,6) [6,7)
Nr. lucrtori 5 21 24 15 20 13 2
a. Calculai distana medie ntre domiciliu i locul de munc.
b. Calculai valoarea modal i mediana acestei serii statistice.
c. Construii histograma seriei.

20.Se msoar diametrele a 400 de platani tineri dintr-un parc. Se obin
urmtoarele rezultate :
Diametru(cm) 25 26 27 28 29 30
Procentaj 10% 15% 30% 35% 5% 5%

a. Ci arbori s-au gsit cu un diametru mai mare sau egal cu 27 cm ?
b. Care este diametrul mediu al trunchiurilor platanilor din parc ?
c. Determinai variana.
d. Gsii valoarea modal a seriei statistice, iar apoi mediana seriei.
e. Realizai diagrama cu coloane, iar apoi diagrama circular
corespunztoare seriei statistice.

21.Intr-un magazin se comercializeaz 2 tipuri de pungi cu cartofi prjii
provenind de la 2 firme diferite. S-au ales la ntmplare 10 pungi din
fiecare tip, s-au cntrit i s-au notat greutile (n grame) :
Tip I
Greutate(grame) 158 159 160 161 162
Nr. pungi 1 2 4 2 1
Tip II
Greutate(grame) 157 158 159 160 161 162 163
Nr. pungi 2 1 1 1 2 2 1
a. Calculai greutatea medie a unei pungi de cartofi produs d firma I ,
respectiv II.
b. Comparai abaterile medii ptratice corespunztoare celor 2 serii
statistice i interpretai rezultatul.
135
22..Se consider un eantion de 20 de clieni, care intr ntr-un
magazin alimentar, pentru a cerceta frecvena X cu care clienii fac apel la
serviciile magazinului de-a lungul unei sptmni i respectiv pentru
cercetarea cheltuielilor lunare Y n mii lei, ale clienilor pentru procurarea de
bunuri alimentare. S-au obinut urmtoarele date de selecie pentru X i
respectiv Y
X: 1, 2, 1, 4, 3, 2, 5, 6, 1, 2, 3, 2, 3, 4, 6, 2, 4, 3, 1, 2;
Y: 89, 90, 101, 88, 85, 77, 102, 100, 86, 97, 76, 121, 113, 110, 96, 92,
108, 112, 103, 109.
Se cere:
a) distribuiile empirice de selecie pentru fiecare din caracteristicile
X i Y,
b) mediile de selecie, momentele centrate de selecie de ordinul al
doilea i dispersiile de selecie pentru caracteristicile X i Y,

23. La un control de calitate se verific diametrul pieselor prelucrate
de un strung. Pentru realizarea acestui control s-a considerat o selecie de 18
piese i s-a obinut c diametrul X al pieselor are urmtoarele dimensiuni (n
cm):

Diametrul (n
cm)
3,98 3,99 4,00 4,01 4,02
Numr de piese 4 3 5 3 3

S se determine:
a) o estimaie absolut corect pentru diametrul mediu al pieselor
realizate,
b) o estimaie corect i una absolut corect pentru dispersia
diametrelor fa de diametrul mediu.

3. . Fie caracteristica X, care are distribuia empiric de selecie:
X :
|
|

\
|
1 2 4 2 4 2
50 , 40 25 , 40 00 , 40 75 , 39 50 , 39 25 , 39
.
Se cere media de selecie i dispersia de selecie.


24. n urma unei selecii de volum n = 100, privind caracteristica X
s-au obinut urmtoarele date de selecie:
x
I
10,50 10,55 10,60 10,65 10,70 10,75 10,80
f
I
10 12 16 21 18 14 9
136
Se cere:
a) o estimaie absolut corect pentru media teoretic m = M(X);
b) o estimaie corect i una absolut corect pentru dispersia
teoretic .
Metoda verosimilitatii maxime
25. Pentru o selecie de volum n dintr-o distribuie exponenial
( )

<

=

0 , 0
0 ,
,
t
t e
t f
t


cu parametrul , s se gseasc un estimator pentru .
26. Fie o selecie de volum n dintr-o populaie cu distribuia gamma
( )
( )
( )

<


=

0 , 0
0 ,
! 1
1
,
1
t
t
r
e t
t f
t r

.Gsii un estimator pentru .
27. Presupunem c populaia are distribuia Poisson (cazul evenimentelor
rare). Funcia de probabilitate este
!
) , (
x
e x f
x


= , n x ,..., 2 , 1 , 0 = . S se
estimeze parametrul .
28. Pe baza unei selecii de volum n , s se estimeze parametrii m i din
repartiia normal :
( )
( )
2
2
1
; ,
2
x m
f x m e

(

= , R x , 0 > .
Metoda momentelor
29..Fie variabila aleatoare cu densitatea de repartiie
( )
( )
1
1
, ,
x
x x e

pentru 0, > 0. x > Se cere o metod de a estima


pe prin selecii.

30. Fie o selecie de volum n dintr-o populaie cu distribuia gamma
( )
( )
( )

<


=

0 , 0
0 ,
! 1
1
,
1
t
t
r
e t
t f
t r

.
Gsii un estimator pentru prin metoda momentelor.

31. Densitatea de probabilitate a unei variabile aleatoare X are forma:
2 , [0, ]
( ; , , ) .
0, [0, ]
a bx x c
f x a b c
x c

=


137
Rezultatele unei selecii de volum 3 n = dau pentru X valorile:
1 2 3
{ , , } { 1, 0,1}. x x x = S se estimeze parametrii , , a b c prin metoda
momentelor.

32. Durata de funcionare a unui bec electric, pn cnd se arde, se presupune
uniform distribuit cu parametrii a i : b
1
,
( ) .
0, [ , ]
a x b
f x
b a
x a b


Se face o selecie de 5 becuri i se noteaz cu
1 2 3 4 5
, , , , x x x x x timpii de
funcionare ai acestora pn cnd se ard. Determinai estimatori pentru a i
b prin metoda momentelor.



33.Pe baza unui sondaj efectuat aleator pe n=51 de studenti s-au inregistrat
diferite caracteristici. Prelucrand datele referitoare la doua dintre aceste
caracteristici s-au obtinut urmatoarele rezultate:

Culoarea ochilor
deschisa inchisa

Deschis 17 6 23 Culoarea
parului Inchis 9 19 28
26 25 51

Sa se determine coeficientul de asociere intre cele doua caracteristici.

34.Sa se stabileasca legatura dintre distributia populatiei pe medii si sexe in
judetul Bacau la 1 iulie 2000
M F Total
Urban 185 193 378
Rural 186 182 368


35.Consideram ca in conditiile cresterii intr-o anumita perioada a veniturilor
cu 15%, cererea in cazul a 3 produse a inregistrat urmatoarea modificare:
produsul A- o crestere cu 25%; produsul B o crestere cu 5%; produsul C- o
crestere cu 15%.
Sa se determine elasticitatea cererii in functie de venit.

36.Patronul unei firme ce vinde autoturisme presupune ca relatia dintre
numarul de autoturisme (Y) vandute intr-o zi si numarul de vanzatori ce
138
lucreaza in salonul de prezentare si in sectorul publicitate (X) poate fi
modelata printr-o linie dreapta. Datele culese pentru 5 zile sunt:
x
i
6 6 4 2 3
y
i
20 18 10 6 11

b. Sa se scrie ecuatia dreptei de regresie.
c. Sa se determine coeficientul de corelatie.

37.Pentru a caracteriza dependenta dintre cheltuielile pentru reparatii si
vechimea utilajelor unei intreprinderi s-au inregistrat cele 2 caracteristici
pentru 8 utilaje de acelasi tip:
cheltuieli
reparatii(mii
lei)
14 13 16 15 12 17 15 17
Vechime
(ani)
8 5 10 7 6 10 9 11

b. Sa se scrie ecuatia dreptei de regresie.
c. Sa se determine coeficientul de corelatie.

38.Considerand datele din tabelul de mai jos sa se estimeze parametrii
modelului de regresie corespunzator

Cantitate ingrasaminte (X) Productia medie de grau /ha
1 10
2 15
3 20
4 30
5 40

39.Se considera caracteristicile:
II- reprezentand in provente suprafata comerciala de expunere a
marfurilor spre vanzare fata de suprafata construita
Y- reprezentand volumul valoric al vanzarilor, raportat la metro Patras
suprafata de prezentare a marfurilor pe luna in mii lei.
Sunt cunoscute urmatoarele date de selectie:
X 10 12 15 17 26
Y 40 45 42 53 60

b. Sa se determine dreapta de regresie a lui Y fata de X
c. Sa se determine coeficientul de corelatie a variabilelor X si Y.
d. Cu ajutorul dreptei de regresie sa se faca prognoza volumului valoric
al vanzarilor Y cand X ia valoarea 30.

139
40. Intr.-un sezon un bun material care are pret variabil oscileaza intre 8-
16 mii lei /kg si este cumparat in cantitati variate intre 0-100 kg zilnic.
Cercetand cumpararile si preturile in timpul a 40 de zile, au fost obtinute
urmatoarele date:
8-10 10-12 12-14 14-16
80-100 1 0 0 0
60-80 3 5 1 0
40-60 2 3 6 1
20-40 1 1 7 2
0-20 0 1 3 3
Sa se studieze corelatia si regresia


TESTE DE AUTOEVALUARE

TEST 1
1. U magazin de articole pentru femei, situat n centrul unui mare ora,
dorete s-i deschid o filial ntr-o zon periferic. Pentru a obine
informaii despre distribuia geografic a clienilor prezeni, managerul
magazinului organizeaz o anchet n care fiecare client dintr-o zi este
ntrebat unde locuiete, raportat la cele 4 cadrane ale oraului: nord-vest(NV),
nord-est (NE), sud-vest (SV), sud-est (SE). Clienii din afara oraului sunt
exclui din anchet. Rezultatul anchetei se prezint astfel:
Clientu
l
zon
a
Clientu
l
zon
a
clientu
l
zon
a
clientu
l
zon
a
clientu
l
zon
a
1 NV 7 NE 13 SV 19 NV 25 SV
2 SE 8 SV 14 NV 20 SV 26 NV
3 SE 9 NV 15 SV 21 NE 27 NV
4 SV 10 SE 16 NE 22 NV 28 SE
5 NV 11 NV 17 NE 23 SV 29 E
6 NV 12 SE 18 NV 24 SE 30 SV
a) Sistematizai datele disponibile.
b) Prezentai grafic informaiile sistematizate.

2. Un fabricant de roi industriale bnuiete c unele comenzi profitabile sunt
pierdute din cauza timpului prea mare necesar firmei pentru a stabili preul
cerut potenialilor clieni. Pentru a investiga aceast siuaie, 40 de cereri de
fixare a preului au fost alese aleator din totalul ultimului an i au fost
calculai timpii necesari pentru fixarea preului. Timpii (n zile), mpreun cu
clasificarea comenzii n pierdut sau nu, sunt:
C timp Co Co tim Co Co tim Co Co tim Co Co tim Co
140
o
m
an
da
cu
nr
.
m.
pier
dut
a
m
an
da
cu
nr.
p m.
pier
dut
a
ma
nd
a
cu
nr.
p m.
pier
dut
a
ma
nd
a
cu
nr.
p m.
pier
dut
a
ma
nda
cu
nr.
p m.
pier
dut
a
1 6.4 Nu 9 3.9 Nu 17 3.9 Nu 25 4 Nu 33 7.5 Nu
2 5.7 Nu 10 6.7 Da 18 7.7 Da 26 11.
4
Da 34 6.2 Nu
3 6.6 Nu 11 3.9 Nu 19 10.
2
Da 27 3.2 Nu 35 8.2 Da
4 10 Da 12 6.5 Nu 20 5.5 Nu 28 6.4 Nu 36 4.4 Nu
5 4.9 Nu 13 8.6 Nu 21 3.3 Nu 29 5.1 Nu 37 5.9 Nu
6 6.5 Nu 14 6.4 Nu 22 6 Nu 30 7.8 Da 38 9.9 Da
7 6 Nu 15 9.5 Da 23 5.9 Nu 31 4.4 Nu 39 12.
2
Da
8 4.7 Nu 16 .9 Nu 24 7.3 da 32 5.5 nu 40 9 Nu
S se sistematizeze datele prezentate i s se reprezinte grafic distribuiile.

3. Nivelul de instruire pentru cei 50 de angajai ai unei societi comerciale
este dat prin datele din urmtorul tabel, unde am fcut urmtoarele notaii:
P=nabsolveni de nvmnt primar, G= Absolveni de nvmnt
gimnazial, L= absolveni de nvmnt licea, S= absolveni de nvmnt
superior.
Angaj
atul
cu nr.
instr
uire
Angaj
atul
cu nr.
instr
uire
Angaj
atul
cu nr.
instr
uire
Angaj
atul
cu nr.
instr
uire
Angaj
atul
cu nr.
instr
uire
1 G 11 P 21 S 31 L 41 L
2 S 12 S 22 S 32 S 42 L
3 S 13 L 23 L 33 L 43 L
4 L 14 L 24 G 34 S 44 G
5 L 15 S 25 G 35 L 45 L
6 G 16 L 26 S 36 P 46 L
7 S 17 S 27 L 37 L 47 L
8 L 18 G 28 S 38 L 48 L
9 S 19 S 29 L 39 L 49 L
10 L 20 L 30 L 40 G 50 L
j) S se sistematizeze datele
k) S se reprezinte grafic informaiile sistematizate
l) S se calculeze ponderea salariailor pentru fiecare nivel de instruire
si s se reprezinte grafic rezultatele.

141
4. Venitul salarial pentru 50 de angajai ai unei companii este: 62, 82, 89, 97,
114, 63, 83, 90, 98, 119, 64, 84, 90, 99, 13, 65, 84, 91, 101, 132, 69, 85, 91,
102, 133, 72, 86, 92, 104, 134, 74, 86, 93, 105, 145, 76, 87, 94, 107, 146, 77,
88, 95, 110, 164, 79, 89, 96, 113, 174.
a)S se sistematizeze datele pe 7 intervale egale de variaie .
b) Construii histograma i poligonul frecvenelor.

5. Se dau urmtoarele valori: 40, 50, 10, 6, 15, 23, 39, 42, 62, 65, 1, 19, 32, 7,
24, 68, 29, 72, 74, 62, 58, 9, 23, 23, 25, 76, 22, 2, 5, 53.
a) Construii o serie de distribuie de frecvene ncepnd de la valoarea 0,
avnd 10 intervale de variaie de mrime egal.
b) ) Construii histograma i poligonul frecvenelor.
c) Calculai frecvenele cumulate.



TEST 2


1. Dou grupe de studeni, cu efective de 25 i, respectiv, 32 de persoane, au
susinut un test de cultur general. Prima grup a obinut media 7,8 iar a
doua grup 8,4. S se determine nota medie pe ansamblul celor dou grupe.

2.Intr-o colectivitate statistic s-au cules date privitoare la 2 variabile
numerice i s-au obinut rezultatele:
X: 4, 1, 1, 5, 6, 3, 2, 1
Y: 100, 90, 40, 80, 70, 5, 100, 70
S se cerceteze dup care din variabile colectivitatea este mai omogen.

3. Care dintre urmtoarele colectiviti are cea mai mic abatere ptratic
pentru variabila inlime?
a) toate persoanele;
b) colectivitatea brbailor;
c) colectivitatea brbailor din Canada;
d) colectivitatea brbailor din Canada cu varste mai mari de 30 de ani;
e) colectivitatea brbailor din Canada cu varste mai mici de 30 de ani.

9. Pentru 41 de copii cunoatem urmtoarea distribuie privind nivelurile
atinse la un joc pe computer:
Nivelul Frecvena
A 10
B 12
C 15
D 3
142
E 1
S se gseasc nivelul median i cel modal.
TEST 3

1. Care dintre urmtoarele afirmaii referitoare la coeficientul de omogenitate
(variaie) nu este adevrat:
a) este un indicator sintetic al mprtierii;
b) este expresia rellativ a abaterii medii ptratice;
c) valori mici ale coeficientului de variaie semnific un grad mare de
reprezentativitate a mediei caracteristicii studiate;
d) valori mici ale coeficientului de variaie semnific o tendin accentuat de
simetrie a distribuiei;
e) valori mici ale coeficientului de variaie reflect omogenitatea colectivitii
din punctul de vedere al caracteristicii studiate.

2. Dac ntr-o serie statistic valorile individuale se simplific de k ori ,
atunci dispersia noii serii este:
a) de
2
k ori mai mic fa de dispersia seriei iniiale;
b) de k ori mai mare fa de dispersia seriei iniiale;
c) egal cu dispersia seriei iniiale;
d) de
2
k ori mai mare fa de dispersia seriei iniiale;
e) de k ori mai mare fa de dispersia seriei iniiale.

3. Dac ntr-o serie statistic valorile individuale se micoreaz cu constanta
a , atunci dispersia noii serii este:
a) egal cu dispersia seriei iniiale;
b) de a ori mai mare fa de dispersia seriei iniiale;
c) de a ori mai mic fa de dispersia seriei iniiale;
d) mai mic dect dispersia seriei iniiale cu constanta a;
e) mai mare dect dispersia seriei iniiale cu constanta a.

4. Salariaii unei firme au salariul mediu de 700 lei cu o abatere medie
ptratic de 150 de lei. Patronul firmei hotrte s mreasc fiecare salariu
individual de 1,3 ori. Dispersia noilor salarii fa de salariul mediu va fi:
a) 150;
b) 22500;
c) 29250;
d) 253,5;
e) 38025.

5. Frecvena cumulat cresctor a ultimei grupe este ntotdeauna egal cu:
a) numrul de uniti din colectivitatea statistic;
b) numrul de uniti din ultima grup;
c) frecvena absolut cumulat descresctor a ultimei grupe;
143
d) frecvena absolut a ultimei grupe plus volumul volectivitii.

6. Media aritmetic a unei variabile aleatoare reprezint:
a) momentul simplu de ordinul I;
b) momentul centrat de ordinul I;
c) momentul simplu de ordinul II;
d) momentul centrat de ordinul II;
e) momentul simplu de ordinul II minus momentul simplu de ordinul I la
ptrat.

7. Coeficientul lui Pearson se utilizeaz pentru analiza statistic a
a) asimetriei;
b) variaiei;
c) boltirii;
d) tendinei centrale;
e) indicatorilor medii de poziie.


TEST 4

1. Intr-un proces de verificare a ipotezelor statistice, nivelul de ncredere
reprezint probabilitatea:
a) ;
b) 1 ;
c) ;
d) 1 ;
e) + .

2. Intr-un proces de testare a ipotezelor statistice, eroarea de genul al doilea
este:
a)eroarea pe care o facem acceptnd ipoteza nul cnd ea este adevrat;
b) eroarea pe care o facem acceptnd ipoteza alternativ cnd ea este fals;
c) eroarea pe care o facem acceptnd ipoteza nul cnd ea este fals;
d) eroarea pe care o facem eliminnd ipoteza nul cnd ea este adevrat;
e) eroarea pe care o facem eliminnd ipoteza alternativ atunci cnd ea este
fals.

3. Intr-un proces de testare a ipotezelor statistice, eroarea de genul al doilea
este:
a)eroarea pe care o facem acceptnd ipoteza nul cnd ea este adevrat;
b) eroarea pe care o facem acceptnd ipoteza alternativ cnd ea este
adevrat;
c) eroarea pe care o facem acceptnd ipoteza nul cnd ea este fals;
d) eroarea pe care o facem eliminnd ipoteza nul cnd ea este adevrat;
144
e) eroarea pe care o facem eliminnd ipoteza alternativ atunci cnd ea este
adevrat..

4. Dac notm
max
x valoarea maxim dintr-un eantion, care dintre urmtorii
termeni este corect pentru a descrie
max
x ?
a) valoare ateptat;
b) median;
c) estimator;
d) parametru;
e) abatere medie ptratic.

5. Datele sistematizate, obinute n urma unui studiu statistic privind
vechimea n munc i timpul zilnic nelucrat, efectuat de 800 de salariai ai
unei societi comerciale sunt:
Timp nelucrat Vechimea
Sub 60 min. Peste 60 min
Peste 10 ani 300 150
Sub 10 ani 100 250
S se precizeze dac ntre cele dou variabile exist o legtur.

6. In utilizarea tabelului de corelaie pentru analiza legturilor dintre
fenomene, dac frecvenele sunt aproximativ egal repartizate n interiorul
tabelului, atunci:
a) legtura este neliniar;
b) legtura este liniar direct;
c) legtura este invers;
d) legtura este direct;
e) legtura este slab sau nu exist legtur ntre variabile.

7. In utilizarea metodei regresiei pentru studiul dependenei dintre variabile,
modelul de forma e b
x
a y + + =
1
este un model:
a) liniar;
b) exponenial;
c) logaritmic;
d) hiperbolic;
e) parabolic.

8. S se precizeze care dintre urmtoarele metode de caracterizare a
legturilor dintre variabilele statistice nu se ncadreaz n categoria
metodelor simple:
a) metoda seriilor interdependente;
b) metoda grafic;
145
c) metoda corelaiei;
d) metoda tabelului de corelaie;
e) metoda gruprilor.

9. Pentru cele dou variabile statistice ntre care exist o dependen liniar s-
a nregistrat o mulime de date; statistice. In urma prelucrrii acestora s-au
obinut indicatorii:
968
11
1
=

= i
i
y ; 91 , 183
11
1
=

= i
i
x ; 6 , 96299
11
1
2
=

= i
i
y ; 8 , 4099
11
1
2
=

= i
i
x ,
9 , 19485
11
1
=

= i
i i
y x .
Gsii ecuaia dreptei de regresie.

10. Pentru caracterizarea unei grupe de studeni din anul I al Facultii de
tiine, n funcie de media la admitere, unitatea statistic de observare este:
a) grupa;
b) studentul;
c) media la admitere;
d) facultatea;
e) anul de studiu.

11. Identificai care dintre urmtoarele date nu sunt variabile statistice pentru
studiul colectivitii studenilor de la Facultatea de tiine:
a) grupa;
b) media la admitere;
c) facultatea;
d) vrsta;
e) nlimea.

12. Obiectivul fundamental al statisticii este:
a) s demonstreze formule i teoreme matematice;
b) s rezume i s analizeze un set de date statistice;
c) s extrag eantioane din colectiviti statistice;
d) s detecteze valorile aberante dintr-un set de date;
e) s explice diferenele dintre seturile de date.

13. Care dintre urmtoarele variante reprezint un eantion i nu o
colectivitate total pentru ncasrile zilnice, din anul trecut, ae unui magazin?
a) Lista ncasrilor zilnice din anul trecut;
b) lista ncasrilor zilnice cu 2 ani n urm;
c) lista ncasrilor din fiecare zi de smbt a anului trecut;
d) Totalul ncasrilor sptmnale din anul trecut;
e) lista ncasrilor zilnice previzionate pentru anul trecut.
146

14. Statistica ofer posibilitatea unei firme:
a) s estimeze vnzrile din luna viitoare pe baza datelor privitoare la
vnzrile ultimelor 12 luni;
b) s estimeze vnzrile din viitorii 2 ani pe baza datelor privitoare la
vnzrile ultimelor 12 luni;
c) s estimeze vnzrile formelor concurente, pe baza datelor referitoare la
vnzrile proprii;
d) s estimeze toate variantele de mai sus;
e) s nu estimeze nici una din variantele de mai sus.






























147
BIBLIOGRAFIE

[1] Craiu, M. Statistic matematic- teorie i probleme, Editura
MatrixRom, Bucureti, 2002.

[2] Isaic-Maniu, A., Mitru, C., Voineagu, V. Statistic, Editura
Universitar, Bucureti, 2004

[3] Radomir, I., Ovesea, H. Matematici speciale, editura Albastr, Cluj
2001.

[4] Reischer, C., Smboan, A. Culegere de probleme de teoria
probabilitilor i statistic matematic, Editura Didactic i Pedagogic,
Bucureti, 1972.

[5] Sebe, G.I. Aplicaii ale probabilitilor n tehnic i alte tiine, Editura
MatrixRom, Bucureti, 2002.

[6] Tutubalin, V.N. Teoria probabilitilor, Editura MatrixRom, Bucureti,
2012.