STATISTIC MATEMATIC

Noiuni de teoria seleciei i a estimaiei

S considerm o populaie , finit sau infinit, n sensul
c este format dintr-un numr finit sau infinit de uniti. Dac
populaia este finit, vaom nota cu N numrul unitilor ce o
compun, iar N l vom numi volumul populaiei .
Studiem populaia din punctul de vedere al unei
proprieti. Aceast proprietate, care variaz (n general) aleator de
la o unitate la alta a populaiei o vom asimila cu o variabil
aleatoare X i o vom numi variabil aleatoare teoretic definit pe
populaia .
Caracteristicile probabilistice ale variabilei aleatoare
teoretice X le vom numi caracteristici teoretice, astfel:
m = M ( X ) , media teoretic;
D = 2 = D( X ) , dispersia teoretic;
mr = M ( X r ) , momentul iniial de ordinul r, teoretic;
r = M [( X m) r ] , momentul centrat de ordinul r, teoretic.
Cercetarea unitilor din populaia se poate face printr-o
observare total sau parial.

Cercetarea total (care se efectueaz de exemplu sub
form de recensmnt) este o operaie complex, care de cele mai
multe ori primete mai multe caracteristici ale unitilor, pentru a
realiza o analiz multilateral. Practic, o cercetare total se
recomand atunci cnd volumul populaiei nu este prea mare,
pentru a evita cheltuieli ce pot depi avantajele concluziilor trase.

Carcetarea parial (selectiv) se efectueaz asupra unei
subpopulaii , subpopulaie de volum n. Variabila aleatoare
asimilat caracteristicii studiate corespunztoare subpopulaiei de
selecie este reprezentativ, ceea ce nseamn c n subpopulaia
sunt reflectate proprietile ntregii populaii .

Construirea eantionului (subpopulaiei de selecie) se

face cu uniti din populaia , alese dup o animit tehnic (dup
anumite reguli) numit operaie de sondaj.
n efectuarea unui sondaj ntlnim dou metode de baz:
a) Sondaj cu revenire (sondaj non-exhaustiv):
Fiecare unitate de sondaj extras din pentru a fi studiat,
se reintroduce n , dup cercetare, putnd deci s apar din nou n
procesul de construcie al eantionului .
Efectuarea sondajului cu revenire are ca schem
probabilistic urna lui Bernoulli (urna cu bil revenit).
n acest caz vom spune c s-a efectuat o selecie repetat de
volum n. Sondajele astfel efectuate sunt:
 Echiprobabile
 Valorile de selecie astfel obinute sunt
independente
b) Sondaj fr revenire (sondaj exhaustiv):
Fiecare unitate de sondaj extras din pentru a fi studiat
nu mai este reintrodus n dup studiere (cercetare).
Efectuarea sondajului fr revenire are ca schem
probabilistic schema urnei cu bil nerevenit.
n acest caz vom spune c s-a efectuat o selecie nerepetat
de volum n.
OBSERVAIE: Aplicarea seleciei nerepetat nu are sens
dect n cazul cnd volumul populaiei este finit. Valorile de
selecie astfel obinute sunt dependente.
Selecia repetat i selecia nerepetat sunt aplicate
colectivitilor omogene.
DEFINIIE: O colectivitate este omogen dac este
constituit din elemente care sunt susceptibile de a avea sau de a nu
avea caracteristica studiat, cu o aceeai pondere.
n cazul cnd sondajul se efectueaz dintr-o populaie
omogen, el se numete sondaj simplu (selecie simpl) .
n cazul cnd populaia nu este omogen din punct de
vedere al caracteristicii (al proprietii) cercetate dar poate fi
mprit n subpopulaii i , fiecare n parte omogen, ca nite

straturi ale populaiei , se va efectua aa numita selecie

stratificat.
Fie , o populaie de selecie de volum n. Valorile
variabilei teoretice X pentru fiecare unitate din eantionul
determin irul de valori X 1 , X 2 ,..., X j ,..., X n . Deoarece participarea
oricrei uniti din populaia la eantionul este echiprobabil
(deoarece sondajul se face ntmpltor) , fiecare valoare X j din
irul anterior se realizeaz n eantion cu aceeai probabilitate 1 .
n
*
Astfel se construiete variabila de selecie X , cu repartiia :
X1
X : 1

n
*

X2
1

Xj
1

Xn

Caracteristicile variabilei aleatoare de selecie X * , numite

caracteristici de selecie, sunt: (1)
1 n
m* = X = X j
n j =1
n
1
D* = ( X j X )2
n j =1
1 n
mr* = X rj
n j =1
1 n
r* = ( X j X ) r
n j =1
OBSERVAIE: Eantionul , la rndul lui, are un aspect
aleatoriu determinat n primul rnd de caracterul ntmpltor al
sondajului. Prin urmare, efectund alte sondaje se obin alte
eantioane i alte variabile aleatoare de selecie.
Putem considera c fiecare valoare X j a argumentului
variabilei aleatoare de selecie X * este, la rndul ei, o variabil
aleatoare identic din punct de vedere probabilistic cu X, deoarece
poate fi oricare din valorile posibile ale lui X i deci are aceleai
caracteristici ca i variabila aleatoare teoretic. Adic:

M(X j) = M(X )

, j = 1,..., n

D ( X j ) = D( X )

, j = 1,..., n

M ( X rj ) = M ( X r )

, j = 1,..., n

n cazul cnd variabila aleatoare empiric X * are repartiia

de forma :
k
x x 2 xi x k
unde
;
ni = 1 ,
X * : 1

n
n
n
n

1
=
i
2
i
k
1
x1 , x 2 , , xi , , x k sunt valorile distincte ale lui X j , j = 1,..., n , iar
n1 , n2 , , ni , , nk sunt frecvenele de apariie. Deci relaiile (1)
devin: (1)
1 k
m * = x = xi ni
n i =1
k
1
D * = ( x i x ) 2 ni
n i =1
1 k
mr* = xir ni
n i =1
1 k
r* = ( xi x ) r ni
n i =1

Repartiii de selecie
O anumit caracteristic (calitativ sau cantitativ) studiat
pe o populaie oarecare poate fi considerat ca o variabil
aleatoare unidimensional X care are o densitate de repartiie f (x )
sau o funcie de reaprtiie F (x ) .
f (x ) i F (x ) se numesc legi teoretice de repartiie a
variabilei aleatoare X .
S considerm acum c pe baza unei selecii de volum n din
populaia obinem valorile X 1 , X 2 , , X n . Cu ajutorul acestor
valori (cu ajutorul acestor date de selecie) putem calcula diferii
indicatori ca de exemplu:
n
Media de selecie : X * = X = 1 X k
n k =1

n
Dispersia de selecie : D * = 1 ( X k X ) 2
n k =1

DEFINIIE:

O funcie Tn ( X 1 , X 2 ,..., X n ) de datele de

selecie X 1 , X 2 , , X n se numete statistic .
OBSERVAIE: Media de selecie X * i dispersia de
selecie D * sunt funcii de datele de selecie X 1 , X 2 , , X n , deci
sunt statistici.
Fiecare statistic Tn ( X 1 , X 2 ,..., X n ) (de exemplu media de
selecie i dispersia de selecie) este, datorit caracterului aleatoriu
al seleciei, o variabil aleatoare care la rndul ei are anumite legi de
repartiie (f i F) numite repartiii de selecie .
Cunoaterea legii de repartiie (repartiiei de selecie) a
statisticii Tn ( X 1 , X 2 ,..., X n ) este deoasebit de important deoarece
cu ajutorul ei se poate face studiul probabilistic al statisticii
Tn ( X 1 , X 2 ,..., X n ) , calculndu-se probabiliti de forma P(Tn < a ) ,
P( a < Tn < b) ; M (Tn ) , D(Tn ) , etc.
OBSERVAIE: Interpretarea datelor de selecie are un
dublu neles:
X 1 , X 2 , , X n sunt nite numere cunoscute
X i , i = 1,..., n sunt variabile aleatoare cu aceleai
caracteristici ca i X .
n acest fel, prin intermediul statisticii Tn putem trage
concluzii referitoare la populaia general din care a provenit
selecia (eantionul) .
Teoria probabilitilor ne ofer procedee de determinare att
a repartiiei exacte, ct i a repartiiei asimptotice a statisticii Tn .
Prin repartiia exact a statisticii Tn nelegem repartiia
determinat pentru orice volum al seleciei n, iar prin repartiia
asimptotic nelegem repartiia limit a statisticii Tn (cnd
n ) .

Repartiia exact este util cnd condiiile concrete ale

caracteristicii studiate din populaia impune folosirea unei selecii
(eantion) de volum redus n 30 .
n cazul unor selecii de volum mare ( n > 30 ) folosirea
repartiiei asimptotice conduce la rezultate suficient de bune.
Repartiia de selecie a statisticii Tn este strns legat i
unic determinat de legea de repartiie teoretic a variabilei
aleatoare X care a generat selecia.
n continuare vom cerceta repatiiile de selecie ale unor
statistici Tn construite dintr-o selecie extras dintr-o populaie cu
repartiie normal.
1) Tn ( X 1 , X 2 ,..., X n ) = X (media de selecie)
2) Tn ( X 1 , X 2 ,..., X n ) = D (dispersia de selecie)
Reparti ia mediei de selecie pentru o selecie dintr-o
populaie normal
TEOREMA 1: Dac X 1 , X 2 , , X n este o selecie de volum
n dintr-o populaie normal N (m, ) , atunci media de selecie:
X =

1
.

( X 1 + X 2 + + X n ) are o repartiie N m,

n
n

Demonstraie:
Deoarece variabila aleatoare de selecie X k , k = 1,..., n ,
este o variabil aleatoare normal N (m, ) , ea are funcia
1
imt 2t 2

caracteristic c X k (t ) = e 2 . (vezi capitolul 10, paragraful

10.2.3.)
Aplicnd proprietile funciei caracteristice, obinem
funcia caracteristic a variabilei aleatoare 1 X k , k = 1,..., n :
n
c 1 (t ) = e
n

Xk

t 1 t2
im 2 2
n 2 n

(deoarece caX (t ) = c X ( at ) ).

1
1
1
1
( X1 + X 2 + + X n ) = X1 + X 2 + + X n
n
n
n
n
i deci, aplicnd proprietatea P3 a funciei caracteristice (vezi
capitolul 3, paragraful 1.6.), avem:

Dar

X =

c X (t ) = e

t
1 t2
i m 2 2
n
2 n

t2

i n m 2 2 n 2

= e i =1

=e

itm

1 2 2
t
2 n

=e

1 2
itm
t
2 n

k =1

adic X are repartiia N m, .

n

OBSERVAIE: Prin urmare, M ( X ) = m , D ( X ) = .

n
CONSECINA 1: Considerm variabila aleatoare redus
X m
Z=
n pe care o putem scrie sub forma unei expresii liniare

n
n
n funcie de X , adic Z =
X
X . Atunci :

n n
X m n
n
M(Z) = M
n = M( X) M m = [M(X) m] = [m m] = 0

n n
n
X m
n 2
=1
D( Z ) = D
n = D
X D
m = D( X ) = 2

X m
Prin urmare, Z =
n are repartiia normal de tip

N (0,1) .

TEOREMA 2: Dac X 11 , , X 1n1 este o selecie de volum

n1 din populaia normal N ( m1 , 1 ) i X 21 , , X 2 n2 este o selecie

de volum
X1 =

1
n1

n2

n1

X
j =1

1j

din populaia normal

i

X2 =

1
n2

n2

X
k =1

2k

N ( m 2 , 2 ) , i dac

sunt mediile de selecie

corespunztoare, atunci variabila aleatoare Y = X1 X2 = X1 + (X2 )

2
2

are o repartiie normal N m1 m2 ; 1 + 2 .

n1
n 2

Demonstraie:
Funcia caracteristic a mediei de selecie
c X (t ) = e

t 2 2
itm1 1
2 n1

X1

i ale mediei de selecie X 2 este c X (t ) = e

2

este

t 2 22
itm2
2 n2

OBSERVAIE: Funcia caracteristic a variabilei aleatoare

X 2 este de forma : c X (t ) = e
2

itm 2

t 2 22
2 n2

, conform proprietii P4 a

funciei caracteristice (vezi capitolul 4, paragraful 4.2.3.) .

Deoarece X 1 i X 2 sunt variabile aleatoare
independente, funcia caracteristic
a variabilei aleatoare
Y = X 1 X 2 = X 1 + ( X 2 ) este (conform proprietii P3 a funciei
caracteristice):
cY (t ) = e

itm1

t 2 12
2 n1

itm 2

t 2 22
2 n2

=e

it ( m1 m 2 )

t 2 12 22
+
2 n1 n 2

2
2

Prin urmare Y are repartiia N m1 m2 ; 1 + 2 .

n1
n 2

OBSERVAIE: Ultima afirmaie rezult din faptul c

variabila aleatoare X cu repartiia N (m, ) are funcia caracteristic
c X (t ) = e

imt

t 2 2
2

CONSECINA 2:

Din teorema 2 rezult c repartiia

variabilei aleatoare normate Z = X 1 X 2 ( m1 m2 ) are o
12 22
+
n1
n2
repartiie de tipul N (0,1) .

Legtura cu variabila aleatoare 2 cu n grade de

libertate

Se tie c variabila aleatoare 2 are densitatea de

probabilitate:

k
x
1

1
2
2
x
e
, x>0

k
k 2
f ( x; k ) = 2
2
0 , x 0

Se poate demonstra c dac Z k , k = 1,..., n sunt variabile

n

aleatoare normale N (0,1) , atunci variabila aleatoare Z k2 este:

k =1

2 = Z k2 , cu n grade de libertate i are deci densitatea de

k =1

probabilitate :
h( x ) =

1
n

n
2 2
2

x2 e

x
2

, x > 0.

tim c M ( 2 ) = n i D ( 2 ) = 2n (vezi capitolul 10,

paragraful 10.2.6).
Este adevrat urmtoarea teorem:
TEOREMA 3: Dac X 1 , X 2 , , X n este o selecie de
volum n dintr-o populaie normal N (0,1) , atunci variabila aleatoare
n

2
Y = X k2 este o variabil aleatoare cu n grade de libertate.
k =1

Repartiia dispersiei de selecie pentru o selecie dintr-o

populaie normal
Dispersia D a unei populaii oarecare poate fi evaluat pe
baza seleciei X 1 , X 2 , , X n n urmtoarele moduri:

Dac media m a populaiei generale este cunoscut, atunci

n
dispersia de selecie este dat de: D ' = 1 ( X k m ) 2 = S *2 (1)
n k =1
b) Dac media m a populaiei nu este cunoscut, atunci media o
n
putem aproxima cu media de selecie X = 1 X k i dispersia de
n k =1
n
selecie este: D * = 1 ( X k X ) 2 = S 2
(2)
n k =1
c) n cazul seleciilor de volum mic, evalum dispersia D a
populaiei cu dispersia de selecie dat de relaia :
1 n
~
D=
( X k X )2 = ~
s2

n 1 k =1
a)

n cele ce urmeaz vom stabili repartiia unor funcii de

~
variabilele aleatoare D' , D * , D pentru selecii dintr-o populaie
normal. Sunt adevrate urmtoarele proprieti:
TEOREMA 1: Dac X 1 , X 2 , , X n este o selecie dintr-o
populaie N (m, ) , atunci variabila aleatoare U ' = nD2 ' are o

2
repartiie cu n grade de libertate.
Demonstraie:
n

1
n

(X

2
2
i m)
n
n
nD '
Xi m
i =1
U'= 2 =
=
Z i2 ,
=

i =1
i =1
unde Z i este o variabil aleatoare cu repartiia N (0,1) . Conform

teoremei 3 din paragraful anterior, U ' este o repartiie 2 cu n

grade de libertate.
Prin urmare M (U ' ) = n i D(U ' ) = 2n . Deci :
n
M (U ' ) = 2 M ( D' ) = n M ( D' ) = 2

2 4
n
D (U ' ) = 2 D( D ' ) = 2n D ( D' ) =

TEOREMA 2: Dac X 1 , X 2 , , X n este o selecie de

volum n dintr-o populaie N (m, ) , atunci variabila aleatoare
~
( n 1) D
are o repartiie 2 cu ( n 1) grade de libertate.
U=
2

~
Prin urmare, variabila U = ( n 12 ) D are densitatea de

n 1
x
1
1
probabilitate de forma : h( x ) =
x 2 e 2 , x > 0.
n 1 n1

2
2
TEOREMA 3: Dac X 1 , X 2 , , X n este o selecie de
volum n dintr-o populaie normal N (m, ) , atunci variabila
~
m
aleatoare t = X
n , unde ~ = D , are o repartiie Student cu
~

( n 1) grade de libertate.
CONSECIN:

Dac X 11 , , X 1n1 este o selecie de

volum n1 din populaia normal N ( m1 , 1 ) i X 21 , , X 2 n2 este o

selecie de volum n2 din populaia normal N ( m2 , 2 ) , i dac
1 n2
1 n1
X 1 = X 1 j i X 2 =
X 2k sunt mediile de selecie
n2 k =1
n1 j =1
1 n1
1 n2
~
~
corespunztoare, iar D
(X1k X1)2 i D2 =

(X2k X2)2 sunt

1=
n1 1 k=1
n2 1 k=1
dispersiile de selecie corespunztoare, atunci variabila aleatoare:
t=

( X 1 X 2 ) ( m1 m2 )
~
~
( n1 1) D + ( n2 1) D
n1 + n2 2

are o repartiie Student cu ( n1 + n2 2) grade de libertate.

TEOREMA 4: Fie X 1 , X 2 , , X n o selecie (independent)
de volum n dintr-o populaie avnd o repartiie oarecare de medie m

n
i abatere medie ptratic , finite. Atunci X = 1 X k are,
n k =1
pentru n o repartiie normal N m, .
n

Demonstraiile teoremelor enunate n acest paragraf se

gsesc n /2/ , /1/, /3/ .
Estimaie punctual

Fie variabila de selecie X * sub una din formele empirice :

X1
X * : 1

n
x
X * : 1
n1

X2
1

x2
n2

Xj
1

xi
ni

Xn

1 , sau

xk
, cu
nk

n
i =1

= 1.

Datorit volumului de selecie n, modului de efectuare a

sondajului, valorile numerice oferite de selecie reflect valorile
variabilei teoretice X care reprezint caracteristica (proprietatea)
studiat din .
Aceste aprecieri au la baz teorema lui Glivenco (teorema
fundamental a statisticii matematice) care se refer la legtura
strns care exist ntre funcia de repartiie teoretic F (x ) a
variabilei aleatoare teoretice X i funcia de repartiie empiric
Fn (x ) .
DEFINIIE: Prin funcia de repartiie empiric a unei
variabile aleatoare X, dup extragerea unei selecii de volum n,
nelegem funcia definit de relaia Fn ( x ) = n x , unde n x reprezint
n
numrul de observaii n care a aprut o valoare a variabilei
aleatoare X (a caracteristicii X), mai mic dect x.

Reamintim c funcia de repartiie teoretic F (x ) a

variabilei aleatoare X este F ( x ) = P ( X < x ) .
TEOREMA LUI GLIVENCO: Fie Fn (x ) funcia de
repartiie empiric corespunztoare unei selecii de volum n ce
provine dintr-o populaie caracterizat de variabila aleatoare X
avnd funcia de repartiie F (x ) . Atunci:
P( lim sup Fn ( x ) F ( x ) = 0) = 1 .
n xR

Adic, cu ct n este mai mare, cu att Fn (x ) aproximeaz

mai corect pe F (x ) .
Conform teoremei lui Glivenco, putem accepta principiul
de baz al teoriei seleciei:
Variabila aleatoare de selecie X * converge n lege ctre
variabila aleatoare teoretic X, iar caracteristicile variabilei de
selecie converg n
probabilitate
ctre
caracteristicile
corespunztoare ale variabilei aleatoare teoretice.
DEFINIIE: Operaia prin care se evalueaz parametrii
necunoscui ai unei legi de probabilitate se numete estimarea
parametrilor.
Estimarea se face pe baza unei selecii X 1 , X 2 , , X n de
volum n, extras din populaia pe care este definit variabila X,
cu lege specificat, care conine parametrul ce trebuie estimat.
Estimator; estimator consistent

Fie X variabila aleatoare cu legea f ( x, ) care depinde de

un parametru necunoscut .
Vrem s-l determinm pe din datele de selecie ale
variabilei aleatoare de selecie X * .
DEFINIIE: Se numete estimaie punctual a
parametrului , o anumit funcie (statistic) * = * ( X 1 ,..., X n ) cu
ajutorul creia tragem concluzii asupra valorii necunoscute a
parametrului .

OBSERVAIE:Estimatorul * astfel definit este o variabil

aleatoare (fiind o funcie care depinde de valorile de selecie
X 1 , X 2 , , X n ), pe cnd reprezint o valoare constant a
variabilei aleatoare teoretice X .
Orice valoare *C (valoare calculat a estimatorului * )
determinat de o anumit selecie reprezint o valoare estimat
pentru .
Funcia de estimaie * = * ( X 1 ,..., X n ) ,

DEFINIIE:

pentru care lim P ( * < ) = 1 se numete funcie de estimaie

n

consistent, iar estimatorul * se numete estimator consistent.

Estimator absolut corect; estimator corect

DEFINIIE: Estimatorul * este un estimator absolut

corect dac:
1) M ( * ) =
2) D ( * ) 0
n

Spunem atunci c orice valoare calculat a *C a acestui

estimator, estimeaz absolut corect pe .
DEFINIIE: Estimatorul * este un estimator corect dac:
1) M ( * )
n

2) D( ) 0
*

Spunem atunci c orice valoare calculat *C a acestui

estimator, estimeaz corect pe .

Se poate demonstra urmtoarea teorem , a crei

demonstraie se gsete n /2/:
TEOREM:
estimator consistent.

Orice estimator absolut corect este i un

 x
EXEMPLU: Fie repartiia Poisson X : x , x 0
e

x!

cu M ( x ) = D( x ) = . (vezi capitolul 10, paragraful 10.1.4. ) .

n
Vom arta c media de selecie X = 1 X j este un estimator
n j=1
absolut corect pentru .
1 n
1 n
1
M ( X ) = M X j = M ( X j ) = n = .
n
n j =1
n j =1

1 n
1 n

1
D ( X ) = D X j = 2 D ( X j ) = 2 n = 0
n
n n
n j =1
n j =1
Deci media de selecie X este un estimator absolut corect
al parametrului din repartiia Poisson.

Estimator de maxim verosimilitate

Fie variabila aleatoare teoretic X cu funcia de probabilitate

f ( x, ) , care depinde de parametrul . Acest parametru trebuie
estimat pe baza datelor de selecie X 1 , X 2 , , X n .
Funcia de probabilitate f ( x, ) , corespunztoare valorilor
X 1 , X 2 , , X n este f ( X j ; ) = P( X = X j ) , j = 1,..., n . Deoarece
variabila de selecie X * presupune realizat evenimetul

n
( X = X j ) , rezult c nsi realizarea variabilei de selecie

j =1
constituie un eveniment care are un anumit grad de reprezentare a
variabilei teoretice, constituind astfel verosimilitatea de reflectare a
variabilei teoretice X de ctre variabila de selecie X * .
Aceast verosimilitate este msurat de probabilitatea :
n
n

L( X1, X2 ,...,Xn ; ) = P ( X = X j ) , adic L( X1, X2 ,...,Xn ; ) = f ( X j ; )

j=1
j=1

L( X 1 , X 2 ,..., X n ; ) = f ( X j ; )

, numit funcia de

j =1

verosimilitate a seleciei.
Vom determina (estima) parametrul punnd condiia ca
verosimilitatea s fie maxim. Punem deci condiia
n

L( X 1 ,..., X n; )
= 0 sau

f ( X j ; )
j =1

= 0.

Deoarece maximul funciei L are loc pentru aceleai valori

ca i maximul funciei ln L , ecuaia precedent poate fi nlocuit
prin una mai avantajoas din punct de vedere al calculelor :
n ln f ( X ; )
ln L( X 1 ,..., X n ; )
j
= 0 sau
= 0.

j =1
n ln f ( X ; )
j
Ecuaia
= 0 se numete ecuaia de

j =1
verosimilitate maxim.
DEFINIIE: Orice soluie a ecuaiei de verosimilitate
maxim se numete estimator de maxim verosimilitate .
OBSERVAIE: n general, un estimator de maxim
verosimilitate este i un estimator consistent. Adic
lim P ( * < ) = 1 .
n

EXEMPLU:

S se determine estimatorul de maxim

x
verosimilitate din repartiia Poisson X : x , x 0 , unde
e

x!

x .
f ( x; ) = e
x!
Funcia de verosimilitate este :
X
n
n
j
Logaritmnd,
L( X 1 ,..., X n ; ) = f ( X j ; ) = e
( X j )!
j =1
j =1
obinem: ln L( X 1 ,..., X n ; ) = { + X j ln ln[( X j )!]}.
n

j =1

Ecuaia de maxim verosimilitate este:

n

lnL n
1
= 1+ X j = 0
j=1

sau

n +

1n
X j = 0 * = j=1n * = X .
j=1

n concluzie, media de selecie n repartiia Poisson este un

estimator de maxim verosimilitate pentru parametrul .
OBSERVAIE: n cazul repartiiilor X care au funcia de
probabilitate depinznd de mai muli parametri f ( x; 1 , 2 ,..., s ) ,
parametrii 1 , 2 ,..., n se determin din sistemul de ecuaii
ln L( X 1 ,..., X n ; 1 ,..., s )
= 0 , i = 1,..., s .
i
EXEMPLU: S se determine estimaiile de maxim
verosimilitate ale parametrilor m i ale unei variabile aleatoare
normale f ( x; m, ) cu ajutorul unei selecii X 1 , X 2 , , X n .
1 X m

1
f ( x ; m, ) =
e 2
2

, > 0 , xR, mR .

L( X 1 , , X n ; m, ) = f ( X i ; m, ) =
i =1

1
n
2

1
2 2

( X i m )2
i =1

n ( 2 )
1 n
n
ln L( X 1 , , X n ; m, ) = n ln ln(2 )
( X i m) 2
2
2
2 i =1
ln L( X 1 ,..., X n ; m, )
1 2 n
= 2 ( X i m)( 1) = 0
m
2 i =1
ln L( X 1 ,..., X n ; m, )
n
1 n
= + 3 ( X i m) 2 = 0

i =1
m* = X
1 n
n

X
X

m
=
m
=
(
)
0
i

n i =1
n
i=1

( Xi m)2
n

1 ( X m)2 = n 2 = 1 ( X m) 2 *
i=1
i
i
2

=
n i =1
i=1
n

n concluzie, m * i * sunt estimatori de maxim

verosimilitate pentru m i din f ( x; m, ) .
Estimarea prin intervale de ncredere
Am vzut c estimaiile punctuale sunt afectate de erori, ele
reprezentnd numai valori aproximative ale adevratelor valori ale
parametrilor estimai. Deoarece o estimaie variaz n precizie, ea
trebuie s fie nsoit de o indicaie cu privire la precizia ei, adic
ct de aproape poate fi estimaia de valoarea parametrului pe care
trebuie s-l estimeze. Apare astfel necesitatea de a se indica un
interval despre care s se poat afirma, cu o probabilitate
cunoscut, c acoper valoarea parametrului estimat, care este o
mrime constant.
Presupunem c proprietatea studiat este determinat de o
variabil aleatoare X care are legea de repartiie teoretic f ( x; )
care depinde de parametrul .
Se efectueaz o selecie de volum n din care obinem
valorile de selecie X 1 , X 2 , , X n .
S presupunem de asemenea c avem dou funcii de
selecie (statistici) ( X 1 , , X n ) i ( X 1 , , X n ) , < , astfel
nct probabilitatea inegalitii < < s fie ndeplinit de ,
adic :
P[ ( X 1 , , X n ) < < ( X 1 , , X n )] = 1 (1)
unde nu depinde de .
Pentru o selecie realizat, funciile i iau valori bine
determinate i vom spune c am gsit un interval ( , ) care
acoper parametrul necunoscut [altfel spus ( , ) ] cu un grad
de siguran garantat de probabilitatea (1 ) unde este foarte
mic.
DEFINIIE:
(i) Intervalul ( , ) se numete interval de ncredere pentru
parametrul (sau interval de estimaie).
(ii) se numete limita inferioar a intervalului de ncredere.
(iii) se numete limita superioar a intervalului de ncredere.

(iv) Probabilitatea (1 ) se numete probabilitate confidenial

sau coeficient de ncredere (siguran).
OBSERVAII:
Parametrul este o valoare bine determinat.
Intervalul ( , ) este un interval aleator care variaz de la o
selecie la alta.
Cu ct intervalul ( , ) este mai mic i este mai mic, cu
att estimarea parametrului este mai bun. Practic, pentru
se iau valorile = 0,05 ; = 0,01 ; = 0,02 , etc.

Se consider variabila aleatoare X cu funcia de

probabilitate f ( x; ) . Ne propunem ca pe baza unei selecii
X 1 , X 2 , , X n s determinm un interval de ncredere pentru
parametrul necunoscut.
Metoda const n gsirea unei funcii U ( X 1 , , X n ; ) care
depinde de datele de selecie i de , i are proprietile:
a) U este bine definit pe orice punct din intervalul valorilor
posibile ale lui .
b) U este continu i monoton n raport cu .
c) Repartiia sa g (u) nu depinde de parametrul i nici de
ali parametri.
Atunci, pentru fiecare coeficient de ncredere (1 ) ,
folosind repartiia g (u) a statisticii U , putem gsi limitele u1 i u2
care depind de , dar sunt independente de datele de selecie, asftel
nct:
u2
P(u1 < U < u2 ) = g (u )du = 1 (2)
u1

Intervale de ncredere pentru parametrii reparti iei

normale :
x ,
X :

f ( x)

xR,
1 x m

1
f ( x; m , ) =
e 2
2

mR,

>0,

(i) Interval de ncredere pentru media m cnd 2 este

cunoscut

Alegem statistica: U ( X 1 , , X n ; m ) = X m n
(1)

care este monoton i continu n raport cu m i a crei funcie de

repartiie este N (0;1) , cu densitatea:
1 u2

g (u ) =

1 2 2
e
2

(2).

Funcia (2) nu depinde de m i nici de ali parametri .

Prin urmare vom putea determina numerele u1 i u2 astfel
u

nct: P(u1 < U < u2 ) = 2 g (u )du = 1 , sau:

u1

(3) P u1 < X m n < u2 = 1

u2

u1

u2
2

du = 1

u
u
u
u

(4)
P 1 < X m < 2 X = P X 2 < m < X 1 = 1
n
n
n

Am obinut deci intervalul de ncredere pentru m,

u
u

(5)
X 2 ,X 1
n
n

cu probabilitatea 1 .

OBSERVAIE: Deoarece ntre u1 i u2 avem o singur

relaie, dat de (3) putem obine o infinitate de intervale de
ncredere cu probabilitatea 1 .
Evident, un interval de ncredere este cu att mai bun cu ct
este ct mai mic. Cutm deci intervalul dat de relaia (5), de
lungime minim.
Fie l lungimea intervalului. Atunci l = (u2 u1 )
n
Vom minimiza lungimea intervalului l , cu condiia (3),
adic rezolvm problema:

min l = n (u2 u1 )
u
2 g (u )du = 1
u1
Utilizm metoda multiplicatorilor lui Lagrange:
u
Fie L(u1 , u2 ; ) = (u2 u1 ) + [ 2 g (u )du (1 )]
u1
n

L
u = n g (u1 ) = 0
1
g ( u1 ) = g (u 2 ) , care are soluiile

=
+ g (u2 ) = 0
u2
n
u1 = u 2 care nu convine i soluia u1 = u 2
Notm
1
2

u2

z = u2 = u1 .

Atunci

du = 1 F ( z) F (z) = 1 ,

ecuaia
dar

(4)

devine

F ( z) = F ( z) ,

deci 2F( z) 1 = 1 F ( z) = 1 z = F 1 1 .
2
2

u1 = z = z
1
2
2
Dar z = z
1
2
2
u2 = z1
2

Deci intervalul de ncredere este :

X z
<m< X +z

1
1
n
n
2
2

(ii)

Interval de ncredere pentru media m cnd este

necunoscut

Considerm funcia de selecie U( X1, , Xn ; m) = X m n = t ,

S
n
unde S 2 = 1 ( X i X ) 2 . Am vzut c t are o repartiie Student
n 1 i =1

cu ( n 1) grade de libertate. Analog punctului anterior se poate

arta c intervalul de ncredere este:

S
S

X t
<m< X +t

1 ;n 1
1 ;n 1
n
n
2
2

Estimarea parametrilor unei variabile aleatoare prin

metoda momentelor

Fie populaia n care studiem o proprietate dat de

variabila aleatoare teoretic X definit pe . Variabila X are
momentele iniiale i centrate m r i r cunoscute.
Se efectueaz o selecie de volum n i se consider
variabila aleatoare de selecie X * cu momentele iniiale de selecie
i momentele centrate de selecie m r* , r* .
TEOREM: Momentul de selecie m r* este un estimator
absolut corect al momentului teoretic m r .
Demonstraie:
m r* este un estimator absolut corect al lui m r dac
M (mr* ) = mr i lim D( mr* ) 0 . ntr-adevr:
n

1
1 n
1
M ( mr* ) = M X rj = M ( X rj ) = n m r = mr
n
n
n j =1
1 n
1 n
m mr2
1
D(mr* ) = D X rj = 2 D( X rj ) = 2 n (m2r mr2 ) = 2r
0
n
n
n
n j=1 n j=1

OBSERVAIE: Aplicarea metodei momentelor la

estimarea parametrilor 1 , , s a unei funcii f ( x; 1 , , s )
const n scrierea unui sistem de s ecuaii pentru cei s parametrii.
Acest sistem se formeaz prin scrierea primelor s momente ale
variabilei aleatoare teoretice X care sunt egale cu momentele de
acelai ordin ale variabilei aleatoare empirice X * .
EXEMPLU: Fie f ( x; ) = 1 x 1e x , x > 0 , > 0 . Se
( )
efectueaz o selecie de volum n : X 1 , X 2 , , X n . Scriem c

momentul de ordinul 1 al variabilei aleatoare X este egal cu

momentul de selecie de ordinul 1.

( + 1)
1 x

M ( X ) =m1= 0xf ( x; )dx = () 0 x e dx = () =

1n
*

X j

n
n j=1
1
*
*
M ( X ) = m =
X j
1

n i=1
OBSERVAIE: Ne putem pune ntrebarea ce moment
empiric este cel mai potrivit pentru estimarea momentului teoretic?
Din exemplul anterior rezult:
1 n
m2 = ( + 1) ( + 1) = X j
n j =1
1 n
m3 = ( + 1)( + 2) ( + 1)( + 2) = X 3j
n j =1
Se observ chiar c valorile lui astfel determinate nu
satisfac (n general) i ecuaiile anterioare, deci metoda se complic.
n aceste situaii este indicat aplicarea metodei intervalelor de
ncredere.
Verificarea ipotezei cu privire la legea de repartiie a
unei variabile aleatoare

O ipotez statistic se refer fie la forma legii de repartiie a

unei populaii (normal, exponenial, etc.) fie la parametrii
coninui n aceast lege (medie, dispersie), i ea se verific folosind
rezultatele obinute ntr-o selecie aleatoare extras din populaia
cercetat.
Fie variabila aelatoare X care reprezint o proprietate
considerat pe o populaie a crei repartiie f ( x, ) are o form
cunoscut, dar care depinde de un parametru necunoscut . Ipoteza
conform creia are valoarea 0 , se noteaz : H 0 : = 0 i poart
numele de ipoteza nul .
S presupunem c n afara valorii 0 , parametrul mai poate
avea i una din valorile 1 , 2 ,... . Ipotezele H i : = i , i = 0,1,2,...
se numesc ipoteze admisibile, iar H i : = i , i = 1,2,... se numesc
ipoteze alternative ale ipotezei nule H 0 .

n cele ce urmeaz vom considera dou ipoteze: ipoteza

nul H 0 i alternativa ei, H 1 ca ipotez contrar ipotezei H 0 ,
explicnd n ce const verificarea unei ipoteze statistice, procedeul
de verificare, precum i unele noiuni legate de acestea.
Testul statistic este o metod sau un criteriu dup care
ipoteza de verificat se accept sau se respinge. El stabilete, dup
natura observaiilor, pentru care selecii ipoteza se accept i pentru
care se respinge.
Datorit caracterului ntmpltor al seleciei, la verificarea
unei ipoteze statistice, exist ntotdeauna riscul de a lua o decizie
eronat. Cnd pe baza datelor seleciei respingem ipoteza H 0 de
verificat, dei n realitate este adevrat, spunem c am comis o
eroare de genul nti, iar cnd acceptm ipoteza H 0 care n realitate
este fals, spunem c am comis o eroare de genul doi. Probabilitatea
erorii de genul nti se numete risc de genul nti (prag sau nivel de
semnificaie) i-l notm cu , iar probabilitatea erorii de genul doi
se numete risc de genul al doilea i se noteaz cu .
Pentru construirea testului statistic cu ajutorul cruia
verificm ipoteza statistic H 0 trebuie s avem n vedere
urmtoarele:
a) determinarea unei funcii (o statistic) T ( X 1 ,..., X n ) de
datele de selecie numit statistica testului, cu caretestm
ipoteza H 0 ;
b) valoarea admisibil a pragului de semnificaie;
c) ipoteza alternativ H 1 opus ipotezei H 0 ;
d) regiunea critic W a ipotezei H 0 corespunztoare statisticii
T a testului, prin care nelegem acea mulime de valori ale
statisticii T astfel nct dac valoarea observat a lui T
aparine acestei mulimi, atunci ipoteza H 0 se respinge,
acceptndu-se H 1 . n caz contrar se accept H 0 . Regiunea
critic W este astfel determinat nct probabilitatea
comiterii erorii de genul doi s fie minim i probabilitatea
ca T obinut prin selecie s-i aparin cnd H 0 este
adevrat, s fie egal chiar cu , adic vor fi ndeplinite
condiiile:
P(T W / H 0 ) = i P (T W / H 1 ) = maxim

Conform definiiei riscului , putem scrie P(T W / H1) = ,

unde W este complementara mulimii W .
Probabilitatea de a respinge H 0 ca fals (fiind adevrat
H 1 ) adic de a nu comite eroarea de genul doi este:
(W , H 1 ) = P(T W / H 1 ) = 1
i poart numele de puterea testului, care este cu att mai mare cu
ct este mai mic.
Pn acum am presupus c repartiia teoretic a variabilei
aleatoare X este specificat, iar n cele mai multe cazuri este
repartiia normal.
De foarte multe ori chiar specificarea repartiiei reprezint o
ipotez care trebuie verificat. De aceea, practica statistic pune
problema realizrii unei legturi ntre variabila empiric (de
selecie) X * i variabila teoretic X .
x x 2 xi x k k
Fie variabilele: X * : 1
; ni = 1 ,
n1 n2 ni nk i =1
x
i X :
.
f ( x)
Se va cerceta dac irul numeric al frecvenelor absolute
empirice ni reflect legea ipotetic a variabilei teoretice X ,
concretizat n funcia f ( x; a1 ,..., a k ) .

Rezolvarea acestei probleme presupune urmtoarele etape:

1. Estimarea parametrilor, fcut innd seama de eventualele
semnificaii pe care le pot avea n legtur cu caracteristicile
distribuiei teoretice i de calitile estimaiei respective.
2. Se construiete, dup estimarea parametrilor, variabila
pseudo-teoretic:
k
x 2 xi x k
x
X ' : 1
; n' i = 1 , fcndu-se legtura
i =1
n'1 n ' 2 n' i n ' k
ntre variabila empiric X * i variabila teoretic X .
Determinarea frecvenelor absolute calculate ni este
realizat prin intermediul funciei de probabilitate, folosind relaia:

ni*
*
= f ( x; a1 ,..., a k ) , de unde ni = ni f ( x; a1 ,..., a k ) , i = 1,..., n .
ni

OBSERVAIE: Datorit unor proprieti ale au funciilor

de probabilitate f ( x ) pentru determinarea frecvenelor calculate
n' i , de cele mai multe ori se folosesc formulele de recuren,
pornindu-se de la valoarea dominant (cu maximum de probabilitate
a realizrii argumentului).
3. Verificarea ipotezei H 0 de concordan ntre repartiia
empiric i repartiia teoretic, ipotez ce se verific folosind aanumitele teste de concordan .
a)

Testul de concordan 2 :

2
k
Studiind funcia 2 = ( ni n ' i ) , K.Pearson a artat c,
n'i
i =1
n cazul unui sondaj cu revenire n populaia studiat, cnd
probabilitile pi nu sunt apropiate de 0 sau 1, iar produsele
n' i = ni pi , unde pi = f ( xi ) , dup estimarea parametrilor, nu sunt
prea mici (practic nu sunt mai mici dect 5), funcia considerat are
repartiia 2 cu ( s 1) k grade de libertate, s fiind numrul de
valori observate, iar k numrul parametrilor estimai.

OBSERVAII:
Dac legea presupus este legea Poisson, ea are un singur
parametru, deci k = 1 , iar numrul gradelor de libertate va fi
( s 1) 1 = s 2 ; dac legea presupus este legea normal, atunci
k = 2 i avem ( s 1) 2 = s 3 grade de libertate.
Dup cum am precizat mai sus, legea 2 condiia ca
n' i = ni pi s nu fie numere mai mici dect 5. n cazul n care exist
astfel de numere, se vor cumula la prima frecven ni mai mare ca
5. Aceasta face ca numrul s s fie modificat corespunztor noii
situaii, devenind ~
s , iar numrul gradelor de libertate devenind
(~
s 1) k . Dac ntre repartiia de selecie i repartiia teoretic

exist concordan, atunci statistica

2 definit n relaia

2 =
i =1

( ni n ' i ) 2 trebuie s fie mai mic i nu va depi o valoare

n'i

(2s 1) k ; corespunztoare numrului gradelor de

libertate ( s 1) k i pragului de semnificaie dat. Regiunea
critic a testului va fi dat de inegalitatea 2 > (2s 1) k ; i deci,

determinat

dac 2 (2s 1) k ;
respingem.
b)

acceptm ipoteza H 0 , n caz contrar o

Testul de concordan al lui Kolmogorov:

Din studierea convergenei funciei empirice de repartiie

F ( x ) ctre funcia teoretic de repartiie F ( x ) , Kolmogorov a
demonstrat urmtoarea teorem:

unde > 0
i
lim P d n <
= K ( ) = ( 1) k e 2 k 2 ,
n
n

k =
d n = max Fn ( x ) F ( x ) .
Funcia K ( ) este calculat n tabele pentru diverse valori
ale lui (tabelul distribuiei Kolmogorov) .
Cu ajutorul acestei teoreme se poate da un criteriu de
verificare a ipotezei H 0 c repartiia empiric urmeaz o anumit
lege de repartiie.
Dac ipoteza H 0 este adevrat, atunci diferenele
Fn ( x ) F ( x ) nu vor depi o anumit valoare d ;n pe care o fixm

astfel nct: P( d n > d ;n / H 0 ) = , unde este riscul de gradul

nti. Dar P( d n > d ;n ) = 1 P( d n d ;n ) .
Lund d ;n = , nseamn c atunci cnd H 0 este
n
adevrat i n suficient de mare avem:

P d n > = 1 P d n = 1 K ( ) = .
n
n

Unui prag de semnificaie dat i corespunde prin relaia

K ( ) = 1 o valoare astfel nct, pentru un volum n dat al
seleciei gsim valoarea d ;n = .
n

Regiunea critic pentru ipoteza H 0 este dat de relaia

dn >

. Deci:
n

dac dn < , exist concordan ntre Fn ( x ) i F(x) i se

n
accept ipoteza H 0 .

dac dn , nu exist concordan i respingem ipoteza

n
H0 .

EXEMPLU:
Pentru a organiza mai bine serviciul n perioada de vrf, la
un sector al unui magazin se cerceteaz sosirile cumprtorilor la
raionul respectiv, ct i timpul de servire al unei persoane. Astfel,
considernd intervalele de timp de 5 minute, luate la ntmplare n
perioada de vrf, se numr de fiecare dat cte persoane sosesc la
raionul urmrit. Au fost cercetate 200 perioade de cte 5 minute,
obinndu-se rezultatele din tabelul T1 , n care am notat cu x
numrul care arat n cte perioade din cele 200 cercetate am
observat exact x sosiri. S-a msurat, pe de alt parte, timpul de
servire a 30 cumprtori, luai la ntmplare, n perioada de vrf,
obinndu-se datele din tabelul T2 , unde am notat cu y timpul de
servire al unui cumprtor i cu n y numrul de cumprtori, pentru
care timpul de servire este y. Deoarece variabila aleatoare y este
continu, crecetarea a fost fcut pe intervale de cte 30 secunde
(0,5 minute), pe care le vom reduce n calcule la jumtile lor.
a) S se testeze ipoteza H 0 c sosirile cumprtorilor la
raionul considerat sunt de tip Poisson.
b) S se testeze ipoteza H 0 c timpul de servire a unui
cumprtor are o distribuie exponenial.

Tabelul T1 :

NR. SOSIRI N
5 MIN. (X)
0
1
2
3
4
5
6
7
8
9
10
11
12
Total

FRECVENE
ABSOLUTE ( n x )
1
16
31
37
41
30
23
13
6
1
0
1
0
200

Tabelul T2 :

INTERVAL DE
TIMP ( yi 1 ; yi )

FRECVENE
ABSOLUTE ( n y )

0,5-1
1-1,5
1,5-2
2-2,5
2,5-3
Total

18
8
2
1
1
30

a) Facem o ajustare a repartiiei empirice din tabelul T1 dup o

repartiie Poisson:
x
f ( x; ) = e
, x = 1,2,...
x!

Deoarece media repartiiei Poisson este egal cu , vom

estima parametrul prin media de selecie X , deci:
x n x 800
=X= x
=
= 4.
n x 200
x

Determinm frecvenele n' x = 200 e 4 4 , calculnd nti

x!
pentru x = 4 , considerat ca cea mai probabil din tabelul T1 :
44
= 39,1 i apoi celelalte, folosind formulele de
4!
recuren care sunt uor de dedus: n' x 1 = x n ' x , pentru x < 4 i
n' x = 200 e 4

n ' x , pentru x > 4 . Rezultatele obinute se trec n

x +1
coloana n' x a tabelului:
n' x +1 =

Tabelul T3 :

nx

x nx

n' x

n x n' x

(n x n'x )2
n'x

1
0
1
2
3
4
5
6
7
8
9
10
11
12
Total

2
1
16
31
37
41
30
23
13
6
1
0
1
0
200

3
0
32
62
111
164
150
138
91
48
9
0
11
0
800

4
3,7
14,7
29,3
39
39,1
31,4
20,8
11,9
6,0
2,6
1,0
0,4
0,1
200

5
-1,4

6
0,11

1,7
-2
1,9
1,4
2,2
1,1

0,10
0,11
0,99
0,06
0,29
0,10

-2,1

0,44

2 = 2 ,14

Pentru a testa ipoteza H 0 , aplicm testul 2 , motiv pentru

care am cumulat valorile mici de pe coloanele lui n x i n' x . S-a
obinut:
12
( n n' x ) 2
2 = x
= 2,14
n' x
x =0
Pentru nivelul de semnificaie = 0,05 i numrul gradelor
de libertate 6, gsim 02, 05;6 = 12,59 . Avem C2 < 02, 05;6 , deci
acceptm ipoteza H 0 , adic sosirile cumprtorilor la raionul
respectiv sunt de tip Poisson, cu media = 4 persoane n 5 minute.
b) Facem aici o ajustare a repartiiei empirice din tabelul T2 ,
dup o repartiie exponenial de forma: f ( y ) = e y , y > 0 .
Drept valori ale lui y vom considera tabelul T4 mijloacele
intervalelor timpilor de servire i calculm valoarea medie a
variabilei empirice cu formula:
y n y = 32 = 1,07
Y = M (Y ) =
n y 30
Pentru c estimatorul de maxim verosimilitate al
1
parametrului este , estimm pe prin: = 1 = 30 = 0,925 .
Y
Y 32
Pentru a testa ipoteza H 0 vom aplica testul lui
Kolmogorov. n acest scop calculm mai nti coloana Fn ( y ) a
funciei de repartiie empirice, cumulnd pe fiecare linie frecvenele
absolute din linia respectiv i de deasupra ei i mprind rezultatul
la 30. De exemplu:
8 + 18
F2 ( y ) =
= 0,87
30
Calculm apoi valorile corespunztoare ale funciei de
repartiie teoretic F ( y ) folosind formula cunoscut a acesteia:
F ( y ) = 1 e y , pentru = 0,925
De exemplu: F (2,25) = 1 e 2, 250, 925 = 0,87 .
Ultima coloan a tabelului T4 conine diferenele
Fn ( x ) F ( x ) cu cea mai mare dintre ele evideniat.

Tabelul T4 :
[ yi 1 yi )

yi

ni

y i ni

Fn ( y )

F ( y)

Fn ( y ) F ( y )

0,5-1
1-1,5
1,5-2
2-2,5
2,5-3
Total

0,75
1,25
1,75
2,25
2,75

18
8
2
1
1
30

13,50
10,00
3,50
2,25
2,75
30,00

0,66
0,87
0,93
0,97
1,00

0,60
0,75
0,84
0,87
0,94

0,00
0,12
0,09
0,10
0,06

Considernd drept nivel de semnificaie = 0,01 , tabelul

corespunztor testului lui Kolmogorov d = 1,63 i cum n = 5
avem:
1,63
=
= 0,73 > 0,12 = max Fn ( x ) F ( x ) = d n
n
n
Acceptm ipoteza H 0 c timpul de servire a unui
cumprtor are o repartiie exponenial cu parametrul = 0,925 .