Sunteți pe pagina 1din 224

UNIVERSITATEA DE TIINE AGRONOMICE

I MEDICIN VETERINAR BUCURETI


DEPARTAMENTUL DE NVMNT LA DISTAN

Prof. univ. dr. DUMITRU ENE

MATEMATIC I STATISTIC
APLICAT N AGRICULTUR
VOLUMUL II: STATISTIC

Ediia II revizuit

Descrierea CIP a Bibliotecii Naionale a Romniei


ENE, DUMITRU
Matematic i statistic aplicat n agricultur / Dumitru Ene. Bucureti : Ceres, 2010
vol.
ISBN 978-973-40-0867-4
Vol. 2. : Statistic. - 2010. - ISBN 978-973-40-0869-8
51-7:63

ISBN 978-973-40-0869-8

CUPRINS
PREFA..7
CAPITOLUL 1. CALCULUL PROBABILITILOR ....................................................................... 9
1.1 EVENIMENTE I PROBABILITILE LOR ..................................................................................................................... 9
1.1.1 Evenimente ....................................................................................................................................................... 9
1.1.2 Probabilitile evenimentelor ......................................................................................................................... 11
1.1.3 Probabilitile condiionate ale evenimentelor .............................................................................................. 14
1.2 VARIABILE ALEATOARE ........................................................................................................................................... 17
1.2.1 Densitatea de probabilitate i funcia de repartiie ....................................................................................... 17
1.2.2 Indicatori numerici ......................................................................................................................................... 22
1.2.3 Funcia caracteristic ..................................................................................................................................... 25
1.3 VECTORI ALEATORI ................................................................................................................................................. 27
1.3.1 Densitatea de probabilitate i funcia de repartiie ....................................................................................... 27
1.3.2 Indicatori numerici ......................................................................................................................................... 30
1.4 VARIABILE ALEATOARE CLASICE DISCONTINUE ...................................................................................................... 34
1.4.1 Variabila binomial ........................................................................................................................................ 34
1.4.2 Variabila hipergeometric.............................................................................................................................. 37
1.4.3 Variabila Poisson ............................................................................................................................................ 38
1.5 VARIABILE ALEATOARE CLASICE CONTINUE ........................................................................................................... 39
1.5.1 Variabila uniform ......................................................................................................................................... 39
1.5.2 Variabilele exponenial, Weibull, Erlang ...................................................................................................... 40
1.5.3 Variabila normal........................................................................................................................................... 41
1.5.4 Variabilele Hi Ptrat, Student, Fisher ............................................................................................................. 44
A. Variabila Hi Ptrat (2) .......................................................................................................................................................44
B. Variabila Student (t)...........................................................................................................................................................45
C. Variabila Fisher (F) .............................................................................................................................................................45

1.5.5 Vectorul aleator normal ................................................................................................................................. 46


1.6 LEGI LIMIT ............................................................................................................................................................ 47
1.7 FIABILITATEA ECHIPAMENTELOR ........................................................................................................................... 50
1.8 REZUMAT ............................................................................................................................................................... 53
1.9 NTREBRI .............................................................................................................................................................. 53
1.10 BIBLIOGRAFIE ....................................................................................................................................................... 53

CAPITOLUL 2. CULEGEREA I PRELUCRAREA DATELOR DE SONDAJ .......................... 54


2.1 POPULAII STATISTICE I SONDAJE......................................................................................................................... 54
2.2 INDICATORI DE SONDAJ DE REPARTIIE ................................................................................................................. 58
2.2.1 Cazul sondajului de volum mic (n < 30) .......................................................................................................... 58
2.2.2. Cazul sondajului de volum mare (n > 30) ...................................................................................................... 61
2.3 INDICATORI DE SONDAJ DE EVOLUIE .................................................................................................................... 69
2.3.1. Cazul msurtorilor simple n timp ............................................................................................................... 69
2.3.2. Cazul msurtorilor multiple n timp ............................................................................................................. 75
2.3.3 Indici statistici................................................................................................................................................. 76
2.4 ESTIMAII/TESTE N POPULAII NORMALE............................................................................................................. 85
2.5 ESTIMAII/TESTE PARAMETRICE N POPULAII NORMALE..................................................................................... 88
2.5.1 Estimaii/teste pentru parametrii , ai unui caracter cantitativ ntr-o populaie normal ......................... 88
2.5.2 Estimaii/teste pentru parametrul p al unui caracter calitativ ntr-o populaie normal .............................. 92
2.5.3 Estimaii/teste pentru parametrii 2 1, 2/1 ai unui caracter cantitativ n dou populaii normale ........ 93
2.5.4 Estimaii/teste pentru parametrul p2 p1 al unui caracter calitativ n dou populaii normale .................... 98
2.6 TESTE NEPARAMETRICE N POPULAII NORMALE ................................................................................................ 100
2.6.1 Testul hi ptrat de concordan ................................................................................................................... 100
2.6.2 Testul hi ptrat de independen ................................................................................................................. 102
2.6.3 Testele normalitii prin asimetrie i boltire ................................................................................................ 104
2.7 REZUMAT ............................................................................................................................................................. 106
2.8 NTREBRI ............................................................................................................................................................ 106
2.9 BIBLIOGRAFIE ....................................................................................................................................................... 106

CAPITOLUL 3. TESTE ALE CONTROLULUI CALITII I FIABILITII N


AGRICULTUR .................................................................................................... 107
3.1 CONTROLUL STATISTIC DE CALITATE N CURSUL PROCESULUI DE PRODUCIE .................................................... 108
3.1.1 Cazul unei nsuiri cantitative ....................................................................................................................... 110
3.1.2 Cazul unei nsuiri calitative ......................................................................................................................... 112
3.2 CONTROLUL STATISTIC DE CALITATE LA RECEPIE................................................................................................ 114
3.2.1 Controlul unei nsuiri cantitative ................................................................................................................. 116
A. Controlul simplu al unei nsuiri cantitative ....................................................................................................................116
B. Controlul secvenial al unei nsuiri cantitative ...............................................................................................................118

3.2.2 Controlul unei nsuiri calitative ................................................................................................................... 121


A. Controlul simplu al unei nsuiri calitative .......................................................................................................................121
B. Controlul secvenial al unei nsuiri calitative ..................................................................................................................121

3.2.3 Controlul fiabilitii mainilor agricole ......................................................................................................... 123


A. Controlul simplu al fiabilitii mainilor agricole .............................................................................................................123
B. Controlul secvenial al fiabilitii mainilor agricole ........................................................................................................124

3.3 REZUMAT ............................................................................................................................................................. 125


3.4 NTREBRI ............................................................................................................................................................ 125
3.5 BIBLIOGRAFIE ....................................................................................................................................................... 125

CAPITOLUL 4 ANALIZA VARIANEI I PLANURI EXPERIMENTALE N


AGRICULTUR .................................................................................................... 126
4.1 ANALIZA VARIANEI MONOFACTORIAL NEBALANSAT N POPULAII OMOGENE ............................................ 126
4.2 ANALIZA VARIANEI BIFACTORIAL COMPLET NEBALANSAT N POPULAII OMOGENE.................................. 133
4.3 ANALIZA VARIANEI BIFACTORIAL IERARHIC NEBALANSAT N POPULAII OMOGENE .................................. 140
4.4 PLANURI EXPERIMENTALE N POPULAII NEOMOGENE ....................................................................................... 145
4.4.1 Planul blocurilor complete randomizate ...................................................................................................... 145
4.4.2 Planul ptratelor i dreptunghiurilor latine .................................................................................................. 148
4.5 REZUMAT ............................................................................................................................................................. 153
4.6 NTREBRI ............................................................................................................................................................ 153
4.7 BIBLIOGRAFIE ....................................................................................................................................................... 153

CAPITOLUL 5. CORELAIA I REGRESIA NTRE CARACTERE........................................ 154


5.1 CORELAIA I REGRESIA MONOFACTORIAL LINIAR.......................................................................................... 154
5.1.1 Cazul observaiilor perechi (xi, yi) ................................................................................................................. 154
5.1.2 Cazul observaiilor multiple (xi, yij) ............................................................................................................... 169
5.1.3 Cross - corelaia i autocorelaia seriilor de timp ......................................................................................... 172
5.2 CORELAII I REGRESII MONOFACTORIALE NELINIARE ........................................................................................ 174
5.2.1 Corelaia i regresia monofactorial polinomial ........................................................................................ 175
5.2.2 Corelaia i regresia monofactorial trigonometric ................................................................................... 177
5.2.3 Corelaia i regresia monofactorial polinomial-trigonometric ................................................................. 180
5.3 CORELAII I REGRESII POLIFACTORIALE .............................................................................................................. 184
5.3.1 Corelaia i regresia polifactorial liniar pentru cazul a 2 + 1 caractere .................................................... 184
5.3.2 Corelaia i regresia polifactorial liniar pentru cazul a m + 1 caractere ................................................... 193
5.3.3 Corelaia i regresia polifactorial polinomial de grad p fr interaciuni pentru cazul a m + 1 caractere
.............................................................................................................................................................................. 203
5.3.4 Corelaia i regresia polifactorial polinomial de grad 3 cu interaciuni pentru cazul a m + 1 caractere .. 205
5.4 REZUMAT ............................................................................................................................................................. 208
5.5 NTREBRI ............................................................................................................................................................ 208
5.6 BIBLIOGRAFIE ....................................................................................................................................................... 208

BIBLIOGRAFIE GENERAL ............................................................................................................ 209


ANEX CU TABELE STATISTICE .................................................................................................. 211
TABEL 1 FUNCIA DE REPARTIIE N(0; 1): F(U/2) = 1 - /2 ................................................................................................ 212
TABEL 2 VALORILE STUDENT T/2 I T: P(|T| > T/2) = P(T > T) = ..................................................................................... 213
TABEL 3 VALORILE HI PTRAT (2): P (2 > 2) = ......................................................................................................... 214
TABEL 4 VALORILE FISHER (F0.05): P (F > F0.05) = 0.05 ........................................................................................................ 216
TABEL 5 VALORILE FISHER (F0.01): P (F > F0.01) = 0.01 ........................................................................................................ 217

TABEL 6 VALORILE FISHER (F0.001): P (F > F0.001) = 0.001.................................................................................................... 218


TABEL 7 AMPLITUDINEA STUDENTIZAT TUKEY T(0.05) ....................................................................................................... 219
TABEL 8 AMPLITUDINEA STUDENTIZAT TUKEY T(0.01) ....................................................................................................... 220
TABEL 9 VALORI CRITICE ALE ASIMETRIEI I BOLTIRII .............................................................................................................. 221
TABEL 10 VALORI CRITICE R/2 ALE COEFICIENTULUI DE CORELAIE LINIAR R ............................................................................ 222
TABEL 11 TRANSFORMAREA FISHER: Z = 0.5 LN [(1 + R)/(1 - R)] ........................................................................................... 223
TABEL 12 VALORI CRITICE PENTRU FIE DE CONTROL AL CALITII ............................................................................................ 224

PREFA
Aceast lucrare este destinat studenilor de la Facultatea de Management i Inginerie
economic n agricultur i agroturism, curs de zi i la distan, putnd fi folosit i de studenii
altor faculti cu profil Agricol.
Capitolele 1 - 5 sunt consacrate aplicaiilor statisticii n agricultur, domeniu care are o
lung tradiie n ara noastr.
Aplicaiile statisticii n agricultur au beneficiat de aportul remarcabil al computerelor
pentru partea de calcule prin produse informatice generale sau specializate pe statistic.
n acest moment accentul cade pe modelarea statistic cea mai eficient n agricultur i pe
interpretarea corect a rezultatelor n vederea lurii unor decizii corecte i rapide.
Agricultura ca domeniu de activitate cu risc din partea naturii i a conjuncturii variabile pe
piaa produselor agricole, se dovedete un domeniu de predilecie al statisticii, ca mod de gndire
al viitorului, citndu-l pe statisticianul V. Vod.
Capitolul 1 prezint noiunile de teoria probabilitilor strict necesare pentru nelegerea
conceptelor statisticii: evenimente, probabiliti, variabile i vectori aleatori, variabile aleatoare
clasice, legi-limit i fiabilitatea echipamentelor.
Capitolul 2 prezint sondajele n populaii statistice, semnificaia i modul de calcul al
indicatorilor de sondaj de repartiie i evoluie. O atenie special se acord indicilor statistici foarte
folosii n aplicaiile economice.
Acest capitol se ncheie cu estimaii i teste parametrice ale mediilor i abaterilor-standard n
populaii pentru caractere cantitative (msurabile), respectiv estimaii i teste parametrice ale
probabilitilor n populaii pentru caractere calitative (atributive) precum i teste neparametrice n
populaii: concordan, independen i normalitate a populaiei.
n capitolul 3 se prezint testele controlului calitii i fiabilitii n agricultur att n cursul
procesului de producie (prin fie de control al calitii) ct i la recepie (prin control simplu i
secvenial).
n capitolul 4 se prezint analiza varianei mono i polifactorial nebalansat complet i
ierarhic n populaii omogene inclusiv calculul componentelor de varian n populaie. Pentru
populaii neomogene se prezint principalele planuri experimentale folosite n agricultur: planul
blocurilor complete randomizate i planul ptratelor i dreptunghiurilor latine.
Facem precizarea c n capitolul 4 folosim denumirea de indice de corelaie, distinct fa
de denumirea de raport de corelaie neliniar din capitolul 5 dei Enciclopedia de statistic le
identific.
n capitolul 5 se prezint corelaia/regresia monofactorial liniar i neliniare (de tip
polinomial, trigonometric i mixt). n continuare se prezint corelaia/regresia polifactorial liniar
i neliniar polinomial (fr i cu interaciuni), ntre m + 1 caractere. Pentru corelaia i regresia
liniar polifactorial, se prezint calculul aporturilor a m factori la al m + 1-lea caracter, stabilit de
ENE D. n lucrrile 21 i 27.
n ntreaga lucrare am adoptat un compromis ntre rigoarea tiinific (prin definiii, teoreme
i demonstraii) i accesibilitate/utilitate (prin exemple detaliate).
Toate exemplele din lucrare conin date convenionale plauzibile din agricultur.
Lucrarea se ncheie cu bibliografie i o anex cu 14 tabele statistice.
Tot n Anex se dau cteva foi EXCEL pentru calcule statistice.
Pentru problemele tratate n lucrare dispunem de un pachet propriu de programe executabile.
Dealtfel n lucrare facem referiri dese la produsul EXCEL pentru optimizri, funcii statistice
uzuale i pachetul de statistic DATA ANALYSIS din opiunea TOOLS.

Iunie 2010

Autorul

CAPITOLUL 1. CALCULUL PROBABILITILOR


Obiective: nsuirea de ctre studeni a conceptelor de eveniment, probabilitate simpl i
condiionat a evenimentelor, variabil aleatoare i indicatori asociai, vector aleator i indicatori
asociai, variabile aleatoare clasice discontinue i continue precum i a legilor-limit.
Coninut:
1.1 Evenimente i probabilitile lor
1.1.1 Evenimente
1.1.2 Probabilitile evenimentelor
1.1.3 Probabilitile condiionate ale evenimentelor
1.2 Variabile aleatoare
1.2.1 Densitatea de probabilitate i funcia de repartiie
1.2.2 Indicatori numerici
1.2.3 Funcia caracteristic
1.3 Vectori aleatori
1.3.1 Densitatea de probabilitate i funcia de repartiie
1.3.2 Indicatori numerici
1.4 Variabile aleatoare clasice discontinue
1.4.1 Variabila binomial
1.4.2 Variabila hipergeometric
1.4.3 Variabila Poisson
1.5 Variabile aleatoare clasice continue
1.5.1 Variabila uniform
1.5.2 Variabilele exponenial, Weibull, Erlang
1.5.3 Variabila normal
1.5.4 Variabilele Hi Patrat, Student, Fisher
A. Variabila Hi Patrat (2)
B. Variabila Student (t)
C. Variabila Fisher (F)
1.5.5 Vectorul aleator normal
1.6 Legi-limit
1.7 Fiabilitatea echipamentelor
1.8 Rezumat
1.9 ntrebri
1.10 Bibliografie
Cuvinte cheie: eveniment, probabilitate, probabilitate condiionat, variabil aleatoare,
funcie de repartiie i densitate de probabilitate, media i variana unei variabile aleatoare, funcia
caracteristic a unei variabile aleatoare, vector aleator, covariana i coeficientul de corelaie liniar
pentru un vector aleator, variabila binomial, Poisson, exponenial, normal, hi patrat, Student,
Fisher, vectorul aleator normal.

1.1 EVENIMENTE I PROBABILITILE LOR


1.1.1 Evenimente
Un experiment este aleator dac rezultatele sale nu pot fi prevzute cu exactitate, fiind sub
influena ntmplrii.
9

Exemple:
1) Apariia unei fee la aruncarea monezii;
2) Apariia unei fee la aruncarea zarului;
3) Apariia unei bile albe la extragerea din urn cu bile albe i negre.
Totalitatea rezultatelor posibile ale unui experiment aleator se numete spaiu de
evenimente elementare i se noteaz cu .
Mulimea prilor (submulimilor) lui se noteaz cu P().
Exemplu:
1) La aruncarea monezii avem = {stem, ban};
2) La aruncarea zarului avem = {1, 2, 3, 4, 5, 6};
Dac mulimea este finit sau numrabil (ir), orice submulime A se numete
eveniment.
Dac mulimea este nenumrabil (de exemplu = R), vom numi evenimente numai
submulimile A a cror familie formeaz o algebr K P() care se definete prin
condiiile:
1)
2) Ai pentru i I
Ai

iI

3) A CA
CA se numete eveniment contrar cu A i se mai noteaz cu .
Exemplu:
Dac A = apariia unei fee pare la aruncarea zarului atunci CA = apariia unei fee
impare la aruncarea zarului.
ca eveniment, se numete evenimentul sigur iar C = se numete evenimentul
imposibil.
Incluziunea A B se numete implicare a evenimentului B de ctre evenimentul A:
realizarea lui A determin realizarea lui B.
Exemplu:
Dac A = apariia feei 6 la aruncarea zarului i B = apariia unei fee pare la
aruncarea zarului avem A B.
Egalitatea A = B se numete echivalen a evenimentelor A i B i are loc dac A B i
B A.
Evenimentul B este elementar dac A B A = sau A = B.
Exemple:
1) Apariia unei anumite fee la aruncarea unei monezi sau zar este eveniment elementar;
2) Apariia unei bile albe la extragerea din urn a unei bile este eveniment elementar.
Dndu-se dou evenimente A i B, reuniunea lor se noteaz cu A B i se citete A sau
B fiind un eveniment compus care se realizeaz dac se realizeaz mcar unul dintre
evenimentele A, B.
Dndu-se dou evenimente A i B, intersecia lor se noteaz A B i se citete A i B
fiind un eveniment compus care se realizeaz dac ambele evenimente A, B se realizeaz.
Exemplu:
Fie A evenimentul c becul 1 funcioneaz la un moment dat i B evenimentul c becul 2
funcioneaz n acelai moment.
10

A B este evenimentul c trece curentul prin circuitul paralel care conine becurile 1 i 2.
A B este evenimentul c trece curentul prin circuitul serie care conine becurile 1 i 2.
Evenimentele A, B sunt incompatibile dac nu se realizeaz simultan adic A B = .
n caz contrar A i B se numesc compatibile.
Exemple de evenimente incompatibile:
1) Apariia de fee diferite la o aruncare cu moneda sau zarul;
2) Apariia de culori diferite la extragerea unei bile din urn.
Exemple de evenimente compatibile:
1) Nimerirea unei inte de doi trgtori care ochesc asupra ei;
2) Funcionarea la un moment dat a dou becuri ntr-un circuit electric.
1.1.2 Probabilitile evenimentelor
Fie o - algebr de evenimente din P().
O funcie P: R+ se numete probabilitate dac:
1) P() = 1

2) P Ai PAi pentru orice familie (Ai) i I cu Ai , incompatibile cte dou.


iI iI
Tripleta {, , P} se numete cmp de probabilitate.
Fie p(i) numere negative de sum 1 care se corespund bijectiv cu evenimentele elementare
i (i N). Definim P(i) = p(i) i pentru orice eveniment A P() lum P A p(i) .
iA

Funcia P astfel definit este probabilitate n sensul definiiei de mai sus.


n particular dac = {1, , m} i pi

P A

1
pentru orice i {1, , m} vom avea
m

nr. cazuri favorabile evenimentului A


nr.cazuri egal posibile

Aceasta este definiia clasic a probabilitii unui eveniment.


Exemple:
1) Pstema

1
50% ;
2

2) P fa dat la zar

16, 7% ;

3) Fie urna U cu 7 bile albe i 3 bile negre.

P bil extras alb

7
70%
10

Definiia clasic a probabilitii nu se aplic dac:


1) moneda este deformat;
2) zarul nu are feele egale (este paralelipiped);
3) bilele din urn nu au acelai diametru, cci n aceste cazuri evenimentele elementare nu
sunt egal posibile.
Evenimentele A i B se numesc independente dac P(A B) = P(A) . P(B) i dependente
n caz contrar.
Exemple de evenimente independente:
1) Apariiile unor fee la aruncarea simultan a dou monezi sau zaruri care nu se ciocnesc;
2) Apariiile unor fee la dou aruncri succesive a unei monezi sau zar;
3) Apariiile a dou bile albe la extrageri simultane din dou urne diferite;
11

4) Apariia a dou bile albe la dou extrageri succesive dintr-o urn cu bila revenit.
Exemple de evenimente dependente:
Apariia a dou bile albe la dou extrageri succesive din urn cu bila nerevenit.
Teorema 1.1
Avem proprietile:
1) P() = 1 P(A) pentru orice A ;
2) P(A 1 A n ) = [P(A 1 ) + + (A n )] - [P(A 1 A 2 ) + + P(A n-1 A n )] + +
(-1) nP(A1 An) pentru orice evenimente A1, , An ;
3) 0 < P(A) < 1 pentru orice A ; P() = 0; P() = 1;
4) P(A1 An) > P(A1) + + (An) n + 1 (Boole).
Demonstraie:
1) A = i A = deci P(A ) = P() = 1, deci conform axiomei 2) din
definiia probabilitii: P(A) + P() = 1 deci P() = 1 P(A).
2) Vom demonstra egalitatea pentru n = 2 i apoi aplicm inducia dup n.
Evenimentele A1 i 1 A2 sunt incompatibile i A1 (1 A2) = A1 A2 deci
conform axiomei 2) a probabilitii, avem:
P(A1) + P(1 A2) = P(A1 A2)
(1)
Evenimentele A1 A2 i 1 A2 sunt incompatibile i (A1 A2) (1 A2) = A2
deci conform axiomei 2) a probabilitilor avem:
P(A1 A2) + P(1 A2) = P(A2)
(2)
Scznd egalitatea (2) din (1) obinem:
P(A1) - P(A1 A2) = P(A1 A2) P(A2) sau:
P(A1 A2) = P(A1) + P(A2) - P(A1 A2)
(3)
Dac A i B sunt incompatibile (A B = ) din (3) reobinem axioma 2) a probabilitii:
P(A1 A2) = P(A1) + P(A2)
(4)
3) P(A) > 0 i P() = 1 conform axiomei 1) a probabilitii.
Dac A1 A2 egalitatea (2) devine:
P(A1) + P(1 A2) = P(A2) sau
P(A2) P(A1) = P(1 A2) > 0, deci A1 A2 implic P(A1) < P(A2).
n particular A deci P(A) < P() = 1.
De asemenea = , deci conform punctului 1) avem P() = 1 P() = 0
4) Vom demonstra inegalitatea pentru n = 2 apoi aplicm inducia dup n.
Avem P(A1 A2) = P(A1) + P(A2) P(A1 A2) > P(A1) + P(A2) 1 = P(A1) + P(A2) - 2 +1
Dac A1, A2 sunt independente avem conform definiiei egalitatea P(A1 A2) = P(A1) . P(A2).
Q.E.D.
Exemple:
1) Se arunc 2 monezi care nu se ciocnesc.
Se cere:
a) Probabilitatea P1 s ias 2 steme;
b) Probabilitatea P2 s nu ias nici o stem;
c) Probabilitatea P3 s ias cel puin o stem.

12

Soluie:
Fie evenimentele: A1 = apariia stemei pe prima moned i A2 = apariia stemei pe a
doua moned
a) A1 i A2 sunt independente, deci P1 = P(A1 A2) = PA1 A 2
b) P2 = P(1 2) = P(1) . P(2) =
c) P3 = 1 P2 =

1 1 1
.
2 2 4

1 1 1
.
2 2 4

3
.
4

2) Se arunc 2 zaruri care nu se ciocnesc.


Se cere:
a) Probabilitatea P1 s ias o anumit dubl;
b) Probabilitatea P2 ca suma punctelor s fie cuprins ntre 2 i 4;
c) Probabilitatea P3 ca produsul punctelor s fie cuprins ntre 3 i 5.
Soluie:
a) Fie A1 = evenimentul c iese o fa dat pe primul zar i A2 = evenimentul c iese
aceeai fa pe al II-lea zar. Evenimentele A1, A2 sunt independente deci P1 = P(A1 A2) =
P(A1) P(A2) =

1 1 1
;
6 6 36

b) Avem 2 = 1 + 1; 3 = 1 + 2 = 2 + 1; 4 = 1 + 3 = 2 + 2 = 3 + 1, deci conform definiiei


clasice a probabilitii avem P2 =

6 1
;
36 6

c) Avem 3 = 1 . 3 = 3 . 1; 4 = 1 . 4 = 2 . 2 = 4 . 1; 5 = 1 . 5 = 5 . 1 deci P3 =

7
.
36

3) Se dau dou urne U1 cu 7 bile albe i 3 bile negre i U2 cu 4 bile albe i 6 bile negre. Se
extrage cte o bil din fiecare urn.
Se cere:
a) Probabilitatea P1 ca ambele bile s fie albe;
b) Probabilitatea P2 ca bilele s fie de aceeai culoare;
c) Probabilitatea P3 ca bilele s fie de culori diferite.
Soluie:
a) Fie evenimentele: A1 = apariia unei bile albe din urna U1 i A2 = apariia unei bile
albe din urna U2. Evenimentele A1 i A2 sunt independente deci: P1 = P(A1 A2) = P(A1) . P(A2)
=

7 4
28% ;
10 10
b) Evenimentele A1 A2 i 1 2 sunt incompatibile deci P2 = P[(A1 A2) (1

2)] = P(A1 A2) + P(1 2) + P(A1) . P(A2) + P(1) . P(2) =


c) P3 = 1 P2 = 54%
4) Dou becuri au probabilitile de nedefectare:
P(A1) = 0.8; P(A2) = 0.9
13

7 4 3 6
46%
10 10 10 10

Se cere:
a) Probabilitatea P1 ca prin circuitul serie al celor 2 becuri s treac curentul;
b) Probabilitatea P2 ca prin circuitul paralel al celor 2 becuri s treac curentul.
Soluie:
Evenimentele A1, A2 sunt compatibile i independente.
a) P1 = P(A1 A2) = P(A1) . P(A2) = 0.8 x 0.9 = 72%;
b) P2 = P(A1 A2) = P(A1) + P(A2) P(A1) . P(A2) = 0.8 + 0.9 0.72 = 98%
5) Doi ochitori lovesc o int cu probabilitile P(A1) = 0.7; P(A2) = 0.8
Se cere:
a) Probabilitatea P1 a lovirii intei dac trag simultan amndoi asupra ei;
b) Probabilitatea P2 a lovirii intei dac primul ochitor execut dou focuri succesive asupra
ei;
c) Probabilitatea P3 a lovirii intei dac al II-lea ochitor execut dou focuri succesive
asupra ei.
Soluie:
A1, A2 sunt evenimente compatibile i independente.
a) P1 = P(A1 A2) = P(A1) + P(A2) P(A1) . P(A2) = 0.7 + 0.8 0.7 . 0.8 = 94%;
b) P2 = P(A1 A1) = P(A1) + P(A1) (PA1) . P(A1) = 0.7 + 0.7 0.7 . 0.7 = 91%;
c) P3 = P(A2 A2) = P(A2) + P(A2) P(A2) . P(A2) = 0.8 + 0.8 0.8 . 0.8 = 96%.
6) Un soi de gru ndeplinete condiiile de calitate cu probabilitile: P (MMB standard) =
0.96; P (putere de germinare standard) = 0.97; P (umiditate standard) = 0.92
Se cere:
Probabilitatea ndeplinirii standardelor pentru cele trei condiii.
Soluie:
Condiiile din enun sunt dependente deci P(A1 A2 A3) > P(A1) + P(A2) + P(A3) 3 + 1
= 0.96 + 0.97 + 0.92 2 = 0.85 = 85%.
1.1.3 Probabilitile condiionate ale evenimentelor
Pentru a descrie influena realizrii unui eveniment A1 asupra realizrii unui eveniment A2
se folosete probabilitatea condiionat.
P A1 A 2
Raportul
se numete probabilitatea lui A2 condiionat de A1 i se noteaz
PA1
PA1(A2) sau P(A2/A1).
Observm c dac A1 i A2 sunt independente, avem:
P(A1 A2) = P(A1) . P(A2), deci P(A2) = P(A2).

De asemenea dac A1 implic pe A2 (A1 A2) atunci A1 A2 = A1, deci P(A1 A2) =
PA1) aa c PA1(A2) = 1.
Relaia de definiie P(A1 A2) = P(A1) . PA1(A2) se extinde prin inducie dup n:
P(A1 An) = P(A1) . PA1(A2) ... PA1 An-1(An)
(5)
14

Teorema 1.2
Dac = A1 An cu A1, , An i Ai sunt incompatibile cte dou, pentru orice
B avem:
1) (Formula probabilitii totale):
P(B) = P(A1) . PA1(B) + + P(An) . PAn(B)
2) (Formula Bayes):

PB Aj

(6)

PAj PAj B

PA1 PA1 B ... PA n PAn B

(7)

pentru orice j = 1, , n.
Demonstraie:
1) Din relaia = A1 An rezult B = (A1 B) (An B), A1, , An fiind
incompatibile cte dou i A1 B, , An B vor fi incompatibile cte dou.
Din axioma 2) a probabilitii rezult:
P(B) = P(A1 B) + + P(An B)
Dar P(Aj B) = P(Aj) . PAj(B); (j = 1, , n), deci rezult relaia (6) din enunt:
P(B) = P(A1) . PA1(B) + + P(An) . PAn(B)
2)Avem:

PB Aj

P(Aj) PAj (B)


PAj B
; (j = 1, , n) adic relaia

P(B)
P(A1 ) PA1 (B) ... P(An ) PAn (B)

(7) din enun. Q.E.D.


Exemple:
1) La o tombol sunt 50 bilete din care 5 sunt ctigtoare. O persoan cumpr 3 bilete.
Care este probabilitatea ca nici unul s nu fie ctigtor?
Soluie:
Fie evenimentele Ai = biletul la extragerea Nr. i a ieit nectigtor (i = 1, 2, 3).
Relaia (5) se scrie:
P(A1 A2 A3) = P(A1) . PA1(A2) . PA1

A2(A3)

45 44 43

72.7%
50 49 48

2) O urn conine 12 bile albe i 8 bile negre. Se extrag succesiv din urn 3 bile cu bila
nerevenit. Care este probabilitatea ca bilele extrase s fie n ordine: alb, neagr, alb?
Soluie:
Fie evenimentul A1 = prima bil extras este neagr; A2 = a doua bil extras este
neagr; A3 = a treia bil extras este alb.
Relaia (5) se scrie:
P(A1 A2 A3) = P(A1) . PA1(A2) . PA1

A2(A3)

12 8 11
15.4%
20 19 18

3) Se dau urnele U1 cu 12 bile albe i 8 bile negre, U2 cu 10 bile albe i 10 bile negre i U3
cu 6 bile albe i 14 bile negre.
15

a) Se extrage o bil dintr-o urn. Care este probabilitatea ca ea s fie alb?


b) Se extrage o bil dintr-o urn i se constat c este alb. Din ce urn provine bila
extras?
Soluie:
Fie evenimentele Ai = bila extras provine din urna Ui, (i = 1, 2, 3) i B = bila extras
este alb.
a) Relaia (6) se poate scrie:
P(B) = P(A1) . PA1(B) + P(A2) . PA2(B) + P(A3) . PA3(B) =
=

1 12 1 10 1 6 12 10 6 28

46.7%
3 20 3 20 3 20 60 60 60 60

b) Relaia (7) se scrie pentru j = 1:

P(A1 ) PA1 (B)

12 28 12
:

42.8%
P(B)
60 60 28
10
6
Analog PB(A2) =
PB(A3) =
35.7 %;
21.5%
28
28
PB (A1 )

Deci este mai probabil c bila alb extras s provin din urna U1.
4) Se dau urnele U1 cu 12 bile albe i 8 bile negre i U2 cu 6 bile albe i 14 bile negre. Din
U1 n U2 se transfer o bil apoi se extrage o bil din U2.
a) Care este probabilitatea ca bila extras din U2 s fie alb?
b) tiind c bila extras din U2 a fost alb, ce culoare avea bila transferat?
Soluie:
Fie evenimentele A1 = bila transferat din U1 n U2 a fost alb, A2 = bila transferat din
U1 n U2 a fost neagr; B = bila extras din U2 este alb.
a) Relaia (6) pentru n = 3 se scrie:
P(B) = P(A1) . PA1(B) + P(A2) . PA2(B) =
=

12 7
8 6
84
48 132

31.4%
20 21 20 21 420 420 420

b) Relaia (7) pentru j = 1 se scrie:


PB(A1) =

P(A1 ) PA1 (B)


P(B)
48

Analog PB(A2) =
fost alb.

132

84

132

420 420

84

63.6%

132

36.4% deci este mai probabil c bila transferat din U1 n U2 a

5) Trei boli la bovine au probabilitile P(A1) = 0.45; P(A2) = 0.36; P(A3) = 0.19 Aceste boli
modific un parametru sanguin cu probabilitile PA1(B) = 0.23; PA2(B) = 0.41; PA3(B) = 0.75.
a) Care este probabilitatea ca o vac bolnav de una din cele trei boli s aib parametrul
sanguin modificat?
b) La o vac se constat c parametrul sanguin este modificat de una din cele trei boli. Care
din boli a provocat modificarea?

16

Soluie:
Fie evenimentele Ai = vaca s-a mbolnvit de boala cu nr. i, (i = 1, 2, 3); B = vaca are
parametrul sanguin modificat.
a) Conform relaiei (6) pentru n = 3 avem:
P(B) = P(A1) . PA1(B) + P(A2) . PB(A2) + P(A3) . PA3(B) = 0.45 . 0.23 + 0.36 . 0.41 + 0.19 .
0.75 = 0.1035 + 0.1476 +0.1425 = 39.36%
b) Relaia (7) pentru j = 1 devine:

PB (A1 )

P(A1 ) PA1 (B)

Analog PB(A2) =

P(B)
0.1476

0.1035
0.3936

26.3%

37.5% ;

PB(A3) =

0.3936

probabil c boala nr. 2 a modificat parametrul sanguin.

0.1425

36.2% , deci este mai

0.3936

1.2 VARIABILE ALEATOARE


1.2.1 Densitatea de probabilitate i funcia de repartiie
Fie spaiul evenimentelor elementare asociat unui eveniment aleator i P() o algebr de evenimente incluse n .
Fie mulimea numerelor reale R i - algebra mulimilor boreliene B P(R) adic cea
mai mic - algebr de submulimi ale lui R care conine toate intervalele din R.
Fie cmpul de probabilitate (, , P).O variabil aleatoare este o funcie X: R astfel
c {/X() B} pentru orice mulime borelian B P(R). Dac mulimea valorilor variabilei
aleatoare X este numrabil (ir finit sau infinit): x1, x2, , xn, atunci {X = xi} sunt evenimente
i cunoaterea lui P(X = xi) = f(xi) (i =1, 2, 3,) permite calculul lui P(X B) = f(xi) unde
nsumarea se face dup valorile lui i pentru care xi B.
Funcia xi f(xi) (i N) se numete densitatea de probabilitate a variabilei aleatoare X.
Avem:
1 P() f(x i )
iN

Dac mulimea valorilor variabilei aleatoare X este nenumrabil, densitatea de


b

probabilitate este o funcie real f(x) > 0 astfel c P(a < X < b) = f(x)dx
n particular 1 P( X )
n acest caz P(X B) f(x)dx

f(x)dx

Observm c orice constant a R este formal o variabil aleatoare X cu valoarea a i


P(X = a) = 1.
O variabil aleatoare cu mulimea valorilor numrabil se numete discontinu iar o
variabil aleatoare cu mulimea valorilor nenumrabil se numete continu.
Exemple de variabile aleatoare discontinue:
0
1
1) Cu codificarea 1 = stema, 0 = banul, variabila aleatoare X:

este asociat aruncrii unei monezi;


2) La aruncarea unui zar avem variabila aleatoare X:

4 5 6

1/6 1/6 1/6 1/6 1/6


1/6
17

3)
Se d o urn U cu 4 bile albe i 6 bile negre. Se extrag n = 2 bile succesiv cu bila
revenit. Pot apare x = 0, 1, 2 bile albe deci avem variabila aleatoare X:

9/25 12/25
4/25
Variabilele de la punctele 1) i 2) se numesc uniforme deoarece toate
valorile au aceeai
probabilitate (densitatea de probabilitate este funcie constant) iar variabila de la punctul 3) nu este
uniform.

x [2;4]
in rest

mx,
4) Fie funcia f(x)
0

f(x) este densitatea de probabilitate a unei variabile aleatoare continue dac

f(x, y) 0 deci

mxdx 1
-

sau

4 2
2

mxdx 1

adic m.

f(x) 1

deci m

1
. Este
6

vizibil c f(x) > 0.


Funcia real F(x) = P(X < x) se numete funcia de repartiie a variabilei aleatoare X.
Teorema 1.1
Avem proprietile:
1) F(x) ia valori n [0, 1];

lim

F(x) = 0;

x
2) F(x) este o funcie continu la stnga:
lim F(x) = F(x0)

lim

F(x) 1

xx0

3) F(x) este funcie cresctoare: x1 < x1 F(x1) < F(x2)


4) P(a < X < b) = F(b) F(a)
P(X < b) = F(b)
P(a < X) = 1 F(a)
Demonstraie:
1) Evident 0 < F(x) < 1 conform definiiei lui F i punctului 3) din teorema 1.1.
Fie irul descresctor Xn cu limita - i evenimentele: A0 = X < x1, Bn = < X < Xn-1 (n > 2).
Avem Bi Bj = pentru i j i A0 = B n , deci

P(A0 )

n2

P(Bn ) sau F(x1) = [F(x1) F(x2)] + [F(x2) F(x3)] + + [F(x2) F(x3)] +

n2

+ [F(xn) F(xn+1)] + adic F(x1) = F(x1) -

lim

x n

Relaia

lim

x n

F(x n ) aa c

F(x n ) 1 se demonstreaz n mod analog.

lim

x n

F(x n ) 0 .

2) Fie irul cresctor Xn cu limita x0.


Fie evenimentele A = X < x0; A0 = X < x1; An = xn < X < xn+1 (n N).
Avem Ai Aj = pentru i j i A = A0 A1 A2 An , deci
P(A) = P(A0) + P(A1) + + P(An) + , adic F(x0) = F(x1) + [F(x2) F(x1)] + + [F(xn)
F(xn-1)] + , adic F(x0) = lim F(x n ) deci F este continu la stnga n x0.
xn x0

18

3) Fie evenimentele A = X < x1; B = X < x2.


Cum x1 < x2 rezult A B deci P(A) < P(B) aa c F(x1) < F(x2) deci F este cresctoare.
4) Fie evenimentele A = X < a; B = X < b; C = a < X < b. Avem A C = i
A C = B, deci P(B) = P(A) + P(C) sau F(b) = F(a) + P(a < X < b).
Punnd n aceast relaie a = x0, b = x0 + X, avem P(x0 < X < x0 + X) = F(x0 + x) F(x0).
Cum F(x) este continu la stnga, pentru X 0 egalitatea precedent devine: P(X = x0) =0.
n particular P(X = b) = 0 i cum evenimentele a < X < b i X = b sunt compatibile, putem
scrie P(a < X < b) = P(a < X < b) + P(X = b) = F(b) F(a) + 0 = F(b) F(a)
n fine P(X < b) = F(b) - lim F(x) = F(b) 0 = F(b) i P(a < X) = 1 P(X < a) = 1 F(a)
x

Q.E.D.

x1 ,........xn

, ea are funcia de
Dac X este variabil aleatoare discontinu cu repartiia
p
,.......p
1
n
repartiie :
0
P1

, x < x1
,x1 < x < x2

F(x) =
P1 + + pn-1, xn-1 < x < xn
1
,xn < x
Dac X este variabil aleatoare continu cu densitatea de probabilitate f(x), X are funcia de
repartiie F(x)

f(t)dt .

Reciproc, avem F(x) = f(x).


Pe graficul lui f(x), F(x) este aria de sub grafic aflat n stnga ordonatei lui x:

f(x)

F(x)

x
0

Exemple:
1) Pentru variabila aleatoare discontinu X cu repartiia:

1
X:

10
ave

0.11 0.42 0.30 0.07 0.10

19

, avem densitatea de probabilitate:

0.11
0.42
0.30
0.07
0.10
0

f(x) =

,x=1
,x=2
,x=4
,x=6
, x = 10
n rest

i funcia de repartiie:

0
0.11
0.53
0.83
0.90
1

F(x) =

,x<1
,1<x<2
,2<x<4
,4<x<6
, 6 < x < 10
, 10 < x

Avem P(1.5 < X < 7.4) = F(7.4) F(1.5) = 0.90 0.11 = 69%
P(X < 5.8) = F(5.8) = 83%; F(3.4 < X) = 1 F(3.4) = 1 0.53 = 47%
2) Pentru variabila aleatoare continu X cu densitatea de probabilitate:
x
x
, x 2; 4
f(x) 6
avem funcia de repartiie F(x) f(t)dt
0 n rest

Pentru x < 2 avem

F(x)

0dt 0

x
t
t
1 2
(x 4) iar pentru
Pentru 2 < x < 4 avem F(x) dt dt
6
6
12

2
x

x > 4 avem

4
t
t
dt

6 2 6dt 1

P(2.3 < X < 3.6) = F(3.6) F(2.3) =

1
[(3.62 4) (2.32 4)] 63.9% ;
12

1 2
(3 4) 42.7%
12
1
(2.52 4) 81.2%
P(2.5 < X) = 1 F(2.5) = 1 12
P(X < 3) = F(3) =

Dou variabilele aleatoare X1, X2 se numesc independente dac:


P(X1 B1 i X2 B2) = P(X1 B1) . P(X2 B2)
n particular dac X1, X2 sunt variabile aleatoare discontinue, X1, X2 sunt independente dac
pentru orice x1, x2 R evenimentele X1 = x1 i X2 = x2 sunt independente, adic P(X1 = x1 i
X2 = x2) = P(X1 = x1) . P(X2 = x2)
Exemple:
1) Aruncarea a dou monezi sau zaruri care nu se ciocnesc, dau natere la variabile
aleatoare independente;
2) Extragerea a cte unei bile albe din dou urne dau natere la variabile aleatoare
independente.
ntre variabilele aleatoare independente se fac operaiile aritmetice obinuite.

20

Fie de exemplu variabilele aleatoare discontinue independente X i Y cu repartiiile

x1 , ______ x m
;
X :
p
,
______
p
1
m

y1 , ______ y n

Y :
q
,
______
q
1
n

i 1, .... m

j 1, .... n

deci rij = P(X = xi i Y = yj) = P(P(X = xi) . P(Y = yj)) = pi . qj,

Dac a R, avem variabila aleatoare constant a :


1
Vom avea variabilele aleatoare cu repartiiile

xi a
ax i
X x i /a
(a 0)
;
;
X
aX :
:

p
p
p
a
i

xi y j
x ia
a
;

X Y :
X : respectiv

pi
pi q j
xi y j
X x i /y j
XY :
:
;
(yj 0)

p .q
Y pi .q j
i j
Dac X este variabil aleatoare continu cu densitatea de probabilitate f(x), atunci se arat
c variabila aleatoare Y = (X) unde este o funcie bijectiv i derivabil, va avea densitatea de
probabilitate:
g(y) = f[-1(y)] . [ 1 (y) ]'
Exemplu:
Se d variabila aleatoare X cu densitatea de probabilitate:

f(x) =

x
2
0

, x [0, 2]
, n rest

Se cere densitatea de probabilitate a variabilelor Y = 2X + 3; Y = e4X; Y = ln(X + 1)


Soluie:
a) Y 2X 3 1 (y)
g(y) =

[ -1 (y)]'

1
2

y -3
, x [3; 7]
8
0
, n rest

b) Y e4X 1 (y)

g(y) =

y3
;
2

lny
32y
0

lny
;
4

[ -1 (y)]'

1
aa c:
4y

, y [1; e8 ]
, n rest

21

aa c:

c) Y ln(X 1) 1 (y) ey 1; [ -1 (y)]' e y

g(y) =

e2y - e y
2
0

deci:

, y [0; ln3]
, n rest

1.2.2 Indicatori numerici


n afar de funcia de repartiie F(x), variabila aleatoare X are i urmtorii indicatori
numerici:

1) Media M(X) =

xf(x)dx

xi
; (i N) , avem M(X) =
p
i

Dac X este discontinu cu repartiia X :

2) Mediana Me(X) este definit de relaia: F(Me)

xp
iN

1
2

3) Modul Mo(x) este punct de maxim pentru f(x)

4) Variana V(X) = M[(X M(X)) ] =

[x M(X)] f(x)dx
2

Dac X este discontinu cu repartiia X :

[x
iN

xi
; (i N) , avem V(X) =
pi

- M(X)]2 pi
Observm c eroarea ptratic total: SPA(x) =

(x x i ) 2 pi este minim pentru x =

i N

M(X) i are valoarea minim V(X).

(X) =

V(X)
(X)
6) Coeficientul de variaie c(X) =
100 (%)
M(X)
5) Abaterea standard

Exemple:
1) Pentru variabila aleatoare discontinu X cu repartiia:

2
4
6
10
1
X :

0.11 0.42 0.30 0.07 0.10

avem:

M(X) = 1 x 0.11 + 2 x 0.42 + 4 x 0.30 + 6 x 0.07 + 10 x 0.10 = 3.57;


Me(X) = 4; Mo(X) = 2
22

V(X) = (1 3.57)2 x 0.11 + (2 3.57)2 x 0.42 + (4 3.57)2 x 0.30 + (6 3.57)2 x 0.07 + (10
3.57)2 x 0.10 = 6.3651

(X) = 6.3651 2.52


2.52
70.6%
3.57

c(X) =

2) Pentru variabila aleatoare continu X cu densitatea de probabilitate:

x
6
0

f(x) =

M(X) =

, x [2; 4]

avem:

, n rest
4

x
1 2
x3 4 1 3
3
xf(x)dx 2 x 6 dx 6 2 x dx 18 2 18 (4 2 ) 3.11

x2 4
F(x) =
, pentru x [2; 4], deci:
12
x2 4 1
Me(X) 10 3.16; Mo(X) 4 cci f(x) este cresctoare.
12
2

x
1
3
2
2
V(X)= [x M(X)] f(x)dx (x 3.11) dx (x 6.22x 3.11 x)
6
62

2
2
1 x4
x3
2 x 4
6.22 11 0.6543; (X) 0.6543 0.81
6 4
3
2 2
0.81
26%
c(X) =
3.11
2

Proprietile mediei M(X) n raport cu operaiile cu variabile aleatoare, sunt date de:

Teorema 1.2
Avem proprietile:
1) M(a) = a
2) M(X + a) = M(X) + a
3) M(aX) = aM(X)
4) M(X + Y) = M(X) + M(Y)
5) Dac X, Y sunt independente, avem: M(X . Y) = M(X) . M(Y)
Demonstraie:
Relaiile rezult prin calcul direct pentru variabile discontinue:
x1 ... x m
y1 ... y n
i se generalizeaz pentru variabile continue folosind
X:
Y :
;

p1 ... pm
q1 ... q n
liniaritatea integralelor. Q.E.D.
Proprietile variantei V(X) n raport cu operaiile cu variabile aleatoare sunt date de:

23

Teorema 1.3
Avem proprietile:
1) V(a) = 0
2) V(X + a) = V(X)
3) V(aX) = a2V(X)
4) V(X) = M(X2) M2(X)
5) X, Y = independente V(X + Y) = V(X) + V(Y)
Demonstraie:
Relaiile rezult prin calcul direct (folosind i teorema 1.2) pentru variabile discontinue:
x ... x m
y1 ... y n
X: 1
; Y :
i se generalizeaz pentru variabile continue folosind
p1 ... pm
q1 ... q n
liniaritatea integralelor. Q.E.D.
Fie X o variabil aleatoare cu media M(X) i variana V(X) i fie > 0.
Dac cunoatem funcia de repartiie F(x) avem P(M(X) < X < M(X) + ) =
P X M(x) FM(x) FM(x) .

n caz contrar aplicm inegalitatea Cebev valabil pentru >

(X), dat de:

Teorema 1.4

P X M(X) 1

V(X)
2

Demonstraie:

x1 , ........,x n

Fie variabila aleatoare discontinu X cu repartiia X :


p
,
........,
p
1
n
Fie I =

i [1;n] : x

M(X) , deci:
n

P X M(X) 1 P x i M(X) = 1 pi
i 1

iI

Avem V(X) x i M(X) pi x i M(X) pi 2 pi , aa c:


2

i 1

V(X)
2

iI

iI

1 p i P X M(X) .
iI

Demonstraia cnd X este variabil aleatoare continu se face la fel ca mai sus, nlocuind sumele
cu integrale. Q.E.D.
Exemple:
1) Se d variabila aleatoare discontinu X cu repartiia:

2
4
6
10
1
X:

0.11 0.42 0.30 0.07 0.10

i cu M(X) = 3.57;

V(X) = 6.3651;

(X) = 2.52. Se cere o margine inferioar pentru P X 3.57 3


Soluie:
Conform inegalitii Cebev cu = 3

(X) avem:
24

P X 3.57 3 1

V(X)
6.3651

29.3% .
2
9

2) Pentru variabila aleatoare continu X cu densitatea


X
, X 2; 4

, i cu M(X) = 3.11; V(X) = 0.6543; (X) = 0.81


f(X) 6
0 , n rest

de

probabilitate

Se cere o margine inferioar pentru P X 3,11 1 .


Soluie:
Conform inegalitii Cebrev cu = 1 >

P X 3.11 1 1

(X) avem:

V(X)
0.6543

34.6%
2
1

1.2.3 Funcia caracteristic


Un instrument puternic n studiul variabilelor aleatoare ofer funcia caracteristic.
Fie X o variabil aleatoare cu densitatea de probabilitate f(X) i fie variabila aleatoare
itX
complex: e cos tX i sin tX
Funcia complex de variabil real: (t) = M(eitX) = M(cos tX + isin tX) se numete
funcie caracteristic a variabilei aleatoare X.
Dac X este variabil aleatoare discontinu avem:

(t ) e p j
itx j

jN

Dac X este variabil aleatoare continu avem:

(t)

itx

f(x)dx .

n ambele cazuri (t) este funcie continu.


Teorema 1.5
Avem proprietile:
(t) 1;
1) (0) = 1;

(-t) (t)

2) Dac X are funcia caracteristic (t) atunci aX are funcia caracteristic (at).
3) Dac X, Y sunt independente i au funciile caracteristice 1(t), 2(t) atunci variabila
aleatoare X + Y are funcia caracteristic 1(t) . 2(t).
4) Momentele de ordin k ale lui X sunt date de relaiile:
(k) (0)
M(X k )
; (k N)
ik
Demonstraie:
1) (0) = M(e0) = M(1) = 1

25

(t)

itx
e f(x)dx

e f(x)dx
itx

cos tx i sin tx f(x)dx

f(x)dx 1

( t) M(e itX ) M(cos tX - i sin tX) (t)


2) Variabila aleatoare aX are funcia caracteristic:

M(e

ia tX

i(at)x

f(x)dx (at)

3) X + Y are funcia caracteristic:

(t) M(eit(XY) ) M(ei t X .eitY ) M(eit X ).M(ei t Y )

cci X, Y sunt independente

deci (t) = 1(t) 2(t).


4) Derivm funcia caracteristic de k ori:

(t)
(k)

(ix)

e f(x)dx i
itx

xe

k itx

f(x)dx , deci:

x f(x)dx i M(X

(k) (0) i k

Q.E.D.

Inversarea transformatei Fourier permite exprimarea n mod unic a densitii de probabilitate


f(x) a variabilei aleatoare X cu ajutorul funciei caracteristice (t):

1 i t x
f(x)
e (t)dt
2
Teorema 1.5 transfer proprietile lui (t) la f(x):

f(x)dx 1

1) f(x) > 0;

2) Dac variabila aleatoare X are densitatea de probabilitate f(x), variabila aX are densitatea
a.f(x).
3) Dac variabilele aleatoare independente X, Y au densitile de probabilitate f1(x), f2(x),
atunci variabila aleatoare X + Y are ca densitate de probabilitate produsul de convoluie al lui
f1(x), f2(x):

f(x)

f(s)g(x s)ds f(x s)g(s)ds

4) Momentele de ordin k ale variabilei aleatoare X sunt date de relaia:

MX

x f(x)dx
k

Exemple:
1) Fie variabila aleatoare discontinu X cu repartiia
S se afle funcia caracteristic (t)

26

1 2 4
X:

0.1 0.6 0.3

Soluie:

(t) eit 0.1 e2it 0.2 e4it 0.3


2) Fie variabila aleatoare continu X cu densitatea de probabilitate

f(x) 6
0

, x 2; 4

. Se cere funcia caracteristic (t)

n rest

Soluie:

(t)

1
6t

14 itx
1 4
f(x)dx e xdx x cos t x dx i x sin tx dx
62
6 2
2

itx

1 4it e

4it

1 2it e 2it

1.3 VECTORI ALEATORI


1.3.1 Densitatea de probabilitate i funcia de repartiie
Fie spaiul euclidian Rn i - algebra mulimilor boreliene B P(Rn) adic cea mai mic
- algebr de submulimi ale lui Rn care conine toate intervalele din Rn.
Fie cmpul de probabilitate (, K, P).
Un vector aleator n dimensional este o funcie X = (X1, , Xn): Rn astfel c
X(( B K pentru orice mulime borelian B P(Rn).

Componentele X1, , Xn sunt variabile aleatoare numite variabile marginale pentru X.


Pentru simplificarea expunerii, vom prezenta cazu n = 2, adic vectorii aleatori
bidimensionali Z = (X, Y).
Dac mulimea valorilor vectorului aleator Z = (X, Y) este numrabil (ir finit sau infinit)
vectorul aleator se numete discontinuu.
De exemplu dac variabila aleatoare X ia valorile x1, .., xm iar variabila aleatoare Y ia
valorile y1, , yn, cunoaterea lui rij = P(X = xi i Y = yj), adic a densitii de probabilitate a lui
m n

Z = (X, Y) cu 1 rij , permite cunoaterea repartiiei vectorului aleator discontinuu Z = (X, Y)


i 1 j 1

Repartiia vectorului aleator discontinuu Z = (X, Y) se d prin tabelul:


Y
y1 yn
Suma linie
X
x1
.
.
.
.
xm

rm1 ...rmn

q1
.
.
.
.
qn

Suma coloan

p1 pn

r11 .. r1n

27

x1 ___ x m

media: M(X) x i p i i
Variabila marginal X are repartiia X :
i 1
p1 ___ p m
m

variana: V(X) x i p i M(X)


2

i 1

n
y1 ___ Yn
media: M(Y) y j q j i
Variabila marginal Y are repartiia Y :
j1
q1 ___ q n

variana: V(Y) y j q j M(Y)


2

j 1

Exemplu:
La tragerea la int, orice lovitur este caracterizat de perechea (X, Y) unde X este abaterea
n direcie fa de centrul O al intei i Y este abaterea n nlime fa de centrul O al intei iar
rij = P(X = xi i Y = yj); i, j N este probabilitatea ca o lovitur s aib abaterea n direcie xi i n
nlime yj.
Dac mulimea valorilor vectorului aleator Z = (X, Y) este nenumrabil, atunci vectorul
aleator se numete continuu i densitatea sa de probabilitate este o funcie real f(x, y) > 0 astfel
bd

c P(a < X < b i c < Y < d) =

f(x, y)dxdy .
ac

n particular 1 P(X R si Y R)

f(x, y)dxdy

Exemplu:

mx 2 y, x 2;4

Fie funcia f(x, y)


y 1;3 i f(x, y) este densitatea de probabilitate al
0
in rest

vectorului aleator continuu Z = (X, Y) dac

f(x, y) 1

i f(x,y) > 0 deci

mx

ydxdy 1 sau m x 2 dx ydy 1, deci:

56
3
m 4 1 aa c m
. Vizibil f(x, y) > 0.
3
224
Funcia de repartiie a vectorului aleator Z = (X, Y) este F(x, y) = P(X < x i Y < y).
Ca i n cazul variabilei aleatoare (teorema 2.1.) se demonstreaz:
Teorema 1.6
Avem proprietile:
1) F(x, y) ia valori n [0; 1];

28

lim

F(x, y)

lim

F(x, y)

F(x, y) 1

lim

(x, y) ( , )

2) F este continu la stnga n raport cu fiecare variabil:


lim F(x, y) F(x0 , y) ; lim F(x, y) F(x, y 0 )
xx

3) F este cresctoare n raport cu fiecare variabil:


x1 < x2 F(x1, y) < F(x2, y)
y1 < y2 F(x, y1) < F(x, y2)
4) P[a < X < b i c < Y < d] = [F(b, d) F(a, d)] - [F(b, c) F(a, c)]
P(X < b i Y < d) = F(b, d)
P(a < X i c < Y) = 1 F(a, c)
Variabilele aleatoare X, Y care compun vectorul aleator Z = (X, Y), au funciile de
repartiie:
F1 (x) lim F(x, y)
i
F2 (y) lim F(x, y)
y

Cunoscnd densitatea de probabilitate f(x, y) a vectorului aleator X = (X, Y), funcia sa de


repartiie este dat de relaia:
x

f(s, t)ds dt

F(x, y)

Reciproc, dac F(x, y) este derivabil de dou ori n raport cu x, y avem densitatea de
probabilitate f(x, y) = Fxy(x, y). Variabilele X, Y vor avea densitile de probabilitate:

f1 (x)
f 2 (y)

f(x, y)dy F'1 (x)

f(x, y)dx F'2 (y)

Exemplu:
Pentru vectorul aleator Z = (X, Y) cu densitatea de probabilitate:

3 2
224 x y ; x 2,4

f(x, y)
y 1,3
0
in rest

x y

avem funcia de repartiie

x y

y
x
3
3 s3 x t 2 y
2
F ( x, y) f (s, t )ds d t s tds d t s ds tdt

14
224
3
2

0 , x 2 sau y 1
1

F(x, y)
(x 3 23 )(y 2 12 ) n rest
448
1 , x y si y 3
2

adic:

29

Pe graficul suprafeei z = f(x, y), densitatea de probabilitate f(x, y) este cota punctului de
abscis x i ordonat y iar funcia de repartiie F(x, y) este volumul de sub suprafaa z = f(x, y) aflat
n semispaiul Z > 0 i n stnga planelor X = x i Y = y.
Teorema 1.7
Variabilele aleatoare X, Y din componena vectorului aleator Z = (X, Y) sunt independente
dac i numai dac F(x, y) = F1(x) . F2(y) sau dac i numai dac f(x, y) = f1(x) . f2(y)
Demonstraie:
X, Y sunt independente dac i numai dac evenimentele X < x i Y < y sunt
independente dac i numai dac P(X < x i Y < y) = P(X < x) . P(Y < y) dac i numai dac F(x, y) =
F1(x) . F2(y) de unde prin derivare parial n raport cu x, y obinem Fxy(x, y) = F1(x) . F2(y) adic
f(x, y) = f1(x) . f2(y). Q.E.D.
1.3.2 Indicatori numerici
n afar de funcia de repartiie F(x, y), vectorul aleator Z = (X, Y) are i urmtorii indicatori
numerici:
1) Vectorul medie M(Z) = (M(X), M(Y)) unde:

M(X)

xf1 (x)dx;

M(Y)

yf2 (y)dy

x1 ___ x m

i
Dac X, Y sunt discontinue, de exemplu dac X :
p
___
p
1
m
m
n
y1 ___ y n
avem: M(X) x i p i ; M(Y) y jq j
Y :
i 1
j 1
q1 ___ q n
C(X, X) C(X, Y)
2) Matricea de covarian: C(Z)
C(Y, X) C(Y, Y)

Aici C(X, Y) este covariana variabilelor aleatoare X, Y dat de relaia de definiie:


C(X, Y) = M[(X M(X) . (Y M(Y)].
Dac X, Y sunt discontinue, avem:
m n

C(X, Y) (x i M(X)) (y j M(Y)) rij


i 1 j 1

unde rij = P(X = xi i Y = yj).


Dac X, Y sunt continue avem:

C(X, Y)

(x M(X) (y M(Y)) f (x, y)dx dy

Este vizibil c C(X, Y) = C(Y, X)


De asemenea, avem:
m

i 1
n

j 1

C(X, X) V(X) (x i M(X)) 2 p i

C(Y, Y) V(Y) (y j M(Y)) 2 q j


30

(x M(X)) f1 (x)dx , respectiv:


(y M(Y)) f 2 (y)dy

Observm c eroarea ptratic total:


m

SPA(x, y) (x x i ) pi (y y j ) 2 q j este minim pentru x = M(X), y = M(Y),


2

i 1

j1

valoarea minimului fiind urma V(X) + V(Y) a matricii de covarian C(Z).


3) Funcia de regresie Y = g(X)
n cazul vectorului aleator discontinuu Z = (X, Y) definim mediile condiionate:
n

M c (x i ) M X x i (Y) y jrij se definete prin relaiile: g(xi) = MX = xi (Y)


j 1

n cazul vectorului aleator continuu Z = (X, Y) definim mediile condiionate:

Mc(xi) = MX = Xi(Y) =

yf(x, y)dy

iar funcia de regresie va fi: g(x) = Mc(x)

4) Coeficientul de corelaie liniar al variabilelor aleatoare X, Y este definit de relaia:

(X, Y)

C(X, Y)
C(X, Y)

V(X) V(Y) (X) (Y)

Proprietile covarianei C(X, Y) n raport cu operaiile cu variabile aleatoare, sunt date de:
Teorema 1.8
Avem proprietile:
1) C(a, b) = 0
2) C(X + a, Y + b) = C(X, Y)
3) C(aX, bX) = abC(X, Y)
4) C(X, Y) = M(X . Y) M(X) . M(Y) =

1
V(X Y) V(X) V(Y)
2

5) Dac X, Y sunt variabile aleatoare independente atunci C(X, Y) = 0, adic X, Y sunt


necorelate liniar.
Dac X, Y sunt variabile aleatoare normale este adevrat i reciproca.
Demonstraie:
Relaiile 1) 4) rezult prin calcul direct, folosind teoremele 1.2 i 1.3 i definiia lui C(X, Y).
Dac X = Y, din teorema 1.8 reobinem teorema 1.3.
S demonstrm punctul 5) din enun.
Dac X, Y = variabile aleatoare independente, conform teoremelor 1.2 i 1.3 avem M(X . Y)
= M(X) . M(Y) respectiv V(X + Y) = V(X) + V(Y) deci conform punctului 4) din enun, avem C(X, Y)
= 0 adic X, Y nu sunt corelate liniar.
Reciproca pentru X, Y = variabile aleatoare normale va fi demonstrat n teorema 1.10.
Dac X, Y nu sunt variabile aleatoare normale, reciproca afirmaiei de la punctul 5) din
enun, nu este adevrat: exist variabile necorelate liniar care sunt dependente.
Exemplu:
Pentru vectorul aleator discontinuu Z = (X, Y) cu repartiia
Y
1
3
Suma p
X
1
0.4
0
0.4
2
0.1
0.5
0.6
Suma q
0.5
0.5
1
31

avem C(X, Y) = 0 dei: 0.1 = P(X = 2, Y = 1) P(X = 2) . P(Y = 1) = 0.6 . 0.5 = 0.3. Q.E.D.
Proprietile coeficientului de corelaie liniar (X, Y) n raport cu operaiile cu variabile
aleatoare sunt date de:
Teorema 1.9
Avem proprietile:
1) (a, b) = 0
2) (X + a, Y + b) = (X, Y)
3) (aX, bY) = (X, Y)
4) (X, Y) 1; (X, Y) 1; dac i numai dac X, Y sunt dependente funcional
liniar: Y = aX + b
5) Dac X, Y sunt variabile aleatoare independente atunci (X, Y) = 0 adic X, Y sunt
necorelate liniar.
6) Dac X, Y sunt variabile aleatoare normale, este adevrat i reciproca.
Demonstraie:
Relaiile 1) 3) rezult prin calcul direct, folosind teoremele 1.3, 1.8 i definiia lui (X, Y)
=

C(X, Y)
. Din relaiile 2) 3) rezult:
V(X) V(Y)

X M(X) Y - M(Y)

(X, Y) C
,
(X)
(Y)

Relaia 5) din enun rezult din relaia 5) a teoremei 2.8 i din definiia lui (X, Y).
S demonstrm punctul 4) din enun.
Avem V[ (Y) . X - (X) . Y] > 0, relaie n care folosim teoremele 2.2, 2.3, 2.8 i
obinem: 2(X) . 2(Y) - (X) . (Y) . C(X,Y) > 0 sau

C(X, Y)
1
(X)(Y)

n mod analog relaia V[ (Y) . X +

(X, Y) 1

(X) . Y] > 0 conduce la relaia (X, Y) > - 1 deci

Dac (X, Y) 1 s artm c Y = aX + b.


Fie funcia E(a, b) = M[(Y aX b)2]
Folosind teoremele 2.2, 2.3, 2.8, avem:
E(a, b) = V(Y) + a2V(X) 2a (X, Y) . (X) (Y) + [M(Y) aM(X) - b]2
Pentru a minimiza funcia E(a, b), anulm derivatele sale pariale n raport cu a, b:

E' a 2aV(x) 2X, Y) (X)(Y) 2M(X) M(Y) aM(X) b 0

E' b 2M(Y) aM(X) b

cu soluia:

a (X, Y)

(Y)
;
(X)

b M(Y) aM(X)

Valoarea minimului este E min [1 (X, Y)] V(Y) .


Dac (X, Y) 1 avem Emin = 0 adic: M(Y aX b) = 0, deci Y = aX + b
2

32

Reciproc, dac Y = aX + b s artm c (X, Y) 1


Avem (X, Y) (X, aX b)

C(X, aX b)

V(X) V(aX b)

aV(X)
V(X) a 2 V(X)

1
1
a

deoarece C(X, aX + b) = M[X(aX + b)] M(X) . M(aX + b) = aM(X2) aM2(X) = aV(X)


Dac a > 0 avem (X, aX + b) = 1 iar dac a < 0 avem (X, aX + b) = -1, a se numete
coeficientul de regresie liniar iar b se numete termenul liber al regresiei.
Exemplu:
Fie vectorul aleator discontinuu Z = (X, Y) cu repartiia:
Y
X
1
2
Suma q

Suma p

0.5
0
0.5

0.1
0
0.1

0
0.4
0.4

0.6
0.4
1

S se calculeze M(Z), C(Z), Y = g(X), (X, Y) i coeficienii regresiei liniare a, b.


Soluie:
Variabila

Variabila

1 2 are media M(X) = 1.4


X:

0.6 0.4 i variana V(X) = 0.2


1 2 3 are media M(Y) = 1.9
Y:

0.5 0.1 0.4 i variana V(Y) = 0.89

Vectorul medie este M(Z) =( 1.4; 1.9)


Avem covariana C(X, Y) =( 1 1.4) . (1 1.9) . 0,5 + (1 1.4) . (2 1.9) . 0.1 + (2 1.4) . (2
1.9) . 0.4 = 0.44
Matricea de covarian va fi:

0.24
C(Z)
0.44

0.44
0.89

Avem mediile condiionate:


MX = 1(Y) = 1 . 0.5 + 2 . 0.1 + 3 . 0 = 0.7
MX = 2(Y) = 1 . 0 + 2 . 0 + 3 . 0.4 = 1.2
deci funcia de regresie Y = g(X) are forma tabelar:

1
2
Avem coeficientul de corelaie liniar:

(X, Y)

C(X, Y)
0.44

0.96
V(X) V(Y)
0.24 0.89

Coeficientul de regresie este:

a (X, Y)

(Y)
0.89
0.96
1.85
(X)
0.24

Termenul liber al regresiei este: b = M(Y) aM(X) = 1.9 1.85 . 0.24 = 1.46
33

g(x)
0.7
1.2

1.4 VARIABILE ALEATOARE CLASICE DISCONTINUE


1.4.1 Variabila binomial
Variabila aleatoare binominal este variabil aleatoare cu un numr finit de valori avnd ca
model schema bilei revenite. Aceast schem este un caz particular al unei scheme mai generale,
numit schema lui Poisson care const n urmtoarele:
Se dau n urne: U1 cu a1 bile albe i b1bile negre, Un cu an bile albe i bn bile negre. Se extrag
n bile, cte una din fiecare urn (extrageri independente). Probabilitatea de a extrage o bil alb din
urna Uj este: pj = (aj/(aj + bj) iar probabilitatea de a extrage o bil neagr din urna Uj este qj = 1 - pj,
(1 j n).
Teorema 1.10
Probabilitatea ca din n bile s obinem k bile albe (k = 0, 1, , n) i restul negre, este
coeficientul lui tk n produsul (p1t + q1).(pnt + qn) este:

Pn,k pi1 ...pik qik 1 ....qin

Demonstraie:
Fie Aj evenimentul extragerii unei bile albe din urna Uj i j evenimentul extragerii unei bile
negre din urna Uj (1 j n).
Obinerea a k bile albe i n - k bile negre cnd se extrage cte o bil din fiecare din cele n
urne, const n realizarea unui eveniment de forma:
An,k = Ai1 Aik A ik + 1 ... A in
unde i1, ..., in este o permutare a indicilor 1, , n. Cum evenimentele Aj, A j sunt independente cte
dou, avem:

P(An,k) = pi1.pikqik+1.qin

Evenimentele An,k fiind incompatibile cte dou, probabilitatea Pn,k a obinerii a k bile albe
i n - k bile negre n schema Poisson, va fi:

Pn,k = pi1.pikqik+1..qin
pentru toate permutrile i1,..., in ale indicilor 1,, n adic chiar coeficientul lui t k n produsul (p1t

+ q1).(pnt + qn). Q.E.D.


Schema lui Poisson se aplic cnd se urmrete ca n experimente independente s apar de
k ori un eveniment A, dac se cunosc probabilitile diferite de realizare a sa n cele n experimente.
Schema bilei revenite se obine ca un caz particular din schema lui Poisson cnd urnele
U1,, Un au un coninut identic n bile albe i negre: a1 =..= an = a i b1 =. bn = b
n acest caz, extragerea simultan a cte unei bile din cele n urne identice U cu a bile albe i
b bile negre este echivalent cu extragerea succesiv a n bile dintr-o singur urn U cu a bile albe i
b bile negre, punnd bila napoi n urn dup fiecare extragere, pentru ca urna U s fie identic la
fiecare din cele n extrageri succesive.
Avem p1 =..= pn = p i q1 =.qn = q = 1 - p, deci Pn,k este coeficientul lui tk n produsul
(pt + q)(pt + q) = (pt + q)n adic: Pn,k = Cnkpkqn-k ; (k = 0, 1,, n).
Schema bilei revenite se aplic cnd se urmrete ca n n repetri independente ale unui
experiment, s apar de k ori un eveniment A, dac se cunoate probabilitatea sa de realizare n acel
experiment.
Aruncrile repetate de monezi i zaruri se supun schemei bilei revenite, dnd natere la
evenimente independente.
Formula combinrilor este:
n(n 1)...(n k 1)
n!
Cnk (nk )

Cnnk
1.2...k
k !(n k )!
34

Funcii EXCEL pentru aranjamente, permutri i combinri:


a) Aranjamente de n obiecte luate cte k:
Ank = n(n - 1)(n k + 1) = n!/(n - k)!
Funcia EXCEL: = PERMUT(n, k)
b) Permutri de k obiecte:
Pk = 1.2.k = k!
Funcia EXCEL: = FACT(k)
c) Combinri de n obiecte luate cte k:
Cnk = (nk) = Ank/Pk = n!/k!(n - k)!
Funcia EXCEL: = COMBIN(n, k)
Dac n i k au valori mari, factorialele se calculeaz aproximativ cu formula Stirling:
n
n ! 2 n .( ) n
e
n concluzie variabila binomial B(n, p) are densitatea de probabilitate:
f(k) = Cnkpkqn - k; (k = 0, 1,, n)
(1)
Calculul lui f(k) se face mai comod prin formulele recurente:
f(0) = qn, (k = 0)
n k 1 p
f (k ) f (k 1).
.
(k 1,2,..., n)
k
q
Funcia de repartiie binomial este:
k

F (k ) Cnh p h q n h
h 0

Funcie EXCEL: = BINOMDIST(k, n, p, L)


Pentru L = FALSE avem densitatea de repartiie binomial f(k) iar pentru L = TRUE avem
funcia de repartiie binomial F(k).
Funcia caracteristic este

(t ) ( peit q) n

Din teorema 1.5 rezult M ( X )

M (X 2 )

"(0)
2

' (0)
i

np i

n2 p 2 npq aa c V(X) = M(X2) - M2(X) = npq.

i
Modul Mo(X) satisface relaia np q Mo(X) np + q.

Teorema 1.11
Dac X, Y sunt variabile binomiale independente de tip B(n1, p) i respectiv B(n2, p), atunci
X + Y este variabil binomial de tip B(n1 + n2, p).
Demonstraie:
it
n1
it
n2
it
Conform teoremei 1.5, X + Y are funcia caracteristic (pe + q) .(pe + q) = (pe +
q)n1 + n2, deci X + Y este variabil binomial B(n1 + n2, p). Q.E.D.
Valorile f(k) din formula (1) se obin prin calcul direct pentru n < 30 iar pentru n 30
variabila binomial se poate aproxima cu cea normal (Teorema 1.14 (Moivre - Laplace) de mai
jos).
Observm c f(k) din formula (1) este termenul general al dezvoltrii binomului 1 = (q + p)n,
de unde i denumirea de variabil binomial.
35

Dac urna U are a1 bile de culoarea 1,, am bile de culoarea m i extragem succesiv n bile
cu bila revenit, dorim s apar k1 bile de culoarea 1,, km bile de culoarea m, deci avem
variabila aleatoare polinomial cu densitatea de probabilitate:
n!
f (k1 ,...km )
p1k1 ... pm km , (k1,, km = 0, 1,., n; k1 ++ km = n)
k1 !...km !
Pentru m = 2 reobinem variabila aleatoare binominal.
Exemple:
1) Se arunc o moned de n = 5 ori. Care este probabilitatea s apar stema de k = 2 ori?
Soluie:
Aruncrile succesive ale monedei sunt independente deci se supun legii binomiale.
1
1
Acum p , q 1 p , n 5, k 2 deci conform relaiei (1) avem:
2
2
1
1
5.4
1
5
f (2) C52 ( )2 ( )3
. 5
31.2%
2 2
1.2 2
16
Funcii EXCEL: = BINOMDIST(2, 5, 0.5 ,FALSE) = 31.2%
= BINOMDIST(2, 5, 0.5, TRUE) = 50%
5
Numrul mediu de bile albe va fi: M(X) = np = 2.5 bile albe i abaterea standard a
2
1 1
5
numrului de bile albe va fi ( x) npq 5.

1.1 bile albe.


2 2
2
2) Se arunc un zar de n = 4 ori. Care este probabilitatea s apar faa nr. 6 de k = 2 ori?
Soluie:
Aruncrile succesive ale zarului sunt independente deci se supun legii binomiale.

1
6

5
6

Avem p , q 1 p , n 4, k 2 deci conform relaiei (1) avem:

1 5
4.3 52 52
25
f (2) C42 ( )2 ( )2
. 4 3
11.6%
6 6
1.2 6
216
6
Funcii EXCEL: = BINOMDIST(2, 4, 1/6, FALSE) = 11.6%
= BINOMDIST(2, 4, 1/6, TRUE) = 98.4%
Numrul mediu de fee nr. 6 aprute va fi M ( x) np
a numrului de fee nr. 6 aprute va fi ( x)

npq =

4
0.7 bile iar abaterea standard
6

20 5
0.7 bile
=
36 3

3)
Se d o urn U cu a = 6 bile albe i b = 14 bile negre. Se extrag succesiv n = 4 bile cu bila
revenit. Care este probabilitatea s obinem k = 2 bile albe?
Soluie:

6
14
, q 1 p , n 4, k 2 deci conform formulei (1) avem:
20
20
4.3 32.7 2
2 6 2 14 2
f (2) C4 ( ) ( )
.
26.5%
20 20
1.2 10 4

Avem p

36

Funcii EXCEL: = BINOMDIST(2, 4, 0.3, FALSE) = 26.5%


= BINOMDIST(2, 4, 0.3, TRUE) = 91.6%
1.4.2 Variabila hipergeometric
Variabila aleatoare hipergeometric este variabila aleatoare cu un numr finit de valori
avnd ca model schema bilei nerevenite.
Fie o urn U cu a bile albe i b bile negre din care se extrag succesiv n bile fr revenirea
n urn a bilei dup fiecare extragere (extrageri dependente). Cele n bile pot fi extrase i
simultan.
Schema bilei nerevenite se aplic la controlul calitii produselor, deoarece cu convenia bil
alb = obiect bun i bil neagr = rebut, rebuturile nu se mai ntorc n urn dup extragere.
Teorema 1.12
Probabilitatea ca din n bile extrase s apar k bile albe (k = 0, 1,, n) n cadrul schemei
bilei nerevenite este:

Cak .Cbnk
Pn,k
Canb
Demonstraie:
Din a bile albe se pot forma Cak grupe distincte de cte k bile albe n fiecare grup iar din b
bile negre se pot forma Cbn - k grupe distincte cu n - k bile negre n fiecare grup.
Extragerea culorilor alb i neagr fiind independente, numrul cazurilor favorabile n
schema bilei nerevenite este Cka.Cbn - k. Din a + b bile se pot forma Ca + bn grupe distincte cu n bile n
fiecare grup, deci numrul cazurilor egal posibile n schema bilei nerevenite este Ca + bn.
C k .C n k
Conform definiiei clasice a probabilitii avem: Pn,k a n b Q.E.D.
Ca b
n concluzie, densitatea de probabilitate a variabilei hipergeometrice H(a, b, n) este:

f (k )

Cak .Cbn k
Can b

Un calcul comod pentru f(k) se face cu formulele de recuren:


Can
a(a 1)....(a n 1)
f (0) n
; (k 0)
Ca b (a b)(a b 1)....(a b n 1)

(a k 1)(n k 1)
; (k 1,2,......n)
(b n k ).k
Funcia de repartiie hipergeometric este:
f (k ) f (k 1).

Cah .Cbn h
Canb
h 0
k

F (k )

Funcie EXCEL: = HYPGEOMDIST(k, n, a, a + b)


Avem M(X) = np; V(X) = npq (1

n 1
)
a b 1

Dac a + b , variabilele binomial i hipergeometric au aproximativ aceeai repartiie.


Dac urna U are a1 bile de culoarea 1,, am bile de culoarea m, extragem succesiv cu bila
nerevenit n bile (extragerile pot fi i simultane).
37

Dorim s apar k1 bile de culoarea 1,, km bile de culoarea m, deci avem variabila
hipergeometric cu m stri cu densitatea de probabilitate:

f (k1 ,...., km )

Cak11 ...Cakmm
Can1 b1....am bm

(k1 ,...., km 0,1,...., n; k1 .... km n)


Exemplu:
ntr-un incubator sunt 1000 ou din care 5% neeclozionate. Se extrag simultan n = 100 ou.
Care este probabilitatea ca s gsim k = 90 ou eclozionate?
Soluie:
Avem schema bilei revenite cu a = 950 ou eclozionate i b = 50 ou neeclozionate.
Avem P100,90 =

90
10
C950
.C50
100
C1000

Funcie EXCEL: = HYPGEOMDIST (90, 100, 950, 1000) = 1.4%


M(X) = np = 100 x 0.95 = 95 ou eclozionate.
n 1
V(X) = npq( (1
) 100 0.95 0.05 .
a b 1
100 1
(1
) 4.3 deci
( x) 4.3 2.1 ou eclozionate.
1000 1
1.4.3 Variabila Poisson
Variabila aleatoare Poisson este variabil cu un ir infinit de valori cu densitatea de
probabilitate:

f ( x)

e ; (k 0,1, 2,...)

k!
Notaie: PO()
f(k) se calculeaz recurent astfel:
f(0) = e; (k = 0)
f(k) f (k 1).

; (k = 1, 2, 3,)

Funcia de repartiie Poisson este:


k

F (k )

h!
Funcie EXCEL: = POISSON(k, , L)
Pentru L = FALSE avem densitatea de repartiie Poisson f(k) iar pentru L = TRUE avem
funcia de repartiie F(k).
it
Funcia caracteristic este (t ) e ( e 1) de unde conform teoremei 2.5. rezult:
h 0

M (X )

'(0)

; M(X )
2

" (0)

i
i
2
2
deci V(X) M(X )-M (X)

38

Teorema 1.13
Dac X, Y sunt variabile Poisson de tip PO () respectiv PO(atunci X + Y este variabil
Poisson de tip PO
Demonstraie:
Conform teoremei 1.5, X + Y are funcia caracteristic:
it
it
it
(t ) 1 (t )2 (t ) e1 (e 1) .e2 ( e 1) e( 1 2 )( e 1) , deci X + Y este variabil Poisson de tip:
PO( Q.E.D.
Teorema 1.14
Variabila Poisson se obine din variabila binomial dac n , p 0 i np =
Demonstraie:
Avem:

(np) k
1
k 1 (1 p) n
k
(1 )....(1
).
care
tinde
catre
e
k!
n
n (1 p)k
k!
1
k 1
deoarece (1- )...(1
) 1, (1 p) k 1 i (1-p) n [(1 p) 1/ p ] np e .
n
n
Rezult c modelul aproximativ al variabilei Poisson este schema bilei revenite aplicat unei
urne foarte bogate iar cu foarte puine bile albe i din care se extrag succesiv cu bila revenit un
numr de n foarte mare de bile. Din acest motiv variabila Poisson se mai numete variabila
evenimentelor rare.
Repartiia Poisson se gsete des n agricultur: numrul gemenilor, numrul animalelor cu
tare genetice i numrul celulelor iradiate cu particule sunt evenimente rare.
Cnk p k q n k

Exemplu:
Numrul mediu de miei la 100 oi este de 120 miei. Care este probabilitatea ca o oaie s fete
2 miei?
Soluie:

1.22 1.2
Avem = 1.2 i k = 2, deci f (2)
e 21.7 %.
2!
Funcii EXCEL: = POISSON(2, 1.2, FALSE) = 21.7%
= POISSON(2, 1.2, TRUE) = 87.9%

1.5 VARIABILE ALEATOARE CLASICE CONTINUE


1.5.1 Variabila uniform
Variabila aleatoare uniform are densitatea de probabilitate:
f(x) = 1, x [0; 1]
f(x) = 0, n rest.
Funcia caracteristic este

' (0)
i

(t )

e it 1
i conform teoremei 1.5. avem: M(X) =
it

1
'' (0) 1
1
; M ( X 2 ) 2 deci V(X) M(X 2 )-M 2 (X)
3
12
i
2
Valorile x 0, 1 ale lui se numesc numere aleatoare i se tabeleaz sau se genereaz cu

calculatorul (funcia RND).


39

Cu ajutorul variabilei uniforme , se pot simula valorile oricrei variabile aleatoare prin
metoda Monte Carlo.
Simularea altor variabile aleatoare clasice se face cu ajutorul variabilei uniforme astfel:
Alegem n mod aleator (la ntmplare) m valori ale variabilei uniforme i [0, 1] i lum
x = xi dac F(xi) = i, (i = 1, , m) unde F(x) este funcia de repartiie a variabilei aleatoare X.
Dac X este variabil aleatoare discontinu cu un numr finit de valori, cu repartiia:

x1 ___ x n

X :
p1 ___ p n

din relaia F(xi) = i, (i = 1, , m) rezult c vom lua:

xi = x1
dac 0 < i < p1
xi = x2
dac p1 < i < p1 + p2
.
xi = xk
dac p1 + + pk-1 < i < p1 + + pk
.
xi = xn
dac p1 + + pn-1 < i < 1
Dac X este variabil aleatoare discontinu cu un ir infinit de valori, din condiia 0 < pi < 1

p i 1 rezult c numai pentru un numr finit de valori xi avem pi > cu 0 < < 1 deci vom

i 1

lua n calcul numai aceste valori.


Dac X este variabil aleatoare continu, din relaia F(xi) = i, (i = 1, , m) rezult xi ca
funcie de i.
1.5.2 Variabilele exponenial, Weibull, Erlang
Variabila exponenial E() are densitatea de probabilitate: f(x) = e - x; (x 0)
Funcia de repartiie este F(x) = 1-e - x
Funcie EXCEL: = EXPONDIST(x, , L)
Pentru L = FALSE avem densitatea de probabilitate exponenial f(x) iar pentru L = TRUE
avem funcia de repartiie F(x).
Funcia caracteristic este (t) =

M (X )

' (0)

(0)
''

i M(X2) =

it
(1 ) 1 , deci conform teoremei 2.5 avem

deci V(X) M(X 2 )-M 2 (X)

2
Variabila exponenial i gsete aplicaii n fiabilitatea mainilor agricole (Seciunea 1.7 de
mai jos).
Variabila exponenial admite urmtoarele generalizri:
A. Dac X este variabil exponenial E() atunci Y = X este variabil Weibull cu
densitatea de probabilitate:

f ( x) x 1e x ,( x 0)

F ( x) 1 e x
este funcia de repartiie.
Funcie EXCEL: = WEIBULL(x, , 1/(1/), L)
Pentru L = FALSE avem densitatea de probabilitate WEIBULL f(x) iar pentru L = TRUE
avem funcia de repartiie WEIBULL F(x).
Avem:
40

M (X )

1
)
;V ( X ) 1 ( 2 ) (( 1)) 2

1/
1/

Avem funcia Gama:

( x) t x 1et dt
0

cu proprietile:
1) (1) = 1; (1/2) =
2) (n + 1) = n!;
3) (x + 1) = x (x)

B. Dac X1,, Xn sunt variabile aleatoare exponeniale, independente cte dou i toate de
parametru , atunci X = X1 ++ Xn este variabil Erlang cu densitatea de probabilitate:

f ( x)

n
(n 1)!

x n1e x ;( x 0)

Funcia de repartiie este F ( x) 1 e

.x

n 1 (x) j

j 0

j!

Funcia caracteristic este:

it
'(0) n
(t ) (1 ) n deci conform teoremei 6.5 avem M(X)

M(X ) =

'' (0)

n2 n

deci V(X) = M(X2) M2(X) =

i2
2
2
Variabila exponenial i generalizrile ei Weibull i Erlang, sunt cazuri particulare ale
variabilei Gama generalizate.
1.5.3 Variabila normal
Variabila normal are densitatea de probabilitate:

care are graficul:

41

1
f ( x)
e
2

( x )2
2 2

,xR

Funcia caracteristic este

M (X )

'(0)

; M ( X 2 )

(0)
''

(t ) e

it

2t 2
2

deci conform teoremei 1.5 avem:

2 2 deci V(X) M ( X 2 ) M 2 ( X ) 2

i
i
Variabila normal X are notaia X = N(, ).
Din graficul densitii de probabilitate f(x) a variabilei normale se confirm cele 2 legi ale
erorilor accidentale, gsite de Gauss:
1) Legea simetriei: Numrul valorilor care se abat sub media este egal cu numrul
valorilor care se abat peste media ;
2) Legea concentrrii: Abaterile mici de la media sunt numeroase iar abaterile mari de la
media sunt rare.
Dac pe verticala lui lsm s cad boabe de cereale, boabe de nisip sau pietricele, acestea
se ciocnesc i se rostogolesc formnd o grmad care are n seciune vertical profilul de curb
normal de mai sus.
Teorema 1.15
Dac X1, X2 sunt variabile aleatoare normale de tip N(1, 1) i respectiv N(2, 2),
independente ntre ele, atunci variabila aleatoare a1X1 + a2X2 este o variabil aleatoare normal de
tip N(a11 + a2 2; (a1212 + a2222)1/2).
Demonstraie:
Variabila aleatoare a1X1 + a2X2 are
1(a1t1)2(a2t2) = e

ia11t

a1212t 2
2

.e

ia2 2t

conform teoremei 1.5 funcia caracteristic:

a22 22t 2

i ( a11 a2 2 ) t

=e

( a12 12 a 22 22 ) t 2
2

deci a1X1 + a2X2 este variabil aleatoare normal de tip N(a11 + a22;

a12 12 a22 22 ) Q.E.D.

Pentru = 0, = 1 obinem variabila aleatoare normal redus U = N(0, 1) cu densitatea

1 u 2 / 2
e
i cu graficul:
2

de probabilitate f(u) =

Legtura ntre variabila normal X = N(, ) i variabila normal redus U = N(0, 1) este
dat de relaia U

respectiv X = + U.
42

Funcia de repartiie a variabilei normale reduse U = N(0, 1) este:

1
F (u )
2

t2
2

e dt

Valorile lui F(u) pentru u 0 se gsesc n tabela 1 din Anex iar pentru u < 0 avem:
F(u) = 1 - F(-u).
Graficul lui F(u) are forma:

Avem F(u/2) = P(u<u/2 ) = 1 - /2 i P(u < u/2) = 1 - .


Funcia EXCEL: = NORMDIST(u) d funcia de repartiie normal redus F(u).
2

1 u2 5
i
Pentru F(u) avem i formula aproximativ F (u ) 1
e . aW
; (u 0) unde
i
2
i 1
1
cu p = 0.2316419 respectiv a 1 = 0.3193815;a2 = -0.3565638; a 3 = 1.781478; a4 =
W
1 pu
-1.821256; a5 = 1.330274
Teorema 1.16
Dac X este variabil N(, ) avem:
b
a
P ( a X b) F (
) F(
)

Demonstraie:
Relaia rezult din teorema 1.3 punctul 4 cu substituia U

n particular pentru a = - , b = + i innd cont c F (


enun capt forma:

P( X ) 2 F ( ) 1 Q.E.D.

43

) 1 F ( ) relaia din

Exemplu:
Greutatea la livrare a porcilor Landrace de 8 luni este variabila normal N(100 kg; 5 kg). Se
cere probabilitatea ca greutatea porcilor de 8 luni s fie cuprins ntre 98 kg i 106 kg?
Soluie:

106 100
98 100
F(
) F(
) F (1.2) F (0.4) F (1.2) 1 F (0.4)
5
5
0.8849 0.6554 1 54%.
Funcii EXCEL: = NORMDIST(1.2) = 0.8849 i = NORMDIST(-0.4) = 0.3446
P(98 X 106) =

1.5.4 Variabilele Hi Ptrat, Student, Fisher


A. Variabila Hi Ptrat (2)
Dac X1,, Xn sunt variabile aleatoare N(0, 1) independente cte dou, atunci variabila X
definit de relaia: X X 1 .... X n se numete variabil hi ptrat (X2) cu n grade de
libertate.
Ea are densitatea de probabilitate:
2

f ( x)

1
n
2

n
2 .( )
2

.x

n
1
2

x
2

.e ;( x 0)

n
Funcia caracteristic este (t) = (1 - 2it) 2 deci conform teoremei 2.5 avem:

M(X) =

'(0)
i

n; M ( X 2 )

"(0)
i

n2 2n aa c:V(X) = M(X2) - M2(X) = 2n

Teorema 1.17
Dac X1, X2 sunt variabile hi ptrat cu n1 grade de libertate respectiv n2 grade de libertate,
atunci X1 + X2 este variabil hi ptrat cu n1 + n2 grade de libertate.
Demonstraie:
Conform teoremei 1.5 variabila aleatoare X1 + X2 are funcia caracteristic

n1
2

(t ) (1 2it ) .(1 2it )

n2
2

(1 2it )

n1 n2
2

deci este variabil hi ptrat cu n1 + n2 grade de

libertate. Q.E.D.
Variabila hi ptrat cu n grade de libertate este un caz particular al variabilei Gama
generalizate.
Dac X este variabil hi ptrat cu n grade de libertate (n 30) atunci variabila

(U 2n 1) 2
este
2 X 2n 1 U unde U = N (0, 1) de unde rezult c variabila X
2
2

aproximativ variabil hi ptrat cu n grade de libertate pentru n 30.

Valorile lui date de relaia P( ) se obin din tabela 3 din Anex.


Funcia EXCEL: = CHIINV(P, GL) d valoarea 2 pentru care:
2

P(

2 )

44

B. Variabila Student (t)


Dac X1 este variabil N (0, 1) i X2 este variabil hi ptrat cu n grade de libertate, X1, X2 fiind
independente ntre ele, atunci Y X 1 se numete variabil Student (t) cu n grade de libertate.
X2
n
Ea are densitatea de probabilitate:
n 1
(
)
n 1
x2 2
2
f ( x)
(1 )
n
n
n ( )
2
Avem M(X) = 0; V(X) =

n
n2

Valorile lui t/2 i t date de relaiile P(t> t/2) = P(t > t) = , se obin din tabela 2 din Anex.
Pentru n 30 variabila Student este bine aproximat de variabila normal N(0, 1).
Funcia EXCEL: = TINV(P, GL) d valorile t/2 pentru care P(t> t/2) =
C. Variabila Fisher (F)
Dac X1, X2 sunt variabile hi ptrat cu n1 respectiv n2 grade de libertate, independente ntre

X1 X 2
:
se numete variabil Fisher (F) cu (n1, n2) grade de libertate.
n1 n2
1
Evident este tot variabil Fisher cu (n2, n1) grade de libertate.
Y

ele, atunci Y=

Densitatea de probabilitate este:


n + n2
( 1
) n1 1
n1
n1 2
n1 n1 2n2
2
2
F(X) = ( ( ) .
; (x 0)
x .(1 x)
n1
n2
n2
n2
( ) ( )
2
2
n
2n 22 (n1 n 2 -2)
Avem M(X) = 2 ; V(X)
n2 2
n1 (n2 2)2 (n2 4)
Variabilele normal redus, hi ptrat, Student sunt cazuri particulare ale variabilei Fisher X
cu (n1, n2) grade de libertate astfel:

X cu n1 1; n2
- Variabila hi ptrat este X cu n1 n;n2
- Variabila U este

- Variabila Student este X1/2 cu n1 = 1; n2 = n.


Valorile critice F 1 date de relaia P(F > F) = pentru = 5%, 1%; 0.1% se obin din
tabelele 4 - 6 din Anex.
Funcia EXCEL: = FINV(P, GL1, GL2) d valorile F pentru care P(F > F) =
Valorile critice din tabelele 1 - 6 ale Anexei, sunt legate prin relaiile:

U /2 F ;1, ; 2 ,n n.F ;n, ;


t /2;n F ;1,n
45

Pe grafic aceste valori au forma:

1.5.5 Vectorul aleator normal


Vectorul aleator normal Z = (X, Y) are densitatea de probabilitate:

f ( x, y )

1
2 1 2 1 2

1
2(1 2 )

( x 1 )2 ( y 2 )2
x 1 y

2
.
2
2

Funcia caracteristic este:

(t1 , t2 ) e

1
i ( 1t1 2t2 ) (12t12 22t22 2 1 2t1t2 )
2

Aici X = N (1 , 1 ), Y N (2 , 2 ) i (X,Y)
Avem vectorul medie M(Z) = ( 1 ; 2 ) i matricea de covarian:
2 1 2
C(Z) = 1
2
2 1 2
Graficul lui z = f(x, y) este o suprafa n spaiu n form de clopot cu deschiderea n jos, cu
1
)
vrful clopotului n punctul: M ( 1 ; 2 ;
2 1 2 1 2

Dac 1 2 0 i 1 2 1 obinem vectorul aleator normal redus W = (U,V) cu


densitatea de probabilitate:
1

[u 2 v2 2 . u. v ]
2(1 2 )

f (u, v)

2 1

46

1
Avem M(W) = (0; 0); C(W) =

1
Dac Z = (X, Y) cu X N (1 , 1 ), Y N(2 , 2 ) iar W (U,V) cu U V N (0,1) avem
relaiile de legtur:
X 1
Y-2
U
; V

Am vzut n teorema 1.8 punctul 5) c n general variabilele necorelate liniar pot fi


dependente.
Teorema 1.18
Dac variabilele aleatoare normale X, Y sunt necorelate liniar, ele sunt independente.
Demonstraie:
Dac variabilele normale sunt necorelate liniar avem

f ( x, y )

2 1 2

1
2 1 1

1 x 1 )2
(
2 1

1 x 1 2 y
[(
) (
2
1
2

2 2

) ]

1 y

(
1
.
e 2
2 2

0 deci:

2 2

f1 ( x) f 2 ( y )

deci conform teoremei 1.7. rezult c X, Y sunt variabile aleatoare independente. Q.E.D.

1.6 LEGI LIMIT


Teorema 1.19 (Legea numerelor mari a lui Cebev)
Fie X1,, Xn variabilele aleatoare independente cte dou, cu abaterile standard mrginite
X ..... X n
de T. Dac X = 1
atunci pentru orice 0 avem:
n
lim P(X - M(X) < ) = 1
n
Demonstraie:
Deoarece X1,, Xn sunt independente cte dou, conform teoremei 1.2 avem:
M ( X 1 ) ... M ( X n )
M(X) =
n
iar conform teoremei 1.3, avem:
V ( X 1 ) ... V ( X n ) nT 2 T 2
2
V(X) =
n
n
n
Aplicnd inegalitatea Cebev din teorema 2.4, avem:
P(X - M(X)< ) 1 -

V (X )

Dar lim P 1 deci


n

T
P
n 2
lim P( X-M(X) ) 1

1
n

Din expresia lui P rezult numrul minim de variabile aleatoare care asigur evenimentului
X - M(x)< ) o probabilitate de realizare superioar lui P i anume:
47

T2
. Q.E.D.
2 (1 P )

Legea numerelor mari a lui Cebev arat c media unui numr mare de variabile aleatoare
independente cte dou i cu abateri standard mrginite, i pierde caracterul de variabil
aleatoare, stabilindu-se n jurul mediei sale.
n particular, media a n msurtori independente ale unei nsuiri cantitative X se
stabilizeaz, cnd volumul msurtorilor crete.
Exemplu:
Cte msurtori trebuie fcute pentru ca greutatea oulelor s fie cuprins ntre 49 g i 51 g
cu o ncredere de cel puin 99%, dac tolerana maxim admis la greutatea oulelor este T = 1 g?
Soluie:
Avem T = 1 g, = 1 g, P = 0.99 deci n =

12
100 msuratori.
1 0.01

Dac n legea numerelor mari a lui Cebev lum variabilele aleatoare X 1 =.= X n =

1 0
X ... X n

, independente cte dou, X = 1


ia valori de forma k/n = f i M(X) = p; V(X) =
n
p q
pq T2 ,deci relaia: P(X - M(X)< ) 1

pq
n 2

V (X )

de mai sus devine: P(f - p < ) 1 -

P
Cum lim P = 1 rezult: n
lim P(f - p < ) = 1 deci am demonstrat: n

Teorema 1.20 (Legea numerelor mari a lui Bernoulli)


Dac A este un eveniment cu probabilitatea de realizare p iar f = k/n este frecvena de
realizare a acestui eveniment de k ori n n experiene independente, atunci pentru orice > 0 avem:
lim P(f - p< ) = 1
n
Din expresia lui P rezult numrul minim de experiene independente care asigur
evenimentului f - p< o probabilitate de realizare superioar lui P:

p(1 p)

(1 P )
2

Legea numerelor mari a lui Bernoulli arat c frecvena f de apariie a unui eveniment n n
experiene independente care este n fond media a n valori a unei nsuiri calitative X, se
stabilizeaz n jurul probabilitii p de realizare a evenimentului.
Prin urmare, n cazul unui numr mare de experiene independente, probabilitatea p
(constant i cunoscut naintea experienelor) ncepe s fie confirmat de frecvena f (variabil i
cunoscut dup experiene).
Exemplu:
Care este numrul minim de aruncri ale unei monezi pentru ca frecvena de apariie a
stemei s fie cuprins ntre 45% i 55% cu o ncredere de cel puin 90%?
48

Soluie:
Avem p = 1/2 = 50%; = 5% = 0.05, P = 90% = 0.90
deci n=

P(1 p)

2 (1 P )

0.5(1 0.5)

0.052.(1 0.90)

1000 aruncri

Teorema 1.21 (Leapunov)


Dac X1,, Xn sunt variabile aleatoare independente i suma lor X = X1+.+ Xn satisface
condiia:
3
3
M ( X 1 M ( X 1 ) ) .... M ( X n M ( X n ) )
lim
0
n
( X )3
X M (X )
atunci funcia de repartiie a variabilei aleatoare normate
tinde ctre funcia de
( x)
repartiie F(x) a variabilei normale reduse N (0, 1) cnd n . (fr demonstraie)
Cu alte cuvinte, dac valorile a n variabile aleatoare independente, vor fi mici n raport cu
suma lor, atunci aceast sum are o repartiie normal cnd n .
Dac n teorema 1.21 lum variabilele aleatoare independente X1 =.= Xn =

1 0
deci
p q

X = X1 +.+ Xn este variabil binomial, condiia din enunul teoremei 1.21 este ndeplinit
deoarece M(Xi) = pq aa c M (Xi - M(Xi)3) sunt finite i egale ntre ele deci:
n

[M ( X
i 1

M ( X i ) )]
3

( X )3

nM ( X i p )
3

( npq)3

M ( Xi p )
3

n p3 q3

pentru n deci rezult:


Teorema 1.22 (Moivre-Laplace)
Dac X este o variabil binomial cu media M(X) = np i variana V(X) = npq cu q = 1 - p,
atunci funcia de repartiie a variabilei aleatoare normate
X M ( X ) X np

tinde ctre funcia de repartiie F a variabilei normale reduse N(0, 1) cnd n .


(X )
npq
Cu alte cuvinte, probabilitatea ca un eveniment A s se realizeze n n experiene
independente de un numr de ori cuprins ntre a i b este aproximativ egal cu:

F(

b np
a np
) F(
) cnd n 30
npq
npq

Valorile lui F(u) pentru u 0 sunt date de tabela 1 din Anex iar pentru u < 0 avem F(u) =
1 - F(-u).
Exemplu:
ntr-o urn se afl 600 bile albe i 400 bile negre. Se extrag n = 200 bile cu bila revenit. Se
cere probabilitatea ca numrul X de bile albe extrase s fie cuprins ntre 100 i 140 bile albe.
Soluie:
Avem: p = 6/10; q = 4/10; n = 200; a = 100; b = 140 deci:

49

6
6
140 200.
100 200.
10 ) F (
10 )
P(100 X 140) F (
6 4
6 4
200. .
200. .
10 10
10 10
F (2.9) F (2.9) 2.F (2.9) 1 2 0.9981 1 99.6%

1.7 FIABILITATEA ECHIPAMENTELOR


Fie T variabila aleatoare pozitiv a timpului de funcionare fr defeciuni a unui
echipament.
Fie f(t) densitatea de probabilitate a variabilei aleatoare T i F(t) = P(T < t) funcia sa de
repartiie.
1) Fiabilitatea echipamentului este probabilitatea ca echipamentul s funcioneze fr defeciuni
n intervalul de timp 0, t adic R(t) = P(T t) = 1 F(t).
Cuvnt sinonim: reliabilitate.
Proprieti:
a) R(t) ia valori ntre 0 i 1; R(0) = 1; lim R(t ) 0 ;
t

b) R(t) este continu la stnga:

lim R(t ) R(t0 ) ;


t t0

c) R(t) este funcie descresctoare: t1 < t2 R(t1) > R(t2);


P(a < T < b) = R(a) R(b); P(T < b) = 1 R(b); P(a < T) = R(a).
2)
3)

Probabilitatea de defectare a echipamentului n intervalul de timp 0, t este F(t) = P(T < t)


Viteza de defectare a echipamentului la momentul t este f(t) = F(t) = - R(t). Avem:

F(t t) F(t)
P(t T t t)
lim
t 0
t 0
t
t
de unde P(t T < t + t) = f(t).t deci probabilitatea de defectare a echipamentului n intervalul de
timp t, t + t este egal cu densitatea de repartiie f(t) nmulit cu lungimea t a acestui intreval
de timp.
4) Rata defectrii (t) este viteza de defectare a echipamentului la momentul de timp t, dac
echipamentul a funcionat fr defeciuni n intervalul de timp 0, t.
Avem: (t) = f(t)/1 F(t) = - R(t)/R(t)
n adevr, fie A evenimentul c echipamentul a funcionat fr defeciuni n intervalul de
timp 0, t i B evenimentul c echipamentul se va defecta n intervalul de timp t, t + t.
f(t)= lim

P(A B) P(t T< t+t) F(t+t)-F(t)


=
=
de unde :
P(A)
P(T>t)
1-F(t)
1
F(t+t)-F(t)
1
f (t)
R (t)
(t) = lim P( B A)= lim

t 0 t
t 0
t
1 F(t) 1 F(t)
R(t)
Probabilitatea lui B, condiinat de A este:
Avem P(B A) = (t).t deci probabilitatea ca echipamentul s se defecteze n intervalul de timp t,
t + t, dac a funcionat fr defeciuni n intervalul de timp 0, t, este egal cu rata defectrii
nmulit cu lungimea t a intervalului de timp t, t + t.
Din relaia (t) = - R(t)/R(t) rezult:
P( B A) =

- (s)ds

R(t) = e

50

Graficul ratei defectrii are forma:

(t)

II

III

tr
tu n timp:
t
Avem trei perioade0 n evoluia funcionrii
unui echipament
I)
Perioada de rodaj [0; tr] n care apar un numr mare de defecte de fabricaie;
II) Perioada de via util [tr; tu] n care rata defectrii este sczut i constant;
III) Perioada de uzur fizic [tu; +] n care rata defectrii crete din nou datorit uzurii
fizice.
5)

Rata de defectare cumulat este funcia:


t

(t)= (s)ds
0

Cum (s) = - R(s)/R(s) rezult: (t) = - ln R(t)


Rata de defectare cumulat medie este (t)/t = - ln R(t)/t.
6)

Durabilitatea echipamentului este timpul mediu de funcionare fr defeciuni al echipamentului:

M(t) = t f(t)dt
0

Mentenana echipamentului.
Dac echipamentul se defecteaz la un moment de timp td, el trebuie reparat. Defeciunea
poate fi subiectiv (cauzat de exploatarea necorespunztoare sau nerealizarea reviziilor obligatorii)
sau obiectiv (cauzat de uzura fizic).
Fie Tm variabila aleatoare pozitiv a timpului de restabilire a funcionalitii echipamentului,
numit i timp de mentenan (restabilire).
Fie Fm(t) funcia de repartiie a variabilei Tm deci Fm(t) = P(Tm < t) este probabilitatea de
restabilire a echipamentului ntr-un timp inferior lui t. fm(t) = Fm(t) este densitatea de repartiie a
variabilei Tm iar media variabilei Tm este timpul mediu de restabilire a echipamentului:
7)

M(Tm ) t fm (t)dt
0

Mentenana poate fi preventiv (revizie periodic) sau corectiv (reparaie efectiv).


8) Disponibilitatea echipamentului este capacitatea sa de a-i ndeplini rolul pe o perioad de
timp, prin controlul fiabilitii i mentenanei. Pentru evaluarea cantitativ a disponibilitii avem
parametrul D = M(T)/M(T) + M(tm) adic proporia de timp ct echipamentul este activ.
Fiabilitatea i mentenana sunt invers proporionale: cu ct fiabilitatea echipamentului este
mai mare cu att mentenana sa este mai mic.
51

n studiul disponibilitii intervin aspecte tehnice i economice. Din punct de vedere


economic, uzura fizic implic cheltuieli de mentenan cresctoare deci echipamentul trebuie casat
cnd aceste cheltuieli cumulate depesc costul de achiziie al unui echipament nou.
Uzura moral scurteaz perioada de mentenan sub aspectul calitate/pre.
Echipamentele pot fi cu funcionare intermitent sau continu. De exemplu computerul este
cu funcionare intermitent iar frigiderul este cu funcionare continu (tot timpul ct conine
alimente perisabile).
Studiile de fiabilitate i mentenan privesc o mulime de echipamente similare care
funcioneaz n condiii identice.
Concluziile asupra grupului de echipamente permit efectuarea de corecii asupra
echipamentelor individuale.
Studiul fiabilitii i mentenanei echipamentelor se aplic i la starea de sntate a fiinelor vii.
Exemplu:
Pentru intervalul de timp 0, t se urmresc N echipamente identice din care se defecteaz
Nr(t) i sunt bune Nb(t).
Avem R(t) = Nb(t)/N; F(t) = Nr(t)/N; f(t) = Nr(t)/N; (t) = - Nb(t)/Nb(t)
Exemple:

T = variabil exponenial deci F(t) = 1 e


aa c R ( t ) e ; (t) = ; M(T) = 1
Acest caz se ntlnete n perioada II) de via util cnd (t) = constant.
Dac probabilitatea funcionrii fr defeciuni a unui element constructiv ntr-un interval de
timp de lungime t, nu depinde de funcionarea anterioar a elementului ci numai de lungimea t a
intervalului de timp, atunci T este variabil exponenial.
1)

2)

T = variabil Weibull deci F( t ) 1 e

aa c:


;
( t ) t 1 ;
M (T )
R (t ) e
1


n cazul 0 < < 1, (t) descrete (cazul elementelor cu defecte de fabricaie multe da care se
uzeaz lent); n cazul = 1 avem (t) = = constant adic cazul 1) al fiabilitii exponeniale de mai
sus; n cazul > 1, (t) crete (cazul elementelor cu defecte de fabricaie puine dar care se uzeaz
rapid).
s 2
t

1
2
3) T = variabil normal deci F (t )
cu valori n tabele, dup
e 2
t

transformarea U

T
.

( t )

Rezult R(t) = 1 F(t);

Aici

1
f (t )
e
2

( t )2
2 2

f (t)
;
1 F( t )

M(T) =

este densitatea de probabilitate a variabilei aleatoare normale

N(; ).
Dac dou elemente constructive independente ntre ele, au fiabilitile R1(t), R2(t) atunci
legndu-le n serie avem un element compus cu fiabilitatea R(t) = R1(t) . R2(t) iar legndu-le n
paralel, avem un element compus cu fiabilitatea R(t) = R1(t) + R2(t) R1(t) . R2(t).
52

Exemplu:
Dou elemente constructive independente ale unui tractor au fiabilitile exponeniale R1(t) e - 0.5t;
R2(t) = e - 1.5t. S se calculeze fiabilitatea elementului compus din cele 2 elemente precedente n
montaj serie i paralel.
Soluie:
Pentru montajul serie avem Rs(t) = e-0,5t . e-1,5t = e-2t deci s(t) = 2;
Pentru montajul paralel avem Rp(t) = e-0,5t + e-1,5t e-2t, deci

1
0.5 .
2
R ' p (t )

M s (T )

p (t )

R p (t )

Mp(T) =

(t )dt .

1.8 REZUMAT
n acest capitol se prezint definiia unui eveniment, clasificarea evenimentelor i exemple,
definiia axiomatic i clasic a probabilitii, definiia probabilitii condiionate, formulele
probabilitii totale i Bayes, variabil aleatoare pentru care se descrie funcia de repartiie i
densitatea de probabilitate, media, variana i funcia caracteristic.
Deasemenea se prezint noiunea de vector aleator pentru care se descrie covariana i
coeficientul de corelaie liniar, variabilele aleatoare clasice discontinue ntre care remarcm
variabilele binomial i Poisson, variabilele aleatoare continue ntre care remarcm variabilele
exponenial, normal, hi patrat, Student i Fisher precum i vectorul aleator normal.
Capitolul continu cu legile limit: Cebev, Bernoulli i teorema limit-central.
n ncheiere se prezint fiabilitatea echipamentelor.

1.9 NTREBRI
Ce este un eveniment i ce operaii se fac cu evenimente?
Care este definiia clasic a probabilitii i ce proprieti are probabilitatea?
Cum se aplic formula probabilitii totale i formula Bayes la diagnosticul bolilor la animale?
Enumerai proprietile funciei de repartiie i densitii de probabilitate a unei variabile
aleatoare.
5. Enumerai proprietile mediei i varianei unei variabile aleatoare.
6. Enumerai proprietile covarianei i coeficientului de corelaie liniar pentru un vector aleator.
7. Unde se aplic variabilele discontinue binomial i Poisson?
8. Unde se aplic variabilele continue exponenial, normal, hi patrat, Student i Fisher?
9. Ce importan practic au legile-limit Cebev i Bernoulli?
10. Definii fiabilitatea unui echipament i enumerai proprietile ei.
1.
2.
3.
4.

1.10 BIBLIOGRAFIE
1. D. Ene, M. Drghici, I.N. Alecu: Statistic aplicat n agricultur, Ed. Ceres, 2003
2. M. Iosifescu i col.: Mic enciclopedie de statistic, Ed. tiinif. i Enciclop., 1985
3. Anuarul statistic al Romniei, 1990 - 2003

53

CAPITOLUL 2. CULEGEREA I PRELUCRAREA


DATELOR DE SONDAJ
Obiective: nsuirea de ctre studeni a tehnicilor de sondaj, a calculului i interpretrii
indicatorilor de sondaj, de repartiie i evoluie, precum i a calculului i interpretrii indicilor
statistici. nsuirea de ctre studeni a metodei intervalelor de ncredere pentru estimaii/teste
parametrice (medii, abateri-standard i probabiliti) n una i dou populaii normale precum i
teste neparametrice.
Coninut:
2.1 Populaii statistice i sondaje
2.2 Indicatori de sondaj de repartiie
2.2.1 Cazul sondajului de volum mic (n < 30)
2.2.2. Cazul sondajului de volum mare (n > 30)
2.3 Indicatori de sondaj de evoluie
2.3.1. Cazul msurtorilor simple n timp
2.3.2 Cazul msurtorilor multiple n timp
2.3.3 Indici statistici
2.4 Estimaii/teste n populaii normale
2.5 Estimaii/teste parametrice n populaii normale
2.5.1 Estimaii/teste pentru parametrii , ai unui caracter cantitativ ntr-o populaie
normal
2.5.2 Estimaii/teste pentru parametrul p al unui caracter calitativ ntr-o populaie
normal
2.5.3 Estimaii/teste pentru parametrii 2 - 1, 2/1 ai unui caracter cantitativ n
dou populaii normale
2.5.4 Estimaii/teste pentru parametrul p2 p1 al unui caracter calitativ n dou
populaii normale
2.6 Teste neparametrice n populaii normale
2.6.1 Testul hi ptrat de concordan
2.6.2 Testul hi ptrat de independen
2.6.3 Testul normalitii prin asimetrie i boltire
2.7 Rezumat
2.8 ntrebri
2.9 Bibliografie
Cuvinte cheie: populaie statistic, sondaj simplu repetat i nerepetat, sondaj stratificat tipic,
proporional i optim, indicatori de sondaj de repartiie/evoluie, indici statistici individuali i
sintetici, estimaie corect i absolut corect, ipotez simpl/compus unilateral i bilateral,
funcia de putere a testului, interval de ncredere, diferen limit.

2.1 POPULAII STATISTICE I SONDAJE


Populaia statistic este o mulime de exemplare care aparin aceleiai familii i care fac
obiectul cercetrii statistice.
Cercetarea statistic poate fi complet sau exhaustiv (pentru toate exemplarele populaiei)
de tip referendum sau recensmnt sau poate fi parial sau selectiv de tip sondaj (eantion,
prob, sondaj de opinie) (pentru o parte reprezentativ din exemplarele populaiei).
54

Exemple de populaii statistice n agricultur: plantele unei culturi ntr-o parcel, animalele
unei ferme zootehnice, mainile agricole care deservesc o suprafa arabil, fermele vegetale sau
zootehnice dintr-un jude, unitile de prelucrare a produselor agricole (mori, fabrici de ulei, zahr,
produse lactate, mezeluri, abatoare etc.), magazinele care comercializeaz produse alimentare,
reeaua de case de agroturism, reeaua de uniti de alimentaie public etc.
Fiecare exemplar al populaiei statistice are o serie de nsuiri cantitative (msurabile) sau
calitative (atributive) notate X, Y, Z, sau X1, X2, , Xn pe care le vom numi n continuare i
caractere.
Pentru populaiile statistice din agricultur, nsuirile admit i alte clasificri:
- dup natur: nsuiri biologice, tehnologice, economice, ecologice;
- dup modul de exprimare numeric: nsuiri bivalente (0 sau 1), ntregi i reale
(fracionare);
- dup modul de apreciere: nsuiri primare (numai msurabile) i nsuiri derivate
(msurabile sau calculabile);
- dup gradul de generalitate: nsuiri individuale (proprii fiecrui element al populaiei)
i colective (proprii unor grupe de elemente ale populaiei).
Exemple de nsuiri individuale:
- talia plantei;
- suprafaa foliar a plantei;
- greutatea i densitatea plantei;
- dimensiunile fructelor;
- greutatea i densitatea fructelor;
- numrul de boabe din fruct;
- dimensiunile boabelor;
- greutatea i densitatea boabelor;
- coninutul n substane nutritive al fructelor sau boabelor.
Exemple de nsuiri individuale la animale:
- nlimea la greabn;
- nlimea la crup;
- lungimea corpului;
- circumferina toracic;
- greutatea i densitatea corpului;
- dimensiunea organelor interne (ficat, inim, rinichi, creier etc.);
- greutatea i densitatea organelor interne;
- greutatea i densitatea produselor zootehnice (lapte, grsime i protein n lapte, carne etc.);
- coninutul n substane nutritive al produselor zootehnice.
nsuirile individuale precedente devin colective dac se nsumeaz pentru plantele unei
culturi de pe o parcel dat sau pentru animalele dintr-o ferm zootehnic dat.
Menionm i urmtoarele nsuiri colective:
- Consumul de resurse (for de munc, for mecanic, energie, ngrminte, ap,
furaje, medicamente etc.) pentru o societate agricol (vegetal, zootehnic, de prelucrare produse
agricole, de comercializare produse alimentare, de agroturism) ntr-un ciclu de producie;
- Costul resurselor pe unitate de resurs pentru o societate agricol ntr-un ciclu de
producie;
- Cheltuielile cu resurse (consumuri nmulite cu costurile) nsumate pentru o societate
agricol ntr-un ciclu de producie;
- Cheltuielile neproductive (TVA, taxe, impozite etc.) ale unei societi agricole ntr-un
ciclu de producie;
- Producii fizice principale i secundare ale unei societi agricole ntr-un ciclu de
producie;
55

- Preurile de vnzare ale produciilor fizice principale i secundare pe unitate, pentru o


societate agricol ntr-un ciclu de producie;
- Veniturile (producii fizice nmulite cu preurile de vnzare) nsumate pentru o
societate agricol ntr-un ciclu de producie;
- Profitul (venitul din care se scad cheltuielile totale cu resursele ct i cele neproductive)
realizat de societatea agricol ntr-un ciclu de producie;
- Rata profitului (profitul mprit la cheltuielile totale) realizat de societatea agricol
ntr-un ciclu de producie.
Pentru comparaia ntre ele, nsuirile colective se raporteaz la un exemplar (lungime,
suprafa, volum, greutate, timp, unitate bneasc etc.), obinnd nsuiri medii.
Exemple: consumul mediu de motorin pe ha, consumul mediu de furaje pe cap de vac,
profitul mediu pe lun al unei uniti de agroturism etc.
n agricultur, omul nu poate controla n totalitate factorii de producie sau de vnzare a
produselor agricole, de aceea nsuirile precedente sunt parial sau total sub influena ntmplrii
(hazardului) fiind de fapt n fiecare moment, variabile aleatoare iar n timp, procese aleatoare
(vezi cap. 1).
Aciunea ntmplrii asupra nsuirilor (caracterelor) n agricultur se concretizeaz n
variabilitatea valorilor acestora n spaiu, timp, structur etc., variabilitatea poate fi accidental
(involuntar) sau sistematic (cu o cauz precis).
Variabilitatea accidental este presupus a fi o variabil normal cu media 0 i abaterea
standard (vezi cap.1)
Exemple de surse de variabilitate:
- variabilitatea genotipic a plantelor i animalelor;
- condiiile pedoclimatice;
- atacul buruienilor, bolilor i duntorilor;
- conjunctura economic (raport ofert/cerere) pe piaa produselor agroalimentare.
Fie o populaie statistic de volum N pe care dorim s o studiem din punct de vedere al
nsuirii (caracterului) X pe care o posed exemplarele populaiei.
Din cauza volumului mare N al populaiei, nu vom face msurtori complete n toat
populaia ci vom extrage o parte reprezentativ din exemplarele populaiei, numit sondaj
(eantion, prob) pe care vom face msurtori relativ la nsuirea (caracterul) X.
Volumul sondajului se noteaz cu n iar raportul

n
(%) se numete cot de reprezentare
N

sau factor de sondaj.


Exemplu:
Pe un ha cu porumb exist N = 75.000 plante recoltabile din care extragem un sondaj de n =
75 plante reprezentative.
Cota de reprezentare este

n
75

1 : 1000 plante.
N 75000

Un sondaj se poate efectua n dou feluri:


I.
Static: se fac msurtori simultane la un moment dat pe n exemplare extrase din
populaie obinndu-se astfel repartiia n spaiu a nsuirii X analizat prin datele de sondaj.
II.
Dinamic: se fac msurtori consecutive n n momente de timp succesive pe acelai
exemplar al populaiei statistice, obinndu-se astfel evoluia n timp a nsuirii X analizat prin
datele de sondaj.
Tehnica de efectuare a unui sondaj, depinde de compoziia populaiei n raport cu nsuirea X.
Avem situaiile:
56

a) Populaia este omogen n raport cu nsuirea X adic orice valoare a lui X este n mod
egal probabil proprie fiecrui exemplar al populaiei.
n acest caz se efectueaz un sondaj simplu repetat sau nerepetat.
Sondajul simplu repetat se efectueaz prin extragerea succesiv a exemplarelor din
populaie i revenirea n populaie a fiecrui exemplar dup msurarea nsuirii X (schema bilei
revenite). Avantajul acestui tip de sondaj este c extragerile din populaie sunt independente iar
dezavantajul este c la controlul calitii produselor, orice exemplar chiar dac este rebut, trebuie
ntors n populaie.
Sondajul simplu nerepetat se efectueaz prin extragerea simultan a exemplarelor din
populaie i revenirea acestora n populaie (dac nu sunt rebuturi) dup efectuarea tuturor
msurtorilor pe ele relativ la nsuirea X (schema bilei nerevenit).
Dezavantajul acestui tip de sondaj este c extragerile din populaie sunt dependente. Dac
volumul de sondaj n este relativ mare rezultatele obinute prin sondajul simplu repetat sau nerepetat
sunt aproximativ aceleai.
b) Populaia este neomogen n raport cu nsuirea X dar se poate mpri n k straturi
omogene n raport cu X, volumul straturilor fiind N1, , Nk. Evident avem N1 + + Nk = N. n
acest caz se efectueaz un sondaj stratificat care const n k sondaje simple, repetate sau
nerepetate, din straturi cu volumele de sondaj din straturi n1, , nk. Evident avem n1 + + nk = n.
Prezentm cteva tipuri de sondaj stratificat:
a. Sondaj tipic: n1 ... n k
b. Sondaj proporional:

c. Sondaj optim:

n1 n

n
;
k

N
N
n1
n
n
deci n1 n 1 ,...,n k n k
... k
N
N
N1
Nk N

n
n1
n
... k
N1 1
N k k Ni i

deci

N11
N
,...,n k n k k
Ni i
Ni i

Aici 1, , k sunt abaterile standard ale exemplarelor din straturi n raport cu caracterul
X ca variabil aleatoare (vezi cap. 2).
Observm c pentru N1 = = Nk =

N
sondajul tipic i cel proporional coincid iar pentru
k

1 = = k = sondajul proporional i cel optim coincid.


n cazul unei populaii infinite

N1
N
p1 ,..., k p k deci pentru tipurile de sondaj
N
N

stratificat precedent, avem:


a. Sondaj tipic:

n1 = = nk =

n
;
k

b. Sondaj proporional: n1 = np1, , nk = npk


c. Sondaj optim: n1 n

p11
p
,...,n k n k k .
pi i
pi i

Exemplu:
O turm de ovine de volum N = 1000 capete are structura N1 = 700 mioare, N2 = 250 miei,
N3 = 50 berbeci.
57

Pentru analiza nsuirii X = lungimea firului de ln efectiv din sondaj de n = 60 ovine.


tiind c abaterile standard n straturi sunt 1 =1 cm; 2 = 0.8 cm i 3 = 2 cm, se cer
volumele de sondaj din straturi pentru diferite tipuri de sondaj stratificat.
Soluie:
a) Pentru sondajul tipic n1 = n/3 = 20 mioare; n2 = n/3 = 20 miei; n3 = n/3 = 20 berbeci;
700
250
b) Pentru sondajul proporional n 1 = 60
42 mioare, n2 = 60
15 miei i
1000
1000
n3 = n n1 n2 = 3 berbeci;
c) Pentru sondajul optim Ni i = 700x1 + 250 x 0.8 + 50x2 =1000 aa c: n1 =
700 1
250 0.8
60
42 mioare; n2 = 60
12 miei i n3 = n n1 n2 = 6 berbeci.
1000
1000

2.2 INDICATORI DE SONDAJ DE REPARTIIE


2.2.1 Cazul sondajului de volum mic (n < 30)
n acest caz datele nu se grupeaz n clase de valori, prelucrarea la statistic reducndu-se la
calculul urmtorilor indicatori statistici:
I. Media de sondaj
xi
X MX
n
Media de sondaj este centrul de greutate al datelor de sondaj x1, , xn fiind cea mai
apropiat de ansamblul valorilor: SPA(x) = (x1 x)2 ++ (xn x)2 este minim pentru x = x .
Aici SPA este prescurtarea pentru suma ptratelor abaterilor.
Caliti ale mediei:
a) Este o valoare mrginit: X [xmin; xmax];
b) Niveleaz diferenele ntre valori: suma abaterilor valorilor de sondaj fa de media lor
este zero (xi - X ) = 0;
c) Este reprezentantul ntregului pachet de date de sondaj: suma valorilor de sondaj
este media lor nmulit cu numrul lor (xi = n . X ).
Defecte ale mediei:
d) Prin nivelare, media nu d informaii despre variabilitatea datelor de sondaj.
Acest defect se remediaz prin folosirea indicatorilor statistici de variabilitate ntre care
citm abaterea standard S i coeficientul de variabilitate c, care vor fi prezentai mai jos.
5) Media este legat de o unitate de msur deci nu permite comparaii ntre caractere.
Pentru comparaii se poate folosi media procentual Xp

X max X
0;1.
X max X min

6) Media este sensibil la valori de sondaj mult mai mici sau mult mai mari ca restul datelor
de sondaj.
Acest defect se remediaz fie eliminnd aceste valori din rndul datelor de sondaj ca valori
strine fie folosind mediana prezentat mai jos.
7) Media este sensibil la codificarea datelor. Conform teoremei 1.1 orice operaie
aritmetic efectuat cu datele de sondaj, trebuie efectuat i asupra mediei de sondaj.
Dac sondajul a fost stratificat, datele de sondaj au forma:
x11, , x1,n1 extrase din stratul 1 i cu media de sondaj X 1
----------------------------------------------------------------------Xk1, , Xk,nk extrase din stratul k i cu media de sondaj X k.
58

Volumul sondajului stratificat este n = n1 + + nk iar media de sondaj X a sondajului


stratificat este medie ponderat:

n1 X 1 ... nk X k
n1 ... nk

Media de sondaj de la punctul 1) se mai numete i medie aritmetic de sondaj.


Se folosesc n anumite cazuri i alte medii:
1

media geometric: X g x1x 2 ...x n n de unde log X g

log X1 ... log X n


n

1
1
...
X
Xn
1
- media armonic:
1
Xa
n

X12

media ptratic: X 2

...
n

X 2n

1
2

Avem X a X g X .
Dac X1,, Xn sunt depuse n celulele A1:An din coloana A n EXCEL media X este dat
de funcia EXCEL scris n celula B1: = AVERAGE(A1:An), media geometric X g este dat de
funcia EXCEL scris n celula B2: = GEOMEAN (A1:An) iar media armonic X a este dat de
funcia EXCEL scris n celula B3: = HARMEAN (A1:An).
II. Mediana Me este acea valoare fa de care jumtate din numrul valorilor de sondaj sunt
mai mici ca ea i cealalt jumtate din numrul valorilor de sondaj sunt mai mari ca ea.
Aranjm datele de sondaj n ordine cresctoare: x1 < x2 < < xn.
Dac n = numr par avem Me

Me X k 1 .

1
x k x k 1 iar dac n = numr impar avem

2 2
2

Mediana Me este mai stabil fa de media X la valori de sondaj foarte mici fa de restul
valorilor de sondaj, deoarece ia n calcul numrul de valori de sondaj nu i mrimea valorilor de
sondaj.
n plus, SMA(X) = X1 X ... X n X este minim pentru X = Me.
Aici SMA este prescurtarea pentru suma modulelor abaterilor. Mediana primei jumti a
datelor de sondaj cresctoare, se numete cuartila ntia Q1 . Me = Q2. Analog Q3 pentru a doua
jumtate a datelor.
Dac X1,, Xn sunt depuse n celulele A1:An din coloana A n EXCEL,mediana Me este
dat de funcia EXCEL scris n celula B4: = MEDIAN (A1:An) sau de funcia EXCEL scris n
celula B4: = QUARTILE (A1:An, 2), quartila Q1 este dat de funcia EXCEL scris n celula B5: =
QUARTILE (A1:An, 1) iar quartila Q3 este dat de funcia EXCEL scris n celula B6: =
QUARTILE (A1:An, 3).
Media i mediana au fost indicatori de poziie pentru datele de sondaj.
Urmeaz indicatori de variabilitate pentru datele de sondaj.
59

III. Variana (dispersia)

X
xi n

este variaia ptratic total SPA = (x - X )2

i
n 1
2

x i X

V S

n 1

raportat la numrul gradelor de libertate GL = n 1.


Datele de sondaj X1, , Xn sunt independente dar satisfac o relaie de dependen: xi = n . X
i de aceea avem GL = n 1.
IV. Abaterea - standard

x i X

n 1

este principalul indicator valoric al variabilitii fiind o abatere

mijlocie a datelor de sondaj fa de media lor X .


Caliti ale abaterii-standard
1) Abaterea standard este mrginit (cuprins ntre abaterea minim a min i cea maxim amax
a datelor de sondaj fa de media lor X .
Defecte ale abaterii-standard
1) Abaterea standard S este legat de o unitate de msur (aceeai ca i pentru media X )
deci nu permite comparaii ntre caractere.
Pentru
comparaii
se
poate
folosi
abaterea
standard
procentual

Sp

a max S
0;1.
a max a min

2) Abaterea standard este sensibil la nmulirea sau mprirea datelor de sondaj conform
teoremei 1.2.
3) Abaterea standard singur nu poate aprecia intensitatea variabilitii datelor de sondaj.
Dac X1,, Xn sunt depuse n celulele A1:An din coloana A n EXCEL, variaia ptratic
total SPA este dat de funcia EXCEL scris n celula B7: = DEVSQ (A1:An), variana V este dat
de funcia EXCEL scris n celula B8: = VAR(A1:An) iar abaterea-standard S este dat de funcia
EXCEL scris n celula B9: = STDEV(A1:An).
Valorile Ui = (Xi - X )/S se numesc reduse sau normate. Avem: M(Ui) = 0 i V(Ui) = 1.
Funcia EXCEL pentru calculul valorilor reduse are forma = STANDARDISE(Xi, X , S).
V. Coeficientul de variabilitate

S
100 este principalul indicator procentual al variabilitii datelor de sondaj n jurul
X
mediei la X . El msoar variabilitatea datelor lund ca unitate de msur nu unitatea de msur a
caracterului X ci media de sondaj X .
c

Caliti ale coeficientului de variabilitate

1) Coeficientul de variabilitate c este o valoare mrginit (cuprins ntre

a min
100 i
X max

a max
100 ).
X min
2) Coeficientul de variabilitate c nu are uniti de msuri, deci permite comparaii ntre
caractere.

3) Coeficientul de variabilitate c poate aprecia cu ajutorul unor praguri intensitatea


variabilitii datelor de sondaj n jurul mediei lor.
n raport de valorile coeficientului de variabilitate c avem cazurile:
60

a) Coeficientul de variabilitate c are o valoare mic. n acest caz variabilitatea datelor de


sondaj este mic, omogenitatea este mare i media X este foarte bun;
b) Coeficientul de variabilitate c are o valoare mijlocie. n acest caz variabilitatea datelor de
sondaj este mijlocie, omogenitatea lor este mijlocie i media X este bun;
c) Coeficientul de variabilitate c are o valoare mare. n acest caz variabilitatea datelor este
mare, omogenitatea este mic i media X este satisfctoare.
De exemplu pentru agricultur cazurile precedente au forma:
a) c < 10%; b) c (10%; 20];
c) c > 20%.
n cazul c) se pune problema existenei unei cauze sistematice pentru variabilitatea mare a
datelor de sondaj.
Exemplu:
Fie o populaie statistic de plante de porumb la recoltarea pe suprafaa de 1 ha cu volumul
populaiei N = 75000 plante recoltabile.
Fie X = greutatea boabelor pe plant la recoltare (g).
Efectum un sondaj de n = 10 plante reprezentative deci cota de reprezentare este
7500 plante.
Datele de sondaj se aranjeaz n
ordine cresctoare n tabelul alturat.
Avem indicatorii de sondaj:

500
50 g/plant
10

I)

II)

Me = [48; 51] deci


Me = 49.5 g/plant

IV)

448
49.8 g 2
10 1
S 49.8 7 g / plant

V)

III)

S2

7
14%
50

Xi

Xi- X

(Xi- X )2

Xi X
S

40
42
45
45
48
51
54
57
58
60
500

-10
-8
-5
-5
-2
1
4
7
8
10
0

100
64
25
25
4
1
16
49
64
100
448

-1.43
-1.14
-0.71
-0.71
-0.29
0.14
0.57
1.00
1.14
1.43
-

n
1:
N

O sintez elegant a acestor calcule este dat n foaia de calcul C1P1.XLS aflat n Anex.
2.2.2. Cazul sondajului de volum mare (n > 30)
n acest caz se face gruparea datelor de sondaj n clase de valori astfel: se fixeaz
numrul k de clase de valori care nu trebuie s fie nici prea mic, deoarece se terg trsturi
eseniale ale datelor de sondaj, nici prea mare, deoarece se pun n eviden trsturi neeseniale
ale datelor de sondaj.
Acest numr k de clase de valori se poate calcula cu una din formulele k < 5 log n, k = 1 +
3.322 log n sau se folosesc recomandabil orientative de mai jos.

61

Volum sondaj (n)


30 40
41 60
61 80
81 100
101 125
126 150
151 175
176 200
201 400
401 600
601 800
801 1000
1001 2000
2001 3000
3001 4000
4001 5000
Lungimea unei clase de valori este

Nr. clase de valori (k)


5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

X max X min
.
nr. clase de valori k

Centrul clasei de valori Ci, notat cu xi, este mijlocul clasei adic media aritmetic a
valorilor extremitilor clasei Ci.
Centrul clasei xi aproximeaz toate valorile de sondaj n clasa Ci, fiind reprezentantul
acestor valori.
Frecvena absolut ni a valorilor de sondaj ntr-o clas de valori Ci este numrul datelor de
sondaj care cad n clasa respectiv, valori aproximate prin centrul clasei xi.
Frecvena relativ (procentual) fi a valorilor de sondaj ntr-o clas de valori Ci este

fi

ni
n

. Alturi de frecvenele precedente se pot folosi frecvenele cumulate calculate astfel:

Frecvenele absolute cumulate: N * i = n1 + n2 + + ni, (1 < i < n)


Frecvenele relative cumulate: f * i = f1 + f2 + + fi, (1 < i < n)
Datele grupate se pot prezenta grafic prin histograme n raport cu sistemul de axe (Ci, ni),
poligonul frecvenelor n raport cu sistemul de axe (xi, ni) i respectiv cumulata n raport cu
sistemul de axe

*
xi ; ni .
2

Toate aceste operaii de grupare, tabelare i reprezentare grafic se pot face cu programul
C1GRUP sau cu EXCEL.
Pentru datele de sondaj grupate, indicatorii de sondaj de la punctele 5.2 I) V) capt
forma:
I)
Media de sondaj:
k
1 k
X n i x i fi x i
n i 1
i 1

II)

Mediana de sondaj:

Me se determin grafic cu ajutorul cumulatei fiind abscisa de pe axa


corespunztoare ordonatei n i
*

n
;
2
62

xi

III) Modul de sondaj:


Clasa modal Mo este acea clas Ci cu ni maxim. Modul Mo se determin grafic n clasa
modal cu ajutorul histogramei:

Spre deosebire de media X care d tendina central a datelor de sondaj, modul Mo d


tendina sa principal, numindu-se din acest motiv, valoare dominant sau principal. Exist date
de sondaj cu mai multe moduri(plurimodale).
Dac datele de sondaj negrupate X1,, Xn sunt depuse n celulele A1:An din coloana n
EXCEL i cel puin dou din aceste valori sunt egale, modul Mo este dat de funcia EXCEL scris
n celula B10: = MODE(A1:An).
IV)

Abaterea standard de sondaj:

1 k
n k
2
2

n
X

f i X i X

i i
n 1 i 1
n 1 i 1
63

Datorit gruprii n clase de valori i a aproximrii valorilor dintr-o clas cu centrul clasei xi,
S sufer o eroare care se nltur prin corecia Sheppard S ' S 2

12

unde l este lungimea

claselor de valori.

S
100
X

V)

Coeficientul de variabilitate de sondaj: c

VI)

1 k X X
1 k
Coeficientul de asimetrie de sondaj: A ni i

niU i3

n i 1 S
n i 1

Acest coeficient evalueaz deplasarea pe orizontal a poligonului frecvenelor fa de


graficul funciei de repartiie N( X , S) conform figurii:

V)

Coeficientul de boltire de sondaj:

1 k X X
B ni i
n i 1 S

1 k
4
niU i
i 1
n

Acest coeficient evalueaz deplasarea pe vertical a poligonului frecvenelor fa de graficul


funciei de repartiie N( X , S) conform figurii:

Dac datele de sondaj negrupate X1,, Xn sunt depuse n celulele A1:An din coloana A n
EXCEL, coeficientul de asimetrie ajustat (numit skewness):

64

Skew

n2
.A
(n 1)(n 2)

este dat de funcia EXCEL scris n coloana B11: = SKEW(A1:An), iar coeficientul de boltire ajustat
(numit Kurtozis):
n2 (n 1)
3(n 1) 2
Kurt
.B
(n 1)(n 2)(n 3)
(n 2)(n 3)
este dat de funcia EXCEL scris n coloana B12: = KURT(A1:An).
Se numete structur de date cu k componente ansamblul de numere f1,, fk care
ndeplinesc condiiile: 0 fi 1 (1 i k) i f1 ++ fk = 1, (f1,, fk) se numete vectorul
structurii.
Exemple:
1) Frecvenele relative f1,, fk ale datelor de sondaj de volum mare, grupate n clasele de
valori C1,, Ck cu centrele de clase x1,, xk definesc structura sondajului pe clase de valori.
2) Fie k ramuri ale unei uniti economice i fie C1,, Ck cheltuielile totale (productive i
neproductive) anuale ale ramurilor. Cheltuielile totale anuale ale ntregii uniti sunt C = C1 ++ Ck.
Numerele f1 = C1/C,, fk = C1/C definesc structura de cheltuieli a unitii pe ramuri.
n mod analog, fie V1,, Vk veniturile totale anuale ale ramurilor i fie V = V1 ++ Vk
total anual al unitii.
Numerele f1 = V1/V,, fk = Vk/V definesc structura de venituri a unitii pe ramuri.
Concentrarea unei structuri de date este tendina de cretere a ponderii fi a unei
componente n detrimentul celorlalte, inclusiv micorarea numrului k de componente.
Concentrarea structurii este maxim dac fi = 1 i fj = 0 pentru j i.
Diversificarea structurii de date este tendina de egalizare valoric a ponderilor f1,, fk
ale celor k componente ale structurii, inclusiv prin mrirea numrului k de componente.
Diversificarea structurii este maxim dac f1 == fk = 1/k.
Media valorilor f1,, fk este f = 1/k iar abaterea-standard a valorilor f1,,fk este:

2
i

k 1

deoarece

Pentru concentrarea maxim avem S = 1/(k)1/2 iar pentru diversificarea maxim avem S = 0.
Abaterea-standard corectat:

S k .S

k fi 2 1

[0;1]
k 1
este un indicator al concentrrii structurii pe componente i se poate exprima n procente.
Entropia structurii este dat de relaia:
H

f . og
i

2 i

i=1

Valorile lui - f.log2f se pot lua din tabela 16 din Anex.


Avem H = 0 pentru concentrarea maxim i H = log2 k pentru diversificarea maxim.
Entropia ajustat:

k
1
fi . og2 fi
og 2 k i 1

este indicator al diversificrii structurii pe componente i se poate exprima n procente.


65

Fie dou structuri de date cu vectorii de structur (f1,, fk) i (g1,, gk)
Mediile lui f1,, fk i respectiv g1,, gk sunt f = g = 1/k.
Legtura ntre cele dou structuri se msoar prin coeficientul de corelaie liniar dat de
teorema 1.2:

k f i gi 1

(k fi 2 1)(k gi2 1)

[1;1]

Conform teoremei 1.1, coeficientul de regresie liniar ntre cele dou structuri are forma:

B1

k fi gi 1

k fi 2 1
iar termenul liber al regresiei este:
2
1 B1 fi fi gi
B0 g B1 . f

k
k fi 2 1
Conform teoremei 2.9, dac |R| = 1 avem legtura funcional liniar ntre cele dou

structuri, dat de relaia: g = B0 + B1.f


Avem R = 1 dac B1 > 0 i R = -1 dac B1 < 0.
Dac R = 0, cele dou structuri nu sunt corelate liniar.
Exemplu:
Dac (f1,, fk) este structura de venituri sau cheltuieli a unei uniti economice n anul de
baz i (g1,, gk) este structura de venituri sau cheltuieli a aceleiai uniti n anul curent, R
msoar gradul de stabilitate a structurii n timp.
Dac caracterul X are numai valori ntregi, datele de sondaj de volum mare (n > 30) se pot
grupa pe valori distincte Xi cu frecvenele absolute ni sau se poate alege un numr de clase k astfel
ca lungimea l a claselor s fie numr ntreg deci i limitele claselor s fie numere ntregi.
Exemplu:
Fie o populaie statistic de plante de porumb la recoltare de pe 1 ha cu volumul populaiei
N = 75000 plante recoltabile. Pentru a studia greutatea boabelor pe plant X n grame, efectum un
sondaj reprezentativ de n = 50 plante deci cota de reprezentare

n
50

1 : 1500 plante.
N 75000

Date de sondaj n grame:


50; 45; 40; 48; 47; 53; 49; 56; 58; 60; 42; 48; 49; 51; 54; 53; 46; 49; 48; 46; 55; 59; 52; 44;
48; 43; 49; 51; 50; 52; 44; 55; 43; 49; 47; 50; 54; 56; 59; 49; 48; 51; 50; 51; 47; 46; 42; 53; 51.
S se grupeze datele n k = 5 clase de valori, s se reprezinte grafic histograma, poligonul
frecvenelor, cumulata i s se calculeze indicatorii statistici de la punctul I) VII).
Soluie:
Numrul de clase este k = 5, lungimea unei clase de valori este:
60 40

4g .
5
66

Clase
Sub 44 g
[44 48 g)
[48 52 g)
[52 56 g)
peste 56 g

Centre clase
Xi
42 g
46
50
54
58

Frecvene ni

Frecvene
n*i
5 plante
14
35
44
50

5 plante
9
21
9
6

Graficele sunt:
Histograma:

Poligonul frecvenelor:

67

Frecvene fI
0.10
0.18
0.42
0.18
0.12

Frecvene
f*i
0.10
0.28
0.70
0.88
1.00

Cumulata:

I)

Media de sondaj:
1
X 5 40 9 46 21 50 9 54 6 58 50.16 g/plant
50
II) Mediana de sondaj Me = 50 g
III) Modul de sondaj Mo = 50 g
IV) Abaterea standard de sondaj:

1
2
2
2
2
2
5 42 50.16 9 46 50.16 21 50 50.16 9 54 50.16 6 58 50.16

49

Corecia Shepard: S ' S 2


V)

4.5

g/plant.

4
4.46 g
12

Coeficientul de variabilitate de sondaj: C

4.5
9%
50.16

VI) Coeficientul de asimetrie de sondaj:


1
3
3
3
3
3
A
5 42 50.16 9 46 50.16 21 50 50.16 9 54 50.16 6 58 50.16 = 0.008
3

50 4.5
VII) Coeficientul de boltire de sondaj:

1
5 42 50.16 4 9 46 50.16 4 21 50 50.16 4 9 54 50.16 4 6 58 50.16 4 = 2.41
4

50 4.5
VIII) Coeficientul de concentrare de sondaj:

5 0.102 0.182 0.422 0.182 0.122 1

28.6 %
5 1
Desigur indicatorii X , Me, S, c puteau fi calculai i din cele n = 50 valori de sondaj nainte
de gruparea datelor.
Dac X este nsuire calitativ (atributiv), facem convenia:

68

1, Exemplarul i are nsuirea X


xi
0, n rest
Efectum un sondaj de volum n deci datele de sondaj vor fi un numr de n cifre egale cu 0

sau cu 1. Fie k numrul cifrelor Xi = 1 (1 < k < n). Media de sondaj devine f

k
0;1 ,
n

numindu-se frecven de sondaj.


Indiferent de volumul de sondaj n, datele de sondaj se mpart n 2 clase: C = {xi/xi = 1} cu
k valori i C = {xi/xi = 0} cu n k valori.
Exemplu:
ntr-un miniincubator avem o populaie statistic de N = 1000 ou. Efectum un sondaj
reprezentativ de n = 50 ou i gsim k = 6 ou neeclozionate. S se calculeze frecvena de sondaj a
oulor neeclozionate.
Soluie:

k 6

12%
n 50

Exemple de nsuiri calitative (atributive) n agricultur:


- ecloziune ou culoare, culoare ou, rezistena la manipulare ou;
- viabilitate purcei sugari, pui de o zi;
- stare de gestaie la animale;
- stare de profitabilitate a unei societi agricole.

2.3 INDICATORI DE SONDAJ DE EVOLUIE


2.3.1. Cazul msurtorilor simple n timp
Fie o populaie statistic pe care o studiem din punct de vedere al nsuirii cantitative X.
Dac nsuirea X ia valori ntregi, datele unui sondaj extras din populaie la momentele de
timp t1, t2, , tn sunt valori instantanee x1, , xn msurate n acele momente de timp.
Dac nsuirea X ia valori reale, datele unui sondaj extras din populaie n intervalele de
timp [t1, t2), [t2, t3), , [tn-1, tn] sunt valori medii x1, , xn msurate n acele intervale de timp cu
lungimile t2 - t1, t3 - t2, , t n t n 1.
Exemplu:
X = efectivul anual de vaci al unei ferme zootehnice se msoar prin valori instantanee (la
31 decembrie al anului calendaristic).
X = producia anual de lapte al vacilor dintr-o ferm zootehnic se msoar prin valori
medii pe perioada 1 ianuarie 31 decembrie a anului calendaristic sau pe perioada medie de lactaie
normal de 308 zile.
Msurtorile sunt echidistante dac t2 t1 = t3 t2 = = tn - tn-1 i neechidistante n caz
contrar.
Exemplu de msurtori echidistante:
Producia de lapte a vacilor se controleaz echidistant din 28 n 28 zile astfel c ntr-o
lactaie normal de 308 zile se efectueaz 11 controale ale produciei de lapte.
Prezentarea grafic a datelor de sondaj de evoluie instantanee se face prin poligonul
valorilor n raport cu axele (ti, xi) iar a datelor de sondaj de evoluie se face prin cronograma n
raport cu axele ([ti, ti+1), xi).
69

Indicatori statistici de sondaj de evoluie


I) Media cronologic
Dac X se msoar prin valori instantanee x1, , xn la momentele de timp t1, , tn avem:

x t t1 x 2 t 3 t 2 ... x n 1 t n t n 1
(1) X C 1 2
t n t1

Dac X se msoar prin valori medii x1, , xn n intervalele de timp [t1, t2), [t2, t3), , [tn-1,
tn] avem:

x1 x 2
t 2 t1 x 2 x 3 t 3 t 2 ... x n 1 x n t n t n 1
2
2
2
(2) X m
t n t1

n cazul msurtorilor echidistante n timp, avem t2 - t1 = t3 t2 =, ,= tn tn 1 = d i tn t1


= (n 1).d, deci:
(3) X C

X1 X 2 ...X n 1
respectiv:
n 1

X1
X
X 2 ... X n 1 n
2
(4) X m 2
n 1
II) Ritmul mediu valoric (absolut) de evoluie
Abaterile valorice ale datelor de sondaj consecutive sunt D1 = X2 X1, ,; Dn 1 = Xn Xn 1.
Ritmul mediu valoric de evoluie al datelor de sondaj va fi:
(5) D

x 2 x1 t 2 t1 x 3 x 2 t 3 t 2 ... x n x n 1 t n t n 1
t n t1

n cazul msurtorilor echidistante avem t2 = t1 + r, t3 = t1 + 2r, , tn = t1 + (n 1)r deci:


(6) D

X n X1
n 1

Valorile ateptate ale datelor de sondaj de evoluie formeaz progresia aritmetic cu raia D:
X1, X1 + D, , X1 + (n 1)D
Aceste valori ateptate X1 + j.D se apropie de cele observate Xj atunci cnd caracterul X
evolueaz numai cresctor sau numai descresctor n timp i abaterile valorice ale datelor de
sondaj consecutive D1, , Dn 1 sunt toate pozitive sau toate negative i apropiate ntre ele ca
valoare (caracterul X evolueaz liniar n timp).
n caz contrar se ajusteaz aceste abateri valorice D1, , Dn 1 cu o funcie de regresie
neliniar n raport cu timpul ca n seciunea 5.3
Pe durata a m perioade de timp, variaia valoric a caracterului X va fi P = x1 + (m 1)D
x1 = (m 1) D deci X variaz valoric cu cantitatea P n m
Dac notm x1 + + xm = Q avem:

mX1

mm 1
D Q de unde
2
70

P
1 perioade de timp.
D

D 2X1

D 2X1 8DQ
2D

adic numrul de perioade de timp n care se acumuleaz cantitatea final Q a caracterului X


respectiv n care se consum cantitatea iniial Q a caracterului X.
III) Ritmul mediu procentual (relativ) de evoluie
Abaterile procentuale ale datelor de sondaj consecutive sunt:
X
X
X
I1 2 , I2 3 , ..., I n - 1 n
X1
X2
X n1
Ritmul mediu procentual de evoluie a datelor de sondaj va fi:
1

tn tn 1 t t
X t2 t1 X t3 t2
n 1
Xn
3
2

(7) I

...

X 1

X2
X n 1
Dac logaritmm relaia precedent, obinem:
logX2 log X1 t2 t1 ... logXn log X n1 tn tn1
(8) log I
tn t1
deci logaritmul lui I este ritmul mediu valoric de evoluie al valorilor de sondaj logaritmate.
Dac msurtorile sunt echidistante avem:
log X n log X 1
t2 t1 = t3 t2 = = tn tn 1 = d iar tn t1 = (n 1).d, deci avem: log I
adic:
n 1

X n 1
(9) I n
X1
Valorile ateptate ale datelor de sondaj de evoluie formeaz o progresie geometric cu
raia I: X1, X1.I, , X1.In 1.
Aceste valori ateptate X1.Ij se apropie de cele observate Xj atunci cnd caracterul X
evolueaz numai cresctor sau numai descresctor n timp i abaterile procentuale ale datelor
de sondaj consecutive, notate cu I1, , In 1 sunt toate supraunitare sau toate subunitare i
apropiate ntre ele ca valoare (caracterul X are o evoluie exponenial n timp).
n caz contrar se ajusteaz aceste abateri procentuale I1, , In 1 cu o funcie de regresie
neliniar n raport cu timpul ca n seciunea 5.3
X I m1
Pe durata a m perioade de timp variaia procentual a lui X va fi P 1
I m1 deci X
X1
log P
variaz procentual cu valoarea P n m
1 perioade de timp.
log I

Q
log I 1
1
m
X1
I 1

Dac notm X1 + + Xm = Q avem: X 1


, adic
Q de unde m
I 1
log I
numrul de perioade de timp n care se acumuleaz cantitatea final Q a valorilor caracterului X
respectiv n care se consum cantitatea iniial Q a valorilor caracterului X.
Exemplu:
Fie X = greutatea porcilor la ngrat (kg).
Fie ti vrsta n zile a porcilor.
Se fac n = 10 controale echivalente din 28 n 28 zile.

71

ti

28

56

84

112

140

168

196

224

252

280

xi(g/zi)

12

26

42

60

78

94

107

117

120

Se cer X , D, I.
Soluie:
Graficul perechilor de valori (x,z) are forma:
140
120
100
80
60

Series1

40
20
0
0

50

100

150

200

250

300

1
1
X 1 X 2 ... X n 1 X n
2
X 2
66.4 kg
n 1
X X1
log X n log X1
0.178 deci I = 100.178 = 1.57
D n
13 kg; log I
n 1
n 1
Fie diviziunile de timp echidistante t1, , tn (cu t2 t1 = t3 t2 = = tn tn - 1).
n cazul msurtorilor echidistante, indicatorii D i I nu depind de X 2, , Xn -1, defect
care poate fi corectat prin metoda uniformizrii nclinrii dinilor de fierstru ai seriei
cronologice X1, , Xn, dup cum urmeaz:
a) Corecia lui D
Avem diferenele de ordin I: Di = Xi+1 Xi.
Dac diviziunile de timp echidistante au lungimea 1 adic: t2 t1 = t3 t2 = = tn tn - 1 = 1
atunci Di este nclinarea (panta) segmentului care unete punctele (ti, Xi) i (ti+1, Xi+1) cu ti+1 ti = 1.
Dac Di < 0, avem Xi > Xi+1 deci pe tronsonul [ti; ti+1] caracterul X are variaie
descresctoare.
Dac Di = 0, avem Xi = Xi+1 deci pe tronsonul [ti; ti+1] caracterul X este staionar.
Dac Di > 0, avem Xi < Xi+1 deci pe tronsonul [ti; ti+1] caracterul X are variaie cresctoare.
Vom nlocui pe D cu ritmurile medii valorice (absolute) RV1 i RV2 care urmeaz: RV1 < 0
este media aritmetic a diferenelor Di < 0 iar RV2 > 0 este media aritmetic a diferenelor Di > 0.
Valorile lui X1, , Xn vor fi ajustate cu ajutorul lui RV1 i RV2 astfel:

XV1 X 1

X i RV1 dac Xi X i 1

XVi X i dac Xi X i 1
X RV dac X X
2
i
i 1
i

(1 i n-1)
72

Variaia ptratic total a lui Y este: SPAT ( X i X ) iar variaia ptratic rezidual
valoric a lui X este: SPAV = (Xi XVi )2.
Dac SPAV < SPAT, raportul de corelaie valoric are forma:
2

RV 1 SPAV / SPAT [0;1]


Prognoza valorii necunoscute Xn+1 se face cu valoarea:

X n RV1 dac ne ateptm ca X s scad.

XVn1 X n dac ne ateptm ca X s fie staionar.


X RV dac ne ateptm ca X s creasc.
2
n
b) Corecia lui I
Avem rapoartele de ordin I: Ri = Xi+1/Xi.
Dac diviziunile de timp echidistante au lungimea 1 adic: t2 t1 = t3 t2 = = tn tn - 1 = 1,
atunci Ri este nclinarea (panta) segmentului care unete punctele (ti, logXi) i (ti+1, logXi+1) cu ti+1
ti = 1.
Dac Ri < 1, avem Xi > Xi+1 deci pe tronsonul [ti; ti+1] caracterul logX are variaie
descresctoare.
Dac Ri = 1, avem Xi = Xi+1 deci pe tronsonul [ti; ti+1] caracterul logX este staionar.
Dac Ri > 1, avem Xi < Xi+1 deci pe tronsonul [ti; ti+1] caracterul logX are variaie
cresctoare.
Vom nlocui pe R cu ritmurile medii procentuale (relative) RP1 i RP2 care urmeaz: RP1 < 1
este media geometric a rapoartelor Ri < 1 iar RP2 > 1 este media geometric a rapoartelor Ri > 1.
Valorile lui X1, , Xn vor fi ajustate cu ajutorul lui RP1 i RP2 astfel:

XP1 X 1

X i RP1 dac Xi X i 1

XPi X i dac Xi X i 1
X RP dac X X
2
i
i 1
i

(1 i n-1)

Variaia ptratic total a lui Y este: SPAT ( X i X ) iar variaia ptratic rezidual
procentual a lui X este: SPAP = (Xi XPi)2.
Dac SPAP < SPAT, raportul de corelaie procentual are forma:
2

RP 1 SPAP / SPAT [0;1]


Prognoza valorii necunoscute Xn+1 se face cu valoarea:

X n RP1 dac ne ateptm ca X s scad.

XPn1 X n dac ne ateptm ca X s fie staionar.


X RP dac ne ateptm ca X s creasc.
2
n

Exemplu:
Fie X nivelul apei unui ru din Romnia msurat la mir (m) n n = 10 zile consecutive.
Msurtorile i calculele conform formulelor precedente figureaz n tabelul urmtor:

73

Xi
6.5
6.8
6.6
6.6
7.0
7.2
7.2
6.9
6.8
6.6
68.2

Diferene Di
0
0.3
- 0.2
0
0.4
0.2
0
- 0.3
- 0.1
- 0.2
RV1 = - 0.2; RV2 = 0.3

XVi
6.5
6.8
6.6
6.6
6.9
7.3
7.3
7.0
6.7
6.6
X

Di
0
0
0
0
0.1
- 0.1
- 0.1
- 0.1
0.1
0
X

Rapoarte Ri
1
1.05
0.97
1
1.06
1.03
1
0.96
0.99
0.97
RP1 = 0.971; RP2 = 1.045

XPi
6.50
6.79
6.60
6.60
6.90
7.30
7.30
7.00
6.70
6.60
X

DPi
0
0.01
0
0
0.10
- 0.10
- 0.10
- 0.10
0.10
0
X

Rezultate:
Graficul perechilor (x, y) are forma:
7,3
7,2
7,1
7
6,9
Series1

6,8
6,7
6,6
6,5
6,4
0

10

12

Media cronologic pentru msurtori instantanee este MC = 68.2/10 = 6.82 m


Ritmul mediu de scdere valoric este RV1 = - 0.2 m
Ritmul mediu de cretere valoric este RV2 = 0.3 m
Ritmul mediu de scdere procentual este RP1 = 0.971; Scderea medie este RP1-1 = 2.9%
Ritmul mediu de cretere procentual este RP2 = 1.045; Creterea medie este RP2-1 = 4.5%
Variaia ptratic total a lui X este SPAT = 0.576
Variaia rezidual valoric a lui X este SPAV = 0.087 deci raportul de corelaie valoric este
RCV = 0.956
Variaia rezidual procentual a lui X este SPAP = 0.096 deci raportul de corelaie procentual este
RCP = 0.951
Prognoz valoric:

X 10 RV1 =6.6-0.2=6.4m dac ne ateptm ca X s scad.

XV11 X10 =6.6m dac ne ateptm ca X s fie staionar.


X RV =6.6+0.3=6.9m dac ne ateptm ca X s creasc.
2
10
74

Prognoz procentual:

X 10 RP1 =6.6*0.971=6.41m dac ne ateptm ca X s scad.

XP11 X10 =6.6m dac ne ateptm ca X s fie staionar.


X RP =6.6*1.045=6.89m dac ne ateptm ca X s creasc.
2
10
2.3.2. Cazul msurtorilor multiple n timp
Fie o populaie statistic pentru care studiem evoluia caracterului X.
Extragem m exemplare independente din populaie pe care msurm caracterul X n n
momente de timp t1, , tn.
Datele de sondaj au forma:
Timp
Nr.
1
2

m
Medii
de
sondaj X j

t1

t2 ...tn

x11 x12 x1n


x21 x22 x2n
.
xm1 xm2 .. xmn

Medii cronologice

X Ci
X C1
X C2

X Cm

X 1 X 2 . X n

X
XC

Pentru repartiia caracterului X n sondajul cu m exemplare avem la momentul tj media de

1 m
sondaj X j x ij ; (1 < j < n).
m i 1
Pe ntreaga perioad de timp [t1, tn] avem indicatorii globali:
- media cronologic global:

XC
-

1 1
1

X n 1 X n t n t n 1
X

X
t

...

1
2
2
1

t n t1 2
2

ritmul mediu valoric global:

1
X2 X1 t 2 t1 ... Xn Xn 1 t n t n 1
t n t1

ritmul mediu procentual global I unde:


1
log X 2 log X 1 t2 t1 ... log X n log X n1 tn tn 1
log I

tn t1
Pentru evoluia caracterului X n timp avem pentru exemplarul de sondaj numrul i media de
evoluie:

X Ci

1 1
1

Xi, n 1 Xin t n t n 1 ; (1 < i < m).


X

X
t

...

i
1
i
2
2
1

t n t1 2
2

Pe ansamblul ntregului sondaj avem indicatorii de sondaj globali:

1 m
- media de sondaj global: X X Ci
m i 1

75

1 m
XCi X 2

m 1 i 1
S
coeficientul de variabilitate de sondaj global: C
100 (%)
X
abaterea standard de sondaj global: S

Exemplu:
X = greutatea porcilor la ngrat (kg).
Fie tj numrul de zile trecute de la data ftrii porcilor pn la data controlului numrul j.
Se fac n = 10 controale echidistante de 28 zile la m = 5 porci. Data de sondaj:

tj
Repetiia C
1
2
3
4
5
Medii
sondaj X j

28

56

84

112 140 168

196 224

252

280

Medii
cronologice

X Ci
3
3
3
4
3
3.2

12
13
12
13
12
12.4

26
27
25
27
25
26

42
43
41
43
41
42

60
61
59
61
59
60

78
78
77
77
78
77.6

94
94
94
92
96
94

104
106
109
104
111
107.4

117
115
118
112
121
116.6

120
118
122
115
125
120

66.4
66.4
66.4
65.4
67.4

X = 66.4
X C= 66.4

Pe baza datelor din tabel i a mediilor de la capetele de tabel s le calculeze indicatorii de


repartiie i evoluie globali.
Soluie:
X
X1
X 2 ... X n 1 n
2 66.4 kg.
Media cronologic global: X C 2
n 1

Ritmul mediu valoric global:

X n X1
13 kg.
n 1

Ritmul mediu procentual global: log I

log X n log X1
0.175
n 1

deci I = 100.175 = 1.49

1
X C1 ... X C n 66.4 kg.
n
Abaterea standard de sondaj global:
2
2
1
S
X C1 X ... X C n X 0.47 kg
n 1
S
Coeficientul de variabilitate de sondaj global: C 100 0.7%
X
2.3.3 Indici statistici
Media de sondaj global: X

n
calcula:
-

seciunea precedent am vzut c pentru un caracter X cu valorile diferite X0, X1 putem


variaia absolut: D(X) = X1 X0;
variaia relativ: I(X) = X1/X0;
variaia procentual: R(X) = D(X)/X0.
76

n limbaj economic diferena D se numete spor: X1 = X0 + D(X), raportul I se numete


indice: X1 = X0. I(X) iar mrimea R se numete ritm: X1 = X0 + X0.R(X).
Variaia relativ este superioar celei absolute deoarece nu are uniti de msur iar variaia
procentual se calculeaz uor pe baza celei relative: R(X) = I(X) 1.
I. n multe situaii ntlnim caractere Z compuse din produse ale altor caractere X, Y:
Z = X.Y cu valori diferite: Z0 = X0.Y0 respectiv Z1 = X1.Y1.
Exemple:
- Cheltuielile cu o resurs = consumul de resurs x costul unitii de resurs;
- Venitul din vnzarea unui produs agricol = producia fizic x preul de vnzare;
- Venitul din munc = productivitatea muncii (venit pe muncitor) x nr. muncitori.
n acest caz putem calcula: D(Z) =Z1 - Z0; I(Z) = Z1/Z0; R(Z) = D(Z)/Z0.
Avem relaiile: I(Z) = I(X.Y) = I(X).I(Y); R(Z) = R(X.Y) = I(X).I(Y) - 1
Avem i mrimile:
- produsul mediu : PM(Z) = Z0 = X0.Y0
- produsul marginal: PD(Z) = (X1 - X0).(Y1 Y0) = D(X).D(Y)
- elasticitatea produsului: EP(Z) = PD(Z)/PM(Z) = R(X).R(Y)
II. n multe situaii ntlnim caractere Z compuse din rapoarte (rate) ale altor caractere X, Y:
Z = X/Y cu valori diferite: Z0 = X0/Y0 respectiv Z1 = X1/Y1.
Exemple:
- Rata profitului = Profit/Cheltuieli;
- Costul unitii de produs = Cheltuieli cu produsul/Producia fizic;
- Rata omajului = Numr omeri/Numr persoane active.
n acest caz putem calcula: D(Z) = Z1 - Z0; I(Z) = Z1/Z0; R(Z) = D(Z)/Z0.
Avem relaiile: I(Z) = I(X/Y) = I(X)/I(Y); R(Z) = R(X/Y) = I(X)/I(Y) - 1
Avem i mrimile:
- rata medie: PM(Z) = Z0 = X0/Y0
- rata marginal: PD(Z) = (X1 - X0)/(Y1 Y0) = D(X)/D(Y)
- elasticitatea ratei: EP(Z) = PD(Z)/PM(Z) = R(X)/R(Y)
Indicii statistici sunt numere relative rezultate din compararea valorilor unui indicator
statistic la diferite momente de timp, n locuri diferite sau n categorii diferite n raport cu un
criteriu.
Indicii calculai la momente diferite de timp, se numesc indici ai dinamicii.
Indicii calculai n locuri diferite, se numesc indici teritoriali.
Indicii calculai n categorii diferite n raport cu un criteriu, se numesc indici calitativi.
n calculul indicilor se aleg dou momente de timp/locuri/categorii:
1) Momentul de timp/locul/categoria de baz (de referin), notat cu 0.
2) Momentul de timp/locul/categoria curent, notat cu 1.
Pentru elemente omogene se calculeaz indici elementari (individuali) iar pentru elemente
neomogene se calculeaz indici sintetici (de grup).

1.
2.
3.
4.

Caliti i defecte ale indicilor:


Sunt mrimi mrginite pozitive.
Nu au uniti de msur deci se pot compara ntre ei.
Nu sunt sensibili la nmulirea i mprirea datelor.
Indicii sintetici se pot calcula numai pentru cheltuieli i venituri.

77

Exemplul 1
Fie trei resurse R1 (motorin n litri/ha), R2 (ngrminte chimice NPK n Kg/ha) i R3 (ap
de irigaie n m3/ha).
Baza este anul 2000 iar anul curent este anul 2003.
Qi (uniti de resurs/ha) este consumul de resurs Ri, Ci (lei/unitate de resurs) este costul
resursei Ri iar CHi = Qi .Ci (milioane lei/ha) este suma cheltuit cu resursa Ri.

Resurse
R1
R2
R3
Total
A.

Consumuri Qi
Baz Qi0 Curent Qi1
120
110
210
220
1000
800

Costuri Ci
Baz Ci0 Curent Ci1
12000
18000
6000
8000
300
500
18300
26500

Indici individuali:
- pentru consumuri:
IQ(R1) = Q11/Q10 = 110/120 = 0.92
IQ(R2) = Q21/Q20 = 220/210 = 1.05
IQ(R3) = Q31/Q30 = 800/1000 = 0.80
IQ = [IQ(R1). IQ(R2). IQ(R3)]1/3 = 0.916
- pentru costuri:
IC(R1) = C11/C10 = 18000/12000 = 1.50
IC(R2) = C21/C20 = 8000/6000 = 1.33
IC(R3) = C31/C30 = 500/300 = 1.60
IC = [IC(R1). IC(R2). IC(R3)]1/3 = 1.494
- pentru cheltuieli:
ICH(R1) = (Q11C11)/(Q10C10) = 1.98/1.44 = 1.375
ICH(R2) = (Q21C21)/(Q20C20) = 1.76/1.26 = 1.40
ICH(R3) = (Q31C31)/(Q30C30) = 0.40/0.30 = 1.33
ICH = [ICH(R1). ICH(R2). ICH(R3)]1/3 = 1.368

A) Indici sintetici pentru cheltuieli ca indici agregai:


1) Indicele total:
IT(CH) = (Qi1Ci1)/(Qi0Ci0) = 4.14/3.00 = 1.38
2) Indicele Laspeyres:
- pentru consumuri:
IL(Q) = (Qi1Ci0)/(Qi0Ci0) = 2.88/3.00 = 0.96
- pentru costuri:
IL(C) = (Qi0Ci1)/(Qi0Ci0) = 4.34/3.00 = 1.45
3) Indicele Paasche:
- pentru consumuri:
IP(Q) = (Qi1Ci1)/(Qi0Ci1) = 4.14/4.34 = 0.95
- pentru costuri:
IP(C) = (Qi1Ci1)/(Qi1Ci0) = 4.14/2.88 = 1.44
4) Indicele Fisher:
- pentru consumuri:
IF(Q) = [IL(Q).IP(Q)]1/2 = 0.955
- pentru costuri:
IF(C) = [IL(C).IP(C)]1/2 = 1.455
78

Qi0Ci0
1.44
1.26
0.30
3.00

Cheltuieli CHi = QiCI


Qi0Ci1 Qi1Ci0 Qi1Ci1
2.16
1.32
1.98
1.68
1.32
1.76
0.50
0.24
0.40
4.34
2.88
4.14

Observaii:
i) Indicele Laspeyres este medie aritmetic ponderat a indicilor individuali I(R i) cu ponderile:
Ui = (Qi0Ci0)/(Qi0Ci0), deci Ui = 1:
- pentru consumuri:
IL(Q) = IQ(Ri).Ui
- pentru costuri:
IL(C) = IC(Ri).Ui
ii) Indicele Paasche este medie armonic ponderat a indicilor individuali I(R i) cu ponderile:
Vi = (Qi1Ci1)/(Qi1Ci1), deci Vi = 1:
- pentru consumuri:
[1/IP(Q)] = [1/IQ(Ri)]. Vi
- pentru costuri:
[1/IP(C)] = [1/IC(Ri)]. Vi
iii) Indicele total este produsul indicilor Laspeyres i Paasche:
IT(CH)= IL(Q).IP(C) = IL(C).IP(Q)
B) Indicii sintetici pentru cheltuieli ca rapoarte de medii:
5) Indicele cu structur variabil:
ISV = [(Qi1Ci1)/(Ci1)] : [(Qi0Ci0)/(Ci0)] = (4.14/26500) : (3.00/18300) = 0.95
6) Indicele cu structur fix:
ISF = [(Qi1Ci1)/(Ci1)] : [(Qi0Ci1)/(Ci1)] = (4.14/26500) : (4.34/26500) = 0.95
7) Indicele variaiei structurii:
IVS = [(Qi0Ci1)/(Ci1)] : [(Qi0Ci0)/(Ci0)] = (4.34/26500) : (3.00/18300) = 1
Observaii:
iv) Pentru indicii 7) - 9) avem relaia: ISV = ISF.IVS
v) Cu notaiile Wi0 = Ci0/(Ci0), deci Wi0 = 1 respectiv Wi1 = Ci1/(Ci1), deci Wi1 = 1, indicii
7) - 9) capt forma de indici agregai:
ISV = (Qi1Wi1)/(Qi0Wi0) analog cu indicele total IT de la punctul 1)
ISF = (Qi1Wi1)/(Qi0Wi1) analog cu indicele Paasche IP(Q) de la punctul 3)
IVS = (Qi0Wi1)/(Qi0Wi0) analog cu indicele Laspeyres IL(C) de la punctul 2)
Cheltuielile CH sunt un indicator complex bifactorial de forma CH = Q.C
Variaia cheltuielilor n timp este absolut: (CH) = Qi1Ci1 - Qi0Ci0 sau relativ:
IT(CH) = (Qi1Ci1)/Qi0Ci0
Aceste variaii absolute sau relative, se pot descompune n componente cu metoda
restului/ctului nedescompus.
Variaiile absolute sunt:
(CH) = Qi1Ci1 - Qi0Ci0 = 1.14
(Q) = Qi1Ci0 - Qi0Ci0 = - 0.12
(C) = Qi0Ci1 - Qi0Ci0 = 1.34
(Q C) = (Qi1Ci1 - Qi1Ci0) - (Qi0Ci1 - Qi0Ci0) = - 0.08
Verificare: (CH) = (Q) + (C) + (Q C)
Coeficienii de importan pentru repartizarea restului nedescompus (Q C) n mod
proporional cu influena independent a factorilor, vor fi:
(Q) = (Q)/((Q) + (C)) = - 0.098
(C) = (C)/((Q) + (C)) =1.098
deci (Q) + (C) = 1
Recalculm variaiile absolute astfel:
*(Q) = (Q) + (Q).(Q C) = - 0.11
*(C) = (C) + (C).(Q C) = 1.25
Verificare: (CH) = *(Q) + *(C)
79

Variaiile relative sunt:


IT(CH) = (Qi1Ci1)/(Qi0Ci0) = 1.38
IL(Q) = (Qi1Ci0)/(Qi0Ci0) = 0.96
IL(C) = (Qi0Ci1)/(Qi0Ci0) = 1.45
I(Q C) = (Qi1Ci1/Qi1Ci0) : (Qi0Ci1/Qi0Ci0) = IP(C)/IL(C) = 0.993
Verificare: IT(CH) = IL(Q) . IL(C) . I(Q C)
Coeficienii de importan pentru repartizarea ctului nedescompus I(Q C) n mod
proporional cu influena independent a factorilor vor fi:
(Q) = (log IL(Q))/(log IL(Q) + log IL(C)) = - 0.126
(C) = (log IL(C))/(log IL(Q) + log IL(C)) =1.126
deci (Q) + (C) = 1
Recalculm variaiile relative astfel:
I*L(Q) = IL(Q).[I(Q C)](Q) = 0.961
I*L(C) = IL(C).[I(Q C)](C) = 1.438
Verificare: IT(CH) = I*L(Q). I*L(C)
Metoda poate fi aplicat i indicatorilor complexi trifactoriali, tetrafactoriali etc.
Exemplul 2
Fie trei produse: T1 (Gru); T2 (Porumb); T3 (Floarea soarelui).
Baza este anul 2000 iar anul curent este 2003.
Yi este producia fizic a produsului Ti (Kg/ha), Di este preul de vnzare al unitii de
producie fizic a produsului Ti (lei/kg) iar Vi = Yi . Di este venitul obinut din vnzarea produsului
Ti (milioane lei/ha).
Producii Yi
Produse Baz Yi0 Curent Yi1
T1
3000
3500
T2
5000
6000
T3
1800
2000
TOTAL

Preuri vnzare Di
Baz Di0 Curent Di1
2000
4000
2500
4000
10000
12000
14500
20000

A) Indici individuali:
- pentru producii:
IY(T1) = Y11/Y10 = 3500/3000 = 1.17
IY(T2) = Y21/Y20 = 6000/5000 = 1.20
IY(T3) = Y31/Y30 = 2000/1800 = 1.11
IY = [IY(T1) . IY(T2) . IY(T3)]1/3 = 1.159
- pentru preuri de vnzare:
ID(T1) = D11/D10 = 4000/2000 = 2.00
ID(T2) = D21/D20 = 4000/2500 = 1.60
ID(T3) = D31/D30 = 12000/10000 = 1.20
ID = [ID(T1) . ID(T2) . ID(T3)]1/3 = 1.566
- pentru venituri:
IV(T1) = Y11D11/Y10D10 = 14/6 = 2.33
IV(T2) = Y21D21/Y20D20 = 24/12.5 = 1.92
IV(T3) = Y31D31/Y30D30 = 24/18 = 1.33
IV = [IV(T1) . IV(T2) . IV(T3)]1/3 = 1.814

80

Yi0Di0
6
12.5
18
36.5

Venituri Vi = YiDI
Yi0Di1 Yi1Di0 Yi1Di1
12
7
14
20
15
24
21.6
20
24
53.6
42
62

B) Indici sintetici pentru venituri ca indici agregai:


1) Indicele total:
IT(V) = (Yi1Di1)/(Yi0Di0) = 62/36.5 = 1.70
2) Indicele Laspeyres:
- pentru producii:
IL(Y) = (Yi1Di0)/(Yi0Di0) = 42/36.5 = 1.15
- pentru preuri de vnzare:
IL(D) = (Yi0Di1)/(Yi0Di0) = 53.6/36.5 = 1.47
3) Indicele Paasche:
- pentru producii:
IP(Y) = (Yi1Di1)/(Yi0Di1) = 62/53.6 = 1.48
- pentru preuri de vnzare:
ID = (Yi1Di1)/(Yi1Di0) = 62/42 = 1.48
4) Indicele Fisher:
- pentru producii:
IF(Y) = [IL(Y) . IP(Y)]1/2 = 1.155
- pentru preuri de vnzare:
IF(D) = [IL(D) . IP(D)]1/2 = 1.475
C) Indici sintetici pentru venituri ca rapoarte de medii:
5) Indicele cu structur variabil:
ISV = [(Yi1Di1)/(Di1)] : [(Yi0Di0)/(Di0)] = (62/20000) : (36.5/14500) = 1.23
6) Indicele cu structur fix:
ISF = [(Yi1Di1)/(Di1)] : [(Yi0Di1)/(Di1)] = (62/20000) : (53.6/20000) = 1.16
7) Indicele variaiei structurii:
IVS = [(Yi0Di1)/(Di1)] : [(Yi0Di0)/(Di0)] = (53.6/20000) : (36.5/14500) = 1.06
Verificare: ISV = ISF . IVS
Veniturile V sunt un indicator complex bifactorial de forma V = Y.D
Variaia veniturilor n timp este absolut: (V) = Yi1 D i1 - Y i0 D i0 sau relativ:
I T (V) = (Y i1 D i1 )/Y i0 D i0
Aceste variaii absolute sau relative, se pot descompune n componente cu metoda
restului/ctului nedescompus.
Variaiile absolute sunt:
(V) = Yi1Di1 - Yi0Di0 = 25.5
(Y) = Yi1Di0 - Yi0Di0 = 5.5
(D) = Yi0Di1 - Yi0Di0 = 17.1
(Y D) = (Yi1Di1 - Yi1Di0) - (Yi0Di1 - Yi0Di0) = 2.9
Verificare: (V) = (Y) + (D) + (Y D)
Coeficienii de importan pentru repartizarea restului nedescompus (Y D) n mod
proporional cu influena independent a factorilor, vor fi:
(Y) = (Y)/((Y) + (D)) = 0.357
(D) = (D)/((Y) + (D)) = 0.643
deci (Y) + (D) = 1
Recalculm variaiile absolute astfel:
*(Y) = (Y) + (Y) . (Y D) = 2.143
*(D) = (D) + (D) . (Y D) = 3.857
Verificare: (V) = *(Y) + *(D)
Variaiile relative sunt:
IT(V) = (Yi1Di1)/(Yi0Di0) = 1.699
81

IL(Y) = (Yi1Di0)/(Yi0Di0) = 1.151


IL(D) = (Yi0Di1)/(Yi0Di0) = 1.468
I(Y D) = (Yi1Di1/Yi1Di0) : (Yi0Di1/Yi0Di0) = IP(D)/IL(D) = 1.005
Verificare: IT(V) = IL(Y) . IL(D) . I(Y D)
Coeficienii de importan pentru repartizarea ctului nedescompus I(Y D) n mod
proporional cu influena independent a factorilor vor fi:
(Y) = (log IL(Y))/(log IL(Y) + log IL(D)) = 0.267
(D) = (log IL(D))/(log IL(Y) + log IL(D)) = 0.733
deci (Y) + (D) = 1
Recalculm variaiile relative astfel:
I*L(Y) = IL(Y) . [I(Y D)](Y) = 1.152
I*L(D) = IL(D) . [I(Y D)](D) = 1.473
Verificare: IT(V) = I*L(Y) . I*L(D)
Metoda poate fi aplicat i indicatorilor complexi trifactoriali, tetrafactoriali etc.
Exemplul 3
Fie trei societi comerciale: S1 (Vegetal); S2 (Zootehnie); S3 (Procesare produse
agrozootehnice).
Baza este anul 2000 iar anul curent este 2003.
NI este numrul de muncitori n ramura Si, Pi este productivitatea muncii n ramura Si
(milioane lei venit/muncitor) iar Wi = Ni . Pi este venitul din fora de munc n ramura Si (milioane
lei/an).

Societ.
Comer.
S1
S2
S3
TOTAL

Nr. muncitori Ni
Baz Ni0 Curent Ni1
10
15
20

8
12
16

Productiviti Pi
Baz Pi0
Curent Pi1
10
6
10
26

15
7
12
34

A) Indici individuali:
- pentru numr de muncitori:
IN(S1) = N11/N10 = 8/10 = 0.80
IN(S2) = N21/N20 = 12/15 = 0.80
IN(S3) = N31/N30 = 16/20 = 0.80
IN = [IN(S1) . IN(S2) . IN(S3)]1/3 = 0.800
- pentru productiviti:
IP(S1) = P11/P10 = 15/10 = 1.50
IP(S2) = P21/P20 = 7/6 = 1.17
IP(S3) = P31/P30 = 12/10 = 1.20
IP = [IP(S1) . IP(S2) . IP(S3)]1/3 = 1.281
- pentru venituri:
IV(S1) = N11P11/N10P10 = 120/100 = 1.20
IV(S2) = N21P21/N20P20 = 84/90 = 0.93
IV(S3) = N31P31/N30P30 = 192/200 = 0.96
IW = [IW(S1) . IW(S2) . IW(S3)]1/3 = 1.024
82

Ni0Pi0
100
90
200
390

Venituri Wi = NiPi
Ni0Pi1 Ni1Pi0 Ni1Pi1
150
105
240
495

80
72
160
312

120
84
192
396

B) Indici sintetici pentru venituri ca indici agregai:


1) Indicele total:
IT(W)= (Ni1Pi1)/(Ni0Pi0) = 396/390 = 1.02
2) Indicele Laspeyres:
- pentru numrul de muncitori:
IL(N) = (Ni1Pi0)/(Ni0Pi0) = 312/390 = 0.80
- pentru productiviti:
IL(P) = (Ni0Pi1)/(Ni0Pi0) = 495/390 = 1.27
3) Indicele Paasche:
- pentru numrul de muncitori:
IP(N) = (Ni1Pi1)/(Ni0Pi1) = 396/495 = 0.80
- pentru productiviti:
IP (P)= (Ni1Pi1)/(Ni1Pi0) = 396/312 = 1.27
4) Indicele Fisher:
- pentru numrul de muncitori:
IF(N) = [IL(N) . IP(N)]1/2 = 0.80
- pentru productiviti:
IF(P) = [IL(P) . IP(P)]1/2 = 1.27
C) Indici sintetici pentru venituri ca rapoarte de medii:
5) Indicele cu strucutur variabil:
ISV = [(Ni1Pi1)/(Pi1)] : [(Ni0Pi0)/(Pi0)] = (396/34) : (390/26) =0.776
6) Indicele cu structur fix:
ISF = [(Ni1Pi1)/(Pi1)] : [(Ni0Pi1)/(Pi1)] = (396/36) : (495/36) = 0.80
7) Indicele variaiei structurii:
IVS = [(Ni0Pi1)/(Pi1)] : [(Ni0Pi0)/(Pi0)] = (495/34) : (390/26) = 0.97
Verificare: ISV = ISF . IVS
Veniturile din fora de munc W sunt un indicator complex bifactorial de forma W = N . P.
Variaia veniturilor n timp este absolut: (W) = N i1 P i1 - N i0 P i0 sau relativ:
I T (V) = (N i1 P i1 )/N i0 P i0
Aceste variaii absolute sau relative, se pot descompune n componente cu metoda
restului/ctului nedescompus.
Variaiile absolute sunt:
(W) = Ni1Pi1 - Ni0Pi0 = 6
(N) = Ni1Pi0 - Ni0Pi0 = - 78
(P) = Ni0Pi1 - Ni0Pi0 = 105
(N P) = (Ni1Pi1 - Ni1Pi0) - (Ni0Pi1 - Ni0Pi0) = - 21
Verificare: (W) = (N) + (P) + (N P)
Coeficienii de importan pentru repartizarea restului nedescompus (N P) n mod
proporional cu influena independent a factorilor, vor fi:
(N) = (N)/((N) + (P)) = - 2.889
(P) = (P)/((N) + (P)) = 3.889
deci (N) + (P) = 1
Recalculm variaiile absolute astfel:
*(N) = (N) + (N) . (N P) = - 17.331
*(P) = (P) + (P) . (N P) = 23.331
Verificare: (W) = *(N) + *(P)
Variaiile relative sunt:
IT(W) = (Ni1Pi1)/(Ni0Pi0) = 1.015
83

IL(N) = (Ni1Pi0)/(Ni0Pi0) = 0.8


IL(P) = (Ni0Pi1)/(Ni0Pi0) = 1.269
I(N P) = (Ni1Pi1/Ni1Pi0) : (Ni0Pi1/Ni0Pi0) = IP(P)/IL(P) = 1
Verificare: IT(W) = IL(N) . IL(P) . I(N P)
Coeficienii de importan pentru repartizarea ctului nedescompus I(N P) n mod
proporional cu influena independent a factorilor vor fi:
(N) = (log IL(N))/(log IL(N) + log IL(P)) = - 16.167
(P) = (log IL(P))/(log IL(N) + log IL(P)) = 17.167
deci (N) + (P) = 1
Recalculm variaiile relative astfel:
I*L(N) = IL(N) . [I(N P)](N) = 0.8
I*L(P) = IL(P) . [I(N P)](P) = 1.269
Verificare: IT(W) = I*L(N) . I*L(P)
Metoda poate fi aplicat i indicatorilor complexi trifactoriali, tetrafactoriali etc.
Momentul de baz din exemplele precedente, notat cu 0, poate fi nlocuit cu un loc de baz
sau cu o categorie de baz n raport cu un criteriu.
Deasemenea momentul curent din exemplele precedente, notat cu 1, poate fi nlocuit cu un
loc curent sau cu o categorie curent n raport cu un criteriu. Indicii precedeni satisfac anumite
condiii, numite teste ale indicilor, prezentate n lucrarea Mic enciclopedie de statistic, pag.
227-230.
Vom descrie n ncheiere modul de calcul al indicelui preului de consum (IPC) pe baza
indicelui sintetic Laspeyres.
I. Nomenclatorul de produse i servicii conine trei grupe:
a) Produse alimentare
b) Produse nealimentare
c) Servicii
Fiecare grup conine mai multe subgrupe, fiecare subgrup conine mai multe produse i
fiecare produs conine mai multe sortimente. n total nomenclatorul conine circa 2000 sortimente.
Exemplu: n grupa produselor alimentare avem de exemplu subgrupa carne i produse din carne n
care avem de exemplu produsul carne de porc n care avem de exemplu sortimentul pulp de porc
cu os.
II. Nomenclatorul de localiti conine 68 centre de culegere i nregistrare a preurilor/
tarifelor n fiecare din cele 41 judee (Municipiul Bucureti are 6 centre pentru cele 6 sectoare i
unul pentru sectorul agricol Ilfov; Timioara, Constana, Cluj, Braov au cte 3 centre etc.)
III. Nomenclatorul de magazine i piee alimentare i nealimentare, precum i uniti
prestatoare de servicii pentru nregistrarea preurilor/tarifelor pe sortimentele de la punctul I.
IV. Periodicitatea nregistrrii preurilor/tarifelor este sptmnal pentru mrfuri alimentare,
bilunar pentru mrfuri nealimentare i servicii i lunar pentru cele supravegheate (pine,
benzin, transport CFR etc).
Etape de calcul:
1) Se calculeaz preul/tariful mediu lunar PMjk pentru fiecare sortiment j din cele 2000 i pentru
fiecare centru de culegere k din cele 68.
2) Se calculeaz preul/tariful mediu lunar PM j pentru fiecare sortiment j din cele 2000 i pentru
toate cele 68 centre de culegere, att pentru momentul baz (0) ct i pentru momentul
current (1).
84

3) Se calculeaz indicele individual de pre Ij = PMj(1)/PMj(0) pentru fiecare sortiment j din


cele 2000.
4) Se calculeaz indicii la nivel de produs, subgrup, grup printr-un indice Laspeyres cu
coeficienii de ponderare n perioada de baz: Uj(0) pe sortiment, Up(0) pe produs, Us(0) pe
subgrup, Ug(0) pe grup:
I j U(0)j I j U(0)j ;
pe produs : I p =
U (0)
U(0)j
p
pe subgrup : Is =
pe grup : I g =
5) Calculul IPC :

I U
U
p

(0)
p

(0)
p

U s(0)

I U I U
U
U
I U
IPC =
U
(0)
s
(0)
s

U (0)
p

(0)
s

(0)
g

(0)
g

(0)
g

IPC se utilizeaz n aprecierea inflaiei, n politica monetar i fiscal (masa monetar, rata
dobnzii), n stabilirea drepturilor bneti (salarii, pensii, alocaii, burse) pentru meninerea puterii
de cumprare, a salariului real i a veniturilor reale ale populaiei.

2.4 ESTIMAII/TESTE N POPULAII NORMALE


Fie o populaie statistic de volum N, care este normal N(, ) n raport cu nsuirea X.
xi i
Efectum un sondaj de n valori independente x1, ..., xn care au media de sondaj X
n
2
1
abaterea standard de sondaj S
xi X .

n 1
X i S se schimb de la un sondaj la altul, fiind variabile aleatoare independente cu
urmtoarele medii i variane:
Pentru sondajul simplu repetat avem:

1) M X ; V X

2
n

2
2) M(S )= ; V(S )=
;
2n
Rezult de aici M X ; lim V X 0 , deci X este o estimaie absolut corect pentru .
2

De asemenea M(S2) = 2; lim V ( S 2 ) 0 , deci S este o estimaie absolut corect pentru .


n

Pentru sondajul simplu nerepetat avem:

3) M( X ) = ; V X

2
n

2
N

2
N
;
2 ; V(S2) =

N 1
2n 2 N
Rezult de aici c M( X ) = ; lim V X 0 , deci i n acest caz X este estimaie absolut

4) M(S2) =

corect pentru . De asemenea M(S2) =

N
2 ; lim V ( S ) 0 , deci S este estimaie corect
n
N 1

pentru .
85

Pentru populaii infinite (N ), expresiile precedente n cazul sondajului simplu repetat


de la punctele 1), 2) coincid cu cele din cazul sondajului nerepetat de la punctele 3), 4). Dac X este
nsuire calitativ, X = f (frecvena valorii X n sondaj) se schimb de la un sondaj la altul i
p(1 p)
M(f) = p; V(f) =
, deci f este o estimaie absolut corect pentru p.
n
n cazul sondajului stratificat se efectueaz sondaje simple (repetate sau nerepetate) de
volume n1,..., nk (n1 +...+ nk = n) din straturile numrul 1,..., k de volume N1,..., Nk; (N1 +.......+ Nk = N),
gsindu-se mediile de sondaj din straturi X 1,..., X k.
n x1 nk x k
5) Media sondajului stratificat va fi: X 1
n
1 k N 2 2
6) n cazul sondajelor simple repetate din straturi avem: V X 2 i i ;
N 1 ni
7) n cazul diferitelor tipuri de sondaj stratificat nlocuim pe ni n relaiile 5) - 7) astfel:
n
a) Pentru sondajul tipic: ni , (i = 1,..., k);
k
N
b) Pentru sondajul proporional: ni n i , (i = 1,..., k);
N
N i i
c) Pentru sondajul optim: ni n k
, (i = 1,..., k).
N i i

i 1

n cazul sondajului stratificat optim avem V( X ) = minim.


N
8) Dac populaia este infinit, i pi , deci indiferent dac sondajele simple n straturi
N
sunt repetate sau nerepetate avem:
k
pi2 i2
.
V X
ni
1
Trebuie rezolvate dou probleme:
I. Estimarea lui i prin intervale de ncredere pe baza lui X i S;
II. Testarea de valori concrete 0 i 0 pentru i pe baza lui X i S.

O ipotez statistic este o presupunere asupra parametrilor unor variabile aleatoare ce


caracterizeaz anumite populaii statistice.
Fie variabila aleatoare X cu densitatea de probabilitate y = f(x, ), unde este un parametru
care poate lua valorile 0, 1, 2,...
Ipoteza H: = 0 se numete ipoteza nul iar ipoteza H : = i, (i = 1,2,...) se numete
ipoteza alternativ.
Ipotezele n care se specific valorile parametrului se numesc ipoteze simple iar cele n
care nu se specific valorile lui , se numesc ipoteze compuse.
De exemplu ipoteza nul H: = 0este ipotez simpl n timp ce ipoteza alternativ H : 0
este ipotez compus bilateral iar ipotezele H = 0 i H : 0 sunt ipoteze compuse
unilaterale.
O ipotez H asupra lui poate fi adevrat sau fals iar decizia noastr asupra lui H poate fi
de asemenea c H este adevrat sau fals.
Probabilitile combinaiilor acestor situaii sunt date n tabelul alturat:

86

Decizia despre H
Ipoteza H
H este adevrat
H este fals

H este adevrat

H este fals

1-

1-

se numete eroare de ordin I sau nivel de semnificaie al testului,


se numete eroare de ordin II.
n controlul statistic al calitii i fiabilitii (Cap. 3), se numete riscul furnizorului iar
riscul beneficiarului.
Se poate arta c dac scade, atunci crete i invers, iar dac volumul de sondaj n crete
atunci i scad. Mai observm i faptul c pentru ipoteze compuse unilaterale este /2 pentru
ipoteze compuse bilaterale deci n continuare vom considera numai ipoteze compuse bilaterale.
Fie vectorul sondajului x = (x1, ..., xn) i mulimea vectorilor de sondaj W R astfel c
avem probabilitatea condiionat PH(x W) = dac ipoteza H este adevrat. W se numete zon
critic iar complementara sa W zon de acceptare a ipotezei H.
Fie ipoteza nul H: = 0 fa de ipoteza alternativ H : = 1.
Probabilitatea de respingere a lui H ca funcie de , se numete funcia de putere a testului
i se noteaz (W, ) = P(x W).
Evident avem: (W, 0) = ; (W, 1) = 1 - .
Funcia de putere a testului (W, ) permite determinarea probabilitii 1 - ca testul s
sesizeze o anumit diferen ntre 0 i 1 i reciproc ea permite calcularea diferenei maxime ntre
0 i 1 pe care o poate sesiza testul cu o anumit putere 1 - la un anumit prag de semnificaie .
Exemplu: Pentru ipoteza nul H: = 0 fa de ipoteza alternativ H : > 0 funcia de putere a
testului are graficul:
n

Pentru ipoteza nul H: = 0 fa de ipoteza alternativ H : 0 funcia de putere a testului


are graficul:

87

Testul cu funcia de putere (W, ) = maxim, se numete cel mai puternic test.
Se demonstreaz:
Lema Neyman-Pearson
Testul ipotezei nule H: = 0 fa de ipoteza alternativ simpl H : = 1 este cel mai
puternic test dac zona critic W a testului satisface condiia:

f ( x, 0 )
f ( x, 0 )
k dac x W .
k dac x W i
f ( x,1)
f ( x, 1 )

2.5 ESTIMAII/TESTE PARAMETRICE N POPULAII NORMALE


2.5.1 Estimaii/teste pentru parametrii , ai unui caracter cantitativ ntr-o populaie
normal
Fie o populaie statistic normal N(, ) fa de nsuirea cantitativ X.
Fie un sondaj simplu repetat de n valori independente x1, ..., xn extras din populaie.
Fie

media de sondaj i S abaterea standard de sondaj (vezi seciunea 2.2)

Teorema 2.1
Mrimea

X
n este variabil Student cu n - 1 grade de libertate.
S

Demonstraie:
x1, ..., xn fiind valori de sondaj independente extrase dintr-o populaie normal N(, ) fa
1
1
de nsuirea cantitativ X, se poate arta cu teoremele 2.2, 2.3, 3.7 c X x1 xn este o
n
n
1
1
1
1
variabil normal cu media: M ( X ) M ( x1 ) M ( xn ) i variana:
n
n
n
n

V (X )

1
1
1 2
1 2 2
.
V
(
x
)

V
(
x
)


1
n
n
n2
n2
n2
n2

88

Mai departe,

n fiind variabil N(0, 1) i conform teoremei 1.2 de mai jos,

fiind variabil 2 cu n - 1 grade de libertate, variabila t

n 1S 2
n

n 1
variabil Student cu n - 1 grade de libertate. Q.E.D.
Din teorema 3.1 rezult:
P(t 2 t t 2 ) 1 , adic intervalul de ncredere pentru :

P X / 2 ; X / 2 1 unde / 2

S
n

n 1S 2
2

X
n este
S

t / 2 este diferena limit.

Reciproc, dndu-se /2, avem mrimea probei:


S

n
.t / 2
/ 2

Din tabela 2 din Anex, conform relaiei P t t / 2 , pe linia a n - 1 grade de libertate i

coloanele = 0.05; 0.01 i 0.001 gsim valorile critice 2.5%


gsim trei intervale de ncredere pentru de forma:

; t0.5% ; t0.05% cu ajutorul crora

1) [ X 2.5% ; X 2.5% ]
cu ncrederea 95%;
2) [ X 0.5% ; X 0.5% ]
cu ncrederea de 99%;
3) [ X 0.05% ; X 0.05% ]
cu ncrederea de 99.9%.
Ipoteza H: = 0 se accept dac 0 X 2.5% ; X 2.5% i se respinge n caz contrar astfel:

a) 0 semnificativ dac totui: 0 X 0.5% ; X 2.5%

X 2.5% ; X 0.5% ;

b) 0 distinct semnificativ dac totui:

0 X 0.05% ; X 0.5%

X 0.5% ; X 0.05% ;

c) 0 foarte semnificativ dac: 0 X 0.05% sau 0 X 0.05% .

Teorema 2.2
Mrimea

n 1S 2

este variabil hi ptrat cu n - 1 grade de libertate.

Demonstraie:

n 1 S 2

xn X
x1 X

Avem


2
N(0, 1), independente cte dou, este variabil hi ptrat
x X
x X
n
0 ). Q.E.D.
relaia de dependen 1
2

89

xi X
sunt variabile
i cum ui

cu n - 1 grade de libertate (cci avem

Din teorema 2.2 rezult:


2

n 1 S 2
P
2 1 , adic intervalul de ncredere pentru :
2
1

2
2

n 1
n 1
2 P 2 S ; 2 S 1 .

1
2
2

Reciproc, dndu-se:

n 1

/2
2

n 1

.S ' /2 i

2
1 /2

.S '' /2

rezult:
2

' /2 2
'' /2 2
n1
. /2 1 i n2
.1 /2 1
S
S

deci mrimea probei este n = max {n1; n2}

Din tabela 3 din Anex, conform relaiei P 2 2 , pe linia a n - 1 grade de libertate


i pe coloanele = 0.05; = 0.01; = 0.001 gsim valorile 2 iar pe coloanele 1 = 0.95; 1
1

= 0.99; 1 = 0.999 gsim valorile cu ajutorul crora gsim trei intervale de ncredere pentru
2

de forma:
n 1
n 1
1)
.S ;
.S
2
2
0.975%
0.025%

cu ncrederea de 95%;
n 1
n 1
2)
.
S
;
.S
2
2
0.995
0.005

cu ncrederea de 99%;
n 1
n 1
3)
.S ;
.S
2
2
0.9995
0.0005

cu ncrederea de 99.9%.

n 1
n 1
S
;
S i se respinge n caz contrar
Ipoteza H: = 0 se accept dac: 0
2
2
0.975
0.025

dup cum urmeaz:


a) 0 semnificativ dac totui:
n 1

2
0.005

S;

n 1
S
2
0.025

n 1
n 1
S ;
2 S;
2
0.995
0.975

90

b) 0 distinct semnificativ dac totui:

n 1 n 1
n 1
S 2 S;
S ;
2
2
0.005 0.995
0.9995

c) 0 foarte semnificativ dac:


n 1

2
0.0005

n 1

2
0.0005

S;

S sau 0

n 1
2
0.9995

S.

Exemplu:
Fie X greutatea vieilor (kg). Dintr-un sondaj de n = 50 viei gsim X = 64.9 kg; S = 2.33 kg.
a) Se cer intervale de ncredere cu riscurile = 5%; 1%; 0.1% pentru i testarea ipotezelor
H: = 65 kg; H: = 67 kg.
b) Se cer intervale de ncredere cu riscurile = 5%; 1%; 0.1% pentru i testarea ipotezelor
H: = 2.5 kg; H: = 3.3 kg.
Soluie:
a) Pe linia a n 1 = 49 GL i coloanele = 0.05; = 0.01; = 0.001 gsim n tabela 2 din
Anex, valorile critice t2.5% = 2.01; t0.5% = 2.68; t0.05% = 3.50 deci nlocuind n formula (1)
gsim intervalele de ncredere pentru :
1) [64.2Kg;65.6Kg ]
2) [64Kg;65.8Kg ]
3) [63.8Kg;66Kg ]

cu ncrederile de 95%; 99%; 99.9%.


De exemplu pentru intervalul mic cu 1 = 95% avem concluzia:
Greutatea medie necunoscut a tuturor vieilor din care fac parte cei 50 din sondaj, este
cuprins ntre 64.2 kg i 65.8 kg cu o ncredere de 95%.
Exist semiriscul 2.5% ca aceast medie s fie mai mic ca 64.2 kg atunci cnd cei 50
viei ai sondajului au fost alei cei mai performani ca greutate.
Concluzia este simetric pentru > 65.8 kg.
Ipoteza H: = 65 kg se accept deoarece 65 64.2;65.6 iar ipoteza H: = 67 kg se
respinge ( 67 kg foarte semnificativ cci 67 > 66).
b) Pe linia a n 1 = 49 GL i coloanele 1

0.999; 0.995; 0.975 gsim n tabela 2 din

0.001 gsim: 20.025 = 71.42; 20.005 = 79.49; 20.001


gsim intervalele de ncredere pentru :
1) [2Kg;2.9Kg ]
cu o ncredere de 95%;
2) [1.9Kg;3.2Kg ]
cu o ncredere de 99%;
3) [1.8Kg;3.4Kg ]
cu o ncredere de 99.9%.

91

0.025; 0.005;
2
= 86.70, deci nlocuind n formula (2),

Anex: 20.999 = 24.70; 20.995 = 27.99; 20.975 = 32.36 iar pe coloanele

De exemplu pentru intervalul mic cu 1 = 95% avem concluzia:


Abaterea standard necunoscut a greutii tuturor vieilor din care fac parte cei 50 viei ai
sondajului, este cuprins ntre 2 kg i 2.9 kg cu ncrederea de 95%.
Exist semiriscul 2.5% ca aceast abatere standard s fie mai mic ca 2 Kg atunci cnd cei
50 viei ai sondajului au fost alei cei mai neomogeni ca greutate.
Concluzia este simetric pentru cazul > 2.9 kg.
Ipoteza H: = 2.5 kg se accept deoarece 2.5 2;2.9 iar ipoteza H: = 3.3 kg se respinge
( 3.3 kg distinct semnificativ deoarece 3.3 3.2;3.4 ).
O sintez elegant a acestor calcule este dat n foaia de calcul C1P1.XLS aflat n Anex.
2.5.2 Estimaii/teste pentru parametrul p al unui caracter calitativ ntr-o populaie
normal
Fie o populaie statistic normal n care nsuirea calitativ X are probabilitatea de apariie
p. Efectum un sondaj simplu repetat de n valori independente x1, ..., xn unde:
xi = 1 dac exemplarul i are nsuirea X
xi = 0 n rest
Dac k din cele n exemplare de sondaj au valoare 1, media de sondaj X devine frecvena de
k
sondaj f , (0 k n).
n
Teorema 2.3
Pentru n , mrimea u

f p

p1 p
n

este variabil normal redus N(0.1)

Demonstraie:
1
k 1
k este valoare a unei variabile binomiale iar M ( f ) M M (k ) np p i
n
n n
1
p1 p
k 1
V ( f ) V 2 V (k ) 2 np1 p
, deci conform teoremei limit central 1.14 din
n
n
n n
f M( f )
f p
seciunea 1.3, variabila normat u
este variabil normal redus N(0.1)

( f )
p1 p

n
cnd n .Q.E.D.
Din teorema 2.3 rezult:

P u u u 1 , adic intervalul de ncredere pentru p:


2
2
(3)

P p f 2 ; f

unde

f 1 f
u
n

este diferena limit.

Reciproc, dndu-se /2, avem mrimea probei:


u
n f (1 f ). / 2
/ 2

92

Din tabela 1 din Anex, conform relaiei: P u u 2 1 , avem u2.5% = 1.96; u0.5% =
2.58; u0.05% = 3.29 deci trei intervale de ncredere pentru p de forma:
1) p [ f 2.5% ; f 2.5% ]
cu ncrederea de 95%;
2) p [ f 0.5% ; f 0.5% ]
cu ncrederea de 99%;
3) p [ f 0.05% ; f 0.05% ]
cu ncrederea de 99.9%.
Ipoteza H:p = p0 se accept dac p0 f 2.5% ; f 2.5% i se respinge n caz contrar
astfel:
a) p p0 semnificativ dac totui:
p0 f 0.5% ; f 2.5%

2.5% ; f 0.5% ;

b) p p0 distinct semnificativ dac totui:


p0 f 0.05% ; f 0.5% f 0.5% ; f 0.05% ;
c) p p0 foarte semnificativ dac:
p0 f 0.05% sau p0 f 0.05%
Exemplu:
Fie X= ecloziunea oulelor de gin la incubator. Se face un sondaj simplu repetat de
n = 1600 ou, gsindu-se frecvena oulelor eclozionate f = 95%. Se cer intervalele de ncredere
pentru probabilitatea p de ecloziune pentru toate oulele din care fac parte cele 1600 din sondaj i s
se testeze ipotezele H:p = 96% i H:p = 90%.
Soluie:
Avem u2.5% = 1.96; u0.5% = 2.58; u0.05% = 3.29, deci formula (3) d intervalele de ncredere
pentru p:
1) p [93.5%;96.5%]
cu o ncredere de 95%;
2) p [93.1%;96.8%]
cu o ncredere de 99%;
3) p [92.7%;97.2%]
cu o ncerede de 99.9%.
De exemplu pentru intervalul mic cu 1 = 95% avem concluzia:
Probabilitatea necunoscut p a ecloziunii pentru toate oule din care fac parte cele 1600, este
cuprins ntre 93.5% i 96.5% cu o ncredere de 95%.
Exist semiriscul 2.5% ca aceast probabilitate s fie mai mic de 93.5% atunci cnd
sondajul celor 1600 ou a fost ales cel mai performant n ceea ce privete ecloziunea.
Pentru p > 96.5% concluzia este simetric.
Ipoteza H:p = 96% se accept deoarece 96% 93.5%;96.5% iar ipoteza H:p = 90% se
respinge ( 90% foarte semnificativ deoarece 90% < 92.7%)
2.5.3 Estimaii/teste pentru parametrii 2 1, 2/1 ai unui caracter cantitativ n dou
populaii normale
Fie dou populaii statistice normale N(1, 1) i respectiv N(2, 2) fa de caracterul
cantitativ X.
93

Extragem un sondaj simplu repetat de n1 exemplare din prima populaie cu n1 valori de


1 n1
sondaj independente X11, X12,..., X 1n1 i calculm media de sondaj X 1 X 1i respectiv abaterea
n1 i 1

2
1 n1
x

X
1i 1 .
n1 1 i 1
Extragem un sondaj simplu repetat de n2 exemplare din a II-a populaie, cu n2 valori de
sondaj independente X21, X22,..., X 2n2 i calculm media de sondaj:

standard de sondaj: S1

1 n2
X 2i
n2 i 1
i respectiv abaterea-standard de sondaj:
X2

S2

1 n2
x2i X 2
n2 1 i 1
Fie S

n1 1S12 n2 1S 22
n1 n2 2

2
2
2
S12 S 22 1 S1
1 S 22
:
deci min n1 1; n2 1 n* n1 n2 2 .
i n*


n2 1 n2
n1 n2 n1 1 n1

Teorema 2.4
Dac 1 = 2 mrimea t

X 1 2 1
1 1
S

n1 n2

este variabil Student cu n1 + n2 - 2 grade

de libertate.
Dac 1 2 mrimea:
( X X 1 ) ( 2 1 )
t 2
S12 S22

n1 n2
este aproximativ variabil Student cu n* grade de libertate.
Demonstraie:
X 2 X 1 este variabil normal cu media: M X 2 X 1 M X 2 M X 1 2 1

i variana V X 2 X 1 V X 2 V X 1

12
n1

22
n2

deoarece cele dou sondaje se presupun

independente deci i X 1 , X 2 sunt variabile aleatoare independente.


Rezult c u

conform teoremei 1.1, t

X 1 2 1

2
1

n1
2

este variabil N(0; 1). nlocuind pe 1 = 2 cu S,

2
2

n2

X 1 2 1
S

este o variabil Student cu n1 + n2 - 2 grade de

1
1

n1 n2

libertate. Cea de-a doua afirmaie din enun o admitem fr demonstraie. Q.E.D.
94

Din teorema 2.4 rezult: P t


2 - 1:

t t

adic intervalul de ncredere pentru

P 2 1 X 2 X 1 2 ; X 2 X 1 2 1

1
1
unde 2 S

t 2 este diferena limit.


n1 n2
Din tabela 2 din Anex, conform relaiei P t t

gsim t/2 cu n1 + n2 - 2 GL pentru =

5%; 1%; 0.1% deci trei intervale de ncredere pentru 2 - 1 cu ncrederile 1 = 95%; 99%; 99.9%:
1)2 1 [( X 2 X1 ) 2.5% ;( X 2 X1 ) 2.5% )]

cu ncrederea de 95%;
2)2 1 [( X 2 X 1 ) 0.5% ;( X 2 X 1 ) 0.5% ]
cu ncrederea de 99%;
3)2 1 [( X 2 X1 ) 0.05% ;( X 2 X1 ) 0.05% ]
cu ncrederea de 99.9%.
Ipoteza H:1 = 2 se accept dac i numai dac:
0 X 2 X 1 2.5% ; X 2 X 1 2.5% i se respinge n caz contrar.

n cazul sondajelor dependente de volum n1 = n2 = n vom forma diferenele d1 = x21 -

2
1 n
1 n
i
d
S

di d .

i
d
n i 1
n 1 i 1
Intervalul de ncredere cu riscul pentru 2 1 va avea forma:
P 2 1 d 2 ; d 2 1
S
unde 2 d t 2 este diferena limit.
n
Din tabela 2 din Anexa conform relaiei P t t 2 gsim t/2 pentru n - 1 GL pentru

x11, ..... ,dn = x2n x1n i vom calcula d

= 5%; 1%; 0.1%, deci trei intervale de ncredere pentru 2 - 1 ca mai sus. Ipoteza H:1 = 2 se
verific ca mai sus.
Teorema 2.5
Mrimea F

22 S 22
:
este variabil Fisher cu (n1 - 1;n2 - 1) grade de libertate.
12 S12

Demonstraie:
Conform teoremei 2.2 12

22

n2 1S 22
22

n1 1S12
12

este variabil hi ptrat cu n1 - 1 GL iar

este variabil hi ptrat cu n2 - 1 GL deci F

12

22

n1 1 n2 1

22 S 22
:
este
12 S12

variabil Fisher cu (n1 - 1; n2 - 1) GL. Q.E.D.


Din teorema 2.5 rezult P0 F F 1 adic intervalul de ncredere pentru
95

2
:
1

(5)

P 2 0; 2 F 1 .

1 S1
Din tabelele 4, 5, 6 din Anex, conform relaiei PF F gsim F pentru (n1 - 1; n2 -1)

GL pentru = 5%; 1%; 0.1% deci trei intervale de ncredere pentru

2
cu ncrederile 1 = 95%;
1

99%; 99.9%:

1)

2
S
[0; 2 . F5% ]
1
S1

cu ncrederea de 95%;

2)

2
S
[0; 2 . F1% ]
1
S1

cu ncrederea de 99%;

3)

2
S
[0; 2 . F0.1% ]
1
S1

cu ncrederea de 99.9% .

Ipoteza H:1 = 2 se accept dac 1 0; 2 F5% i se respinge n caz contrar astfel:


S1

S
1. 2 > 1 semnificativ dac totui 1 2 F1% ;
S1
S
2. 2 > 1 distinct semnificativ dac totui 1 2 F0.1% ;
S1
S
3. 2 > 1 foarte semnificativ dac 1 2 F0.1% .
S1
Not. Numerotm populaiile 1 i 2 astfel ca S2 S1.
Exemplu:
X = greutatea vieilor (kg). Populaia 1: Brun. Populaia 2: Blat cu negru. Se cntresc
n1 = 20 viei din populaia 1, gsind X 1 60.1kg i S1 = 2.5 kg. Se cntresc n2 = 30 viei, gsind

X 2 62.2kg i S2 = 2.8 kg.


a) S se gseasc intervale de ncredere pentru 2 - 1 cu riscuri = 5%; 1%; 0.1% i s se
testeze ipoteza H:1 = 2.
b) S se gseasc intervale de ncredere pentru 2/1 cu riscuri = 5%; 1%, 0.1% i s se
testeze ipoteza H:1 = 2.
Soluie:
a) n ipoteza 1 = 2 care va fi verificat la punctul b), calculm:
S

n1 1S12 n2 1S 22
n1 n2 2

96

, adic S = 2.42 kg.

Din tabela 2 din Anex, pe linia a 20 + 30 2 = 48 GL i coloanele lui = 0.05; 0.01; 0.001
1
1
gsim: t2.5% = 2.01; t0.5% = 2.68; t0.05% = 3.50. Mrimea 2 S

t 2 devine:
n1 n2
2.5% = 0.7 2.01 = 1.41;
0.5% = 0.7 2.68 = 1.88;
0.05% = 0.7 3.50 = 2.45.
Din formula (2) avem intervalele de ncredere pentru 2 - 1 cu ncrederile 1 = 95%;
99%; 99.9%:
1)2 1 [1.69Kg;3.51Kg ]
cu o ncredere de 95%;

2)2 1 [0.22Kg;3.98Kg ]
cu o ncredere de 99%;
3)2 1 [0.35Kg;4.55Kg ]
cu o ncredere de 99.9%.
De exemplu pentru intervalul mic cu 1 = 95% avem concluzia:
Diferena greutii medii a vieilor 2 - 1 necunoscut, pentru toi vieii Blat cu negru din
care fac parte cei 20 fa de toi vieii Brun din care fac parte cei 30, este cuprins ntre 1.69 kg n
favoarea vieilor Blat cu negru i 3.51 kg n favoarea vieilor blat cu negru, cu o ncredere de
95%.
Exist semiriscul 2.5% ca aceast diferen 2 - 1 s fie mai mic de 1.69 kg n favoarea
rasei blat cu negru, atunci cnd primul sondaj a fost ales cel mai neperformant iar n al doilea
sondaj cel mai performant.O concluzie simetric pentru 2 - 1 > 3.51 kg.
Ipoteza H:1 = 2 se respinge cci 0 2 1 1.69;3.51 .
b) Pentru (20 - 1; 30 - 1) GL din tabelele 4, 5, 6 ale Anexei, gsim F 5% = 2.00; F1% = 2.68;
S2
F0.1% = 3.73 aa c
F va avea valorile: 1.58; 1.83; 2.16 deci avem intervalele cu
S1
ncrederile 1 = 95%; 99%; 99.9%:

1)

2
[0;1.58]
1

cu ncrederea de 95%;

2)

2
[0;1.83]
1

cu ncrederea de 99%;

3)

2
[0; 2.16]
1

cu ncrederea de 99.9% .
De exemplu pentru intervalul mic cu 1 = 95% avem concluzia:

2
al tuturor vieilor blat cu negru din care provin cei 30 de
1
viei fa de toi vieii brun din care provin cei 20 viei este cuprins ntre 0 i 1.88 ori n favoarea
rasei blat cu negru.
Exist semiriscul 2.5% ca acest raport s fie mai mare de 1.58 ori n favoarea blatei cu
negru, atunci cnd sondajul 1 a fost ales cel mai omogen iar al II-lea cel mai omogen.
Raportul abaterilor standard

97

Ipoteza H:1 = 2 se accept deoarece 1 0;1.58 . Aceast ipotez a stat la baza calculelor
de la punctul a).
O sintez elegant a acestor calcule este dat n foaia de calcul C1P2.XLS aflat n Anex.
2.5.4 Estimaii/teste pentru parametrul p2 p1 al unui caracter calitativ n dou
populaii normale
i p2.

Fie dou populaii statistice normale n care nsuirea calitativ X apare cu probabilitile p1

Efectum dou sondaje simple repetate de volume n1 i n2. Fie k1 exemplare din primul
sondaj n care nsuirea X are valoarea 1 i k2 exemplare din al doilea sondaj n care nsuirea X are
k
k
valoarea 1 deci avem frecvenele de sondaj f1 1 respectiv f 2 2 .
n1
n2
n f n2 f 2
Frecvena sondajelor reunite este f 1 1
.
n1 n2
Teorema 2.6
Pentru n1, n2 , u

f 2 f1 p2 p1
p1 1 p1 p 2 1 p 2
n1

este variabil normal redus N(0, 1).

n2

Demonstraie:
k1 i k2 sunt valori ale unor variabile binomiale iar
k 1
1
M f1 M 1 M k1 n1 p1 p1
n1
n1 n1

i analog M f 2 p2 aa c M f 2 f1 M f 2 M f1 p2 p1 .

k 1
p 1 p1
1
De asemenea V f1 V 1 2 V k1 2 n1 p1 1 p1 1
aa c
n1
n1
n1 n1
p 1 p1 p 2 1 p 2
.
V f 2 f1 V f 2 V f1 1

n1
n2
Conform teoremei-limit central 1.14 din seciunea 1.3, variabila normat:
f f1 M f 2 f1
f 2 f1 p2 p1
u 2

f 2 f1
p1 1 p1 p 2 1 p 2

n1
n2
este variabil normal redus N(0, 1). Q. E.D.
Din teorema 2.6 rezult: P u 2 u u 2 1 deci un interval de ncredere pentru
p2 p1:

P p2 p1 f 2 f1 2 ; f 2 f1

(6)

1 1
f 1 f u 2 este diferena limit.
n1 n2
Din tabela 1 din Anex, conform relaiei: P u u 2 1 gsim u2.5% = 1.96; u0.5% = 2.58;

unde

u0.05% = 3.29, deci trei intervale de ncredere pentru p2 - p1 cu ncrederile 1 = 95%; 99%; 99.9%:
98

1) p2 p1 [( f 2 f1 ) 2.5% ;( f 2 f1 ) 2.5% ]
cu ncrederea de 95%;
2) p2 p1 [( f 2 f1 ) 0.5% ;( f 2 f1 ) 0.5% ]
cu ncrederea de 99%;
3) p2 p1 [( f 2 f1 ) 0.05% ;( f 2 f1 ) 0.05% ]
cu ncrederea de 99.9%.
Ipoteza H:p1 = p2 se accept dac: 0 f 2 f1 2.5% ; f 2 f1 2.5% . n caz contrar
ipoteza H se respinge dup cum urmeaz:
a) p1 p2 semnificativ dac totui:
0 f 2 f1 0.5% ; f 2 f1 2.5% f 2 f1 2.5% ; f 2 f1 0.5%
b) p1 p2 distinct semnificativ dac totui:
0 f 2 f1 0.05% ; f 2 f1 0.5% f 2 f1 0.5% ; f 2 f1 0.05%
c) p1 p2 foarte semnificativ dac:
0 f 2 f1 0.05% sau 0 f 2 f1 0.05% .
Exemplu:
Fie X = ecloziunea oulelor de gin la incubator. Se fac msurtori pe dou rase de gini,
gsindu-se la primul sondaj de n1 = 3000 ou din prima ras, frecvena oulelor eclozionate f1 = 85%
i la al doilea sondaj de n1 = 2000 ou din a doua ras, frecvena oulelor eclozionate f2 = 90%.
S se gseasc intervale de ncredere pentru diferena p1 - p2 a probabilitilor de ecloziune
pentru toate oulele din care fac parte cele 3000 ou din primul sondaj fa de toate oulele din care
fac parte cele 2000 ou din al doilea sondaj i s se testeze ipoteza H:p1 = p2.
Soluie:
Avem f

n1 f1 n2 f 2
87% aa c:
n1 n2

1
1
0.871 0.87

u 2 0.0097u 2 i cum u2.5% = 1.96 ; u0.5% = 2.58;


3000 2000
u0.05% = 3.29 rezult 2.5% = 1.9%; 0.5% = 2.5%; 0.05% = 3.2%.
Avem intervale de ncredere pentru p2 - p1 cu ncrederile 1 = 95%, 99%; 99.9%:
1) p2 p1 [3.1%;6.9%]
cu ncrederea de 95%;
2) p2 p1 [2.5%;7.5%]
cu ncrederea de 99%;
3) p2 p1 [1.8%;8.2%]
cu ncrederea de 99.9%.
De exemplu pentru intervalul mic cu 1 = 95% avem concluzia:
Diferena necunoscut p2 - p1 a probabilitilor eclozionrii pentru toate oulele din care fac
parte cele 2000 din rasa de gini nr. 2 fa de toate oulele din care fac parte cele 3000 ale rasei de
gini nr. 1 este cuprins ntre 3.1% i 6.9% n favoarea rasei nr. 2, cu o ncredere de 95%.
Exist semiriscul ca aceast diferen s fie mai mic de 3.1% n favoarea rasei nr. 2, atunci
cnd sondajul din rasa de gini nr. 1 a fost cel mai neperformant iar sondajul din rasa de gini nr. 2
a fost cel mai performant sub aspectul ecloziunii oulelor.
Ipoteza H:p1 = p2 se respinge deoarece 0 p2 p1 3.1%;6.9% i anume p1 p2 foarte
semnificativ deoarece 0 < 1.8%.

99

2.6 TESTE NEPARAMETRICE N POPULAII NORMALE


2.6.1 Testul hi ptrat de concordan
Fie o populaie normal n raport cu nsuirea (caracterul) X a exemplarelor sale i fie un
sondaj de volum mare (n > 30) cu datele de sondaj independente i grupate n clasele de valori
C1, , Ck cu centrele de clase x1, , xk i frecvenele valorilor n clase n1, , nk (n1 + + nk = n).
Dac exist ni < 5, clasele cu aceste frecvene se grupeaz cu clasele vecine pentru a avea
ni > 5. Forma poligonului frecvenelor observate n sistemul de axe (xi, ni) arat c X este o
variabil aleatoare clasic (cap. 1) cu frecvenele ateptate n 'i np i
(i = 1, , k).

( 0)

( 0)

unde p i

PX Ci ;

Dorim s verificm ipoteza H: p1 p1 ,...,p k p k a concordanei probabilitilor


( 0)

( 0)

(0)

pi cu valorile ipotetice p i ; (i = 1, , k).


Teorema 2.7
Pentru n , mrimea:
k

ni n 'i

pi(0)

n
n 'i
pi(0)
i 1
este variabil hi ptrat cu k 1 grade de libertate.
i

i 1

Demonstraie:
Valorile n1, , nk sunt pentru n , valori ale unor variabile aleatoare Poisson (seciunea
1.4.3) independente, cu mediile i varianele egale cu n1 np1 ,...,n k
'

u1

n1 np1(0)
np1(0)

,...,u k

n k np (k0)
np (k0)

( 0)

( 0)

deci variabilele normate

sunt variabile independente ntre ele cu media 0 i

variana 1.
Conform teoremei limit central 1.14, pentru n , variabilele aleatoare independente
ntre ele, u1, , uk tind ctre variabila normal redus N(0, 1) deci la limit, mrimea:
k

n n

' 2
i

pi(0)

n
este variabil hi ptrat cu k 1 grade de
ni'
pi(0)
i 1
libertate (se pierde un grad de libertate datorit relaiei de dependen n1 + + nk = n).
Uneori numrul de grade de libertate este mai mic dect k 1: dac X este variabil
binomial sau Poisson avem k 2 grade de libertate, datorit relaiei de dependen n1 + + nk = n,
n1x1 + + nkxk = n . x iar la variabila X = N(0, 1) avem k 3 grade de libertate, datorit
relaiilor de dependen n1 + + nk = n, n1x1 + + nkxk = n . x , n1(x1 - x )2 + + nk(xk - x )2 =
(n 1) . S2. Q.E.D.
Din teorema 2.1 rezult testul hi ptrat de concordan ntr-o populaie normal:
Comparm mrimea:
2
(0)
k
k f p
ni n 'i
i
i
2

n
n 'i
pi(0)
i 1
i 1
2

i 1

2
i

i 1

2
2
2
0.05
; 0.01
; 0.001
extrase n tabela 6 pe linia a k 1 grade de libertate.
2
(0)
, H se accept deci pi concord cu valorile ipotetice p i .
2 0.05

cu variabile critice
Dac

100

n caz contrar H se respinge dup cum urmeaz:

2
2
2
(0)
a) Dac 0.05 ; 0.01 atunci pi p i semnificativ;
2
2
b) Dac 2 0.01
; 0.001
atunci pi p i(0) distinct semnificativ.

(0)

2
c) Dac 2 0.001
atunci pi p i

foarte semnificativ.

Exemplu:
ncrucind dup schema alturat un soi
de porumb de floricele P1 cu boabe albe i netede
cu un soi P2 cu boabe albastre i zbrcite, s-au
obinut n generaia F2 665 boabe albastre i netede
210 boabe albastre i zbrcite, 240 boabe albe i
netede i 85 boabe albe i zbrcite.
S se testeze raportul de segregare 9 : 3 : 3:1
al combinaiilor de caractere precedente.

P1

P2
F1

B1

B2
F2

Soluie:
Numrul total de boabe este n = 665 + 210 + 240 + 85 = 1200.
Frecvenele ateptate sunt ni = n . pi

9
16
3
n2 = 1200 .
16
9
n3 = 1200 .
16
1
n4 = 1200 .
16
n1 = 1200 .

boabe albastre i netede


boabe albastre i zbrcite
boabe albe i netede
boabe albe i zbrcite

Avem ipoteza H: p1
k

ni n 'i

i 1

n 'i

665 675
675

9
3
1
, p 2 p3 , p 4
16
16
16

devine pentru k = 4:

210 225
225

240 225
225

85 75
75

3.48

Din tabela 3 pe linia k 1 = 3 GL i coloanele = 0.05; 0.01; 0.001 gsim:


2
2
2
0.05
7.81; 0.01
11.34; 0.001
16.30
2
2
Cum 3.84 0.05 7.81 rezult c ipoteza H se accept deci se confirm raportul

de segregare 9 : 3 : 3 : 1.
n cazul nsuirii X calitative, avem dou clase: C n care nsuirea X este prezent cu
frecvena n1 = nf i C n care X este absent cu frecvena n2 = n(1 - f).
Avem frecvenele ateptate n1 = np i n2 = n(1 - p) aa c:

101

n1 n '1
n '1

n2 n '2

n '2

n f p

p 1 p

cu k = 2 1 = 1 GL. De aici rezult testul hi

ptrat al ipotezei H: p = p0 fa de alternativa H: p p0:


2
n f p0
2
Se compar:
cu valorile critice:
p0 1 p0
2
2
2
0.05
3.84; 0.01
6.63; 0.001
10.80 pentru 1 GL extrase din tabela 3 din Anex i se

ia decizia ca mai sus.


Exemplu:
Fie X = leucoza vacilor. ntr-o ferm cu n = 100 vaci s-a gsit f = 2%. S se testeze ipoteza
H: p = 1% fa de H : p 1%
Soluie:
Pentru n = 100;
f = 0.02;
p0 = 0.01
gsim:
2
0.02 0.01
2
2 100.
1.01 0.05
3.84 deci se accept ipoteza H: p = 1% a incidenei
0.011 0.01
leucozei pentru toate vacile din care provin cele n = 100 vaci.
2.6.2 Testul hi ptrat de independen
Fie o populaie normal n raport cu dou nsuiri X, Y.
Fie un sondaj de n > 30 exemplare extrase din populaie pe care msurm caracterele X, Y
obinnd n > 30 perechi de valori (x, y) pe care le grupm n h clase dup X i k clase dup Y,
aceast grupare o poate face programul C2GRUP.
Clasele dup X, notate C1, , Ch au centrele de clase x1, , xh iar clasele dup Y, notate
D1, , Dk au centrele de clase y1, , yk.
Dac nij este frecvena observat a perechilor (x, y) cu x Ci, y Dj, alctuim tabela de
contingen h x k:
Y

D1

Dk

X
C1

Ch
Sume
coloane

n11

n1k

nh1
nhk
t1 ...tk

Sume
linii
s1

sh
n

Dac nsuirile X, Y sunt independente, avem P(x Ci i y Dj) = P(x Ci) . (y Dj)
nqi rj
adic pij = qi .rj de unde npij
.
n
Dar n.pij = nij i n.qi = si; n.rj = tj deci frecvenele ateptate nij ale perechilor (x, y) cu x Ci
si t j
i y Dj vor fi date de relaia nij'
; (i = 1, , h; j = 1, , k) i se vor trece n tabela de
n
contingen h x k n dreapta lui nij n paranteze.
102

Verificm ipoteza H: X, Y = independente fa de alternativa H : X, Y dependente.


Ca i teorema 2.7 se demonstreaz:
Teorema 2.8
h

i 1

(nij nij' )2

j 1

nij'

este variabil hi ptrat cu (h 1) (k 1) GL.

De aici rezult testul hi ptrat de independen al nsuirilor X, Y ntr-o populaie


normal:
2
2
2
Comparm pe 2 din enunul teoremei 2.8 cu 0.05
extrase din tabela 3 a
; 0.01
; 0.001
.
Anexei, pe linia a (h 1) (k 1) GL i deci avem:
2
Dac 2 0.05
se accept ipoteza H: X, Y = independente. n caz contrar respingem
ipoteza H dup cum urmeaz:
2
2
a) Dac 2 0.05
; 0.01
, X, Y sunt dependente semnificativ;
2
2
; 0.001
b) Dac 2 0.01
, X, Y sunt dependente distinct semnificativ;

2
c) Dac 2 0.001
, X, Y sunt dependente foarte semnificativ.
Dac X este nsuire cantitativ i Y este nsuire calitativ avem tabele de contingen
hx2 iar dac X, Y sunt nsuiri calitative avem tabele de contingen 2x2.

Exemplul 1
Fie X = nlimea la greabn a vieilor (cm) i Y = greutatea vieilor (kg). Se face un sondaj
de n = 50 viei i perechile de date obinute se clasific dup X, Y n h = k = 3 clase de valori
obinnd tabela de contingen 3x3:
Clase Y
Clase X
Viei scunzi
Viei potrivii
Viei nali
Suma coloan

Viei slabi

Viei mijlocii

Viei grai

Suma linie

20(12.5)
10(5)
0(2.5)
25

5(7.5)
10(6)
0(1.5)
15

0(5)
5(4)
5(1)
10

25
20
5
n = 50

S se testeze ipoteza H: X, Y = independente fa de alternativa H : X, Y = dependente


Soluie:
Frecvenele ateptate nij din paranteze au fost calculate cu relaia nij'

si t j
n

25 25
12.5
50
2
2
2
2
2
20 12.5 5 7.5 0 5 5 10 10 6
2
Avem

12.5
7.5
5
10
6
2
2
2
2
5 4 0 2.5 0 1.5 5 1

35.8
4
2.5
1.5
1
Din tabela 3 a Anexei, pe linia cu (h 1)(k 1) = (3 1)(3 1) = 4 GL i coloanele =
2
2
2
9.49; 0.01
13.28; 0.001
18.50 .
0,05; 0,01; 0,001 gsim valorile critice: 0.05
De exemplu n11'

103

2
Cum 2 35.8 0.001
rezult c H se respinge deci X, Y sunt dependente foarte
semnificativ.

Exemplul 2
Fie X = culoare ou gin; Y = greutate ou gin. Se efectueaz un sondaj de n = 60 ou care
se grupeaz n h = 2 clase X (ou albe i ou bej) i k = 3 clase Y obinnd tabela de contingen
2x3:
Clase Y
Clase X
Ou albe
Ou bej
Suma coloan

10 7.5

15 15

Ou uoare

Ou mijlocii

Ou grele

Sume linii

10(7.5)
5(7.5)
15

15(15)
15(15)
30

5(7.5)
10(7.5)
15

30
30
n = 60

5 7.5

5 7.5

15 15

10 7.5

3.33
7.5
15
7.5
7.5
15
7.5
Din tabela 3 a Anexei, pe linia cu (h 1)(k 1) = (2 1)(3 1) = 2 GL i coloanele =
2
2
2
0.05; 0.01; 0.001 avem valorile critice: 0,05
13.80
5.99; 0.01
9.21; 0.001
2

2
Cum 2 3.33 0.05
5.99 , ipoteza H se accept deci X, Y sunt independente.

Exemplul 3
Fie X = leucoza vacilor, Y = tratament pentru leucoz vaci, se face un sondaj ntr-o ferm cu
n = 100 vaci, datele obinute se clasific dup X, Y i se obine tabela de contingen 2x2:
Clase Y
Clase X
Vaci vindecate
Vaci nevindecate
Suma coloan

88 81

2 9

Vaci tratate

Vaci netratate

Sume linii

88(81)
2(9)
90

2(9)
8(1)
10

90
10
n = 100

2 9

8 1

60.5
81
9
9
1
Din tabela 3 a Anexei, pe linia a (h 1)(k 1) = (2 1)(2 1) = 1 GL i coloanele = 0.05;
2
2
2
0.01; 0.001 gsim valorile critice 0.05
3.84; 0.01
6.63; 0.001
10.80 ;
2

2
10.80 , H se respinge deci X, Y sunt dependente foarte
Cum 2 60.5 0.001
semnificativ.

2.6.3 Testele normalitii prin asimetrie i boltire


Testarea normalitii unei populaii statistice n raport cu o nsuire X a exemplarelor sale
este extrem de important deoarece conform teoremei limit central 1.13, pentru n orice
variabil aleatoare devine normal iar pe de alt parte metodele statisticii biologice se aplic cu
succes numai populaiilor normale. Testarea normalitii populaiei revine la verificarea ipotezei
H: Populaia este normal fa de nsuirea X fa de alternativa H : Populaia nu este
normal fa de nsuirea X.
104

Testarea normalitii populaiei fa de nsuirea X se poate face pentru sondaje de volum


mare (n > 30) i cu ajutorul coeficienilor de asimetrie i boltire ale cror valori critice sunt date n
tabela 9.

n i X i X
Coeficientul de asimetrie este A

i d gradul de asimetrie pe orizontal

nS3
n
al poligonului frecvenelor relative observate f i i fa de curba normal N( X , S) adic poziia
n
relativ a tendinei centrale dat de media X fa de tendina dominant dat de modul M0 (vezi
seciunea 2.2.2)

n i X i X
B

Coeficientul de boltire este

nS4

vertical a poligonului frecvenelor relative observate f i


(vezi seciunea 2.2.2).
Avem B > 1.

i d gradul de concentrare pe

ni
fa de curba normal N( X , S)
n

Testarea normalitii pe orizontal a populaiei fa de caracterul X se face cu ajutorul


coeficientului de asimetrie A care se compar cu valorile critice A0.05 i A0.01 pentru valoarea lui n,
extrase din tabela 9 din Anex.
Dac A A0.05 populaia este normal pe orizontal.
n caz contrar avem cazurile:
a) A0.05 A A0.01 deci populaia este nenormal pe orizontal semnificativ;
b)

A A0.01 deci populaia este nenormal pe orizontal district semnificativ.

Testarea normalitii populaiei pe vertical fa de caracterul X se face cu ajutorul


coeficientului de boltire B care se compar cu valorile critice B0.99 < B0.95 < B0.05 < B0.01 pentru
valoarea lui n, extrase din tabela 9.
Dac B [B0.95; B0.05], populaia este normal pe vertical.
n caz contrar avem cazurile:
a) Dac B [B0.99; B0.95) sau B (B0.05; B0.01], populaia este nenormal semnificativ pe
vertical.
b) Dac B < B0.99 sau B > B0,01, populaia este nenormal distinct semnificativ pe vertical.
Exemplu:
Fie X = greutatea vieilor (kg)
Avem un sondaj de n = 50 viei cu media X = 64.9 kg, abaterea standard S = 2.3 kg. Datele
se grupeaz n k = 5 clase de valori Ci cu centrele de clas Xi i frecvenele absolute n clase ni:

Ci
Sub 62
[62 64)
[64 66)
[66 68)
peste 68 kg

Xi
61 kg
63
65
67
69

ni
7
10
18
9
6

105

Avem:

1
3
3
3
3
3
7 61 64.9 10 63 64.9 18 65 64.9 9 67 64.9 6 69 64.9
3

50 2.3
0.02
A

1
4
4
4
4
4
7 61 64.9 10 63 64.9 18 65 64.9 9 67 64.9 6 69 64.9
4

50 2.3
2.46
Din tabela 9 a Anexei, pentru n = 50 avem valorile critice A0.05 = 0.533; A0.01 = 0.787
Avem A = 0.02 < A0.05 = 0.533 deci populaia din care a fost extras sondajul, este normal
pe orizontal.
Din tabela 9 a Anexei, pentru n = 50 avem valorile critice B0.99 = 1.95; B0.95 = 2.13 respectiv
B0.05 = 4.01; B0.01 = 4.92
Avem B = 2.46 [B0.95; B0.05] deci populaia din care a fost extras sondajul, este normal pe
vertical.
B

2.7 REZUMAT
n acest capitol se prezint tehnicile de sondaj n populaii statistice omogene i
neomogene, calculul i interpretarea indicatorilor de sondaj de repartiie i evoluie precum i
calculul i interpretarea indicilor statistici individuali i sintetici.
n continuare se prezint conceptele de estimaie corect i absolut corect a parametrilor
pentru una sau dou populaii (medii, abateri-standard i probabiliti), de ipotez statistic simpl
sau compus, unilateral sau bilateral.
Se prezint metoda de estimare prin intervale de ncredere pentru parametrii precedeni, testul
hi ptrat de concordan, de independen a dou caractere X, Y i de normalitate a unei populaii
n raport cu un caracter.

2.8 NTREBRI
1. Clasificai sondajele n populaii statistice omogene i neomogene.
2. Ce semnificaie au indicatorii de sondaj de repartiie?
3. Ce semnificaie au indicatorii de sondaj de evoluie?
5. Ce semnificaie au indicii statistici individuali i sintetici?
6. Ce este o estimaie corect respectiv absolut corect a unui parametru din populaie?
7. Ce este o ipotez statistic simpl sau compus, unilateral sau bilateral?
8. Ce este funcia de putere a testului?
9. Ce este un interval de ncredere?
10. Cum se aplic testul hi ptrat de concordan n genetica mendelian?
11. Cum se folosesc tabelele de contingen n testarea independenei a dou caractere?
12. Cum se testeaz normalitatea unei populaii n raport cu un caracter prin asimetrie i boltire?

2.9 BIBLIOGRAFIE
1. D. Ene, M. Drghici, I.N. Alecu: Statistic aplicat n agricultur, Ed. Ceres, 2003
2. M. Iosifescu i col.: Mic enciclopedie de statistic, Ed. tiinif. i Enciclop., 1985
3. Anuarul statistic al Romniei, 1990 - 2009

106

CAPITOLUL 3. TESTE ALE CONTROLULUI CALITII I


FIABILITII N AGRICULTUR
Obiective: nsuirea de ctre studeni a tehnicilor de control statistic al calitii produselor
agricole i al fiabilitii mainilor agricole n cursul procesului de producie i la recepie (control
simplu i secvenial).
Coninut:
3.1 Controlul statistic de calitate n cursul procesului de producie
3.1.1 Cazul unei nsuiri cantitative
3.1.2 Cazul unei nsuiri calitative
3.2 Controlul statistic de calitate la recepie
3.2.1 Controlul unei nsuiri cantitative
A. Controlul simplu al unei nsuiri cantitative
B. Controlul secvenial al unei nsuiri cantitative
3.2.2 Controlul unei nsuiri calitative
A. Controlul simplu al unei nsuiri calitative
B. Controlul secvenial al unei nsuiri calitative
3.2.3 Controlul fiabilitii mainilor agricole
A. Controlul simplu al fiabilitii
B. Controlul secvenial al fiabilitii
3.3 Rezumat
3.4 ntrebri
3.5 Bibiliografie
Cuvinte cheie: fie de control, control simplu, control secvenial, nsuire cantitativ,
nsuire calitativ, fiabilitate.
Produsele agricole de origine vegetal sau animal sunt destinate n principal consumului
uman, consumului zootehnic i ca materie prim pentru industrie.
Produsele de consum uman pot fi consumate direct (alimente proaspete) sau dup
prelucrare/conservare (fin, mlai, zahr, ulei, brnzeturi, mezeluri, buturi etc).
Calitatea alimentelor destinate consumului uman este un complex de nsuiri fizice,
chimice, biologice i estetice care trebuie ndeplinite fa de anumite baremuri (standarde) astfel ca
s asigure la nivel optim nevoile omului.
Aceleai cerine se impun i pentru produsele de consum zootehnic (furaje proaspete sau
prelucrate/conservate).
Materiile prime pentru industrie (alimentar, textil, energetic, cosmetic etc) privesc
standarde de calitate asupra capacitii de prelucrare sau conservare n vederea satisfacerii la nivel
optim a cerinelor ca produse finite (alimente, mbrcminte, nclminte, biogaz, produse
fitofarmaceutice i cosmetice etc).
Mainile agricole pentru producia vegetal sau zootehnic trebuie s aib capaciti
funcionale i de economicitate privind combustibilii conform unor standarde care s le permit
amortizarea cheltuielilor de fabricaie i obinerea de profit n urma utilizrii lor.
Cel mai important indicator de calitate al mainilor agricole este sigurana lor n
funcionare (fiabilitatea) care trebuie s ndeplineasc bareme de timp privind funcionarea fr
defeciuni la exploatarea n condiii reale.
107

Controlul calitii produselor agricole i a fiabilitii mainilor agricole are caracter oficial i
cheltuielile necesare acestui control se amortizeaz prin vandabilitatea crescut pe piaa intern i
mai ales cea extern.
Controlul calitii i fiabilitii n agricultur se face n toate etapele procesului de
producie ct i la recepia produselor sau mainilor agricole.
Acest control poate fi exhaustiv (pentru toate produsele sau mainile) sau selectiv (prin
sondaj).
Utilitatea statisticii n controlul calitii i fiabilitii rezult din faptul c agricultura este un
domeniu de predilecie al aciunii ntmplrii (hazardului) prin variabilitatea genetic a plantelor sau
animalelor i prin variabilitatea condiiilor de mediu n care acestea triesc.
Astfel orice nsuire cantitativ (msurabil) sau calitativ (atributiv) X este o variabil
aleatoare n jurul standardului de calitate.
Timpul T de funcionare fr defeciuni al unei maini agricole este tot o variabil aleatoare
calitativ n jurul standardului de calitate.
Dac X este nsuire cantitativ (msurabil) trebuie ca M(X) = i V(X) < W2 iar dac X
este nsuire calitativ (atributiv) trebuie ca frecvena sa de apariie relativ fn(X) s tind ctre
probabilitatea P.

3.1 CONTROLUL STATISTIC DE CALITATE N CURSUL


PROCESULUI DE PRODUCIE
Fie X o caracteristic de calitate care poate fi cantitativ (msurabil) sau calitativ
(atributiv).
n cursul procesului de producie n agricultur, asupra caracteristicii X acioneaz o
multitudine de factori care provoac asupra valorilor lui X variaii accidentale (cu cauze
necontrolabile) i variaii sistematice (cu cauze controlabile).
Obiectul controlului de calitate este n acest caz, supravegherea variaiilor sistematice i
eliminarea lor prin corecii aduse procesului de producie.
De fapt caracteristica de calitate X este un proces aleator Xt; 0 t DS, unde DS este durata
unei serii n agricultur (DS = durata perioadei de vegetaie la plante i DS = durata unui ciclu de
exploatare a animalelor).
Realizrile Xi, I = 0, 1, 2, ale lui Xt se presupun a fi variabile aleatoare normale N(, ),
independente cte dou.
mprim intervalul de timp [0; DS] n m subintervale de timp egale: [t0 = 0; t1), [t1; t2],,
[tm-1; tm = DS] i efectum la momentele de timp t1, t2,, tm = DS, m sondaje toate de volum n,
obinnd datele de sondaj:
x11, x12,, x1n la momentul t1;
x21, x22,, x2n la momentul t2;

xm1, xm2,, xmn la momentul tm.


a) Dac X este nsuire cantitativ (msurabil), din datele de sondaj calculm mediile
sondajelor:

xi

1 n
xij
n j 1

abaterile-standard de sondaj:

si

1 n
( xij xi )2

n 1 j 1
108

precum i media total:

1 m n
xij
mn i 1 j 1
respectiv abaterea-standard total:
x

m n
1
( xij x)2

mn 1 i 1 j 1

Fie xi,min = min xij, (1 j n); xi,max = max xij, (1 j n), deci avem amplitudinile de sondaj
ai = xi,max xi,min.
b)
Dac X este nsuire calitativ (atributiv) avem xij = 1 dac obiectul numrul j din sondajul
numrul i este rebut i xij = 0 n caz contrar deci

di

x
j 1

ij

va fi numrul de rebuturi n sondajul numrul i iar:

i 1

j 1

ij

Dac populaia este de volum N, raportul f = n/N se numete factor de sondaj.


Mrimea lui f i cadena lurii probelor m depind de rapiditatea apariiei variaiilor
sistematice i de costul lurii probelor.
Pentru caracteristica de calitate X controlm doi parametri: M care ne indic tendina
central i D care ne indic mprtierea valorilor lui X.
Pentru aceasta se construiesc intervalele de ncredere IM pentru M i ID pentru D.
n controlul propriu-zis, dac o valoare Mi a lui M cade n afara intervalului IM sau dac o
valoare Di a lui D cade n afara intervalului ID, se aduc corecii procesului de producie.
Intervalele de ncredere IM i ID au forma: [LCI; LCS] cu ncrederea 1 i riscul .
LCI se numete limita de control inferioar pentru X iar LCS se numete limita de
control superioar pentru X.
Aceste limite se prezint grafic pe fiele de control al calitii de forma:

109

3.1.1 Cazul unei nsuiri cantitative


n acest caz n rolul lui M vom lua mediile de sondaj xi sau medianele de sondaj Mei iar n
rolul lui D vom lua abaterile-standard de sondaj si sau amplitudinile de sondaj ai.
Avem de verificat prin control al calitii, ipoteza H: = 0 fa de alternativa : 0
respectiv H: = 0 fa de alternativa H: > 0.
a) Fia de control pentru medie (fia X)
Mediile sondajelor x1,,xm sunt variabile aleatoare normale N(0, 0/n) deci vom lua:
LCI ( x) 0 u / 2

0
n

; LCS ( x) 0 u / 2

0
n

(1)

Dac 0 nu este cunoscut, se aproximeaz cu x iar dac 0 nu este cunoscut, se aproximeaz


cu s.
De regul se ia u/2 =3 deci 1 - = 99.865% i = 0.135%.
b) Fia de control pentru abaterea-standard (fia s)
Mrimile (n - 1)si2/02 sunt variabile aleatoare 2 cu n - 1 GL deci vom lua:
LCI ( s)

12 / 2
n 1

. 0 ; LCS ( s)

2 / 2
n 1

. 0

(2)

Pentru controlul calitii abaterii-standard se folosete numai LCS.


n locul fiei de control b) pentru abaterea-standard se poate folosi:
c) Fia de control pentru amplitudine (fia R)
Amplitudinea unui sondaj de volum n, notat a = xmax xmin este variabil aleatoare deci este
variabil aleatoare i raportul w = a/.
Mediaw are valorile date de tabela 15 din Anex.
Un estimator al lui este = a/w deci limitele de control pentru medie din relaiile (1)
devin:
a
a
LCI ( x) x 3
; LCS ( x) x 3
(3)
n w
n w
Notm:

3
n w

cu valori n tabela 15 din Anex, deci limitele de control pentru medie devin:
LCI ( x) x .a ; LCS ( x) x .a

110

(4)

Din relaia a = w rezult (a) = (w) . i cum nu se cunoate, va fi estimat de =


a/w aa c un estimator pentru (a) va fi (a) = (w) .a/w, deci limitele de control pentru a
capt forma:
LCI (a) a 3.

(w)
w

.a ; LCS (a) a 3.

( w)
w

.a

(5)

Cu notaiile:
D1 1 3.

( w)
w

; D2 1 3.

( w)
w

care au valori n tabela 15 din Anex, limitele de control pentru a, capt forma:
LCI (a) D1 .a

; LCS(a)=D2 .a

(6)

Exemplu:
Fie X greutatea puilor de carne la 40 zile. Lum m = 10 sondaje n 10 serii diferite, a cte
n = 4 valori fiecare i obinem datele de sondaj din tabelul urmtor:
Nr.
sondaj

Date sondaj xij

Xi,min

xi

xi,max

ai

si

1000; 1100; 1050; 1010

1000

1040

1100

100

45.46

950; 980; 1030; 1000

950

990

1030

80

33.67

1100; 1020; 1010; 990

970

1010

1050

80

33.67

970; 1020; 1000; 990

990

1030

1100

110

48.30

1100; 1030; 990; 960

960

1020

1010

140

60.55

1020; 1010; 1050; 1000

1000

1020

1050

50

21.60

970; 1010; 990; 1030

970

1000

1030

60

25.82

980; 990; 1010; 1100

980

1020

1100

120

54.77

1040; 1020; 1030; 910

910

1000

1040

130

60.55

10

970; 990; 1020; 1020

970

1000

1020

50

24.49

xmin = 910

x = 1013

xmax = 1100 a = 92

TOTAL

s = 40.84

Pentru n = 4, din tabela 15 din Anex, avem = 0.729 deci relaiile (4) devin:
LCI(x) = 1013 0.729 x 92 = 945.932
LCS(x) = 1013 + 0.792 x 92 = 1080.68
Toate valorile xi sunt ntre aceste limite deci X corespunde la controlul calitii n cursul
procesului de producie, ca tendin central a valorilor.
111

Pentru n = 4, din tabela 15 din Anex avem D1 = 0; D2 = 2.282, deci relaiile (6) devin:
LCI(a) = 0; LCS(a) = 2.282 x 92 = 209.944
Niciuna din valorile ai nu depete pe LCS(a), deci X corespunde la controlul calitii n
cursul procesului de producie, ca mprtiere a valorilor.
n cazul msurtorilor individuale, volumele sondajelor sunt egale cu 1 i limitele de
control pentru cele m valori individuale xi vor fi:

LCI ( x) x 3.

am
a
; LCS ( x) x 3. m
w
w

(7)

Aici w se culege din tabela 15 din Anex pentru n = 2 iar am este media diferenelor
succesive aim =|xi xi1| numite amplitudini mobile.
Exemplu:
X = producia zilnic de lapte de vac (litri/zi) n a 28-a zi de la ftare (controlul Nr. 1).
Avem m = 10 sondaje a cte n = 1 vaci fiecare cu produciile xi:
xI
|xi - xi-1|

9.5

10

10.4

9.9

11

10.7

10.5

12.4

11.7

10.9

x = 10.8

0.5

0.4

0.5

1.1

0.3

0.2

1.9

0.7

0.8

am = 0.71

Din tabela 15 din Anex, pentru n = 2 valori n amplitudinile mobile, avemw = 1.128 deci:
LCI(x) = 10.8 3 . (0.71/1.128) = 8.91
LCS(x) = 10.8 + 3 . (0.71/1.128) = 12.69
Toate cele 10 producii individuale sunt ntre limitele precedente, deci caracteristica X
corespunde calitii.
3.1.2 Cazul unei nsuiri calitative
n acest caz vom avea un singur parametru M n rolul cruia vom lua fie numrul d i
de exemplare-rebut din sondajul nr. i, fie frecvena rebuturilor f i = di/n din sondajul nr. i;
(i = 1, 2,, m). di este variabil binomial adic:
P(di = k) = Cnk p0k (1 - p0)nk
unde p0 este proporia rebuturilor n cursul procesului de producie.
Avem de verificat ipoteza H: p = p0 fa de alternativaH: p > p0.
Fie k1() cel mai mare numr natural pentru care avem:

P(d k1 ( ))

k1 ( )

C
k 0

k
n

p0k (1 p0 )nk 1

Fie k2() cel mai mare numr natural pentru care avem:
112

P(d k2 ( ))

k k2 ( ) 1

Cnk p0k (1 p0 )nk 1

Avem:
LCI(d) = k1();

LCS(d) = k2()

(7)

Din pcate, limitele (7) implic calcule laborioase de aceea pentru n 40 i p0 0.1,
variabila binomial poate fi aproximat cu variabila normal.
Fia de control pentru frecvena rebuturilor (fia p)
Un estimator pentru p0 este fi = di/n unde di este numrul rebuturilor din sondajul nr. i de
volum n.
Avem: M(fi) = p0 i V(fi) = p0(1 - p0)/n, deci limitele de control pentru p0 vor fi:
a)

p0 (1 p0 )
p (1 p0 )
; LCS ( p0 ) p0 3. 0
n
n

LCI ( p0 ) p0 3.

(8)

Cum p0 nu se cunoate, se aproximeaz cu:

1 m
1 m
1 m n
f

i mn
xij
i
m i 1
mn i 1 j 1
i 1

aa c limitele de control pentru p0 devin:


LCI ( p0 ) f 3.

f (1 f )
f (1 f )
; LCS ( p0 ) f 3.
n
n

(9)

Dac LCI(p0) < 0, lum LCI(p0) = 0.


Exemplu:
X = starea de ecloziune a oulelor de gin n a 18-a zi de incubaie. Se efectueaz m = 10
sondaje a cte n = 100 ou n 10 serii de incubaie, gsindu-se numrul di de ou neeclozionate n
aceste sondaje i frecvenele de rebut fi:
Nr.
sond.
di

10

TOTAL

d = 4

fi

0.03

0.05

0.02

0.04

0.07

0.08

0.03

0.02

0.06

f = 0.04

Avem f = 0.04 deci din relaiile (9) obinem:


LCI ( p0 ) 0.04 3

0.04 0.96
0.04 0.059 0 deci LCI(p0 ) 0
100

LCS ( p0 ) 0.04 3

0.04 0.96
0.04 0.059 0.099
100

113

0.10

Se observ c toate valorile fi nu depesc limita superioar LCS(p0) deci X corespunde la


controlul calitii n cursul procesului de producie ca proporie a rebuturilor.
Fia de control pentru numrul rebuturilor (fia C)
n acest caz numrul di al rebuturilor ntr-un sondaj de volum n poate fi considerat variabil
Poisson cu media i variana , deci limitele de control pentru d au forma:
b)

LCI (d ) 3

; LCS (d ) 3

(10)

Cum nu se cunoate, l aproximm cu:

1 m
di
m i 1

deci limitele precedente capt forma:


LCI (d ) d 3 d

LCS (d ) d 3 d

(11)

Dac LCI(d) < 0 lum LCI(d) = 0.


Exemplu:
Pentru exemplul anterior avem d = 4 aa c:
LCI (d ) 4 3 4 2

deci

LCI(d)=0

LCS(d)=4+3 4 10
Niciuna din valorile di din cele 10 sondaje nu depete pe LCS(d) deci X corespunde la
controlul calitii n cursul procesului de producie ca numr de rebuturi.

3.2 CONTROLUL STATISTIC DE CALITATE LA RECEPIE


D
proporia acestor defecte.
N
Efectum un control selectiv al calitii produselor astfel: extragem din lot un sondaj de n
n
produse (factorul de sondaj este N ) i le controlm, gsind produse defecte.
Dac c , lotul se accept ca fiind corespunztor calitii X controlate, iar dac c ,
lotul se respinge ca fiind necorespunztor calitii X controlate. n lotul respins se nlocuiesc
produsele defecte cu altele bune.
Probabilitatea de acceptare a lotului ca funcie de p (proporia produselor defecte n ntregul
lot) se noteaz cu L(p) i se numete caracteristica operativ a controlului de calitate.
Graficul su are forma:
Fie un lot de N produse din care D au defecte i fie p

114

1 Lp 0 este eroarea de ordin I, adic probabilitatea respingerii unui lot cu defecte


puine, deci este riscul furnizorului.
Lp1 este eroarea de ordin II, adic probabilitatea acceptrii unui lot cu defecte
multe, deci este riscul beneficiarului.
p 0 se va numi calitate de acceptare, iar p1 calitate limit admis.
Controlul calitii revine deci la verificarea ipotezei H : p p 0 fa de alternativa

H : p p1 .
c

Evident L p P c P d .
d 0

n plus valoarea medie pentru volumul n de sondaj este: n n L p N 1 L p .


Observm c pentru p = 0 avem n n , iar pentru p = 1 avem n N .
este variabil hipergeometric deoarece obiectele controlate deja (ntre care pot fi i
rebuturi) nu se mai ntorc n populaie, de aceea avem:
d
n d
CdD CnNdD CN p CN1p
.
P d

CDN
CNN p

D
Prin calcul rezult c
ca variabila aleatoare, are media M
i variana
n
n N

1 N n D N D
V

deci
este o estimaie absolut corect pentru proporia real
2
n
N
n n N 1
D
de produse defecte ale lotului, deoarece:
p
N
D

M , iar lim V 0 .
n
n N
n
Pentru , dai, trebuie s aflm pe n i c astfel ca: L p0 1 ; L p1 , adic:
c

d 0
c

CdNp1 CnN1dp0
C NNp0
CdNp1 CnN1dp1
C NNp1

d 0

1 ;
.

Aceste ecuaii n raport cu n i c sunt foarte greu de rezolvat datorit calculelor cu


combinri. n unele cazuri variabila hipergeometric poate fi nlocuit cu variabila binomial,
Poisson sau normal.
1) Dac

c
n
n d
este mult mai mic ca 1, avem: L p Cdn pd 1 p
nct n i c satisfac
N
d 0

ecuaiile:
c

C
d 0

d
n

p 1 p0

d
n

p1d 1 p1

C
d 0

n d

d
0

n d

1 ;

115

c
d
n
n
sunt mult mai mici ca 1, avem: L p e , unde n p D ,
N
N
d 0 d!
deci n i c satisfac ecuaiile:

2) Dac p i

d 0
c

d 0

n p0

d!

n p1

e np0 1 ;

e np1 .

d!

c np
, unde F este funcia de repartiie
3) Dac n este foarte mare, avem: L p F
np 1 p

N(0, 1) cu valori n tabela 1 a Anexei, aa c n i c satisfac ecuaiile:


c np

0
1 ;
F
np0 1 p0

c np

1
.
F
np1 1 p1

Prezentm mai departe dou tipuri de control al calitii i fiabilitii: controlul simplu i
controlul secvenial.
3.2.1 Controlul unei nsuiri cantitative
A. Controlul simplu al unei nsuiri cantitative
Fie Tmax limita superioar admis pentru valorile nsuirii cantitative (msurabile) X.
Pentru , i p 0 , p1 dai, trebuie s gsim volumul sondajului n i pragul de acceptare c al
lotului la controlul calitii.
Lotul este acceptat dac la sondajul efectuat gsim media X Tmax c .
Aceast condiie se mai scrie: X Tmax c sau:
X
T

n max
c n .

Dar proporia de produse defecte este:


T
T
p 1 F max
Up .
, aa c max

Aadar lotul se accept dac:


Pentru p p0 obinem:

X
P
n U p0 c

X
n Up c n .

n 1 ,

iar pentru p p1 obinem:


116

X
P
n U p1 c

n .

Conform demonstraiei teoremei 1.1 din seciunea 1.2,

avem: U U p0 c

n;U1 U p1 c

X
n este variabil N(0, 1), deci

innd cont c: U1 U , am demonstrat:


Teorema 3.1
n cazul testului simplu al controlului calitii avem:

U U
n
Up Up
1
0

U U p1 U U p0
;c
U U

(1)

c2
Dac = necunoscut, lum S, deci c rmne neschimbat, iar n crete de 1 ori.
2

Dac Tmin este limita inferioar admis pentru valorile lui X, lotul este acceptat dac la
sondajul efectuat gsim media: X Tmin c , ceea ce duce la aceleai valori ca mai sus pentru n
i c.
Fie T limita (superioar sau inferioar) pentru valorile lui X.
T 0
T 1
Fie 1 F
p0 ; F
p1 , aa c:



0 T Up0 ; 1 T Up1

T 0
T
; U p1 1

Verificarea ipotezei H : p p0 fa de alternativa H : p p1 devine: H : 0 fa de

deoarece U p0

alternativa H : 1 iar valorile din teorema 3.1 devin:

U U
U 1 U 0 U U T
n
; c
U U
2T 0 1

(2)

Exemple:
1) Se controleaz X = greutatea unui lot de pui livrai (kg) pentru care limita inferioar de
calitate este Tmin = 1kg. Dac se tie c = 0.1 kg i se dau = 3%; = 7%; p0 1%; p1 4% , s
se determine volumul n al sondajului i limita de acceptare Tmin c pentru media de sondaj X .
Solutie:
Din tabela 1 a Anexei, obinem F U3% 97% 0.9700 deci U3% 1.88;F U7% 93% 0.9300
deci U7% 1.48;F U1% 99% 0.9900 deci U1% 2.33;F U4% 96% 0.9600 , deci U4% 1.75.
Din relaiile de mai sus obinem: 0 = 0.767 Kg; 1 = 1.175 Kg.
nlocuind aceste valori n relaia (1) gsim: n = 34; c = 2 deci Tmin c 1.2kg .
117

Lotul se accept dac dintr-un sondaj de n = 34 de pui livrai, greutatea medie al acestora
este de cel puin 1.2 kg.
2) Se controleaz X = grosimea stratului de grsime la greabn al porcilor livrai (cm)
pentru care limita superioar de calitate este Tmax 4cm .
Dac se tie c = 0.1 cm i se dau = 5%; = 10%; p0 2%; p1 7% , s se determine
volumul sondajului n i limita de acceptare Tmax c pentru media de sondaj X .
Soluie:
Din tabela 1 din Anex, obinem ca n exemplul anterior:
U5% 1.65; U10% 1.28; U2% 2.06; U7% 1.48 ;
Din formulele precedente obinem: 0 = 3.794 cm; 1 = 4.148 cm.
Din formula (1) rezult: n = 12; c = 1.7; Tmax c 3.83 cm.
Lotul se accept dac ntr-un sondaj de n = 12 porci, grosimea medie a stratului de grsime
la greabn nu depete 3.83 cm.
B. Controlul secvenial al unei nsuiri cantitative
n acest caz volumul n al sondajului nu se mai determin n prealabil, ci se face controlul n
lot, produs cu produs, pn la acceptarea sau respingerea lotului la controlul de calitate.
n acest fel, dac p este mult mai mic ca p 0 (lot foarte bun) sau mult mai mare ca p1 (lot
foarte prost), volumul n de sondaj este mult mai mic ca n cazul sondajului simplu.
Fie Tmax limita superioar admis pentru valorile nsuirii cantitative X i fie 0 , 1
definite

de

relaiile:

0 Tmax Up0 ;

T 0
1 F max

Tmax 1
p0 ; F
p1 ,

de

unde

rezult:

1 Tmax Up1 .

Controlul de calitate revine la a verifica ipoteza H : 0 fa de alternativa H : 1 .

x1 ,..., x n
valorile x1 ,..., x n

Fie Pn 0 probabilitatea de a obine valorile de sondaj


adevrat ipoteza H i Pn1 probabilitatea de a obine

n cazul n care este


n cazul n care este

adevrat ipoteza alternativ H .


Avem cazurile:

1
n1
, n care caz se continu msurtorile;
1 Pn 0

2) n 1
, n care caz se ia decizia acceptrii ipotezei H : 0 ;
Pn 0 1
P
1
3) n 1
, n care caz se ia decizia acceptrii ipotezei alternative H : 1 .
Pn 0

Populaia fiind presupus normal i datele de sondaj independente, avem:


2
2
xi 0
x i 1
1)

Pn 0

e
n

2 2

Pn 1

118

2 2

de unde rezult:

xi 0 xi 1
2

Pn 1
e
Pn 0

2 2

n 0 1
Pn 1 1 0

i
Pn 0
2
2

Cu notaiile:

aa c avem: ln

0 1
2

2
1-
; b0
ln
0 ; b1
ln
>0
2
1 0 1
1 0

(3)

cazurile 1) - 3) de mai sus, prin logaritmare n baza e, duc la:


Teorema 3.2
Avem cazurile:
1) a.n b0 x i a.n b1 , n care caz se continu msurtorile;
2)
3)

x
x

a.n b0 , n care caz se accept ipoteza H : 0 ;

a.n b1 , n care caz se accept ipoteza alternativ H : 1 .

Practic, se reprezint grafic dreptele x a.n b0 i x a.n b1 , n sistemul de axe cu


abscisa n i ordonata

i se continu msurtorile pn cnd punctul de coordonate n ; x i

trece prin una din zonele 2 sau 3:

Tmax fiind limit superioar pentru X, acceptarea ipotezei H duce la acceptarea lotului la
controlul calitii, deci zona 2 este zona de acceptare a lotului, n timp ce acceptarea ipotezei
alternative duce la respingerea lotului la controlul calitii, deci zona 3 este zona de respingere a
lotului. Dac Tmin este limit inferioar pentru X, m situaia este invers.
Exemple:
1) X = greutatea porcilor la livrare (kg) limitat inferior. Dac se dau = 5%; = 2% i se
tie c = 5 kg, s se verifice ipoteza H : 100kg fa de H : 110kg prin control secvenial.
119

Soluie:
Avem 0 100kg; 1 110kg; 5kg; 5%; 2% , deci conform formulelor (3)
obinem: a 105kg; b 0 9.65; b1 7.44 .
Tabelul de calcul cu datele de sondaj x i i sumele
n

xi

1
2
3
4
5
6
7

107
103
109
96
103
105
100

105n - 9.65
95.35
200.35
305.35
410.35
515.35
620.35
725.35

Dup n = 7 msurtori, avem

este:

x1 x n

105n + 7.44

107
210
319
415
518
623
723

112.44
217.44
322.44
427.44
532.44
637.44
742.44

a.n b0 , deci se accept H, aa c lotul se respinge la

controlul calitii deoarece X este limitat inferior.


2) X = grosimea stratului de grsime la greabn pentru porci (cm) limitat superior.
Dac se dau = 6%; = 9% i se tie c = 1 cm, s se verifice ipoteza H : 3cm fa
de alternativa H : 4cm , prin control secvenial.
Solutie:

Avem 0 3cm; 1 4cm; 1cm; 6%; 9% , deci conform formulelor (3) obinem:
a 3.5cm; b 0 2.35; b1 2.72
Tabelul de calcul cu datele de sondaj xi i sumelor x1, este:
n

xi

3.5n-2.35

1
2
3
4
5
6
7
8
9

3.6
4.1
3.1
3.0
3.8
2.9
2.6
3.0
2.7

1.15
4.65
8.15
11.65
15.15
18.65
22.15
25.65
29.15

Dac n = 9 msurtori, avem

x1 x n
3.6
7.7
10.8
13.8
17.6
20.5
23.1
26.1
28.8

3.5n + 2.72
6.22
9.72
13.22
16.72
20.22
23.72
27.22
30.72
34.22

a.n b0 , deci se accept H, aa c lotul se accept la

controlul calitii deoarece X este limitat superior.

120

3.2.2 Controlul unei nsuiri calitative


A. Controlul simplu al unei nsuiri calitative
Pentru , , p 0 , p1 dai, trebuie s gsim volumul n al sondajului i pragul de acceptare c al
lotului la controlul de calitate.
Lotul este acceptat dac la sondajul efectuat gsim numrul de rebuturi c .
1 2
Se poate arta c p
p cu 2 (c+1) grade de libertate.
2n
1 2
1 2
Pentru p p 0 avem
1 p0 , iar pentru p p1 avem
p1 , de unde rezult:
2n
2n
Teorema 3.3
Avem n

12
2p0

2
2p1

cu 2 (c + 1) grade de libertate.

n concluzie vom cuta pentru cte grade de libertate (egale cu 2 (c + 1)) avem:

12
p0

2
p1

deci gsim pe c, apoi din teorema 3.3 gsim pe n.


Exemplu:
X = ecloziunea unui lot de ou de gin n a -18-a zi de incubaie.
Dac se dau 5%; 5%; p 0 3%; p1 6% , se cere volumul sondajului n i pragul de
acceptare c al lotului la controlul calitii.
Solutie:
Trebuie s avem:

2
0.95

2
0.05

2
2
sau 3 0.95
, egalitate care se realizeaz pentru 2 (c + 1)
0.05

0.03 0.06
2
2
= 19 GL, pentru c n acest caz avem 0.95
10.12; 0.05
30.14 .
10.12
Rezult c c = 9 i n
167 .
2 0.03
Lotul se accept dac dintr-un sondaj de n = 167 de ou, cel mult c = 9 ou sunt
neeclozionate.
B. Controlul secvenial al unei nsuiri calitative

1, dac al i-lea produs din sondaj este defect fa de nsuirea X

Fie: x i
0,
n caz contrar

deci dac x i sunt independente,

este variabil binominal de parametri p Px i 1 i n.

Controlul de calitate revine la verificarea ipotezei H : p p 0 fa de alternativa H : p p1 .


n cazul nostru avem: Pn 0 Cnk p0k 1 p0

n k

; Pn 1 Cnk p1k 1 p1

n k

, unde k x i este

numrul produselor din sondaj care sunt rebuturi fa de nsuirea calitativ X.

p
P
Avem n 1 1
Pn 0 p0

1 p1

1 p0

n k

,deci: ln

p
Pn 1
k .ln 1
Pn 0
p0
121

1 p1
n k .ln

1 p0

Dndu-se i , respectiv p 0 , p1 avem cazurile:

1
, n care caz se continu msurtorile;
n1
1 Pn 0

2) n 1
, n care caz se decide c H : p p 0 este adevrat;
Pn 0 1
P
1
3) n 1
, n care caz se decide c alternativa H : p p1 este adevrat.
Pn 0

Cu notaiile:
1 p0

1
ln
ln
ln
1 p1
1 ;b

a
; b0
(4)
1
p1 1 p0
p1 1 p0
p1 1 p0
ln
ln
ln
p0 1 p1
p0 1 p1
p0 1 p1
1)

cazurile 1) - 3) de mai sus prin logaritmare n baza e, conduc la:


Teorema 3.4
Avem cazurile:
1) a.n b0 k a.n b1 , n care caz se continu msurtorile;
2) k a.n b0 , n care caz se accept ipoteza H;
3) k a.n b1 , n care caz se accept alternativa H .
Practic, se reprezint grafic dreptele x a.n b0 i x a.n b1 n sistemul de axe cu

abscisa n i ordonata k x i i se continu msurtorile pn cnd punctul de coordonate (n,k)

trece n una din zonele 2 sau 3.


Acceptarea ipotezei H duce la acceptarea lotului la controlul calitii, deci zona 2 este zona
de acceptare a lotului n timp ce acceptarea alternativei H duce la respingerea lotului la controlul
de calitate, deci zona 3 este zona de respingere a lotului.
Exemplu:
X = viabilitatea puilor de gin n vrst de o zi.
Se dau = 4%; = 6%.
S se verifice ipoteza H: p < 10% fa de alternativa H : p 90% prin controlul secvenial.
Solutie:
Avem

0.04; 0.06; p 0 0.1; p1 0.9 , deci conform formulelor (4) obinem:


a 0.5; b 0 0.63; b1 0.72 .
Tabelul de calcul cu datele de sondaj x i i sumele k x i , este:
N

xi

k x1

0.5n - 0.63

xn

0.5n + 0.72

1
0
-0.13
0
1.22
2
1
0.37
1
1.72
3
1
0.87
2
2.22
4
0
1.37
2
2.72
5
0
1.87
2
3.22
6
1
2.37
3
3.72
7
0
2.87
3
4.22
8
0
3.37
3
4.72
Dup n = 8 pui controlai se accept ipoteza H, deci lotul se accept la controlul calitii.
122

3.2.3 Controlul fiabilitii mainilor agricole


A. Controlul simplu al fiabilitii mainilor agricole
Dac pentru produsele agricole destinate consumului este important controlul statistic al
calitii lor n raport cu diferite nsuiri X, msurabile sau atributive, pentru mainile agricole este
important controlul statistic al siguranei n funcionare sau al fiabilitii lor.
Definiia fiabilitii a fost dat n seciunea 1.2
Fiabilitatea este o nsuire calitativ (atributiv) pentru care p 0 i p1 sunt nlocuii cu T0
(timpul mediu de funcionare fr defeciuni acceptat), respectiv T1 (timpul mediu de
funcionare fr defeciuni limit admis), deci trebuie verificat ipoteza H : t T0 fa de
alternativa H : t T1 , unde avem T0 > T1 spre deosebire de p 0 p1 la nsuirile X atributive.
n cadrul testului simplu al controlului fiabilitii, pentru ;;T0 ;T1 dai, trebuie gsite
numrul de defeciuni acceptate c i timpul de acceptare t c al lotului la controlul fiabilitii.
Lotul este acceptat dac:
a) timpul de funcionare pn la apariia a c defeciuni este t t c sau
b) numrul de defeciuni aprute n timpul de funcionare t c este
n caz contrar lotul se respinge la controlul fiabilitii.
2t
Se poate arta c t 2c cu 2 (c + 1) grade de libertate.

k c.

Pentru t T0 avem: T0

2t c

2
1

, iar pentru t T1 avem: T1

2t c

, de unde rezult:

Teorema 3.5
T0 2
T
1 1 2 cu 2(c + 1) grade de libertate.
2
2
Vom cuta n tabela 3 din Anex, pentru cte grade de libertate, adic 2(c + 1), avem

Avem t c

T0 12 T1 2 , deci obinem pe c, apoi din teorema 3.5 obinem pe t c .


Exemplu:
Pentru controlul fiabilitii unor maini agricole de mprtiat ngrminte chimice, se dau
5%; 5%;T0 160 ore; T1 80 ore.
S se determine numrul c de maini defecte acceptat i timpul de acceptare t c la controlul
fiabilitii.
Solutie:
2
2
2
2
Trebuie s avem T0 12 T1 2 , adic 160 0.95
sau 2 0.95
ceea ce se
80 0.05
0.05
ntmpl pentru 2(c + 1) = 40 GL.
2
2
26.51; 0.05
55.76 .
n acest caz 0.95
160
De aici rezult c c = 19; t c
26.51 2120 ore.
2
n concluzie, lotul se accept dac timpul de funcionare pn la defectarea a 19 maini este
de cel puin 2120 ore sau dac numrul de maini care s-au defectat dup 2120 ore de funcionare
este de cel putin 19 maini.
n caz contrar, lotul se respinge la controlul fiabilitii.
123

B. Controlul secvenial al fiabilitii mainilor agricole


Dorim s verificm ipoteza H : t T0 fa de alternativa H : t T1 , unde T0 > T1.
t este timpul de funcionare fr defeciuni al unei maini, iar datele de sondaj privind
funcionarea sa fr defeciuni sunt: t 1 ,, t n .
Conform teoremei 4.1, probabilitatea de a avea k defeciuni ntr-un interval de timp de
k
t t
lungime t, este: P k
e .
k!
k
t
t
1

Cu avem: P k e .
k!

este timpul mediu ntre apariia a dou defeciuni consecutive.


Fie Pn 0 probabilitatea de a obine datele de sondaj t 1 ,, t n n cazul c ipoteza H este
adevrat i Pn 1 probabilitatea de a obine datele de sondaj t 1 ,, t n n cazul c alternativa H
este adevrat. Avem:
k

t
t
1 1
k
t
t
To T0
T1 T1
1 1
T
Pn 1 T0 t T1 T0
P

, de unde: ln n 1 k.ln o t .
e
Pn 0
e ; Pn 1
e , deci:
k!
k!
Pn 0 T1
Pn 0
T1 T1 T0
Avem cazurile:
P

1
1)
, n care caz se continu msurtorile;
n1
1 Pn 0

2) n 1
, n care caz se accept ipoteza H;
Pn 0 1
P
1
3) n 1
, n care caz se accept ipoteza alternativ H .
Pn 0

1 1

ln
ln
T1 T0

; b 0 1 ; b1
Cu notaiile: a
T
T
T
ln 0
ln 0
ln 0
T1
T1
T1
prin logaritmare n baza e, cazurile 1) - 3) de mai sus conduc la:

(5)

Teorema 3.6
Avem cazurile:
1) a.t b0 k a.t b1 , n care caz se continu msurtorile;
2) k a.t b0 , n care caz se accept ipoteza H;
3) k a.t b1 , n care caz se accept ipoteza alternativ H .
Practic, se reprezint grafic dreptele x a.t b0 i x a.t b1 , n sistemul de axe cu

abscisa t i ordonata k t i i se continu msurtorile pn cnd punctul de coordonate (t,k)

trece prin una din zonele 2 sau 3.


Zona 2 este zona de acceptare a lotului la controlul fiabilitii, iar zona 3 este zona de
respingere a lotului la controlul fiabilitii.
124

Exemplu:
Pentru controlul fiabilitii unor staii pentru epurarea dejeciilor la porci, avem = 5%;
= 10%.
S se verifice ipoteza H: t > 4 luni fa de alternativa H : t 1 lun prin control secvenial.
Soluie:
Avem

5%; 10%;T0 4;T1 1 ,


a 0.54; b 0 1.62; b1 2.08 .

deci

conform

formulelor

(5)

gsim:

Tabelul de calcul cu datele de sondaj t i i sumele k ti , este:


t

ti

0.54t - 1.62

1
2
3
4
5
6
7

0
1
0
0
1
0
0

-1.08
-0.54
0
0.54
1.08
1.62
2.16

k t1
0
1
1
1
2
2
2

tn

0.54t + 2.08
2.62
3.16
3.70
4.24
4.78
5.32
5.86

Se accept ipoteza H: t > 4 luni dup t = 7 luni de funcionare deci lotul de staii de epurare
se accept la controlul calitii.

3.3 REZUMAT
n acest capitol se prezint controlul statistic al calitii n cursul procesului de producie
prin fie de control al unei nsuiri cantitative respectiv calitative.
Se prezint controlul simplu i secvenial al controlului statistic de recepie pentru nsuiri
cantitative, calitative i fiabilitate.

3.4 NTREBRI
1.
2.
3.
4.

Ce fie de control se folosesc pentru controlul calitii n cursul procesului de fabricaie?


n ce const controlul simplu al calitii la recepie?
n ce const controlul secvenial al calitii la recepie?
n ce caz controlul secvenial este preferat controlului simplu?

3.5 BIBLIOGRAFIE
1. D. Ene, M. Drghici, I.N. Alecu: Statistic aplicat n agricultur, Ed. Ceres, 2003
2. M. Iosifescu i col.: Mic enciclopedie de statistic, Ed. tiinif. i Enciclop., 1985
3. Anuarul statistic al Romniei, 1990 - 2008

125

CAPITOLUL 4 ANALIZA VARIANEI I PLANURI


EXPERIMENTALE N AGRICULTUR
Obiective: nsuirea de ctre studeni a puternicului aparat al analizei varianei mono i
polifactoriale n populaii omogene i neomogene (planuri experimentale).
Coninut:
4.1 Analiza varianei monofactorial nebalansat n populaii omogene
4.2 Analiza varianei bifactorial complet nebalansat n populaii omogene
4.3 Analiza varianei bifactorial ierarhic nebalansat n populaii omogene
4.4 Planuri experimentale n populaii neomogene
4.4.1 Planul blocurilor complete randomizate
4.4.2 Planul ptratelor latine
4.5 Rezumat
4.6 ntrebri
4.7 Bibliografie
Cuvinte cheie: analiza varianei nebalansat complet/ierarhic, model cu efecte
fixe/aleatoare, componente de varian, blocuri complete randomizate, ptrate i dreptunghiuri
latine.

4.1 ANALIZA VARIANEI MONOFACTORIAL NEBALANSAT


N POPULAII OMOGENE
n populaia statistic lum ca obiect de studiu un caracter msurabil Y fa de care
exemplarele populaiei au media .
Fie un alt caracter X asociat cu exemplarele populaiei, caracterul X avnd m variante (doze,
nivele, tratamente) notate X(1),..., X(m).
Caracterul X se numete factor i constituie un criteriu de clasificare a populaiei n m
subpopulaii (straturi) ce corespund variantelor X(1),..., X(m), mediile pe subpopulaii relativ la
caracterul Y fiind (1),..., (m).
Diferenele x(i) = (i) - se numesc efecte principale ale lui X n subpopulaii.
m

Avem:

x(i) = 0

i 1

Subpopulaiile se presupun normale cu mediile (1),..., (m) i aceeai varian 2(E) n


raport cu caracterul Y.
Extragem n mod ntmpltor din subpopulaii, m sondaje (probe, eantioane) de volume
p(1),..., p(m).
m

Volumul de sondaj total este pT =

p( j ) .
j 1

Datele relative la Y, din aceste sondaje le numim repetiii (replicate) i le notm cu Y(i, j)
(i = 1,..., m; j = 1,..., p(i)).
Forma general a modelului liniar este:
Y(i, j)= +x (i)+e(i, j)
unde e(i, j) sunt variabilele aleatoare normale, independente cte dou, cu media zero i variana
2(E).
126

Orice variant X(i) a lui X trebuie s modifice pe (i) nu i pe .


Aceast condiie se verific prin ipoteza H: (1) 2 =..........= (m) 2 fa de alternativa :
2
(1) ......... (m) 2 cu ajutorul testului Bartlett:
1 p (i )
MY (i)
Y (i, j ) i varianele de sondaj n
Fie mediile de sondaj n cadrul variantelor
p(i ) j 1
cadrul variantelor:
SY(i)2=

1 p (i )
[Y (i, j ) MY (i)] 2, (1 i m)
p(i) 1 j 1
2

Variana erorii este: S E =

m
1
( p(i) 1) SY (i) 2

pT m i1

Fie:
C=1+

m
1
1
[

3(m 1) i 1 p(i ) 1

1
m

( p(i) 1)

i 1

Mrimea:
m
1
2B= [ ( p(i ) 1) ln S2E- ( p(i) 1) SY(i)2]
C
i 1
este o variabil 2 cu m - 1 grade de libertate.
Se extrag din tabela 3 din Anex, valorile critice 20.05; 20.01; 20.001 cu m - 1 GL i se
compar 2B cu aceste valori critice.
Dac 2B 20.05 atunci se accept ipoteza H: (1)2 =..........= (m)2.

1)
2)
3)

n caz contrar avem cazurile:


20.05 2B 20.01 n care caz se accept deci (1)2... (m)2 difer semnificativ ntre ele;
20.01 2B 20.001 n care caz se accept deci (1)2... (m)2 difer distinct semnificativ
ntre ele;
2B 20.001 n care caz se accept deci (1)2... (m)2 difer foarte semnificativ ntre ele.

n cazul balansat p(1) =.........= p(m) = p; pT = mp i ipoteza H: (1)2 =..........= (m)2 fa


de alternativa : (1)2 ........ (m)2 se verific cu testul Cochran:
Fie SY2max = max SY(i)2 (1 i m)
Calculm: Q = SY2max/(SY(1)2 +...+ SY(M)2) i extragem din tabelele Cochran, valorile critice
Q0.05 i Q0.01 pentru m variante i p - 1 GL.
Dac Q Q0.05 se accept ipoteza H: (1)2 =...= (m)2.
n caz contrar avem cazurile:
1) Q0.05 Q Q0.01 deci se accept adic (1)2... (m)2 difer semnificativ ntre ele;
2) Q Q0.001 deci se accept adic (1)2... (m)2 difer distinct semnificativ ntre ele.
Dup modul de alegere al subpopulaiilor, avem dou tipuri de modele:
a)

Modele cu efecte fixe:


n acest caz experimentatorul fixeaz valorile variantelor X(1),..., X(m) i mparte populaia
n m subpopulaii ce se vor asocia cu X(1),..., X(m).
Mediile (i) sunt constante, efectele principale x(i) = (i) - sunt de asemenea constante.
127

Avem: M(Y(i, j)) = (i)


M(x(i)) = x(i)
(1 i m)
M(e(i, j)) = 0
(1 j p(i))
respectiv:
V(Y(i, j)) = 2(E)
V(x(i)) = M(2x(i)) - M(x(i))2 = 2x(i) - 2x(i) = 0
V(e(i, j)) = M(e2x(i)) - M(e(i, j))2 = 2(E) - 2(E) = 0
Ipoteza care se verific este H: (1) =...= (m) = fa de alternativa : (1) ... (m))
sau sub alt form H: x(i) = 0 fa de alternativa : x(i) 0.
Modelul cu efecte fixe se aplic cnd numrul m de variante este mic i permite ca aceleai
variante s fie utilizate din nou dac experiena se repet.
Exemplu:
X = ngrminte, ap, energie la plante respectiv furaje, sex, perioada de ngrare la
animale.
b)

Modelul cu efecte aleatoare:


Experimentatorul alege n mod aleator valorile variantelor X(1),..., X(m), iar cele m
subpopulaii se aleg n mod aleator din mulimea subpopulaiilor posibile, urmnd a fi asociate n
mod aleator cu variantele X(1),..., X(m).
Mediile (i) sunt variabile aleatoare normale cu media i variana 2(x), iar efectele
principale x(i) = (i) - sunt tot variabile aleatoare normale cu media 0 i variana 2(x).
Avem:
M(Y(i, j)) =
M(x(i)) = 0 unde: (i = 1,..., m) i (j = 1,..., p(m))
M(e(i, j)) = 0
respectiv:
V(Y(i, j)) = V(x(i)) + 2(E)
V(x(i)) = M(2x(i)) - M(x(i))2 = 2(x) 0 = 2(x)
V(e(i, j)) = M(e2x(i)) - M(e(i, j))2 = 2(E) 0 = 2(E).
Aici x este variabila aleatoare:

1, ......, x m

x x
p1, .......,pm
m

cu media M(x) =

p(i)x(i) = 0 i variana 2(x).

i 1

Ipoteza care se verific este H: (x) = 0 fa de alternativa : (x) 0.


Modelul cu efecte aleatoare se aplic cnd numrul m de variante X este mare (poate fi i
infinit), dar numai n din ele sunt alese n experiment. Aceleai variante nu pot fi utilizate din nou
dac experiena se repet.
Exemplu:
X = tata sau mama n ncruciarea plantelor i animalelor.
n cazul ambelor modele, datele mpreun cu calculele de sume i medii pe variante i pe
total, se trec n tabelul de mai jos:
128

Repetiii Y
VarianteX
X(1)
.
.
.
.
X(m)
Notaie: pT =

Y(i, j)

Medii pe variante

Y(1, 1),..., Y(1, p(1))


.
.
.
.
Y(m, 1),..., Y(m, p(m))

MY(1)
.
.
.
.
MY(m)

Media total

MYT

p(i)
i 1

Calcule:
a) SPA i GL:
m p (i )

SPAT =

[Y(i, j) - MYT]2 =

i 1 j 1

SPAX =

i 1

SPAE =

Y(i, j)2 - S2T/pT cu GLT = pT -1

i 1 j 1

p(i)[MY(i) - MYT]2 =

m p (i )

m p (i )

S(i)2/p(i) - S2T/pT cu GLX = m - 1

i 1

[Y(i, j) - MY(i)]2 = SPAT - SPAX cu GLE = GLT - GLX = pT - m

i 1 j 1

b) S :
S2X = SPAX/(m - 1); S2E = SPAE/(pT - m)
c) F:
FX = S2X/S2E 1 cu [m - 1; pT - m]GL
Rezultatele de la punctele a) - c) se trec n tabelul sintetic de analiz a varianei:
Sursa de variaie
X
E
T

SPA
SPAX
SPAE
SPAT

GL
m-1
pT - m
pT 1

S2
S2X
S2E
-

F
FX
-

Raportul Fisher FX se compar cu valorile critice F0.05; F0.01; F0.001 extrase din tabelele 4, 5, 6
din Anex pentru perechile de grade de libertate corespunztoare i se accept sau se respinge
ipoteza formulat mai sus.
Conform teoremei 4.1 de mai jos, avem:
1) Pentru modelul cu efecte fixe:

1 m
[ p(i)2x(i)] + 2(E)
M(S X) =
m 1 i 1
2
M(S E) = 2(E)
Avem estimatorii: *2(E) = S2E;
*2(E) = (S2X - S2E)/a(1, 1)
1 m
[ p(i)2x(i)]
unde a(1, 1) =
m 1 i 1
2

129

2) Pentru modelul cu efecte aleatoare:


m
1
[pT - (1/pT) p2(i)] 2(x) + 2(E)
m 1
i 1
2
2
M(S E) = (E)

M(S2X) =

Avem estimatorii:
*2(E) = S2(E);

*2(X) = (S2X - S2E)/a(1, 1), unde a(1, 1) =

m
1
[pT - (1/pT). p2(i)]
m 1
i 1

n cazul balansat avem:


p(1) =...= p(m) = p; pT = mp i a(1, 1) =

p m
2x(i), pentru modelul cu efecte fixe; i

m 1 i 1

a(1, 1) = p, pentru modelul cu efecte aleatoare;


Modelul cu efecte fixe este ilustrat de desenul:

Modelul cu efecte aleatoare este ilustrat de desenul:

Teorema 4.1 (fr demonstraie)


a) Pentru modelul cu efecte fixe, avem:
1 m
[ p(i)2x(i)] + 2(E)
M(S2X) =
m 1 i 1
2
M(S E) = 2(E)
130

b) Pentru modelul cu efecte aleatoare, avem:


m
1
M(S2X) =
[pT - (1/pT) p2(i)] 2(x) + 2(E)
m 1
i 1
M(S2E) = 2(E)
Un indicator statistic asemntor cu coeficientul de corelaie liniar din seciunea 5.1 i cu
raportul de corelaie neliniar din seciunea 5.3, este indicele de corelaie definit astfel:
Ic = 1 SPAE / SPAT
Teorema 4.2
Indicele de corelaie Ic are proprietile:
1) 0 Ic 1
2) X, Y = independente X, Y = necorelate (Ic = 0)
3) X, Y = dependente funcional (Y = f(x)) dac i numai dac Ic = 1.
Demonstraie:
1) Ic = 1 SPAE / SPAT = SPAX / SPAT 0. Cum SPAX SPAT, rezult 0 Ic 1.
2) X, Y = independente MY(i) nu depinde de X(i), deci sunt egale ntre ele, adic
MY(i) = MY, (i = 1,..., m) aa c SPAX = 0, deci Ic = 0, adic X, Y = necorelate.
3) X, Y = dependente funcional (Y = f(x)) dac i numai dac lui X(i) i corespunde un
singur Z(i) adic Y(i, j) sunt egale ntre ele pentru orice j = 1,..., p deci Y(i, j) = MY(i), (j
= 1,..., p) aa c SPAX = SPAT ceea ce are loc dac i numai dac Ic = 1. Q.E.D.
Raportul Fisher FX = [SPAX/SPAE] : [(m - 1)/(pT - m)] capt forma FX = [Ic2/(1 - Ic2)] : [(m 1)/(pT - m)], deci verificarea ipotezei HX: (1) =...= (m) = fa de alternativa X: (1) ... (m)
se reformuleaz astfel:
HX: c = 0 fa de HX: c 0, unde c este indicele de corelaie n populaie mprit n m
subpopulaii crora li se aplic X(1),..., X(m).
n plus AX = Ic2; AE = 1 - Ic2, proprietate pe care o are i coeficientul de corelaie liniar r i
raportul de corelaie neliniar Rc.
n cazul respingerii ipotezei HX: (1) =...= (m) = , se poate stabili n cazul balansat
(p(1) =,..., p(m)) prima variant X(i) a lui X cu influen semnificativ asupra variaiei lui Y
astfel:
Aranjm mediile pe variante n ordine cresctoare:
MY(i1) ,..., MY(im), (i1,..., im 1,..., m) i presupunem c MY(it) este media variantei
martor X(1), (it 1,..., m).
Fie (h, t) =MY(ih) - MY(it), (h = 1,..., m; h t)
Se calculeaz amplitudinea teoretic a diferenelor de medii:
A = max - min = (S2E/p)1/2T, unde T este amplitudinea studentizat Tukey obinut din
tabelele 7, 8 ale Anexei, pentru numrul m al mediilor i numrul de grade de libertate ale erorii GLE.
Fiecare diferen fa de martor (h, t); (h = 1,..., m; h t), care depete pe A0.05 primete
o stelu de semnificaie, iar dac depete pe A0.01 primete a doua stelu de semnificaie.
Un test asemntor cu testul Tukey este testul Duncan, precum i testul diferenei
limit:
/2 = (i) - (j) = (2S2E/p)1/2t/2; GLE
Exemplu:
X = protein digestiv (PD) n raia vacilor cu lapte; Y = producia lunar de lapte (litri) ntr-o
anumit lun a ciclului de lactaie.
Lum m = 3 variante ale factorului X:
131

X1(1100g/zi) (doza-martor); X2(1200g/zi); X3(1300g/zi).


Aceste variante le aplicm la cte p = 4 repetiii ale factorului Y.
Avem tabelul cu date:
Repet. Y
Variante X
X1
X2
X3

Y(i, j)

Mediile pe variante

Media total

300; 314; 306; 308


330; 338; 342; 350
366; 362; 370; 370

MY(1) = 307
MY(2) = 340
MY(3) = 367

MYT = 338

Verificm ipoteza H: (1)2 = (2)2 = (3)2, fa de alternativa:H: (1)2 (2)2 (3)2, cu


testul Cochran:
SY(1)2 = 33.33; SY(2)2 = 69.33; SY(3)2 = 14.66;
69.33
Avem Q =
= 0.5910
33.33 69.33 14.66
Din tabelele pentru m = 3 variante X i p 1 = 3 GL avem valorile critice Q0.05 = 0.8709;
Q0.01 = 0.9423;
Avem Q Q0.05, deci se accept ipoteza H: (1)2 = (2)2 = (3)2
Etape de calcul:
a) SPA i GL:
p

SPAT =

[Y(i, j) - MYT]2 = 7576 cu GLT = mp - 1 = 11 GL

i 1 j 1

SPAX = p [MY(i, j) - MYT]2 = 7224 cu GLX = m 1 = 2 GL


i 1

SPAE = SPAT - SPAX = 352 cu GLE = 11 2 = 9 GL


b) S2:
SPAX 7576
SPAE 352
S2X =

3612 ; S2E =

39.11
GLX
2
GLE
9
c) F:
3612
92.35 cu (2; 9) GL
FX = S2X/S2E
39.11
Din tabelele Fisher 4, 5, 6 din Anex, gsim valorile critice pentru (2; 9) GL : F0.05 = 4.26;
F0.01 = 8.02; F0.001 = 16.39.
Cum FX F0.001 se accept ipoteza adic (1), (2), (3), difer foarte semnificativ ntre
ele adic influena variaiei factorului X asupra variaiei factorului Y este foarte semnificativ aa c
F = 92.35***.
Tabelul de analiz a variaiei sintetic este:
Surs de
variaie
X
E
T

Variaii
Ptratice (SPA)
7224
336
7560

Indicele de corelaie este Ic =

Grade de
libertate (GL)
2
9
11

Variante (S2)
3612
39.11
-

Rapoarte
Fisher (F)
92.35***
-

SPAX / SPAT = 0.977*** i este foarte semnificativ.


132

Testul Tukey
Calculm triunghiul diferenelor de medii pe variantele lui X:

Diferene de medii
367

340
307

307
60**
33**
-

340
27**
-

367
-

Din tabelele Tukey 7, 8 din Anex, pentru m = 3 medii i GLE = 9 gsim T0.05 = 3.95;
T0.01 = 5.43 aa c avem amplitudinile ateptate:
A0.05 = 39.11 / 4 X 3.95 = 12.35
A0.01 = 39.11 / 4 X 5.43 = 16.98
Cele trei diferene din tabelul precedent depesc pe A0.01, deci sunt distinct semnificative
adic (1), (2), (3), difer distinct semnificativ dou cte dou.
Aportul variaiei lui X la variaia lui Y egal cu 100%, este AX = IC2 = 95.5%.
Aportul variaiei erorii la variaia lui Y este AE = 1 - AX = 4.5%
Calculele precedente privitoare la analiza varianei monofactorial balansat n populaii
omogene, pot fi fcute n EXCEL astfel:
Depunem n foaia de calcul Nr. 1 n blocul de celule A1 : C5 astfel:
A
B
C
1
X1
X2
X3
2
300
330
366
3
314
338
362
4
306
342
370
5
308
350
370
Deschidem fereastra TOOLS n care activm opiunea DATA ANALYSIS. Aici activm
opiunea ANOVA:SINGLE FACTOR n care declarm blocul de celule cu date A1:C5.
Rezultatele se gsesc fie n foaia de calcul Nr. 2, fie tot n foaia de calcul Nr. 1, prin
declararea ca celule de rezultate, a altor celule dect cele din blocul de date A1:C5
O prezentare elegant a calculelor precedente se afl n foaia de calcul AV1.XLS din Anex.

4.2 ANALIZA VARIANEI BIFACTORIAL COMPLET


NEBALANSAT N POPULAII OMOGENE
n populaia statistic lum ca obiect de studiu un caracter msurabil Z fa de care
exemplarele populaiei au media .
Fie alte dou caractere X, Y asociate cu exemplarele populaiei, caracterul X avnd m
variante (doze, nivele, tratamente) notate X(1),..., X(m), iar caracterul Y avnd n variante (doze,
nivele, tratamente) notate Y(1),..., Y(n).
Caracterele X, Y se numesc factori i constituie criterii de clasificare dubl a populaiei n
mn subpopulaii (straturi) ce corespund perechilor de variante (X(i), Y(j)), mediile pe subpopulaii
relativ la caracterul Z fiind (i, j), (i = 1,..., m; j = 1,..., n).
Diferenele (X, Y)(i, j) = (i, j) - se numesc efecte principale ale perechii de factori
(X, Y) n subpopulaii. Avem

(X, Y)(i, j) = 0

i 1 j 1

133

Subpopulaiile se presupun normale cu mediile (i, j) i aceeai varian 2(E) n raport cu


caracterul Z.
Extragem n mod ntmpltor din subpopulaii mn sondaje (probe, eantioane) de volume
p(i, j), (i = 1,..., m; j = 1,..., n).
Datele reletiv la caracterul Z, din aceste sondaje le numim repetiii, (replicate) i le notm
cu Z(i, j, k), (i = 1,..., m; j = 1,..., n; k = 1,...,p(i, j)).
Forma general a modelului liniar este: Z(i, j, k) = + X(i) + Y(j) + X.Y(i, j) + e(i, j, k),
unde e(i, j, k) sunt variabile aleatoare normale, independente dou cte dou cu media 0 i variana
2(E).
Reunim toate subpopulaiile care corespund varianei X(i) fixate pentru orice j = 1,..., n.
Exemplarele din aceast reuniune vor avea fa de caracterul Z media:
n

X(i) = (1/n). (i,j), iar efectul principal al variantei X(i) este:


j 1

X(i) = X(i) - . Avem

X(i) = 0.

i 1

n mod analog se reunesc subpopulaiile ce corespund variantei Y(j) fixate pentru orice
i = 1,..., m.
m

Exemplarele din aceast reuniune au fa de caracterul Z, media Y(j) = (1/m). (i, j), iar
i 1

efectul principal al variantei Y(j) este: Y(j) = Y(j) - .


n

Avem

Y(j) = 0.

j 1

Cantitatea X.Y(i, j) = (i, j) - X(i) - Y(j) + se numete efectul principal al interaciunii


variantei X(i) cu varianta Y(j).
Dup modul de alegere al subpopulaiilor dup X i Y, avem trei tipuri de modele:
a)
Model cu efecte fixe
n acest caz ambii factori X, Y definesc efecte constante X(i), Y(j), X.Y(i, j).
Ipotezele care se verific sunt:
1)
HX: X(1) =...= X(m) = fa de alternativa HX: X(1) ... X(m) sau sub alt
form: HX: X(i) = 0 fa de alternativa HX: X(i) 0.
2)
HY: Y(1) =...= Y(n) = fa de alternativa HY: Y(1) ... Y(n) sau sub alt
form: HY: Y(j) = 0 fa de alternativa: HY: Y(j) 0.
3)
HX.Y: (i, j) = X(i) + Y(j) fa de alternativa HX.Y: (i, j) X(i) + Y(j) sau sub
alt form: HX.Y: X.Y(i, j) = 0 fa de alternativa: HX.Y: X.Y(i, j) 0.
b)
Model cu efecte aleatoare:
n acest caz ambii factori definesc efecte aleatoare : X (i) sunt variabile aleatoare
2
N(0; (X)), Y(j) sunt variabile aleatoare N(0; 2(Y)), iar X.Y(i, j) sunt variabile aleatoare
N(0; 2(X.Y)).
Ipotezele care se verific sunt:
1)
HX: 2(X) = 0
fa de
HX: 2(X) 0
2)
HY: 2(Y) = 0
fa de
HY: 2(Y) 0
2
3)
HX.Y: (X.Y) = 0
fa de
HX.Y: 2(X.Y) 0.
c)
Modelul mixt:
n acest caz unul din factori, de exemplu X, este cu efecte fixe, iar cel de-al doilea Y este cu
efecte aleatoare.
Efectele X(i) sunt constante i ipoteza care se verific este:
134

1) HX: X(i) = 0 fa de
HX: X(i) 0
Efectele Y(j) sunt variabile aleatoare de tip N(0; 2(Y)) i ipoteza care se verific este :
2) HY: 2(Y) = 0 fa de
HY: 2(Y) 0
Efectele X.Y(i, j) sunt variabile aleatoare de tip N(0; 2(X.Y)) i ipoteza care se verific este:
3) HX.Y: 2(X.Y) = 0
fa de HXY: 2(X.Y) 0.
n cazul celor trei modele, datele mpreun cu calculele de sume i medii ale repetiiilor pe
variante (X, Y), X, Y i pe total se trec n tabelul care urmeaz:

Z(i, j, p(i, j))

Medii pe
variante
(X, Y)

Z(1,1,1),,Z(1,1,p(1,1))
.
Z(1,n,1),,Z(1,n,p(1,n))
..
Z(m,1,1),,Z(m,1,p(m,1))
..
Z(m,n,1),,Z(m,n,p(m,n))

MZ(1, 1)
.
MZ(1, n)
.
MZ(m, 1)
..
MZ(m, n)

Repet. Z
Variante
(X, Y)
(X(1), Y(1))
.
(X(1), Y(n))
.
(X(m), Y(1))
..
(X(m), Y(n))

Medii pe
variante
X

Medii pe
variante
Y

MZX(1)

MZY(1)

MZX(m)

MZY(n)

Media
total

MZT

Notaii:
q = numrul de celule (i, j) nevide;
m

pT =

p(i, j);

i 1 j 1

px(i) =

p(i, j);

pY(j) =

p(i, j)

i 1

j 1

CALCULE:
a) SPA i GL:
m

SPAT =

p (i , j )

[Z(i, j, k) - MZT]2 =

i 1 j 1 k 1

p (i , j )

Z2(i, j, k) - S2T/pT, cu GLT = pT - 1 grade

i 1 j 1 k 1

de libertate;
m

SPA(X, Y) =

p(i, j)[MZ(i, j) - MZT]2 =

i 1 j 1

S2(i, j)/p(i, j) - S2T/pT, cu GL(X, Y) = q - 1

i 1 j 1

grade de libertate;
m

SPAX =

px(i)[MZX(i) - MZT]2 =

i 1

S2X(i)/px(i) - S2T/pT, cu GLX = m - 1 grade de

i 1

libertate;
n

SPAY =

PY(j)[MZY(j) - MZT]2 =

j 1

S2Y(j)/pY(j) - S2T/pT, cu GLY = n - 1 grade de

j 1

libertate;
m

SPAX.Y =

p(i, j)[MZ(i, j) - MZx(i) - MZY(j) + MZT] =

i 1 j 1

S2X(i)/px(i) -

i 1 j 1

S (i, j)/p(i, j) -

i 1

S2Y(j)/pY(j) + S2T/pT = SPA(X,Y) - SPAX - SPAY cu GLX.Y = q m n + 1 =

j 1

GL(X,Y) - GLX - GLY grade de libertate;


135

SPAE =

p (i , j )

[Z(i, j, k) - MZ(i, j)]2 =

i 1 j 1 k 1

p (i , j )

Z2(i, j, k) -

i 1 j 1 k 1

S2(i, j)/p(i, j) =

i 1 j 1

SPAT - SPA(X,Y), cu GLE = pt q = GLT - GL(X,Y) grade de libertate.


b) S2:
S2X = SPAX/(m - 1); S2Y = SPAY/(n - 1); S2X.Y = SPAXY/(q m n + 1);
S2E = SPAE/(pT - q)
c) F:
FX = S2X/S2E 1
FY = S2Y/S2E 1
FX.Y = S2X.Y/S2E 1

cu
cu
cu

[m - 1;pT - q]GL
[n - 1;pT - q]GL
[q m n + 1;pT - q]GL

Rezultatele de la punctele a) - c) se trec n tabelul sintetic de analiz a varianei:


Sursa de
variaie
X
Y
X.Y
E
T

SPA
SPAX
SPAY
SPAX.Y
SPAE
SPAT

S2

GL
m-1
n-1
qmn+1
pT - q
pT - 1

S2X
S2Y
S2X.Y
S2E
-

F
FX
FY
FX.Y
-

Rapoartele Fisher FX, FY, FX.Y se compar cu valorile critice F0.05; F0.01; F0.001 extrase din
tabelele 4, 5, 6 din Anex, pentru perechile de grade de libertate corespunztoare i se accept sau
se resping ipotezele formulate mai sus.
Printr-un calcul asemntor cu cel din teorema 4.1 obinem relaiile:
(1)
(2)
(3)
(4)
unde:

M(S2X) = a(1, 1).2() + a(1, 2).2() + a(1, 3).2() + 2(E)


M(S2Y) = a(2, 1).2() + a(2, 2).2() + a(2, 3).2() + 2(E)
M(S2X.Y) = a(3, 1).2() + a(3, 2).2() + a(3, 3).2(.) + 2(E)
M(S2E) = 2(E)

a(1, 1) =

a(1, 2) =

a(1, 3) =

a(2, 1) =
a(2, 2) =

1
1 m
[ pT
(
m 1
pT i 1
m
n
1
1
[
(
m 1 i1 p X (i) j 1
m
n
1
1
[
(
m 1 i1 p X (i) j 1
m
1 n 1
[
(
n 1 j 1 pY ( j ) i 1

p2X(i))]
p2(i, j)) -

1 n
( p2Y(j))]
pT j 1

p2(i, j)) -

1 m n 2
( p (i, j))]
pT i 1 j 1

1 m
( p2X(j))]
p (i, j)) pT i 1
2

1
1 n
[ pT
( p2Y(i))]
n 1
pT j 1

136

m
1 n 1
1 m n
a(2, 3) =
[
( p2(i, j)) - ( p2(i, j))]
pT i 1 j 1
n 1 j 1 pY ( j ) i 1

a(3,1 ) = -

n 1
a (2, 1)
q m n 1

a(3, 2) = -

m 1
a (1, 2)
q m n 1

a(3, 3) =
m

m
n
1
1
[ pT
(
i 1 p X ( i ) j 1
q m n 1

p (i, j)) -

j 1

m
1
(
pY ( j ) i 1

1
( p2X(j))]
pT i 1 j 1
Cu aceti coeficieni alctuim tabelul componentelor de varian:
M(S2)
M(S2X)
M(S2Y)
M(S2X.Y)
M(S2E)

2(X)
a(1, 1)
a(2, 1)
a(3, 1)
0

2(Y)
a(1, 2)
a(2, 2)
a(3, 2)
0

2(X.Y)
a(1, 3)
a(2, 3)
a(3, 3)
0

2(E)
1
1
1
1

Avem estimatorii:
*2(E) = S2E

*2

*2 X

S 2 X S 2E

1 2
2
*2 Y
A S Y S E
* 2

S 2 S 2
E
X .Y
X .Y X Y

a(1,1) a(1,2) a(1,3)

unde A = a(2,1) a(2,2) a(2,3)


a(3,1) a(3,2) a(3,3)

n cazul balansat avem: p(i, j) = p; pT = mnp; pX(i) = np; pY(j) = mp; q = mn

Tabelul sintetic de analiza varianei are forma:


Sursa de
SPA
GL
variaie
X
SPAX
m-1
Y
SPAY
n-1
X.Y
SPAX.Y
(m - 1)(n - 1)
E
SPAE
mn(p - 1)
T
SPAT
Mnp - 1

137

S2

S2X
S2Y
S2X.Y
S2E
-

FX
FY
FX.Y
-

p2(i, j)) +

Tabelul cu componentele de varian are forma particular:


M(S2)
M(S2X)
M(S2Y)
M(S2X.Y)
M(S2E)

2(X)
np
0
0
0

2(Y)
0
mp
0
0

2(X.Y)
p
p
p
0

2(E)
1
1
1
1

Un caz particular al analizei varianei complet balansat este cel n care p = 1, deci avem
cte o singur repetiie ataat fiecrei perechi de variante (X(i), Y(j)).
n acest caz avem T = (X, Y), iar E are GLE = 0 grade de libertate, deci vom lua E = X.Y,
deci SPAE = SPA(XY) - SPAX - SPAY i GLE = GL(X,Y) - GLX - GLY.
Tabelul sintetic de analiza varianei are forma:
Sursa de
Variaie
X
Y
E
T

SPA

GL

S2

SPAX
SPAY
SPAE
SPAT

m-1
n-1
(m-1)(n-1)
mn-1

S2X
S2Y
S2E
-

FX
FY
-

Tabelul cu componentele de varian are forma:


2(X)
n
0
0

M(S2)
M(S2X)
M(S2Y)
M(S2E)

2(Y)
0
m
0

2(E)
1
1
1

Exemplu:
Fie X = proteina digestibil n raia porcilor la ngrat i Y = unitile nutritive n raia
porcilor la ngrat i Z = sporul lunar n greutate (kg) al porcilor la ngrat.
Lum m = 3 variante X = X 1 (250g/zi); X 2 (275g/zi); X 3 (300g/zi) i n = 2 variante
Y = Y 1 (2.5UN) i Y2(3UN). Pentru fiecare combinaie de variante (X, Y) lum cte p = 2 repetiii
Z. Avem tabelul cu date:
Repetiii Z
Variante (X,Y)
(X1, Y1)

Medii pe
Z(i, j, p(i, j)) variante (X, Y)
14; 14.2
MZ(1, 1) = 14.1

(X1, Y2)

15.2; 15.6

MZ(1, 2) = 15.4

(X2, Y1)

15; 15.4

MZ(2, 1) = 15.2

(X2, Y2)

16; 16.2

MZ(2, 2) = 16.1

(X3, Y1)

16.1; 16.3

MZ(3, 1) = 16.2

(X3, Y2)

16.9; 17.1

MZ(3, 2)=17

Medii pe
variante X
MZX(1) = 14.75

Medii pe
variante Y
MZY(1) =
15.17

MZT =
15.67

MZX(2) = 15.65
MZY(2) =
16.17
MZX(3) = 16.60

138

Media
Total

Etape de calcul:
a) SPA i GL:
m

SPAT [ Z (i, j, k ) MZ T ]2 10.2268 cu GL T = mnp 1 = 11 GL


i 1 j 1 k 1
m

SPA( X ,Y ) p[ MZ (i, j ) MZ T ]2 9.9868 cuGL ( X ,Y ) = mn 1 = 5 GL


i 1 j 1

SPAX np[ MZ X (i) MZ T ] 6.8468


i 1
n

SPAY mp [ MZY ( j ) MZT 1.9200


j 1

cu GL X = m 1 = 2 GL

cu GL Y = n 1 = 1 GL

SPAX Y SPA( X ,Y ) SPAX SPAY 1.2200 cu GLX Y GL( X ,Y ) GLX GLY 2GL

SPAE SPAT SPA( X ,Y ) 0.2400 cu GLE GLT GL( X ,Y ) 6GL


b) S2:

SPAX
SPAY
3.4234; SY2
1.9200
GLX
GLY
SPAX Y
SPAE

0.61; S E2
0.04
GLX Y
GLE

S X2
S X2 Y
c) F:

S X2
FX 2 85.585 cu (2; 6) GL
SE

SY2
FY 2 48 cu (1; 6) GL
SE
FX Y

S X2 Y
2 15.25 cu (2; 6) GL
SE

Din tabelele Fisher 4, 5, 6 din Anex, gsim valorile critice pentru (2; 6) GL: F0.05 5.14 ;
F0.01 10.92 ; F0.01 27 ;
Cum FX F0.001 se accept ipoteza H adic X (1), X (2), X (3) difer foarte
semnificativ ntre ele adic influena variaiei lui X asupra variaiei lui Z este foarte semnificativ
deci Fx 85.585 * * * .
Cum F0.01 FX Y F0.001 se accept ipoteza H adic influena variaiei interaciunii X Y
asupra variaiei lui Z este distinct semnificativ deci FX Y 15.25 * * .
Din tabelele Fisher 4, 5, 6 din Anex, gsim valorile critice pentru (1, 6) GL: F0.05 = 5.99,
F0.01 13.74; F0.001 35.51.
Cum FY F0.001 se accept ipoteza H deci Y (1), Y (2) difer foarte semnificativ
ntre ele adic influena variaiei lui Y asupra variaiei lui Z este foarte semnificativ deci
FY 48 * * * .
139

Tabelul sintetic de analiza varianei este:


Sursa de
variaie
X
Y
X Y
E
T

Variaii ptratice
(SPA)
6.8468
1.9200
1.2200
0.2400
10.2268

Grade de
libertate (GL)
2
1
2
6
11

Variane
S2
3.4234
1.9200
0.6100
0.400
-

Rapoarte Fisher
(F)
85.585***
48***
15.25**
-

Indicii de corelaie sunt:

Ic ( X )

SPAX Y
SPAX
SPAY
0.345**.
0.818*** ; I c (Y )
0.433*** ; I c ( X .Y )
SPAT
SPAT
SPAT

Aporturile variaiilor lui X, Y, X Y la variaia lui Z, socotit egal cu 100%, sunt:


SPAX
SPAY
AX
66.9%; AY
18.8%; AX Y 11.9%.
SPAT
SPAT
Aportul variaiei erorii la variaia lui Z este:
AE 1 AX AY AX Y 2.4%.
Testele Cochran i Tukey se efectueaz ca n seciunea 4.1.
Calculele precedente privitoare la analiza varianei bifactorial complet balansat n
populaii omogene cu p repetiii n celul, pot fi fcute n EXCEL astfel:
Depunem n foaia de calcul Nr. 1 datele n blocul de celule A1:D5 asfel:
A
1
2
3
4
5

Y1
Y2

B
X1
14
14.2
15.2
15.6

C
X2
15
15.4
16
16.2

D
X3
16.1
16.3
16.9
17.1

Deschidem fereastra TOOLS n care activm opiunea DATA ANALYSIS.


Aici activm opiunea ANOVA:TWO-FACTOR WITH REPLICATION n care declarm
blocul de celule cu date A1:D5 i numrul p = 2 de repetiii (replicate).
Rezultatele se gsesc fie n foaia de calcul Nr. 2, fie tot n foaia de calcul Nr. 1, prin
declararea ca celule de rezultate, a altor celule dect cele din blocul de date A1:D5

4.3 ANALIZA VARIANEI BIFACTORIAL IERARHIC


NEBALANSAT N POPULAII OMOGENE
n populaia statistic lum ca obiect de studiu un caracter msurabil Z fa de care
exemplarele populaiei au media . Fie alte dou caractere X, Y asociate cu exemplarele populaiei
n mod ierarhizat. Caracterul X are m variante (doze, nivele, tratamente) notate X(1),, X(m) i
n cadrul fiecrei variante X(i), caracterul Y are subvariabilele Y(i, 1),, Y(i, n(i)).
Caracterele X, Y se numesc factori ierarhizai i constituie criterii de clasificare succesiv,
mai nti n m subpopulaii care corespund variantelor X(1),, X(m), fiecare din aceste
subpopulaii se mparte la rndul ei n subsubpopulaii care corespund subvariantelor Y(i, j).
140

Mediile pe subpopulaii relativ la caracterul Z sunt (1),, (m) iar mediile pe


subsubpopulaii relativ la Z sunt:
(1, 1),, (1, n(1))

(m, 1),, (m, n(m)).


Efectele principale ale factorului X sunt X (i) (i) , iar efectele principale ale
factorului Y sunt Y (i, j ) (i, j ) (i) .
m

Avem

X (i) 0;
i 1

m n( m)


i 1 j 1

(i, j ) 0.

2
Subpopulaiile dup X se presupun normale cu mediile (i) i aceeai varian ( E ) iar
subsubpopulaiile dup Y n cadrul lui X se presupun normale cu mediile (i, j) i aceeai varian
2 (E) .
m

Extragem n mod ntmpltor din subpopulaii m n(i ) sondaje (probe, eantioane) de


i 1

volume p(i, j); (i = 1,, m), (j = 1,, n(m)).


Datele relative la Z din aceste sondaje, le numim repetiii (replicate) i le notm cu Z(i, j, k),
(i = 1,, m; j = 1,, n(m); k = 1,, p(m, n(m)).
Forma general a modelului liniar ierarhizat este:
Z (i, j, k ) X (i) Y (i, j ) e(i, j, k )
unde e(i, j, k) sunt variabile aleatoare normale cu media 0 i variaia 2 ( E ) .
Ca i la analiza variaiei bifactorial complet din seciunea 4.1.2, modelul poate fi cu efecte
fixe, cu efecte aleatoare sau mixt dar n cazul ierarhic lipsete interaciunea X Y .
a) n cazul modelului cu efecte fixe verificm ipotezele:
1)
H X : (1) .......... (m) fa de H X : (1) .......... (m) ;
2)
H Y : (i, j ) (i) fa de HY : (i, j ) (i) .
b) n cazul modelului cu efecte aleatoare verificm ipotezele:
1)
H X : 2 ( X ) 0 fa de H X : 2 ( X ) 0;
2)

HY : 2 (Y ) 0 fa de

H Y : 2 ( Y ) 0.

n toate cazurile, datele mpreun cu calculele de sume i medii de repetiii pe variante,


subvariante i total, se trec n urmtorul tabel:
Repetiii Z
Z(i, j, p(i, j))
X
Variante
Y
(X(1), Y(1, 1))
Z(1, 1, 1),.,Z(1, 1, p(1, 1))
.
.
.
(X(1), Y(1,n(1)) Z(1,n(1),1),,Z(1,n(1),p(1,n(1)))
.
.
.

.
.
.

141

Medii pe
subvar. Y

Medii pe Media
var. X
total

MZY (1,1)
.
.
.
MZY (1, n(1))
.
.
.

MZ X (1)

.
.
.

MZT

(X(m), Y(m, 1))


.
.
.
(X(m), Y(m, n(m))

Z(m, 1, 1),...,Z(m, 1, p(m, 1))


.
.
.
Z(m, n(m), 1),,Z(m, n(m), p(m, n(m)))

MZY (m,1)
.
.
MZ X (m)
.
MZY (m, n(m))

Notaii:
m n (i )

n(i )

i 1 j 1

j 1

i 1

pT p(i, j ); p x (i ) p(i, j ); nT n(i ).


Calcule:
a) SPA i GL:
m n (i ) p (i , j )

SPAT

[Z (i, j, k ) MZ

i 1 j 1 k 1

m n (i ) p (i , j )

i 1 j 1 k 1

S 2T
Z (i, j, k )
cu GLT pT 1
pT
2

grade de libertate;

S 2 X (i ) S 2T
SPAX pX (i )[ MZ X (i ) MZT ]

cu GLX m 1 grade de
pT
i 1
i 1 p X (i )
m

libertate;

S 2 Y (i, j ) m S 2 X (i)

p
(
i
,
j
)
j 1
i 1 p X (i )

m n (i )

m n (i )

i 1 j 1

i 1

SPAY p(i, j )[ MZ Y (i, j ) MZ X (i)]2


GLY nT m grade de libertate;
m n (i ) p (i , j )

m n (i ) p (i , j )

i 1 j 1 k 1

i 1 j 1 k 1

SPAE

[Z (i, j, k ) MZY (i, j)]2

S 2 Y (i, j )
j 1 p (i, j )

m n (i )

Z 2 (i, j, k )
i 1

= SPAT SPAX SPAY cu GLE pT nT GLT GLX GLY


b) S2:

S2X

SPAX
;
m 1

S 2Y

SPAE
SPAX
2
; S E
pT nT
nT m;

c) F:

S2X
S 2Y
[
m

1;
n

m
]
GL
;
cu
cu

1
F

Y
T
S 2Y
S 2E 1
Datele de la punctele a) - c) se trec n tabelul:
FX

[nT m; pT m]GL .

Sursa de
variaie
X
Y

SPA

GL

S2

SPAX
SPAY

m-1

S2X
S 2Y

FX
FY

SPAE

S 2E

SPAT

nT m
pT nT
pT 1

142

cu

Rapoartele Fisher Fx, Fy se compar cu valorile critice F0.05 ; F0.01; F0.001 extrase din tabelele
4, 5, 6 din Anex, pentru perechile de grade de libertate corespunztoare i se accept sau se resping
ipotezele formulate mai sus.
Printr-un calcul asemntor cu cel din teorema 4.1 obinem relaiile:
M (S 2 X ) a(1,1) 2 ( X ) a(1,2) 2 ( Y ) 2 ( E)
1)
2)

M (S 2 X ) a(2, 2) 2 (Y ) 2 ( E)

3)

M (S 2 X ) 2 ( E)

unde:

1
1 m 2
a(1,1)
[ pT
( p X (i ))];
m 1
pT i1
m
1
1 n (i ) 2
1 m n (i ) 2
a(1, 2)
[
( p (i, j ))
( p (i, j )];
m 1 i 1 p X (i) j 1
pT i 1 j 1
m
1
1 n (i ) 2
a(2, 2)
[ pT
( p (i, j ))].
nT m
p
(
i
)
i 1
j 1
X

Cu aceti coeficieni alctuim tabelul componentelor de varian:

M (S 2 )

2 ( X )

2 ( Y )

2 (E)

M (S 2 X )

a(1,1)

a(1,2)

M (S 2 Y )

a(2,2)

M (S 2 E )

Avem estimatorii:

*2 ( E ) S 2 E ;
SY2 S E2
(Y )
a(2, 2)
S 2 X a(1, 2) *2 (Y ) S 2 E
*2
( X )
a(1,1)
*2

n cazul balansat avem: p(i, j) = p; p X (i) np; n(i) = n; nT = mn;


Tabelul cu componentele de varian are forma:

pT mnp.

M (S 2 )

2 ( X )

2 ( Y )

2 (E)

M (S 2 X )

np

M (S 2 Y )

M (S 2 E )

143

Exemplu:
Fie X = genotip vier; Y = genotip scroaf i Z = greutatea la ftare a purceilor (Kg); lum m
= 2 variante X X 1 (martor), X 2 (elit) i lum n = 2 subvariante Y pentru fiecare variant X:
Y11 (martor), Y12 (elit) respectiv Y21 (martor), Y22 (elit).
Pentru fiecare variant X i fiecare subvariant Y lum cte p = 3 repetiii Z (purcei rezultai
din ncruciarea variantelor paterne cu subvariantele materne). Avem tabelul cu date:
Repetiii Z
Z(i, j, k)
Variante

Medii pe
subvariante Y

Medii pe
variante X

MZ Y (1,1) 1
MZ Y (1,2) 1.1
MZ Y (2,1) 1.2
MZ Y (2,2) 1.3

MZ X (1) 1.05

Media
total

X
Y

0.9; 1; 1.1
1; 1.1; 1.2

( X 1 , Y11 )
( X 1 , Y12 )
( X 2 , Y21 )
( X 2 , Y22 )

1.2; 1.2; 1.2


1.1; 1.4; 1.4

MZ X (2) 1.25

MZ T 1.15

Etape de calcul:
a) SPA i GL:
m

SPAT [ Z (i, j, k ) MZ T ]2 0.25 cu GLT = mnp 1 = 11 GL;


i 1 j 1 k 1
m

SPAY p[ MZ Y (i, j ) MZ X (i)]2 0.03 cu GLY = m(n - 1) = 2 GL;


i 1 j 1
m

SPAX np [ MZ X (i) MZ T ]2 0.12 cu GLX = m 1 = 1 GL;


i 1

SPAE SPAT SPAX SPAY 0.10 cu GLE GLT GLX GLY 8GL .

b) S2:
S2X

SPAX
SPAY
SPAE
0.1200; S 2 Y
0.0150; S 2 E
0.0125.
GLX
GLY
GLE

c) F:
S2X
FX 2 8 cu (1; 2) GL
S Y
S 2Y
FY 2 1.2 cu (2; 8) GL
S E
Din tabelele Fisher 4, 5, 6 din Anex, pentru (1; 2) GL avem valorile critice F0.05 18.51;
F0.01 98.5; F0.001 998.5.
Cum FX F0.05 rezult c influena variaiei lui X asupra variaiei lui Z este
nesemnificativ.
Din tabelele Fisher 4, 5, 6 din Anex, pentru (2; 8) GL avem valorile critice F0.05 4.46;
F0.01 8.65; F0.001 18.41.
Cum FY F0.05 rezult c influena variaiei lui Y asupra variaiei lui Z este nesemnificativ.

144

Tabelul sintetic de analiz a varianei este:


Sursa de
Variaii
Grade de
variaie
ptratice (SPA)
libertate (GL)
X
0.12
1

Variane
(S2)
0.1200

Rap.
Fisher (F)
8

0.03

0.0150

1.2

0.10

0.0125

0.25

11

Indicii de corelaie sunt:

Ic ( X )

SPAX
0.693 ;
SPAT

I c ( y)

SPAY
0.500 .
SPAX

Aporturile variaiei lui X, Y, E la variaia lui Z egal cu 100%, vor fi:


SPAX
SPAY
SPAE
AX
48%; AY
12%; A E
40%.
SPAT
SPAT
SPAT

4.4 PLANURI EXPERIMENTALE N POPULAII NEOMOGENE


4.4.1 Planul blocurilor complete randomizate
n seciunile 4.1 - 4.3 s-a presupus c populaia este omogen n raport cu nsuirea
cantitativ Y luat n studiu.
Populaia omogen s-a mprit n mod aleator n m subpopulaii omogene asociate cu
variantele X1,, Xm. Din fiecare subpopulaie s-au extras n mod aleator blocurile de repetiii
Y1j,, Ymj care corespund variantelor X1,, Xm. Din acest motiv aranjamentul folosit se numete
plan complet randomizat.
Dac populaia este neomogen, presupunem c se poate mpri n l subpopulaii, omogene
n raport cu nsuirea Y luat n studiu.
Materialul experimental va fi i el neomogen fiind constituit din l sondaje din cele l
subpopulaii, fiecare sondaj fiind format din m repetiii corespunztor celor m variante ale unei alte
nsuiri X asociat populaiei, notate X(1),..., X(m).
Fiecare din cele l sondaje omogene de cte m repetiii, l vom numi bloc. Blocurile se
numesc complete dac conin exact attea repetiii cte variante are factorul X i anume m.
Blocurile se numesc randomizate deoarece n fiecare bloc se aplic n mod aleator cte o variant a
factorului X pentru fiecare repetiie a blocului.
Exemple de blocuri naturale: sex, soi, ras, hibrid, exemplar, loc, perioad de timp etc.
Desemnm fiecare repetiie printr-o casu n care notm varianta aplicat X(i) i rspunsul
repetiiei Y(i; j). Un mod posibil de randomizare se asigur prin permutri circulare ale variantelor
de la un bloc la altul dup schema:
B(1)
X(1)
X(2)
X(m)
Y(1; 1)
Y(2; 1)
Y(m; 1)
B(2)
X(m)
X(1)
X(m - 1)
Y(m; 2)
Y(1; 2)
Y(m - 1; 2)

B(l)

X(m l + 2)
Y(m l + 2; l)

X(m l + 3)
Y(m l + 3; l)
145

X(m l + 1)
Y(m l + 1; l)

Rspunsurile Y(i; j) se rearanjeaz n tabelul de mai jos pentru a fi prelucrat prin analiza
varianei bifactorial complet (cu factori X, B) balansat, cu o repetiie n fiecare celul (p(i; j) = 1).
Repetiii Y
Variante (X,B)
(X(1); B(1))

(X(1); B(l))

(X(m); B(1))

(X(m); B(l))

Yi j

Medii pe
variante X

Medii pe
blocuri B

Media
total

MYX(1)
.
.
.
.
.
MYX(m)

MYB(1)
.
.
.
.
.
MYB(l)

MYT

Y(1; 1)

Y(1; l)

Y(m; 1)

Y(m; l)

Etape de calcul:
a) SPA i GL:
m

SPAT Y i;j -MYT cu GLT = ml - 1 grade de libertate;


i=1 j=1

SPA X l [MYX (i)-MYT ]2 cu GLX = m - 1 grade de libertate;


i=1
l

SPA B m[MYB (j)-MYT ]2 cu GLB = l - 1 grade de libertate;


j=1

SPAE SPAT -SPAX -SPAB cu GLE = GLT - GLX - GLB = (m - 1)(l - 1) grade de
libertate;
b) S2:

S2X

SPA X 2 SPA B 2
SPA E
; SB
; SE
m-1
l -1
m-1 l -1

c) F:

S2X
FX 2 1 cu [m - 1; (m - 1)(l - 1)]GL
SE
S2B
FB 2 1 cu [l - 1; (m - 1)(l - 1)]GL
SE
Valorile precedente se trec n tabelul sintetic de analiz a varianei:
Sursa de
variaie
X

SPA

GL

S2

SPAX

m-1

S2X

FX

SPAB

l-1

FB

SPAE

(m - 1)(l - 1)

S2B
S2E

SPAT

ml - 1

146

Valorile FX i FB se compar cu valorile critice F0.05, F0.01 i F0.001 extrase din tabelele 4, 5, 6
din Anex, pentru perechile de grade de libertate corespunztoare.
Se accept sau se resping ipotezele:
1) HX : X (1) X m fa de alternativa: HX : X (1) X m
2) HB: B (1) B l fa de alternativa: HB: B (1) B l
Exemplu:
X = proteina digestibil n raia porcilor (g/zi)
Y = sporul lunar n greutate al porcilor (Kg)
Populaia este neomogen n raport cu Y dar se poate mpri n l = 2 blocuri omogene:
B1(Landrace) i B2(Marele Alb).
Lum m = 3 variante X: X1(250 g/zi); X2(275 g/zi) i X3(300 g/zi) deci fiecare bloc va
conine cte m = 3 repetiii (bloc complet). n fiecare bloc variabilele X se distribuie n mod aleator
(bloc randomizat):
B(1)
X(1)
X(2)
X(3)
15
17
19
B(2)
X(3)
X(1)
X(2)
20
14
18
Datele precedente se rearanjeaz pe variante (X, B) n tabelul:
Repetiii Y
Variante (X, B)
(X1; B1)
(X1; B2)
(X2; B1)
(X2; B2)
(X3; B1)
(X3; B2)

Yi j
15
14
17
18
19
20

Medii pe
variante X

Medii pe
blocuri B

Media
total

MYX(1) = 14.5
MYB(1) = 17
MYX(2) = 17.5

MYT = 17.165
MYB(2) = 17.33

MYX(3) = 19.5

Etape de calcul:
a) SPA i GL:
SPAT = 26.833 cu GLT = 5 GL;
SPAX = 25.333 cu GLX = 2 GL;
SPAB = 0.166 cu GLB = 1 GL;
SPAE = SPAT - SPAX - SPAB = 1.334 cu GLE = GLT - GLX - GLB = 2 GL;
b) S2:

S2X

SPA X
SPAB
SPAE
12.667; S2B
0.166; S2E
0.667
GLX
GLB
GLE

c) F:

S2X
FX 2 19 cu (2; 2) GL
SE
S2B
1 S2E
FB 2 1 deci

9.02 cu (2; 1) GL
SE
FB SB2
147

Din tabelele Fisher 4, 5, 6 din Anex, pentru (2; 2) GL avem valorile critice F 0.05 = 19,
F0.01 = 99 i F0.001 = 999.
Cum F0.05 = FX < F0.01 influena variaiei lui X asupra variaiei lui Y este semnificativ,
aadar FX = 19*.
Cum FB < 1 influena variaiei blocului B asupra variaiei lui Y este nesemnificativ.
Tabelul sintetic de analiz a variaiei este:
Variaii
ptratice (SPA)
25.333
0.166
1.334
26.833

Sursa de
variaie
X
B
E
T

Grade de
libertate (GL)
2
1
2
5

Variane
(S2)
12.667
0.166
0.667
-

Rapoarte
Fisher (F)
19*
4.02
-

Indicii de corelaie sunt:

Ic ( X )

SPA X
SPA B
0.972*; Ic ( B)
0.079
SPAT
SPA T

Aporturile variaiei lui X, B i E la variaia lui Y egal cu 100%, sunt:

AX

SPA X
SPA B
94.4%; A B
0.6%
SPA T
SPA T

A E 1-A X -A B 5%
Calculele precedente privitoare la analiza varianei bifactorial complet balansat cu cte o
repetiie n celul, pot fi fcute n EXCEL astfel:
Depunem n foaia de calcul Nr. 1 datele n blocul de celule A1:D3 astfel:
A
1
2
3

B1
B2

B
X1
15
14

C
X2
17
18

D
X3
19
20

Deschidem fereastra TOOLS n care activm opiunea DATA ANALYSIS. Aici activm
opiunea ANOVA:TWO-FACTOR WITHOUT REPLICATION n care declarm blocul de celule
cu date A1:D3.
Rezultatele se gsesc fie n foaia de calcul Nr. 2, fie tot n foaia de calcul Nr. 1, prin
declararea ca celule de rezultate, a altor celule dect cele din blocul de date A1:D3
4.4.2 Planul ptratelor i dreptunghiurilor latine
Un ptrat latin l x l, (l 2) este un aranjament de l2 litere latine mari n form de ptrat cu
laturile de l litere astfel c pe fiecare linie i pe fiecare coloan a ptratului, fiecare liter apare
odat i numai odat.

148

Exemple:
Ptrat 2 x 2
A
B

B
A

Ptrat 3 x 3
A
C
B

B
A
C

Ptrat 4 x 4
C
B
A

A
D
C
B

B
A
D
C

C
B
A
D

D
C
B
A

Dou sau mai multe ptrate latine l x l se pot alipi dup linii sau dup coloane dnd natere
la un dreptunghi latin.
Exemple:
A
B
C
D

B
A
D
C

A
B

B
A

C
D

D
C

Planul n ptrate latine rezult din combinarea a dou planuri n blocuri complete
randomizate, blocurile primului plan fiind liniile ptratelor iar blocurile celui de al doilea plan
fiind coloanele ptratelor.
Numrul l al repetiiilor fiecrui bloc-linie este egal cu numrul repetiiilor fiecrui bloccoloan i este divizor al numrului m al variantelor factorului X.
Randomizarea variantelor factorului X, notate cu X(1), , X(m) puse n locul literelor
latine, se asigur prin faptul c n fiecare ptrat latin fiecare variant a lui X se aplic odat i numai
odat repetiiei din fiecare linie i din fiecare coloan.
Desemnm fiecare repetiie printr-o csu n care notm varianta aplicat X(i) i rspunsul
la ea Y(i; j; k).
Randomizarea este asigurat prin permutri circulare ale variantelor de la o linie (coloan) la
alta conform structurii ptratului latin. Rezultatele se valorific prin analiza varianei trifactorial
complet (X, L, C) cu p(i; j; k) = 1 repetiii n celul.

L(1)
L(2)

L(l)

C(1)

C(2)

C(l)

X(1)
Y(1; 1; 1)
X(m)
Y(m; 2; 1)

X(2)
Y(2; 1; 2)
X(1)
Y(1; 2; 2)

X(m)
Y(m; 1; l)
X(m - 1)
Y(m - 1; 2; l)

X(2)
Y(2; l; 1)

X(3)
Y(3; l; 2)

X(1)
Y(1; l; l)

149

Din ptratele sau dreptunghiurilor latine, datele se rearanjeaz pe variante (X, L, C) n


tabelul:
Repetiii Y
Variante (X, L, C)
(X(1);L(1);C(1))

(X(m);L(1);C(1))

(X(m);L(l);C(1))

(X(m); L(l);C(l))

Y(i, j, k)
Y(1; 1; 1)

Y(m; 1; 1)

Y(m; l; 1)

Y(m; l; l)

Medii pe
variante X

Medii pe
linii L

Medii pe
coloane C

MYX(1)
.
.
.
.
MYX(m)

MYL(1)
.
.
.
.
MYL(l)

MYC(1)
.
.
.
.
MYC(l)

Etape de calcul:
a) SPA i GL:
m

SPA T Y i;j;k -MYT cu GLT = ml - 1 grade de libertate;


i=1 j=1 k=1
m

SPA X l [MYX (i)-MYT ]2 cu GLX = m - 1 grade de libertate;


i=1

SPA L m [MYL (j)-MYT ]2 cu GLL = l - 1 grade de libertate;


j=1
l

SPAC m [MYC (k)-MYT ]2 cu GLC = l - 1 grade de libertate;


k=1

SPAE SPAT -SPAX -SPAL -SPAC cu GLE = GLT - GLX - GLL - GLC =
= (l - 1)(m - 2) grade de libertate;
b) S2:
SPA X 2 SPA L 2 SPAC 2
SPA E
S2X
; SL
; SC
; SE
m-1
l -1
l -1
l -1 m-2
c) F:
S2
FX X2 1 cu [m-1;(l-1)(m(l+1)-2)]GL
SE
FL

S2L
1 cu [l-1;(l-1)(m(l+1)-2)]GL
S2E

SC2
1 cu [l-1;(l-1)(m(l+1)-2)]GL
S2E
Mrimile precedente se trec n tabelul sintetic de analiz a varianei:
FC

Sursa de
variaie
X

SPA

GL

S2

SPAX

m-1

S2X

FX

SPAL

l-1

FL

SPAC

SPAE

S2L
l-1
SC2
(l 1)[m(l 1) - 2] S2
E

SPAT

ml2 - 1

150

FC
-

Media
total

MYT

Valorile FX, FL i FC se compar cu valorile critice F0.05, F0.01 i F0.001 extrase din tabelele 4,
5, 6 din Anex, pentru perechile de grade de libertate corespunztoare.
Se accept sau se resping ipotezele:
1) HX : X (1) X m fa de alternativa HX : X (1) X m
2) HL : L (1) L l fa de alternativa HL : L (1) L l
3) HC : C (1) C l fa de alternativa HC : C (1) C l
n compararea a dou planuri experimentale se folosete eficiena relativ Fisher:
S2E2 GLE2 1 SE2 1 GLE1 1
e %
:
GLE2 3
GLE1 3

unde S i S sunt varianele erorilor celor dou planuri experimentale iar GLE1 i GLE2 sunt
2
E1

2
E2

gradele de libertate ale acestora.


Exemplu:
X = proteina digestibil n raia porcilor la ngrat (g/zi)
Y = sporul lunar n greutate al porcilor (Kg)
Populaia este neomogen n raport cu Y dar se poate mpri n l = 2 blocuri-linie:
L1(Landrace) i L2(Marele Alb) i n l = 2 blocuri-coloan: C1(vrst 6 luni) i C2(vrst 7 luni).
Lum m = 4 variante X: X1(250 g/zi); X2(270 g/zi); X3(290 g/zi) i X4(310 g/zi).
Datele se trec n dou ptrate latine care prin alipire dup linii/coloane, constituie un
dreptunghi latin:
C1
X1
10
X2
12

L1
L2

C2
X2
12
X1
12

L1
L2

C1
X3
13
X4
15

C2
X4
14
X3
16

Datele precedente se rearanjeaz pe variante (X, L, C) n tabelul:


Repetiii Z
Variante
(X, L, C)
(X1; L1; C1)
(X1; L2; C2)
(X2; L1; C2)
(X2; L2; C1)
(X3; L1; C1)
(X3; L2; C2)
(X4; L1; C2)
(X4; L2; C1)

Z1

Medii pe
variante X

10
12
12
12
13
16
14
15

MYX(1) = 11

Medii pe
linii L

Medii pe
coloane C

Media
total

MYX(2) = 12
MYX(3) = 14.5

MYL(1) = 12.25 MYC(1) = 12.5


MYL(2) = 13.75 MYC(2) = 13.5

MYX(4) = 14.5

151

MYT = 13

Etape de calcul:
a) SPA i GL:
SPAT = 26 cu GLT = 7 GL;
SPAX = 19 cu GLX = 3 GL;
SPAL = 4.5 cu GLL = 16 GL;
SPAC = 2 cu GLC = 1 GL;
SPAE = SPAT-SPAX-SPAL-SPAC = 0.5 cu GLE = GLT-GLX-GLL-GLC = 2 GL;
b) S2 :
SPAC
SPA X
SPA L
SPAE
S2X
6.33; S2L
4.5;SC2
2; SE2
0.25
GLX
GLL
GLC
GLE
c) F:
S2
FX X2 25.32 cu (3; 2) GL
SE
FL

S2L
18 cu (1; 2) GL
S2E

FC

SC2
8 cu (1; 2) GL
S2E

Din tabelele Fisher 4, 5, 6 din Anex, pentru (3; 2) GL avem valorile critice F0.05 = 19.6,
F0.01 = 99.17 i F0.001 = 999.20.
Cum F0.05 = FX < F0.01 influena variaiei lui X asupra variaiei lui Y este semnificativ,
aadar FX = 25.32*.
Din tabelele Fisher 4, 5, 6 din Anex, pentru (1; 2) GL avem valorile critice F0.05 = 18.51,
F0.01 = 98.50 i F0.001 = 998.50
Cum FL, FC < F0.05 influena variaiei lui L i C asupra variaiei lui Y este nesemnificativ.
Tabelul sintetic de analiz a varianei este:
Sursa de
variaie
X
L
C
E
T

Variaii
ptratice (SPA)
19
4.5
2
0.5
26

Grade de
libertate (GL)
3
1
1
2
7

Variaie
(S2)
6.33
4.5
2
0.25
-

Rapoarte
fisher (F)
25.32*
18
8
-

Indicii de corelaie sunt:


SPAC
SPA X
SPA L
Ic ( X )
0.855*; Ic ( L)
0.416; Ic (C )
0.277
SPAT
SPAT
SPAT
Aporturile variaiei lui X, L, C i E la variaia lui Y egal cu 100%, sunt:
SPA X
SPA L
AX
73.1%; A L
17.3%
SPA T
SPA T
AC

SPA C
7.7%; A E 1-A X -A L -A C 1.9%
SPA T

152

n exemplul rezolvat n seciunea 4.3.1 (planul blocurilor complete randomizate) am gsit


S 0.667 cu n1 = 2 GL iar n exemplul de mai sus (planul ptratelor latine) am gsit S2E2 0.25
cu n2 = 2 GL deci:
S2E2 GLE2 1 S2E1 GLE1 1
e %
:
2.4 240%
GLE2 3
GLE1 3
2
E1

Aadar planul ptratelor latine este de 2.4 ori mai eficient ca planul blocurilor complete
randomizate.

4.5 REZUMAT
n acest capitol se prezint analiza varianei mono i bifactorial (complet i ierarhic)
nebalansat n populaii omogene. Se prezint i planurile experimentale (blocuri complete
randomizate, ptrate i dreptunghiuri latine) n populaii neomogene care se valorific prin analiza
varianei polifactorial balansat.

4.6 NTREBRI
1.
2.
3.
4.

Care este ideea fundamental a analizei varianei?


Prin ce se deosebete analiza varianei bifactorial complet de cea ierarhic?
Cum se asigur randomizarea n planurile experimentale?
Ce este eficiena relativ Fisher a dou planuri experimentale?

4.7 BIBLIOGRAFIE
1. D. Ene, M. Drghici, I.N. Alecu: Statistic aplicat n agricultur, Ed. Ceres, 2003
2. M. Iosifescu i col.: Mic enciclopedie de statistic, Ed. tiinif. i Enciclop., 1985
3. Anuarul statistic al Romniei, 1990 - 2009

153

CAPITOLUL 5. CORELAIA I REGRESIA NTRE CARACTERE


Obiective: nsuirea de ctre studeni a conceptelor de corelaie i regresie mono i
polifactorial ntre caractere, liniar i neliniare precum i tehnicilor de prognoz efectuate pe baza
lor.
Coninut:
5.1 Corelaia i regresia monofactorial liniar
5.1.1 Cazul observaiilor perechi (xi, yi)
5.1.2 Cazul observaiilor multiple (xi, yij)
5.1.3 Cross - corelaia i autocorelaia seriilor de timp
5.2 Corelaii i regresii monofactoriale neliniare
5.2.1 Corelaia i regresia monofactorial polinomial
5.2.2 Corelaia i regresia monofactorial trigonometric
5.2.3 Corelaia i regresia monofactorial polinomial-trigonometric
5.3 Corelaii i regresii polifactoriale
5.3.1 Corelaia i regresia polifactorial liniar pentru cazul a 2 + 1 caractere
5.3.2 Corelaia i regresia polifactorial liniar pentru cazul a m + 1 caractere
5.3.3 Corelaia i regresia polifactorial polinomial de grad p fr interaciuni
pentru cazul a m + 1 caractere
5.3.4 Corelaia i regresia polifactorial polinomial de grad 3 cu interaciuni pentru
cazul a m + 1 caractere
5.4 Rezumat
5.5 ntrebri
5.6 Bibliografie
Cuvinte cheie: covarian, coeficient de corelaie liniar, coeficieni de regresie liniar,
raport de corelaie neliniar, coeficieni de regresie neliniar, cross-corelaie i autocorelaie.
Msura cantitativ a influenei variaiei unui factor controlat X asupra variaiei factorului Y,
se numete corelaie ntre X i Y iar funcia care stabilete dependena cantitativ a lui Y i X se
numete funcie de regresie a lui Y dup X.
Din populaie se aleg n exemplare pe care se msoar nsuirile cantitative X i Y obinnd
perechile de date de sondaj (x1, y1), , (xn, yn).
Se reprezint grafic n raport cu axele Ox, Oy punctele de coordonate (x1, y1), , (xn, yn)
obinnd un nor de puncte n planul Oxy. Dup forma acestui nor de puncte funcia de regresie
poate fi liniar (rectilinie) sau neliniar (curbilinie). Norul de puncte se poate reprezenta grafic cu
produsele informatice EXCEL i TCWIN.

5.1 CORELAIA I REGRESIA MONOFACTORIAL LINIAR


5.1.1 Cazul observaiilor perechi (xi, yi)
Din datele de sondaj calculm urmtorii indicatori statistici de sondaj:
a) Indicatorii de sondaj proprii fiecrui caracter:
I)
Mediile de sondaj:
1
1
MX = X X i ; MY = Y Yi ;
n
n
154

II)

Varianele de sondaj:

S2X

1
Xi X 2 ; S2Y 1 Yi Y 2 ;

n 1
n 1

III)

Abaterile standard de sondaj:

SX S2X ; SY S2Y ;
IV)

CX

Coeficienii de variabilitate de sondaj:

SX

.100(%); CY

SY

.100(%)
X
Y
Definiiile, calitile i defectele acestor indicatori proprii au fost date n seciunea 2.2.
b) Indicatorii de sondaj de legtur ntre caractere:
V)

Covariana de sondaj: SXY

1
Xi X Yi Y ;
n 1

Covariana de sondaj este o msur a legturii statistice a caracterelor X, Y fiind o medie a


produselor ntre abaterile valorilor de sondaj Xi fa de X i abaterile valorilor de sondaj Yi fa de Y .
Caliti:
1) Covariana SXY are o valoare mrginit fiind cuprins n intervalul [-SXSY; + SXSY].
Dac SXY > 0; Xi, Yi cresc sau scad simultan iar dac SXY < 0; cnd Xi cresc, Yi scad i
reciproc.
Dac SXY = 0; Xi, Yi nu sunt corelate liniar.
2

Observm c SXX = S X ; SYY = S Y .


Defecte:
2) Covariana SXY are uniti de msur egal cu produsul unitilor de msur ale lui X i
Y deci nu permite comparaii ntre perechile de caractere.
3) Covariana SXY este sensibil la nmulirea i mprirea datelor (seciunea 7.2).
4) Covariana de sondaj SXY singur nu poate aprecia intensitatea legturii statistice ntre
caracterele X, Y.
Coeficientul de corelaie liniar de sondaj
S XY
(vezi teorema 5.2 de mai jos)
R
S X SY
Acest coeficient este o msur standardizat a legturii statistice ntre caracterele X, Y
VI)

Caliti (vezi seciunea 1.2):


1) Coeficientul R este standardizat: R [-1; 1];
2) Coeficientul R nu are uniti de msur deci permite comparaii ntre perechile de
caractere;
3) Coeficientul R nu este sensibil la codificarea datelor;
4) Coeficientul R poate aprecia intensitatea legturii statistice a caracterelor X, Y (vezi
teorema 5.2, punctul 3).
Dac X1,, Xn sunt depuse n celulele A1:An din coloana A n EXCEL iar Y1,, Yn sunt
depuse n celulele B1:Bn din coloana B, atunci covariana Sxy este dat de funcia EXCEL scris n
155

celula C1: = COVAR((A1:An),(B1:Bn)) iar coeficientul de corelaie liniar R este dat de funcia
EXCEL scris n celula C2: = CORREL((A1:An),(B1:Bn)).
Valorea lui Sxy poate fi obinut n EXCEL i prin deschiderea ferestrei TOOLS n care
activm opiunea COVARIANCE n care declarm celulele A1:An, B1:Bn n care se gsesc datele.
Valoarea lui Sxy se obine fie n foaia de calcul Nr. 2 fie tot n foaia de calcul Nr. 1 n care se gsesc
datele, prin declararea ca celule de rezultate a altor celule dect cele din blocul de date A1:Cn.
Coeficientul de corelaie liniar R se obine exact ca i Sxy, dac n DATA ANALYSIS
activm opiunea CORRELATION.
Uneori mai importante dect valorile Xi, Yi ale nsuirilor X, Y sunt rangurile lor n
ordonarea dup mrime.
n cazul nsuirilor X, Y calitative se cunosc numai asemenea ranguri n clasificarea dup un
anumit criteriu.
Notm cu d diferena rangurilor a dou nsuiri X, Y ale aceluiai exemplar, coeficientul de
corelaie a rangurilor ntr-un sondaj de n perechi de ranguri, capt forma:
6(d12 ... d n2 )
R 1
n(n2 1)
Privind perechea de caractere X, Y ca un vector Z = (X, Y), acesta are indicatorii de sondaj:
1) Vectorul medie de sondaj: M(Z) = ( X , Y )
2) Matricea de covarian de sondaj:

S2X SXY

C( Z)
2
S
YX SY
3) Matricea de corelaie liniar de sondaj:
1 R
L( Z )

R 1
VII) Coeficienii de regresie liniar de sondaj:

SXY
2 daca regresia este cu termen liber (B0 0)
B1 SX
X Y / X daca regresia este fara termen liber (B 0)
0
i i i
Y B1 X daca regresia este cu termen liber (B0 0)
B0
0 daca regresia este fara termen liber (B0 0)
ntre coeficientul de corelaie liniar R i coeficientul de regresie B 1 exist relaia:
B 1 = R.(S Y /S X )
Coeficienii B1 i B0 de sondaj sunt o msur a legturii bijective a caracterelor X, Y dat de
ecuaia Y = B0 + B1X.
Aceasta reprezint grafic dreapta de regresie care trece prin centrul de greutate ( X , Y ) al
norului de puncte cci Y = Y + B1(X - X ).
n legtura de tip statistic ntre X, Y se poate asocia o valoare a lui X cu mai multe valori
ale lui Y i o valoare a lui Y poate corespunde cu mai multe valori ale lui X.
n legtura de tip funcional ntre X, Y, nu se poate asocia o valoare a lui X cu mai multe
valori ale lui Y dar o valoare a lui Y poate corespunde cu mai multe valori ale lui X.
n legtura de tip bijectiv ntre X, Y fiecare valoare a lui X se asociaz cu o valoare unic
a lui Y i fiecare valoare a lui Y corespunde unei valori unice a lui X (coresponden 1 - 1).
156

Legtura din tabelul:


xi
yi

2
8

3
10

3
11

4
14

5
14

6
20

este de tip statistic cci lui x = 3 i se asociaz y = 10 i y = 11 iar y = 14 se corespunde cu x = 4 i x = 5.


Legtura din tabelul:
xi
yi

1
8

2
10

3
11

4
14

5
14

6
20

este de tip funcional cci y = 14 se corespunde cu x = 4 i x = 5.


Legtura din tabelul:
xi
yi

1
8

2
10

3
11

4
14

5
15

6
20

este de tip bijectiv deoarece fiecare x este unic asociat cu un y unic.


Coeficientul de regresie B1 este egal cu

Y
deci B1 este valoarea marginal cu care
X

crete sau scade Y cnd X crete cu o unitate.


Termenul liber al regresiei B0 este valoarea- martor a lui Y cnd X = 0.
Caliti:
1) Coeficienii B0, B1 au valori mrginite:

Sy
Sy
Sy Sy

B1
;
X; Y
X
; B0 Y
SX
SX
SX SX

Defecte:
2) B0 i B1 au uniti de msur deci nu permit comparaii ntre perechi de caractere;
3) B0 este sensibil la codificarea datelor iar B1 la nmulirea i mprirea datelor;
4) Prognoza valorilor Y fcut pe baza dreptei de regresie Y = B0 + B1X este aproximativ.
Dac X1,, Xn sunt depuse n celulele A1:An din coloana A n EXCEL iar Y1,, Yn sunt
depuse n celulele B1:Bn din coloana B, atunci coeficientul de regresie liniar B1 este dat de funcia
EXCEL scris n celula C3: = SLOPE((A1:An),(B1:Bn)) iar termenul liber al regresiei B0 este dat de
funcia EXCEL scris n celula C4: = INTERCEPT((A1:An),(B1:Bn)).
Pentru prognoza valorii Y (0) = B0 + B1.X(0) se folosete funcia EXCEL scris n celula
C5: = FORECAST (X(0), (A1:An),(B1:Bn)).
Fundamentarea afirmaiilor din seciunea 5.1 se bazeaz pe teoremele care urmeaz:
Teorema 5.1
1) Dreapta de regresie Y = B0 + B1X are coeficienii dai de relaiile:
S XY
pt. B0 0
2
B1 S X
X Y / X 2 pt. B 0
0
i i i
157

2) Limea fiei de ncredere este:

n 1 1 R 2
SY t ; n - 2 GL
2
n n 2

Demonstraie:
1) Dac regresia este cu termen liber (B0 0) vom minimiza variaia rezidual cu
necunoscutele B0, B1:
SPAY.X = (y1 B1x1 B0)2 + + (yn B1xn B0)2 = minim
(metoda celor mai mici ptrate)
Anulnd derivatele pariale ale lui SPAY.X n raport cu B1, B0, obinem sistemul de ecuaii
normale cu necunoscutele B1, B0:
2

B1 x i B0 x i x i y i

B1 x i nB0 y i

S
Eliminnd B0 ntre cele dou ecuaii normale, gsim B1 XY , apoi din a II-a ecuaie
S2X

normal mprit cu n, gsim B0 = Y - B1. X


Ecuaia dreptei de regresie se scrie Y Y B1X B1 X adic Y - Y = B1(X - X )
deci dreapta de regresie Y = B0 + B1X trece prin centrul de greutate ( X , Y ) al norului de puncte
{(xi, yi); (i = 1, , n}.
Dac regresia este fr termen liber (B0 = 0) avem variaia rezidual minim:
SPAY.X = (y1 - B1x1)2 + + (yn B1xn)2 = minim.
Anulnd derivata lui SPAY.X n raport cu B1, gsim ecuaia normal necunoscut B1:

B1 Xi2 Xi Yi de unde B1 Xi Yi / Xi2 .

2Y X
2) Avem M(Y B0 B1X) = M(Y) B0 B1M(X) = 0 i V(Y B0 B1X) =
deci
n
Y B0 B1X
n este variabil N(0, 1).
variabila normat
YX
Variabila
notat

n 2 SY2 X

2
Y X

este variabil 2 cu n 2 GL, independent de variabila N(0, 1)

Y B0 B1X
n . De aici rezult c :
YX

n 2 SY2 X
t

Y B0 B1 X

Y X

n:

Y2 X
n2

De aici rezult: P t t t
2

Y B0 B1 X
SY X

n este variabil student cu n 2 GL.

1 adic intervalul de ncredere pentru Y B B X:


0

P Y B0 B1 X ; B0 B1 X 1 , unde

2
2

limit.
158

SY X
n

t /2;( n2)GL

este diferena

innd cont de demonstraia teoremei 5.2 avem:


2
Y X

2
2
2
SPAY X 1 R SPAY 1 R n 1 SY
, deci avem:

n2
n2
n2

n 1 1 R 2
SY t /2;( n2)GL
n n 2

Graficul dreptei de regresie cu fia de ncredere are forma:


2

D+

Y
D

Y
D-

D-

Aici dreptele D+, D, D- au ecuaiile:


D+:
Y = B0 + B1X +
2

D:

Y = B0 + B1X

D-:

Y = B0 + B1X -

Q.E.D.
2

Teorema 5.2
1) Coeficientul de corelaie liniar este dat de relaia: R

S XY
;
S X SY

2) Aporturile variaiei lui X, E la variaia lui Y sunt A X rXY ; AE = 1-AX


R
3) t
n 2 este variabil Student cu n 2 grade de libertate.
2
1 R
2

Demonstraie:

S
1) Dac B1 XY ; B0 = Y - B1 . X se verific prin calcul relaia:

Yi Y

S2X

B1Xi B0 Y Yi B1Xi B0 2 adic:


2

159

SPAY = SPAR + SPAY.X


cu n 1 = 1 + (n 2) grade de libertate.

(1)

Grafic variaiile ptratice din relaia (1) au forma:

Definim coeficientul de corelaie liniar R astfel:

R 1

SPAY X
SPAY

(2)

deci conform relaiei (1) avem:

SPAR

SPAY

B X B Y
Y Y
1

S
i nlocuind pe B1 XY ; B0 = Y - B1 X
S2X

(conform teoremei 5.1) rezult prin calcul: R

S XY
S X SY

160

Observm c:

SPAY X

SPAXY
1 R SPAY 1
SPAY
SPAX SPAY
2

SPA 2XY
SPA Y
SPA X

SPA Y X

adic:

(3)

2) innd cont de relaia (2) relaia (1) se scrie: SPAY R 2 .SPAY 1 R 2 .SPAY

sau 1 R 2 1 R 2 aa c AX = R2 (numit i determinaie) este aportul n procente al variaiei lui


X la variaia lui Y i AE = 1 R2 este aportul n procente al variaiei tuturor factorilor necontrolai
(numii Eroare) la variaia lui Y.
ntreaga variaie a lui Y este egal cu 100%.

SPA Y Yi Y
, variana regresiei

GL Y
n 1
2

3) Avem variana total a lui Y:

SPAY
S R2

GLY

liniare a lui Y dup X:

S2Y X

S2Y

B X
1

B0 Y

i variana rezidual a lui Y fa de X:

2
SPA Y X Yi B1X i B0

GL Y X
n2

S R2
Rezult variabila Fisher FX 2 cu (1; n 2) GL.
SY X

2
SPAR R 2 SPAY
SPAY X 1 R SPAY
2
SY X

Dar
i
deci
avem:
S

n2
n2
1
1
R2
1
R
cu (1; n - 2) GL i conform seciunii 1.2 t F
F
:
n 2 este variabil
2
1 R n 2
1 R2
Student cu n 2 GL.

2
R

Avem: t

B1
SY2
B12
S X2

Avem B1 R

n 2 Q.E.D.

SY
S
de unde R B1 X aa c valorile Yai calculate din dreapta de regresie
SX
SY

Y = Y + B1(X - X ) conform relaiei: Yai = Y + B1(Xi - X ); (i = 1, , n)


se numesc valori ateptate ale lui Y.
Valorile Yci calculate conform relaiei:
Yci = Yi B1(Xi - X ) = Y + (Yi Yai)); (i = 1, , n)
se numesc valori corectate ale lui Y.
Teorema 5.3
1) Pentru valorile ateptate Ya = (Ya1, , Yan) avem:
Media Ya Y ; Variana SYa2 B12 S X2 R2 SY2 ; Covariana SX,Ya = SXY;
Coeficientul de corelaie liniar RX,Ya = 1
161

(4)

(5)

2) Pentru valorile corectate Yc = (Yc1, , Ycn) avem:


Media Yc Y ; Variana SYc2 SY2 B12 S X2 (1 R2 ) SY2 ; Covariana SX,Yc = 0;
Coeficientul de corelaie liniar RX,Yc = 0
Demonstraie:

1) Ya M (Ya) M Y B1 X X Y B1 M X X Y

SYa2 V Ya V Y B1 X X B12 .V X X B12 .V ( X ) R 2 V (Y ) R 2 SY2

S X ,Ya C X , Ya M X Ya M ( X ) M (Ya) M [ XY B1 ( X 2 X X )] X Y

XY B1 M ( X 2 ) M 2 ( X ) X Y B1 V ( X )

RX ,Ya

C ( X , Ya)
V ( X )V (Ya)

B1 V ( X )
V ( X ) B12 .V ( X )

C( X ,Y )
V ( X ) S XY
V (X )

2) Yc M (Yc) M [Y (Y Ya)] Y M (Y ) M (Ya) Y Y Y Y


Avem Yc Ya Y Y deci V (Yc) V (Ya) V (Y ) aa c:
V (Yc) V (Y ) V (Ya) V (Y ) B12 V ( X )
S (Y )
Dar B1 ( X , Y )
deci B12 V ( X ) 2 ( X , Y ) V (Y ) aa c:
S(X )

V (Yc) 1 2 ( X , Y ) V (Y ) 1 R 2 SY2

S X ,Yc C ( X , Yc) C X , Y (Y Ya) C X , Y Ya C ( X , Y ) C ( X , Ya) S XY S XY 0


C ( X , Yc)

RX ,Yc ( X , Yc)

V ( X ).V (Yc)

0 . Q.E.D.

n continuare vom aborda estimaii/teste pentru corelaia i regresia liniar n populaie.


Teorema 5.4
1) Intervalul de ncredere pentru coeficientul de corelaie liniar necunoscut xy n
populaia din care provine sondajul, are forma:
P(xy [ ; ' ]) = 1
unde
2

(1 R) (1 R)e
(1 R) (1 R)e

'
2

2 u / n3
2

2 u / n3

(1 R) (1 R)e
(1 R) (1 R)e

2 u / n 3
2

2 u / n3
2

2) Intervalul de ncredere pentru coeficientul de regresie liniar necunoscut 1 n populaia


din care provine sondajul, are forma:
P(1 [1 - ; 1 + ' ]) = 1 unde:
2

162

1 R 2 SY

t /2;( n2) GL
n 2 SX

Intervalul de ncredere pentru termenul liber necunoscut 0 al regresiei liniare n populaia


din care provine sondajul, are forma:

P 0 B0 ; B0 1 unde:

2
2

2
2
2

R
n

1
S

n
X


X
SY

t /2;( n2)GL
n n 2
SX

(Fr demonstraie)
Coeficientul de corelaie liniar de sondaj R este variabil de la un sondaj la altul n jurul
coeficientului de corelaie liniar necunoscut n populaie.
2
1-
Se arat c: M ( R) ; V(R)
deci lim V ( R) 0 , aa c R este o estimaie
n
n
absolut corect a lui .
1) Testul ipotezei H: = 0 fa de alternativa H : 0 se face pe baza teoremei 5.2
punctul 3) astfel:
Din relaia

R
1 R
t

n 2 t

t n 2

rezult:
2

R /2

Valorile critice R pentru = 0.05; 0.01; 0.001 i n 2 GL sunt date de tabela 10 din
2

Anex.
Decizia asupra ipotezei H se ia astfel:
Dac R R0.025 ipoteza H se accept: = 0 deci X, Y nu sunt corelate liniar n populaie.
n caz contrar avem cazurile:
a) R0.025 R R0.005 deci X, Y sunt corelate liniar semnificativ;
b) R0.005 R R0.0005 deci X, Y sunt corelate distinct semnificativ;
c)

R R0.0005 deci X, Y sunt corelate liniar foarte semnificativ.

2) Testarea ipotezei H: = 0 fa de alternativa H : 0 este echivalent conform relaiei


B1 R

SY
cu testarea ipotezei H: 1 = 0 fa de alternativa H: 1 0 fcut pe baza relaiei:
SX

163

B1

n 2 care se compar cu valorile critice t0.05; t0.01; t0.001 cu n 2 GL, extrase din
S
2
B1
S
tabela 2 din Anex.
Decizia se ia ca la punctul 1).
2
Y
2
X

3) Testul ipotezei H: = 0 fa de alternative H : 0 se face cu transformata Fisher:


1 1 R
.
z ln
2 1 R
1 1 0
1 1 1
Se arat c z este variabil normal N ln
rezult
;
deci cu z 0 ln
2 1 0
2 1 n-3
c: u = (z z0) n 3 este variabil N(0,1).
Din tabela 11 din Anex, obinem transformatele Fisher z al lui R i z0 al lui 0 i calculm
pe u din relaia precedent i l comparm cu u0.025 = 1.96; u0.005= 2.58; u0.0005 = 3.29
Decizia se ia ca la punctul 1).
Valorile z din tabelul 11 din Anex se obin i cu funcia EXCEL:= FISHER (R).
4) Testul ipotezei H: = fa de alternativa H : pe baza a dou sondaje de n1
perechi de valori (xi, yi) respectiv n2 perechi de valori (xi, yi), extrase din dou populaii normale, se
1 1 '
1 1 R'
1 1 R"
1
bazeaz pe faptul c z ' ln
este variabil N ln
este
;
iar z " ln

2 1 R'
2 1 R"
2 1 ' n1 3

1
2

variabil: N ln

N 0;

(z, z = independente) deci z z este variabil


n 2 3

1 "
;
1 "

1
1
aa c u

n1 - 3 n 2 3

z'z"
1
1

n1 3 n 2 3

este variabil N(0, 1).

Din tabela 11 din Anex, obinem transformatele Fisher z i z ale lui R, R apoi calculm
pe u din relaia precedent i l comparm cu valorile critice u0.025=1.96; u0.005=2.58; u0.0005=3.29
Decizia se ia ca la punctul 1).
Exemple:
1) Fie X = nlimea la greabn a vieilor (cm) i Y = greutatea n viu a vieilor (kg).
Populaia este format din N = 100 viei din care extragem un sondaj de n = 10 viei, pe care
msurm nlimea la greabn i greutatea, obinnd datele de sondaj:
xi
yi

70
55

68
54

71
56

72
60

69
54

66
50

70
56

67
53

71
56

72
58

Se cere semnificaia lui R, diagrama aporturilor i dreapta de regresie Y = B0 + B1X + 0.025


cu prognoz pentru x = 75 cm.
Soluie:
Se reprezint grafic norul de puncte cu coordonatele (xi, yi) cu unul din produsele
informatice EXCEL, TCWIN.
164

62
60
58
56
Series1

54
52
50
48
65

66

67

68

69

70

71

72

73

Forma alungit a norului de puncte indic o dependen liniar. Deoarece pentru talia X = 0
avem greutatea Y = 0, regresia este fr termen liber.
Calcule:
a) Indicatorii de sondaj proprii fiecrui caracter
xi 696 69.6 cm
Mediile: MX = X
n
10
yi 552 55.2 kg
MY = Y
n
10
Abaterile standard:
SX
SY

n 1

38.40
4.27 2.07 cm
10 1

n 1

67.60
7.51 2.74 kg
10 1

Coeficienii de variabilitate:

CX

2.07
2.74
100 3% ; CY
100 5%
69.6
55.2

b) Indicatorii de sondaj de legtur ntre caractere:


Covariana S XY

y Y 47.80 5.31 cm x kg
i

n 1

10 1

Coeficientul de corelaie liniar de sondaj:

S XY
5.31

0.938
S X SY 2.07 2.74
165

Valorile critice din tabela 10 din Anex, pentru 10 2 = 8 GL sunt: R0.05 = 0.632; R0.01 =
0.765; R0.001 = 0.872
Deoarece R = 0.936 > R0.001 = 0.872 corelaia liniar ntre X, Y pentru toi vieii din care
provin cei 10, este foarte semnificativ aa c R = 0.936***
AX = R2 = 88%;
AE = 1 Ax = 12%
AE = 12%
Variaia total a lui Y = 100%
Ax = 88%

Concluzie: 88% din variaia lui Y este datorat variaiei lui X, restul de 12% se datoreaz
variaiei altor factori necontrolai numii Eroare.
Pentru coeficientul de corelaie liniar necunoscut ntre X, Y n populaie, avem
intervalele de ncredere:
[0.801; 0.982], cu ncrederea de 95%;
[0.688; 0.989], cu ncrederea de 99%;
[0.504; 0.994], cu ncrederea de 99.9%.
Intervalul cel mai mic [0.801; 0.982] cu ncrederea de 95% are urmtoarea interpretare:
Coeficientul de corelaie necunoscut ntre talia i greutatea tuturor vieilor din care fac
parte cei 10 ai sondajului, este cuprins ntre 0.801 i 0.982 cu o ncredere de 95%.
Exist semiriscul 2.5% ca acest coeficient s fie mai mic ca 0.801 atunci cnd sondajul
extras din populaie a fost intens corelat liniar (n sondaj sunt viei scunzi i slabi respectiv viei
nali i grai).
n mod analog exist semiriscul 2.5% ca, coeficientul s fie mai mare ca 0.982 atunci cnd
sondajul extras din populaie a fost slab corelat liniar (n sondaj sunt viei de toate categoriile:
scunzi i slabi, scunzi i grai, nali i slabi, nali i grai).
Ipoteza H: = 0.9 se accept deoarece = 0.9 [0.801; 0.911].
Coeficienii de regresie liniar de sondaj:

x y
x

38467 0.793 kg crestere greutate

48480
1 cm crestere talie
B0 = 0 kg (regresie fr termen liber).
B1

2
i

Pentru coeficientul de regresie liniar necunoscut 1 ntre X i Y n populaie, avem


intervalele de ncredere:
[0.676; 0.911], cu ncrederea de 95%;
[0.622; 0.965], cu ncrederea de 99%;
[0.530; 1.057], cu ncrederea de 99.9%.
innd cont de relaia: 1 = .(Y/X) intervalul cel mai mic [0.676; 0.911] cu ncrederea de
95% are urmtoarea interpretare:
Coeficientul de regresie liniar necunoscut 1 ntre X i Y n populaia din care provine
sondajul este cuprins ntre 0.676 i 0.911 cu ncrederea de 95%.
166

Exist semiriscul 2.5% ca acest coeficient 1 s fie mai mic de 0.676 atunci cnd sondajul
extras din populaie a fost intens corelat liniar sau variabilitatea caracterului Y raportat la
variabilitatea caracterului X este relativ mare n populaie.
n mod analog exist semiriscul 2.5% ca acest coeficient 1 s fie mai mare ca 0.911 atunci
cnd sondajul extras din populaie a fost slab corelat liniar sau variabilitatea caracterului Y raportat
la variabilitatea caracterului X este relativ mic n populaie.
Ipoteza H: 1 = 0.7 se accept deoarece 1 = 0.7 [0.676; 0.911].
Relaia:

n 1 1 R 2
SY t / 2;( n2)GL
n n 2

devine:

10 1 1 0.9382
2.74 2.31 0.736
10 10 2

Ecuaia dreptei de regresie cu fia de ncredere Y B0 B1 X devine Y = 0.793X +


2

0.736.
Cu ajutorul acestei ecuaii se pot face prognoze cu asigurarea de 95% astfel:
Pentru X = 75 cm avem valorile ateptate:
60.211 kg
(Maxima)
Ya = 0.793 x 75 + 0.736 =
59.475 kg
(Media)
59.739 kg
(Minima)
Pentru talia vieilor Xa = 75 cm, ne ateptm ca greutatea vieilor din care provine sondajul
s fie cuprins ntre [58.739 kg; 60.211 kg] cu o ncredere de 95%.
Exist semiriscul 2.5% ca aceast greutate s fie sub 58.739 kg atunci cnd sondajul a fost
ales performant ca greutate.
n mod analog exist semiriscul 2.5% ca aceast greutate s fie peste 60.211 kg atunci cnd
sondajul a fost ales neperformant ca greutate.
X a 75 cm
Ipoteza H :
se accept deoarece Ya = 60 kg [58.739; 60.211].
Ya 60 kg
Valorile ateptate Ya ale lui Y se calculeaz cu relaia Ya = 0.793X iar valorile corectate Yc
ale Y sunt date de relaia:
Yc Y Y Ya
Avem tabelul:
xi

yi

yai

yi = yi - yai

yci y yi

70
68
71
72
69
66
70
67
71
72

55
54
56
60
54
50
56
53
56
58

55.54
53.96
56.34
57.13
54.75
52.37
55.54
53.16
56.34
57.13

- 0.54
0.04
- 0.34
2.87
- 0.75
- 2.37
0.46
- 0.16
- 0.34
0.87

54.66
55.24
54.86
58.07
54.45
52.83
55.66
55.04
54.86
56.07

Coloanele yi (albastr) i yai (crmizie) apar mpreun n diagram:

167

62
60
58
56
54

Series1

52

Series2

50
48
46
44
1

10

Calculele precedente privitoare la regresia liniar pot fi fcute n EXCEL astfel: Valorile
X1,, Xn se nscriu n celulele A1:An din coloana A iar valorile Y1,, Yn se nscriu n celulele
B1:Bn din coloana B a foii de calcul Nr. 1.
Deschidem fereasta TOOLS n care activm opiunea DATA ANALYSIS. Aici activm
opiunea REGRESSION n care declarm celulele A1:An i B1:Bn unde se afl datele.
Rezultatele regresiei liniare se gsesc fie n foaia de calcul Nr. 2, fie tot n foaia de calcul
Nr. 1 cu date, prin declararea ca celule de rezultate a altor celule dect cele din blocul de date A1:Cn.
O sintez elegant a acestor calcule este dat n foaia de calcul C2P1.XLS pentru regresii cu
termen liber i n foaia de calcul C2P10.XLS pentru regresii fr termen liber, aflate n Anex.
2) a) S se testeze ipoteza H: = 0.9 fa de alternativa H : 0.9 pentru exemplul 1) cu
1 1 R
transformata Fisher: z ln
.
2 1 R
Soluie:
Transformata Fisher din tabela 11 din Anex, pentru R = 0.938 este z = 1.7220 iar
transformata Fisher din tabela 11 din Anex, pentru 0 = 0.9 este z0 = 1.4722.

u z z 0 n 3 devine u = 0.66

Cum u 0.66 u0.025 1.96 , ipoteza H: = 0.9 se accept.


b) Dintr-o populaie de viei se extrage un sondaj de n1 = 10 viei pe care se msoar talia
X la greabn n cm i greutatea Y n kg gsindu-se R = 0.938. Din a II-a populaie de viei se
extrage un al II-lea sondaj de n2 = 17 viei i se gsete R = 0.865. S se testeze ipoteza H: =
n cele dou populaii fa de alternativa H :
Soluie:
Pentru R = 0.938 avem din tabela 11 din Anex, transformata Fisher z = 1.7220 iar pentru
R = 0.865 din aceeai tabel, avem transformata Fisher z = 1.3132
z ' z "
1.7220 1.3132
Avem u

3.04 .
1
1
1 1

n1 3 n2 3
7 14
Cum u = 3.04 [2.58; 3.29] rezult c distinct semnificativ.
168

3) n exemplul 1) cei 10 viei ocup urmtoarele ranguri n ordine descresctoare dup talie
la greabn X i greutate Y:
ti
gi
di
di2

6
6
0
0

8
8
0
0

3
4
1
1

1
1
0
0

7
7
0
0

Coeficientul de corelaie a rangurilor R 1

10
10
0
0
6 di2

5
5
0
0

n n 2 1

9
9
0
0

4
3
1
1

2
2
0
0

devine R = 0.988 cu 10 2 = 8 GL.

Valorile critice pentru n 2 = 8 GL din tabela sunt R0.05 = 0.632; R0.01 = 0.765; R0.001 = 0.872.
Cum R = 0.988 > R0.001 = 0.872, corelaia rangurilor dup talie i greutate a tuturor vieilor
din care fac parte cei 10, este foarte semnificativ.
5.1.2 Cazul observaiilor multiple (xi, yij)
Exist cazuri cnd pentru caracterul Y avem observaii multiple deci datele de sondaj au
forma:
xi

yij

x1

y11 _________y1p

x2
.
.
.
xn

y21 _________y2p

yn1 _________ynp

yi
y1
y2
.
.
.

yn

n acest caz se poate face corelaia i regresia liniar ntre valorile xi i mediile y i i pe de
alt parte se poate face analiza varianei monofactorilal balansat ntre valorile xi i valorile yij.
Variaia total a valorilor Y este:
p

SPAY yij Y cu np 1 GL
i 1 j 1

Variaia regresiei ntre X i Y este:


n

SPAR p B0 B1 X i Y
i 1

cu 1 GL

Variaia abaterilor de la regresie este:


n

SPAA p yi B0 B1 xi cu n 2 GL
2

i 1

Variaia intraclase (datorat erorii) este:


n p

SPA E y ij y i
i 1 j 1

2 cu n(p - 1) GL

Se verific prin calcul relaia:


(6)
SPAY = SPAR + SPAA + SPAE, cu np - 1 = 1 + (n 2) + n(p 1) GL.
Prin nsumarea dou cte dou, variaiile din membrul II dau:

169

Variaia interclase (datorat lui X) este:


n

SPAX = SPAR + SPAA = p y i y cu 1 + (n 2) = n - 1 GL


i 1

Variaia rezidual a regresiei ntre X i Y este:

yij B0 B1x i
n p

SPAY.X = SPAA + SPAE =

cu (n - 1) + n(p - 1) = (np - 2) GL

i 1 j 1

Coeficientul de corelaie liniar R ntre valorile xi i y i se calculeaz cu formula (2) din


teorema 5.2 astfel:
SPAY X
SPAR
(7)
R 1

SPAY
SPAY
Indicele de corelaie din analiza variaiei (cap. 4.1) are forma:

Ic 1

SPAE

SPAY

SPAX
SPAY

(8)

Rezult de aici:
SPAR = R2 . SPAY, cu 1 GL
SPAY.X = (1 R2) . SPAY, cu np 2 GL
respectiv:
SPAX =Ic2 . SPAY, cu n 1 GL
SPAE = (1 Ic2) . SPAY, cu n(p 1) GL
De asemenea:
SPAA = (Ic2 R2) . SPAY, cu n 2 GL
Prin mprire cu SPAY, relaia (6) devine:
1 = R2 + (Ic2 R2) + (1 Ic2)
(9)
2
2 .
Din relaia SPAA = (Ic R ) SPAY, rezult: 0 <

R < Ic (10)

Reunind teorema 1.9 din seciunea 1.2 i teorema 1.2 din seciunea 4.1, obinem:
Teorema 5.5
n cazul observaiilor multiple (xi, yij) avem proprietile:
1) 0 < R < Ic < 1

R = Ic dac i numai dac xi i yij sunt dependente funcional liniar ( y i = B0 + B1xi)


2) X, Y = independente X, Y = necorelate liniar (R = 0)
3) X, Y = independente X, Y = necorelate (Ic = 0)
4) X, Y = dependente funcional liniar (Y = B0 + B1X) dac i numai dac R = 1
5) X, Y = dependente funcional liniar dac i numai dac Ic = 1.
Fie indicele de corelaie n populaia din care face parte sondajul.
Avem trei ipoteze relativ la populaia din care face parte sondajul:
a) Ipoteza HX: = 0 fa de alternativa H X: 0 se testeaz prin analiza variaiei (cap.
3.1) cu ajutorul raportului Fisher:
I2
S2
n 1
n 1
, cu [n 1; n(p 1)] GL
FX X2 :
c 2:
S E n( p 1) 1 I c n( p 1)
170

b) Ipoteza HR: = 0 fa de alternativa H R: 0 se testeaz cu ajutorul raportului


Fisher:
S R2
1
R2
1
, cu [1; np 2] GL
FR 2 :

:
2
SY X np 2 1 R np 2
R
De aici rezult c tR FR
np 2
1 R2
c) Ipoteza HA: = fa de alternativa H A: se testeaz cu ajutorul raportului
Fisher:
I 2 R2
S2
n2
n2
FA A2 :
c 2 :
, cu [n 2; n(p 1)] GL
S E n( p 1)
1 I c n( p 1)
Ecuaia dreptei de regresie ntre valorile xi i y i cu fia de ncredere se stabilete ca
seciunea 5.1.1 pe baza relaiei: y = B0 + B1x + , unde B1
2

S XY
; B0 Y -B1 X ;
S X2

(n 1)(1 R 2 )

SY t /2;( n2)GL
n(n 2)

Exemplu:
Fie X = proteina digestibil (kg) n raia vacilor de lapte; Y = producia lunar de lapte
(hectolitri). Avem n = 8 variante de protein digestibil aplicate la cte p = 3 vaci cu lapte. Date de
sondaj:
Xi
1
1.05
1.10
1.15
1.20
1.25
1.30
1.35

Yij
4.5; 4.5; 4.8
5; 5; 5.3
5.4; 5.3; 5.5
6; 5.9; 6.1
6.3; 6.3; 6.6
6.9; 7; 7.1
7.5; 7.4; 7.6
7.9; 8.1; 8

Yi

Y ai

Y i

4.6
5.1
5.4
6.0
6.4
7.0
7.5
8.0

5.361
5.629
5.897
6.165
6.433
6.701
6.969
7.237

- 0.761
- 0.529
- 0.497
- 0.165
- 0.033
0.299
0.531
0.763

Avem MX = 1.175 kg PD; MY = 6.25 hectolitri lapte pe lun.


Regresia este fr termen liber (B0 = 0 pentru X = 0) deci B1

X Y
X

i i
2
i

59.775
5.361 .
11.15

Valorile ateptate sunt yai B1 .xi i sunt nscrise n coloana patru a tabelului precedent.
8

Avem SPAY ( yij Y )2 30.452


i 1 j 1

SPAR=3 ( yai Y )2 8.384


i 1
8

SPAA= 3 ( y i yai )2 6.254


i 1

171

SPAE =

( y
i 1 j 1

ij

yi )2 15.814

Rezult SPAX = SPAR + SPAA = 14.638 i SPAY.X = SPAA + SPAE = 22.068


SPAR
SPAX
Rezult R =
0.525; I c
0.693
SPAY
SPAY
Testele ipotezelor:
a) HX: = 0 fa de HX: 0
I c2
n 1
:
2.112 , cu (7; 16) GL
FX=
2
1 I c n( p 1)
Din tabelele 4, 5, 6 din Anex, avem valorile critice pentru (7; 16) GL astfel: F0.05 = 2.66;
F0.01 = 3.04; F0.001 = 6.50
Cum FX < F0.05, se accept ipoteza Hx: = 0.

b) HR: = 0 fa de HR: 0
R2
1
FR=
:
8.371 cu [1;22] GL
2
1 R np 2
tR =

FR = 2.893, cu 22 GL

Din tabela Student 2 din Anex, avem pentru 22 GL, valorile critice t0.05 = 2.07; t0.01 = 2.82;
t0.001 = 3.79. Cum tR [t0.01; t0.001] ipoteza HR: = 0 se respinge deci 0 distinct semnificativ.
c) HA: = fa de H A :
I c2 R 2 n 2
:
1.050
1 I c2 np 1
cu (6; 16) GL.
Din tabelele Fisher 4, 5, 6 din Anex, pentru (6; 16) GL, avem valorile critice F0.05 = 2.74;
F0.01 = 4.20; F0.001 = 6.81
Cum FA < F0.05 ipoteza HA: = se accept.
Funcia de regresie este Y = B1X adic y = 5.361X.
1 n
2
Avem S Y = (Y i Y )2 0.93
n i 1
Limea fiei de ncredere cu = 0.05 este
FA

(8 1)(1 0.5252 )
0.964 2.45 0.768
8(8 2)
deci Y = 0.5361X 0.768
2.5 % =

5.1.3 Cross - corelaia i autocorelaia seriilor de timp


n seciunile a) i b) caracterele X, Y au fost msurate n acelai moment de timp dnd la
sondajul de repartiie (x1, y1),, (xn, yn) pentru vectorul aleator Z = (X, Y).
Dac msurtorilor sunt efectuate succesiv n timp la momentele t = 1, 2,, n obinem
sondajul de evoluie (x1, y1),, (xn, yn) pentru procesul aleator Z(t) = (X(t), Y(t)).
Valorile consecutive n timp (x1,, xn) respectiv (y1,, yn) se numesc i serii de timp
pentru caracterele X, Y.
172

Uneori mai important dect corelaia perechilor (xi, yi) este cross-corelaia perechilor (xi, yi+1).
Astfel resursa X aplicat la plante sau animale n momentul t = i are efect asupra valorii
produciei Y la momentul urmtor t = i + 1.
Exemple:
1) X = precipitaii n sptmna t = i
Y = talia plantei n sptmna urmtoare t = i + 1
2) X = cantitatea de protein digestibil n raia vacilor cu lapte n ziua t = i
Y = producia zilnic de lapte n ziua urmtoare t = i + 1
Exemplu:
X = proteina digestibil n raia unei vaci cu lapte (g/zi) n 11 zile consecutive
Y = producia zilnic de lapte (litri/zi) n 11 zile consecutive.

Xt
Yt
Yt+1

Date de sondaj:
1000 1020 1040
9.6
9.6
9.7
9.6
9.7
9.8

1060 1080
9.8
9.9
9.9
9.9

1100
9.9
9.9

1120
9.9
10.1

1140
10.1
10.3

1160
10.3
10.4

1180
10.4
10.6

1200
10.6
-

Fie notaiile X = Xt; Z = Yt+1


Mediile: MX = 1090 g/zi; MZ = 10.02 l/zi
Abaterile standard: SX = 60.553 g/zi; SZ = 0.322 l/zi
Covariana: SXZ = 18.889 g x l/zi
Coeficientul de cross-corelaie liniar: R = 0.967
Coeficienii de cross-regresie liniar: B0 = 0; B1 = 0.009
Limea fiei de ncredere 2.5% = 0.063;
Ecuaia de cross-regresie este: Yt+1 = B0 + B1.Xt /2
Autocorelaia pentru caracterul Y este corelaia ntre valorile yi la momentul t = i i valorile
yi+1 la momentul t = i + 1.
Valoarea produciei yi + 1 la momentul t = i + 1 depinde de valoarea produciei yi la
momentul anterior t = i.
Exemplu:
Fie notaiile: Y = Yt; Z = Yt+1. Avem rezultatele:
Mediile: MY = 9.92 l/zi; MZ = 10.02 l/zi
Abaterile standard: SY = 0.274 l/zi; SZ = 0.322 l/zi
Autocovariana SYZ = 0.086
Coeficientul de autocorelaie liniar: R = 0.976
Coeficienii de autoregresie liniar: B0 = 0; B1 = 1.010
Limea fiei de ncredere: 2.5% = 0.054
Ecuaia de autoregresie Yt+1 = B0 + B1.Yt / 2
Cross-corelaia i autocorelaia se pot combina ntr-un model liniar mixt (vezi 5.3.1):
Valoarea produciei yi+1 la momentul t = i + 1 depinde att de valoarea resursei xi la
momentul anterior t = i ct i de valoarea produciei yi la momentul anterior t = i.
De exemplu, producia de lapte yi+1 n ziua t = i + 1 depinde att de cantitatea de protein
digestibil xi n ziua precedent t = i (cauz extern) ct i de producia de lapte yi n ziua
precedent t = i (cauz intern).
173

Exemplu:
Fie notaiile: X = Xt; Y = Yt; Z = Yt+1. Avem rezultatele:
Mediile: MX = 1090 g/zi; MY = 9.92 l/zi; MZ = 10.02 l/zi
Coeficienii de corelaie liniar simpli: RXY = 0.964; RXZ = 9.967; RYZ = 0.976
Coeficienii de corelaie liniar multipli:
Coeficientul multiplu total: RZ.XY = 0.981
oeficienii multipli pariali: RZX.Y = 0.458; RZY.X = 0.638
Coeficienii de regresie multipl: B0 = 0; B1 = 0.002; B2 = 0.845
Limea fiei de ncredere: 2.5% = 0.053
Ecuaia de regresie multipl:Yt+1 = B0 + B1.Xt + B2.Yt / 2

5.2 CORELAII I REGRESII MONOFACTORIALE NELINIARE


Am vzut n capitolul 1 c dou variabile aleatoare independente X, Y sunt necorelate liniar
sau prin negaie dou variabile X, Y corelate liniar sunt dependente.Reciproca nu este n general
adevrat, adic exist variabile X, Y dependente, care nu sunt corelate liniar, dar pot fi corelate
neliniar.
n cazul corelaiei i regresiei neliniare a variabilelor X, Y forma norului de puncte (xi, yi)
(i = 1,..., n) indic o anumit form a funciei de regresie Y = f(X, B0, B1,..., Bd-1), unde B0, B1,..., Bd-1
sunt d parametri necunoscui ai funciei de regresie.
Parcurgem urmtoarele etape:
a) Calculul parametrilor de regresie B0, B1,..., Bd-1 se face ca i n cazul regresiei liniare,
prin metoda celor mai mici ptrate (vezi teorema 5.1):
Vom minimiza variaia rezidual:
SPAY.X = [y1 - f(x1, B0, B1,..., Bd-1)]2 +...+ [yn - f(xn, B0, B1,..., Bd-1)]2 = minim
Anulnd derivatele pariale ale lui SPAY.X n raport cu B0, B1,..., Bd-1 obinem sistemul de d
ecuaii normale cu d necunoscute: B0, B1,..., Bd-1:

SPAY . X
SPAY . X
0,.................,
0
B 0
Bd 1

b) Dup calculul celor d parametri de regresie B0, B1,..., Bd-1, vom calcula raportul de
corelaie neliniar Rc printr-o formul asemntoare cu formula (1) din demonstraia teoremei 1.2:

Rc 1

(1)

( y Y ) 2 este variana total a valorilor lui Y cu n - 1 GL.


[yi - f(xi, B0, B1,..., Bd-1)]2 este variana rezidual a valorilor ateptate

Aici SPAY =
SPAY.X =

SPAY . X
SPAY

f(xi, B0, B1,..., Bd-1) ale lui Y fa de valorile observate yi ale ale lui Y n - d grade de libertate (d
este numrul parametrilor B0, B1,..., Bd-1 ai regresiei).
Diferena SPAY - SPAY.X = SPAR se numete variana regresiei neliniare i are n 1 - (n - d)
= d 1 GL
Ca i n cazul teoremei 5.2 se arat c:
Rc2
d 1
:
(2)
2
1 Rc n d
este variabil Fisher cu (d - 1; n - d) GL.
F

n cazul dreptei de regresie Y = B0 + B1X avem d = 2 parametrii necunoscui B0, B1, deci:
174

R2
1
:
2
1 R n 2

(3)

este variabil Fisher cu (1; n - 2) GL, deci t =

R
1 R

n 2 este variabil Student

cu n - 2 GL (punctul 3 al teoremei 5.2)


Deosebirea ntre R i Rc este aceea c R [-1; 1], iar Rc [0; 1]
5.2.1 Corelaia i regresia monofactorial polinomial
Funcia de regresie are forma: Y = f(X, B0, B1,..., Bm) = B0 + B1X +...+ BmXm n care avem
d = m + 1, parametri de regresie necunoscui B0, B1,..., Bm.
Sistemul cu d = m + 1 ecuaii normale cu necunoscutele B0, B1,..., Bm are forma:

Bm xi2 m ... B1 xim1 B0 xim xim yi


.....................................................................
Bm xim1 ... B1 xi2 B0 xi xi yi
Bm xim ... B1 xi nB0 yi

x1m x1m 1.............1

Notm X = ........................ de tip n x (m + 1)


xnm xnm 1.............1

Bm
B
XT este matricea transpus a lui X, de tip (m + 1) x n, B = m 1 este vectorul - coloan
..........

Bo
y1
de tip (m + 1) x 1 al coeficienilor de regresie polinomial, iar Y = .... este vectorul coloan de tip
yn
n x 1 pentru valorile lui Y.
Sistemul precedent capt forma matricial: XT.X.B = XT . Y
Dac matricea simetric XT . X de ordin m + 1 este nesingular (det(XT.X) 0), sistemul de
ecuaii normale are soluie unic scris matricial: B = (XT.X)-1.XT . Y
Cu d = m + 1, raportul Fisher F capt forma:
Rc2
m
Fp
:
2
1 Rc n m 1

(4)

cu (m; n - m - 1) GL.
n cazul regresiei polinomiale fr termen liber (B0 = 0) ecuaiile normale au forma:

175

Bm xi2 m ... B1 xim1 xim yi


.........................................................
Bm xim1 ... B1 xi2 xi yi
Avem un sistem liniar de m ecuaii cu m necunoscute B1,..., Bm, deci numrul parametrilor
de regresie este d = m.
Cu d = m, raportul Fisher capt forma:
Rc2
m 1
Fp
:
(5)
2
1 Rc n m
cu (m - 1; n - m) GL
Exemplu:
Fie X = cantitatea de azotat de amoniu (kg/ha) i
Y = producia de gru (quintale/ha).
Avem un sondaj de volum n = 10:
xi
yi

0
15

30
17

60
20

90
22

120
25

150
29

180
34

210
36

240
38

270
40

Diagrama care urmeaz conine norul de puncte al perechilor (x, y):


45
40
35
30
25
Series1

20
15
10
5
0
0

50

100

150

200

250

300

Folosim funcia de regresie polinomial de grad m = 3 avnd forma:


Y = Bo + B1X + B2X2 + B3X3
Coeficienii de regesie dai de sistemul de ecuaii normale au valorile:
B0 = 15.27849; B1 = 0.032527; B2 = 0.000653; B3 = - 0.0000016
Valorile xi, valorile observate yi, valorile ateptate yai = B0 + B1.xi + B2xi2 + B3xi3 i
diferenele yi = yi - yai, sunt date de tabelul:

176

xi
0
30
60
90
120
150
180
210
240
270

yi
15
17
20
22
25
29
34
36
38
40

yai
15.28
16.80
19.23
22.32
25.80
29.40
32.88
35.97
38.40
39.92

yi
-0.28
0.20
0.77
-0.32
-0.80
-0.40
1.12
0.03
-0.40
0.08

Variaia total este SPAY = 742.4, iar variaia rezidual este SPAY.X = 3.025 aa c raportul
SPAY . X
de corelaie va fi: Rc = 1
=0.99796.
SPAY
Raportul Fisher Fp are forma (4) (regresia este cu termen liber) i pentru n = 10; m = 3
capt valoarea Fp = 488.7 cu (3; 6) GL.
Valorile critice Fisher din tabelele 4, 5, 6 din Anex, cu (3; 6) GL sunt: F0.05 = 4.76;
F0.01 = 9.78; F 0.001 = 23.70.
Cum Fp = 488.7 F0.001 = 23.70, corelaia polinomial n populaia din care provine sondajul
este foarte semnificativ.
5.2.2 Corelaia i regresia monofactorial trigonometric
Funcia de regresie are forma:
Y = To + (S1sinx + C1cosx) +...+ (Sksinkx + Ckcoskx), (k n/2)
n care avem 2k + 1 parametri de regresie necunoscui T0, S1, C1,..., Sk, Ck.
Sistemul cu d = k + 1 ecuaii normale cu necunoscutele Y0, S1, C1,..., Sk, Ck d aceste valori
astfel:
T0 = MY
2 n
2 n
S1 = yi sin xi ; C1 = yi cos xi
n i 1
n i 1
...................................................
2 n
2 n
yi sin kxi ; Ck = yi cos kxi

n i 1
n i 1
Pentru a aduce date de sondaj x i n careul trigonometric [0; 2], vom nlocui pe x i cu
(n 1) xi ( xn nx1 ) 2
xci =
dup ce n prealabil valorile xi au fost reordonate n ordine

xn x1
n
cresctoare.

Sk =

Dac xi [x1; xn], atunci xci = [0; 2] iar xcn = 2


Dac xi = x1 + (I - 1)r, (xi sunt echidistante), atunci: xc1 = 2/n, xc2 = 2(2/n),..., xcn =
n(2/n) = 2.
Calculul raportului de corelaie neliniar Rc se face cu formula (1) de mai sus.
Testarea corelaiei trigonometrice n populaia din care provine sondajul adic verificarea
ipotezei H: c = 0 fa de alternativa H: c 0 se face cu relaia (2) de mai sus n care F este
177

variabil Fisher cu (d - 1; n - d) GL, unde d este numrul parametrilor de regresie necunoscui T0,
S1, C1,..., Sk, Ck, deci d = 2k + 1, aa c F renotat cu Ft are forma:
Ft = [Rc2/(1 - Rc2)] : [2k/(n - 2k - 1)]
(6)
cu (2k; n - 2k - 1) GL.
Prin regresia trigonometric se ajusteaz date cu caracter periodic (ciclic) mai ales cnd x
este timpul msurat sezonier (n secunde, minute, ore, zile, sptmni, luni, trimestre, semestre, ani,
decenii, secole, milenii).
De exemplu n cazul X = timpul, Y poate fi caracter meteorologic (precipitaii, cldur,
lumin, secete, inundaii, ngheuri, grindin etc.) sau geologic (cutremure, alunecri de teren) sau
biologic (cicluri de reproducie i lactaie, serii la ngrat pentru animale domestice, perioade de
vegetaie pentru plantele de cultur) sau economic (perioade de avnt economic i de recesiune).
Exemple:
1) X = timpul n luni
Y = temperatura medie lunar a aerului n perioada 1901-1990 la staia meteo BucuretiFilaret (0C).
Z = precipitaiile medii lunare n perioada 1901-1990 la staia meteo Bucureti-Filaret
(m3/ha).
Date de sondaj:
Luna X
1
2
3
4
5
6
7
8
9
10
11
12

Temperatura Y
-2.4
-0.3
5.2
11.6
16.9
20.6
22.8
22.3
17.8
11.8
5.5
0.4

Precipitaii Z
406
340
374
444
681
860
578
512
391
411
485
411

a) Diagrama temperaturilor are forma:


25
20
15
10

Series1

5
0
0

10

-5

178

15

Funcia de regresie trigonometric pentru temperatura medie lunar Y cu k = 2 armonice


are coeficienii:
T0 = MY = 11.01667 oC
S1 = - 6.5409; C1 = - 10.5161;
S2 = - 0.4908; C2 = - 0.5500.
Valorile echidistante xi, valorile din cerc xci = i.(2/12), valorile observate yi, cele ateptate
yai = T0 + [s1.sin(xci) + c1.cos(xci)] + [s2.sin(2.xci) + c2.cos(2.xci)] i diferenele yi = yi - yai sunt:
xi
1
2
3
4
5
6
7
8
9
10
11
12

Xci
0.5235989
1.047198
1.570797
2.094395
2.617994
3.141593
3.665192
4.188791
4.712390
5.235988
5.759587
6.283186

Yi
-2.4
-0.3
5.2
11.6
16.9
20.6
22.8
22.3
17.8
11.8
5.5
0.4

yi
-0.34
-0.24
0.17
0.29
-0.10
-0.38
0.11
0.51
-0.31
-0.32
0.17
0.45

yai
-2.06
-0.06
5.03
11.31
17.00
20.98
22.69
21.79
18.11
12.12
5.33
-0.05

Variaia total este SPAY = 2381.04, variaia rezidual este SPAY.X = 1.148, deci raportul de
corelaie trigonometric dat de relaia (1) va fi Rc = 0.999759
Raportul Fisher este dat de relaia (6) i pentru n = 12; k = 2 capt valoarea: Ft = 3629 cu
(4; 7) GL.
Valorile critice Fisher din tabele 4, 5, 6 din Anex, cu (4; 7) GL sunt F0.05 = 4.12;
F 0.01 = 7.85; F 0.001 = 17.19
Cum Ft = 3629 F0.001 = 17.19, corelaia trigonometric n populaia din care provine
sondajul, este foarte semnificativ.
b) Diagrama precipitaiilor are forma:
1000
900
800
700
600
500

Series1

400
300
200
100
0
0

10

179

12

14

Funcia de regresie trigonometric pentru precipitaiile medii lunare Z cu k = 5 armonice,


are coeficienii:
T0 = 491.0834 m3/ha
S1 = - 20.8963; C1 = - 145.0328;
S2 = - 26.7024; C2 = 121.2500;
S3 = 6.8334; C3 = - 40.6666;
S4 = - 25.8362; C4 = 17.9168;
S5 = 19.2296 ; C5 = - 38.8806
Valorile echidistante xi, valorile din cerc xci = i.(2/12), valorile observate zi, valorile
5

ateptate zai T0 [ s j .sin( j.xci ) c j cos( j.xci )] i diferenele zi = zi - zai sunt date de tabelul de
j 1

mai jos.
xi
1
2
3
4
5
6
7
8
9
10
11
12

xci
0.5235989
1.047198
1.570797
2.094395
2.617994
3.141593
3.665192
4.188791
4.712390
5.235988
5.759587
6.283186

zi
406
340
374
444
681
860
578
512
391
411
485
411

zai
411.25
334.75
379.25
438.75
686.25
854.75
583.25
506.75
396.25
405.75
490.25
405.75

zi
- 5.25
5.25
- 5.25
5.25
- 5.25
5.25
- 5.25
5.25
- 5.25
5.25
- 5.25
5.25

Variaia total este SPAZ = 3142985, variaia rezidual este SPAZ.X = 331, deci raportul de
corelaie trigonometric dat de relaia (6) este: Rc = 0.9999474
Raportul Fisher Ft dat de relaia (1), pentru n = 12, k = 5 capt valoarea Ft = 950.9893 cu
(10; 1) GL.
Valorile critice Fisher pentru (10; 1) GL extrase din tabelele 4, 5, 6 din Anex, sunt
F0.05 = 241.9; F0.01 = 6056; F0.001 = 605600
Cum F0.05 < Ft <F0.01, corelaia trigonometric n populaia din care provine sondajul este
semnificativ.
5.2.3 Corelaia i regresia monofactorial polinomial-trigonometric
Funcia de regresie are forma:
y = [B0 + B1x +...+ Bmxm] + [T0 + S1sinx + C1cosx +...+ Sksinkx + Ckcoskx]
a) Partea polinomial din prima parantez ptrat din membrul doi, este neperiodic i se
numete tendin (trend), coeficienii B0, B1, ..., Bm, se stabilesc ca n seciunea 5.3.1 de mai sus,
prelucrnd datele primare (xi, yi), (1 i n).
Valorile ateptate ale regresiei polinomiale sunt date de relaia:
yapi = B0 + B1xi +...+ Bmxim, iar ypi = yi - yapi.

180

Testarea ipotezei H: cp = 0 fa de alternativa H: cp 0 adic a inexistenei sau a


existenei trendului polinomial n populaia din care face parte sondajul, se face cu raportul Fisher
dat de relaia (4): fp = [Rcp2/(1 - Rcp2] : [m/(n m - 1)], care are (m; n m - 1) GL.
Aici raportul de corelaie polinomial Rcp are forma din relaia (1):
n
n
SPAY . X
Rcp= 1
, cu SPAY = ( yi y )2 ; SPAY.X = ( yi yapi )2 .
SPAY
i 1
i 1
b) Partea trigonometric din a doua parantez ptrat din membrul doi al funciei de
regresie de mai sus, este periodic i se numete parte ciclic sau sezonier, coeficienii T0, S1,
C1,..., Sk, Ck se stabilesc ca n seciunea 5.3.2 de mai sus, prelucrnd datele reziduale (xi; ypi) de
la regresia polinomial, unde ypi = yi - yapi, (1 i n).
Valorile ateptate ale regresiei trigonometrice sunt date de relaia:
yati = T0 + S1sin xi + C1cos xi +...+ Sksin kxi + Ckcos kxi.
Diferenele ypti = ypi yati are forma ypti = yi - yapi - yati.
Valorile ateptate ale regresiei polinomial-trigonometrice sunt: yapti = yapi + yati, aa c
ypti = yi - yapti.
Testarea ipotezei H: ct = 0 fa de alternativa H: ct 0, adic a inexistenei sau a
existenei prii ciclice n populaia din care face parte sondajul, se face cu raportul Fisher dat de
relaia (6) i anume:
Ft = [(Rct)2/(1 - (Rct)2)] : [2k/(n - 2k - 1)] cu (2k; n - 2k - 1) GL.
Aici raportul de corelaie trigonometric are forma din relaia (1) i anume:
n
n
SPADY . X
Rct = 1
, unde SPADY = (ypi ypi ) 2 i SPADY.X = (ypi yati )2
SPADY
i 1
i 1
Exemplul 1:
X = timpul (zile trecute de la data ftrii)
Y = producia zilnic de lapte de vac (litri/zi)

xi
yi

Date de sondaj:
28
56
84
15
18
20

112
21

140
22

168
19

196
16

224
12

252
8

280
4

Graficul perechilor (x, y) are forma:


25
20
15
Series1

10
5
0
0

100

200

300

181

400

308
2

a) Regresia polinomial:
Pentru funcia polinomial alegem gradul m = 3, deci y = B0 + B1x + B2x2 + B3x3.
Sistemul de 4 ecuaii normale are ca soluii coeficienii de regresie: B 0 = 7.61776;
B 1 = 0.28246; B 2 = - 0.00166; B 3 = 0.0000022.
Valorile echidistante xi, valorile n cerc xci = i.(2/11), valorile observate yi, valorile
ateptate yapi = B0 + B1.xi + B2xi2 + B3xi3 ale regresiei polinomiale i diferenele ypi = yi - yapi se
gsesc n tabelul de mai jos.
Avem SPAY = 478.182; SPAY.X = 5.481, deci Rcp = 0.994252 cu (3; 7) GL.
Valoarea Fisher este Fp = 201.22, iar valorile critice din tabelele 4, 5, 6 din Anex, pentru
(3; 7) GL sunt: F0.05 = 4.35; F0.01 = 8.45; F0.001 = 18.77
Cum Fp = 201.22 F0.001 = 18.77, corelaia polinomial este foarte semnificativ n
populaia din care provine sodajul.
b) Regresia trigonometric:
Perechile de valori (xi; ypi) din tabelul de mai jos se prelucreaz cu regresia trigonometric
cu k = 2 armonice, deci: yp = S0 + (S1sinx + C1cosx) + (S2sin2x + C2cos2x.)
Conform seciunii 5.3.2 de mai sus, avem coeficienii de regresie trigonometric:
T0 = 0.00000217
S1 = -0.0548; C1 = - 0.2158;
S2 = 0.3089; C2 = 0.7362;
Valorile ateptate ale regresiei polinomial-trigonometrice:
yapti = [B0 + B1.xi + B2xi2 + B3xi3] + [T0 + s1.sin(xci) + c1.cos(xci) + s2.sin(2.xci) + c2.cos(2.xci)] i
diferenele ypti = yi - yapti se gsesc n tabelul de mai jos:
xi
28
56
84
112
140
168
196
224
252
280
308

yi
15
18
20
21
22
19
16
12
8
4
2

xci
0.5711987
1.142397
1.713596
2.284795
2.855994
3.427193
3.998391
4.569590
5.140789
5.711987
6.283186

yapi
14.27
18.61
20.92
21.49
20.62
18.60
15.71
12.24
8.49
4.75
1.30

ypi
0.73
- 0.61
- 0.92
- 0.49
1.38
0.40
0.29
- 0.24
- 0.49
- 0.75
0.70

Yapti
14.65
18.22
20.10
21.18
21.27
19.61
16.09
11.71
7.74
4.62
1.82

ypti
0.35
- 0.22
- 0.10
- 0.18
0.73
- 0.61
- 0.09
0.29
0.26
- 0.62
0.18

Avem SPADY = 5.481; SPAY.X = 1.702, deci Rct = 0.8302674 cu (4; 6) GL.
Valoarea Fisher este F t = 3.328, iar valorile critice din tabelele 4, 5, 6 din Anex, pentru
(4; 6) GL sunt F0.05 = 4.53; F0.01 = 9.15; F0.001 = 21.92.
Cum Ft = 3.328 F0.05 = 4.53, corelaia trigonometric este nesemnificativ n populaia din
care provine sondajul.
Media de sondaj de evoluie este:

Y
Y1
Y2 ... Yn 1 n
2 14.85 litri lapte/zi
MYc 2
n 1

182

Exemplul 2:
X = timpul (zile trecute de la data ecloziunii oulelor de gin)
Y = greutate pui broiler (grame)

xi
yi

Date de sondaj:
0
7
21
92

14
213

21
378

28
580

35
791

42
1005

49
1220

56
1432

Graficul perechilor (x, y) este:


1600
1400
1200
1000
800

Series1

600
400
200
0
0

10

20

30

40

50

60

a) Regresia polinomial:
Lum m = 3, deci: B0 = 19.74748; B1 = 6.16912; B2 = 0.63531; B3 = - 0.0052885
Valorile echidistante xi, valorile n cerc xci = i.(2/9), valorile observate yi, valorile ateptate
yapi = B0 + B1.xi + B2xi2 + B3xi3 ale regresiei polinomiale i diferenele ypi = yi - yapi se gsesc n
tabelul de mai jos.
SPAY = 2057641; SPAY.X = 108; Rcp = 0.9999738 cu (3; 5) GL;
Fp = 31804.948***
F0.05 = 5.41; F0.01 = 12.06; F0.001 = 33.20 < Fp
Corelaia polinomial n populaia din care provine sondajul este foarte semnificativ.
b) Regresia trigonometric:
Lum k = 2 armonice, deci:
T0 = - 0.00007354;
S1 = -0.4810; C1 = -0.7903;
S2 =4.0881; C2 = 1.6168
Valorile ateptate ale regresiei polinomial-trigonometrice:
yapti = [B0 + B1.xi + B2xi2 + B3xi3] + [T0 + s1.sin(xci) + c1.cos(xci) + s2.sin(2.xci) + c2.cos(2.xci)] i
diferenele ypti = yi - yapti se gsesc n tabelul de mai jos:
SPAy = 107.72; SPAy.x = 16.90; Rct = 0.9182102 cu (4; 4) GL;
Ft = 5.374; F0.05 = 9.28; F0.01 = 29.46; F0.001 = 141.10
Ft < F0.05 deci corelaia trigonometric este nesemnificativ n populaia din care provine
sondajul.
Media de sondaj de evoluie este:
183

Y
Y1
Y2 ... Yn 1 n
2 625.7 g
MYc 2
n 1
Tabelul final cu rezultate este:
xi
0
7
14
21
28
35
42
49
56

xci
0.6981318
1.396264
2.094395
2.792527
3.490659
4.188791
4.886923
5.585055
6.283186

yi
21
92
213
378
580
791
1005
1220
1432

yapi
19.75
92.25
216.12
380.49
574.47
787.18
1007.72
1225.22
1428.80

ypi
1.25
-0.25
-3.12
-2.49
5.53
3.83
-2.72
-5.22
3.20

ypti
-2.14
0.48
1.25
-1.68
0.75
0.28
-0.14
-1.18
2.38

yapti
23.14
91.52
211.75
379.68
579.25
790.72
1005.14
1221.18
1429.62

5.3 CORELAII I REGRESII POLIFACTORIALE


5.3.1 Corelaia i regresia polifactorial liniar pentru cazul a 2 + 1 caractere
Fie X, Y, Z trei caractere ale exemplarelor unei populaii. Efectum un sondaj de n
exemplare din populaie i obinem triplete de valori (xi, yi, zi), (i = 1,, n).
Reprezentnd n spaiul R3 fa de sistemul de axe 0xzy cele n triplete se vor corespunde cu
n puncte n spaiu care vor forma un nor. Dup forma acestui nor, funcia de regresie va fi liniar
(norul are form turtit ca o scoic) sau neliniar (norul are alt form dect n cazul liniar).
Din datele de sondaj (xi, yi, zi), (i = 1,, n) calculm urmtorii indicatori statistici de sondaj:
a)
Vectorul mediilor: X ,Y , Z unde:

1
1
xi , Y MY yi , Z MZ

n
n
S2X

Matricea simetric de covarian: S SYX


SZX

X MX

b)

unde varianele sunt: S2X =

T RYX
R
ZX

RXY
1
RZY

1
1
1
xi X ; SY2 =
yi Y ; S2Z =

zi Z
n-1
n-1
n-1

iar covarianele sunt:


1
1
S2XY =
xi X yi Y ; S2XZ =

xi X
n-1
n-1
c)
Matricea simetric de corelaie liniar:

1
zi
n
SXY SXZ

SY2 SYZ
SZY S2Z

z Z ; S
i

2
YZ

1
yi Y
n-1

z Z ;
i

RXZ

RYZ
1

SXY
S
S
-1;1 ; R XZ XZ -1;1 ; R YZ YZ -1;1
SX SY
SX SZ
SY SZ
Funcia de regresie liniar multipl are forma: Z B0 B1 X B2Y unde coeficienii de
regresie liniar multipl B0, B1, B2 sunt dai de:
184
unde RXY

Teorema 5.6
1) Planul de regresie Z B0 B1 X B2Y are coeficienii B1, B2 ca soluii ale sistemului liniar:

B1S2X B2S XY S XZ
iar B0 Z B1 X B2 Y

2
B1S XY +B2SY SYZ
Dac regresia este fr termen liber (B0 = 0), B1 i B2 sunt soluiile sistemului liniar:
2

B1 xi B2 xi yi xi zi

B1 xi yi B2 yi yi zi
2) Limea fiei de ncredere este
2

n 1 1 RZ2. XY
SZ t ; (n 3)GL
2
n n 3

unde

RZ . XY este

definit n teorema 5.7


Demonstraie:
1) Dac regresia este cu termen liber (B0 = 0) vom minimiza variaia rezidual cu necunoscutele
2
2
B0, B1, B2: SPAZ XY z1 B1 x1 B2 y1 B0 zn B1 xn B2 yn B0 minim.
Anulnd derivatele pariale ale lui SPA Z.XY n raport cu B1, B2, B0, obinem sistemul de
ecuaii normale cu necunoscutele B1, B2, B0:
B1 xi2 B2 xi yi B0 xi xi zi

2
B1 xi yi B2 yi B0 yi yi zi
B
1 xi B2 yi nB0 zi
zi B xi B yi i nlocuim n primele dou ecuaii pe B0,
Din a 3-a ecuaie avem: B0
1
2
n
n
n
B1S2X B2S XY S XZ
dup mprirea ambilor membri cu n - 1 obinem:
de unde rezult B1 i B2.
2
B1S XY +B2SY SYZ
Dac regresia este fr termen liber (B0 = 0) vom minimiza variaia rezidual cu necunoscutele B1 i B2:
2
2
SPAZ.XY z1 B1 x1 B2 y1 zn B1 xn B2 yn minim.
Anulnd derivatele pariale ale lui SPA Z.XY n raport cu B1 i B2, gsim sistemul de ecuaii normale
2

B1 xi B2 xi yi xi zi
cu necunoscutele B1 i B2:
2

B1 xi yi B2 yi yi zi

Prin rezolvarea acestui sistem gsim pe B1 i B2.


2) Avem M(Z - B0 - B1X - B2Y) = M(Z) - B0 - B1M(X) - B2M(Y) = 0 i
Z-B0 -B1X-B2 Y
2
n este variabil N(0, 1).
V Z-B0 -B1X-B2 Y Z . XY deci variabila normat
Z . XY
n
Variabila
cu

n 3 S2Z . XY
Z2 . XY

Z-B0 -B1X-B2 Y
Z . XY

este variabila hi ptrat cu n - 3 GL, independent de variabila N(0, 1) notat

n . De aici rezult c:

185

Z-B0 -B1X-B2 Y
Z . XY

n:

n 3 S2Z . XY

2
Z . XY

Z-B0 -B1X-B2 Y
n este variabil Student cu n - 3 GL.
SZ . XY

n3
De aici rezult:

P t t t
2

1 adic intervalul de ncredere pentru Z-B -B X-B Y :


0

P Z B0 +B1X+B2 Y- ; B0 +B1X+B2 Y+

2
2

S
unde Z . XY t ;( n 3)GL este diferena limit.
2
2
n
innd cont de demonstraia teoremei 5.2 avem:
2
2
2
SPA Z . XY 1 RZ . XY SPA Z 1 RZ . XY n 1 SZ
2
deci avem:
SZ . XY

n3
n3
n3

n 1 1 RZ2. XY
SZ t ; (n 3)GL
2
n n 3

Graficul planului de regresie cu fia de ncredere are forma:


2

P+
P P

z
z

x
x
P + : Z B0 +B1X+B2 Y+

Aici planele de regresie P , P i P au ecuaiile: P : Z B0 +B1X+B2 Y


P - : Z B0 +B1X+B2 Y-
+

Q.E.D.
Teorema 5.7
1) Coeficientul de corelaie liniar multipl total este dat de relaia:
2
2
RZX
RZY
2 RZX RZY RXY
RZ . XY
2
1 RXY
Coeficienii de corelaie liniar multipl pariali sunt dai de relaiile:
RZX RZY RXY
RZY RZX RXY
RZX .Y
; R ZY . X
1 RZY2 1 RXY2
1 RZY2 1 RXY2

186

2) Aporturile variaiei X, Y, interaciunea X Y i E la variaia lui Z sunt:


A X,Y RZ2. XY ;
2
A X A X,Y A Y RZ2. XY RZY
;
2
A Y A X,Y A X RZ2. XY RZX
;
2
2
A XY A X,Y A X A Y RZX
RZY
RZ2. XY ;

A E 1 A X,Y 1 RZ2. XY
RZ2. XY
2
3) F X,Y
este variabil Fisher cu [2; n - 3] GL
:
2
1 RZ . XY n 3
RZX .Y
RZY . X
tX
n 2 i tY
n 2 sunt variabile Student cu n - 2 GL.
2
2
1 RZX
1

R
.Y
ZY . X

Demonstraie:
1) B0, B1, i B2 sunt dai de teorema 5.6, pct. 1); se verific prin calcul relaia:

j 1

zj Z

B1 x j +B2 y j B0 Z
j 1

z j B1 x j B2 y j -B0
n

j 1

adic SPAZ SPAR SPAZ . XY cu n -1 2 (n - 3)

(1)

GL

Definim coeficientul de corelaie liniar multipl total:


SPA Z . XY
RZ . XY 1
SPA Z
deci conform relaiei (1) avem: RZ . XY

SPA R

SPA Z

(2)

B x +B y B
z Z
1

nlocuind pe B1, B2 i B0 dai de teorema 5.1 pct. 1) n aceast expresie, rezult prin calcul:
2
2
RZX
RZY
2 RZX RZY RXY
.
2
1 RXY

RZ . XY

TXX

*
T TYX
T
ZX

Fie

TYY
TZY

Rezult RZ . XY 1

matricea adjunct a matricii de


corelaie T, format cu
complemenii algebrici ai
elementelor din T

TXZ

TYZ
TZZ

TXY

det T

(3)

TZZ

Dac B1, B2 i B0 sunt dai de teorema 1.1 punctul 1), se verific prin calcul relaia (cu Y = constant):

B x B y
2

1 i

SPAZ .Y SPARX SPAZ . XY

B0 Z
cu

z B x B y
2

1 i

B0

(4)

n - 2 1 (n - 3) GL

Definim coeficientul de corelaie liniar multipl parial (cnd Y = constant):


RZX .Y 1

SPA Z . XY
SPA Z .Y

(5)
187

deci conform relaiei (3) avem: RZX .Y

SPA RX

SPA Z .Y

B x +B y B
z Z
1 i

i nlocuind pe B1, B2 i B0 cu valorile lor din teorema 11.1 punctul 1), gsim prin calcul:

RZX .Y 1

1 RZ2. XY

2
1 RZY

RZX RZY RXY

(6)

1 RZY2 1 RXY2

Cu ajutorul complemenilor algebrici din T* avem: RZX .Y


2
Observm c: 1 RZ2. XY 1 RZY
1 RZX2 .Y de unde rezult:

TYZ
TYY TZZ
RZX .Y 1 RZ . XY 1
RZX .Y 0 RZ . XY RZY

n mod analog definim coeficientul de corelaie liniar multipl parial:


(cnd X = constant):
SPA Z . XY
care dup calcule capt forma:
RZY . X 1
SPA Z . X

RZY . X 1

1 RZ2. XY

2
1 RZX

RZY RZX RXY

1 R 1 R
2
ZX

2
XY

Cu ajutorul complemenilor algebrici din L* avem: RZY . X


2
Observm c: 1 RZ2. XY 1 RZX
1 RZY2 . X de unde rezult:

LXZ
LXX LZZ
RZY . X 1 RZ . XY 1
RZY . X 0 RZ . XY RZX

2) innd cont de relaia (2), relaia (1) se scrie:


SPA Z RZ2. XY SPA Z 1 RZ2. XY SPA Z sau 1 RZ2. XY 1 RZ2. XY aa c:
A X,Y RZ2. XY ; AE 1 RZ2. XY .

2
innd cont de relaia SPA Z .Y 1 RZY
SPAZ precum i de relaiile (2) i (4), relaia (3) devine:

1 R SPA
2
ZY

2
2
2
RZX
.Y 1 RZY SPA Z 1 RZ . XY SPA Z adic:

2
2
2
2
1 RZY
RZX
.Y 1 RZY 1 RZ . XY

2
2
2
2
deci AX RZX
.Y 1 RZY RZ . XY RZY A X,Y A(Y)

2
2
2
2
n mod analog rezult relaia: AY RZY
. X 1 RZX RZ . XY RZX A X,Y A X

2
2
RZY
RZ2. XY i AE 1 A X,Y 1 RZ2. XY
n fine: AXY A X,Y A X A Y RZY

3) Avem:
SPA Z
variana total: S

GL Z
2
Z

n 1

SPA R
variana regresiei totale: S

GL R
2
R

B x

1 i

B2 yi B0 Z
2

188

i variana rezidual: S

2
Z . XY

SPA Z . XY

GL Z . XY

Rezult variabila Fisher F X,Y

z -B x
i

1 i

B2 yi B0

n3

S2R
cu (2; n - 3) GL.
S2Z . XY

2
SPA Z . XY 1 RZ . XY SPA Z
SPA R RZ2. XY SPA Z
2
Dar S
aa c:

i SZ . XY

2
2
n3
n3
RZ2. XY
2
cu (2; n - 3) GL
F X,Y
:
2
1 RZ . XY n 3
Avem:
2
R

SPA Z .Y
GL Z .Y
variana regresiei pariale dup X (cnd Y = constant):

variana parial (cnd Y = constant): S2Z .Y

S2RX

SPA RX

GL RX

B x

1 i

B2 y0 B0 Z

variana rezidual: S

Rezult variabila Fisher FX

n2

1
2
Z . XY

SPA Z . XY

GL Z . XY

z -B x
i

1 i

B2 y0 B0

n3

S2RX
cu (1; n - 3) GL.
S2Z . XY

2
2
SPA Z . XY 1 RZX .Y SPA Z .Y
SPA RX RZX
2
.Y SPA Z .Y
Dar: S
aa c:

i SZ . XY

1
1
n3
n3
2
RZX
RZX .Y
1
.Y
FX
:
cu (1; n - 3) GL, deci: tX
n 3 este variabil Student cu n - 3 GL.
2
2
1 RZX .Y n 3
1 RZX
.Y
2
RX

n mod analog tY

RZY . X
2
1 RZY
.X

n 3 este variabil Student cu n - 3 GL. Q.E.D.

ntre coeficienii de corelaie pariali i coeficienii de regresie liniar multipl exist


S
S
relaiile: B1 RZX .Y Z .Y ; B2 RZY . X Z . X , care generalizeaz relaia de la corelaia liniar simpl
SX .Y
SY . X
S
ntre X i Y: B1 R Y .
SX

Ecuaia planului de regresie se poate scrie i sub forma: Z Z B1 X X B2 Y Y .


n continuare vom aborda testele pentru corelaia liniar multipl n populaie.
1) Coeficientul de corelaie liniar multipl total de sondaj RZ.XY este variabil de la un sondaj la
altul n jurul coeficientului de corelaie total necunoscut Z.XY din populaie.
Testul ipotezei H: Z.XY = 0 fa de alternativa H : Z . XY 0 se face pe baza teoremei 5.2
punctul 3) astfel:

189

RZ2. XY
2
cu (2; n - 3) GL. Din tabelele 4, 5, 6 din Anex, pentru
:
2
1 RZ . XY n 3
(2; n - 3) GL extragem valorile critice F0.05; F0.01; F0.001. Decizia asupra ipotezei H se ia astfel: dac
F(X,Y) < F0.05 ipoteza H se accept: Z.XY = 0 deci Z i perechea (X, Y) nu sunt corelate liniar n
populaie. n caz contrar avem cazurile:
a)
F0.05 F(X,Y) < F0.001 deci Z i (X, Y) sunt corelate liniar semnificativ.
b)
F0.01 F(X,Y) < F0.001 deci Z i (X, Y) sunt corelate liniar distinct semnificativ.
c)
F(X,Y) F0.001 deci Z i (X, Y) sunt corelate liniar foarte semnificativ.

Calculm F X,Y

2) Coeficienii de corelaie liniar multipl pariali de sondaj RZX.Y i RZY.X sunt variabili de la un
sondaj la altul n jurul coeficienilor de corelaie pariali necunoscui ZX.Y i respectiv ZY.X din
populaie.
Testul ipotezei H: ZX.Y = 0 fa de alternativa H : ZX .Y 0 se face pe baza teoremei 5.2
RZX .Y
punctul 3) astfel: se calculeaz tX
n 3 cu n - 3 GL. Din tabela 2 din Anex, pentru
2
1 RZX
.Y
n - 3 GL extragem valorile critice t0.025; t0.0025; t0.0005
Decizia asupra ipotezei H se ia astfel: dac tX < t0.025, ipoteza H se accept: ZX.Y = 0, deci Z
i X nu sunt corelate liniar n populaie pentru Y = constant.
n caz contrar avem cazurile:
a)
t0.025 tX < t0.0025 deci Z i X sunt corelate liniar semnificativ cnd Y = constant
b)
t0.0025 tX < t0.0005 deci Z i X sunt corelate liniar dinstinct semnificativ cnd Y = constant
c)
tX t0.0005 deci Z i X sunt corelate liniar foarte semnificativ cnd Y = constant
Decizia asupra ipotezei H : ZY . X 0 fa de alternativa H : ZY . X 0 se ia n mod
RZY . X
asemntor cu ajutorul lui tY
n 3 cu (n - 3) GL.
2
1 RZY
.X
Exemplu:
X = lungime carcas porci (cm)
Y = grosime strat grsime la greabn (cm)
Z = greutate n viu porci (kg)
Date de sondaj de la n = 10 porci:
xi
yi
zi

142
3.8
110

141
3.3
109

142
4
112

143
4.1
114

146
4.4
118

140
3
106

142
3.9
111

143
4
112

142
3.7
110

144
4.2
115

S se calculeze i s se testeze RZ.XY, RZX.Y, RZY.X, s se alctuiasc diagrama aporturilor i


s se calculeze planul de regresie z B1 x B2 y 2.5% (regresie fr termen liber: B0 = 0) i s se
efectueze prognoza lui Z pentru X = 150 cm; Y = 45 cm.
Soluie:
1) Vectorul mediilor este X 142.5 cm; Y 3.84 cm; Z 111.7 Kg

S2X 2.722 S XY 0.622 S XZ 5.389

Matricea de covarian este: S SYX 0.622 SY2 0.176 SYZ 1.324


SZX 5.389 SZY 1.324 S2Z 11.344

190

1
RXY 0.8989 RXZ 0.9697

Matricea de corelaie liniar: T RYX 0.8989


1
RYZ 0.9373
R 0.9697 R 0.9373

1
ZY
ZX

Matricea de covarian S se calculeaz n EXCEL astfel:


nscriem datele xi n celulele A1:A10 din coloana A, datele yi n celulele B1:B10 din coloana
B, i datele zi n celulele C1:C10 din coloana C, din foaia de calcul Nr.1.
Deschidem fereastra TOOLS n care activm opiunea DATA ANALYSIS. Aici activm opiunea
COVARIANCE n care declarm celulele A1:A10, B1:B10 i C1:C10 n care se gsesc datele.
Matricea de covarian S se va obine fie n foaia de calcul Nr. 2, fie tot n foaia de calcul
Nr. 1 unde se gsesc datele, prin declararea ca celule de rezultate a altor celule dect cele din blocul
de date A1:C10.
Matricea de corelaie liniar T se obine exact ca i S, dac n DATA ANALYSIS activm
opiunea CORRELATION.
2) Coeficientul

de

RZ . XY 0.9812 F X,Y

corelaie

multipl

total:

RZ . XY

2
2
RZX
RZY
2 RZX RZY RXY
2
1 RXY

devine

RZ2. XY
2
devine F X,Y 90.47 cu (2; 7) GL
:
2
1 RZ . XY n 3

Din tabelele 4, 5, 6 din Anex, avem F0.05 = 4.74; F0.01 = 9.55; F0.001.= 21.69 pentru (2; 7) GL.
Avem F(X,Y) = 90.47 > F0.001 = 21.69 deci corelaia liniar multipl ntre greutatea n viu a porcilor i
perechea de factori format din lungimea carcasei i grosimea stratului de grsime la greabn, este
foarte semnificativ deci RZ . XY 0.9812***
Coeficienii de corelaie multipl pariali:
RZX RZY RXY
RZX .Y
devine R ZX .Y 0.8328
1 RZY2 1 RXY2

RZY . X

tX
tY

RZY RZX RXY

1 RZX2 1 RXY2
RZX .Y

2
1 RZX
.Y

RZY . X
2
1 RZY
.X

devine R ZY . X 0.4297

n3

devine

tX 3.98

n3

devine tY 1.26 cu 7 GL.

cu

7 GL.

Din tabela 2 din Anex, pentru 7 GL gsim: t0.025 = 2.36; t0.005 = 3.50; t0.0005.= 5.41.
Cum t0.005 = 3.50 < tX < t0.005 = 5.41 corelaia liniar parial ntre greutatea n viu a porcilor
i lungimea carcasei cnd grosimea stratului de grsime este constant, este distinct semnificativ
deci RZX .Y 0.8328**
Cum tY < t0.025 = 2.36, corelaia liniar ntre greutatea n viu a porcilor i grosimea stratului
de grsime cnd lungimea carcasei este constant, este nesemnificativ deci RZY . X 0.4297

191

Aporturi:
A X,Y RZ2. XY 0.982 96.3%
2
A X RZ2. XY RZY
8.4%
2
A Y RZ2. XY RZX
2.2%

A XY A X,Y A X A Y 85.7%
A E 1 A X,Y 3.7%

Variaia total a greutii n viu a porcilor fiind considerat 100%, 8.4% din ea se datoreaz
variaiei lungimii carcasei, 2.2% din ea se datoreaz variaiei grosimii stratului de grsime, 85.7%
din ea se datoreaz variaiei interaciunii ntre lungimea carcasei i grosimea stratului de grsime iar
restul de 3.7% se datoreaz variaiei altor factori necontrolai numii Eroare care au fost relativ
constani pentru cele 10 exemplare din sondaj.
3) Planul de regresie: Z B1 X B2Y
(regesia este fr termen liber: B0 = 0)
B1 i B2 sunt soluiile sistemului liniar:
B1 xi2 B2 xi yi xi zi
203087 B1 5477.6 B2 159221

adic
de unde:

2
B1 x i yi +B2 yi yi zi
5477.6 B1 +149.04 B2 4301.2

B1 =

0.6441 Kg cretere greutate porc


cnd grosimea stratului de grsime este constant.
1 cm cretere lungime carcas

B2 =

5.1858 Kg cretere greutate porc


cnd lungimea carcasei este constant
1 cm cretere lungime carcas

Limea fiei de ncredere este:


2

n 1 1 RZ2. XY
SZ t ; (n 3)GL
2
n n 3

Pentru = 5% din tabela 2 din Anex, avem t0.005 = 2.36 pentru 7 GL aa c 2.5% = 0.55 Kg.
Planul de regresie cu fia de ncredere va fi: Z 0.6441X 5.1858Y 0.55 .
Prognoz pentru X = 70 cm; Z = 4.5 cm:
Valoarea ateptat a lui Z va fi:

119.45 Kg (Minima)

Za 0.6441 70 5.1858 4.5 0.55 119.95 Kg (Media)


120.50 Kg (Maxima)

La o lungime a carcasei de 70 cm i la o grosime a stratului de grsime de 4.5 cm, ne


ateptm ca greutatea n viu a tuturor porcilor din care provin cei 10, s fie cuprins ntre 119.45 Kg
i 120.50 Kg cu o ncredere de 95%. Exist semiriscul 2.5% ca aceast greutate s fie mai mic de
119.45 Kg atunci cnd cei 10 porci ai sondajului au fost alei cei mai performani ca greutate.
n mod simetric, exist semiriscul 2.5% ca aceast greutate s fie mai mare ca 120.50 Kg
atunci cnd cei 10 porci ai sondajului au fost alei cel mai puin performani ca greutate.
n tabelul de mai jos se gsesc valorile xi, yi, valorile ateptate zi, valorile ateptate zai i
diferenele zi = zi zai:

192

xi
62
61
62
63
66
60
62
63
62
64

yi
3.8
3.3
4
4.1
4.4
3
3.9
4
3.7
4.2

zi
110
109
112
114
118
106
111
112
110
115

zai
111.173
107.936
112.210
113.373
116.861
105.736
111.692
112.854
110.655
114.536

zi
-1.173
1.064
-0.210
0.627
1.139
0.264
-0.692
-0.854
-0.655
0.464

O sintez elegant a acestor calcule este dat n foaia de calcul C3P1.XLS pentru regresii cu
termen liber i n foaia de calcul C3P10.XLS pentru regresii fr termen liber, aflate n Anex.
5.3.2 Corelaia i regresia polifactorial liniar pentru cazul a m + 1 caractere
Fie X(1), X(2),..., X(m), Y notaiile pentru m + 1 caractere ale exemplarelor unei populaii.
Efectum un sondaj de n ansambluri de valori (x1i, x2i,..., xmi; yi); (i = 1,, n). Din aceste date
calculm urmtorii indicatori statistici de sondaj:
1 n
1 n
a)
Vectorul mediilor: X1 ,..., X m ;Y unde X i = xij ; Y = yi
n i =1
n i =1
b)
Matricea simetric de covarian de ordin m + 1:

S2X1

S X 2 X1
S ......

SX X
n 1
SYX
1

S X1 X 2

......

S X1 X n

S2X 2

......

SX 2 X n

......
SX n X 2

......
......

......
S2X n

SYX 2

......

SYX n

S X1Y

S X 2Y

......
S X nY

SY2

1 n
unde varianele sunt: S2 = 1 n x X
; SY2 =

yi Y
X
ij
i
n-1 j 1
n-1 i 1
1 n
1 n
2
sunt: S2
=
x

X
x

X
;
S
=
ik
xij X i
Xi X j
i
jk
j
X iY
n-1 k 1
n-1 j 1
i

c)

Matricea simetric de corelaie liniar de ordin m + 1:

RX 2 X 1
T ......

RX m X 1

RYX1

RX 1 X 2

......

RX 1 X m

......

RX 2 X m

......

......

......

RX m X 2

......

RYX 2

......

RYX m

RX1Y

RX 2Y
......

RX mY

iar covarianele

Funcia de regresie liniar multipl are forma: Y B0 B1 X1 ... Bm X m .


Coeficienii B0, B1,..., Bm se obin prin metoda celor mai mici ptrate:
193

Variaia

rezidual

SPAY . X1 ,..., X m y j B0 B1 x1 j ... Bm xmj minim


n

j 1

Anulnd derivatele pariale ale variaiei reziduale n raport cu B1,..., Bm, B0 obinem:
n

2 x1 j ( y j B0 B1 x1 j ... Bm xmj ) 0
j 1

................................................................
n

2 xmj ( y j B0 B1 x1 j ... Bm xmj ) 0


j 1
n

2 ( y j B0 B1 x1 j ... Bm xmj ) 0
j 1

sau:
n
n
n
n

2
B
x

...

B
x
x

B
x

x1 j y j

m 1 j mj
0 1j
1 1 j
j 1
j 1
j 1
j 1

................................................................................

n
n
n
n

2
B
x
x

...

B
x

B
x

xmj y j

1
mj
1
j
m
mj
0
mj

j 1
j 1
j 1
j 1

n
n
n

B
x

...

B
x

n
B

yj

m mj
0
1 1 j
j 1
j 1
j 1

(6)

Acesta este sistemul de m + 1 ecuaii normale al regresiei liniare multiple cu m + 1


necunoscute B0, B1,, Bm.
Fie matricea cu n linii i m+1 coloane:
B1
x21 ...... xm1 1
x11

i
fie
vectorul-coloan
al
necunoscutelor
B

X= ...... ...... ...... ...... ......


Bm


x1n
x2 n ...... xmn 1
B0
y1

respectiv vectorul-coloan al termenilor liberi Y
y
n
Sistemul (6) capt forma matricial: XT X B=XT Y
Dac rang

(7)

X m 1 adic det XT X 0 sistemul (7) are soluia matricial:

B= XT X XT Y
1

Sistemul (6) se poate aduce la forma:

B1S2X1 B2S X1 X 2 ... BmS X1 X m S X1Y

........................................................

2
B1S X m X1 B2S X m X 2 ... BmS X m S X mY
B Y B X ... B X
1
1
m
m
0
Pentru aceasta, se mparte ultima ecuaie din (6) cu n adic:
194

(8)

1 n
1 n
1 n
B1 x1 j ... Bm xmj B0 y j
n j 1
n j 1
n j 1
Ecuaia (9) se nmulete cu

x
j 1

1j

(9)

n ambii membri i rezultatul se scade din prima ecuaie

a sistemului (6), obinnd prima ecuaie a sistemului (8),.., ecuaia (9) se nmulete cu

x
j 1

mj

ambii membri i rezultatul se scade din a m - a ecuaie a sistemului (6), obinnd a m - a ecuaie a
sistemului (8).
n cazul regresiei fr termen liber (B0 = 0) sistemul de ecuaii normale are forma:
n
n
n

2
B
x

...

B
x
x

x1 j y j

m 1 j mj
1 1 j
j 1
j 1
j 1

..............................................................

n
n
n
2
B1 xmj x1 j ... Bm xmj
xmj y j

j 1
j 1
j 1

(10)

Matricea X0 are m linii i n coloane, avnd forma:

x11 x21 ...... xm1


X 0 = ...... ...... ...... ......
x1n x2 n ...... xmn
B1
y1


Cu vectorii-coloan B ; Y sistemul (10) capt forma matricial:
B
y
m
n
T
T
T
X0 X0 B=X0 Y i pentru det X0 X0 0 , acest sistem are soluia matricial:
B= XT0 X0 X0T Y
1

Ca i n demonstraia teoremei 5.1, se arat c limea fiei de ncredere este:

n 1 1 RY2X ,..., X
n n m 1

; (nm1) GL

(11)

unde RY2 X1 ... X m este definit mai jos n relaia (13).


Fie

Ti1 ,...,ik

Ti1 ,...,ik ;m1

valoarea minorului de ordin k + 1 din matricea de corelaie liniar R i fie

valoarea complementului algebric de ordin k din minorul precedent, format cu liniile i

coloanele i1, , ik, unde i1 ,..., ik 1, 2,..., m .


Conform relaiilor (2) i (3) definim coeficientul de corelaie liniar multipl total ntre Y i
X i1 ,..., X ik astfel:
195

RY X i ,..., X i 1
1

SPAY X i ,..., X i
1

SPAY

Ti1 ,...,ik ;m1

(12)

Ti1 ,...,ik

n particular pentru k = m avem coeficientul de corelaie liniar multipl total ntre Y i


toate caracterele X1,, Xm:

RY X1 ,..., X m 1

SPAY X1 ,..., X m
SPAY

T1,...,m;m1

(13)

T1,...,m

Ca i n demonstraia teoremei 5.7, testarea coeficientului de corelaie liniar total n


populaie adic verificarea ipotezei H : Y X ,..., X 0 fa de alternative H : Y X ,..., X 0
i1

i1

ik

ik

se face cu variabila Fisher:

F i1 ,...,ik

RY2 X i

,..., X ik

1 RY2 X i

,..., X ik

k
n k 1

k ; n k 1

cu

GL

(14)

(k = 1, 2,, m).
Conform relaiei (5) din demonstraia teoremei 1.7, definim coeficientul de corelaie
liniar multiplu parial ntre Y i X i ,..., X i cnd restul de caractere X j ,..., X j sunt
1
k
1
m k
constani:
SPAY X ,..., X
1 RY2 X ,..., X
(15)
RYX i

,..., X ik X

j1

,..., X

jm k

SPAY X j

,..., X

jm k

1 RY2 X j

,..., X

jm k

Ca i n demonstraia teoremei 5.7, testarea coeficientului de corelaie liniar parial n


populaie adic verificarea ipotezei: H : YX ,..., X X ,..., X
0 fa de alternativa
i
i
j
j
1

H : YX i

,..., X ik X j1 ,..., X jm k

F i1 ,...,ik
cu

2
RYX
i ,..., X i
1

mk

0 se face cu variabila Fisher:

X j1 ,..., X jm k

1 R

2
YX i1 ,..., X ik X j1 ,..., X jm k

k ; n m 1

k
n m 1

; (k = 1, 2,, m)

(16)

GL

n continuare vom calcula aporturile variaiei caracterelor X1,, Xm i interaciunii


acestora la variaia lui Y stabilite de ENE DUMITRU n lucrrile 42 i 48 (vezi Bibliografia).
a) Calculm aporturile totale ale variaiei caracterelor X i ,..., X i la variaia lui Y cu relaia:
1

X i1 ,..., X ik

2
Y X i1 ,..., X

(17)
ik

Pe baza acestei relaii calculm 2m - 1 aporturi totale:


C1m aporturi ale cte unui factor: A
,..., A
X1

Xm

196

C 2m aporturi ale ansamblurilor a 2 factori:

A X1 ; X 2 ,..., A X m1 ; X m
................................

C km aporturi ale ansamblurilor a k factori: A X1 ,..., X k ,..., A X mk 1 ,..., X m


.......................................
Cmm 1 aporturi ale ansamblurilor a m factori:

A( X1 ,..., X m )
Cel de al 2m-lea aport total este aportul erorii:

AE 1- A X1 ,..., X m

b) Aporturile pariale ale variaiei factorilor X i ,..., X i i interaciunilor lor cnd restul
factorilor X j ,..., X j
sunt constani, la variaia lui Y, vor fi date de relaiile:
1

m k

A X i ... X i A X ,..., X
1
k
j1
jm k

A X , X ,..., X
... A X , X ,..., X
ik j1

jm k
jm k
i1 j1

(18)

A X , X , X ,..., X
... A X , X X ,..., X
ik 1 ik j1
i1 i2 j1
jm k
jm k

... 1

k 1

A X ,..., X
1 m

n membrul drept al acestei relaii, n prima parantez ptrat avem C0k 1 , aporturi totale
cu m - k factori, n a doua parantez ptrat avem C1k aporturi totale cu m k + 1 factori, n a treia
parantez ptrat avem Ck2 aporturi totale cu m - k + 2 factori etc., n ultima parantez ptrat avem
Ckk 1 aporturi totale cu m factori. n total n membrul drept al relaiei (18) avem n cele k + 1
paranteze ptrate, un numr de 2k aporturi totale.
Mai departe avem:

A X1... X m A ( X1 ,..., X m ) A X1 ... AX m


A X1 X 2 ... AX m1. X m
... A X1... X m1 A X 2 ... X m
adic:

197

A X1... X m A X1 ... A X m

A X1 , X 2 ... A X m1 , X m

(19)

A X1 , X 2 , X 3 ... A X m2 , X m1 , X m

... (1) m A X1 ,..., X m1 A X 2 ,..., X m

(1) m1 A X1 ,..., X m

A X1

Pe baza relaiilor (18) i (19) calculm 2m - 1 aporturi pariale n care se descompune


:
,..., X
m

C aporturi pariale, ale cte unui factor (k = 1) cu relaia (18):


1
m

A X1 ,..., A X m
C 2m aporturi pariale ale interaciunilor a cte 2 factori (k = 2) cu relaia (18):

A X1 X 2 ,..., A X m1 X m
................................
C km aporturi pariale ale interaciunilor a cte k factori, cu relaia (18):

A X1... X k ,..., A X mk 1... X m


.......................................
Cmm 1 aporturi pariale ale interaciunii celor m factori, cu relaia (19):

A X1... X m
Cel de al 2m-lea aport este:

A E 1- A X1 ,..., X m

n final se ntocmete diagrama aporturilor pariale ale variaiei factorilor X1 ,..., X m i a


interaciunilor lor cte 2, 3,, m, la variaia lui Y presupus a fi egal cu 100%.
Exemplu:
X1 = talia plantei de porumb la recoltare (cm)
X2 = suprafaa foliar a plantei de porumb la recoltare (cm2)
X3 = numrul de boabe pe plant la recoltare
Y = greutatea boabelor pe plant la recoltare
Date de sondaj de la n = 10 plante:
x1
x2
x3
y

210
2080
315
42

215
2100
320
44

200
2000
300
40

220
2150
340
50

218
2120
325
46

225
2210
370
55

198

230
2300
400
60

226
2230
380
58

206
2050
310
41

220
2160
350
52

Se calculeaz:
1) Vectorul mediilor:
X1 217 cm; X 2 2140 cm2 ; X 3 341 boabe; Y 48.8 g;

2) Matricea de covarian:

S2X1 88.4444;

S X X 821.1111;
S 2 1
S X 3 X1 291.1111;
S 64.5556;
YX1

S X1Y 64.5556

S2X 2 8044.4440;
S X 2 X 3 2933.3330; S X 2Y 635.5556

S X 3 X 2 2933.3330; S2X 3 1104.4450;


S X 3Y 239.1111
SYX 2 636.5560;
SYX 3 239.1111;
SY2 52.8444
S X1 X 2 821.1111;

S X1 X 3 291.1111;

3) Matricea de corelaie liniar:

RX1 X1 1;

RX 2 X1 0.9735;
T
R
0.9314;
X 3 X1
RYX 0.9443;
1

RX1 X 2 0.9735;

RX1 X 3 0.9314;

RX 2 X 2 1;

RX 2 X 3 0.9841;

RX 3 X 2 0.9841;

RX 3 X 3 1;

RYX 2 0.9748;

RYX 3 0.9898;

RX1Y 0.9443

RX 2Y 0.9748
RX 3Y 0.9898

RYY 1

4) Calculul i testarea coeficienilor de corelaie totali:


- bifactoriali:

TX1 X 2

1
0.9735 0.9443

TX1 X 2Y 0.9735 1
0.9748 0.002581

0.9443 0.9748 1

0
0.9735
TX1 X 2
0.052298

0.9735 1

Rezult RY.X1X2 = 0.975012


RY X1 X 2

TX1 X 2Y

unde:

TX1X 3Y 0.002187 i TX1X 3 0.132494 deci R Y X1X 3 0.991712


Analog:

TX 2 X 3Y 0.0006397 i TX 2 X 3 0.0315473 deci R Y X 2 X 3 0.989809

- trifactorial:

RY X1X 2 X 3 1

TX1 X 2 X 3Y
TX1X 2 X 3

199

Dar

TX1X 2 X 3Y det. T 0.00000508

TX1X 2 X 3 0.00094115 RY . X1X 2 X 3 0.997298


Testarea coeficienilor de corelaie totali:
- monofactoriali:

RYX1 0.944*** ; RYX 2 0.975*** ; RYX 3 0.990*** cu 10-2 8 GL.


Valorile critice R pentru 8 GL din tabela 10 din Anex, sunt 0.632; 0.765; 0.872 deci cei
2

trei coeficieni sunt foarte semnificativi.


- bifactoriali:

RY X1X 2 0.971; R Y X1X 3 0.992; R Y X 2 X 3 0.894


RX2 i X j

2
F X , X
:
2
i
j
1 RX i X j n 3

cu

2; n-3 GL d:

F X1 , X 2 57.733; F X1 , X 3 217.697; F X 2 , X 3 13.933 cu

2; 7

GL

Din tabelele 4, 5, 6 din Anex, avem valorile critice F cu [2; 7] GL:


F0.05 = 19.35; F0.01 = 99.35; F0.0005 = 999.35 deci:

RY X1X 2 0.971* ; RY X1X 3 0.992** ; RY X 2 X 3 0.894


- trifactoriali:

RY X1X 2 X 3 0.977; F X1 , X 2 , X 3

RY2 X1X 2 X 3

1 RY2 X1X 2 X 3

3
333.834
n4

Din tabelele 4, 5, 6 din Anex, avem valorile critice F cu [3; 6] GL:


F0.05 = 8.94; F0.01 = 27.91;F0.001 = 132.8 deci: RY X X X 0.997***
1

5) Calculul i testarea coeficienilor de corelaie pariali:


- monofactoriali:

RYX1 X 2 X 3

1 RY2 X1X 2 X 3
1 RY2 X 2 X 3

n mod analog

0.985 .

RYX 2 X1X 3 0.791 i RYX 3X1X 2 0.946 toi cu n 4 = 6 GL.

Din tabela 10 din Anex, avem valorile critice R pentru 6 GL: R0.025 = 0.707; R0.005 =
2

0.834;R0.0005 = 0.925 deci:

RYX1X 2 X 3 0.985 ; RYX 2X1X 3 0.791* i RYX 3X1X 2 0.946***


***

- bifactoriali:

RYX1X 2 X 3 1

1 RY2 X1X 2 X 3
2
1 RYX
3

0.837

200

n mod analog

RYX 2X1X 3 0.937 i RYX 3X1X 2 0.972

Avem:

FX i . X j

2
RYX
k X i X j

1 R

2
YX k X i X j

2
n4

cu

2; n-4 GL

Din tabelele 4, 5, 6 din Anex, avem valorile critice F cu [2; 6] GL: F0.05 = 19.33; F0.01 =
99.30; F0.001 = 999.30
Rezult: FX1.X2 = 7.02; FX1.X3 = 21.58; FX2.X3 = 51.33 cu (2; 6) GL deci:

RYX1X 2 X 3 0.837; RYX 2 X1X 3 0.937* i RYX 3X1X 2 0.972*


6) Calculul aporturilor totale i pariale:
a) totale:
- monofactoriale:
2
2
2
A X1 RYX
0.891702; A X 2 RYX
0.950235; A X 3 RYX
0.970704
1
2
3

- bifactoriale:

A X1 , X 2 RY2 X1X 2 0.950648; A X1 , X 3 RY2 X1X 3 0.983494; A X 2 , X 3 RY2 X 2 X 3 0.979723


- trifactoriale:

A X1 , X 2 , X 3 RY2 X1X 2 X 3 0.994602


b) pariale:
- monofactoriale:

A X1 A X 2 , X 3 A X1 , X 2 , X 3 0.014879 1.5%;
A X 2 A X1 , X 3 A X1 , X 2 , X 3 0.011080 1.1%;
A X 3 A X1 , X 2 A X1 , X 2 , X 3 0.043954

4.4%

- bifactoriale:

A X1 . X 2 A X 3 A X1 , X 3 A X 2 , X 3 A X1 , X 2 , X 3
0.011089 1.1%;
A X1 . X 3 A X 2 A X1 , X 2 A X 3 , X 2 A X1 , X 2 , X 3
0.014466 1.4%;
A X 2 . X 3 A X1 A X 2 , X1 A X 3 , X1 A X1 , X 2 , X 3
0.047838 4.8%

- trifactorial:

A X1 . X 2 . X 3 A X1 , X 2 , X 3 A X1 A X 2 A X 3 A X1 , X 2 A X1 , X 3 A X 2 , X 3
0.892426 89.3%
201

Aportul erorii:

AE 1 A( X1 , X 2, X 3 ) 0.00539798 0.5%
7) Calculul funciei de regresie liniar i a fiei de ncredere:
Y = B1X1 + B2X2 + B3X3 /2 (regresia este fr termen liber: B0 = 0).
B1, B2, B3 sunt soluiile sistemului liniar:
n
n
n
n

2
B
x

B
x
x

B
x
x

x1 j y j

1 1 j
2 1j 2 j
3 1j 2 j
j

1
j

1
j

1
j

n
n
n
n

2
B
x
x

B
x

B
x
x

x2 j y j
1 2 j 1 j

2 2j
3 2 j 3 j
j 1
j 1
j 1
j 1
n
n
n
n

2
B1 x3 j x1 j B2 x3 j x2 j B3 x3 j x3 j y j

j 1
j 1
j 1
j 1

adic:
471686*B1 + 4651190*B2 + 742590*B3 = 106477
4651190*B1 + 45868400*B2 + 7323800*B3 = 1050040
742590*B1 + 7323800*B2 + 1172750*B3 = 168560
0.4258 g cretere greutate boabe
de unde: B1
cnd suprafaa foliar i numrul de boabe pe
1 cm cretere talie
plant sunt constante.
0.0644 g cretere greutate boabe
cnd talia i numrul de boabe pe plant sunt constante.
B2
1 cm2 cretere suprafa foliar
0.2761 g cretere greutate boabe
B3
cnd talia i suprafaa foliar sunt constante.
1 bob cretere nr. boabe pe plant
Limea fiei de ncredere este:

n 1 1 RY2 X X X
n n 3

2.5%

10 11 0.997
10 10 3

; (n 4) GL

52.844 2.45 0.49 g

Ecuaia funciei de regresie liniar cu fia de ncredere 2.5% este: Y = 0.4258X1 - 0.0644X2 +
0.2761X3 0.49
Prognoz:
Pentru X1 235 cm; X2 2350 cm2 ; X3 420 boabe avem greutatea ateptat a boabelor
pe plant:
64.20 g Minima

Ya 0.4258 235 0.0644 2350 0.2761 420 0.49 64.69 g Media


65.18 g Maxima

n tabelul de mai jos, se gsesc valorile x1i, x2i, x3i, valorile observate yi, valorile ateptate yai
i diferenele: yi = yi - yai:
202

x1i
210
215
200
220
218
225
230
226
206
220
5.3.3

x2i
2080
2100
2000
2150
2120
2210
2300
2230
2050
2160

x3i
315
320
300
340
325
370
400
380
310
350

yi
42
44
40
50
46
55
60
58
41
52

yai
42.48
44.70
39.23
49.14
46.07
55.69
60.30
57.59
41.33
51.25

yi
- 0.48
- 0.70
0.77
0.86
- 0.07
- 0.69
- 0.30
0.41
- 0.33
0.75

Corelaia i regresia polifactorial polinomial de grad p fr interaciuni


pentru cazul a m + 1 caractere

Fie X1 ,X2 ,...,Xm , Y notaiile pentru m + 1 caractere ale exemplarelor unei populaii.
Efectum un sondaj de n ansambluri de valori x1i , x2i ,..., xmi , yi ; 1 i n . Funcia de

regresie neliniar multipl are forma: Y f X1 , X 2 ,..., X m ; B1 , B2 ,..., Bd unde B1, B2,, Bd sunt
d coeficieni de regresie neliniar multipl necunoscui care vor fi determinai prin metoda celor
mai mici ptrate (variaia rezidual a datelor de sondaj este minim):

SPAY X1 ,..., X m y j f x1 j , x2 j ,..., xmj ; B1 , B2 ,..., Bd minim.


n

j 1

Derivatele pariale ale acestei variaii reziduale n raport cu B1, B2,, Bd trebuie s fie nule:

SPAY X1 ,..., X m
B1

0,

SPAY X1 ,..., X m
B2

0,...,

SPAY X1 ,..., X m
Bd

0,

Am obinut sistemul de ecuaii normale care este neliniar i care furnizeaz pe B1, B2,, Bd.
Raportul de corelaie neliniar multipl se calculeaz cu formula:

Rc 1

SPAY X1 ,..., X m
SPAY

Testarea acestui raport se face cu variabila Fisher:


2
Rc
d 1
F
:
cu d -1; n d GL
2
1 Rc n d
Avem m factori X1,, Xm care acioneaz asupra caracterului Y. Dispunem de n seturi de
msurtori pentru ansamblul (X1,, Xm; Y) i anume:
X11,, Xm 1; Y1
.
X1n,, Xm n; Yn
a) Funcia de regresie are forma:
m
m p

Y (Bi1Xi Bi2 Xi2 ... Bip X ip ) B0 adic Y BijXij B0


i 1
i 1 j1

Parametrii necunoscui sunt:


B11,, B1p (coeficienii pentru X1)
..
Bm1,, Bmp (coeficienii pentru Xm)
203

(1)

Numrul acestor parametri este d = p.m + 1


Trebuie s avem n > m.p + 1 de unde:
p Int[(n - 1)/m]
n cazul regresiei fr termen liber (B0 = 0) avem p Int(n/m)
Variaia rezidual este:
p
n
m

E=SPA YX1...Xm y ( Bij (x i ) j ) B0 min im


1
i 1
j1

(2)

Condiia necesar de minim este: E/Bij = 0 (1 i m; 1 j p); E/B0 = 0, adic m.p + 1


ecuaii cu m.p + 1 necunoscute Bij i B0 de forma:
n
p
n
n
j
k
k
k
Bij (x i ) (x h ) B0 (x h ) (x h ) y ;

i=1 j=1
1
1

(h 1,..., m;k 1,..., p)


m

(3)

n
p
n
j
Bij (x i ) B0 n y

i=1 j=1
1
1

n cazul regresiei fr termen liber (B0 = 0) avem m.p parametri necunoscui Bij dai de m.p
n
p
n
j
k
(4) Bij (x i ) (x h ) (x h ) k y ;(h 1,..., m;k 1,..., p)
i=1 j=1
1
1

ecuaii:
b)
Dup calculul celor m.p + 1 parametri de regresie Bij i B0, vom calcula raportul de corelaie
neliniar Rc cu formula cunoscut:
iar SPAY.X1Xm este dat de relaia (2) n care Bij, B0 sunt dai de sistemul liniar (3) sau (4).
R c2
d-1
F
:
este variabil Fisher cu (d-1;n-d) grade de libertate
2
1 R c n-d
(5)

Rc

SPA YX1 ...X m


SPA Y

; SPA Y

(y

y) 2

R c2
mp
(6)
F
:
este variabil Fisher cu (m p;n-m p-1) grade de libertate
2
1 R c n-m p-1
unde d = m.p + 1 este numrul parametrilor necunoscui Bij, B0.
Rezult c:
ceea ce permite testarea semnificaiei corelaiei polinomiale multiple fr interaciuni.
n cazul regresiei fr termen liber (B0 = 0) relaia (6) devine:
(7)

R c2
m p-1
F
:
este variabil Fisher cu (m p-1;n-m p) grade de libertate
2
1 R c n-m p

Cazuri particulare:
I. Pentru m = 1; p = 1 obinem corelaia i regresia liniar monofactorial (vezi seciunea 5.1)
II. Pentru m = 1 obinem corelaia i regresia polinomial monofactorial (vezi seciunea 5.2)
III.Pentru p = 1 obinem corelaia i regresia liniar polifactorial (vezi seciunea 5.3.2)
204

Exemplu:
Lum m = 3 factori i n = 12 msurtori iar regresia este cu termen liber deci lum p = 3.
X1 = Azotat de amoniu (kg/ha)
X2 = Superfosfat (kg/ha)
X3 = Sare potasic (kg/ha)
Y = Gru (kg/ha)
Date de pe n = 12 parcele experimentale:
X1
X2
X3
Y

0
0
0
1500

40
30
10
1700

80
60
20
1900

120
90
30
2200

160
120
40
2400

200
150
50
2700

240
180
60
3100

280
210
70
3600

320
240
80
4000

330
250
90
3700

350
260
95
3500

400
270
100
3000

Tabel cu valori observate Y, valori ateptate Yc i diferene DY:


Y
1500 1700 1900 2200 2400 2700 3100 3600
Yc
1503 1698 1911 2150 2424 2741 3108 3536
DY - 3
2
- 11 50
- 24 - 41 - 8
64

4000
4030
- 30

3700
3693
7

3500
3507
-7

3000
2999
1

Rezultate:
a) Coeficienii de regresie polinomial sunt:
B11 = - 438.795 (coeficientul lui X1)
B12 = - 0.571 (coeficientul lui X12)
B13 = 0 (coeficientul lui X13)
B21 = 360.308 (coeficientul lui X2)
B22 = 0.442 (coeficientul lui X22)
B23 = - 0.002 (coeficientul lui X23)
B31 = 693.091 (coeficientul lui X3)
B32 = - 13.063 (coeficientul lui X32)
B33 = 0.064 (coeficientul lui X33)
Termenul liber al regresiei polinomiale este B0 = 1503.453

b) Variaia ptratic rezidual a lui Y dup X 1, X2, X3 este E = 10080.91 iar variaia ptratic
total a lui Y este SPA Y = 7742504 deci conform relaiei (5) raportul de corelaie neliniar este
Rc = 0.99935
Din relaia (6) rezult F = 170.77 cu (9; 2) grade de libertate. Din tabelele 4, 5, 6 pentru
(9; 2) GL avem valorile critice F5% = 19.38; F1% = 99.39; F0.1% = 999.4
Deoarece F1% < F < F0.1%, corelaia polinomial multipl este distinct semnificativ deci
Rc = 0.99935* *
5.3.4

Corelaia i regresia polifactorial polinomial de grad 3 cu interaciuni pentru


cazul a m + 1 caractere

Funcia de regresie polinominal cubic cu interaciuni are forma:


m

i 1

i 1

j 1

i 1

Y B3i X i3 B2ij X i X j B1i X i B0


Avem coeficienii de regresie necunoscui B3i, B2ij, B1i i B0 n numr egal cu d = m + m2 +
m + 1 = (m + 1)2.
205

Datele de sondaj au forma x1l ,..., xml ; yl ; 1 l m .


Ecuaiile normale care dau coeficienii de regresie necunoscui, vor avea forma:
m
m
m
m
n 3 3
n
n
3
3
B3i xil xhl B2ij xil x jl xhl B1i xil xhl

i 1
l 1
i 1 j 1
l 1
i 1
l 1

n 3 n 3
B0 xhl
xhl yl
l 1
l 1

unde 1 h m ;
m
m
m
n 3

B3i xil xhl xkl B2 ij xil x jl xhl xkl B1i xil xhl xkl

i 1
l 1
i 1 j 1
l 1
i 1
l 1

n
n

B0 xhl xkl xhl xkl yl unde 1 h; k m ;


l 1
l 1

m
m
m
n 3

B
x
x

B
x
x
x

3i il hl
2 ij il jl hl
1i xil xhl
i 1
l 1
i 1 j 1
l 1
i 1
l 1

n
n

B0 xhl xhl yl
l 1
l 1

unde 1 h m

m
m
m
n 3
n

B
x

B
x
x

3i il
2 ij il jl
1i xil
i 1
l 1
i 1 j 1
l 1
i 1
l 1

n B0 yl
l 1
n total avem d = m + m2 + m + 1 = (m + 1)2 ecuaii cu (m + 1)2 necunoscute:
B 211 ,..., B21m
B31 ,..., B3m ; ..................... ; B11 ,..., B1m ; B0
B ,..., B

2 mm
2 m1
Sumele dup l de la 1 la n din parantezele rotunde se calculeaz pe baza datelor de sondaj.
m m 1 m2 5m 2
Din cele d = (m + 1)2 ecuaii normale precedente, numai d
sunt

2
2
m m 1
independente, iar
sunt dependente de ele.
2
m m 1
m m 1
Din cele d = (m + 1)2 necunoscute numai d
sunt diferite iar restul de
2
2
sunt egale ntre ele, datorit simetriei B2ij B2 ji ; 1 i; j m .
Raportul de corelaie neliniar total se calculeaz cu formula cunoscut:

Rc

SPAY X1 ,..., X m
SPAY
206

Testarea acestui coeficient se face cu valoarea Fisher:


m2 5m 2
2
1
Rc
m2 5m 2
m2 5m 2
2
F
:
cu
;
n

GL
2
2
2
2
1 Rc n m 5m 2

2
Exemplu:
X1 = ngrmnt chimic NPK (zeci Kg/ha)
X2 = ap irigaie (sute m3/ha)
Y = producie de porumb (t/ha)
Date de sondaj:
x1i
0
5
5
5
10
10
10
15
15
15
20
20
20

x2i
0
10
15
20
10
15
20
10
15
20
10
15
20

yi
3
4
4.8
6.3
5.8
6.7
7.4
8.5
9.2
9.4
9.7
9.9
10

Rezultate:
1) Vectorul mediilor:
x 11.54 sute Kg NPK/ha
y 13.85 sute m3 ap/ha
z 7.28 t porumb/ha

2) Coeficieni de regresie liniar cubic cu interaciuni:


B0 = 3
B11 = - 0.5865; B12 = 0.1085
B211 = 0.11064; B212 = B221 = - 0.01334; B222 = 0.000310
B31 = - 0.003155; B32 = - 0.000310
3) Tabel cu valorile x1i, x2i, valorile observate yi, valorile ateptate yai i diferenele yi:
x1i
x2i
yi
Yai
yI
0
0
3
3
0
5
10
4
3.89
0.11
5
15
4.8
5.04
-0.24
5
20
6.3
6.97
0.13
10
10
5.8
5.82
-0.02
10
15
6.7
6.64
0.06
10
20
7.4
7.43
-0.03
15
10
8.5
8.56
-0.06
207

15
15
9.2
9.04
0.16
15
20
9.4
9.50
-0.10
20
10
9.7
9.73
-0.03
20
15
9.9
9.88
0.02
20
20
10
10.00
0
4) Raportul de corelaie neliniar este:
0.13275
Rc 1
0.999
68.51685
m2 5m
2
Rc
2
Valoarea Fisher: F
, cu m = 2 i n = 13 devine: F = 356.6
:
2
2
1 Rc n m 5m 2
2
Valorile critice din tabelele 4, 5, 6 din Anex, cu [7; 5] GL sunt: F0.05 = 3.97; F0.01 = 7.46 i
F0.001 = 16.21, deci Rc = 0.999* * *

5.4 REZUMAT
n acest capitol se prezint corelaia i regresia monofactorial liniar precum i corelaiile
i regresiile monofactoriale neliniare exemplificate prin corelaiile i regresiile polinomial,
trigonometric i polinomial-trigonometreic.
Se prezint corelaia i regresia polifactorial liniar i neliniar.
Se calculeaz aporturile factorilor n corelaia polifactorial liniar.

5.5 NTREBRI
1.
2.
3.
4.
5.
6.
7.
8.

Ce sunt coeficientul de corelaie liniar i coeficienii de regresie liniar?


Ce sunt raportul de corelaie neliniar i coeficienii de regresie neliniar?
Ce este autocorelaia i cross-corelaia seriilor de timp?
Ce avantaje prezint corelaia i regresia polinomial-trigonometric?
Ce sunt coeficienii de corelaie liniar multipli totali i cum se testeaz ei?
Ce sunt coeficienii de corelaie liniar multipli pariali i cum se testeaz ei?
Ce sunt coeficienii de regresie liniar multipl?
Prin ce se deosebesc rapoartele de corelaie neliniar multipl de coeficienii de corelaie liniar
multipl?

5.6 BIBLIOGRAFIE
1. D. Ene, M. Drghici, I.N. Alecu: Statistic aplicat n agricultur, Ed. Ceres, 2003
2. M. Iosifescu i col.: Mic enciclopedie de statistic, Ed. tiinif. i Enciclop., 1985
3. Anuarul statistic al Romniei, 1990 2009

208

BIBLIOGRAFIE GENERAL
1. ANDREI T., STANCU S., PELE D.T.: Statistic, Ediia II, Ed. Economic, 2002
2. ALECU I.N. i col.: Management n agricultur, Ed. Ceres, 1997
3. ANDREESCU E.: Curs de matematic i statistic biologic, AMD, IANB, 1980
4. ANGHELACHE C.: Statistic general, Ed. Economic, 1999
5. ANUARUL STATISTIC AL ROMNIEI, 1991 - 2003
6. BARON T., ANGHELACHE C., TIAN E.: Statistic Ed. Economic, 1996
7. BDI M., BARON T., KORKA M.: Statistic pentru afaceri, Ed. Eficient, Bucureti, 1998
8. BERCA M.: Ecologie general i protecia mediului, Ed. Ceres, 2000
9. BIJI E., NEGUR I.: Aplicaii statistice n conducerea activitii din agricultur, Ed. Ceres, 1980
10. BIJI E.M. i col.: Statistica managerial a agentului economic din agricultur, Ed. Ceres, 1998
11. BIJI M. i col.: Tratat de Statistic, Ed. Economic, 2002
12. CEAPOIU N.: Metode statistice aplicate n experienele agricole i biologice, Ed.
Agrosilvic, 1968
13. CAPANU I., ANGHELACHE C.: Indicatori economici, Ed. Economic, 2000
14. CLOCOTICI V., STAN A.: Statistic aplicat n psihologie, Ed. Polirom, 2000
15. DAGNELIE P.: Statistique thorique et applique, tome 1, 2 De Boeck et Larcier, 1998
16. DAVIES R.G.: Computer Programming in Quantitative Biology, Academic Press, 1971
17. DRGHICI M., ALECU I.M., DINU T.: Management general, Lito AMC, 1999
18. DRGHICI M.: AGR1. Producie vegetal, Sistem informatic integrat destinat planificrii
afacerilor exploataiei agricole, USAMV, 2003
19. DUMITRESCU M.: Teoria sondajelor statistice, Ed. Tehnic, 2003
20. ENE D.: Calculul i interpretarea unor indicatori informaionali n statistica agricol, Lucrri
tiinifice IANB, Seria E, vol. XVII (1974), 92 - 95
21. ENE D.: Calculul aporturilor variaiei factorilor n agricultur i al concentraiei acestora,
Lucrri tiinifice IANB, Seria E, Vol. XX XXI (1977 - 1978), 25 - 30
22. ENE D.: Curs de Matematic i Biometrie, (Litografiat Atelierele de material Didactic
USAMV), 1979
23. ENE D.: Asupra unei funcii de producie unifactoriale, Lucrri tiinifice IANB, Seria E,
vol. XXIV (1981), 89 - 92
24. ENE D.: Generalizarea unor indicatori statistici de evoluie, Lucrri tiinifice IANB, Seria E,
vol. XXIV (1981), 93 - 96
25. ENE D.: Programe de calculator pentru funcia de regresie liniar pe poriuni, Lucrri
tiinifice IANB, Seria E, vol. XXV (l982), 75 - 84
26. ENE D. Asupra concentrrii i specializrii produciei agricole pe ramuri, Lucrri tiinifice
IANB, Seria E, vol. XXV (1982), 85 - 90
27. ENE D.: Asupra calculului aporturilor variaiei factorilor n variaia produciei agricole,
Lucrri tiinifice IANB, Seria E, vol. XXVI (1983), 89 - 92
28. ENE D.: Aducerea n limite normale a valorii heritabilitii estimat prin metoda regresiei,
Comunicare la Simpozionul tiinific internaional de Zootehnie, Iai, 12 - 13 XII, 1996
29. ENE D., DRGHICI M., ALECU I.N.: Statistic aplicat n agricultur, Ed. Ceres, 2003
30. ENE D.: Matematici(I) (Algebr i programare liniar), Ed. Ceres, 2004
31. ENE D. Matematic cu aplicaii n biologie i tiine agricole, Ed. ALL, 2004
32. ENE D.: Programe executabile de algebr liniar, analiz numeric, optimizri i statistic
pentru agricultur, 2005
33. GOGONEA S., ENE D.: Analiz numeric, Ed. Cartea Universitar, 2005
34. GROSU H., LUNGU S., KREMER V.D.: Modele liniare utilizate n ameliorarea genetic a
animalelor, Ed. Coral Sanivet, 1997

209

35. IOSIFESCU M., TUTU P.: Procese stohastice i aplicaii n biologie i medicin, Ed. Academiei
R.S.R., 1968
36. IOSIFESCU M.: Lanuri Markov finite i aplicaii, Ed. Tehnic, 1977
37. IOSIFESCU M., MOINEAGU C., TREBICI V., URSIANU E.: Mic Enciclopedie de
Statistic, Ed. tiinific i Enciclopedic, 1985
38. ISAIC-MANIU A., GRDINARU A., VOINEAGU V., MITRU C.: Statistic teoretic i
economic, Ed. Tehnic, Chiinu, 1994
39. ISAIC-MANIU A., VOD GH.V.: Manualul calitii, Ed. Economic, 1997
40. JABA E.: Statistic, Ediia II, Ed. Economic, 2000
41. JOHNSTON J.: Econometric Methods, 3rd Edition, McGraw-Hill, 1984
42. KENDALL M.: Time-Series, C. Griffin & Co., London, 1976
43. MALIA M., ZIDROIU C.: Matematica organizrii, Ed. Tehnic, 1975
44. MARINESCU I.: Analiz factorial, Ed. tiinific i Enciclopedic, 1984
45. MATHER K.: The Elements of Biometry, Meuthen, 1967
46. MERCE E., URS FL., MERCE C.: Statistic, Ed. Academic Pres, 2001
47. METCALFE A.V.: Statistics an Engineering, Ed. Chapman & Hall, 1994
48. MIHOC GH., URSEANU V.: Tratat de statistic matematic, Ed. Academiei R.S.R., 1976 - 1977
49. MONTGOMERY D.C., RUNGER G.C.: Applied Statistics and Probability For Engineers,
J. Wiley, 1994
50. NEGOESCU GH., CIOBANU R., BONTA C.A: Bazele statisticii pentru afaceri, Ed. ALL
BECK, 1999
51. OANCEA M.: Tratat de management n unitile agricole, Ed. Ceres, 1999
52. OTIMAN P.I., CRE F.: Elemente de matematici aplicate n economia agroalimentar,
Ed. Agroprint, 2002
53. PECICAN E.S.: Econometrie, Ed. ALL, 1994
54. POSTELNICU T., TUTU P.: Metode matematice n medicin i biologie, Ed. Tehnic, 1971
55. PURCARU I.: Informaie i corelaie, Ed. tiinific i Enciclopedic, 1988
56. SANDU GH.: Modele experimentale n zootehnie, Ed. Coral Sanivet, 1995
57. SNDOIU D.I.: Tehnic experimental, Partea I, Ed. Elisavaros, Bucureti, 2003
58. SULESCU N.A., SULESCU N.N.: Cmpul de experien, Ed. Agro-Silvic, 1967
59. SEARLE S.R.: Linear Models, J. Wiley, 1971
60. SNEDECOR C.W.: Metode statistice aplicate n cercetrile de agricultur i biologie,
Ed. Didactic i Pedagogic, 1968
61. SORA V., HRISTACHE I., MIHESCU C.: Demografie i statistic social, Ed. Economic, 1996
62. TACU A.: Metode statistice n zootehnie i medicin veterinar, Ed. Agrosilvic, 1968
63. TRCOLEA C., FILIPOIU A., BONTA S.: Tehnici actuale n teoria fiabilitii, Ed.
tiinific i Enciclopedic, 1989
64. TODORAN I.: Rspunsuri posibile. Corelaie i prognoz, Ed. Dacia, 1989
65. TOMESCU D., MANCIU GH., SCRIPSNIC V.: Fiabilitatea utilajelor agricole, Ed. Ceres, 1981
66. VOD V.GH.: Gndirea statistic un mod de gndire al viitorului, Ed. Albatros, 1977
67. VOINEAGU V. i col.: Statistica economic, Ed. Tribuna Economic, 2001
68. WALLACE T.D., SILVER J.L.: Econometrics. An Introduction, Addison-Wesley, 1988

210

ANEX CU TABELE STATISTICE


Tabel 1

Funcia de repartiie N(0; 1): F(u/2) 1 /2

Tabel 2

Valorile Student t/2 i t: P(|t| > t/2) = P(t > t) =

Tabel 3

Valorile hi ptrat 2: P(2 > 2) =

Tabel 4

Valorile Fisher F0.05: P(F > F0.05) = 0.05

Tabel 5

Valorile Fisher F0.01: P(F > F0.01) = 0.01

Tabel 6

Valorile Fisher F0.001: P(F > F0.001) = 0.001

Tabel 7

Amplitudinea studentizat Tukey T0.05

Tabel 8

Amplitudinea studentizat Tukey T0.01

Tabel 9

Valori critice ale asimetriei i boltirii

Tabel 10 Valori critice R/2 ale coeficientului de corelaie liniar R


Tabel 11 Transformarea Fisher z = 0.5 ln [(1 R)/(1 + R)]
Tabel 12 Valori critice pentru fie de control al calitii

211

TABEL 1 Funcia de repartiie N(0; 1): F(U/2) = 1 - /2


U

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0.07

0.08

0.09

0.0

0.50000

0.50399

0.50798

0.51197

0.51595

0.51994

0.52392

0.52790

0.53188

0.53586

0.1

0.53983

0.54379

0.54776

0.55172

0.55567

0.55962

0.56356

0.56749

0.57142

0.57534

0.2

0.57926

0.58317

0.58706

0.59095

0.59483

0.59871

O.60257

0.60642

0.61026

0.61409

0.3

0.61791

0.62172

0.62551

0.62930

0.63307

0.63683

0.64058

0.64431

0.64803

0.65173

0.4

0.65542

0.65910

0.66276

0.66640

0.67003

0.67364

0.67724

0.68082

0.64838

0.68793

0.5

0.69146

0.69497

0.69847

0.70194

0.70540

0.70884

0.71226

0.71566

0.71904

0.72240

0.6

0.72575

0.72907

0.73237

0.73565

0.73891

0.74215

0.74537

0.74857

0.75175

0.75490

0.7

0.75803

0.76115

0.76424

0.76730

0.77035

0.77337

0.77637

0.77935

0.78230

0.78523

0.8

0.78814

0.79103

0.79389

0.79673

0.79954

0.80234

0.80510

0.80785

0.81057

0.81327

0.9

0.81594

0.81859

0.82121

0.82381

0.82639

0.82894

0.83147

0.83397

0.83646

0.83891

1.0

0.84134

0.84375

0.84613

0.84849

0.85083

0.85314

0.85543

0.85769

0.85993

0.86214

1.1

0.86433

0.86650

0.86864

0.87076

0.87285

0.87493

0.87697

0.87900

0.88100

0.88297

1.2

0.88493

0.88686

0.88877

0.89065

0.89251

0.89435

0.89616

0.89796

0.89973

0.90147

1.3

0.90320

0.90490

0.90658

0.90824

0.90988

0.91149

0.91308

0.91465

0.91621

0.91773

1.4

0.91924

0.92073

0.92219

0.92364

0.92506

0.92647

0.92785

0.92922

0.93056

0.93189

1.5

0.93319

0.93448

0.93574

0.93699

0.93822

0.93943

0.94062

0.94179

0.94295

0.94408

1.6

0.94520

0.94630

0.94738

0.94845

0.94950

0.95053

0.95154

0.95254

0.95352

0.95448

1.7

0.95543

0.95637

0.95728

0.95818

0.95907

0.95994

0.96080

0.96164

0.96246

0.96327

1.8

0.96407

0.96485

0.96562

0.96637

0.96711

0.96784

0.96856

0.96926

0.96995

0.97062

1.9

0.97128

0.97193

0.97257

0.97320

0.97381

0.97441

0.97500

0.97558

0.97615

0.97670

2.0

0.97725

0.97778

0.97831

0.97882

0.97932

0.97982

0.98030

0.98077

0.98124

0.98169

2.1

0.98214

0.98257

0.98300

0.98341

0.98382

0.98422

0.98461

0.98500

0.98537

0.98574

2.2

0.98610

0.98645

0.98679

0.98713

0.98745

0.98778

0.98809

0.98840

0.98870

0.98899

2.3

0.98928

0.98956

0.98983

0.99010

0.99036

0.99061

0.99086

0.99111

0.99134

0.99158

2.4

0.99180

0.99202

0.99224

0.99245

0.99266

0.99286

0.99305

0.99324

0.99343

0.99361

2.5

0.99379

0.99396

0.99413

0.99430

0.99446

0.99461

0.99477

0.99492

0.99506

0.99520

2.6

0.99534

0.99547

0.99560

0.99573

0.99585

0.99598

0.99609

0.99621

0.99632

0.99643

2.7

0.99653

0.99664

0.99674

0.99683

0.99693

0.99702

0.99711

0.99720

0.99728

0.99736

2.9

0.99744

0.99752

0.99760

0.99767

0.99774

0.99781

0.99788

0.99795

0.99801

0.99807

2.9

0.99813

0.99819

0.99825

0.99831

0.99836

0.99841

0.99846

0.99851

0.99856

0.99861

3.0

0.99865

0.99869

0.99874

0.99878

0.99882

0.99886

0.99889

0.99893

0.99897

0.99900

3.1

0.99903

0.99906

0.99910

0.99913

0.99916

0.99918

0.99921

0.99924

0.99926

0.99929

3.2

0.99931

0.99934

0.99936

0.99938

0.99940

0.99942

0.99944

0.99946

0.99948

0.99950

3.3

0.99952

0.99953

0.99955

0.99957

0.99958

0.99960

0.99961

0.99962

0.99964

0.99965

3.4

0.99966

0.99968

0.99969

0.99970

0.99971

0.99972

0.99973

0.99974

0.99975

0.99976

3.5

0.99977

0.99978

0.99978

0.99979

0.99980

0.99981

0.99981

0.99982

0.99983

0.99983

3.6

0.99984

0.99985

0.99985

0.99986

0.99986

0.99987

0.99987

0.99988

0.99988

0.99989

3.7

0.99989

0.99990

0.99990

0.99990

0.99991

0.99991

0.99992

0.99992

0.99992

0.99992

3.8

0.99993

0.99993

0.99993

0.99994

0.99994

0.99994

0.99994

0.99995

0.99995

0.99995

3.9

0.99995

0.99995

0.99996

0.99996

0.99996

0.99996

0.99996

0.99996

0.99997

0.99997

212

TABEL 2 Valorile Student t/2 i t: P(|t| > t/2) = P(t > t) =


GL

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
70
80
90
100

0.40

0.25

0.10

0.05

0.025

0.01

0.005

0.0025

0.001

0.0005

0.325
0.289
0.277
0.271
0.267
0.265
0.263
0.262
0.261
0.260
0.260
0.259
0.259
0.258
0.258
0.258
0.257
0.257
0.257
0.257
0.257
0.256
0.256
0.256
0.256
0.256
0.256
0.256
0.256
0.256
0.255
0.255
0.254
0.254
0.254
0.254
0.254
0.253

1.000
0.816
0.765
0.741
0.727
0.718
0.711
0.706
0.703
0.700
0.697
0.695
0.694
0.692
0.691
0.690
0.689
0.688
0.688
0.687
0.686
0.686
0.685
0.685
0.684
0.684
0.684
0.683
0.683
0.683
0.681
0.679
0.679
0.678
0.678
0.677
0.677
0.674

3.078
1.886
1.638
1.533
1.476
1.440
1.415
1.397
1.383
1.372
1.363
1.356
1.350
1.345
1.341
1.337
1.333
1.330
1.328
1.325
1.323
1.321
1.319
1.318
1.316
1.315
1.314
1.313
1.311
1.310
1.303
1.299
1.296
1.294
1.292
1.291
1.290
1.282

6.314
2.920
2.353
2.132
2.015
1.943
1.895
1.860
1.833
1.812
1.796
1.782
1.771
1.761
1.753
1.746
1.740
1.734
1.729
1.725
1.721
1.717
1.714
1.711
1.708
1.706
1.703
1.701
1.699
1.697
1.684
1.676
1.671
1.667
1.664
1.662
1.660
1.645

12.706
4.303
3.182
2.776
2.571
2.447
2.365
2.306
2.262
2.228
2.201
2.179
2.160
2.145
2.131
2.120
2.110
2.101
2.093
2.086
2.080
2.074
2.069
2.064
2.060
2.056
2.052
2.048
2.045
2.042
2.021
2.009
2.000
1.994
1.990
1.987
1.984
1.960

31.821
6.965
4.541
3.747
3.365
3.143
2.998
2.896
2.821
2.764
2.718
2.681
2.650
2.624
2.602
2.583
2.567
2.552
2.539
2.528
2.518
2.508
2.500
2.492
2.485
2.479
2.473
2.467
2.462
2.457
2.423
2.403
2.390
2.381
2.374
2.368
2.364
2.326

63.657
9.925
5.841
4.604
4.032
3.707
3.499
3.355
3.250
3.169
3.106
3.055
3.012
2.977
2.947
2.921
2.898
2.878
2.861
2.845
2.831
2.819
2.807
2.797
2.787
2.779
2.771
2.763
2.756
2.750
2.704
2.678
2.660
2.648
2.639
2.632
2.626
2.576

127.32
14.089
7.453
5.598
4.773
4.317
4.029
3.833
3.690
3.581
3.497
3.428
3.372
3.326
3.286
3.252
3.222
3.197
3.174
3.153
3.135
3.119
3.104
3.091
3.078
3.067
3.057
3.047
3.038
3.030
2.971
2.937
2.915
2.899
2.887
2.878
2.871
2.807

318.31
23.326
10.213
7.173
5.893
5.208
4.785
4.501
4.297
4.144
4.025
3.930
3.852
3.787
3.733
3.686
3.646
3.610
3.579
3.552
3.527
3.505
3.485
3.467
3.450
3.435
3.421
3.408
3.396
3.385
3.307
3.261
3.232
3.211
3.195
3.183
3.174
3.090

636.62
31.598
12.924
8.610
6.869
5.959
5.408
5.041
4.781
4.587
4.437
4.318
4.221
4.140
4.073
4.015
3.965
3.922
3.883
3.850
3.819
3.792
3.767
3.745
3.725
3.707
3.690
3.674
3.659
3.646
3.551
3.496
3.460
3.435
3.416
3.402
3.390
3.291

213

TABEL 3 Valorile hi ptrat (2): P (2 > 2) =

GL

0.9995

0.995

0.975

0.05

0.025

0.01

0.005

0.001

0.0005

0.0639

0.0439

0.0398

3.84

5.02

6.63

7.88

10.83

12.12

0.001

0.01

0.05

5.99

7.38

9.21

10.60

13.82

15.20

0.02

0.07

0.22

7.81

9.35

11.34

12.84

16.27

17.73

0.06

0.21

0.48

9.49

11.14

13.28

14.86

18.47

20.00

0.16

0.41

0.83

11.07

12.83

15.09

16.75

20.51

22.10

0.30

0.68

1.24

12.59

14.45

16.81

18.55

22.46

24.10

0.48

0.99

1.69

14.07

16.01

16.48

20.28

24.32

26.12

0.71

1.34

2.18

15.51

17.53

20.09

21.96

26.12

27.87

0.97

1.73

2.70

16.92

19.02

21.67

23.59

27.88

29.67

10

1.26

2.16

3.25

18.31

20.48

23.21

25.19

29.59

31.42

11

1.50

2.60

3.92

19.68

21.92

24.72

26.76

31.26

33.14

12

1.93

3.07

4.40

21.03

23.34

26.22

28.30

32.91

34.82

13

2.30

3.57

5.01

22.36

24.74

27.69

29.82

34.53

36.48

14

2.70

4.07

5.63

23.68

26.12

29.14

31.32

36.12

38.11

15

3.11

4.60

6.87

25.00

27.49

30.58

32.80

37.70

39.72

16

3.54

5.14

6.91

26.20

28.85

32.00

34.27

39.25

41.31

17

3.98

5.70

7.56

27.59

30.19

33.41

35.72

40.79

42.88

18

4.44

6.26

8.23

28.87

31.53

34.81

37.16

42.31

44.43

19

4.91

6.84

8.91

30.14

32.85

36.19

38.58

43.82

45.97

20

5.40

7.43

9.59

31.41

34.17

37.57

40.00

45.31

47.50

21

5.90

8.03

10.28

32.67

35.48

38.93

41.40

46.80

49.01

22

6.40

8.64

10.98

33.92

36.78

40.29

42.80

48.27

50.51

CONTINUARE N PAGINA URMTOARE


214

GL

0.9995

0.995

0.975

0.05

0.025

0.01

0.005

0.001

0.0005

23

6.92

9.26

11.69

35.17

38.08

41.64

44.18

49.73

52.00

24

7.45

9.89

12.40

36.42

39.36

42.98

45.56

51.18

53.48

25

8.00

10.52

13.12

37.65

40.65

44.31

46.93

52.62

54.95

26

8.54

11.16

13.84

38.89

41.92

45.64

48.29

54.05

56.41

27

9.09

11.81

14.57

40.11

43.19

46.96

49.64

55.48

57.86

28

9.66

12.46

15.31

41.34

44.46

48.28

50.99

56.89

59.30

29

10.23

13.12

16.05

42.56

45.72

49.59

52.34

58.30

60.73

30

10.80

13.79

16.79

43.77

46.98

50.89

53.67

59.70

62.16

40

16.91

20.71

24.43

55.76

59.34

63.69

66.77

73.40

76.09

50

23.46

27.99

32.36

67.50

71.42

76.15

79.49

86.66

89.56

60

30.34

35.53

40.48

79.08

83.30

88.38

91.95

99.61

102.69

70

37.47

43.27

48.76

90.53

95.02

100.42

104.21

112.32

115.58

80

44.79

51.17

57.15

101.88

106.63

112.33

116.32

124.84

128.26

90

52.28

59.20

65.65

113.14

118.14

124.16

128.30

137.21

140.78

100

59.90

67.33

74.22

124.34

129.56

135.81

140.17

149.45

153.17

215

GL 1
GL 2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120

199.5
19.00
9.55
6.94
5.79
5.14
4.74
4.46
4.26
4.10
3.98
3.89
3.81
3.74
3.68
3.63
3.59
3.55
3.52
3.49
3.47
3.44
3.42
3.40
3.39
3.37
3.35
3.34
3.33
3.32
3.23
4.15
3.07
3.00

161.4
18.51
10.13
7.71
6.61
5.99
5.59
5.32
5.12
4.96
4.84
4.75
4.67
4.60
4.54
4.49
4.45
4.41
4.38
4.35
4.32
4.30
4.28
4.26
4.24
4.23
4.21
4.20
4.18
4.17
4.08
4.00
3.93
3.84

215.7
19.16
9.28
6.59
5.41
4.76
4.35
4.07
3.86
3.71
3.59
3.49
3.41
3.34
3.29
3.24
3.20
3.16
3.13
3.10
3.07
3.05
3.03
3.01
2.99
2.98
2.96
2.95
2.93
2.92
2.84
2.76
2.29
2.60

224.6
19.25
9.12
6.39
5.19
4.53
4.12
3.84
3.63
3.48
3.36
3.26
3.18
3.11
3.06
3.01
2.96
2.93
2.90
2.87
2.84
2.82
2.80
2.78
2.76
2.74
2.73
2.71
2.70
2.69
2.61
2.53
2.45
2.37

4
230.2
19.30
9.01
6.26
5.05
4.39
3.97
3.69
3.48
3.33
3.20
3.11
3.83
2.96
2.90
2.85
2.81
2.77
2.74
2.71
2.68
2.66
2.64
2.62
2.60
2.59
2.57
2.56
2.55
2.53
2.45
2.37
2.29
2.21

5
234.0
19.33
8.94
6.16
4.95
4.28
3.87
3.58
3.37
3.22
3.09
3.00
2.92
2.85
2.79
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.53
2.51
2.49
2.47
2.46
2.45
2.43
2.42
2.34
2.25
2.17
2.10

6
236.8
19.35
8.89
6.09
4.88
4.21
3.79
3.50
3.29
3.14
3.01
2.91
2.83
2.76
2.71
2.66
2.61
2.58
2.54
2.51
2.49
2.46
2.44
2.42
2.40
2.39
2.37
2.36
2.35
2.33
2.25
2.17
2.09
2.01

7
238.9
19.37
8.85
6.04
4.82
4.15
3.73
3.44
3.23
3.07
2.95
2.85
2.77
2.70
2.64
2.59
2.55
2.51
2.48
2.45
2.42
2.40
2.37
2.36
2.34
2.32
2.31
2.29
2.28
2.27
2.18
2.10
2.02
1.94

216

240.5
19.38
8.81
6.00
4.77
4.10
3.68
3.39
3.18
3.02
2.90
2.80
2.71
2.65
2.59
2.54
2.49
2.46
2.42
2.39
2.37
2.34
2.32
2.30
2.28
2.27
2.25
2.24
2.22
2.21
2.12
2.04
1.96
1.88

9
241.9
19.40
8.79
5.96
4.74
4.06
3.64
3.35
3.14
2.98
2.85
2.75
2.67
2.60
2.54
2.49
2.45
2.41
2.38
2.35
2.32
2.30
2.27
2.25
2.24
2.22
2.20
2.19
2.18
2.16
2.08
1.99
1.91
1.83

10
243.9
19.41
8.74
5.91
4.68
4.00
3.57
3.28
3.07
2.91
2.79
2.69
2.60
2.53
2.48
2.42
2.38
2.34
2.31
2.28
2.25
2.23
2.20
2.18
2.16
2.15
2.13
2.12
2.10
2.09
2.00
1.92
1.83
1.75

12
245.9
19.43
8.70
5.86
4.62
3.94
3.51
3.22
3.01
2.85
2.72
2.62
2.53
2.46
2.40
2.35
2.31
2.27
2.23
2.20
2.18
2.15
2.13
2.11
2.09
2.07
2.06
2.04
2.03
2.01
1.92
1.84
1.75
1.67

15
248.0
19.45
8.66
5.80
4.56
3.87
3.44
3.15
2.94
2.77
2.65
2.54
2.46
2.39
2.33
2.28
2.23
2.19
2.16
2.12
2.10
2.07
2.05
2.03
2.01
1.99
1.97
1.96
1.94
1.93
1.84
1.75
1.66
1.57

20
249.1
19.45
8.64
5.77
4.53
3.84
3.41
3.12
2.90
2.74
2.61
2.51
2.42
2.35
2.29
2.24
2.19
2.15
2.11
2.08
2.05
2.03
2.01
1.98
1.96
1.95
1.93
1.91
1.90
1.89
1.79
1.70
1.61
1.52

24

TABEL 4 Valorile Fisher (F0.05): P (F > F0.05) = 0.05

250.1
19.46
8.62
5.75
4.50
3.81
3.38
3.08
2.86
2.70
2.57
2.47
2.38
2.31
2.25
2.19
2.15
2.11
2.07
2.04
2.01
1.98
1.96
1.94
1.92
1.90
1.88
1.87
1.85
1.84
1.74
1.65
1.55
1.46

30
251.1
19.47
8.59
5.72
4.46
3.77
3.34
3.04
2.83
2.66
2.53
2.43
2.34
2.27
2.20
2.15
2.10
2.06
2.03
1.99
1.96
1.94
1.91
1.89
1.87
1.85
1.84
1.82
1.81
1.79
1.69
1.59
1.50
1.39

40
252.2
19.48
8.57
5.69
4.43
3.74
3.30
3.01
2.79
2.62
2.49
2.38
2.30
2.22
2.16
2.11
2.06
2.02
1.98
1.95
1.92
1.89
1.86
1.84
1.82
1.80
1.79
1.77
1.75
1.74
1.64
1.53
1.43
1.32

60

253.3
19.49
8.55
5.66
4.40
3.70
3.27
2.97
2.75
2.58
2.45
2.34
2.25
2.18
2.11
2.06
2.01
1.97
1.93
1.90
1.87
1.84
1.81
1.79
1.77
1.75
1.73
1.71
1.70
1.68
1.58
1.47
1.35
1.22

120

254.3
19.50
8.53
5.63
4.36
3.67
3.23
2.93
2.71
2.54
2.40
2.30
2.21
2.13
2.07
2.01
1.96
1.92
1.88
1.84
1.81
1.78
1.76
1.73
1.71
1.69
1.67
1.65
1.64
1.62
1.51
1.39
1.25
1.00

4999
99.00
30.82
18.00
13.27
10.92
9.55
8.65
8.02
7.56
7.21
6.93
6.70
6.51
6.36
6.23
6.11
6.01
5.93
5.85
5.78
5.72
5.66
5.61
5.57
5.53
5.49
5.45
5.42
5.39
5.18
4.98
4.79
4.61

4052
98.50
34.12
21.20
16.26
13.75
12.25
11.26
10.56
10.04
9.65
9.33
9.07
8.86
8.68
8.53
8.40
8.29
8.18
8.10
8.02
7.95
7.88
7.82
7.77
7.72
7.68
7.64
7.60
7.56
7.31
7.08
6.85
6.63

GL 1
GL 2

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120

5403
99.17
29.46
16.69
12.06
9.78
8.45
7.59
6.99
6.55
6.22
5.95
5.74
5.56
5.42
5.29
5.18
5.09
5.01
4.94
4.87
4.82
4.76
4.72
4.68
4.64
4.60
4.57
4.54
4.51
4.31
4.13
3.95
378

5625
99.25
28.71
15.98
11.39
9.15
7.85
7.01
6.42
5.99
5.67
5.41
5.21
5.04
4.89
4.77
4.67
4.58
4.50
4.43
4.37
4.31
4.26
4.22
4.18
4.14
4.11
4.07
4.04
4.02
3.83
3.65
3.48
3.32

4
5764
99.30
28.24
15.52
10.97
8.75
7.46
6.63
6.06
5.64
5.32
5.06
4.86
4.69
4.36
4.44
4.34
4.25
4.17
4.10
4.04
3.99
3.94
3.90
3.85
3.82
3.78
3.75
3.73
3.70
3.51
3.34
3.17
3.02

5
5859
99.33
27.91
15.21
10.67
8.47
7.19
6.37
5.80
5.39
5.07
4.82
4.62
4.46
4.32
4.20
4.10
4.01
3.94
3.87
3.81
3.76
3.71
3.67
3.63
3.59
3.56
3.53
3.50
3.47
3.29
3.12
2.96
2.80

6
5928
99.36
27.67
14.98
10.46
8.26
6.99
6.18
5.61
5.20
4.89
4.64
4.44
4.28
4.14
4.03
3.93
3.84
3.77
3.70
3.64
3.59
3.54
3.50
3.46
3.42
3.39
3.36
3.33
3.30
3.12
3.95
2.79
2.64

7
5982
99.37
27.49
14.80
10.29
8.10
6.84
6.03
5.47
5.06
4.74
4.50
4.30
4.14
4.00
3.89
3.79
3.71
3.63
3.56
3.51
3.45
3.41
3.36
3.32
3.29
3.26
3.23
3.20
3.17
2.99
2.82
2.66
2.51

217

6022
99.39
27.35
14.66
10.16
7.98
6.72
5.91
5.35
4.94
4.63
4.39
4.19
4.03
3.89
3.78
3.68
3.60
3.52
3.46
3.40
3.35
3.30
3.26
3.22
3.18
3.15
3.12
3.09
3.07
2.89
2.72
2.56
2.41

9
6056
99.40
27.23
14.55
10.05
7.87
6.62
5.81
5.26
4.85
4.54
4.30
4.10
3.94
3.80
3 .69
3.59
3.51
3.43
3.37
3.31
3.26
3.21
3.17
3.13
3.09
3.06
3.03
3.00
2.98
2.80
2.63
2.47
2.32

10
6106
99.42
27.05
14.37
9.89
7.72
6.47
5.67
5.11
4.71
4.40
4.16
3.96
3.80
3.67
3.55
3.46
3.37
3.30
3.23
3.17
3.12
3.07
3.03
2.99
2.96
2.93
2.90
2.87
2.84
2.66
2.50
2.34
2.18

12
6157
99.43
26.87
14.20
9.72
7.56
6.31
5.52
4.96
4.56
4.25
4.01
3.82
3.66
3.52
3.41
3.31
3.23
3.15
3.09
3.03
2.98
2.93
2.89
2.85
2.81
2.78
2.75
2.73
2.70
2.52
2.35
2.19
2.04

15
6209
99.45
26.69
14.02
9.55
7.40
6.16
5.36
4.81
4.41
4.10
3.86
3.66
3.51
3.37
3.26
3.16
3.08
3.00
2.94
2.88
2.83
2.78
2.74
2.70
2.66
2.63
2.60
2.57
2.55
2.37
2.20
2.03
1.88

20

TABEL 5 Valorile Fisher (F0.01): P (F > F0.01) = 0.01

6235
99.46
26.60
13.93
9.47
7.31
6.07
5.28
4.73
4.33
4.02
3.78
3.59
3.43
3.29
3.18
3.08
3.00
2.92
2.86
2.80
2.75
2.70
2.66
2.62
2.58
2.55
2.52
2.49
2.47
2.29
2.12
1.95
1.79

24
6261
99.47
26.50
13.84
9.38
7.23
5.99
5.20
4.65
4.25
3.94
3.70
3.51
3.35
3.21
3.10
3.00
2.92
2.84
2.78
2.72
2.67
2.62
2.58
2.54
2.50
2.47
2.44
2.41
2.39
2.20
2.03
1.86
1.70

30
6287
99.47
26.41
13.75
9.29
7.14
5.91
5.12
4.57
4.17
3.86
3.62
3.43
3.27
3.13
3.02
2.92
2.84
2.76
2.69
2.64
2.58
2.54
2.49
2.45
2.42
2.38
2.35
2.33
2.30
2.11
1.94
1.76
1.59

40
6313
99.48
26.32
13.65
9.20
7.06
5.82
5.03
4.48
4.08
3.78
3.54
3.34
3.18
3.05
2.93
2.83
2.75
2.67
2.61
2.55
2.50
2.45
2.40
2.36
2.33
2.29
2.26
2.23
2.21
2.02
1.84
1.66
1.47

60

6339
99.49
26.22
13.56
9.11
6.97
5.74
4.95
4.40
4.00
3.69
3.45
3.25
3.09
2.96
2.84
2.75
2.66
2.58
2.52
2.46
2.40
2.35
2.31
2.27
2.23
2.20
2.17
2.14
2.11
1.92
1.73
1.53
1.32

120

6366
99.50
26.13
13.46
9.02
6.88
5.65
4.46
4.31
3.91
3.60
3.36
3.17
3.00
2.87
2.75
2.65
2.57
2.49
2.42
2.36
2.31
2.26
2.21
2.17
2.13
2.10
2.06
2.03
2.01
1.80
1.60
1.38
1.00

50002
999.0
148.5
61.25
37.12
27.00
21.69
18.49
16.39
14.91
13.81
12.97
12.31
11.78
11.34
10.97
10.66
10.39
10.16
9.95
9.77
9.61
9.47
9.34
9.22
9.12
9.02
8.93
8.85
8.77
8.24
7.76
7.32
6.91

40532
998.5
167.0
74.14
47.18
35.51
29.25
25.42
22.86
21.04
19.69
18.64
17.81
17.14
16.59
16.12
15.72
15.38
15.08
14.82
14.59
14.38
14.19
14.03
13.88
13.74
13.61
13.50
13.39
13.29
12.61
11.97
11.38
10.83

GL 1
GL 2

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
60
120

54042
999.2
141.1
56.18
33.20
23.70
18.77
15.83
13.90
12.55
11.56
10.80
10.21
9.73
9.34
9.00
8.73
8.49
8.28
8.10
7.94
7.80
7.67
7.55
7.45
7.36
7.27
7.19
7.12
7.05
6.60
6.17
5.79
5.42

56252
999.2
137.1
53.44
31.09
21.92
17.19
14.39
12.56
11.28
10.35
9.63
9.07
8.62
8.25
7.94
7.68
7.46
7.26
7.10
6.95
6.81
6.69
6.59
6.49
6.41
6.33
6.25
6.19
6.12
5.70
5.31
4.95
4.62

57642
999.3
134.6
51.71
29.75
20.81
16.21
13.49
11.71
10.48
9.58
8.89
8.35
7.92
8.57
7.27
7.02
6.81
6.62
6.46
6.32
6.19
6.08
5.98
5.88
5.80
5.73
5.66
5.59
5.53
5.13
4.76
4.42
4.10

58592
999.3
132.8
50.53
28.84
20.03
15.52
12.86
11.13
9.92
9.05
8.38
7.86
7.43
7.09
6.81
6.56
6.35
6.18
6.02
5.88
5.76
5.65
5.55
5.46
5.38
5.31
5.24
5.18
5.12
4.73
4.37
4.04
3.74

59292
999.4
131.6
49.66
28.16
19.46
15.02
12.40
10.70
9.52
8.66
8.00
7.42
7.08
6.74
6.46
6.22
6.02
5.85
5.69
5.56
5.44
5.33
5.23
5.15
5.07
5.00
4.93
4.87
4.82
4.44
4.09
3.77
3.47

59812
999.4
130.6
49.00
27.64
19.03
14.63
12.04
10.37
9.20
8.35
7.71
7.21
6.80
6.47
6.19
5.96
5.76
5.59
5.44
5.31
5.19
5.09
4.99
4.91
4.83
4.76
4.69
4.64
4.58
4.21
3.87
3.55
3.27

218

60232
999.4
129.9
48.47
27.24
18.69
14.33
11.77
10.11
8.96
8.12
7.48
6.98
6.58
6.26
5.98
5.75
5.56
5.39
5.24
5.11
4.99
4.89
4.80
4.71
4.64
4.57
4.50
4.45
4.39
4.02
3.69
3.38
3.10

60562
999.4
129.2
48.05
26.92
18.41
14.08
11.54
9.89
8.75
7.92
7.29
6.80
6.40
6.08
5.81
5.58
5.39
5.22
5.08
4.95
4.83
4.73
4.64
4.56
4.48
4.41
4.35
4.29
4.24
3.87
3.54
3.24
2.96

10

61072
999.4
128.3
47.41
26.42
17.99
13.71
11.19
9.57
8.45
7.63
7.00
6.52
6.13
5.81
5.55
5.32
5.13
4.97
4.82
4.70
4.58
4.48
4.39
4.31
4.24
4.17
4.11
4.05
4.00
3.64
3.31
3.02
2.74

12

61582
999.4
127.4
46.76
25.91
17.56
13.32
10.84
9.24
8.13
7.32
6.71
6.23
5.85
5.54
5.27
5.05
4.87
4.70
4.56
4.44
4.33
4.23
4.14
4.06
3.99
3.92
3.86
3.80
3.75
3.40
3.08
2.78
2.51

15

62092
999.4
126.4
46.10
25.39
17.12
12.93
10.48
8.90
7.80
7.01
6.40
5.93
5.56
5.25
4.99
4.78
4.59
4.43
4.29
4.17
4.06
3.96
3.87
3.79
3.72
3.66
3.60
3.54
3.49
3.15
2.83
2.53
2.27

20

24

62352
999.5
125.9
45.77
25.14
16.89
12.73
10.30
8.72
7.64
6.85
6.25
5.78
5.41
5.10
4.85
4.63
4.45
4.29
4.15
4.03
3.92
3.82
3.74
3.66
3.59
3.52
3.46
3.41
3.36
3.01
2.69
2.40
2.13

TABEL 6 Valorile Fisher (F0.001): P (F > F0.001) = 0.001

62612
999.5
125.4
45.43
24.87
16.67
12.53
10.11
8.55
7.47
6.68
6.09
5.63
5.25
4.95
4.70
4.48
4.30
4.14
4.00
3.88
3.78
3.68
3.59
3.52
3.44
3.38
3.32
3.27
3.22
2.87
2.55
2.26
1.99

30

62872
999.5
125.0
45.09
24.60
16.44
12.33
9.92
8.37
7.30
6.52
5.93
5.47
5.10
4.80
4.54
4.33
4.15
3.99
3.86
3.74
3.63
3.53
3.45
3.37
3.30
3.23
3.18
3.12
3.07
2.73
2.41
2.11
1.84

40

63132
999.5
124.5
44.75
24.33
16.21
12.12
9.73
8.19
7.12
6.35
5.76
5.30
4.94
4.64
4.39
4.18
4.00
3.84
3.70
3.58
3.48
3.38
3.29
3.22
3.15
3.08
3.02
2.97
2.92
2.57
2.25
1.95
1.66

60

63402
999.5
124.0
44.40
24.06
15.99
11.91
9.53
8.00
6.94
6.17
5.59
5.14
4.77
4.47
4.23
4.02
3.84
3.68
3.54
3.42
3.32
3.22
3.14
3.06
2.99
2.92
2.86
2.81
2.76
2.41
2.08
1.76
1.45

120

63662
999.5
123.5
44.05
23.79
15.75
11.70
9.33
7.81
6.76
6.00
5.42
4.97
4.60
4.31
4.06
3.85
3.67
3.51
3.38
3.26
3.15
3.05
2.97
2.89
2.82
2.75
2.69
2.64
2.59
2.23
1.89
1.54
1.00

m
GLE
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

4.60
4.34
4.16
4.04
3.95
3.88
3.82
3.77
3.73
3.70
3.67
3.65
3.63
3.61
3.59
3.58
3.53
3.49
3.44
3.40
3.36
3.31

3.64
3.46
3.34
3.26
3.20
3.15
3.11
3.08
3.06
3.03
3.01
3.00
2.98
2.97
2.96
2.95
2.92
2.89
2.86
2.83
2.80
2.77

5.22
4.90
4.68
4.53
4.42
4.33
4.26
4.20
4.15
4.11
4.08
4.05
4.0
4.00
3.98
3.96
3.90
3.84
3.79
3.74
3.69
3.63

5.67
5.31
5.06
4.89
4.76
4.65
4.57
4.51
4.45
4.41
4.37
4.33
4.30
4.28
4.25
4.23
4.17
4.10
4.04
3.98
3.92
3.86

5
6.03
5.63
5.36
5.17
5.02
4.91
4.82
4.57
4.69
4.64
4.60
4.56
4.52
4.49
4.47
4.45
4.37
4.30
4.23
4.16
4.10
4.03

6
6.33
5.89
5.61
5.40
5.24
5.12
5.03
4.95
4.88
4.83
4.78
4.74
4.71
4.67
4.65
4.62
4.54
4.46
4.39
4.31
4.24
4.17

7
6.58
6.12
5.82
5.60
5.43
5.30
5.20
5.12
5.05
4.99
4.94
4.90
4.86
4.82
4.79
4.77
4.68
4.60
4.52
4.44
4.36
4.29

8
6.80
6.32
6.00
5.77
5.60
5.46
5.35
5.27
5.19
5.13
5.08
5.03
4.99
4.96
4.92
4.90
4.81
4.72
4.63
4.55
4.48
4.39

219

6.99
6.49
6.16
5.92
5.74
5.60
5.49
5.40
5.32
5.25
5.20
5.15
5.11
5.06
5.04
5.01
4.92
4.83
4.74
4.65
4.56
4.47

10
7.17
6.65
6.30
6.05
5.87
5.72
5.61
5.51
5.43
5.36
5.31
5.26
5.21
5.17
5.14
5.11
5.01
4.92
4.82
4.73
4.64
4.55

11
7.32
6.79
6.43
6.18
5.98
5.83
5.71
5.62
5.53
5.46
5.40
5.35
5.31
5.27
5.23
5.20
5.10
5.00
4.91
4.81
4.72
4.62

12
7.47
6.92
6.55
6.29
6.09
5.93
5.81
5.71
5.63
5.55
5.49
5.44
5.39
5.35
5.32
5.28
5.18
5.08
4.98
4.88
4.78
4.68

13
7.60
7.03
6.66
6.39
6.19
6.03
5.90
5.80
5.71
5.64
5.58
5.52
5.47
5.43
5.39
5.36
5.25
5.15
5.05
4.94
4.84
4.74

14

TABEL 7 Amplitudinea studentizat Tukey T(0.05)

7.72
7.14
6.76
6.48
6.28
6.11
5.99
5.88
5.79
5.72
5.65
5.59
5.55
5.50
5.46
5.43
5.32
5.21
5.11
5.00
4.90
4.80

15
7.83
7.24
6.85
6.57
6.36
6.20
6.06
5.95
5.86
5.79
5.72
5.66
5.61
5.57
5.53
5.49
5.38
5.27
5.16
5.06
4.95
4.85

16
7.93
7.34
6.94
6.65
6.44
6.27
6.14
6.03
5.93
5.85
5.79
5.72
5.68
5.63
5.59
5.55
5.44
5.33
5.22
5.11
5.00
4.89

17
8.03
7.43
7.02
6.73
6.51
6.34
6.20
6.09
6.00
5.92
5.85
5.79
5.74
5.69
5.65
5.61
5.50
5.38
5.27
5.16
5.05
4.93

18

8.12
7.51
7.09
6.80
6.58
6.40
6.26
6.15
6.05
5.97
5.90
5.84
5.79
5.74
5.70
5.66
5.54
5.43
5.31
5.20
5.09
4.97

19

8.21
7.59
7.17
6.87
6.64
6.47
6.33
6.21
6.11
6.03
5.96
5.90
5.84
5.79
5.75
5.71
5.59
5.48
5.36
5.24
5.13
5.01

20

m
GLE
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
24
30
40
60
120

6.97
6.33
5.92
5.63
5.43
5.27
5.14
5.04
4.96
4.89
4.83
4.78
4.74
4.70
4.67
4.64
4.54
4.45
4.37
4.28
4.20
4.12

5.70
5.24
4.95
4.74
4.60
4.48
4.39
4.32
4.26
4.21
4.17
4.13
4.10
4.07
4.05
4.02
3.96
3.89
3.82
3.76
3.70
3.64

7.80
7.03
6.54
6.20
5.96
5.77
5.62
5.50
5.40
5.32
5.25
5.19
5.14
5.09
5.05
5.02
4.91
4.80
4.70
4.60
4.50
4.40

8.42
7.56
7.01
6.63
6.35
6.14
5.97
5.84
5.73
5.63
5.56
5.49
5.43
5.38
5.33
5.29
5.17
5.05
4.93
4.82
4.71
4.60

5
8.91
7.97
7.37
6.96
6.66
6.43
6.25
6.10
5.98
5.88
5.80
5.72
5.66
5.60
5.55
5.51
5.37
5.24
5.11
4.99
4.87
4.76

6
9.32
8.32
7.68
7.24
6.91
6.67
6.48
6.32
6.19
6.08
5.99
5.92
5.85
5.79
5.73
5.69
5.54
5.40
5.27
5.13
5.01
4.88

7
9.67
8.61
7.94
7.47
7.13
6.87
6.67
6.51
6.37
6.26
6.16
6.08
6.01
5.94
5.89
5.84
5.69
5.54
5.39
5.25
5.12
4.99

8
9.97
8.87
8.17
7.68
7.32
7.05
6.84
6.67
6.53
6.41
6.31
6.22
6.15
6.08
6.02
5.97
5.81
5.65
5.50
5.36
5.21
5.08

11

12

13

14

15

16

17

18

19

20

220

10.24 10.48 10.70 10.89 11.08 11.24 11.40 11.55 11.68 11.81 11.93
9.10 9.30 9.49 9.65 9.81 9.95 10.08 10.21 10.32 10.43 10.54
8.37 8.55 8.71 8.86 9.00 9.12 9.24 9.35 9.46 9.55 9.65
7.87 8.03 8.18 8.31 8.44 8.55 8.66 8.76 8.85 8.94 9.03
7.49 7.65 7.78 7.91 8.03 8.13 8.23 8.32 8.41 8.49 8.57
7.21 7.36 7.48 7.60 7.71 7.81 7.91 7.99 8.07 8.15 8.22
6.99 7.13 7.25 7.36 7.46 7.56 7.65 7.73 7.81 7.88 7.95
6.81 6.94 7.06 7.17 7.26 7.36 7.44 7.52 7.59 7.66 7.73
6.67 6.79 6.90 7.01 7.10 7.19 7.27 7.34 7.42 7.48 7.55
6.54 6.66 6.77 6.87 6.96 7.05 7.12 7.20 7.27 7.33 7.39
6.44 6.55 6.66 6.76 6.84 6.93 7.00 7.07 7.14 7.20 7.26
6.35 6.46 6.56 6.66 6.74 6.82 6.90 6.97 7.03 7.09 7.15
6.27 6.38 6.48 6.57 6.66 6.73 6.80 6.87 6.94 7.00 7.05
6.20 6.31 6.41 6.50 6.58 6.65 6.72 6.79 6.85 6.91 6.96
6.14 6.25 6.34 6.43 6.51 6.58 6.65 6.72 6.78 6.84 6.89
6.09 6.19 6.29 6.37 6.45 6.52 6.59 6.65 6.71 6.76 6.82
5.92 6.02 6.11 6.19 6.26 6.33 6.39 6.45 6.51 6.56 6.61
5.76 5.85 5.93 6.01 6.08 6.14 6.20 6.26 6.31 6.36 6.41
5.60 5.69 5.77 5.84 5.90 5.96 6.02 6.07 6.12 6.17 6.21
5.46 5.53 5.60 5.67 5.73 5.79 5.84 5.89 5.93 5.98 6.02
5.30 5.38 5.44 5.51 5.56 5.61 5.66 5.71 5.75 5.79 5.83
5.16 5.23 5.29 5.35 5.40 5.45 5.49 5.54 5.57 5.61 5.65

10

TABEL 8 Amplitudinea studentizat Tukey T(0.01)

TABEL 9 Valori critice ale asimetriei i boltirii


ASIMETRIA A
0.05

0.533
50
0.389
100
0.321
150
0.280
200
0.251
250
0.230
300
0.213
350
0.200
400
0.188
450
0.179
500
0.171
550
0.163
600
0.157
650
0.151
700
0.146
750
0.142
800
0.138
850
0.134
900
0.130
950
0.127
1000
0.104
1500
0.090
2000
0.080
2500
0.073
3000
0.068
3500
0.064
4000
0.060
4500
0.057
5000

0.01

0.99

BOLTIREA B
0.95
0.05

0.01

0.787
0.567
0.464
0.403
0.360
0.329
0.305
0.285
0.269
0.255
0.243
0.233
0.224
0.215
0.208
0.202
0.196
0.190
0.185
0.180
0.147
0.127
0.114
0.104
0.096
0.090
0.085
0.081

1.95
2.18
2.30
2.37
2.42
2.46
2.50
2.52
2.55
2.57
2.58
2.60
2.61
2.62
2.64
2.65
2.66
2.66
2.67
2.68
2.73
2.77
2.79
2.81
2.82
2.83
2.84
2.85

2.13
2.35
2.45
2.51
2.55
2.59
2.62
2.64
2.66
2.67
2.69
2.70
2.71
2.72
2.73
2.74
2.74
2.75
2.76
2.76
2.80
2.83
2.85
2.86
2.87
2.88
2.88
2.89

4.92
4.40
4.14
3.98
3.87
3.79
3.72
3.67
3.63
3.60
3.57
3.54
3.52
3.50
3.48
3.46
3.45
3.43
3.42
3.41
3.33
3.28
3.25
3.22
3.21
3.19
3.18
3.17

221

4.01
3.77
3.66
3.57
3.51
3.47
3.44
3.41
3.39
3.37
3.35
3.34
3.33
3.31
3.30
3.29
3.28
3.28
3.27
3.26
3.22
3.18
3.16
3.15
3.14
3.13
3.12
3.12

TABEL 10 Valori critice R/2 ale coeficientului de corelaie liniar R


GL

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

0.05

0.01

0.001

0.997
0.950
0.878
0.811
0.754
0.707
0.666
0.632
0.602
0.576
0.553
0.532
0.514
0.497
0.482
0.468
0.456
0.444
0.433
0.423
0.413
0.404
0.396

0.999
0.990
0.959
0.917
0.874
0.834
0.798
0.765
0.735
0.708
0.684
0.661
0.641
0.623
0.606
0.590
0.575
0.561
0.549
0.537
0.526
0.515
0.505

1.000
0.999
0.991
0.974
0.951
0.925
0.898
0.872
0.847
0.823
0.801
0.780
0.760
0.742
0.725
0.708
0.693
0.679
0.665
0.652
0.641
0.630
0.619

GL

24
25
26
27
28
29
30
35
40
45
50
60
70
80
90
100
125
150
200
300
400
500
1000

222

0.05

0.01

0.001

0.388
0.381
0.374
0.367
0.361
0.355
0.349
0.325
0.304
0.288
0.273
0.250
0.232
0.217
0.202
0.195
0.174
0.159
0.138
0.113
0.098
0.088
0.062

0.496
0.487
0.478
0.470
0.463
0.456
0.449
0.418
0.393
0.372
0.354
0.325
0.302
0.283
0.267
0.254
0.228
0.208
0.181
0.148
0.128
0.115
0.081

0.608
0.597
0.588
0.579
0.571
0.563
0.554
0.519
0.490
0.465
0.443
0.408
0.380
0.357
0.338
0.321
0.293
0.260
0.230
0.190
0.160
0.150
0.110

R
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
0.99

0.00
0.0000
0.1003
0.2027
0.3095
0.4236
0.5493
0.6931
0.8673
1.0986
1.4722
2.6467

0.01
0.0100
0.1105
0.2132
0.3206
0.4356
0.5627
0.7089
0.8872
1.1270
1.5275
2.6996

0.02
0.0200
0.1206
0.2237
0.3317
0.4477
0.5763
0.7250
0.9076
1.1568
1.5890
2.7587

0.03
0.0300
0.1308
0.2342
0.3428
0.4599
0.5901
0.7414
0.9287
1.1881
1.6584
2.8257

223

0.04
0.0400
0.1409
0.2448
0.3541
0.4722
0.6042
0.7582
0.9505
1.2212
1.7380
2.9031

0.05
0.0501
0.1511
0.2554
0.3654
0.4847
0.6184
0.7753
0.9730
1.2562
1.8318
2.9945

0.06
0.0601
0.1614
0.2661
0.3769
0.4973
0.6328
0.7928
0.9962
1.2933
1.9459
3.1063

0.07
0.0701
0.1717
0.2769
0.3884
0.5101
0.6475
0.8107
1.0203
1.3331
2.0923
3.2504

Tabel 11 Transformarea Fisher: Z = 0.5 ln [(1 + R)/(1 - R)]


0.08
0.0802
0.1820
0.2877
0.4001
0.5230
0.6625
0.8291
1.0454
1.3758
2.2976
3.4534

0.09
0.0902
0.1923
0.2986
0.4118
0.5361
0.6777
0.8480
1.0714
1.4219
2.6467
3.800

TABEL 12 Valori critice pentru fie de control al calitii


Vol. sondaj n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

w
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931

1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223
0.212
0.203
0.194
0.187
0.180
0.173
0.167
0.16
0.157
0.153

224

D1
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
0.404
0.414
0.425
0.434
0.443
0.452
0.459

D2
3.267
2.575
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.744
1.716
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541