Documente Academic
Documente Profesional
Documente Cultură
1. Scurt istoric
În cazul unui număr n suficient de mare de experimente în care evenimentul E apare de m ori,
frecvența relativă m/n poate fi socotită ca valoarea probabilităților. Această valoare se
3
Evenimente incompatibile, contrare
• Regula de adunare
• Regula de înmulțire
3. Dacă mulțimile E1, E2, ..., En, ... sunt elemente ale lui B, atunci E E ...E ... și E E ...E
Axioma 1. Fiecărui eveniment aleator E din câmpul de evenimente îi este atașat un număr
real nenegativ P(E) numit probabilitatea lui E. Axioma 2. Probabilitatea evenimentului sigur
S P(S)=1.
Axioma 3. Dacă evenimentele E1, En sunt incompatibile două câte două, atunci P(E E ...
En)=P(E1)+P(E2)+...+P(En)
Axioma de adunare extinsă. Dacă apariția unui eveniment E echivalentă cu apariția unui
oarecare eveniment E1,..., En, ... incompatibile două câte două, atunci P(E)=P(E1)+P(E2)+...
+P(En)+...
4
2. VARIABILE ALEATOARE
DEFINITIE Orice functie f definita pe Ω si care ia valori in multimea numerelor reale R, se numeste
variabila aleatoare.
Prin urmare, fiecarui rezultat ωi , 1 ≤ i ≤ n , ii corespunde numarul real xi = f (ω i ) , 1 ≤ i ≤ n .
OBSERVATIE Numarul rezultatelor xi , 1 ≤ i ≤ n , distincte este mai mic cel mult egal cu n.
f (ωi ) = i .
conditiile in care sunt inregistrate n evenimente elementare ωi , 1 ≤ i ≤ n . Fie ωi1 ,ωi2 ,...,ωik ,
( ) ( )
evenimentele elementare pentru care f ω ih = xi , 1 ≤ h ≤ k . Notand pih = p ω ih , atunci:
5
EXEMPLU Se considera o variabila aleatoare g, data de recolta de grau pe un hectar. In aceasta situatie
variabila aleatoare poate avea orice valoare dintr-un interval (a,b) si prin urmare apare urmatoarea
clasificare, generata de natura valorilor inregistrate.
DEFINITIE O variabila aleatoare se numeste discreta (discontinua) daca poate lua numai valori
izolate. Numarul valorilor posibile ale unei variabile aleatoare discrete poate fi finit sau infinit.
O variabila aleatoare se numeste continua daca poate lua valori care umplu un interval finit sau
infinit. Evident, numarul valorilor posibile ale unei variabile aleatoare continue este intotdeauna
infinit.
Pentru a defini o variabila aleatoare discreta este suficient sa se enumere toate valorile posibile pe
care aceasta le poate lua. Insa, pentru a o cunoaste complet trebuie enumerate si probabilitatile
corespunzatoare fiecarei valori inregistrate.
Se numeste repartitie a unei variabile aleatoare discrete enumerarea valorilor posibile ale variabilei
aleatoare si a probabilitatilor corespunzatoare acestora. De obicei repartitia unei variabile aleatoare
discrete se scrie sub forma unui tablou in care prima linie contine toate valorile posibile, iar a doua
linie, probabilitatile corespunzatoare :
x x2 ... xn x
f : 1 , sau f : i , 1 ≤ i ≤ n .
p1 p2 ... pn pi
Tinand seama ca intr-un experiment variabila aleatoare ia una si numai una din valorile sale
posibile, rezulta ca evenimentele care constau in aceea ca variabila f ia valorile x1 sau x2 ,…,
sau xn formeaza - dupa cum se stie – un sistem complet de evenimente. Prin urmare, suma
probabilitatilor acestor evenimente este egala cu unitatea :
p1 + p2 + ...+ pn = 1.
6
xk xk2 ... xkn
f k : 1 .
p1 p2 ... pn
DEFINITIE Daca a este un numar real, produsul dintre a si f este variabila aleatoare af , cu
repartitia :
x x2 ... xn y y2 ... ym
f : 1 si g : 1 .
p1 p2 ... pn q1 q2 ... qm
P ( f = xi , g = yj ) = pij .
n m
∑ ∑ pij = 1.
i =1 j =1
xi + yj
pij , 1 ≤ i ≤ n ,
1 ≤ j ≤ m.
xi yj
pij , 1 ≤ i ≤ n ,
1 ≤ j ≤ m.
7
Exista vreo legatura intre probabilitatile p1 , p2 ,..., pn si q1 , q2 ,..., qn ? Raspunsul la aceasta
intrebare este afirmativ, insa legatura dintre aceste probabilitati nu este intotdeauna simpla. Un caz in
care aceasta legatura este foarte simpla este acela in care f si g sunt independente.
P ( f = xi , g = yj ) = P ( f = xi ) P ( g = yj ) ,
adica
pij = pi q j .
In mod analog se pot defini sumele si produsele a mai mult de doua variabile aleatoare, ca si
notiunea de independenta a unui numar oarecare de variabile aleatoare.
x1 ,..., xs , iar g poate lua valorile y1 ,..., yt . Pentru fiecare pereche ( xi , yk ) , fie pjk
pjk = p( f = xj ,g = yk ) , 1 ≤ j ≤ s , 1 ≤ k ≤ t .
p( f = xj ,g = yk ) = p( f = xj ) p( g = yk ) .
Se considera acum mai mult de doua variabile aleatoare. Fie f1 ,..., fn , n variabile aleatoare,
unde variabila aleatoare f j ia valorile x1, j ,..., xsj , j , 1≤ j ≤ n .
DEFINITIE Probabilitatile :
8
(
pj1 j2 ...jn = p f1 = xj1,1 , f2 = xj2 ,2 ,...,fn = xjn ,n )
constituie repartitia comuna a variabilelor aleatoare f1 ,..., fn .
( )
p f1 = xj1 ,1 , f2 = xj2 ,2 ,...,fn = xjn ,n =
= p( f 1 ) ( ) (
= xj1,1 p f2 = xj2 ,2 ...p fn = xjn ,n .)
DEFINITIE Variabilele aleatoare f1 , f2 ,..., fn ,... 1 sunt independente, daca orice numar finit de
variabile aleatoare din acest sir sunt independente.
Introducem acum o caracteristica numerica foarte importanta, asociata unei variabile aleatoare.
DEFINITIE Numarul
s
M ( f ) = ∑ xk pk
k=1
1 1 1 1 1 1 1
M ( f ) = 1⋅ + 2⋅ + 3⋅ + 4⋅ + 5⋅ + 6 ⋅ = 3 .
6 6 6 6 6 6 2
s
M r ( f ) = ∑ xkr pk
k=1
DEFINITIE Numarul
1
Vom nota un sir si sub forma ( fn )
9
s
D 2 ( f ) = M 2 ( f − M ( f ) ) = ∑ ( xk − M ( f ) ) pk
2
k=1
Mr ( f ) = M f r ( )
Demonstratie. Fie variabila aleatoare f cu repartitia
x xs
f : 1 .
p1 ps
xr xsr
h : 1 ;
p1 ps
r
cu alte cuvinte, valorile xj si xj au aceeasi probabilitate pj ,
1 ≤ j ≤ s si deci
s
M ( h) = ∑ xrj pj = M r ( f ) . ( ∗ )
j =1
PROPRIETATEA 2 Fie f o variabila aleatoare care poate lua o singura valoare a cu probabilitatea
1 (adica f = a = constant ). Atunci:
M r ( f ) = ar .
M r ( af ) = ar M r ( f ) .
10
Demonstratie. Fie variabila aleatoare f cu valorile x1 ,..., xs , avand probabilitatile p1 ,..., ps
si fie h = af . Aceasta noua variabila aleatoare ia valorile ax1 ,..., axs cu aceleasi probabilitati
p1 ,..., ps si deci:
s s
M ( h) = ∑ ar xrj pj = ar ∑ xrj pj = ar M r ( f ) . ( ∗ )
j =1 j =1
PROPRIETATEA 4 Fie n variabile aleatoare f1 ,..., fn . Atunci valoarea medie a sumei acestor
variabile aleatoare este egala cu suma valorilor medii, adica:
M ( f1 + ...+ fn ) = M ( f1 ) + ...+ M ( fn ) .
Demonstratie. Fie mai intai numai doua variabile aleatoare f si g . Se presupune ca variabila
pjk = p( f = xj ,g = yk ) , 1 ≤ j ≤ s , 1 ≤ k ≤ t .
t
Suma ∑ pjk , este suma probabilitatilor tuturor evenimentelor de forma ( f = xj ,g = yk ) , unde
k=1
indicele j este acelasi pentru toti termenii sumei, iar indicele k variaza de la un termen la altul,
t
sunt incompatibile doua cate doua, suma ∑ pjk este probabilitatea producerii unui eveniment
k=1
11
1 ≤ k ≤ t , este evident ca s-a produs si evenimentul ( f = xj ) ; reciproc, daca s-a produs evenimentul
t
Asadar, ∑ pjk fiind probabilitatea producerii unui eveniment oarecare din evenimentele
k=1
t
∑ pjk = pj , 1≤ j ≤ s .
k=1
s
∑ pjk = qk , 1 ≤ k ≤ t .
j =1
s t
M ( h) = ∑ xj pj + ∑ yk qk = M ( f ) + M ( g) .
j =1 k=1
Pentru mai mult de doua variabile aleatoare, se procedeaza prin inductie. Fie
h = f1 + ...+ fn
D2 ( f ) = M 2 ( f ) − ( M ( f ) ) .
2
12
(
Demonstratie. D 2 ( f ) = M 2 ( f − M ( f ) ) = M ( f − M ( f ) ) 2 = )
(
= M f 2 − 2M ( f ) f + ( M ( f ) )
2
) = M ( f ) − M ( 2M ( f ) f ) + M (( M ( f ) ) ) ,
2 2
daca se tine seama de proprietatea precedenta. Mai departe, aplicand de doua ori proprietatea 1., se
obtine :
( )
D 2 ( f ) = M f 2 − 2M ( f ) M ( f ) + ( M ( f ) ) = M 2 ( f ) − ( M ( f ) ) . (∗)
2 2
M ( fg) = M ( f ) M ( g) .
pjk = p( f = xj ,g = yk ) , 1 ≤ j ≤ s , 1 ≤ k ≤ t
pjk = pj qk , 1 ≤ j ≤ s , 1 ≤ k ≤ t .
s t s t
M ( h) = ∑ ∑ xj yk pjk = ∑ ∑ xj yk pj qk =
j =1k=1 j =1k=1
s t
= ∑ xj pj ∑ yk qk = M ( f ) M ( g) .
j =1 k=1
PROPRIETATEA 7 Fie n variabile aleatoare f1 ,..., fn independente doua cate cate doua. Atunci
dispersia sumei acestor variabile aleatoare este egala cu suma dispersiilor, adica:
D 2 ( f1 + ...+ fn ) = D 2 ( f1 ) + ...+ D 2 ( fn ) .
13
Demonstratie. Din proprietatea 6 se deduce
( )
= M ( f1 + ...+ fn ) − ( M ( f1 ) + ...+ M ( fn ) ) =
2 2
n n n n
2
= M ∑ f j2 + ∑ f j fk − ∑ ( M( f j ) − ∑ M( f j ) M ( fk ) =
j= 1 jj,≠kk= 1 j= 1 jj,≠kk= 1
j= 1
()
= ∑ M f j2 + ∑ M ( f j fk ) − ∑ ( M ( f j ) − ∑ M( f j ) M ( fk ) .
n
j ,k= 1
n
j= 1
2
n
j ,k= 1
j≠ k j≠ k
Daca se tine seama de faptul ca variabilele aleatoare f1 ,..., fn sunt independente, atunci din
proprietatea 6 rezulta ca cele doua sume duble de mai sus se reduc si deci :
D ( f1 + ...+ fn ) = ∑ M ( f j ) − ( M ( f j ) ) =
2 2 2
n
j =1
( )
j =1
(
= ∑ M 2 ( f j ) − ( M ( f j ))
n
2
) = ∑D ( f ) .
n
j =1
2
j
D2 ( f )
p( f − M ( f ) ≥ ε ) < ,
ε2
sau
D2( f )
p( f − M ( f ) < ε ) ≥ 1 −
ε2
s
D 2 ( f ) = ∑ ( x1 − M ( f ) ) pi .
2
i =1
14
Fie ε > 0 este un numar oarecare; daca din suma de mai sus se elimina toti termenii pentru care
xi − M ( f ) <ε si raman numai termenii pentru care xi − M ( f ) ≥ε , suma poate numai sa se
micsoreze, adica
D2 ( f ) ≥ ∑ ( x1 − M ( f ) ) pi .
2
xi − M ( f ) ≥ε
Aceasta suma se va micsora si mai mult daca in fiecare termen al ei vom inlocui factorul
D2 ( f ) ≥ ε 2 ∑ pi .
xi −M ( f ) ≥ε
Suma din partea dreapta reprezinta suma probabilitatilor tuturor acelor valori xi ale variabilei
D2( f )
p( f − M ( f ) ≥ ε ) < ,
ε2
ceea ce permite aprecierea probabilitatii abaterilor mai mari decat un numar ε dat dinainte, cu
PROPRIETATEA 9 Fie f1 , f2 ,..., fn ,... un sir de variabile aleatoare independente care au aceeasi
repartitie si deci, aceeasi valoare medie m si aceeasi dispersie σ 2 . Atunci, pentru orice ε si δ
arbitrari, ε > 0 , δ > 0 , exista un numar natural n0 ( ε ,δ ) astfel incat indata ce n > n0 ( ε ,δ ) , are
loc :
1 n
p ∑ f j − m ≥ ε < δ .
n j =1
15
Demonstratie. Din proprietatile 1 si 4, se deduce:
1 n 1 n
M ∑ f j = ∑ M ( f j ) = ∑ m= m
1 n
n j =1 n j =1 n j =1
1 n
D 2 ∑ f j
1 n n j =1 .
p ∑ f j − m ≥ ε <
n j =1 ε2
Dar:
1 n 1 n σ 2⋅n σ 2
D 2 ∑ f j = 2 ∑ D 2 ( f j ) = 2 ∑ σ 2 = 2 =
1 n
,
n j = 1 n j =1 n j =1 n n
de unde rezulta:
1 n σ2
p ∑ f j − m ≥ ε < 2 .
n j =1 ε n
Fiind dati ε > 0 , δ > 0 , se poate determina un numar natural n0 ( ε ,δ ) , care depinde de ε si
σ2
< δ ;2
ε n
2
Prin urmare :
1 n
p ∑ f j − m ≥ ε < δ .
n j =1
σ2
2
Drept n0 ( ε ,δ ) putem lua primul numar natural n pentru care n> .
ε 2δ
16
Cu alte cuvinte, proprietatea 9 arata ca daca variabilele aleatoare f1 , f2 ,..., fn ,... sunt
1 n
mare, expresia ∑ f j va diferi oricat de putin de m cu o probabilitate oricat de apropiata de 1.
n j =1
Studiul independentei a doua variabile aleatoare se poate realiza si prin intermediul coeficientului
de corelatie.
DEFINITIE Se numeste corelatie a doua variabile aleatoare, media produsului abaterilor acestora:
cov( X ,Y ) = M [ ( X − M ( X ) ) (Y − M (Y ) ) ] .
PROPRIETATE cov( X ,Y ) = M ( XY ) − M ( X ) M (Y ) .
Demonstratie M [ ( X − M ( X ) ) (Y − M (Y ) ) ] = M [ XY − XM (Y ) −YM ( X ) − M ( X ) M (Y )] =
M ( XY ) − M ( XM (Y ) ) − M (YM ( X ) ) + M ( M ( X ) M (Y ) ) = M ( XY ) − M ( X ) M (Y )
cov( X ,Y )
ρ( X ,Y ) = .
D( X ) D(Y )
PROPRIETATI
1) ρ( X ,Y ) ≤1 ;
2
X − m1 Y − m2
Demonstratie 1) Fie U = t + , t ∈ R . M (U ) ≥ 0 , (∀) t ∈ R . Calculand
σ1 σ 2
media variabilei aleatoare U, se obtine :
17
2 ( X − m1 ) 2 X − m1 Y − m2 ( Y − m2 )
[ ]+
2
t2
M (U ) = M t =σ M ( X − m1 )
2
+ 2t +
σ1
2
σ1 σ2 2
σ 2 1
2
2t
σ1σ 2
M [( X − m1 )(Y − m2 )] +
1
σ2
2
[
M (Y − m2 ) .
2
]
Calculand discriminantul si impunand conditia ca acesta sa fie pozitiv, rezulta proprietatea data.
2) Fie Y = aX + b, a,b∈R , a ≠ 0 .
cov( X ,aX + b) = aD 2 ( X )
aD 2 ( X ) 1,dac[ a > 0
⇒ ρ( X ,Y ) =
a D2 ( X )
= −1,dac[ a < 0
Repartitia binomiala
0 1 k n
B( n,k) : 0 n
n n.
Cn q Cn1qn−1 k n−k
Cn q Cn p
Repartitia Poisson
0 1 2 k
P ( n,k) : −λ λ2 −λ λk − λ .
e λe−λ e e
2! k!
P ( n,k) ≈
( np) k e−np , ( λ ≈ np) .
k!
Distributia hipergeometrica
18
0 1 k
0 n
H ( n,k) : Ca C b C a1C bn−1 CakC bn−k
.
Cn
a+ b C an+ b C an+ b
N −n
Parametrii acesteia sunt : M [ H ( n,k)] = np, D 2 [ H ( n,k)] = npq ,
N −1
a
a+ b = N, p = , q = 1− p
N
Repartitia binomiala
n
M [ B( n, k) ] = ∑ k ⋅ C nk ⋅ pk ⋅ qn−k .
k=0
Fie binomul :
n( q + x) n−1 = 1⋅ C n
1 n−1
q + 2xCn2qn−2 + ... + kxk−1C nk qn−k + ...+ nxn−1C nn .
Inmultind cu x, rezulta:
n
k ⋅ C nk ⋅ qn− k ⋅ pk = np( p + q) n−1
x = p ⇒ k∑
= np
Pentru .
=0 =1
= M [ B( n,k) ]
[
= n ( q + x) n−1 + x( n − 1)( q + x) n−2 ]
si inmultind cu x
n
[
⇒ ∑ k 2 ⋅ C nk ⋅ pk ⋅ qn−k = nx( q + x) n−1 + x( n − 1)( q + x) n−2
k=0
] .
n
x = p ⇒ ∑k 2 ⋅ C nk ⋅ pk ⋅ qn−k = np[1+ 1) p] =
( n − n2 p2 + np(1−p)
Pentru , de unde rezulta ca:
k=0 np− p+1 =q
D 2[ x] = n2 p2 + np(1− p) − n2 p2 = npq .
Repartitia Poisson
λ! 2 n λk ,
f ( λ) = f (0) + f /
(0) + λ f //
(0) + ...+ λ f ( n) (0) + ... ⇒ e =
λ
∑ k!
1! 2! n! k≥0
19
[ f ( ) (0) = 1] .
n
Atunci
λk λk λk λk−1
M [ P ( n,k)] = ∑k ⋅ e−λ = ∑k ⋅ e−λ = ∑( k −1)! e−λ = λ∑ e−λ =
k≥0 k! k≥1 k! k≥1 k≥1( k − 1)!
λk
λ∑ e−λ = e−λ ⋅ λ ⋅ eλ , adica M [ P ( n,k)] = λ .
k≥0 k!
[
M P 2 ( n,k) = ] ∑k 2 ⋅ k! e−λ
λk
= ∑k 2 ⋅
λk
k!
e−λ =
λk
∑k ⋅ ( k − 1)! e−λ =
k≥0 k≥1 k≥1
λk+1 λk λk λk
= λe−λ ∑( k + 1)
−λ
λe−λ ∑k ⋅ = λe ∑ k⋅ +∑
k≥1 k −1 ! (k≥0 )k! k≥0
k!
k 0k
≥
!
=λe λ
=eλ
[
⇒ M P 2 ( n,k) = λ2 + λ ⇒ ] D 2[ P ( n,k)] = λ2 + λ − λ2 = λ .
Repartitia hipergeometrica
n C akC bn−k 1 n 1 n
M [ H ( n,k) ] = ∑k ⋅ = ∑k ⋅ C akC bn−k = ∑k ⋅ C akC bn−k =
k=0 C an+b C an+b k=0 C an+b k=1
n−1
C at −1C b( n−1) −t
a
1 n a! a n
∑ =
∑k ⋅ k! ( a − k)! C bn−k = n ∑ k ⋅ C ak−−11C bn−k = n
C a+b
t=0
C an+b k=1 C a+b k=1 k−1=t
=Can+−b1−1
a n! ( a + b − n)! an
⋅ ⋅ ( a + b − 1)! = .
( a + b)! ( n − 1)! ( a + b − n)! a+ b
[
M H 2 ( n,k) = ] n
∑k 2 ⋅
C akC bn−k
C an+b
=
1
C an+b k=1
n
∑k 2 ⋅
a!
k! ( a − k)!
C bn−k =
a
C an+b k=1
n
∑k ⋅ C ak−−11C bn−k
k=0
n−1
∑C at −1C b( n−1) −t ⋅ ( t + 1) =
a
=
k−1=t C n
a+b t=0
n−1 n−2
( a − 1) ∑C at−−12C b( n−1)−t = ( a − 1) ∑C as−2C b( n−2)−s = (a −1)C an+−b2−2 ⇒
t=1 t−1=s s=0
20
[
M H 2 ( n,k) =] a
C an+b
[C n−1
a+b−1 + ( a − 1)C an+
−2
]
b−2 =
an! ( a + b − n)!
( a + b)!
⋅
( a + b − 1)! +
( n − 1)! ( a + b − n)!
BIBLIOGRAFIE
1. Ciuci G. - Elemente de teoria probabilităţilor şi statistică matematică, Editura Didactică şi
Pedagogică, Bucureşti, 1963
2. Ciucu, G.,Craiu, V.- Introducere în teoria probabilităţilor şi statistică matematică, Editura
Didactică şi Pedagogică, Bucureşti, 1971
3. Ciucu, G., Craiu, V., Săcuiu, I.- Probleme de teoria probabilităţilor, Editura Tehnică, 1974
4. Ciucu, G., Craiu, V., Săcuiu, I.- Probleme de statistică matematică, Editura Tehnică, 1974
21
5. Ciucu, G., Craiu, V., Ştefănescu, A.- Statistică matematică şi cercetări operaţionale,
Editura Didactică şi Pedagogică, Bucureşti, 1974
6. Ciucu, G., Tudor, C. - Probabilităţi şi procese stochastice, vol. I, Editura Academiei
R.S.R., Bucureşti, 1978
7. Craiu, V. - Verificarea ipotezelor statistice, Editura Didactică şi Pedagogică, Bucureşti,
1972
8. Cuculescu, I. - Curs de calculul probabilităţilor, Topografia Universităţii, Bucureşti, 1976
9. Feller, W. - An introduction to probability theory and its applications, vol. I (1957), vol. II
(1966), John Wiley
10. Gnedenko, B. V. - The Theory of probability, Mir Publishees Moscow, 1969
11. Guiaşu, S., Theodorescu, R.- Matematica şi informaţia, Editura Didactică şi Pedagogică,
Bucureşti, 1965
12. Iaglom, A. M., Iaglom, I. M. - Probabilitate şi informaţie, Editura Didactică şi
Pedagogică, Bucureşti, 1963
13. Iosifescu, M., Mihoc Gh., Theodorescu, R. - Teoria probabilităţilor şi statistică
matematică, Editura Tehnică, Bucureşti, 1966
14. Iosifescu, M. - Lanţuri Markov finite şi aplicaţii, Editura Tehnică, Bucureşti, 1977
15. Iosifescu, M., Tăutu, P. - Stochastic processe and applications in biology and medicine,
Bucureşti, Berlin, Editura Academiei & Springer, 1973
16. Kendall, M. G., Stuart, A. - The advanced theory of Statistics, vol. I, II, Charles Griffin &
Company Limited, London, 1961
17. Kai Lai Chung - Elementary Probability Theory with Stochastic Processes, Springer –
Verlag, New York – Heidelberg – Berlin, 1974
18. Kalbleisch, J. G. - Probability and Statistical Inference, I, II, Springer – Verlag, New
York, Heidelberg, Berlin, 1979
19. Mc Phersson, G. - Statistics in Scientific Investigation (Its Basis, Application and
Interpretation), Springer – Verlag, 1990
20. Mihoc, Gh., Ciucu, G., Craiu, V. - Teoria probabilităţilor şi Statistică matematică,
Editura Didactică şi Pedagogică, Bucureşti, 1970
21. Neveu, I. - Cours de Probabilités, Ecole Polytechnique, Paris, 1970
22. Onicescu, O. - Probabilităţi şi procese aleatoare, Editura Ştiinţifică şi
Enciclopedică, Bucureşti, 1977
23. Onicescu, O., Mihoc, Gh., Ionescu Tulcea, C. - Calculul probabilităţilor şi aplicaţii,
Editura Academiei R.P.R., Bucureşti, 1956
22
24. Reischer, C., Sâmboan, G., Theodorescu, R. - Teoria probabilităţilor, Editura Didactică şi
Pedagogică, Bucureşti, 1967
25. Renyi, A. - Calcul de probabilités, Dunod, Paris, 1966
26. Schimetterer, L. - Einfuhrung in die matematische Statistik, Springer Verlag, Wien, New
York, 1966
27. Trandafir, R. - Introducere în teoria probabilităţilor, Editura Albatros, Bucureşti, 1979
28. Uilks, S. - Matematicescaia Statistica, Izdatelstvo “Nauka”, Moscova, 1967
29. Venzel, H. - Theorie de probabilités, Editura de Moscou, 1973
30. Ya-lun Chou - Statistical Analysis for Business and Economics, Elsevier, New York,
Amsterdam, London, 1989
23