Capitolul 1.

ELEMENTE DE PROBABILITI
I INFEREN STATISTIC

1.1. Noiuni de baz

Definiie. n statistica descriptiv o populaie statistic este o mulime finit de obiecte (indivizi sau uniti
statistice) care constituie obiectul unui studiu i ale crei elemente posed mai multe caracteristici comune.

Definiie. O variabil aleatoare este o funcie definit asupra ansamblului rezultatelor posibile ale unei
experiene aleatoare, astfel nct s fie posibil s determinm probabilitatea ca ea s ia o anumit valoare dat
sau s ia o valoare situat ntr-un anumit interval.
La origine, o variabil era o funcie de ctig care reprezenta ctigul obinut ca rezultat al unui joc.
De exemplu, presupunem c un juctor lanseaz un zar i ctig 10 lei dac obine ase i pierde 2 lei dac
obine alt rezultat. Se poate defini o variabil aleatoare a ctigului care asociaz valoarea 10 rezultatului
ase i valoarea -2 oricrui alt rezultat. n aplicaii, variabilele aleatoare sunt utilizate pentru a modela
rezultatul unui mecanism nedeterminist sau al unei experiene nedeterministe care genereaz un rezultat
aleator.

Definiie. Inferena statistic const n a induce caracteristicile necunoscute ale unei populaii pornind de la
un eantion extras din acea populaie. Caracteristicile eantionului (cunoscute) reflect cu o anumit marj de
eroare pe cele ale populaiei.

1.2. Variabile aleatoare discrete

Presupunem c n urma unui mecanism sau experiment nedeterminist (aleator) rezult o mulime
finit de rezultate posibile
I x1 , x2 ,..., xn

unde x1 , x2 ,..., xn reprezint valori numerice. Fie pi probabilitatea de realizare a fiecrui eveniment
(rezultat).

Definiie. Numim variabil aleatoare o aplicaie f care asociaz fiecrui eveniment elementar un numr xi .

Definiie. Legea de probabilitate a variabilei discrete X este mulimea de cupluri ( xi , pi ) unde xi I este un

rezultat posibil, iar pi probabilitatea evenimentului asociat acestui rezultat.

O variabil aleatoare se noteaz simbolic:

11
 x1 ... xi ... xn
X :
p1 ... pi ... pn
n
unde pi Pr( X xi ) i p
i 1
i 1.

xi
Definiie. Fie X : o variabil aleatoare. Dac pentru orice numr real x notm cu F ( x)
pi i !,n

probabilitatea ca X s ia valori mai mici dect x, respectiv:

F ( x) Pr( X x) pi
xi x

atunci funcia F definit prin aceast egalitate se numete funcia de repartiie a variabilei aleatoare X.

1.3. Legi de probabilitate discrete

Legea Bernoulli
Admite dou valori posibile: 0 i 1, cu probabilitile de realizare q i respectiv p. Se noteaz de obicei cu 1
cazul favorabil.
0 1
Z ( p ) :
q p

Deoarece q p 1 , cunoatera lui p este suficient pentru caracterizarea variabilei. Momentele centrate i
necentrate pn la ordinul 2 se deduc uor:
E ( Z ) 0q 1 p p

V ( Z ) E ( Z 2 ) E ( Z ) p p 2 pq
2

O astfel de distribuie apare n experiene de tipul: cumpr/ nu cumpr un anumit produs, votez/ nu votez un
anumit candidat, etc.

Legea Binomial
O variabil binomial este suma a n variabile Bernoulli independente i de acelai parametru p.
X ( n, p ) Z1 ( p ) Z 2 ( p ) ... Z n ( p )

unde Z i ( p ) , i 1, n este o variabil Bernoulli. O variabil binomial poate lua valori de la 0 la n.

Probabilitile fiecrei stri sunt:
p0 Pr( X 0) q n

p1 Pr( X 1) pq n 1
..
pk Pr( X k ) Cnk p k q nk

...
12
pn Pr( X n) p n

Calculm sperana matematic i variana teoretic a variabilei:

E ( X ) E ( Z1 Z 2 ... Z n ) E ( Z1 ) E ( Z 2 ) ... E ( Z n ) np

Pentru calculul varianei ne folosim de faptul c variabilele Z i sunt independente, deci variana sumei este
egal cu suma varianelor:
V ( X ) V ( Z1 Z 2 ... Z n ) V ( Z1 ) V ( Z 2 ) ... V ( Z n ) npq

Variabila Z ( p ) indic probabilitatea de apariie a cazului favorabil. O variabil binomial semnific

repetarea de n ori n aceleai condiii a unui experiment de tip Bernoulli.

Figura 1.1 Probabilitile obinute pentru dou distribuii binomiale cu n=6

Figura 1.2 Probabilitile obinute pentru dou distribuii binomiale cu n=30

13
Legea Poisson
Se mai numete i legea evenimentelor rare. Este des ntlnit n teoria irurilor de ateptare. O variabil
Poisson admite ca valori numere ntregi pozitive, cu probabilitile de apariie a strilor conform relaiei:
k
Pr( X k ) e
k!
unde este un parametru pozitiv. Sub form general, o variabil ce urmeaz o distribuie Poisson se poate
scrie:

k

X ( ) :
k
e
k! k 0 ,1,...,

Se cunoate din matematic relaia:

k

k 0 k !
e

de unde rezult c suma probabilitilor este egal cu 1:

p
k 0
k 1

Sperana matematic i variana teoretic sunt:

E( X )
V (X )

Pentru a ajunge la aceste relaii trebuie utilizat funcia generatoare de momente, care nu a fost definit n
aceast lucrare (pentru detalii, a se vedea Florea & colab., 2000).

Figura 1.3 Distribuiile Poisson cu 5 i 10

Legea geometric

14
O variabil este distribuit dup o lege geometric dac admite ca valori numere naturale nenule, cu
probabilitile de apariie egale cu:
Pr( X k ) pq k 1

Distribuia se poate scrie:

k
X ( p ) : k 1

pq k 1, 2 ,...,

unde p, q 0 , 1 , iar p q 1 . Suma probabilitilor este egal cu 1 (se poate demonstra c pq k 1
1 ).
k 1

Folosind funcia generatoare de momente (vezi Florea & colab., 2000) se obine:
1
E( X )
p

q
V (X )
p2

Pentru a caracteriza total o distribuie geometric este suficient cunoaterea unuia din cei doi parametri, p
sau q.

Legea hipergeometric
Presupunem o populaie de volum N , mprit n dou subpopulaii de volum N1 i respective N 2 . Dac
din populaia iniial se fac n extracii fr revenire, atunci numrul k de uniti din cele extrase care aparin
primei subpopulaii este o variabil hipergeometric. O variabil hipergeometric admite ca valori posibile k
numere ntregi, probabilitile fiind date de formula:
C Nk 1 C Nn2 k
Pr( X k )
C Nn

cu condiia Max(0, n N 2 ) k Min(n, N1 ) .

N1
Notm variabila cu H ( N , n, p) , unde p . Distribuia se poate scrie:
N

k
C k C n k
H ( N , n, p ) : N1 N 2
Cn
N k 1, 2,...

C Nk 1 C Nn2 k
Pentru a explicita probabilitatea Pr( X k ) , observm c la numitor avem numrul total de cazuri
C Nn
k nk k
posibile, respectiv C Nn . Numrul de cazuri favorabile este C N1 C N 2 , deoarece celor C N1 moduri de a alege
n k
k uniti din cele N1 li se asociaz C N 2 moduri de a alege restul de n k uniti din cele N 2 .
Fr demonstraie dm expresiile speranei matematice i varianei (se deduc din funcia generatoare de
momente):
E ( X ) np
15
 N n
V ( X ) npq
N 1

Legea uniform discret

O variabil aleatoare X urmeaz legea uniform discret dac cele n valori posibile sunt echiprobabile i
uniform repartizate pe intervalul 0 , 1 . Distribuia se poate scrie:

1 2 k n 1
0 ... ...
X : n n n n
1 1 1
...
1
...
1

n n n n n
Prin uoare artificii de calcul (vezi Florea & colab., 2000) se obine:
n 1
E( X )
2n
(n 1)(n 1)
V (X )
12n 2

1.4. Variabile aleatoare continue

n studiul problemelor practice din economie modelarea comportamentului probabilistic al unor
fenomene prin variabile discrete se dovedete adesea nesatisfctor. De exemplu estimarea veniturilor sau
ratei profitului unei firme, mrimea dividendelor, produsului intern brut al unei ri, a ratei omajului sau a
inflaiei, etc, nu se pot face ntr-un cadru discret, deoarece numrul valorilor posibile ale acestor variabile este
foarte mare, necesitnd utilizarea unor distribuii continue. Domeniul de definiie a unei variabile aleatoare
continue este axa real sau submulimi ale acesteia. O astfel de variabil se definete prin funcia de repartiie
sau funcia densitate de probabilitate.

Definiie. Fie X o variabil aleatoare continu. Dac pentru x R notm :

F ( x ) Pr( X x)

Atunci funcia F ( x) definit n acest mod se numete funcia de repartiie a variabilei aleatoare X.
Cele mai importante proprieti ale funciei de repartiie F ( x) sunt:
1) F ( x) este o funcie continu
2) F ( x) este o funcie nedescresctoare
3) 0 F ( x) 1 , x R

4) xlim F ( x) 0 i lim F ( x) 1
x

Probabilitatea ca X s aparin unui anumit interval, de exemplu [a,b) se scrie:

Pr(a X b) Pr( X b) Pr( X a ) F (b) F (a )

16
Definiie. O funcie f (x ) este densitate de probabilitate a unei variabile X , dac ndeplinete condiiile:
1) f ( x) 0 , x D (n toate punctele care nu sunt n domeniul de definiie a lui X )
2) f ( x) 0 , x D (n toate punctele din domeniul de definiie a lui X )

3) f ( x ) dx 1

Legtura dintre funcia de repartiie F i densitatea de probabilitate f este dat de relaia:

x
F ( x)
f ( y ) dy

Densitatea de probabilitate este practic derivata funciei de repartiie.

Ca i n cazul variabilelor discrete, i variabilele continue sunt caracterizate de nite valori caracteristice. Cel
mai des ntlnite sunt sperana matematic i variana.

Definiie. Pentru o variabil continu X, de densitate de probabilitate f (x ) expresia:

E( X )

xf ( x ) dx

reprezint sperana sa matematic.

Definiie. Pentru o variabil continu X, de densitate de probabilitate f (x ) expresia:

)
k
E( X x k f ( x ) dx

respectiv sperana matematic a variabilei X k , reprezint momentul de ordinul k.

Definiie. Pentru o variabil continu X, de densitate de probabilitate f (x ) expresia:

E ( X E ( X )) k
( x E ( X )) k f ( x ) dx

respectiv sperana matematic a variabilei ( X E ( X )) k , reprezint momentul centrat de ordinul k. Pentru

k 2 vorbim de momentul centrat de ordinul 2, care se mai numete i varian.

Variana se mai poate scrie i astfel:

V (X )
( x E ( X )) 2 f ( x ) dx

xf ( x ) dx
E ( X ) 2 f ( x) dx E ( X ) ( E ( X )) 2

1.5. Legi de probabilitate continue

Legea exponenial
O variabil aleatoare continu X urmeaz legea de distribuie exponenial dac funcia sa de distribuie are
expresia:
1 e x dac x 0
F(X )
0
dac x 0

17
unde este un parametru real pozitiv.

Legea normal centrat i redus

O variabil aleatoare continu X urmeaz o lege de probabilitate normal centrat i redus dac funcia sa de
repartiie este de forma:
1 x

2
F ( x) e t /2
dt
2

care exprim probabilitatea ca variabila X s ia valori mai mici dect x. Densitatea de probabilitate f (x) , ca
derivat a distribuiei de probabilitate ia urmtoarea expresie:
1 2
f ( x) e x / 2 dt
2

Legea de probabilitate astfel definit se mai numete legea Gauss-Laplace.

Figura 1.4 Funcia de repartiie a unei variabile normale centrate i reduse

0,5

0
0

Figura 1.5 Densitatea de probabilitate a unei variabile normale centrate i reduse

18
 1 1

Pentru o variabil normal centrat i redus sperana matematic i variana sunt:

E( X ) 0
V (X ) 1

Legea normal
O variabil aleatoare continu Y este o variabil normal, dac Y X m , unde X este o variabil normal
centrat i redus, R , iar m R .
E (Y ) E (X m) E ( X ) m m

V (Y ) V (X m) 2V ( X ) 2

Figura 1.6 Densitile de probabilitate ale unor variabile normale de diverse medii i variane

Legea log-normal
19
O variabil aleatoare Z de forma:
Z eY
este o variabil log-normal dac Y este o variabil normal de medie m i de varian 2 . Astfel, Z este o
variabil log-normal dac logaritmul natural al acesteia (adic ln(Z ) ) este o variabil normal.
2 2
E ( Z ) E (eX m ) e m E (eX ) e m e /2
e m /2

2 2
V ( Z ) e 2 m e (e 1)

Figura 1.7 Densitatea de probabilitate ale unei variabile lognormale

Legea hi-patrat
Dac avem un ir U i , unde :
2
Xi m
U i2 , i 1, n

iar X i sunt variabile normale i independente, de medie m i varian 2 , atunci variabila:

n
2 (n) U i2
i 1

urmeaz legea de probabilitate hi-patrat.

Legea Student
O variabil Student este raportul dintre o variabil normal centrat i redus (U) i rdcina patrat a unei
variabile 2 cu grade de libertate divizat prin numrul gradelor de libertate:

20
 U
t
2 ( )

Legea Fisher-Snedecor
O variabil Fisher-Snedecor este raportul dintre dou variabile 2 divizate prin numrul gradelor lor de
libertate:
2 ( 1 ) / 1
F
2 ( 2 ) / 2

1.6. Convergena n probabilitate

Definiie. Un ir de variabile aleatoare converge n probabilitate spre un numr a, dac fiind date i
dou numere arbitrar alese mici este posibil s gsim un numr N ( , ) astfel nct:
n N ( , ) P X n a

Sub o form echivalent putem scrie:

P lim X n a 1
n

Teorem. O condiie suficient pentru ca un ir de variabile aleatoare s convearg n probabilitate spre un
numr finit a, este ca sperana sa matematic s tind spre a, iar variana sa s tind spre 0 cnd n tinde la
infinit:
lim E ( X n ) a lim V ( X n ) 0
n n

Pentru demonstraia acestei teoreme (bazat pe inegalitatea lui Bienaym-Cebev), un exemplu (legea slab
a numerelor mari), convergena n medie patratic i alte noiuni legate de convergena n probabilitate a se
consulta de exemplu Florea & colab. (2000).

1.7. Convergena n lege

Fie un ir de variabile aleatoare: X 1 , X 2 ,..., X n

care admit ca funcii de repartiie: F1 x , F2 ( x ),..., Fn ( x )

i ca funcii generatoare de momente: X1 t , X 2 t ,..., X n t

Definiie. Fie o variabil aleatoare X cu o funcie de repartiie F (x ) i funcie generatoare de momente

X t . irul X n converge n lege ctre X cnd n , dac Fn (x) converge ctre F ( x) sau dac

X n t converge ctre X t :

21
 Fn ( x) F ( x) L
n
X n X F ( x ), X t
X n t X t n
n
Convergena funciei de repartiie este echivalent cu convergena funciei generatoare de momente (nu
prezentm aici demonstraia).

Exist cteva cazuri particulare de convergen de la legi discrete la alte legi discrete, de la legi
discrete la legi continue sau de la legi continue la alte legi continue. Prezentm sintetic n tabelul urmtor
cteva cazuri mai des utilizate n practic (pentru unele demonstraii, a se vedea Florea & colab., 2000).

Tabelul 1.1. Cteva cazuri de convergen n lege

Variabila iniial Convergena spre Condiii

variabila
Binomial Normal n mare,
Bin(n, p ) N ( np, npq ) np 15 , nq 15
Binomial Poisson n mare, p 0,1
Bin(n, p ) N ( np ) np , mic
Poisson Normal 15
N ( np ) N ( , )
Hipergeometric Binomial N mare,
H ( N , n, p ) Bin(n, p ) n f. mic n raport cu
N
Hipergeometric Normal N mare,
H ( N , n, p ) N ( np, npq (1 n) / N ) n mic n raport cu N
p semnificativ 0

Figura 1.8 Convergena distribuiei binomiale (n=70, p=0.3) spre o distribuie normal

22
Figura 1.9 Convergena distribuiei Poisson ( 30 ) spre o distribuie normal

Se observ c distribuiile sunt aproape simetrice n jurul mediei, ceea ce nu este cazul i pentru distribuiile
binomiale cu valori mici ale lui n sau respectiv distribuiile Poisson cu valori mici ale lui (vezi figurile 1.1
i 1.3).

1.8. Legi de probabilitate ale variabilelor de eantionare

Proporia de eantionare
Teorem. Fie o populaie distribuit de tip Bernoulli n raport cu variabila X. Parametrul p reprezint
proporia elementelor din populaie pentru care X 1 . Proporia elementelor din eantionul de volum n,
respectiv p converge cnd n ctre o variabil aleatoare normal de parametri:
E ( p ) p

1
V ( p ) p (1 p )
n
Pentru demonstraia teoremei, a se vedea de exemplu Florea & colab., 2000.

Media de eantionare
Teorem. Fie o populaie distribuit normal n raport cu variabila X, de parametri E( X ) X i respectiv

V ( X ) X2 din care se extrage un eantion aleator de volum n. Media de eantionare obinut prin

1
X ( X 1 X 2 ... X n ) este o variabil aleatoare normal de parametri:
n

E ( X ) X

2
V ( X ) X
n

23
Acest rezultat se poate extinde i pentru o populaie distribuit dup o lege oarecare n raport cu X, de

parametri E( X ) X i respectiv V ( X ) X2 .

Variana de eantionare
Teorem. Sperana matematic a varianei de eantionare este egal cu variana variabilei n populaie minus
variana mediei de eantionare:
X2 n 1 2
E ( X2 ) X2 X
n n
Pentru demonstraia teoremei, a se vedea de exemplu Florea & colab., 2000.

1.9. Estimator i estimaie

n tiinele sociale n general i n economie n particular, observarea unei populaii ntregi este foarte rar.
Observarea se face la nivel de eantion iar rezultatele se extrapoleaz la ntreaga populaie din care acesta a
fost extras. Caracteristicile populaiei sunt descrise de ctre diveri parametri: media variabilei ( X ), variana

( X2 ), mediana M e ( X ) , etc. Toi aceti parametri (notm sub form general ) sunt observai la nivel de
eantion i prin inferena statistic sunt extrapolai la nivelul populaiei.

Definiie. Estimatorul unui parametru necunoscut al unei populaii este o variabil de eantionare care
depinde i de parametrul respectiv:
f X 1 ( ), X 2 ( ),..., X n ( )

Definiie. O estimaie punctual a unui parametru este valoarea numeric a estimatorului corespunztoare
unui eantion particular ( x1 , x2 ,..., xn ) .

Definiie. Eroarea de estimare a unui parametru este diferena dintre estimatorul acestuia i parametrul
, respectiv variabila aleatoare .

Definiie. Eroarea limit de estimare a unui parametru are expresia:

max sub form absolut

R sub form relativ

Definiie. Un estimator al lui este nedeplasat dac i numai dac E () .

24
Definiie. Un estimator al lui este absolut corect dac sunt satisfcute condiiile:
E ()

lim V () 0
n

1.10. Estimarea prin interval de ncredere

Vom considera pentru toate cazurile care urmeaz o populaie caracterizat de o variabil X, de medie X
necunoscut i pe care dorim s o estimm. Variabila aleatoare X i asociat momentului i care precede

selecia este caracterizat prin E ( X i ) X i V ( X i ) X2 .

1.10.1. Estimarea valorii medii pentru o populaie normal i varian cunoscut

Populaia fiind normal n raport cu X, cu E( X ) X i V ( X ) X2 , variabila X i este i ea normal i de

aceeai parametri i 1, n . Ca urmare, media de eantionare X fiind o funcie liniar de variabile normale

X X
este i ea normal, cu E ( X ) X . n consecin, variabila Z este normal, centrat i redus.
X

Pentru un prag de semnificaie 0,05 dat se poate scrie:

X X 1
Pr z z
z

2
e t /2
dt ( z ) 1
X 2 z

unde ( z ) este distribuia normal centrat i redus.

(z ) 1

/2 /2

z 0 z

Dup artificii de calcul, putem scrie:

Pr( X z X X X z X ) ( z )

Cu o probabilitate (z ) 1 intervalul acoper valoarea lui X .

1.10.2. Estimarea valorii medii pentru o populaie normal i varian necunoscut
Presupunem c variana variabilei X, respectiv X2 este necunoscut i va fi estimat prin estimatorul su:

25
 1 n
s X2 ( X i X ) 2
n 1 i 1
Ca urmare, variabila:

X X
t
X2

este distribuit dup o lege Student cu n 1 grade de libertate. Rezult astfel intervalul:
t
Pr( t t t ) f (t , )dt 1
t

unde f (t , ) este densitatea de probabilitate a variabilei t . nlocuind expresia lui t , intervalul devine:
Pr( X t X X X t X ) 1

unde este pragul de semnificaie.

1.10.3. Estimarea varianei

Fie o populaie de medie X i varian X2 necunoscut. n cazul extragerii unui eantion de volum n, iar
populaia este normal distribuit n raport cu X, atunci:
2
n X X


i

i 1
X

este distribuit dup o lege 2 cu n 1 grade de libertate. n acest caz este posibil s gsim dou valori

numerice 12 i 22 , pentru care pentru un prag de semnificaie dat ( ) s putem scrie:

n

(X i X ) 2
Pr 12 i 1
22 1
X2

de unde rezult:
n n

(X i X ) 2 (X i X ) 2
Pr i 1
X2 i 1 1
12 22

1.11. Teste de semnificaie

Testele de semnificaie constau n verificarea egalitii unui parametru cu o valoare dat. Se poate testa
semnificaia unei medii, proporii, variane, etc.

1.11.1. Testarea semnificaiei unei medii

Presupunem o populaie observat n raport cu variabila X, distribuit normal, de medie X i varian X2 .
Ipoteza se formuleaz astfel:

26
 H 0 : X x0

H 1 : X x0

Dac din populaie s-au efectuat n extrageri independente, avem variabila de eantionare:
1
X ( X 1 X 2 ... X n )
n
Se pot deduce astfel:
1
E ( X ) E ( X 1 X 2 ... X n ) X
n

2
1
V ( X ) V ( X 1 X 2 ... X n ) X
n n

X2
Ca urmare X se distribuie normal, de medie X i de varian . Testarea ipotezei H 0 se face n funcie
n

de urmtoarele dou situaii posibile: a) X2 cunoscut; b) X2 necunoscut.

a) X2 cunoscut
Variabila Z este normal, centrat i redus:

X x0
Z N (0,1)
X
n
Dac ipoteza H 0 este adevrat, atunci exist un prag de semnificaie cruia s-i corespund o valoare
tabelat z astfel nct Z z cu o probabilitate P 1 . Regula de decizie a testului devine:
- dac Z z acceptm H 0 , adic X nu este diferit statistic fa de x0 (cu un prag de semnificaie );
- dac Z z acceptm H 1 i respingem H 0 , adic X este diferit statistic fa de x0 (cu un prag de
semnificaie ).

b) X2 necunoscut

Deoarece variana X2 nu se cunoate, se estimeaz prin:

1 n
s X2 ( xi X ) 2
n 1 i1

Dac nlocuim X2 prin s X2 , atunci raportul:

X X
t S n 1
sX
n
Nu mai este o variabil normal, ci una Student, cu n 1 grade de libertate. Dac ipoteza nul este
adevrat, atunci:

27
 X x0
t
sX
n
este tot o variabil Student cu n 1 grade de libertate.
Dac ipoteza H 0 este adevrat, atunci exist un prag de semnificaie cruia s-i corespund o valoare
tabelat t , astfel nct t t , cu o probabilitate P 1 . Regula de decizie a testului devine:
- dac t t , acceptm H 0 , adic X nu este diferit statistic fa de x0 (cu un prag de semnificaie );
- dac t t , acceptm H 1 i respingem H 0 , adic X este diferit statistic fa de x0 (cu un prag de
semnificaie ).

1.11.2. Testarea semnificaiei unei proporii

Presupunem o populaie observat n raport cu variabila X, distribuit de tip Bernoulli, de o anumit proporie
p. Ipoteza se formuleaz astfel:
H 0 : p p0

H 1 : p p0

Dac din populaie s-au efectuat n extrageri independente, se vor extrage variabilele X i independente, de
acelai parametru p. Avem proporia de eantionare:
1
p ( X 1 X 2 ... X n )
n
1
E ( p ) E ( X 1 ) E ( X 2 ) ... E ( X n ) np p
n n

V ( p )
1
2
V ( X 1 ) V ( X 2 ) ... V ( X n ) np(1 2 p) p(1 p)
n n n
Conform criteriilor de convergen, dac n este mare proporia de eantionare va fi distribuit (asimptotic)
spre o lege normal:
p (1 p )
p N p,

n

Raionnd ca i n cazul mediei, variabila Z este normal, centrat i redus:

p p0
Z N (0,1)
p (1 p )
n
Dac ipoteza H 0 este adevrat, atunci exist un prag de semnificaie cruia s-i corespund o valoare
tabelat z astfel nct Z z cu o probabilitate P 1 . Regula de decizie a testului devine:
- dac Z z nu este diferit statistic fa de p0 (cu un prag de semnificaie
acceptm H 0 , adic p );
- dac Z z acceptm H 1 i respingem H 0 , adic p
este diferit statistic fa de p0 (cu un prag de

semnificaie ).

28
29