Stat PDF

Statistic
a Aplicat
a
Mihai N. Pascu
1 Octombrie 2016
Contents
1 Elemente de teoria probabilit atilor 3
1.1 Spatiu de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2 Continuitatea masurii de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 Variabile aleatoare 7
2.1 Variabile aleatoare discrete . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Variabile aleatoare continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Caracteristici numerice ale variabilelor aleatoare: media si dispersia . . . . . . . . . . . . . . . . . . . 14
2.4 Transformarea mediei si dispersiei . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.5 Medie si momente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3 Distributii discrete clasice 19

3.1 Distributia Bernoulli . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2 Distributia uniform
a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Distributia binomial
a. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.4 Distributia Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.5 Distributia geometric
a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.6 Distributia hipergeometrica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Distributii continue clasice 26

4.1 Distributia uniforma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Distributia exponential
a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.3 Distributia normala . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
4.4 Distributia 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.5 Distributia T/Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
5 Statistica matematic a 36
5.1 Selectii aleatoare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.2 Reprezent ari grace si caracteristici numerice ale selectiilor aleatoare . . . . . . . . . . . . . . . . . . 37
5.2.1 Caracteristici numerice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3 Reprezent ari grace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3.1 Reprezent ari prin puncte (dot diagrams) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
5.3.2 Diagrame ca serii de timp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
5.3.3 Diagrame r adacina-frunza (Stem-and-leaf diagrams) . . . . . . . . . . . . . . . . . . . . . . . 38
5.3.4 Histograme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3.5 Box-and-whiskers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
5.3.6 Grace de probabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6 Notiuni de teoria estimatiei 42

6.1 Estimatori ai parametrilor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
6.2 Estimatii eciente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
6.3 Estimatii suciente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1
7 Metode de estimare a parametrilor 51
7.1 Metoda momentelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
7.2 Metoda verosimilit
atii maxime . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
8 Intervale de ncredere 55
8.1 Intervale de ncredere pentru media unei populatii normale cu dispersie cunoscut a . . . . . . . . . . 55
8.2 Intervale de ncredere pentru medie n cazul selectiilor mari . . . . . . . . . . . . . . . . . . . . . . . 56
8.3 Intervale de ncredere pentru media unei populatii normale cu dispersie necunoscut a . . . . . . . . . 57
8.4 Intervale de ncredere pentru dispersia unei populatii normale . . . . . . . . . . . . . . . . . . . . . . 58
8.5 Intervale de ncredere pentru proportia unei populatii . . . . . . . . . . . . . . . . . . . . . . . . . . 58
8.6 Intervale de predictie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
9 Testarea ipotezelor statistice 61

9.1 Diferite ipoteze alternative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
9.2 Erori n testarea ipotezelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
9.3 Test pentru media a unei populatii normale cu dispersie cunoscut a . . . . . . . . . . . . . . . . . . 64
9.4 Test pentru media a unei populatii normale cu dispersia necunoscut a . . . . . . . . . . . . . . . . 65
9.5 Test pentru dispersia 2 a unei populatii normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
9.6 Test pentru proportia unei populatii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
10 Regresia liniara 68
10.1 Metoda celor mai mici p atrate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
10.2 Analiz
a de corelatie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
11 Observatii privind estimatorul S 2 al dispersiei 2

al unei populatii normale N ; 2
73
2
1 Elemente de teoria probabilit
atilor
1.1 Spatiu de probabilitate
Elementul de baz a n teoria probabilit
atilor este notiunea de spatiu de probabilitate, modelul matematic al efectu
arii
unui experiment pentru care multimea rezultatelor posibile este cunoscut a, dar nu se poate preciza cu exactitate
rezultatul efectu
arii experimentului naintea efectu arii acestuia.
Vom nota prin o multime nevid a arbitrar a, ale c
arei elemente pot gndite ca reprezentnd rezultatele posibile
ale efectu
arii unui anumit experiment (vom numi elementele lui evenimente elementare).
Denitia 1.1 Data ind o multime nevida 6= ;, numim algebr

a pe o familie nevida F P( ) = fA : A g
de parti ale lui , cu proprietatile:
1. F este nchisa la complementara, adica

A 2 F =) Ac 2 F
2. F este nchisa la reuniuni numarabile, adica

1
[
A1 ; A2 ; : : : 2 F =) An 2 F:
n=1
Exemplul 1.2 Pentru o multime 6= ?, se verica usor ca F1 = f;; g ( -algebra minimal a) si F2 = P( ) =

fF : F 2 g ( -algebra maximal a) sunt -algebre pe .
Pentru o -algebra F arbitrara a unei multimi de evenimente elementare are loc dubla incluziune
F1 F F2 ;
unde F1 = f;; g este -algebra minimala si F2 = P( ) este -algebra maximala pe .
Exemplul 1.3 Data ind o submultime arbitrara S P ( ), ea nu este n general o -algebra. Se poate demonstra
ca exista o -algebra minimala ce contine pe S, notata prin (S), si numita -algebra generata de S.
Faptul ca (S) este o -algebra minimala ce contine pe S nseamna ca (S) este o -algebra, S (S), si
oricare ar o alta -algebra F cu proprietatea ca S F rezulta (S) F.
n general are loc incluziunea S (S), cu egalitate numai n cazul n care S este o -algebra pe .
Exemplul 1.4 Un exemplu important de -algebra generata de o familie de multimi este -algebra multimilor
Boreliene din R, denita prin
B = B (R) = (fA R : A multime deschisa n Rg) ; (1)
numita si -algebra Boreliana pe R.
Cteva din propriet

atile unei -algebre sunt continute n urm
atoarea:
Propozitia 1.5 Daca F este o algebra pe , atunci au loc urmatoarele:
1. ;; 2F
2. Pentru orice n 1 si A1; : : : ; An 2 F, avem A1 [ : : : [ An , A1 \ : : : \ An 2 F
T1
3. Pentru orice sir de evenimente A1 ; A2 ; : : : 2 F, avem n=1 An 2 F
def
4. A; B 2 F =)A B = (A B) [ (B A) 2 F
Demonstratie. Exercitiu.
O multime nevid
a pe care s-a denit o algebr
a F se numeste spatiu masurabil, si se noteaz
a ( ; F).
Denitia 1.6 Numim m

asur
a de probabilitate pe spatiul masurabil ( ; F) o functie P : F ! [0; 1) cu propri-
etatile:
1. P ( ) = 1
3
2. Oricare ar evenimentele A1 ; A2 ; : : : 2 F incompatibile (disjuncte) doua cte doua, are loc egalitatea
1
! 1
[ X
P An = P (An ) :
n=1 n=1
Denitia 1.7 Numim spatiu de probabilitate un triplet ( ; F; P ) unde
1. 6= ; este multimea evenimentelor elementare;

2. F este o algebra pe ;
3. P este o masura de probabilitate pe spatiul masurabil ( ; F).
Cteva din propriet

atile m
asurii de probabilitate sunt continute n urm
atoarea:
Propozitia 1.8 Daca ( ; F; P ) este un spatiu de probabilitate, atunci au loc urmatoarele:
1. P (;) = 0
2. P (A1 [ : : : [ An ) = P (A1 ) + : : : + P (An ), oricare ar A1 ; : : : ; An 2 F disjuncte doua cte doua
3. P (A) P (B), oricare ar A; B 2 F cu A B
4. 0 P (A) 1, oricare ar A 2 F
5. P (Ac ) = 1 P (A), oricare ar A 2 F
6. P (B A) = P (B) P (A), oricare ar A; B 2 F cu A B
7. P (A [ B) = P (A) + P (B) P (A \ B), oricare ar A; B 2 F.
Exemplul 1.9 n cazul aruncarii unui zar, putem considera ca spatiu de probabilitate ( ; F; P ), unde
= f1; 2; : : : ; 6g
F = P( ) = f;; f1g ; f2g ; : : : f1; 2; : : : ; 6gg
1
P : F ! [0; 1), P (f1g) = P (f2g) = : : : = P (f6g) = 6
Exemplul 1.10 n cazul aruncarii unui ban, putem considera ca spatiu de probabilitate ( ; F; P ), unde
= fB; Sg
F = P ( ) = f;; fBg ; fSg ; fB; Sgg
1
P : F ! [0; 1), P (fBg) = P (fSg) = 2 (sau mai general P (fBg) = p, P (fSg) = 1 p cu 0 < p < 1, n
cazul n care banul este masluit)
Exemplul 1.11 n cazul aruncarii a doua monede, putem considera ca spatiu de probabilitate ( ; F; P ), unde
= f(B; B) ; (B; S) ; (S; B) ; (S; S)g

F =P( )
P : F ! [0; 1), P ((B; B)) = P ((B; S)) = P ((S; B)) = P ((S; S)) = 14 .
Exercitii
Exercitiul 1.1 Data ind o familie de multimi S P ( ), sa se demonstreze ca

\
A
A - -algebra
S A
este o -algebra ce contine pe S, ce coincide cu (S) ( -algebra minimala ce contine pe S).
4
Exercitiul 1.2 Sa se demonstreze ca -algebra Boreliana pe R denita de (1) poate descrisa alternativ ca (S),
unde S este oricare din urmatoarele familii de multimi:
a) S = fA R : A multime nchisa n Rg
b) S = f(a; b) : a; b 2 R; a < bg
c) S = f[a; b) : a; b 2 R; a < bg
d) S = f[a; b] : a; b 2 R; a < bg
e) S = f(a; b] : a; b 2 R; a < bg
f ) S = f( 1; a) : a 2 Rg
g) S = f( 1; a] : a 2 Rg
1.2 Continuitatea m
asurii de probabilitate
Pentru a demonstra continuitatea m
asurii de probabilitate, introducem mai nti notiunea de limit
a a unui sir de
evenimente, dup
a cum urmeaz a.
Denitia 1.1 Dat ind sirul de evenimente A1 ; A2 ; : : : F, denim evenimentele

[ 1 \1
lim inf An = Ai (2)
n=1 i=n
si \1 [ 1
lim sup An = Ai : (3)
n=1 i=n
Observatia 1.2 Este usor de observat ca evenimentul lim inf An consta n evenimentele elementare ! 2 ce
apartin tuturor evenimentelor An , eventual cu exceptia unui numar nit de indici n 1.
De asemenea, se poate arata ca evenimentul lim sup An consta n evenimentele elementare ! 2 ce apartin
unei innitati de evenimente An . Evenimentul lim sup An se mai noteaza An i:o: (An innitely often).
Are loc urm

atoarea.
Propozitia 1.3 Oricare ar evenimentele A1 ; A2 ; : : : 2 F are loc incluziunea
lim inf An lim sup An : (4)
Demonstratie. Pentru orice m; n 1 are loc dubla incluziune

\1 [1
Ai An+m Ai :
i=n i=m
Reunind incluziunile obtinute pentru n = 1; 2; : : :, obtinem

[1 \ 1 [1 [1 [1
lim inf An = Ai Ai = Ai ;
n=1 i=n n=1 i=m i=m
oricare ar m 1.
Intersectnd incluziunile obtinute pentru m = 1; 2; : : : obtinem
\1 [1
lim inf An Ai = lim sup An ;
m=1 i=m
mcheind demonstratia.
Propozitia anterioara este rezultatul corespunzator n cazul sirurilor de evenimente pentru lim inf si lim sup din
cazul sirurilor de numere reale (lim inf xn lim sup xn ). Tot ca n cazul sirurilor de numere reale, spunem c a sirul
de evenimente (An )n 1 are limit a dac
a limita inferioar
a si cea superioara coincid.
Denitia 1.4 Spunem ca sirul de evenimente (An )n 1 are limita daca lim inf An = lim sup An . n caz armativ,
notam prin lim An valoarea comuna a celor doua limite, adica
lim An = lim inf An = lim sup An .

n!1
5
Are loc urm
atoarea.
Propozitia 1.5 a) Daca (An )n 1 este un sir crescator de evenimente (adica A1 A2 : : :), atunci sirul (An )n 1
S1
are limita si limn!1 An = n=1 An .
b) Daca (An )n 1 este un sir descrescator de evenimente (adica A1 A2 : : :), atunci sirul (An )n 1 are limita
T1
si limn!1 An = n=1 An .
Cu aceast
a preg
atire, putem acum demonstra urm
atoarea.
Teorema 1.6 Daca (An )n 1 este un sir de evenimente care are limita, atunci exista limita limn!1 P (An ) si are
loc
limn!1 P (An ) = P (limn!1 An ) : (5)
n particular, daca (An )n 1 este un sir crescator de evenimente atunci
[1
limn!1 P (An ) = P An ; (6)
n=1
iar daca (An )n 1 este un sir descrescator de evenimente atunci

\1
limn!1 P (An ) = P An : (7)
n=1
Demonstratie. Prima armatie a teoremei rezult a din inegalitatea (8) din consecinta de mai jos, observnd c a
dac
a sirul de evenimente (An )n 1 are limit
a, atunci lim inf An = lim sup An si toate inegalit
atile devin egalit
ati.
Pentru a demonstra a doua armatie, notnd B1 = A1 si Bn = An An 1 pentru n 1, este usor de ar atat
a au loc relatiile [ni=1 Bi = An (n 1), si [1
(Bn )n 1 este un sir de evenimente incompatibile, si c B
i=1 i = [ 1
i=1 Ai .
Folosind aceasta, obtinem
1
X n
X
P (limn!1 An ) = P ([1 1
i=1 Ai ) = P ([i=1 Bi ) = P (Bi ) = lim P (Bi ) = lim P ([ni=1 Bi ) = lim P (An ) :
n!1 n!1 n!1
i=1 i=1
Ultima armatie se demonstreaz ator de evenimente(Acn )n

a considernd sirul cresc 1 si aplicnd rezultatul an-
terior demonstrat.
Consecinta 1.7 Daca (An )n 1 este un sir arbitrar de evenimente, atunci are loc
P (lim inf An ) lim inf P (An ) lim sup P (An ) P (lim sup An ) : (8)
T1 T1
Demonstratie. Pentru orice n 1 avem i=n Ai Am oricare ar m n, si deci P ( i=n Ai )
P (Am ) oricare
ar m n.
Trecnd la lim inf (pentru n xat, cu m ! 1) obtinem
T1
P ( i=n Ai ) lim inf P (Am ) :
T1 S1 T1
Cum evenimentele Bn = i=n Ai formeaz a un sir cresc
ator de evenimente, cu limn!1 Bn = n=1 i=n Ai =
lim inf An , trecnd la limita cu n ! 1 si folosind din teorema anterioara obtinem
T1
P (lim inf An ) = P (limn!1 Bn ) = limn!1 P (Bn ) = limn!1 P ( i=n Ai ) lim inf P (Am ) :
Inegalitatea lim inf P (An ) lim sup P (An ) rezult

a din denitia limitei inferioare si a celei superioare, iar ultima
inegalitate din enunt se demonstreaz
a n mod similar primei parti a demonstratiei.
6
2 Variabile aleatoare
n practica, variabilele aleatoare apar ca functii ce depind de rezultatul efectu arii unui anumit experiment. Spre
exemplu, la aruncarea a dou a zaruri, suma numerelor obtinute este o variabil
a aleatoare. n general, n experimente
n care num aram (masini aate pe sosea, arunc ari ale unui zar pna la obtinerea unui sase, piese defecte, etc)
variabilele aleatore obtinute sunt variabile aleatore discrete, iar n experimentele n care m asuram (voltajul elec-
tric, cantitatea de apa de ploaie, duritatea unui anumit material, etc), variabilele aleatoare obtinute sunt variabile
aleatoare continue.
Denitia matematic a precis
a este urmatoarea.
Denitia 2.1 (Variabil a aleatoare) O variabila aleatoare reala pe spatiul de probabilitate ( ; F; P ) este o functie
X : ! R masurabila n raport cu -algebrele corespunzatoare (F pe , respectiv -algebra Boreliana B pe R),
adica cu proprietatea ca
X 1 (B) = f! 2 : X (!) 2 Bg 2 F
pentru orice multime Boreliana B 2 B.
Pentru a calcula diverse caracteristice numerice asociate variabilei aleatoare X, introducem functia de dis-
tributie corespunz
atoare, dup
a cum urmeaz a.
Denitia 2.2 (Functia de distributie) Functia de distributie a unei variabile aleatoare este functia F = FX :
R ! R denita prin
F (x) = P (X x) ; x 2 R: (9)
Observatia 2.3 Folosind functia de distributie a variabilei aleatoare X putem spre exemplu determina probabili-
tatea ca variabila X sa ia valori ntr-un anumit interval (a; b]:
P (X 2 (a; b]) = P (a < X b) = F (b) F (a) : (10)
Aceasta egalitate are loc deoarece evenimentele fX ag si fa < X bg sunt disjuncte, si verica fX ag [
fa < X bg = fX bg, si deci din Denitia 1.6 a probabilitatii obtinem
F (b) = P (X b)
= P (X a) + P (a < X b)
= F (a) + P (a < X b) ;
de unde prin scaderea lui F (a) se obtine relatia (10).
Are loc urm

atoarea.
Propozitia 2.4 (De caracterizare a functiei de distributie) Functia de distributie F : R ! R a unei vari-
abile aleatoare are urmatoarele proprietati.
1. Este nedescrescatoare, adica F (x) F (y) oricare ar x; y 2 R cu x < y.

2. limx! 1 F (x) = 0 si limx!1 F (x) = 1.
3. Este continua la dreapta n orice punct, adica limx&x0 F (x) = F (x0 ).
4. Are limita la stnga n orice punct, si are loc F (x0 ) := limx%x0 F (x) = P (X < x0 ).
5. P (X = x0 ) = F (x0 ) F (x0 ) :
Reciproc, se poate arata ca daca o functie F : R ! R verica proprietatile 1) - 3) de mai sus, atunci exista o
variabila aleatoare (pe un anumit spatiu de probabilitate) avnd F ca functie de distributie.
Demonstratie. Implicatia directa - exercitiu.

Pentru a demonstra implicatia reciproca, consider
am spre exemplu spatiul de probabilitate ( ; F; P ) cu =
(0; 1), F = B\ (0; 1) -algebra multimilor Boreliene pe (0; 1), P = - m asura Lebesgue, si arat
am ca variabila
aleatoare X : ! R denit a de
X (!) = sup fy 2 R : F (y) < !g ; !2 ;
7
are propriet
atile cerute. Pentru aceasta, ar
at
am mai nti c
a are loc egalitatea
f! 2 : X (!) xg = f! 2 :! F (x)g : (11)
Daca ! F (x), din denitia variabilei aleatoare X (si faptul c

a F este nedescrescatoare), rezult
a c
a X (!) x.
Pentru a demonstra incluziunea contrar a, dac
a ! > F (x), folosind continuitatea la dreapta a lui F rezult
a c
a exist
a
" > 0 astfel nct ! > F (x + "), si folosind din nou denitia variabilei aleatoare X obtinem X (!) x + " > x,
ceea ce demonstreaza incluziunea contrar a.
Folosind egalitatea (11), obtinem
P (f! 2 : X (!) xg) = P (f! 2 :! F (x)g) = P ((0; F (x)]) = ((0; F (x)]) = F (x) ;
deoarece P = este m
asura Lebesgue pe intervalul (0; 1), relatie ce arat
a c
a F este functia de distributie a variabilei
aleatoare X.
2.1 Variabile aleatoare discrete

Denitia 2.5 O variabila aleatoare X : a daca ea poate lua numai un numar cel mult
! R se numeste discret
numarabil de valori.
Daca x1 ; x2 ; x3 ; : : : sunt valorile posibile (distincte) ale lui X si p1 = P (X = x1 ), p2 = P (X = x2 ) ; p3 =

P (X = x3 ) ; : : : sunt probabilit atile cu care variabila aleatoare X ia aceste valori, reprezent
am variabila aleatoare
discret
a X sub forma
x1 x2 x3 : : :
X= : (12)
p 1 p2 p 3 : : :
Observatia 2.6 Daca X este o variabila aleatoare discreta ce ia valorile x1 ; x2 ; x3 ; : : : cu probabilitatile p1 ; p2 ; p3 ; : : :,

atunci au loc urmatoarele.
1. Daca I este un interval ce nu contine nici una din valorile posibile ale variabilei aleatoare discrete X, atunci
P (X 2 I) = 0: (13)
2. Probabilitatea ca variabila aleatoare X sa ia valori ntr-un interval I = (a; b] este data de

X
P (a < X b) = pi ; (14)
a<xi b
adica este egala cu suma probabilitatilor pi corespunzatoare valorilor posibile xi pentru care a < xi b.
3. Suma tuturor probabilitatilor pi corespunzatoare valorilor xi este egala cu 1, adica
X
pi = 1: (15)
i
Motivul este urmatorul:

X X
pi = P (X = xi ) = P (X 2 fx1 ; x2 ; x3 ; : : :g) = P ( ) = 1:
i 1 i 1
Dac a X este o variabil

a aleatoare discret
a, vom spune c a functia de distributie corespunz
atoare este o functie
de distributie discret
a (sau c
a X are o distributie discret
a).
Denitia 2.7 (Functie de densitate de probabilitate) Pentru o variabila aleatoare discreta X ce ia valorile
x1 ; x2 ; x3 ; : : : cu probabilitatile p1 ; p2 ; p3 ; : : : ; denim functia de probabilitate f = fX a variabilei aleatoare X
prin
pi ; daca x = xi (i = 1; 2; 3; : : :)
f (x) = :
0; n rest
8
Figure 1: Gracul functiei de probabilitate f (x) si a functiei de distributie F (x) a variabilei aleatoare X reprezen-
tnd rezultatul arunc
arii unui zar.
Cunoscnd functia de probabilitate a unei variabile aleatoare (sau valorile posibile si probabilit
atile respective),
putem determina functia de distributie corespunz
atoare astfel:
X X
F (x) = f (xi ) = pi : (16)
xi x xi x
Gracul unei distributii discrete este o functie n scar

a, cu salturi egale cu pi n punctele xi (i = 1; 2; 3; : : :), ca
n urmatoarele dou
a exemple.
Exemplul 2.8 Sa consideram variabila aleatoare X reprezentnd rezultatul aruncarii unui zar. Atunci X are ca
valori posibile 1; 2; : : : ; 6 cu probabilitati 1=6 ecare, si deci X este o variabila aleatoare discreta
1 2 3 4 5 6
X= 1 1 1 1 1 1 :
6 6 6 6 6 6
Functia de probabilitate corespunzatoare este

1
f (x) = 6; daca x 2 f1; 2; : : : ; 6g
;
0; n rest
iar functia de distributie corespunzatoare este
8
>
> 0; daca x<1
>
> 1
>
>
> 6; daca 1 x<2
>
< 26 ; daca 2 x<3
3
F (x) =
> 6; daca 3 x<4 :
>
> 4
> 65 ;
>
daca 4 x<5
>
>
> 6;
:
daca 5 x<6
1; daca 6 x
De observat legatura ntre gracele functiei de probabilitate f (x) si a functiei de distributie F (x) din Figura 1.
Exemplul 2.9 Sa consideram variabila aleatoare X reprezentnd numarul de fete stema obtinute la aruncarea a 3
monede.
n acest caz variabila aleatoare X ia valorile 0; 1; 2; 3 cu probabilitatile 18 ; 38 ; 38 ; 18 , deci putem reprezenta variabila
aleatoare sub forma
0 1 2 3
X= 1 3 3 1 :
8 8 8 8
Gracul functiei de probabilitate f (x) si a functiei de distributie F (x) este indicat n Figura 2.
9
Figure 2: Gracul functiei de probabilitate f (x) si a functiei de distributie F (x) a variabilei aleatoare X reprezen-
tnd num arul de steme obtinute la aruncarea a dou a monede.
Exemplul 2.10 (Problema astept arii - spatiu num arabil de evenimente ) Se arunca n mod repetat o mo-
neda si se considera variabila aleatoare X reprezentnd numarul de ncercari efectuate pna la prima aparitie a
stemei.
n acest caz variabila aleatoare X poate lua valorile 1; 2; 3; : : : (un numar innit, numarabil, de valori posibile),
cu probabilitatile P (X = 1) = P (S) = 21 , P (X = 2) = P (BS) = 12 12 = 14 , P (X = 3) = P (BBS) = 12 12 12 = 18 ,
samd. Avem deci
1 2 3 :::
X= 1 1 1 :
2 4 8 :::
De observat ca relatia (15) este vericata n acest caz: folosind formula seriei progresiei geometrice, obtinem:
X X 1 1 1 1 1 1
pi = = + + + ::: = = 1:
2 i 2 4 8 2 1 12
i 1 i 1
2.2 Variabile aleatoare continue

Variabilele aleatoare continue apar n practic a atunci cnd ntr-un anumit experiment m asuram o anumit a cantitate,
spre exemplu lungimea unui surub, voltajul ntr-un circuit electric, timpul dintre dou a ateriz
ari, etc.
Reamintim c a n general functia de distributie a unei variabile aleatoare este o functie continu a la stnga n
orice punct. Dac a variabila aleatoare X este o variabil a aleatoare discret
a, ce ia valorile distincte x1 ; x2 ; x3 ; : : :
cu probabilitatile p1 ; p2 ; p3 ; : : :, atunci functia de distributie FX (x) = P (X x) corespunz atoare este o functie
n scar
a, ce are salturi egale cu pi n punctele de discontinuitate xi , i = 1; 2; 3; : : :. Prin contrast cu variabilele
aleatoare discrete, denim variabilele aleatoare continue, dup a cum urmeaz a.
Denitia 2.11 (Variabil a aleatoare continu a si absolut continu a) Spunem ca variabila aleatoare X este o
variabil a aleatoare continu a daca functia de distributie corespunzatoare F : R ! R este o functie continua pe
R.
Daca n plus functia de distributie este absolut continua n raport cu masura Lebesgue pe R, adica daca exista
o functie f : R ! [0; 1) integrabila pe R astfel nct
Z x
F (x) = f (u) du; x 2 R, (17)
1
spunem ca X este o variabil

a aleatoare absolut continu
a.
Observatia 2.12 Variabilele aleatoare continue ce apar n practica sunt n general si absolut continue. Din acest
motiv, n continuare ne vom referi la variabile aleatoare continue ntelegnd prin aceasta ca ele sunt si absolut
continue.
10
Observatia 2.13 Spre deosebire de variabilele aleatoare discrete, n cazul variabilelor aleatoare continue avem
P (X = x) = 0 (18)
oricare ar x 2 R.
Motivul este urmatorul: din continuitatea masurii de probabilitate avem
P (X = x) = lim P (a < X b)
a%x
b&x
= lim P (X b) P (X a)
a%x
b&x
= lim F (b) F (a)
a%x
b&x
Z b
= lim f (u) du
a%x a
b&x
Z x
= f (u) du
x
= 0:
Din relatia (18) rezulta ca spre deosebire de cazul variabilelor aleatoare discrete, n cazul unei variabile aleatoare
X continue urmatoarele probabilitati sunt egale
Z b
P (a < X < b) = P (a X < b) = P (a X b) = P (a < X b) = F (b) F (a) = f (u) du; (19)
a
Rb
toate ind egale cu a f (u) du (aria de sub gracul functiei de densitate f (x) ntre a si b).
Mai general, pentru orice interval I R avem
Z
P (X 2 I) = f (u) du: (20)
I
Observatia 2.14 (Leg atura ntre functia de densitate si cea de distributie) Daca X este o variabila aleatoare
continua avnd densitatea f; atunci relatia (17) permite calculul functiei de distributie:
Z x
F (x) = f (u) du; x 2 R:
1
Reciproc, daca functia de densitate f este o functie continua (eventual cu exceptia unui numar nit de puncte),
din relatia (17) rezulta ca functia de distributie a unei variabile aleatoare continue este o functie continua, si mai
mult, ca este o functie derivabil a (eventual cu exceptia punctelor de discontinuitate ale functiei de densitate f (x)).
Derivnd relatia (17) n raport cu x obtinem
F 0 (x) = f (x) (21)
pentru orice x 2 R pentru care functia f (x) este continua. Aceasta relatie ne permite sa determinam functia de
densitate f (x) atunci cnd cunoastem functia de distributie F (x).
Observatia 2.15 Daca X este o variabila aleatoare continua avnd functia de densitate f (x), atunci au loc ur-
matoarele.
1. Daca I este un interval de numere reale, atunci

Z
P (X 2 I) = f (u) du: (22)
I
2. Probabilitatea ca variabila aleatoare X sa ia valori ntr-un interval I = (a; b] este data de

Z b
P (a < X b) = F (b) F (a) = f (u) du; (23)
a
adica este egala cu aria de sub gracul densitatii f (x) ntre a si b (vezi Figura 3).
11
Figure 3: Probabilitatea P (a < X b) este egal
a cu aria de sub gracul densit
atii f (x) ntre a si b.
3. Integrala densitatii f (x) este egala cu 1, adica

Z 1
f (u) du = 1: (24)
1
Motivul este urmatorul: Z 1

f (u) du = P ( 1 < X < 1) = P ( ) = 1:
1
Exemplul 2.16 Sa consideram variabila aleatoare continua X avnd functia de densitate data de f (x) = 0:75 1 x2
pentru x 2 [ 1; 1] si 0 n rest. Sa se determine functia de distributie a variabilei aleatoare X si sa se calculeze
1 1 1
probabilitatile P 2 X 2 si P 4 X 2 . Care este valoarea lui x pentru care P (X x) = 0:5?
Folosind relatia (17) distingem urmatoarele cazuri.
i) Daca x 1, atunci Z Z x x
F (x) = f (u) du = 0du = 0
1 1
ii) Daca 1<x 1; atunci

Z x Z x x
u3
F (x) = f (u) du = 0:75 1 u2 du = 0:75 u = 0:5 + 0:75x 0:25x3
1 1 3 1
iii) Daca x > 1 atunci

Z x Z 1
F (x) = f (u) du = 0:75 1 u2 du = 1:
1 1
Am obtinut deci 8
< 0; x 1
F (x) = 0:5 + 0:75x 0:25x3 ; 1<x 1 :
:
1; x>1
Pentru a calcula probabilitatile cerute, folosim relatia (53):
Z 1 Z 1
1 1 2 2
P X = f (u) du = 0:75 1 u2 du = 0:6875
2 2 1
2
1
2
Alternativ, putem folosi relatia (23), adica
1 1 1 1 0:75 0:25 0:75 0:25

P X =F F = 0:5 + 0:5 + = 0:6875;
2 2 2 2 2 8 2 8
1 1 1 1
deoarece pentru o variabila aleatoare continua avem P 2 <X 2 =P 2 X 2 conform relatiei (19).
n mod similar, avem
Z 2 Z 1 1
1 u3 81
P X 2 = f (u) du = 0:75 1 u2 du = 0:75 u = 0:3164
4 1
4
1
4
3 1 256
4
12
sau alternativ
1 1 0:75 0:25 81
P X 2 = F (2) F =1 0:5 + = 0:3164:
4 4 4 64 256
Pentru a determina valoarea lui x pentru care are loc egalitatea P (X x) = 0:5, sa observam ca deoarece
3
P (X x) = F (x), relatia data se mai poate scrie sub forma
p F (x) = 0:5.
p Obtinem deci 0:5 + 0:75x 0:25x = 0:5,
2
sau echivalent x x 3 = 0, cu solutiile x1 = 0, x2 = 3 si x3 = 3. Cum numai solutia x = 0 convine (de
ce?), avem x = 0.
Exercitii
Exercitiul 2.1 Desenati gracul functiei de probabilitate

x2
f (x) = 14 ; x 2 f1; 2; 3g
0; n rest
si a functiei de distributie corespunzatoare.
Exercitiul 2.2 Consideram functia de probabilitate f (x) = kCx3 pentru x 2 f0; 1; 2; 3g si 0 n rest. Sa se determine
valoarea constantei k, si sa se reprezinte grac functia f si functia de distributie F corespunzatoare.
Exercitiul 2.3 Sa se reprezinte grac functiile f si F n cazul f (0) = f (3) = 61 , f (1) = f (2) = 13 . Poate functia
f avea alte valori nenule?
Exercitiul 2.4 Fie X variabila aleatoare reprezentnd numarul de ani nainte ca o anumita piesa sa se defecteze.
Presupunem ca X are functia de probabilitate f (x) = kx3 pentru x 2 f0; 1; 2; 3; 4g si 0 n rest. Sa se reprezinte
grac functia f si functia de distributie F corespunzatoare.
k
Exercitiul 2.5 Daca variabila aleatoare X are functia de probabilitate f (x) = x! pentru x 2 N si 0 n rest, sa se
determine valoarea constantei k si probabilitatea P (X 3).
Exercitiul 2.6 Sa se reprezinte grac functia de densitate f (x) = 41 pentru x 2 (2; 6) si 0 n rest, precum si functia
de densitate F corespunzatoare. Sa se determine probabilitatile P (X 4) si P (X 3).
Exercitiul 2.7 n exercitiul anterior, sa se determine valoarea lui c astfel nct:
a) P (X c) = 90%
1
b) P (X c) = 2
c) P (X c) = 5%
Exercitiul 2.8 Functia de distributie F a unei variabile aleatoare X este data de F (x) = 0 daca x < 0 si F (x) =
1 e 0:1x daca x 0. Sa se reprezinte grac F si functia de densitate f . Sa se determine valoarea lui c astfel nct
P (X c) = 95%.
Exercitiul 2.9 Fie X grosimea (n milimetri) a unei garnituri produse de o anumita masina. Presupunem ca
variabila aleatoare X are functia de densitate f (x) = kx daca 0:9 < x < 1 si 0 n rest. Sa se determine k. Care
este probabilitatea ca o garnitura produsa va avea o grosime ntre 0:95 si 1:05 mm?
Exercitiul 2.10 Doua suruburi sunt alese la ntmplare fara nlocuire dintr-o cutie ce contine 7 suruburi cu let pe
dreapta si 3 suruburi cu let pe stnga. Fie X variabila aleatoare reprezentnd numarul de suruburi extrase avnd
letul pe partea stnga. Sa se determine P (X = 0), P (X = 1), P (X = 2), P (1 < X < 2) si P (0:5 < X < 5).
Exercitiul 2.11 Sa se determine probabilitatea ca nici unul din cele trei becuri ale unui semafor sa nu trebuiasca
schimbat n primele h1500 ore de functionare
i daca durata de viata X a unui bec este o variabila aleatoare avnd
2
densitatea f (x) = 6 0:25 (X 1:5) pentru 1 x 2 si 0 n rest, unde x este masurat n multiplii de 1000 ore.
Exercitiul 2.12 Daca diametrul X al unei bare este o variabila aleatoare avnd densitatea f (x) = k pentru
1119:9 x 120:1 si 0 n rest, aproximativ cte bare vor defecte ntr-un lot de 500 bare, daca o bara este
considerata defecta cnd diametrul ei este mai mic dect 119:91 sau mai mare dect 120:09?
13
0:2x
Exercitiul 2.13 Daca durata de viata a unui rulment este o variabila aleatoare cu densitatea f (x) = ke
pentru 0 x 10 si 0 n rest, care este valoarea lui k? Care este probabilitatea P (X 5)?
Exercitiul 2.14 Sa se determine functia de probabilitate a variabilei aleatoare X reprezentnd numarul de aruncari
ale unui zar pna la aparitia fetei 6. Sa se verice ca are loc relatia (52).
Exercitiul 2.15 Presupunem ca anumite suruburi au o lungime L = 400+X mm, unde X este o variabila aleatoare
avnd densitatea f (x) = 43 1 x2 pentru 1 x 1 si 0 n rest. Sa se determine valoarea lui c astfel nct cu
probabilitate de 95% un surub va avea o lungime cuprinsa ntre 400 c si 400 + c.
Exercitiul 2.16 Presupunem ca ntr-un proces automatizat de umplere a conservelor cu ulei, continutul unei con-
serve (n litri) este Y = 100 + X, unde X este o variabila aleatoare avnd densitatea f (x) = 1 jxj pentru jxj 1 si
0 pentru jxj > 1. Sa se reprezinte grac f si functia de distributie F corespunzatoare. ntr-un lot de 1000 conserve,
aproximativ cte conserve vor contine 100 de litri de ulei sau mai mult? Care este probabilitatea ca o conserva sa
contina mai putin de 99.5 litri ulei? Dar mai putin de 99 litri ulei?
Exercitiul 2.17 Fie functia de densitate f data de f (x) = kx2 daca 0 x 2 si 0 n rest. Sa se determine
valoarea constantei k. Sa se determine constantele c1 si c2 astfel nct P (X c1 ) = 0:1 si P (X c2 ) = 0:9.
Exercitiul 2.18 Fie X raportul vanzarilor la prot pentru o anumita rma. Presupunem ca X are functia de
distributie F data de 8
< 0; x<2
F (x) = x2 4
; 2 x<3 :
: 5
1; x 3
Sa se determine si sa se reprezinte grac functia de densitate f corespunzatoare. Care este probabilitatea ca X
sa e cuprins ntre 2:5 (40% prot) si 5 (20% prot)?
Exercitiul 2.19 Fie X o variabila aleatoare ce poate lua orice valoare reala. Care sunt complementarele eveni-
mentelor fX bg, fX < bg, fX ag, fX > ag, fa X bg, fa < X bg?
Exercitiul 2.20 Aratati ca daca a < b atunci P (X a) P (X b).
2.3 Caracteristici numerice ale variabilelor aleatoare: media si dispersia

Media unei variabile aleatoare X, notat a M (X), (X), X , , sau E (X), caracterizeaz a tendinta central
a a val-
orilor acesteia, iar dispersia variabilei aleatoare X, notat a 2 (X), 2X , 2 sau D2 (X), caracterizeaza mprastierea
valorilor lui X.
Media M (X) a variabilei aleatoare X se deneste prin
P
M (X) = R 1i xi f (xi ) dac
a X este o v.a. discret
a
; (25)
1
xf (x) dx dac
a X este o v.a. continua
2
iar dispersia (X) a variabilei aleatoare X se deneste prin
( P
2
(x ) f (xi ) dac
a
2
(X) = R 1i i 2 ; (26)
1
(x ) f (x) dx dac a X este o v.a. continua
unde prin f am notat functia de probabilitate a lui X n cazul n care X este o variabil a aleatoare discret a, respectiv
functia de densitate a lui X n cazul n care X este o variabil a aleatoare continu a.
Abaterea
p p
atratica medie (X) a variabilei aleatoare X se deneste ca ind radicalul dispersiei, adic a
(X) = 2 (X).
Media M (X) a unei variabile aleatoare X se mai numeste valoarea asteptat a / asteptarea lui X, deoarece ea
este egala cu valoarea medie a lui X atunci cnd se efectueaz a multe ncerc ari.
Cantitati precum M (X) (media) sau 2 (X) (dispersia) care indic a anumite propriet ati ale distributiei n cauz
a
se numesc parametrii ai distributiei. Media si dispersia sunt cei mai importanti parametrii ai unei distributii.
Observ am c a n general (cu exceptia cazului unei variabile aleatoare discrete avnd o singur a valoare posibil a),
avem 2 (X) > 0. n continuare vom presupune c a M (X) si 2 (X) exista (si sunt nite), ca n majoritatea cazurilor
ce apar n probleme practice.
14
Figure 4: Gracul functiilor de densitate si de distributie n cazul distributiei uniforme pe intervalul (a; b).
Exemplul 2.17 Fie X variabila aleatoare reprezentnd numarul de fete stema obtinut la aruncarea unei monede.
n acest caz variabila aleatoare X este data de
0 1
X= 1 1 ;
2 2
si deci obtinem media

1 1 1
M (X) = 0 +1 =
2 2 2
si dispersia
2 2
2 1 1 1 1 1
= 0 + 1 = :
2 2 2 2 4
a pe intervalul (a; b)) Distributia avnd functia de densitate

Exemplul 2.18 (Distributia uniform
1
f (x) = b a; x 2 (a; b)
0 n rest
se numeste distributie uniform a pe intervalul (a; b).

Media si dispersia sunt date n acest caz de
Z 1 Z b b
x x2 b2 a2 a+b
M (X) = xf (x) dx = dx = = = ;
1 a b a 2 (b a) a 2 (b a) 2
respectiv
Z 1 2 Z b 2 3 b 2
2 a+b a+b 1 1 a+b (b a)
(X) = x f (x) dx = x dx = x = :
1 x a 2 b a 3 (b a) 2 12
a
Figura 4 indica gracele functiei de densitate f si a functiei de distributie F corespunzatoare distributiei uniforme
pe intervalul (a; b).
Daca o distributie este simetric

a (adic
a gracul functiei de probabilitate/densitate f este simetruic fat
a de o
dreapt
a x = c), atunci putem calcula media a distributiei folosind urm atoarea.
Teorema 2.19 Daca functia f (de probabilitate sau de densitate) a unei distributii este simetrica fata de dreapta
x = c, atunci media distributiei este M (X) = c.
Demonstratie. n cazul unei distributii continue avnd densitatea f , conform denitiei mediei avem:
Z 1 Z c Z 1
M (X) = xf (x) dx = xf (x) dx + xf (x) dx:
1 1 c
15
Folosind substitutia x = c u n prima integral a, respectiv substitutia x = c + u n a doua integral
a, si faptul
c
a functia f este simetric
a fat
a de dreapta x = c (adic a f (c u) = f (c + u)), obtinem:
Z 1 Z 1
M (X) = (c u) f (c u) du + (c + u) f (c + u) du
Z0 1 0
= (c u + c + u) f (c + u) du
0
Z 1
= 2c f (c + u) du
Z0 1
= 2c f (x) dx
c
= c;
R1 Rc R1
deoarece 1 f = 1 si deci 1 f = c f = 12 (functia f ind simetric a fat
a de x = c).
Demonstratia este similar
a n cazul unei distributii discrete.
2.4 Transformarea mediei si dispersiei

n practic a, deseori cunoastem media M (X) si dispersia 2 (X) a variabilei aleatoare X, si dorim s
a calcul
am media
si dispersia unei variabile aleatoare Y = aX + b, unde a; b 2 R sunt constante. R aspunsul este dat de urm atoarea.
Teorema 2.20 (Transformarea mediei si dispersiei) Daca o variabila aleatoare X are medie M (X) = si
dispersie 2 (X) = 2 , atunci media si dispersia variabilei aleatoare
Y = aX + b (a > 0, b 2 R)
sunt date de
2
M (Y ) = a + b si (Y ) = a2 2
: (27)
n particular, variabila aleatoare standardizat
a Z corespunzatoare lui X, data de
X
Z= (28)
2
are medie M (Z) = 0 si dispersie (Z) = 1.
Demonstratie. Vom da demonstratia numai n cazul unei variabile aleatoare X continue.

S
a ar
at
am mai nti c
a daca densitatea variabilei aleatoare X este f , atunci densitatea variabilei aleatoare Y
este fY = af + b.
Reamintim ca densitatea f a variabilei aleatoare X a fost denit a ca functia cu proprietatea c
a
Z x
F (x) = f (u) du;
1
sau echivalent Z x
P (X x) = f (u) du:
1
Pentru a determina densitatea fY a variabilei aleatoare Y , ncerc am s

a scriem probabilitatea P (Y x) ca o
integral
a de la 1 la x (densitatea fY este atunci functia care apare sub integral a).
Folosind faptul c
a a > 0 si faptul c
a f este densitatea variabilei aleatoare X, avem:
Z x b
x b a
P (Y x) = P (aX + b x) = P X = f (u) du:
a 1
v b
Folosind substitutia u = a , obtinem:
Z x
v b 1
P (Y x) = f dv;
1 a a
16
si deci functia de densitate a variabilei aleatoare Y este
1 v b
fY (v) = f :
a a
Putem deci calcula media variabilei aleatoare Y conform denitiei
Z 1 Z 1
1 x b
M (Y ) = xfY (x) dx = x f dx:
1 1 a a
x b
Folosind substitutia y = a (sau echivalent x = ay + b), obtinem
Z 1
1
M (Y ) = (ay + b) f (y) ady
1 a
Z 1
= (ay + b) f (y) dy
1
Z 1 Z 1
= a yf (y) dy + b f (y) dy
1 1
= a + b;
R1
conform denitiei medie a lui X si deoarece 1 f = 1 (functia f ind o functie de densitate).
n mod similar putem calcula dispersia variabilei aleatoare Y
Z 1
2 2
(Y ) = (x Y ) fY (x) dx
1
Z 1
2 1 x b
= (x a b) f dx
1 a a
Z 1
2 1
= (ay + b a b) f (y) adx
1 a
Z 1
2
= a2 (x ) f (y) dx
1
= a2 2
;
conform denitiei dispersie 2 (X) = 2 a lui X.

Pentru a demonstra ultima parte a demonstratiei, considernd a = 1 si b = n demonstratia anterioar
a,
obtinem c a Z = 1X
a variabila aleatoare standardizat =X are medie
1
M (Z) = =0
si dispersie
2
2 1 2
(Z) = = 1;
ncheind demonstratia.
2.5 Medie si momente

Media (sau asteptarea) a unei variabile aleatoare X reprezint a valoarea medie asteptat
a a lui X, si se mai noteaza
M (X) sau E (X). Mai general, dac a g : R ! R este o functie continu a, atunci g (X) este de asemenea o variabil a
aleatoare. Media (sau asteptarea) M (g (X)) reprezint a valoarea medie asteptata a variabilei g (X) si se deneste
n mod similar formulei (25) prin
P
M (g (X)) = R 1i g (xi ) f (xi ) dac
a
; (29)
1
g (x) f (x) dx dac
a X este o v.a. continu
a
unde f reprezint
a functia de probabilitate a lui X (n cazul unei variabile X discrete) sau functia de densitate a lui
X (n cazul unei variabile aleatoare X continue).
17
n cazul particular al alegerii functiei g (x) = xk se obtine momentul de ordin k al variabilei aleatoare X
X Z 1
k k
M X = xi f (xi ) sau xk f (x) dx; (30)
i 1
k
iar n cazul alegerii functiei g (x) = (x ) se obtine momentul centrat de ordin k al variabilei aleatoare X
X Z 1
k k k
M (X ) = (xi ) f (xi ) sau (x ) f (x) dx: (31)
i 1
Observ
am c
a momentul de ordin 1 (k = 1 n formula (30)) coincide cu media a variabilei aleatoare X
= M (X) ;
2
si c
a momentul centrat de ordin 2 (k = 2 n formula (31)) coincide cu dispersia a variabilei aleatoare X
2 2
= M (X ) .
Exercitii
Sa se determine media si dispersia variabilei aleatoare X n urm
atoarele cazuri (f reprezint
a functia de proba-
bilitate sau de densitate a variabilei aleatoare X).
Exercitiul 2.21 f (x) = kCx3 , x 2 f0; 1; 2; 3g si 0 n rest.
Exercitiul 2.22 X reprezinta rezultatul aruncarii unui zar.
Exercitiul 2.23 f (x) = 2x pentru 0 x 1 si 0 n rest.
x
Exercitiul 2.24 f (x) = e pentru x > 0 si 0 n rest.
Exercitiul 2.25 Y = 4X 2, unde X este variabila aleatoare din anterior.
Exercitiul 2.26 X este variabila aleatoare uniforma pe [0; 10].
Exercitiul 2.27 Daca diametrul X (n centimetri) al unor suruburi are densitatea f (x) = k (x 0:9) (1:1 x)
pentru 0:9 < x < 1:1 si 0 n rest, sa se determine k; si 2 . Sa se reprezinte grac densitatea f .
Exercitiul 2.28 Daca n exercitiul anterior un surub este considerat defect atunci cnd diametrul sau difera cu
mai mult de 0:06 cm fata de 1 cm, care este probabilitatea ca un surub sa e defect?
Exercitiul 2.29 n exercitiul anterior, care este valoarea maxima posibila a deviatiei fata de 1 cm pentru care
probabilitatea ca un surub sa e defect este de 10%?
Exercitiul 2.30 Care este valoarea asteptata a sumei la aruncarea de 20 de ori a unui zar? Comparati valoarea
obtinuta cu valoarea experimentala (efectuati experimentul de un numar de ori si nregistrati valorile obtinute).
Exercitiul 2.31 O statie de benzina este alimentata n ecare Smbata. Presupunem ca volumul X de benzina
vnduta (n zeci de mii de litri) este o variabila aleatoare avnd densitatea f (x) = 6x (1 x) pentru 0 x 1 si
0 n rest. Sa se determine media, dispersia si variabila aleatoare standardizata corespunzatoare lui X.
Exercitiul 2.32 Ce capacitate trebuie sa aiba rezervorul din problema anterioara, daca probabilitatea ca rezervorul
sa e golit ntr-o anumita saptamna este de 5%?
Exercitiul 2.33 Daca durata de viata a unor cauciucuri (n mii de kilometri) are densitatea f (x) = e x pentru
x > 0 si 0 n rest, ce kilometraj sunteti asteptat sa obtineti cu acest tip de cauciucuri? Pentru = 0:05, determinati
probabilitatea ca un cauciuc va avea o durata de viata mai de cel putin 30000 km.
Exercitiul 2.34 La aruncarea unui zar, o persoana cstiga attia lei cti indica zarul. Ct ar trebui sa plateasca
persoana pentru un joc, pentru ca jocul sa e cinstit (echitabil)?
Exercitiul 2.35 Care este valoarea asteptata a protului zilnic al unui magazin care vinde X curcani pe zi cu
probabilitatile f (5) = 0:1, f (6) = 0:3, f (7) = 0:4 si f (8) = 0:2, daca protul pentru un curcan vndut este de 35
lei?
18
3 Distributii discrete clasice
3.1 Distributia Bernoulli
Probabil cel mai simplu tip de variabil
a aleatoare discreta, variabila aleatoare Bernoulli modeleaz
a efectuarea unui
experiment n care poate apare unul din dou a rezultate posibile, numite succes, respectiv insucces. Spre exemplu,
aruncarea unei monede poate modelat a printr-o variabil
a aleatoare Bernoulli (convenim spre exemplu c a obtinerea
stemei este succes).
Atribuind succesului valoarea 1 (cu probabilitatea p 2 (0; 1)), si insuccesului valoarea 0 (cu probabilitate q =
1 p), reprezent am variabila aleatoare Bernoulli cu parametrul p (probabilitatea obtinerii succesului) sub forma
0 1
X= :
1 p p
Media si dispersia variabilei aleatoare Bernoulli cu parametrul p sunt date de
M (X) = 0 (1 p) + 1 p = p
si
2 2 2
(X) = (0 p) (1 p) + (1 p) p = p (1 p) :

a
Variabila aleatoare uniform a reprezint
a modelul matematic ce generalizeaz a experimentul arunc
arii unui zar (cazul
n = 6) sau al jocului la rulet a (cazul n = 37). Astfel, dac a un experiment are n rezultate posibile egal posibile
(notate 1; : : : ; n), atunci experimentul poate modelat printr-o variabil a aleatoare uniform
a pe multimea f1; : : : ; ng.
Variabila aleatoare uniform a pe multimea f1; : : : ; ng este de forma
1 2 ::: n
X= 1 1 1 :
n n ::: n
Media si dispersia variabilei aleatoare uniforme sunt date de

n
X 1 1 n (n + 1) n+1
M (X) = i = =
i=1
n n 2 2
si
n
X 2
2 n+1 1
(X) = i
i=1
2 n
n n
!
1 X X(n + 1)
2
2
= i (n + 1) i+n
n i=1 i=1
4
!
2
1 n (n + 1) (2n + 1) n (n + 1) (n + 1)
= (n + 1) +n
n 6 2 4
2 2
(n + 1) (2n + 1) (n + 1) (n + 1)
= +
6 2 4
n2 1
= :
12
3.3 Distributia binomial

a
Acest tip de distributie (variabil
a aleatoare) apare atunci cnd num am succesele obtinute n repetarea de un
ar
anumit num ar de ori a unui experiment, spre exemplu:
n jocurile de noroc (num arul de aparitii a stemei la aruncarea unui ban, num
ar de aparitii a unei anumite
fete la aruncarea unui zar, etc)
n controlul calit
atii produselor (num
arul de piese defecte dintr-un lot, etc)
19
n sondajele de opinie (num
arul de persoane care prefer
a un anumit candidat, num
arul de persoane asupra
c
arora un anumit medicament a avut efectul dorit, etc)
n toate aceste situatii suntem interesati de numarul total de aparitii a unui anumit eveniment A n n ncerc ari
independente, n ecare din acestea probabilitatea de aparitie a evenimentului A ind P (A) = p. Dac a ntr-o
anumit a ncercare evenimentul A nu apare, atunci nseamn a c
a a aparut evenimentul contrar lui A (adic a Ac ), cu
c not
probabilitate P (A ) = 1 p = q.
Evenimentul A se numeste succes (chiar dac a aceasta nseamn a spre exemplu c a o pies
a aleas
a dintr-un lot are
a un anumit autobuz a ntrziat, etc), iar evenimentul contrar Ac se numeste insucces.
defectiuni, c
Distributia binomiala sau variabila aleatoare binomial a X cu parametrii n si p este
X = num
arul de aparitii a lui A n n ncerc
ari.
Este usor de observat ca valorile posibile ale lui X sunt 0; 1; : : : ; n (de ce?), si deci variabila aleatoare binomial
a
cu parametrii n si p este de forma
0 1 2 ::: n
X= :
p0 p1 p2 : : : pn
Pentru a determina probabilit atile f (x) = px = P (X = x), s
a observam ca X = x nseamn
a c
a evenimentul A
arut de x ori si evenimentul Ac a ap
a ap arut de n x ori n cele n ncerc
ari.
Cum cele n ncerc ari sunt independente, putem calcula probabilitatea de aparitie de x ori a evenimentului A
urmata de aparitia de n x ori a evenimentului Ac astfel:
P (AA ABB B) = P (A) P (A) : : : P (A)P (B) P (B) : : : P (B) = px q n x

:
| {z }| {z }
x ori n x ori
Aceasta este ns
a numai una din posibilele moduri de aparitie x ori a evenimentui A si de n x ori a evenimentului
Ac . Cum num ari distincte a x de A si n x de Ac este conform Propozitiei ?? (cu k = 2, n1 = x
arul total de aranj
si n2 = n x) egal cu
n!
= Cnx ;
x! (n x)!
obtinem c
a probabilitatea P (X = x) de aparitie de x ori a evenimentului A n n ncerc
ari este
P (X = x) = Cnx px q n x
: (32)
Functia de probabilitate a variabilei binomiale X cu parametrii n si p este deci
Cnx px q n x
; x 2 f0; 1; : : : ; ng
f (x) = : (33)
0; n rest
Exemplul 3.1 Sa se determine probabilitatea obtinerii a cel putin doi de sase la aruncarea de patru ori a unui zar.
Sa notam cu A evenimentul constnd n aparitia lui sase la aruncarea zarului (evenimentul succes). Numarul
de succese la aruncarea de patru ori a zarului este o variabila aleatoare binomiala cu parametrii n = 4 (numarul de
ncercari) si probabilitatea succesului p = P (A) = 61 .
Probabilitatea ceruta este deci
P (cel putin doi de sase) = P (X 2)

= P (X = 2) + P (X = 3) + P (X = 4)
= f (2) + f (3) + f (4)
2 2 3 1 4
1 5 1 5 1
= C42 + C43 + C44
6 6 6 6 6
6 25 + 4 5 + 1
=
64
171
=
1296
0:132
20
Propozitia 3.2 Media si dispersia variabilei aleatoare binomiale cu parametrii n si p sunt
2
M (X) = np si (X) = npq:
Demonstratie. Reamintim formula binomial

a a lui Newton
n
X
n
(a + b) = Cn0 an + Cn1 an 1
b + Cn2 an 2 2
b + : : : + Cnn 1
abn 1
+ Cnn bn = Cnk an k k
b :
k=0
Derivnd partial aceast

a egalitate n raport cu variabila b obtinem
n
X
n 1
n (a + b) = kCnk an k k 1
b ;
k=0
de unde prin nmultire cu b obtinem

n
X
n 1
n (a + b) b= kCnk an k k
b : (34)
k=0
Folosind aceast
a formul
a (cu a = q si b = p) si denitia mediei, obtinem
X n
X n 1 n 1
M (X) = xi f (xi ) = xCnx px q n x
= n (q + p) p = n (1 p + p) p = np:
xi x=0
Pentru a determina dispersia variabilei aleatoare X se procedeaz

a n mod similar (se deriveaz
a nc
a o dat
a
formula (34) n raport cu b si se nmulteste cu b).
3.4 Distributia Poisson

Distributia Poisson cu parametrul > 0 este distributia variabilei aleatoare discrete X avnd functia de probabilitate
x
e x! ; x 2 N = f0; 1; 2; : : :g
f (x) = :
0; n rest
Se poate ar
ata c
a distributia Possion se obtine ca limit
a a distributiei binomiale cu parametrii n si p, atunci
cnd n ! 1 si p ! 0 astfel nct np ! (spre exemplu considernd np = constant).
Propozitia 3.3 Media si dispersia distributiei Poisson cu parametrul > 0 sunt

2
M (X) = si (X) = :
Demonstratie. Reamintim dezvoltarea n serie Taylor a functiei exponentiale

1 1 1
ex = 1 + x + x2 + x3 + : : : ; x 2 R.
1! 2! 3!
Folosind formula anterioar
a si denitia mediei obtinem
X
M (X) = xi f (xi )
xi
0 2 3
= 0 e +1 e +2 e +3 e + :::
0! 2! 3! 1!
1 1 2 1 3
= e +e +e +e + +:::
1! 2! 3!
1 1 2 1 3
= e 1+ + + + :::
1! 2! 3!
= e e
= :
n mod similar se poate obtine formula pentru dispersie.
21
Exemplul 3.4 Daca probabilitatea producerii unui surub defect este p = 0:01, care este probabilitatea ca un lot de
100 suruburi sa contina mai mult de doua suruburi defecte?
Considernd gasirea unui surub defect n lot ca ind un succes, probabilitatea ceruta este data de distributia
binomiala X cu parametrii n = 100 si p = 0:01
P (X > 2) = 1 P (X 2)
= 1 P (X = 0) P (X = 1) P (X = 2)
0
= 1 C100 0:99100 C100
1
0:01 0:9999 C100
2
0:012 0:9998
0:0794
Cum valoarea lui p = 0:01 este mica, putem aproxima variabila aleatoare X prin variabila aleatoare Poisson cu
parametrul = np = 100 0:01 = 1. Obtinem astfel urmatoarea aproximare a probabilitatii cerute:
0 1 2
11 11 11
P (A) 1 e e e
0! 1! 2!
5
= 1
2e
0:0803:
Observam ca rezultatul obtinut prin aproximarea variabilei aleatoare binomiale prin variabila aleatoare Poisson
este foarte bun (valoarea exacta a probabilitatii este 0:0794, iar valoarea aproximativa este 0:0803).
Exemplul 3.5 n medie, ntr-o anumita parcare intra 2 masini pe minut. Care este probabilitatea ca ntr-un minut
4 sau mai multe masini sa intre n parcare?
Sa consideram X variabila aleatoare reprezentnd numarul de masini care intra n lot ntr-un minut. Pentru a
ntelege ca X are aproximativ o distributie Poisson, consideram minutul mpartit n n subintervale de timp (spre
exemplu secunde, n = 60) si e p probabilitatea ca o masina sa intre n parcare ntr-un astfel de subinterval de timp
(presupunem ca aceasta probabilitate este aceeasi pentru ecare subinterval, si ca sosirile n subintervale diferite
sunt independente unel de altele).
Variabila aleatoare X (numarul de masini ce intra ntr-un minut n parcare) este deci o variabila aleatoare
binomiala cu parametrii n si p, si cum n este mare si p este mic, putem arpoxima variabila aleatoare binomiala X
printr-o variabila aleatoare Poisson cu medie = np = 2.
Putem deci aproxima probabilitatea ceruta astfel
P (X 4) = 1 P (X < 4)
= 1 P (X = 0) P (X = 1) P (X = 2) P (X = 3)
20 22
1
22 23
1 e 2 e e 2 e 2
0! 1! 2! 3!
19
= 1
3e2
0:143
19
Probabilitatea ceruta este aproximativ 1 3e2 0:143.
3.5 Distributia geometric

a
Numim variabil a aleatoare geometric a cu parametrul p 2 (0; 1) o variabil
a aleatoare X reprezentnd num arul de
ncerc
ari efectuate ntr-un sir de experimente Bernoulli independente, cu acelasi parametru p, pn a la aparitia
primului succes, adic
a
X = num
arul ncerc
ari efectuate pn
a la prima aparitie a succesului.
Spre exemplu, num arul de aruncari ale monedei (un experiment Bernoulli cu parametrul p = 21 ) pn a la prima
aparitie a stemei este o variabil
a aleatoare geometrica cu parametrul p = 12 . Similar, num
arul de arunc
ari ale zarului
pn
a la prima aparitie a fetei 6 este o variabil a cu parametrul p = 16 .
a aleatoare geometric
Explicit, o variabil a aleatoare cu parametrul p 2 (0; 1) este de forma
1 2 3 4 :::
X= ;
p1 p2 p3 p4 :::
22
i 1
unde pi = p (1 p) , i = 1; 2; : : :
Media si dispersia variabilei aleatoare geometrice cu parametrul p sunt date de
1
M (X) = ;
p
respectiv
2 1 p
(X) = :
p2
Se poate demonstra urm
atoarea.
Propozitia 3.6 (Lipsa de memorie a variabilei aleatoare geometrice) Daca X este o variabila aleatoare
geometrica, atunci
P ( X = n + kj X > n) = P (X = k) ; n; k 1: (35)
Reciproc, o variabila aleatoare discreta X ce ia valori 1; 2; : : :si verica proprietatea anterioara este o variabila
aleatoare geometrica.
Demonstratie. Conform denitiei probabilit
atii conditionate, avem
P (X = n + k; X > n)
P ( X = n + kj X > n) =
P (X > n)
P (X = n + k)
=
1 P (X n)
n+k 1
(1 p) p
= Pn
1 i=1 P (X = i)
n+k 1
(1 p) p
= Pn i 1
1 i=1 (1 p) p
n+k 1
(1 p) p
= n
1 p 11 (1(1 p)p)
n+k 1
(1 p) p
= n
(1 p)
k 1
= (1 p) p
= P (X = k) :
Reciproc, considernd n = 1 n relatia (35), avem
P ( X = k + 1j X > 1) = P (X = k) ;
sau echivalent (folosind denitia probabilit
atii conditionate)
P (X = k + 1) = P (X > 1) P (X = k) ;
oricare ar k = 1; 2; : : :
k 1
Notnd cu p = P (X = 1) 2 (0; 1), inductiv dup a k = 1; 2; : : : se poate demonstra ca P (X = k) = (1 p) p,
k = 1; 2; : : : ; si deci este o variabil
a aleatoare geometric a cu parametrul p.
O generalizare a variabilei aleatoare geometrice este variabila binomial a negativ a cu parametrii k 2 N si
p 2 (0; 1), ce reprezint a num arul de ncercari efectuate ntr-un sir de experimente Bernoulli cu parametrul p pn a
la obtinerea a k 1 succcese. Numele de negativ a provine din faptul c a dac
a la variabila aleatoare binomiala
num arul de ncerc ari n era xat si num arul k de succese era aleator, la variabila aleatoare binomial a negativ
a,
num arul de succese k este xat si num arul de ncercari n este aleator. Variabila aleatoare binomial a negativ
a este
deci ntr-un anumit sens opusa/negativa variabilei aleatoare binomiale.
O variabila aleatoare binomial a negativ
a cu parametrii k 2 N si p 2 (0; 1) este de forma
k k + 1 k + 2 k + 3 :::
X= ;
pk pk+1 pk+2 pk+3 : : :
i k
unde pi = Cik 1
1
(1 p) pk , i = k; k + 1; : : :
23
Observatia 3.7 Daca X este o variabila aleatoare binomiala negativa cu parametrii k 2 N si p 2 (0; 1), si notnd
cu X1 numarul de ncercari efectuate pna la apritia primului succes, cu X2 numarul de ncercari suplimentare
pna la aparitia celui de-al doilea succes, samd, este usor de observat ca are loc egalitatea
X = X1 + : : : + Xk ;
si X1 ; : : : ; Xk sunt variabile aleatoare geometrice cu parametrul p 2 (0; 1) independente.
Se poate demonstra c
a media si dispersia variabilei aleatoare negative sunt date de
k
M (X) =
p
si
2 (1 p) k
(X) = :
p2
Exercitiul 3.1 Sa se demonstreze formulele anterioare:
a) Direct
b) Folosind observatia anterioara.
3.6 Distributia hipergeometric

a
S
a consider
am problema extragerii repetate dintr-o cutie ce contine N obiecte, din care M sunt defecte.
Daca extragerile se fac cu nlocuire (obiectul extras este pus napoi n cutie nainte de extragerea urm atoare),
atunci numarul de obiecte defecte extrase n n extrageri este o variabil a aleatoare binomial a cu parametrii n si
p= MN (probabilitatea extragerii unui obiect defect), si deci n acest caz functia de probabilitate este
M x M n x
Cnx 1 ; x 2 f0; 1; 2; : : : ; ng
f (x) = N N : (36)
0; n rest
Daca extragerile se fac f a nlocuire, atunci probabilitatea extragerii unui obiect defect nu mai este aceeasi n
ar
cele n extrageri, si deci n acest caz numarul de obiecte defecte extrase nu mai este o variabil a aleatoare binomial
a.
Pentru a determina functia de probabilitate n acest caz, proced am astfel. Probabilitatea P (X = x) este prob-
abilitatea extragerii a x piese defecte (din cele M ) si a n x piese ne-defecte (din cele N M ). n acest caz spatiul
de probabilitate are un num ar nit de cazuri egal probabile, si deci avem
num
ar cazuri favorabile Cx Cn x
P (X = x) = = M Nn
M
:
num
ar cazuri posibile CN
O variabil
a aleatoare avnd functia de probabilitate
( x n x
CM C N M
f (x) = CNn ; x 2 f0; 1; 2; : : : ; ng (37)
0; n rest
se numeste distributie hipergeometric

a cu parametrii M; N si n.
Propozitia 3.8 Media si dispersia distributiei hipergeometrice sunt

M 2 M M N n
M (X) = n si (X) = n 1
N N N N 1
Exemplul 3.9 Se extrag la ntmplare doua garnituri dintr-o cutie ce contine 10 garnituri, din care trei sunt
defecte. Sa se determine functia de probabilitate a variabilei aleatoare X reprezentnd numarul de garnituri defecte
extrase.
3
Daca extragerea se face cu nlocuire, atunci X are o distributie binomiala cu parametrii n = 2 si p = 10 , si deci
n acest caz functia de probabilitate este
C2x 0:3x 0:7n x

; x 2 f0; 1; 2g
f (x) = :
0; n rest
24
Daca extragerea se face fara nlocuire, atunci X are o distributie cu parametrii N = 10, M = 3 si n = 2.
Functia de probabilitate este n acest caz
( x 2 x
C 3 C7
2 ; x 2 f0; 1; 2g
f (x) = C10 :
0; n rest
Observatia 3.10 Se poate arata ca daca N; M si N M au valori mari comparativ cu n, atunci la extragerea fara
nlocuire se obtine aproximativ aceleasi probabilitati ca la extragerea cu nlocuire, si deci distributia hipergeometrica
poate aproximata prin distributia binomiala (cu parametrii n si p = M N ).
n cazul particular al unei populatii innite (N 1) putem folosi distributia binomiala, indiferent daca ex-
tragerea se face cu sau fara nlocuire.
Exercitii
Exercitiul 3.2 Se arunca simultan cinci monede. Sa se determine functia de probabilitate a variabilei aleatoare
X reprezentnd numarul de steme obtinute. Sa se determine probabilitatea obtinerii nici unei steme, a cel putin
unei steme, a nu mai mult de 4 steme.
Exercitiul 3.3 Daca probabilitatea de a nimeri o tinta este de 25% si se trag simultan 4 focuri, care este probabil-
itatea ca tinta sa e nimerita cel putin o data?
Exercitiul 3.4 n exercitiul anterior, daca probabilitatea de a nimeri tinta este de 5% si se trag simultan 20 de
focuri, probabilitatea de nimeri tinta cel putin o data va creste sau va scade? Ghiciti, apoi calculati.
Exercitiul 3.5 Presupunem ca 4% din barele produse de o anumita masina au defecte de fabricatie, independent
unele de altele. Daca o cutie contine 100 de bare produse de aceasta masina, care este aproximarea Poisson a
probabilitatii ca o cutie sa contina x = 0; 1; : : : ; 5 bare cu defecte de fabricatie?
Exercitiul 3.6 Un experiment a aratat ca numarul de particole alfa emise pe secunda ntr-un proces radioactiv
este o variabila aleatoare X avnd o distributie Poisson. Daca X are medie 0:5, care este probabilitatea de a observa
doua sau mai multe particole alfa ntr-o secunda?
Exercitiul 3.7 Fie p = 2% probabilitatea ca un anumit tip de bec sa se defecteze ntr-o perioada de testare de 24
ore. Sa se determine probabilitatea ca o rma luminoasa continnd 15 astfel de becuri sa functioneze 24 de ore fara
defectiuni.
Exercitiul 3.8 Ghiciti cu ct va mai mica probabilitatea din exercitiul anterior daca rma luminoasa ar contine
100 de becuri n loc de 15 becuri. Calculati probabilitatea n acest caz.
Exercitiul 3.9 Daca un ghiseu poate servi cel mult 4 clienti pe minut, si daca numarul mediu de clienti este de
120 clienti pe ora, care este probabilitatea ca ntr-un minut clientii sa trebuiasca sa astepte la coada?
Indicatie: se va folosi aproximarea Poisson.
Exercitiul 3.10 Sa presupunem ca n producerea unor rezistente de 60 (omi), piesele fara defecte sunt cele care
au ntre 58 si 62 omi, si probabilitatea unei rezistente de a defecte este 0:1%. Rezistentele se vnd n loturi de
200 de bucati, cu garantia ca nici una din rezistente nu este defecta. Care este probabilitatea de a gasi un lot care
nu respecta aceasta garantie?
Indicatie: se va folosi aproximarea Poisson.
Exercitiul 3.11 O cutie contine 20 de sigurante, din care 5 sunt defecte. Sa se determine probabilitatea ca alegnd
la ntmplare 3 sigurante fara nlocuire, x dintre acestea sa e defecte.
Exercitiul 3.12 Sa presupunem ca un test de perceptie extrasenzoriala consta n numirea corecta (n orice ordine)
a trei carti extrase dintr-un pachet de 13 carti de joc. Sa se determine probabilitatea ca o persoana, numai ghicind
la ntmplare sa numeasca corect: (a) 0 carti, (b) 1 carte, (c) 2 carti, (d) 3 carti.
Exercitiul 3.13 Un distribuitor vinde gume elastice n pachete de 100 de bucati si garanteaza ca cel mult 10%
din acestea au defecte. Un client inspecteaza ecare pachet alegnd la ntamplare 10 gume elastice din pachet fara
nlocuire. Daca el determina ca nici una din cele 10 gume extrase nu are defecte, el accepta pachetul, iar n caz
contrar l refuza. Sa se determine probabilitatea ca procednd astfel, clientul respinge un pachet ce contine 10 gume
elastice cu defecte (si deci pachetul respecta conditiile de garantie).
Exercitiul 3.14 Daca X reprezinta numarul de masini ce trec printr-un anumit loc ntre ora 2300 si ora 2400 , si
daca X are o distributie Poisson cu medie 5, care este probabilitatea de a observa mai putin de 5 masini ntr-un
minut?
25
4 Distributii continue clasice
Prezent
am n continuare cteva distributii continue de probabilitate clasice.

a
Variabila aleatoare uniform a continu a este varianta continu a a variabilei aleatoare uniforme discrete (atunci cnd
num arul n al cazurilor posibile tinde la innit). Spre exemplu, variabila aleatoare uniform a discret
a cu parametrul
n poate gandit a ca rezultatul jocului la o rulet a avnd n sloturi (mp artind discul ruletei n n parti egale), iar
variabila aleatoare continu a pe [0; 2 ] poate gandit a ca rezultatului jocului la o rulet
a avnd o innitate de sloturi
(mpartind discul unei rulete de raza 1 ntr-o innitate de sloturi, reprezentate de unghiul x 2 [0; 2 ] corespunz ator).
Denitia formala este urm atoarea.
Denitia 4.1 Spunem ca X este o variabila aleatoare uniforma continua pe intervalul [a; b] (notam X 2 U nif ([a; b]))
daca X are functia de distributie f data de
1
f (x) = b a; x 2 [a; b]
: (38)
0; n rest
Observatia 4.2 Functia f denita de relatia anterioara este ntr-adevar o functie de densitate deoarece este ne-
negativa (f (x) 0 oricare ar x 2 R) si are integrala egala cu 1:
Z 1 Z b b
1 x b a
f (x) dx = dx = = = 1.
1 a b a b a a b a b a
Media variabilei aleatoare uniforme pe [a; b] este

Z 1 Z b b
1 x2 b2 a2 a+b
M (X) = xf (x) dx = x dx = = = ;
1 a b a 2 (b a) a 2 (b a) 2 (b a) 2
iar dispersia este dat
a de
h i
2 2
(X) = M (X M (X))
Z 1 2
a+b 1
= x dx
1 2 b a
3 b
1 a+b
= x
3 (b a) 2
a
3 3
1 a+b 1 a+b
= b a
3 (b a) 2 3 (b a) 2
2
(b a)
= :
12
Functia generatoare de moment a variabilei aleatoare uniforme este
Z 1 Z b b
1 1 etx etb eta
'X (t) = M etX = etx f (x) dx = etx dx = = ;
1 a b a b a t a t (b a)
oricare ar t 2 R f0g, si
'X (0) = M e0 X = M e0 = M (1) = 1:
4.2 Distributia exponential

a
Denitia 4.3 Spunem ca variabila aleatoare X are o distributie exponentiala cu parametrul > 0 (notam X 2
Exp ( )) daca X are densitatea f data de
x
e ; x>0
f (x) = : (39)
0; n rest
26
Observatia 4.4 Functia f data de relatia anterioara este ntr-adevar o densitate deoarece este ne-negativa (f (x)
0 oricare ar x 2 R) si are integrala egala cu 1:
Z 1 Z 1
1
f (x) dx = e x dx = e x 0 = e 1 e0 = 1:
1 0
Media variabilei aleatoare exponentiale este dat

a de
Z 1
M (X) = xf (x) dx
1
Z 1
= x e x dx
Z0 1
0
= x e x dx
0
Z 1
1
= xe x 0 e x
dx
0
Z 1
= e x dx
0
x 1
e
=
0
1
e e0
=
1
= ;
iar dispersia este dat

a de
h i
2 2
(X) = M (X M (X))
Z 1 2
1 x
= x e dx
1
Z 1 2
1 x 0
= x e dx
1
2 1 Z 1
1 x 1 x
= x e 2 x e dx
0
0
Z 1 x 0
1 1 e
= 2 2 x dx
0
x 1 Z 1 x
1 1 e e
= 2 2 x +2 dx
0 0
Z 1
1 2 2 x
= 2 2 e dx
0
x 1
1 2 e
= 2
0
1 2
= 2 + 2
1
= 2:
Functia generatoare de moment a variabilei aleatoare exponentiale X 2 Exp ( ) este

Z 1 Z 1 Z 1 )x 1
e(t
'X (t) = M etX = etx f (x) dx = etx e x dx = e(t )x dx = = ; (40)
1 0 0 t 0 t
oricare ar t < (pentru t se observ
a c
a integrala este divergent
a, si deci functia generatoare de moment nu
este denit
a).
27
Observatia 4.5 Folosind faptul ca functia generatoare de moment a variabilei aleatoare exponentiale este 'X (t) =
t pentru t < , se poate calcula usor media si dispersia variabilei astfel.
0 0 1
1 2 2
M (X) = 'X (t) = (t ) = (t ) = ( ) = :
t=0 t=0 t=0
De asemenea, se poate calcula momentul de ordin doi al variabilei aleatoare X

00 00 0 2
1 2 3 3
M X 2 = 'X (t) = (t ) = (t ) = 2 (t ) = 2( ) = 2;
t=0 t=0 t=0 t=0
de unde se obtine dispersia variabilei aleatoare X:

2
2 2 2 1 1
(X) = M X 2 (M (X)) = 2 = 2;
regasind astfel formulele anterior demonstrate.
Interpretarea parametrului al distributiei exponentiale este urm atoarea.

n multe din problemele practice suntem interesati de timpul scurs pn a la aparitia unui eveniment, spre exemplu:
- timpul pna la sosirea primului autobuz n statie;
- timpul pna la primul cutremur;
- timpul pna la sosirea primului apel telefonic ntr-o central a;
- timpul pna la sosirea primului client ntr-un anumit magazin.
n toate aceste probleme putem presupune c a timpul scurs pn a la aparitia evenimentului dorit este o variabil
a
aleatoare X cu proprietatea c a probabilitatea ca X sa ia valori ntr-un anumit interval este proportionala cu lungimea
acestui interval, adic
a
P ( t < X t + tj X > t) = t + o ( t) ; (41)
unde > 0 este o constant
a de proportionalitate iar o ( t) este o functie ce tinde la zero mai repede dect t,
adic
a
o ( t)
lim = 0: (42)
t!0 t
Are loc urm
atoarea.
Propozitia 4.6 Daca X este o variabila aleatoare cu valori positive ce verica relatia (41) pentru orice t; t > 0,
atunci X are o distributie exponentiala cu parametru .
Demonstratie. S a notam cu F (x) = P (X x) functia de distributie a lui X si cu S (x) = 1 F (x) = P (X > x)

probabilitatea ca X s
a ia o valoare mai mare dect x.
Probabilitatea conditionat
a din membrul drept al relatiei (41) se mai poate scrie echivalent sub forma
P (t < X t + t; X > t)
P (t < X t+ tj X > t) =
P (X > t)
P (t < X t + t)
=
P (X > t)
P (X t + t) P (X t)
=
P (X > t)
F (t + t) F (t)
=
S (t)
(1 S (t + t)) (1 S (t))
=
S (t)
S (t + t) S (t)
= :
S (t)
mp
artind relatia (41) cu t obtinem deci
S (t + t) S (t) 1 o ( t)
= + :
t S (t) t
28
Cum membrul drept al acestei egalit ati are limita atunci cnd t tinde la zero (deoarece lim t!0 o( tt) = 0),
rezult
a c
a si membrul stng al acestei relatii are limita atunci cnd t ! 0, adic
a functia S este derivabil
a n
punctul t, si avem
S 0 (t)
= ; t 0:
S (t)
Integrnd aceast
a egalitate n raport cu t pe intervalul [0; x], obtinem
Z x 0 Z x
S (t)
dt = dt;
0 S (t) 0
oricare ar x 0, sau echivalent

ln S (x) ln S (0) = x:
Cum S (0) = P (X > 0) = 1, avem ln S (0) = 0, si din relatia anterioar
a obtinem
x
S (x) = e ; x 0.
Cum S = 1 F , am obtinut deci

x
1 e ; x 0
F (x) =
0; x<0
(pentru x < 0, avem F (x) = P (X < x) = 0).
Derivnd aceasta relatie n raport cu x obtinem c
a densitatea variabilei aleatoare X este dat
a de
x
e ; x>0
f (x) = ;
0; n rest
si deci conform denitiei variabila aleatoare X are o distributie exponential

a cu parametru .
Se poate demonstra urm atoarea:
Propozitia 4.7 Daca X1 ; : : : ; Xn 2 Exp ( ) sunt variabile aleatoare exponentiale cu parametru independente,
atunci variabila aleatoare
1
Y = X1 + : : : + Xn 2 n; (43)
1
are o distributie gamma cu parametrii n si .
Demonstratie. Folosind formula (40) si faptul c

a X1 ; : : : ; Xn sunt variabile aleatoare independente, putem deter-
mina functia generatoare de moment a variabilei aleatoare Y astfel
'Y (t) = M etY

= M et(X1 +:::+Xn )
= M etX1 : : : etXn
= M etX1 : : : M etXn
= :::
t t
n
t
=
n
1
= 1 t
k
= (1 t) ;
unde k = n si = 1 . Functia generatoare de moment a variabilei aleatoare Y coincide deci cu functia generatoare
k
de moment (1 t) a distributiei (k; ) (pentru k = n si = 1 ), si deci Y 2 n; 1
29
4.3 Distributia normal
a
Variabila aleatoare normal a are un rol fundamental n teoria probabilit
atilor si statistica matematic a, datorit
a Teo-
remei limit
a central
a, care arm a c
a suma unor variabile aleatoare independente si identic distribuite corespunz ator
normate converge n distributie c atre distributia normal
a. Mai precis, dac a X1 ; X2 ; : : : este un sir de variabile
aleatoare independente identic distribuite (abreviat i.i.d.), cu medie = M (X1 ) si dispersie 2 = 2 (X1 ), atunci
X1 + : : : + Xn n
p ! X 2 N (0; 1)
n n!1
n distributie, adic
a Z t
X1 + : : : + Xn n 1 x2
P p t ! p e 2 dx
n n!1 2 1
Importanta acestei teoreme este dat a de faptul ca oricare ar distributia variabilelor X1 ; X2 ; : : : indepen-
dente, suma Sn = X1 + : : : + Xn corespunz ator normat a (adic
a sc
aznd din Sn media M (Sn ) = n si mp artind
a X = Sn pnn are medie 0 si
rezultatul la radicalul dispersie 2 (Sn ) = n 2 , astfel nct variabila aleatoare rezultat
dispersie 1) tinde c
atre o anumita distributie - distributia normal a standard.
2
Denitia 4.8 Spunem ca variabila aleatoare X are o distributie normala cu parametrii si (notam X 2
N ; 2 ) daca X are densitatea
1 (x )2
f (x) = p e 2 2 ; x 2 R:
2 2
2
n cazul = 0 si = 1 spunem ca X are o distributie normal
a standard (X 2 N (0; 1)).
2
Figure 5: Gracul densit
atii normale pentru cteva valori ale mediei si dispersiei .
Observatia 4.9 Functia f din denitia anterioara este ntr-adevar o densitate deoarece este ne-negativa (f (x) 0
oricare ar x 2 R) si are integrala egala cu 1. Pentru a arata aceasta, sa observam ca este sucient sa consideram
cazul = 0 si 2 = 1, deoarece folosind substitutia u = x avem
Z 1 Z 1 Z 1
1 1 (x 2)2 1 u2
f (x) dx = p e 2 dx = p e 2 du;
1 2 1 2 1
si deci este sucient sa aratam ca ultima integrala este egala cu 1.

x2
Sa mai obsevam ca datorita paritatii functiei e 2 avem
Z 1 Z 1
1 u2 2 u2
p e 2 du = p e 2 du:
2 1 2 0
30
Observam n continuare ca:
Z 1 Z 1 Z 1 1=2
2 x2 2 x2 x2
p e 2 dx = p e 2 dx e 2 dx
2 0 2 1 1
Z 1 Z 1 1=2
2 x2 y2
= p e 2 dx e 2 dy
2 0
Z 1 Z 1 1=2
2 x2 +y 2
p = e 2 dy dx :
2 0 0
Folosind substitutia y = ux, si schimbnd ordinea de integrare, obtinem echivalent:
Z 1 Z 1 Z 1 1=2
2 x2 2 x2 +u2 x2
p e 2 dx = p e 2 xdu dx
2 0 2 0 0
Z 1 Z 1 (1+u2 )x2 ! !1=2
2
= p e 2 xdu dx
2 0 0
Z 1 Z 1 (1+u2 )x2 ! !1=2

2
= p e 2 xdx du
2 0 0
Z 1 x=1 ! !1=2
2 1 (1+u2 )x2
= p e 2 du
2 0 1 + u2
x=0
Z 1 1=2
2 1
= p du
2 0 1 + u2
2 u=1 1=2
= p ( arctan uju=0 )
2
2 1=2
= p (arctan 1 arctan 0)
2
2 1=2
= p
2 2
= 1;
ncheind astfel demonstratia.
2
Media si dispersia variabilei aleatoare normale X 2 N ; sunt
2 2
M (X) = si (X) = ;
2
adic
a chiar parametrii distributiei normale N ; .
x
R1
Observatia 4.10 Pentru a demonstra aceste relatii, se foloseste substitutia u = si faptul ca 1
f = 1.
2
Functia generatoare de moment a variabilei aleatoare normale X 2 N ; este
2 2
t+ 2 t
'X (t) = e ; t 2 R: (44)
x
Pentru a ar
ata aceasta, folosind din nou substitutia u = obtinem:
tX
'X (t) = M e
Z 1
1 (x )2
= etx p e 2 2 dx
1 2 2
Z 1
1 u2
= p et(u + ) e 2 du
2 1
Z 1
1 t (u t )2 2 2
= p e e 2 e 2 t du
2 1
Z 1
2 2 1 (u t )2
= et e 2 t p e 2 du
1 2
2 2
= et + 2 t ;
31
ultima egalitate rezultnd din faptul c a integrala este egal
a cu 1 (este integrala densit
atii variabilei N (t ; 1)).
n practic
a este deseori util s
a transform am o variabila aleatoare normal a N ; 2 ntr-o variabil a aleatoare
normala standard N (0; 1). Aceast a transformare este data de urm atoarea.
2 2
Propozitia 4.11 Daca X 2 N ; este o variabila aleatoare normala cu medie si dispersie , atunci
X
Z= 2 N (0; 1)
este o variabila normala standard.
Demonstratie. S
a determin
am mai nti leg
atura ntre functiile de distributie ale variabilelor aleatoare X si Z:
X
FZ (x) = P (Z x) = P x = P (X x + ) = FX ( x + ) .
Derivnd aceast
a egalitate n raport cu x, obtinem relatia de leg
atur
a ntre densit
atile variabilelor aleatoare X
si Z:
d d
fZ (x) = FZ (x) = FX ( x + ) = f ( x + ) :
dx dx
(x )2
Cum X 2 ; 2
avem f (x) = p 1 e 2 2 , si deci obtinem
2 2
1 ( x+ )2 1 x2
fZ (x) = p e 2 2 =p e 2 ;
2 2 2
si deci conform denitiei rezult
a ca Z 2 N (0; 1) este o variabil
a aleatoare normala standard.
Propozitia anterioar
a este util
a n practic
a, deoarece ea arat
a c
a n principiu putem reduce studiul unei variabile
aleatoare la cazul cnd aceasta este o variabil a aleatoare normal a standard.
Rezultatul urm ator arata ca suma unor variabile aleatoare normale independente este o variabil a aleatoare
normal a.
2 2
Propozitia 4.12 Daca X1 2 N 1; 1 si X2 2 N 2; 2 sunt variabile aleatoare independente, atunci X1 +X2 2
N 1 + 2 ; 21 + 22 .
Demonstratie. Notnd cu X = X1 + X2 si folosind independenta variabilelor aleatoare X1 si X2 si formula (44)

putem determina functia generatoare de moment a variabilei aleatoare X astfel:
'X (t) = M etX

= M et(X1 +X2 )
= M etX1 etX2
= M etX1 M etX2
= 'X1 (t) 'X2 (t)
2 2
1 2
= e 1 t+ 2 t
e 2 t+ 2 t
( 2+ 2
1 2 )t
= e( 1 + 2 )t+ 2 :
Comparnd cu formula (44) rezult a ca X 2 N 1 + 2 ; 21 + 22 , ncheind demonstratia.

O observatie util
a referitoare la distributii simetrice este dat
a de urm
atoarea.
Observatia 4.13 Daca densitatea f a unei variabile aleatoare X este simetrica fata de 0, atunci functia de dis-
tributie verica
F ( x) = 1 F (x) ; x 2 R: (45)
Motivul este urmatorul:
Z x Z 1
F ( x) = P (X x) = f (t) dt = f (t) dt = P (X > x) = 1 P (X x) = F (x) :
1 x
32
Figure 6: Gracul unei densit
ati simetrice fat
a de 0 veric
a F ( x) = 1 F (x).
x2
n particular, deoarece densitatea f (x) = p12 e 2 a variabilei normale standard X 2 N (0; 1) este simetric a
fat
a de 0, rezulta c
a dac a valorile functiei de distributie F (x) sunt cunoscute pentru valori positive x, atunci si
valorile F (x) pentru valori negative x sunt cunoscute (sunt determinate de relatia (45)).
Referitor la variabila aleatoare normal a X 2 N ; 2 se poate usor ar ata c
a probabilitatea P (jX j k )
depinde numai de k si este independent a de si 2 . Alegnd k = 1; 2 sau 3 rezult a c
a 68:27% din valorile unei
variabile avelatoare normale X 2 N ; 2 se aa la o distant a mai mic
a dect fat a de , c a 95:45% din valori
sunt la disanta mai mic a dect 2 fat a de , respectiv c a 99:73% din valori sunt la o distant
a mai mic
a dect 3
fat
a de .
Alte doua valori utile sunt urm atoarele: 95% din valori sunt la distant
a mai mic a dect 1:96 fat
a de , iar 99%
din valori sunt la distanta mai mic a dect 2:58 fat a de .
2
4.4 Distributia
2
O variabil
a aleatoare X are o distributie (hi p
atrat) cu n grade de libertate dac
a se poate scrie ca o sum
a
X = X12 + : : : + Xn2
unde X1 ; : : : ; Xn 2 N (0; 1) sunt variabile aleatoare normale standard independente.

Importanta acestei distributii rezult
a ca astfel de sume de variabile aleatoare apar des n statistic
a, n special n
estimarea dispersiei si n testarea ipotezelor statistice.
2
Figure 7: Functia de densitate (n) pentru cteva valori ale num
arului de grade de libertate n.
2
O denitie echivalent
a a distributiei este urm
atoarea.
2
Denitia 4.14 Spunem ca o variabila aleatoare X are o distributie cu n 2 N grade de libertate (si notam
X 2 2 (n)) daca are densitatea
n x
cx 2 1 e 2 ; x 0
f (x) =
0; x<0
1
R1 z 1 t
(c = n2 n iar (z) = 0 t e dt, Re z > 0, este functia Gamma).
2 (2)
33
Pentru a ar ata c
a cele dou
a denitii
n
anterioare coincid, putem calcula functia generatoare de moment. n ambele
cazuri se obtine 'X (t) = (1 2t) 2 pentru t < 12 , si deci cele doua denitii coincid.
Media si dispersia variabilei aleatoare X 2 2 (n) sunt date de
2
M (X) = n si (X) = 2n;
iar functia generatoare de moment este

n 1
'X (t) = (1 2t) 2
; t< : (46)
2
Se poate demonstra urm
atoarea:
2 2
Propozitia 4.15 Daca X1 2 (n1 ) si X2 2 (n2 ) sunt variabile aleatoare independente, atunci X1 + X2 2
2
(n1 + n2 ).
Demonstratie. Notnd cu X = X1 + X2 , si folosind faptul c

a X1 si X2 sunt variabile aleatoare independente si
formula (46) putem determina functia generatoare de moment a variabilei aleatoare X astfel:
n1 n2 n1 +n2
'X (t) = 'X1 (t) 'X2 (t) = (1 2t) 2
(1 2t) 2
= (1 2t) 2
;
2
si comparnd cu (46) rezult
a c
aX2 (n1 + n2 ), ncheind demonstratia.
4.5 Distributia T/Student

O variabil
a aleatoare X are o distributie T (sau distributie Student) cu n grade de libertate dac
a poate scris
a sub
forma
Y
X=q
Z
n
2 2
unde Y 2 N (0; 1) este o variabil
a normal
a standard iar Z 2 (n) este o variabil
a aleatoare cu n grade de
libertate independent
a de Y .
Figure 8: Functia de densitate T (n) pentru cteva valori ale gradelor de libertate n.
O denitie echivalent
a a distributiei T este urm
atoarea.
Denitia 4.16 Spunem ca variabila aleatoare X are o distributie T cu n grade de libertate (notam X 2 T (n))
daca are densitatea 8 n+1
< x2 2
f (x) = c 1 + n ; x 0
: 0; x<0
1 (x) (y)
(c = p
nB ( n
iar B (x; z) = (x+y) , x; y > 0, este functia Beta).
2 ;2)
1
34
Media si dispersia variabilei aleatoare X 2 T (n) sunt
2 n
M (X) = 0 (n > 1) si (X) = (n > 2):
n 2
35
5 Statistica matematic
a
Cuvntul statistic aa fost initial folosit pentru a desemna o colectie de date despre populatie si situatia economica,
date vitale pentru conducerea unui stat. Cu timpul, Statistica a devenit o metod a stiintic
a de analiz a aplicat
a n
toate stiintele naturale si sociale, ind o ramur a important
a a matematicii.
Ca un exemplu de deductie statistic a, prezentam urm
atoarea problem a a sondajului de opinie n alegeri.
Exemplul 5.1 Daca selectia este aleatoare si sucient de larga, cu ncredere de 95% avem ca proportia a popu-
latiei ce verica un anumit criteriu (ce prefera un anumit candidat, spre exemplu) verica
r r
P (1 P ) P (1 P )
P 1:96 < < P + 1:96 ;
n n
unde n reprezinta volumul selectiei iar P reprezinta proportia populatiei selectate ce verica criteriul ales.
Spre exemplu, daca ntr-o selectie de n = 1000 persoane 600 prefera candidatul X (si deci proportia selectie este
600
P = 1000 = 0:60), atunci cu ncredere de 95% putem arma ca rezultatul votului pentru candidatul X va
r r
0:60 (1 0:60) 0:60 (1 0:60)
0:57 = 0:60 1:96 < < 0:60 + 1:96 = 0:63;
1000 1000
adica n intervalul (0:57; 0:63), numit interval de ncredere.
Scopul Statisticii matematice este ca plecnd de la informatia continut a ntr-un esantion al populatiei s a obtin
a
informatii despre ntreaga populatie n cauza. Deductiile statistice sunt deductii inductive (de la particular la
general), spre deosebire de cele deductive (de la general la particular), si din aceast a cauza ele nu sunt deductii
sigure, siguranta lor ind m asurata n termeni de teoria probabilit atilor.
Spre exemplu, dac a o cutie contine un milion de seminte de ori avnd dou a culori (albe si rosii), este practic
imposibil s a se determine procentul exact de seminte ce vor produce ori de culoare alb a f
ar
a a planta toate aceste
seminte si a observa apoi culoarea ec arei ori. O alt
a idee este s
a alegem numai un esantion de seminte (s a spunem
cteva sute de seminte), s a le plant
am, si pe baza culorilor orilor obtinute s a tragem o concluzie asupra culorilor
ntregului lot de seminte. Acesta este deductia inductiv a (de la particular la general), si este evident c a acest tip
de deductie nu este unul sigur, dar putem formula concluzii cu anumite probabilit ati.
5.1 Selectii aleatoare

n majoritatea problemelor statistice se opereaz a cu un esantion/selectie din populatia dat
a (si nu cu ntreaga
populatie studiat
a), din cteva motive practice:
1. Resurse limitate (costuri ridicate n alegerea unui esantion de volum mare)

2. Date limitate (uneori, chiar dac a am neglija costurile, nu este posibil sa crestem volumul selectiei. Spre
exemplu, atunci cnd se doreste efectuarea unui studiu statistic privind anumite civilizatii disp
arute, datele
statistice sunt limitate, chiar dac
a am dispusi s
a m
arim orict costurile)
3. Testare distructiv
a (spre exemplu, daca se doreste testarea duratei de viat
a a unor becuri, acestea sunt distruse
n testare. Este imposibil observarea ntregii cantitati de becuri produse de produc ator, deoarece ar nsemna
pierderea ntregului prot realizat de pe urma producerii lor!)
Prin populatie ntelegem totalitatea observatiilor ce fac scopul investigatiei. Elementele populatiei se numesc
indivizi sau unitati statistice.
Un esantion/selectie este o submultime de observatii din populatia considerat a. Pentru ca concluziile statistice
sa e valide, selectia trebuie sa e reprezentativ a populatiei.
Exist a ns
a n practic
a tendinta de a alege esantionul pe anumite criterii de convenient a, sau prin eliminarea
anumitor date pe diverse criterii, ap arnd astfel selectii incorecte/p
artinitionare.
Pentru a nl atura acest neajuns, este de dorit alegerea unui esantion n mod aleator/arbitrar. Gndim astfel se-
lectia esantionului ca ind un experiment n care ecare observatie este valoarea observat a a unei variabile aleatoare.
Valorile astfel obtinute determin a distributia acestei variabile aleatoare (populatia studiat
a).
Mai precis, s a consider
am c a X este variabila aleatoare ce reprezint a valoarea unei selectii din populatie, iar fX
si FX sunt densitatea, respectiv functia de distributie a variabilei aleatoare X.
36
Consider am c
a esantionul se alege prin repetarea de n ori, n conditii identice si independente, a observatiei
variabilei aleatoare X. Valorile observate x1 ; : : : ; xn le putem deci privi ca si valori observate a n variabile aleatoare
X1 ; : : : ; Xn independente si identic distribuite, avnd aceeasi densitate fx si distributie FX ca si a ntregii populatii.
Variabilele aleatoare X1 ; : : : ; Xn formeaza deci o selectie/esantion aleator dac a sunt independente si au aceeasi
distributie (cu a ntregii populatii).
Scopul select arii unui esantion dintr-o populatie este de a obtine informatii despre populatia n cauz a. Spre
exemplu, considernd din nou exemplul anterior, dac a not am prin 1faptul c a o semint
a va produce o oare alb a,
si prin 0faptul c a va produce o oare rosie, si dac
a x1 ; : : : ; x100 sunt valorile observate ale unei selectii de volum
100 din ntreaga populatie, atunci putem estima proportia de seminte ce vor produce ori de culoare alb a prin
media de selectie
x1 + : : : + x100
x= :
100
Media de selectie x este un caz particular de statistic a. Mai general, denim o statistica ca ind o functie ce
depinde de valorile observate ale selectiei.
5.2 Reprezent
ari grace si caracteristici numerice ale selectiilor aleatoare
5.2.1 Caracteristici numerice
Fie x1 ; : : : ; xn valorile observate ale unei selectii aleatoare X1 ; : : : ; Xn de volum n dintr-o populatie X. Denim
urmatoarele caracteristici numerice ale selectiei:
x1 +:::+xn
Media de selectie: x = n (reprezint
a o estimare pentru media = EX a populatiei X)
Pn
2 (x x)2 2
Dispersia de selectie: = i=1n i1 a o estimare pentru dispersia 2 = E (X
(reprezint ) a populatiei
X)
p
Abaterea p
atratic
a medie de selectie = 2
Mediana: ordonnd cresc

ator datele, mediana reprezint
a valoarea din mijloc, adic
a x n+1 dac
a n este impar,
2
x n +x n +1
respectiv 2
2
2
dac
a n este par.
Modul: este cea mai frecvent
a valoare
Quartile: mp artind valorile observate n 4 grupe egale, punctele de diviziune se numesc quartile (se noteaz
a
Q1 ; : : : ; Q4 ). 25% din valorile selectiei sunt deci mai mici sau egale cu Q1 , 50% din valori sunt mai mici sau
egale cu Q2 , etc.
Percentile: qk este o percentil
a de ordin k dac
a 100k% din valori sunt cel mult egale cu qk (Q1 = q0:25 ,
Q2 = q0:50 este mediana, samd)
Domeniul: este intervalul [mini xi ; maxi xi ] n care sunt cuprinse valorile selectiei.
5.3 Reprezent
ari grace
5.3.1 Reprezent
ari prin puncte (dot diagrams)
Datele x1 ; : : : ; xn se reprezint a grac prin puncte (ca natimi). Dac
a datele selectei sunt bidimensionale, adic
a
(x1 ; y1 ) ; : : : ; (xn ; yn ) se reprezint
a grac punctele corespunzatoare.
Spre exemplu, considernd o selectia de date bidimensionale
(12; 2); (13; 3); (21; 4); (27; 5); (33; 1); (34; 3); (35; 9); (37; 4); (40; 4); (40; 2); (41; 7)
37
Graficul valorilor selec iei
45
40 2, 40 4, 40 7, 41
4, 37
35 3, 34 9, 35
1, 33
30
5, 27
25
20 4, 21 Selectie
15
2, 12 3, 13
10
5
0
0 2 4 6 8 10
Figure 9: Reprezentarea prin puncte a valorilor selectiei.
5.3.2 Diagrame ca serii de timp

Sunt utile atunci cnd datele selectiei sunt nregistrate n ordine cronologic
a, si arat
a anumite posibile caracteristici
ale selectiei (tendint
a cresc
atoare/descresc
atoare, periodicitate, etc).
Spre exemplu, nregistrnd timpul petrecut n ap a de un copil (n minute), s-au nregistrat urm atoarele valori:
12; 13; 21; 27; 33; 34; 35; 37; 40; 40; 41:
Exemplul 5.2 Reprezentnd grac aceste valori, se obtine urmatorul grac (se observa tendinta crescatoare a
datelor selectiei).
Minute in apa
60
50
40
30 Minute in apa
Linear (Minute in apa)
20
10
0
0 5 10 15
Figure 10: Reprezentarea ca serie de timp a valorilor selectiei.
5.3.3 Diagrame r
ad
acin
a-frunz
a (Stem-and-leaf diagrams)
Pentru un num ar mare de date de selectie (n 20), aceste reprezent ari sunt de preferat celor prin puncte.
Pentru a construi aceast a reprezentare, se mparte ecare valoare xi observat a n dou
a p
arti: r
ad
acin
a (una sau
mai multe cifre de la nceputul lui xi ) si frunz
a (restul cifrelor dupa radacin
a).
Se asaz
a apoi ecare rad
acin a ntr-o coloana vertical
a si ecare frunza n linia corespunz
atoare r ad
acinii.
Spre exemplu, dac a valorile selectiei sunt
43; 119; 121; 21; 33; 32; 57; 45; 56; 44;
38
alegnd ca r
ad
acin
a cifra zecilor si a sutelor, iar ca frunz
a cifra unit
atilor, se obtine urm
atoarea reprezentare.
R
adacin
a Frunz a Frecvente
2 1 1
3 2; 3 2
4 3; 5; 4 3
5 6; 7 2
11 9 1
12 1 1
Aceste reprezent ari sunt utile pentru sortarea manual

a a valorilor si/sau pentru calculul manual al frecventelor
valorilor selectiei.
5.3.4 Histograme
Sunt un mod mai compact de reprezentare a datelor dect cele prin diagrame r ad
acin
a-frunza.
Pentru a cosntrui histograma,
p se mparte domeniul valorilor selectiei n subintervale disjuncte de lungime egal
a
(5 20 subintervale sau n subintervale, unde n este volumul selectiei).
Se determin a frecventele (relative sau absolute, cumulate sau nu) a datelor selectiei n aceste subintervale, si se
reprezinta apoi pe axa x subintervalele considerate iar pe axa y frecventele respective (ca nltimi ale dreptunghi-
urilor respective).
Spre exemplu, n urma unui sondaj asupra vrstei a angajatilor, s-a determinat c a vrstele acestora sunt cuprinse
n intervalul [20; 60]. mpartind vrstele n 5 subintervale de lungime egal a, a rezultat urm atorul tabel.
Subinterval Frecvente absolute Frecvente relative cumulate

22
[20; 29) 22 100
53
[30; 39) 31 100
91
[40; 49) 38 100
100
[50; 60] 5 100
Se obtine urm
atoarea histograma a frecventelor absolute ale selectiei.
Frecven a absolut a vrstelor

40
35
30
25
20
Frecven a vrstelor
15
10
5
0
[20,29) [30,39) [40,49) [50,60]
Figure 11: Histograma frecventelor absolute a selectiei.
Histograma frecventelor relative cumulate este o bun

a indicatie a functiei de distributie a populatiei considerate.
5.3.5 Box-and-whiskers
Aceste diagrame sunt utile pentru a ar ata modul n care valorile selectiei sunt dispersate n jurul medianei, f ar
a
a ar
ata ns
a valorile efective ale selectiei. Acest tip de reprezentare este folosit atunci cnd volumul selectiei este
mare, sau pentru a compara dou a sau mai multe seturi de date.
Pentru a construi acest tip de reprezentare, se ordoneaz a mai nti cresc ator valorile observate. Se determin a
apoi mediana (valoarea din mijloc, sau cvartila Q2 ) si cvartilele Q1 si Q3 . Se construieste apoi reprezentarea grac a
desennd un dreptunghi ntre cvartilele Q1 si Q3 , cu o dreapta verticala n dreptul medianei, si n exteriorul acestuia
se prelungesc doua drepte pentru a indica domeniul valorilor selectiei.
39
Histograma frecven elor relative
cumulate a vrstelor
120
100
80
60 Frecven e relative
cumlate ale vrstelor
40
20
0
[20,29) [30,39) [40,49) [50,60]
Figure 12: Histograma frecventelor relative cumulate ale selectiei.
Spre exemplu, consider

am datele de selectie
13; 14; 6; 9; 10; 21; 17; 15; 15; 7; 10; 13; 13; 8; 11:
Ordonnd cresc
ator aceste date se obtine sirul
6; 7; 8; 9; 10; 10; 11; 13; 13; 13; 14; 15; 15; 17; 21
si se determina mediana Q2 = 13 (cum n acest caz avem n = 15 date, mediana este valoarea x 15+1 = x8 = 13).
2
Se determin a apoi cvartila Q1 astfel nct cel mult 25% din date sunt mai mici sau egale cu Q1 . Se obtine
Q1 = 9.
Se determina cvartila Q3 astfel nct cel mult 75% din date sunt mai mici sau egale cu Q3 . Se obtine Q1 = 14.
Se reprezint
a grac un dreptunghi ntre Q1 = 9 si Q3 = 14, cu o linie vertical a n dreptul medianei Q2 = 13, si
se prelungesc dou a drepte orizontale pna n dreptul celei mai mici si a celei mai mari valori (6, respectiv 21).
Figure 13: Diagrama Box-and-Whiskers indic a cea mai mica si cea mai mare valoare a selectiei (6 si 21), mediana
(Q2 = 13) si domeniul n care sunt cuprinse 25%, 50%; si 75% din date (pna la Q1 ; Q2 , respectiv Q3 ).
5.3.6 Grace de probabilitate

Sunt mai utile dect histogramele frecventelor relative cumulate pentru a determina dac a o anumit a selectie are sau
nu o anumit a distributie (n special n cazul esantioanelor de volum mic sau mediu).
Pentru a construi diagrama de probabilitate, se ordoneaz a mai nti cresc ator datele de selectie x1 x2
xn . Se reprezint a apoi pe hrtie grac a corespunz atoare distributiei testate (normal a, lognormal a, etc) punctele
i 0:5
n ; xi , i = 1; 2; : : : ; n.
Dac a punctele se aa aproximativ pe o dreapt a, se poate presupune c a populatia din care provine selectia are
aproximativ distributia testat a. n caz contrar populatia nu are distributia testat a.
Pentru a determina gracul de probabilitate folosind hrtia obisnuit a, n cazul test
arii distributiei normale, se
reprezint a grac punctele (zi ; xi ), i = 1; 2; : : : ; n, unde zi sunt scorurile normale standard date de
1 i 0:5
zi = ; i = 1; 2; : : : ; n;
n
40
Rx u2
iar (x) = p12 1
e 2 du este functia de distributie normal
a standard (n Excel, (x) se calculeaz
a folosind
1
functia NORMSDIST(x), iar (x) se calculeaz
a folosind functia NORMSINV(x)).
Pentru a testa spre exemplu daca datele de selectie
191; 205; 220; 176; 183; 190; 201; 205; 185; 214
provin dintr-o distributie normal a, construim gracul de probabilitate.

Pentru aceasta, ordon am mai nt ai cresc
ator datele de selectie si determin
am scorurile normale standardizate
1 i 0:5
zi = 10 , i = 1; 2; : : : ; 10, ca n tabelul de mai jos.
i 0:5
xi 10 zi
176 0:05 1:645
183 0:15 1:036
185 0:25 0:674
190 0:35 0:385
191 0:45 0:126
192 0:55 0:126
201 0:65 0:385
205 0:75 0:674
214 0:85 1:036
220 0:95 1:645
Reprezentnd grac punctele de coordonate (zi ; xi ), i = 1; 2; : : : ; 10 se obtine gracul de mai jos, si se observ
a c
a
aceste puncte sunt situate aproximativ pe o dreapt a. Se poate deci presupune c a populatia din care provin datele
este aproximativ o populatie normal
a.
Graficul de probabilitate al selec iei

250
240
230
220
210
200 (x_i,z_i)
190 Linear ((x_i,z_i))
180
170
160
150
-2.000 -1.000 0.000 1.000 2.000
Figure 14: Gracul de probabilitate al selectiei considerate indic

a o populatie aproximativ normal
a.
41
6 Notiuni de teoria estimatiei
n multe din aplicatiile statisticii matematice se presupune ca populatia studiat
a are o distributie cunoscut
a ce
depinde de anumiti parametrii necunoscuti, ce urmeaz a a determinati.
Deductiile statistice se pot grupa n dou
a categorii:
a) Estimarea parametrilor (spre exemplu estimarea proportiei unei populatii ce veric

a un anumit criteriu)
b) Testarea ipotezelor (alegerea uneia din dou
a sau mai multe valori a unor parametrii)
Vom presupune n continuare ca populatia X are o distributie cunoscut

a, avnd densitatea f = f (x; ) ce
depinde de un singur parametru necunoscut . Mai mult, vom presupune c a densitatea f este continu
a si derivabil
a
n raport cu parametrul .
6.1 Estimatori ai parametrilor

Dac a X1 ; : : : ; Xn reprezint
a o selectie de volum n din populatia X, atunci X1 ; : : : ; Xn sunt variabile aleatoare
independente si identic distribuite, avnd densitatea f (x; ).
Pentru a determina valoarea parametrului necunoscut , introducem functia de estimatie / estimatorul ^
al lui ca ind o functie de variabilele aleatoare X1 ; : : : ; Xn ale selectiei:
^ = ^ (X1 ; : : : ; Xn ) :
Observatia 6.1 ^ se mai numeste si estimator punctual, deoarece evalund ^ pentru valori x1 ; : : : ; xn concrete
ale unei selectii X1 ; : : : ; Xn se obtine o singura valoare (punct) ce estimeaza pe , spre deosebire de alti estimatori
care estimeaza pe printr-un domeniu de valori (intervale de ncredere).
Exemplul 6.2 Sa presupunem ca populatia X studiata are o distributie data cu medie necunoscuta. Un estimator
al mediei necunoscute este n acest caz ^ = X1 +:::+X n
n
= X (media de selectie).
nlocuind variabilele aleatoare X1 ; : : : ; Xn ale selectiei prin valorile observate x1 ; : : : ; xn se obtine estimarea
punctuala a lui :
x1 + : : : + xn
x= :
n
Este de dorit ca estimatorul (variabila aleatoare) ^ s a e ct mai apropiata de valoarea real

a a parametrului
necunoscut , adic a sa aibe o distributie de valori concentrat
a n jurul lui . Pentru a m
asura aceasta apropiere a
lui ^ de , introducem urm atoarele denitii.
Denitia 6.3 Spunem ca ^ = ^ (X1 ; : : : ; Xn ) este une estimator corect (unbiased) daca media lui ^ coincide cu
M ^ = . (47)
Daca ^ nu este un estimator corect spunem ca ^ este un estimator incorect (biased) si denim eroarea /
bias-ul estimatorului ^ prin
B=M ^ : (48)
X1 +:::+Xn
Exemplul 6.4 Spre exemplu, ^ = X = n este un estimator corect al mediei a populatiei, deoarece
X1 + : : : + Xn M (X1 ) + : : : + M (Xn ) + ::: +

M (^ ) = M = = =
n n n
(reamintim ca deoarece X1 ; : : : ; Xn au aceeasi distributie cu a populatiei X, avem M (Xi ) = M (X) = , i =

1; : : : ; n).
42
n P 2
(Xi X)
De asemenea, dispersia de selectie s2 = i=1n 1 este un estimator corect al dispersiei 2
a populatiei X.
Pentru a arata aceasta, sa observam mai nti ca
2 1 2
M X1 X = M ((n 1) X1 X2 : : : Xn )
n2
1 2
= M ((n 1) (X1 ) (X2 ) : : : (Xn ))
n2
1 2 2 2 2
= (n 1) M (X1 ) + M (X2 ) + : : : + M (Xn )
n2
1 2
= (n 1) 2 + 2 + : : : + 2
n2
1 2
= (n 1) 2 + (n 1) 2
n2
1
= n (n 1) 2
n2
n 1 2
= ;
n
deoarece datorita independentei avem M ((Xi ) (Xj )) = M (Xi ) M (Xj )=( ) ( ) = 0, si
2 2 2 2
M (Xi ) = M (X ) = (X) = , oricare ar i; j 2 f1; : : : ; ng cu i 6= j.
Obtinem deci
Pn 2! n n
Xi X 1 X 2 1 X n 1
2 i=1 2 2
M s =M = M Xi X = = ;
n 1 n 1 i=1
n 1 i=1
n
P
n 2
(Xi X )
si deci s2 = i=1n 1 este un estimator corect al dispersiei 2 a populatiei X.
Ca un exemplu de estimator incorect (biased) putem considera
Pn 2
c2 = i=1 Xi X
;
n
care este un estimator incorect al dispersiei 2 a populatiei X.
Bias-ul (sau eroarea) acestui estimator este n acest caz
2
n 1
B = M c2 2
= 2 2
=
n n
0, c2 este o subestimare a dispersiei 2 a populatiei).

2
(cum n acest caz B = n
p
Se mai poate arata ca desi dispersia de selectie s2 este un estimator corect al dispersiei 2
a populatiei, s = s2
nu este un estimator absolut corect al abaterii patratice medii a populatiei X.
6.2 Estimatii eciente

Exist
a n general mai multi estimatori corecti ai parametrului necunoscut al unei populatii (o innitate chiar!).
Spre exemplu, att media de selectie X ct si mediana de selectie sunt estimatori corecti ai mediei a populatiei.
De asemenea, se poate ar ata c
a
X2 + : : : + Xn 1 X1 + X2
sau
n 2 2
sunt de asemenea estimatori absolut corecti ai mediei .
Pentru a alege un estimator ct mai bun, trebuie s a examin
am si alte caracteristici ale estimatorilor. n acest
sens, este de dorit ca estimatorul ^ sa aib
a dispersia minim a, deoarece aceasta asigur a o mpr astiere mai mic
aa
valorilor sale fat
a de valoarea medie M ^ .
Are loc urm atoarea.
43
Teorema 6.5 Daca X1 ; : : : ; Xn este o selectie de volum n dintr-o populatie X avnd densitatea f (x; ) ce depinde
de parametrul necunoscut , si daca ^ = ^ (X1 ; : : : ; Xn ) este un estimator corect al lui , atunci are loc
1
D2 ^ R 2 : (49)
@ ln f (x; )
n R @ f (x; ) dx
Mai mult, egalitatea are loc daca si numai daca densitatea f (x; ) a populatiei se poate scrie sub forma
ln f (x; ) = A0 ( ) (L (x) ) + A ( ) + N (x) :
n acest caz, un estimator pentru care are loc egalitatea n inegalitatea (49) este dat de
^ (X1 ; : : : ; Xn ) = L (X1 ) + : : : + L (Xn ) : (50)

n
Demonstratie. Deoarece f (x; ) este o functie de densitate, avem
Z
f (x; ) dx = 1:
R
Derivnd aceast
a egalitate n raport cu obtinem
Z Z
@f (x; ) @ ln f (x; )
dx = 0 () f (x; ) dx = 0; (51)
R @ R @
@ ln f (X; )
adic
aM @ = 0.
Deoarece ^ este un estimator corect al lui , avem:
= M ^
= M ^ (X1 ; : : : ; Xn )
Z
= ^ (x1 ; : : : ; xn ) fX ;:::;X (x1 ; : : : ; xn ) dx1 : : : dxn
1 n
Rn
Z n
Y
= ^ (x1 ; : : : ; xn ) f (xj ; )dx1 : : : dxn ;
Rn j=1
deoarece X1 ; : : : ; Xn ind variabile aleatoare si identic distribuite (cu densitatea f (x; )), densitatea variabilei
aleatoare vectoriale (X1 ; : : : ; Xn ) este dat
a de
n
Y
fX1 ;:::;Xn (x1 ; : : : ; xn ) = f (xj ; ):
j=1
Derivnd egalitatea anterioar

a n raport cu , obtinem:
Z Xn n
^ (x1 ; : : : ; xn ) @ ln f (xi ; ) Y
f (xj ; )dx1 : : : dxn = 1: (52)
Rn i=1
@ j=1
Folosind relatia (51), obtinem

Z n Z n Z
@ ln f (xi ; ) Y @ ln f (xi ; ) Y
f (xj ; )dx1 : : : dxn = f (xi ; ) dxi f (xj ; ) dxj = 0 1n 1
= 0;
Rn @ j=1 R @ j=1 R
j6=i
oricare ar i = 1; : : : ; n, si deci
Z Xn n
@ ln f (xi ; ) Y
f (xj ; )dx1 : : : dxn = 0:
Rn i=1 @ j=1
44
nmultind aceast
a relatie cu , si sc
aznd-o din relatia (52) obtinem:
Z Xn n
^ (x1 ; : : : ; xn ) @ ln f (xi ; ) Y
f (xj ; )dx1 : : : dxn = 1;
Rn i=1
@ j=1
sau echivalent !
Xn
^ (X1 ; : : : ; Xn ) @ ln f (Xi ; )
M =1
i=1
@
2
Folosind inegalitatea Schwarz ((M (XY )) M X 2 M Y 2 ) obtinem:
n
!!2
X @ ln f (Xi ; )
1 = M ^ (X1 ; : : : ; Xn )
i=1
@
0 !2 1
2 Xn
@ ln f (Xi ; ) A
M ^ (X1 ; : : : ; Xn ) M@ ;
i=1
@
de unde obtinem
2 1
D2 ^ = M ^ (X1 ; : : : ; Xn ) :
Pn @ ln f (Xi ; )
2
M i=1 @
Deoarece variabilele aleatoare Xi sunt independente si identic distribuite, si folosind din nou relatia (51), obtinem
1
D2 ^ Pn @ ln f (Xi ; ) @ ln f (Xj ; )
i;j=1 M @ @
1
=
Pn @ ln f (Xi ; )
2 P @ ln f (Xi ; ) @ ln f (Xj ; )
i=1 M @ +2 1 i<j n M @ @
1
=
Pn @ ln f (Xi ; )
2 P @ ln f (Xi ; ) @ ln f (Xj ; )
i=1 M @ +2 1 i<j n M @ M @
1
=
Pn @ ln f (Xi ; )
2
i=1 M @
1
= 2
@ ln f (X1 ; )
nM @
1
= R 2 ;
@ ln f (x; )
n R @ f (x; ) dx
ncheind prima parte a demonstratiei.

Pentru a demonstra partea a doua, s a observam ca tot din inegalitatea Schwarz rezult
a c
a egalitatea n inegali-
tatea (50) are loc dac
a si numai dac
a variabilele aleatoare sunt proportionale (adic
a X = kY ), adica
Xn
@ ln f (Xi ; )
= k ( ) ^ (X1 ; : : : ; Xn ) : (53)
i=1
@
n particular, pentru X1 = : : : = Xn = x obtinem
@ ln f (x; ) 1 1 not
= k ( ) ^ (x; : : : ; x) k ( ) = F ( ) Q (x) + G ( ) ;
@ n n
oricare ar x 2 R.
45
@ ln f (x; )
nlocuind aceast
a expresie pentru @ n relatia (53) si rezolvnd n raport cu ^, obtinem:
n
X
^ (X1 ; : : : ; Xn ) = F( ) G( )
Q (Xi ) + n + ;
k( ) k( )
| {z } i=1 | {z }
h (constant) g (constant)
adic
a
n
X
^ (X1 ; : : : ; Xn ) = h Q (Xi ) + g:
i=1
Notnd L (x) = nhQ (x) + g, avem

Pn Pn
^ (X1 ; : : : ; Xn ) = i=1 (nhQ (Xi ) + g) i=1 L (Xi )
= : (54)
n n
a expresie a lui ^ (X1 ; : : : ; Xn ) obtinem:

nlocuind n (53) aceast
Xn Pn
@ ln f (Xi ; ) i=1 L (Xi )
= k( ) ;
i=1
@ n
de unde n particular pentru X1 = : : : = Xn = x se obtine
@ ln f (x; ) k( )
= (L (x) ):
@ n
Prin integrare n raport cu se obtine
Z
k( )
ln f (x; ) = (L (x) )d
n}
| {z
A00 ( )
Z
= A00 ( ) (L (x) )d
Z
= A0 ( ) (L (x) ) A0 ( ) ( 1) d
Z
= A0 ( ) (L (x) )+ A0 ( ) d
= A0 ( ) (L (x) ) + A ( ) + N (x) ;
si deci densitatea are forma indicat

a n enuntul teoremei.
Reciproc, daca densitatea are aceast
a forma, atunci
Z Z
0
1 = f (x; ) dx = eA ( )(L(x) )+A( )+N (x)
dx;
si derivnd n raport cuse obtine

Z
0
0 = (A00 ( ) (L (x) ) + A0 ( ) ( 1) + A0 ( )) eA ( )(L(x) )+A( )+N (x)
dx
Z
= A00 ( ) (L (x) ) f (x; ) dx;
adic
a
M (L (X) ) = 0 () M (L (X)) = ;
de unde se obtine
Pn n
L (Xi ) 1X 1
M ^ (X1 ; : : : Xn ) = M i=1
= M (L (Xi )) = n = ;
n n i=1 n
46
Pn
L(Xi )
si deci ^ (X1 ; : : : ; Xn ) = i=1n este un estimator corect al lui .
Derivnd din nou relatia Z
(L (x) ) f (x; ) dx = 0
n raport cu , se obtine Z Z
2
A00 ( ) (L (x) ) f (x; ) dx = f (x; ) dx = 1;
si deci Z
2 1
(L (x) ) f (x; ) dx = ;
A00 ( )
sau echivalent
2 1
D2 (L (X)) = M (L (X) ) = :
A00 ( )
Folosind faptul c
a variabilele aleatoare Xi sunt independente si identic distribuite, obtinem
Pn Pn
2 ^ 2 i=1 L (Xi ) D2 (L (Xi )) 1
D (X1 ; : : : ; Xn ) = D = i=1 2
= 00
:
n n nA ( )
Membrul drept al inegalit

atii din enuntul teoremei este n acest caz
1 1
R 2 = R 2
n @ ln f (x; )
f (x; ) dx n R
(A00 ( ) (L (x) )) f (x; ) dx
R @
1
= 2 R 2
n (A00 ( )) R
(L (x) ) f (x; ) dx
1
= 2
n (A00 ( )) D2 (L (X))
1
= 2 1
n (A00 ( )) A00 ( )
1
= ;
nA00 ( )
si deci are loc n acest caz egalitatea n inegalitatea din enuntul teoremei:
1
D2 ^ (X1 ; : : : ; Xn ) = R 2 ;
@ ln f (x; )
n R @ f (x; ) dx
ncheind demonstratia.
Exemplul 6.6 Considerm o populatie X avnd o distributie Poisson cu parametrul necunoscut. Functia de
probabilitate este n acest caz
x
e x! ; x 2 N
f (x; ) = :
0; n rest
Avem x
ln f (x; ) = ln e = + x ln ln (x!) ;
x!
si deci
@ ln f (x; ) x
= 1; x 2 N:
@
47
Din teorema anterioara rezulta ca pentru orice estimator corect ^ = ^ (X1 ; : : : ; Xn ) al lui avem
1
D2 ^ R 2
@ ln f (x; )
n R @ f (x; ) dx
1
= P1 2 x
x
n x=0 1 e x!
1 1
= e
P1 x 2e
P1 x P1 x
n 2 x=0 x2 x! x=0 x x! + e x=0 x!
1 1
= 0
n e 0 2e 0
2 (e ) (e ) +e e
1 1
= 1 2
n 2 + 2+1
= :
n
Aceasta arata ca dispersia minima posibila pentru un estimator corect al lui este n.
Denitia 6.7 Numim estimator ecient un estimator corect ^ al lui pentru care are loc egalitatea n inegalitatea
anterioara, adica un estimator avnd dispersia minima
1
D2 ^ (X1 ; : : : ; Xn ) = R 2 : (55)
@ ln f (x; )
n R @ f (x; ) dx
X1 +:::+Xn
Exemplul 6.8 Se considera estimatorii c1 = X1 si c2 = X = n ai medie ai unei populatii X. Care
dintre acesti estimatori este mai bun?
Sa observam ca ambii estimatori sunt corecti, deoarece
M (c1 ) = M (X1 ) = M (X) =
si
X1 + : : : + Xn M (X1 ) + : : : + M (Xn )
M (c2 ) = M = = .
n n
Calculnd dispersiile acestor estimatori obtinem
2 2
D2 (c1 ) = M (X1 ) = M (X ) = 2
(X) = 2
si
!
2
2 X1 + : : : + Xn
D (c2 ) = M
n
0 !2 1
X n
1
= M@ Xi A
n2 i=1
n
1 X
= M ((Xi ) (Xj ))
n2 i;j=1
n
1 X 2
= M (Xi )
n2 i=1
n
1 X 2
= (X)
n2 i=1
1 2
= n
n2
2
= ;
n
48
datorita faptului ca variabilele aleatoare X1 ; : : : ; Xn sunt independente si identic distribuite.
Se observa ca
2
2
= D2 (c1 ) ;
D2 (c2 ) =
n
si deci c2 este un estimator mai bun al medie dect c1 (valorile estimatorului c2 sunt mai grupate n jurul valorii
medii ).
6.3 Estimatii suciente

S am acum cazul unei estimatii incorecte (biased) ^ (X1 ; : : : ; Xn ), pentru care
a consider
M ^ = B ( );
unde B ( ) (eroarea, sau bias-ul estimatorului ^) este o functie de volumul n al selectiei ce veric
a limn!1 B ( ) = 0.
Similar teoremei din sectiunea anterioar
a, are loc n acest caz urm atoarea:
Teorema 6.9 n ipotezele mentionate are loc inegalitatea

2
^
2 (1 + B 0 ( ))
M R 2 :
@ ln f (x; )
n R @ f (x; ) dx
Observatia 6.10 n inegalitatea anterioara se considera abaterea patratica fata de si nu fata de media M ^ =
2
B ( ), si deci M ^ nu reprezinta dispersia estimatorului ^.
Denitia 6.11 Un estimator ^ pentru care are loc egalitatea n inegalitatea anterioara se numeste estimator
sucient al parametrului necunoscut .
Sa observam c
a daca ^ este un estimator ecient al parametrului (si deci ^ este un estimator corect) atunci
bias-ul B ( ) = M ^ = 0 este identic zero, si deci ^ realizeaz
a egalitatea n inegalitatea anterioar a. Rezulta
deci c
a un estimator ecient este si un estimator sucient, dar reciproca nu este n general adev arat a.
Sa presupunem c a nu exista un estimator ecient al parametrului necunoscut al densit atii f (x; ), si deci
aceasta nu se poate scrie sub forma
ln f (x; ) = A0 ( ) (L (x) ) + A ( ) + N (x) :
Daca f
acnd o schimbare de variabil
a = h ( ) densitatea f (x; h ( )) admite un estimator ecient pentru ,
atunci ea se poate scrie sub forma
ln f (x; h ( )) = A0 ( ) (L (x) ) + A ( ) + N (x) ;
si deci
ln f (x; ) = A0 h 1 ( ) L (x) h 1 ( ) + A h 1
( ) + N (x)
= A1 ( ) L (x) + A0 ( ) + N (x) ;
unde
A1 ( ) = A0 h 1
( ) si A0 ( ) = A h 1
( ) h 1
( ) A0 h 1
( ) :
Obtinem
0 0
A1 ( ) = A00 h 1
( ) h 1
( )
0 0 0 0
A0 ( ) = A0 h 1
( ) h 1
( ) h 1
( ) A0 h 1
( ) h 1
( ) A00 h 1
( ) h 1
( )
1 0
= h ( ) A00 h 1
( ) h 1
( )
si deci
0
A0 ( )
= 0
A1 ( )
49
(deoarece ambii membrii sunt egali cu h 1 ( )).
Schimbarea de variabil
a determinata de relatia anterioar
a conduce la o estimatie ecient
a a parametrului
Pn
L (Xi )
^ = i=1 ;
n
din care folosind substitutia = h ( ) se obtine pentru estimatorul
Pn
^ = h (^ ) = h i=1 L (Xi )
n
(n general acesta va un estimator sucient al lui )
50
7 Metode de estimare a parametrilor
7.1 Metoda momentelor
Reamintim c
a dac
a X1 ; : : : ; Xn este o selectie de volum n dintr-o populatie X, am denit:
momentul de ordin k a populatiei (al variabilei aleatoare X) prin

P k
k R i 1 xi P (X = xi ) ; dac
a X v.a. discret
a (ce ia valori x1 ; x2 ; : : :)
Mk (X) = M X = 1 k
1
x f (x) dx; dac
a X v.a. continu
a cu densitatea f (x)
momentul de ordin k al selectiei prin

n
1X k
k = X
n i=1 i
Metoda momentelor (introdus a de K. Pearson, 1928) presupune estimarea parametrului necunoscut (sau a
parametrilor necunoscuti) ai distributiei populatiei X prin egalarea momentelor teoretice cu cele de selectie: M1 =
1 , M2 = 2 ; : : : ) se scriu attea ecuatii cte sunt necesare pentru determinarea parametrilor necunoscuti).
Estimatorii astfel obtinuti se numesc estimatori de moment / estimatori ai momentelor.
Exemplul 7.1 Presupunem ca X1 ; : : : ; Xn reprezinta o selectie dintr-o populatie X avnd o distributie exponentiala
cu parametru necunoscut > 0. Sa se estimeze prin metoda momentelor.
Densitatea populatiei X este n acest caz
x
e ; x 0
f (x) = :
0; x<0
Momentul de ordin nti al populatiei este deci
Z 1 Z 1 Z 1 Z 1 1
x x 0 x 1 x 1 x 1
M1 = M (X) = xf (x) dx = x e = x e dx = xe 0
+ e dx = e = ;
1 0 0 0 0
iar momentul de ordin nti al selectiei este

X1 + : : : + Xn
1 = :
n
Pentru a determina parametrul necunoscut avem nevoie de o singura ecuatie, si egalnd M1 = 1 obtinem
1 X1 + : : : + Xn
= ;
n
de unde se obtine
n
= :
X1 + : : : + Xn
Estimatorul de moment al lui este deci
^ (X1 ; : : : ; Xn ) = n
X1 + : : : + Xn
si se poate arata ca este un estimator corect (adica M ^ = ).
7.2 Metoda verosimilit

atii maxime
Fie x1 ; : : : ; xn valorile observate ale unei selectii X1 ; : : : ; Xn de volum n dintr-o populatie X avnd densitatea
f (x; ) ce depinde de parametrul necunoscut .
Denim functia de verosimilitate ca ind
L ( ) = f (x1 ; ) : : : f (xn ; ) : (56)
Metoda verosimilitatii maxime (introdus

a de R. A. Fischer, 1912) presupune c a estimatorul ^ al lui este egal
cu valoarea cu acea valoare ce maximizeaz
a functia de verosimilitate L ( ). Estimatorul astfel obtinut se numeste
estiomator de verosimilitate maxim a.
51
Observatia 7.2 n cazul n care variabila aleatoare X este discreta, n formula anterioara densitatea f (x; ) se
nlocuieste prin probabilitatea P (X = x) ca variabila aleatoare X sa ia valoarea x, si deci n acest caz functia de
verosimilitate devine
L( ) = P (X = x1 ) : : : P (X = xn )
= P (X1 = x1 ) : : : P (Xn = xn )
= P (X1 = x1 ; : : : ; Xn = xn ) ;
datorita independentei variabilelor aleatoare X1 ; : : : ; Xn .

Interpretarea metodei verosimilitatii maxime este deci ca estimatorul ^ al lui este egal cu acea valoare ce
maximizeaza probabilitatea de aparitie a valorilor observate x1 ; : : : ; xn .
Exemplul 7.3 O urna contine un numar necunoscut de bile albe si negre. Sa se estimeze probabilitatea p a
extragerii unei bile albe din urna.
Consideram o selectie de volum n din urna (cu ntoarcerea n urna a bilei extrase nainte de urmatoarea ex-
tragere). Notam cu 1 extragerea unei bile albe din urna si cu 0 extragerea unei bile negre, si deci populatia este n
acest caz descrisa de variabila aleatoare X avnd functia de probabilitate
8
< p; x=1 1 x
px (1 p) ; x = 0; 1
f (x; p) = P (X = x) = 1 p; x = 0 = :
: 0; n rest
0; n rest
Daca x1 ; : : : ; xn sunt valorile observate ale variabilelor aleatoare X1 ; : : : ; Xn ale selectiei, atunci functia de
verosimilitate este
Yn Pn Pn
1 x n i=1 xi
L (p) = pxi (1 p) i = p i=1 xi (1 p) :
i=1
Sa observam ca deoarece functia logaritm este o functie strict crescatoare, functia L (p) si atinge maximul n
acelasi punct cu functia ln L (p), si determinam n continuare punctul n care functia ln L (p) si atinge valoarea
maxima.
Punctele critice ale functiei ln L (p) sunt date de ecuatia
n n
! !
d ln L (p) d X X
= 0 () xi ln p + n xi ln (1 p) = 0
dp dp i=1 i=1
n n
!
1X 1 X
() xi n xi = 0
p i=1 1 p i=1
n
X n
X
() (1 p) xi np + p xi = 0
i=1 i=1
Pn
i=1 xi
() p= =x
n
Este usor de observat ca aceasta valoare a lui p este un punct de maxim al functiei ln L (p) (si deci si al functiei
de verosimilitate L (p)), si deci estimatorul de verosimilitate maxima este dat de
Pn
Xi
p^ (X1 ; : : : ; Xn ) = i=1 = X:
n
n mod similar calculului din exemplul anterior, n general functiile L ( ) si ln L ( ) si ating maximul n acelasi
punct . Pentru a determina deci punctul de maxim al functiei de verosimilitate L ( ) determin am punctul de
maxim al functiei ln L ( ). Dac
a aceast
a functie este derivabil
a, atunci punctul de maxim este un punct critic, si
deci veric
a ecuatia
Xn
d ln L ( ) @ ln f (xi ; )
= 0 () = 0; (57)
d i=1
@
numit
a ecuatia verosimilit
atii maxime.
52
Exemplul 7.4 Sa se determine parametrul al distributiei Poisson a unei populatii X folosind o selectie de volum
n din aceasta populatie.
Fie x1 ; : : : ; xn sunt valorile observate ale unei selectii X1 ; : : : ; Xn din populatia X. Deoarece functia de proba-
bilitate este n acest caz x
f (x; ) = P (X = x) = e ; x 2 f0; 1; 2; : : :g ;
x!
ecuatia verosimilitatii maxime devine
Xn
d ln L ( ) @ ln f (xi ; )
= 0 () =0
d i=1
@
Xn
@
() ( + xi ln ln (xi !)) = 0
i=1
@
n
X xi
() 1+ =0
i=1
n
1X
() n+ xi = 0
i=1
Pn
i=1 xi
() = =x
n
Obtinem deci estimatorul de verosimilitate maxima
Pn
^ (X1 ; : : : ; Xn ) = i=1 Xi
= X:
n
Are loc urm
atoarea:
Teorema 7.5 Daca exista o estimatie ecienta a parametrului necunoscut , atunci ea coincide cu cu estimatia
de verosimilitate maxima ^.
Demonstratie. Conform Teoremei 6.5, exist

a un estimator ecient al lui dac
a si numai dac
a densitatea f (x; )
a populatiei se poate scrie sub forma
ln f (x; ) = A0 ( ) (L (x) ) + A ( ) + N (x) ;
si n acest caz un estimator ecient al lui este dat de

Pn
i=1 L (Xi )
(X1 ; : : : ; Xn ) = :
n
Ecuatia verosimilit
atii maxime devine n acest caz
Xn
@ ln L ( ) @ ln f (xi ; )
= 0 () =0
@ i=1
@
n
X
() (A00 ( ) (L (xi ) ) A0 ( ) + A0 ( )) = 0
i=1
Pn
i=1 L (xi )
() = ;
n
si deci estimatorul de verosimilitate maxim
a
Pn
^ (X1 ; : : : ; Xn ) = i=1 L (xi )
n
coincide cu estimatorul ecient (X1 ; : : : ; Xn ).
Se poate demonstra urm atoarea:
53
Teorema 7.6 Daca exista o estimatie sucienta a parametrului necunoscut , atunci orice estimatie de verosimil-
itate maxima ^ este o anumita functie de (adica ^ (X1 ; : : : ; Xn ) = ' (X1 ; : : : ; Xn ) ).
Ca o alt
a aplicatie a metodei verosimilit
atii maxime, consider
am urm
atorul exemplu.
2
Exemplul 7.7 Sa se estimeze parametrii distributiei normale N ; folosind metoda verosimilitatii maxime.
n general,pentru valori mari ale volumului selectiei, metoda verosimilit atii maxime produce un estimator aprox-
imativ corect si ecient, ce are o distributie aproximativ normal a. Exemplul anterior arat a c
a estimatorul de
verosimilitate maxim a a lui c 2 este 2
vericaM c2 n 1 2
= n 2
, si deci este un estimator aproximativ corect.
O alta proprietate a metodei verosimilit atii maxime este c a 1 ; : : : ; bk sunt estimatori de verosimilitate max-
a dac b
ima a parametrilor 1 ; : : : ; k , atunci estimatorul de verosimilitate maxim a pentru ' ( 1 ; : : : ; k ) este ' b1 ; : : : ; bk .
P P 2
n exemplul anterior am obtinut ^ = n1 i=1 Xi si c2 = n1 i=1 Xi X , si deci un estimator de verosimilitate
n n
p p q
c Pn 2
maxim a pentru abaterea p atratica medie = 2 este dat de b = 2 = n1 i=1 Xi X .
54
8 Intervale de ncredere
n cursul anterior am determinat diverse estim ari ^ ale parametrului necunoscut al densit atii unei populatii X,
folosind o selectie X1 ; : : : ; Xn a acestei populatii.
n practic a, valoarea calculat a ^ (x1 ; : : : ; xn ) a lui ^ (X1 ; : : : ; Xn ) folosind valorile observate x1 ; : : : ; xn ale selectiei
X1 ; : : : ; Xn nu coincide aproape niciodat a cu valoarea real a a parametrului necunoscut .
Ne punem problema ct de apropiat a este ^ de valoarea real a a lui , n sensul determin arii unui interval (L; U )
(L = L (X1 ; : : : ; Xn ) si U = U (X1 ; : : : ; Xn ) sunt variabile aleatoare ce depind de variabilele aleatoare X1 ; : : : ; Xn
ale selectiei) astfel nct 2 (L; U ) cu o probabilitate dat a, adic a
P (L < < U) = 1 ;
pentru o valoare 2 (0; 1) xat a.
nlocuind variabilele aleatoare X1 ; : : : ; Xn prin valorile observate x1 ; : : : ; xn obtinem l = L (x1 ; : : : ; xn ) si u =
u (x1 ; : : : ; xn ), si numim intervalul (l; u) un interval de 100 (1 ) % ncredere pentru parametrul necunoscut .
n general, se poate determina un interval de ncredere pentru parametrul necunoscut dac a exist a o variabil a
aleatoare = g (X1 ; : : : ; Xn ; ) cu propriet atile:
1. Functia g depinde netrivial de selectia X1 ; : : : ; Xn si ;
2. Distributia lui nu depinde de sau de alti parametrii necunoscuti.
n aceste ipoteze, determinarea unui interval de 100 (1 ) % ncredere pentru se face astfel: se determin
a
constantele cL si cU astfel nct
P (cL g (X1 ; : : : ; Xn ; ) cU ) = 1 ;
si se rezolv
a dubla inegalitate n raport cu pentru a obtine
P (L (X1 ; : : : ; Xn ) U (X1 ; : : : ; Xn )) = 1 :
Variabilele aleatoare L si U astfel obtinute dau valorile l si u ale intervalului (l; u) de 100 (1 ) % ncredere
pentru parametrul necunoscut .
8.1 Intervale de ncredere pentru media unei populatii normale cu dispersie cunos-
cut
a
Consideram cazul unei populatii X avnd o distributie normal a N ; 2 cu dispersie cunoscut a 2 si medie
necunoscut a . Dac a X1 ; : : : ; Xn este o selectie de volum n din populatia X, atunci suma X1 + : : : + Xn este tot
o variabil
a aleatoare normal a (deoarece X1 ; : : : ; Xn sunt variabile normale independente), cu medie n si dispersie
n 2 . Rezulta c
a variabila aleatoare
X1 +:::+Xn
X1 + : : : + Xn n n X
Z= p = =
n p
n
p
n
este o variabil
a aleatoare normal
a standard (medie 0 si dispersie 1).
Pentru 2 (0; 1), consideram punctul z 2 R cu proprietatea c a aria aat
a la dreapta acestui punct, sub gracul
x2
densit
atii normale standard f (x) = p1 e 2 , este egal
a cu . Echivalent, aria aat
a la stnga lui z este egal
a cu
2
1 , adic a Z z
1 = f (x) dx = P (Z z )= (z ) ;
1
ecuatie ce permite determinarea lui z folosind functia de distributie normal
a standard :
1
z = (1 ). (58)
Cu aceast
a alegere, rezult
a ca aria aat
a ntre punctele z =2 si z =2 este egal
a cu 1 :
P z =2 <Z<z =2 =1 P Z>z =2 P Z< z =2 =1 =2 =2 = 1 :
Xp
Cum Z = n
, rezolvnd dubla inegalitate din relatia anterioar
a n raport cu parametrul necunoscut avem
P X z =2 p < <X +z =2 p =1 ;
n n
si obtine astfel urm
atoarea.
55
Propozitia 8.1 Daca x1 ; : : : ; xn sunt valorile observate ale unei selectii X1 ; : : : ; Xn dintr-o populatie normala
X 2 N ; 2 cu dispersie cunoscuta, atunci un interval de 100 (1 ) % ncredere pentru media a populatiei
este
(l; u) = x z =2 p ;x + z =2 p
n n
unde x = x1 +:::+x
n
n
este media valorilor observate ale selectiei iar z =2 este determinat astfel nct z =2 =1 2
1
R y x2
( (y) = p2 1
e 2 dx este functia de distributie a variabilei aleatoare normale standard - a se vedea Anexele 1
si 2).
Observatia 8.2 (Alegerea volumului n al selectiei) Daca se doreste ca eroarea de estimare X sa nu

depaseasca o valoare limita E cu probabilitate (1 ), adica
P E X E =1 ;
comparnd cu intervalul de (1 ) % ncredere pentru media obtinem
E z =2 p ;
n
de unde obtinem ca volumul n al selectiei trebuie ales astfel nct

z =2 2
n :
E
Observatia 8.3 n practica, este uneori util ca n loc de intervale simetrice pentru media sa avem intervale de
marginire inferioara sau superioara pentru . Procednd n mod similar, se pot obtine urmatoarele intervale de
100 (1 ) % ncredere pentru media :
- intervale de marginire inferioara pentru : (l; 1) = x z pn ; 1
- intervale de marginire superioara pentru : ( 1; u) = 1; x + z p
n
:
8.2 Intervale de ncredere pentru medie n cazul selectiilor mari

Reamintim teorema limit a central
a: dac
a X1 ; X2 ; : : : este un sir de variabile aleatoare independente si identic
distribuite, atunci variabila aleatoare
X1 +:::+Xn
X1 + : : : + Xn n n X
p = =
n p
n
p
n
tinde n distributie c
atre o variabil
a aleatoare normal
a standard, adic
a
! Z y
X 1 x2
P <y ! (y) = p e 2 dx;
p n!1 2 1
n
oricare ar z 2 R.
Daca abaterea p
atratic
a medie a populatiei este necunoscut
a, atunci nlocuind pe prin estimatorul
s
Pn 2
i=1 Xi X
S= ;
n 1
se poate ar
ata c
a pentru n sucient de mare (n 40), variabila aleatoare obtinut
a
X
Z= N (0; 1)
pS
n
este aproximativ o variabil

a aleatoare normala standard.
Repetnd calculul din sectiunea anterioar
a obtinem deci urm
atoarea.
56
Propozitia 8.4 Pentru un volum n al selectiei sucient de mare, un interval de 100 (1 ) % ncredere pentru
media a populatiei X este
s s
(l; u) = x z =2 p ; x + z =2 p
n n
q Pn 2
i=1 (xi x)
unde x = x1 +:::+x
n
n
este media valorilor observate ale selectiei, s = n 1 este o estimare a abaterii patratice
R y x2
medii , iar z =2 este determinat astfel nct z =2 = 1 2 ( (y) = p12 1
e 2 dx este functia de distributie
a variabilei aleatoare normale standard).
8.3 Intervale de ncredere pentru media unei populatii normale cu dispersie necunos-
cut
a
Pentru a construi intervalele de ncredere n acest caz, avem nevoie de dou a tipuri de distributii continue, si anume
distributia 2 si distributia Student.
Daca X1 ; : : : ; Xn 2 N (0; 1) sunt variabile aleatoare normale standard independente, atunci distributia variabilei
aleatoare
Y = X12 + : : : + Xn2
2
se numeste distributie (chi p
atrat) cu n grade de libertate. Se poate ar
ata c
a densitatea acestui tip de variabil
a
aleatoare este
0;
x 0
f (x) = n ;1 x
cn x 2 x>0 e 2 ;
1
R1
unde cn = n este o constant
a de normare (aleas
a astfel nct 1 f (x) dx = 1).
( n2 )
22
a Y 2 2 (n) este o variabil
Dac a aleatoare 2 cu n grade de libertate si Z 2 N (0; 1) este o variabil
a aleatoare
normal
a standard, atunci distributia variabilei aleatoare
Z
T =q
Y
n
se numeste distributie Student (sau distributie T) cu n grade de libertate. Se poate arata c

a densitatea acestui tip
de variabil a aleatoare este n+1
x2 2
f (x) = cn 1 + ;
n
( n+1
2 )
R1
unde cn = n1 este o constant
a de normare (aleas a astfel nct 1 f (x) dx = 1).
( n2 )
n sectiunile anterioare am observat c a daca populatia X 2 N ; 2 este normal a, atunci variabila aleatoare
X
p
n
este o variabil
a aleatoare normal
a standard. r
Pn 2
i=1 (Xi X )
Daca abaterea p
atratic
a medie nu este cunoscut
a, atunci nlocuind pe prin estimatorul S = n 1 ,
obtinem
X
X p
n Z
T = =r =q ;
pS 2 Y
n (n 1) S2
n 1
n 1
X Pn (Xi X)
2
2
unde Z = p
2 N (0; 1) este o variabil
a aleatoare normal
a standard, iar Y = i=1 2 2 (n 1) este o
n
2
variabil
a aleatoare cu n 1 grade de libertate.
Rezult a deci ca variabila aleatoare T are o distributie Student cu n 1 grade de libertate, si alegnd ca si n
cazul distributiei normale punctul t =2;n 1 astfel nct aria de sub densitatea acestei distributii, aat
a la dreapta
acestui punct s a e egal
a cu =2, obtinem
P t =2;n 1 T t =2;n 1 =1 :
nlocuind pe T prin expresia anterioar

a si rezolvnd dubla inegalitate n raport cu media , obtinem urm
atoarea.
57
X 2 N ; 2 cu dispersie necunoscuta, atunci un interval de 100 (1 ) % ncredere pentru media a populatiei
este
s s
(l; u) = x t =2;n 1 p ; x + t =2;n 1 p
n n
q Pn 2
i=1 (xi x)
unde x = x1 +:::+x
n
n
este media si s = n 1 este abaterea patratica medie a valorilor observate ale selectiei,
iar t =2;n 1 este determinat astfel nct F t =2;n 1 = 1 2 (F (y) este functia de distributie a variabilei aleatoare
Student cu n 1 grade de libertate - a se vedea Anexa 3).
8.4 Intervale de ncredere pentru dispersia unei populatii normale

2 2
Pentru a determina un interval de ncredere pentru dispersia necunoscut
a a unei populatii normale X 2 N ;
vom folosi faptul c
a variabila aleatoare
n 2
(n 1) S 2 X Xi X
Y = 2
=
i=1
are o distributie 2 (n 1) cu n 1 grade de libertate.

2
Considernd n acest caz punctul ;n 1 cu proprietate c
a aria la dreapta sa, sub densitatea (n 1) cu n 1
grade de libertate este , avem
(n 1) S 2
P 1 =2;n 1 2 =2;n 1 =1 ;
2
de unde rezolvnd n raport cu obtinem urm
atoarea.
X 2 N ; 2 , atunci un interval de 100 (1 ) % ncredere pentru dispersia 2 a populatiei este
!
(n 1) s2 (n 1) s2
(l; u) = ;
=2;n 1 1 =2;n 1
q Pn 2
i=1 (xi x)
unde x = x1 +:::+x
n
n
este media si s = n 1 este abaterea patratica medie a valorilor observate ale selectiei,
iar ;n 1 este determinat astfel nct F ;n 1 = 1 (F (y) este functia de distributie a variabilei aleatoare
2
cu n 1 grade de libertate - a se vedea Anexa 4).
Observatia 8.7 n mod similar se pot determina intervale de ncredere de marginire inferioara sau superioara
pentru dispersie:
2
- intervale de marginire inferioara pentru 2 : (l; 1) = (n 1)s ; 1
;n 1
(n 1)s2
- intervale de marginire superioara pentru : ( 1; u) = 1; :
1 ;n 1
8.5 Intervale de ncredere pentru proportia unei populatii

Consider am ca suntem interesati de proportia membrilor unei populatii ce veric a o anumit a caracteristic
a de
interes (membrii populatiei pot verica sau nu aceast a caracteristic
a, spre exemplu dac
a prefer
a un anumit candidat
electoral, daca sunt sau nu angajati, etc).
Vom considera deci c a populatia X urmeaz a o distributie Bernoulli cu parametrul necunoscut p (p este prob-
abilitatea ca un membru al populatiei s a verice caracteristica de interes). Reamintim c a media populatiei X
(distributie Bernoulli cu parametrul p) este = M (X) = 1 p + 0 (1 p) = p si coincide deci cu parametrul
2 2 2
necunoscut p, iar dispersie este 2 = M (X p) = (1 p) p + (0 p) (1 p) = p (1 p).
Consider am o selectie X1 ; : : : ; Xn de volum n din populatia X, si deci Xi = 1 (succes) dac a observatia Xi
verica acea caracteristica de care suntem interesati, si Xi = 0 n caz contrar.
58
Media selectiei P^ = X = X1 +:::+Xn
n este un estimator corect al proportiei p a populatiei ce veric
a respectiva
caracteristic
a de interes:
n n
X1 + : : : + Xn 1X 1X
M P^ = M = M (Xi ) = p = p:
n n i=1 n i=1
Deoarece parametrul necunoscut p coincide cu media a populatiei X, pentru a determina un interval de

ncredere pentru parametrul necunoscut p proced am ca si n cazul determin arii unui interval de ncredere pentru
media unei populatii cu dispersie necunoscut a (n cazul selectiilor de volum mare, Sectiunea 8.2). Din Teorema
limit
a central
a, rezult
a c
a pentru n sucient de mare, variabila aleatoare
X1 +:::+Xn
X1 + : : : + Xn np n p P^ p
p = q =q
np (1 p) p(1 p) p(1 p)
n n
are aproximativ o distribue normala. Cum dispersia 2 = p (1 p) este necunoscut a, o nlocuim prin estimatorul
c2 = P^ 1 P^ si obtinem c ^
a pentru valori sucient de mari ale lui n, variabila aleatoare Z = q PP^ (1 pP^ ) N (0; 1)
n
are aproximativ o distributie normal
a.
Observatia 8.8 n practica, valori sucient de mari pentru volumul n al selectiei nseamna ca n^
p 15 si
n (1 p^) 15.
Alegnd ca si n cazul estim
arii mediei punctul z =2 cu proprietatea c
a aria de sub densitatea normal
a standard,
la dreapta acestui punct, este egal a cu =2, obtinem
0 1
P^ p
P @ z =2 q z =2 A = 1 : (59)
P^ (1 P^ )
n
Rezolvnd dubla inegalitate n raport cu p obtinem urm

atoarea.
Pn
i x
Propozitia 8.9 Pentru un volum n sucient de mare al selectiei, daca p^ = i=1 n este proportia observata a a
datelor selectiei populatiei ce ndeplinesc un anumit criteriu, atunci un interval de 100 (1 ) % ncredere pentru
proportia p a populatiei ce verica acest criteriu este
r r !
p^ (1 p^) p^ (1 p^)
(l; u) = p^ z =2 ; p^ + z =2
n n
Ry x2
unde z =2 este determinat astfel nct z =2 = 1 p1
2 ( (y) = e dx este functia de distributie a
2
2 1
variabilei aleatoare normale standard - a se vedea Anexele 1 si 2).
Observatia 8.10 (Alegerea volumului n al selectiei) Daca se doreste ca eroarea de aproximare P^ p sa nu

depaseasca o valoare limita E cu probabilitate cel putin (1 ), adica
P P^ p E 1 ;
q
p(1 p)
comparnd cu inegalitatea (59) scrisa sub forma echivalenta P P^ p z =2 n = 1 , se obtine
q
z =2 p(1n p) E, de unde rezolvnd pentru n obtinem conditia
z =2
2
n p (1 p) :
E
Folosind faptul ca p (1 p) 14 , obtinem eroarea de aproximare P^ p nu va depasi valoarea E cu probabilitate
cel putin (1 ) daca volumul n al selectiei este ales astfel nct
1 z =2 2 z =2 2
n p (1 p) :
4 E E
Observatia 8.11 Ca si n celelalte cazuri prezentate, nlocuind z =2 prin z se pot obtine intervale de marginire
inferioara sau superioara pentru proportia necunoscuta p.
59
8.6 Intervale de predictie
Vom considera problema determin arii unui interval de predictie a unei valori dintr-o populatie normal a X 2
N ; 2 .
Pentru aceasta, consider
am o selectie X1 ; : : : ; Xn dintr-o populatia X, si observ
am c
a valoarea Xn+1 a observatiei
viitoare veric
a
M Xn+1 X = =0
si
h 2
i 2
1
2 2 2 2
M Xn+1 X = (Xn+1 ) + X = + = 1+ ;
n n
si deci
Xn+1 X
Z= q 2 N (0; 1) :
1 + n1
q Pn
2 1 2
Dac
a dispersia nu este cunoscut
a, nlocuind prin estimatorul S = n 1 i=1 Xi X obtinem variabila
aleatoare
Xn+1 X
T = q ;
S 1 + n1
si se poate ar
ata c
a variabila aleatoare T are o distributie Student cu n 2 grade de libertate.
Pentru a obtine un interval de 100 (1 ) % ncredere pentru valoarea Xn+1 a observatiei viitoare, consider
am
punctul t =2;n 2 cu proprietatea c a aria de sub densitatea distributiei Student cu n 2 grade de libertate la dreapta
acestui punct este egala cu =2, adic a
F t =2;n 2 = 1 ;
2
unde F este functia de distributie Student cu n 2 grade de libertate (a se vedea Anexa 3).
Obtinem deci 0 1
Xn+1 X
P@ t =2;n 2 q t =2;n 2
A=1 ;
S 1 + n1
de unde rezolvnd n raport cu Xn+1 obtinem echivalent
0 1
S S
P @X t =2;n 2 q Xn+1 X +t =2;n 2 q
A=1 :
1 + n1 1+ 1
n
Un interval de predictie de 100 (1 ) % ncredere pentru observatia unei valori dintr-o populatie normal
a este
deci 0 1
s s
(l; u) = @x t =2;n 2 q ; x + t =2;n 2 q A;
1 + n1 1 + n1
q Pn 2
unde x = x1 +:::+x
n
n
este media iar s = 1
n 1 i=1 (xi x) este dispersia esantionului x1 ; : : : ; xn .
60
9 Testarea ipotezelor statistice
Un test statistic const a n obtinerea unei deductii bazat a pe o selectie din populatie prin testarea unei anumite
ipoteze (rezultata din experienta anterioara, din observatii, din teorie, sau din cerinte legate de calitatea produselor,
etc). De multe ori aceast a ipoteza este o armatie referitoare la valoarea parametrului necunoscut al densit atii
populatiei, spre exemplu media sau dispersia populatiei.
Rezultatul testarii este apoi folosit pentru luarea unei anumite decizii, cum ar decizia de cump arare a unui
anumit automobil (bazat a pe testul priving consumul de carburant), de administrare a unui anumit medicament
(bazata pe testul privind ecienta acestuia), de aplicare a unei anumite strategii de marketing (bazat a pe testul
privind reactia consumatorilor la aceast a strategie), etc.
Testarea unei ipoteze statistice este procedeul prin care folosind informatia dintr-o selectie a populatiei se ajunge
la o decizie asupra ipotezei n cauz a. Daca informatia data de selectie este consistenta cu ipoteza, atunci se accepta
ipoteza, iar n caz contrar aceasta este respins a.
Pentru a ntelege modul de aplicare a testului statistic, consider am urm atorul exemplu.
Exemplul 9.1 Dorim sa cumparam 100 km de cablu de un anumit tip, cu conditia ca specicatia producatorului
ca acest cablu are o rezistenta de rupere de = 0 = 200 kg este ndeplinita. Aceasta reprezinta testarea ipotezei
(numita ipoteza nul a) = 0 = 200. Decidem sa nu cumparam cablul daca testul statistic arata ca valoarea reala
= 1 < 200, deoarece aceasta arata ca acest tip de cablu are o rezistenta la rupere mai mica dect cea dorita.
Valoarea 1 se numeste ipoteza alternativ a a testului. Formalizam aceasta prin
H0 : = 200
H1 : < 200
Daca rezultatul testului sugereaza ca ipoteza nula H0 este adevarata, vom accepta aceasta ipoteza, iar n caz
contrar o vom respinge (si vom accepta deci ipoteza alternativa H1 ).
Trebuie avut nsa n vedere ca vericarea cu siguranta a ipotezei considerate este imposibila n practica (cu
exceptia cazului cnd se poate selecta ntreaga populatie), si deci vericarea ipotezelor statistice trebuie avuta n
vedere probabilitatea luarii unei decizii gresite: vom nota prin probabilitatea de a respinge ipoteza nula H0 cnd
de fapt aceasta este adevarata. Valoarea se numeste nivelul de semnicatie al testului.
Selectnd n mod aleator 25 de role de cablu, si taind cte o bucata din ecare, obtinem un esantion de volum
n = 25 din populatia considerata. Daca se masoara rezistenta la rupere a ecarei bucti de cablu, obtinem spre
exemplu rezistenta medie de rupere x = 197 kg si abaterea patratica medie s = 6 kg.
Ne punem problema daca diferenta 197 200 = 3 este datorata anumitor factori aleatori (erori de masurare,
spre exemplu), sau daca ea este semnicativa pentru populatia studiata.
Daca presupunem ca rezistenta cablului este o variabila aleatoare normala N ; 2 , n ipoteza ca = 0 = 200
(adica daca ipoteza nula este adevarata), variabila aleatoare
X 0
T =
pS
n
este o variabila aleatoare Student cu n 1 grade de libertate.

Deoarece n acest caz este importanta respingerea ipotezei nule cnd valoarea medie a esantionului este mica
(cnd cablul nu are rezistenta dorita), pentru un nivel de semnicatie = 5% xat, folosind Anexa 3 determinam
valoarea constantei c astfel nct F (c) = P (T c) = = 0:05, obtinnd c = 1:71 (deoarece valoarea 0:05 < 0:5,
pentru a determina pe c folosind Anexa 3, folosim faptul ca distributia Student este simetrica fata de origine, si
determinam c~ astfel nct F (~ c) = 1 0:05 = 0:95; adica c~ = 1:71. Valoarea lui c este deci c = c~ = 1:71. A se
vedea Figura 15).
Ideea testului este urmatoarea: daca ipoteza nula este adevarata, probabilitatea ca o valoare calculata t a lui T sa
e mai mica dect c = 1:71 este = 0:05 (probabilitatea este aproape nula). Deci, daca pentru selectia considerata
observam ca valoarea t este mai mica dect c = 1:71, armam ca ipoteza nula nu poate adevarata si respingem
aceasta ipoteza, adica acceptam ipoteza alternativa. Daca nsa t c, atunci acceptam ipoteza nula.
n cazul concret prezentat avem1
x 0 197 200 5
t= = = = 2:5 < 1:71;
ps 6 2
25 5
rP
n
1 nlocuim X1 +:::+Xn i=1 (X i X)
X= n
(media selectiei) si S = n 1
(dispersia selectiei) prin valorile observate x = 197 si s = 6.
61
Figure 15: Functia de densitate a distributiei Student este simetric
a fat
a de origine.
si deci respingem ipoteza nula = 0 = 200 si acceptam ipoteza alternativa = 1 < 200.
Exemplul anterior ilustreaz

a etapele parcurse n elaborarea unui test statistic, si anume:
1. Se formuleaz
a ipoteza nul
a( = 0 n exemplul anterior)
2. Se formuleaz
a ipoteza alternativ
a( < 0 n exemplul anterior)
3. Se alege un nivel de semnicatie dorit (spre exemplu 5%; 1%, 0:1%, etc)
4. Se determin a o variabila aleatoare ^ = g (X1 ; : : : ; Xn ) ce depinde de parametrul necunoscut al populatiei,
arei distributie nu depinde de . Folosind distributia variabilei aleatoare ^ se determin
dar a c a valoarea critic
a
c (P (T c) = n exemplul anterior)
5. Pentru valori x1 ; : : : ; xn ale esantionului, se determin a ^ = g (x1 ; : : : ; xn ) a lui ^ .

a valoarea observat
6. Se accept a, n functie de valorile concrete a lui ^ si c (n exemplul anterior, se

a sau se respinge ipoteza nul
respinge ipoteza nula dac
a t < c)
9.1 Diferite ipoteze alternative

S
a presupunem parametrul necunoscut al populatiei studiate este , si c
a ipoteza nul
a testat
a este = 0. n
principiu, n acest caz exist
a trei ipoteze alternative, si anume:
(1) > 0
(2) < 0
(3) 6= 0
(1) si (2) se numesc ipoteze alternative unilaterale, iar (3) se numeste ipotez a alternativ
a bilaterala.
n cazul ipotezei alternative (1), valoarea critic a c trebuie aleasa la dreapta lui 0 , pentru c
a n acest caz valorile
din ipoteza alternativ a se aa la dreapta lui 0 (a se vedea Figura 16). Regiunea pentru care se accept a ipoteza
nula (la stnga lui c n acest caz) se numeste regiune de acceptare, iar regiunea pentru care se respinge ipoteza
nula (la dreapta lui c n acest caz) se numeste regiune de respingere. Valoarea c care separ a aceste regiune se
numeste valoare critic a.
n mod similar, n cazul ipotezei (2), valoarea critic a c trebuie aleas a la stanga lui 0 , iar n cazul ipotezei
alternative (3), valorile critice c1 si c2 trebuie alese de o parte si de alta a lui 0 .
Toate cele trei ipoteze alternative prezentate apar n probleme practice, cum ar :
- atunci cnd este important ca valoarea lui s a nu depaseasc
a o valoarea maxim a admisa 0 (spre exemplu
tensiunea maxim a de alimentare a unui circuit electric), se alege ipoteza alternativ a (1)
- atunci cnd este important ca valoarea lui s a nu e mai mic a dect o valoare minim a admis a 0 (ca n
exmplul anterior), se alege ipoteza alternativ a (2)
- atunci cnd este important ca valoarea lui s a aib
a exact dimensiunea dorit a (spre exemplu diametrul unui
surub trebuie s a aib
a o dimensiune precis a pentru a putea nletat), se alege ipoteza alternativ a (3).
62
Figure 16: Cele trei tipuri de ipoteze alternative: (1) > 0 (sus), (2) < 0 (mijloc) si (3) 6= 0 (jos).
9.2 Erori n testarea ipotezelor

n testarea ipotezelor apare riscul a dou
a tipuri de decizii eronate:
(I) Respingerea ipotezei nule atunci cnd ea este adev

arata (numita eroare de tip I). Not
am cu probabilitatea
unei erori de tip I, adic
a
P (se respinge H0 j H0 este adevarat
a) =
(II) Acceptarea ipotezei nule atunci cnd ea este fals

a (numita eroare de tip II). Not
am cu probabilitatea unei
erori de tip II, adic
a
P (se accept a H0 j H0 este fals
a) =
Cu toate c a nu putem elimina aparitia acestor dou a tipuri de erori, putem alege nivele acceptabile de aparitie a
acestor erori, si .
Spre exemplu, s a consider am cazul testarii ipotezei = 0 n cazul ipotezei alternative = 1 > 0 (celelate
cazuri sunt similare).
Alegem o valoare critic a corespunz am valoarea ^ = g (x1 ; : : : ; xn )
atoare, si pentru un esantion xat x1 ; : : : ; xn calcul
pentru o anumit a functie g (spre exemplu, n cazul n care reprezint a media, alegem g (x1 ; : : : ; xn ) = x = x1 +:::+x
n
n
).
Daca ^ > c respingem ipoteza nul a ^ c o accept
a, iar dac am.
Valoarea ^ este valoarea observat a a variabilei aleatoare ^ = g (X1 ; : : : ; Xn ), deoarece x1 ; : : : ; xn sunt valorile
observate ale selectiei X1 ; : : : ; Xn .
n cazul unei erori de tip I, ipoteza nul a este respins a desi ea este adev
arat a (adica = 0 ), si deci probabilitatea
acestei erori este
P ^ (X1 ; : : : ; Xn ) > c = 0 = ;
iar se numeste nivelul de semnicatie al testului.

n cazul unei erori de tip II, ipoteza nul
a este acceptat a desi ea este fals
a (adic
a = 1 ), si deci probabilitatea
acestei erori este
P ^ (X1 ; : : : ; Xn ) c = 1 = ;
iar = 1 se numeste puterea testului ( este probabilitatea de a respinge ipoteza nul a atunci cnd ea este
falsa).
Probabilitatile si din formulele anterioare depind de valoarea lui c, si este dorit ca valoarea lui c s a e
astfel aleasa nct ambele probabilit ati s
a e ct mai mici. Acest lucru nu este ns a posibil, deoarece pentru ca
probabilitatea s a e minim a, c trebuie ales ct mai mare (spre dreapta lui 0 ), si atunci probabilitatea creste.
n practic
a, se alege o valoare convenabil a pentru (spre exemplu = 5% sau 1%), se determin a valoarea lui c,
si apoi se calculeaz a valoarea lui . Dac a valoarea obtinut a este prea mare, atunci se repet a testul, considernd
o selectie de volum mai mare.
Daca ipoteza alternativ a nu este de forma = 1 ci de una din formele (1) (3), atunci probabilitatea este o
functie de (numit a caracteristic a de operare). Gracul acestei functii (numit curb a caracteristic a) permite
determinarea probabilit atii pentru o anumit a valoarea a lui (si al volumului n al selectiei).
63
9.3 Test pentru media a unei populatii normale cu dispersie cunoscut
a
2 2
Presupunem c
a populatia X 2 N ; este normal
a cu dispersie cunoscut
a, si consider
am spre exemplu cazul
testului
H0 : = 0
H1 : 6 = 0
pentru media a populatiei (cazul ipotezelor alternative < 0 , respectiv > 0 este similar).
X1 +:::+Xn
Daca X1 ; : : : ; Xn este o selectie a populatiei X 2 N ; 2 , rezult
a c
a media de selectie X = n este o
2 2
variabil
a aleatoare normal
aN ; n cu medie si dispersie n . Dac
a ipoteza nul
a este adev
arat
a (adic
a = 0 ),
variabila aleatoare
X 0
Z= 2 N (0; 1)
p
n
este o variabil
a aleatoare normal
a standard.
Pentru un nivel de semnicatie xat, determin am punctul z =2 cu proprietatea c
a aria de sub densitatea
normala standard, la dreapta acestui punct, este egal
a cu =2, adic
a
z =2 =P Z z =2 =1
2
unde este functia de distributie normal a standard (a se vedea Anexa 1 sau Anexa 2).
Folosind faptul c
a distributia normal
a standard este simetric
a fat
a de origine, obtinem c
a dac
a ipoteza nul
a este
adev
arat
a, atunci !
X 0
P z =2 z =2 = 1 ;
p
n
sau echivalent (rezolvnd dubla inegalitate n raport cu X)
P 0 z =2 p X 0 +z =2 p =1 :
n n
Testul este deci urm atorul: pentru valori observate x1 ; : : : ; xn ale selectiei X1 ; : : : ; Xn , se calculeaz
a media
x1 +:::+xn
x= n . Dac
a valoarea calculat a x apartine regiunii de respingere 1; 0 z =2 n [ 0 + z =2 pn ; 1
p
se respinge ipoteza nul a (si deci se accepta ipoteza alternativ a 6= 0 ), iar n caz contrar se accept a ipoteza nul
a
= 0.
Denim P -valoarea testului ca ind egal a cu cel mai mic nivel de semnicatie pentru care se respinge ipoteza
nul
a pentru un esantion x1 ; : : : ; xn xat. n cazul prezentat, aceasta revine la
!
x 0 x 0
x = 0 z =2 p () z =2 = () =1 ;
n p
n
p
n
2
x
adic
a =2 1 p
0
.
n
Exemplul 9.2 Fie X o populatie cu o distributie normala avnd dispersie cunoscuta 2 = 9. Folosind un esantion
de volum n = 10 cu medie x; sa se testeze ipoteza nula = 0 = 24 n cazul ipotezei alternative
(a) > 0 (b) < 0 (c) 6= 0:
Consideram nivelul de semnicatie = 5%. Un estimator al mediei este

X1 + : : : + Xn
X= ;
n
iar daca ipoteza nula este adevarata, atunci X este o variabila aleatoare normala cu medie = 24 si dispersie
2
n = 0:9, si folosind Anexa 2 se determin a valoarea lui c dupa cum urmeaza.
64
Cazul (a). n acest caz, determinam valoarea lui c astfel nct P X > c = 24 = = 0:05, adica
c 24
P (X cj = 24) = p =1 = 0:95:
0:9
Folosind Anexa 2 se determina cp0:9 24

= 1:645, si deci c = 25:56. Daca media esantionului x 25:56, ipoteza
nula este acceptata, iar daca x > 25:56 ea este respinsa.
Puterea testului este data de
25:56
( ) = P X > 25:56 6= 24 = 1 P X 25:56 6= 24 = 1 p :
0:9
Cazul (b). n acest caz, determinam valoarea lui c astfel nct
c 24
P (X cj = 24) = p = = 0:05:
0:9
Folosind Anexa 2 se determina cp0:9 24

= 1:645, si deci c = 22:44. Daca media esantionului x 22:44, ipoteza
nula este acceptata, iar daca x < 22:44 ea este respinsa.
Puterea testului este
22:44
( ) = P X 22:44 6= 24 = p :
0:9
Cazul (c).Cum distributia normala este simetrica fata de origine, determinam constantele c1 si c2 astfel nct
sa e egal departate fata de media 0 = 24, adica vom considera c1 = 24 k si c2 = 24 + k si determinam constanta
k astfel nct
k k
P 24 k X 24 + k = 24 = p p =1 = 0:95.
0:9 0:9
Folosind Anexa 2, obtinem pk0:9 = 1:960, sau k = 1:86, si deci c1 = 24 1:86 = 22:14 si c2 = 24 + 1:86 = 25:86.
Daca media x a esantionului este cuprinsa ntre c1 si c2 , acceptam ipoteza nula, iar n caz contrar o respingem.
Puterea testului este
( ) = P X < 22:14 6= 24 + P X > 25:86 6= 24

22:14 25:86
= p +1 p :
0:9 0:9
n practica, daca crestem volumul n al esantionului (spre exemplu de la n = 10 la n = 100), valoarea erorii
( )=1 ( ) scade. n functie de problema n cauza, volumul n al selectiei se alege astfel nct valoarea erorii
( ) sa e acceptabila (n caz contrar, se alege un esantion de volum mai mare si se repeta testul).
9.4 Test pentru media a unei populatii normale cu dispersia necunoscut

a
2 2
Presupunem c a populatia X 2 N ; este normal
a cu dispersie necunoscut
a, si consider
am spre exemplu
cazul testului
H0 : = 0
H1 : 6 = 0
pentru media a populatiei (cazul ipotezelor alternative < 0 , respectiv > 0 este similar).
Cum dispersia 2 a populatiei este necunoscuta, proced
am n mod
q similar cazului dispersiei cunoscute, nlocuind
1
Pn 2
abaterea p atratic
a medie (necunoscut a) prin estimatorul S = n 1 i=1 Xi X , unde X1 ; : : : ; Xn este o
selectie de volum n din populatia X.
Variabila aleatoare rezultat
a
X 0
T = S p
n
65
are n acest caz o distributie Student cu n 1 grade de libertate, si procednd n mod analog cazului anterior,
determinam punctul t =2;n 1 astfel nct aria de sub densitatea Student cu n 1 grade de libertate, la dreapta
acestui punct este egal
a cu 2 , adic
a
F t =2;n 1; =1
2
unde F este functia de distributie Student cu n 1 grade de libertate (se va folosi Anexa 3).
Testul este urm a valoarea t = xps 0 ,
atorul: pentru valori observate x1 ; : : : ; xn ale selectiei X1 ; : : : ; Xn se calculeaz
q Pn
n
x1 +:::+xn 1 2
unde x = n si s = n 1 i=1 (xi x) . Dac at2 = t =2;n 1 ; t =2;n 1 se respinge ipoteza nul a = 0,
iar n caz contrar aceasta este acceptat a.
Exemplul 9.3 Testnd rezistenta la rupere a unor frnghii pentru un esantion de volum n = 16, s-a determinat
valoarea medie x = 4482 kg si abaterea patratica medie s = 115 kg. Presupunnd ca rezistenta la rupere este o
variabila aleatoare normala, sa se testeze ipoteza = 0 = 4500 kg.
Consideram nivelul de semnicatie = 5%. Daca ipoteza nula este adevarata, atunci variabila aleatoare
X 0 X 4500
T = =
pS pS
n n
este are o distributie student cu n 1 = 15 grade de libertate.

Cum n aceasta problema este important daca media are (sau nu) valoarea minima admisa 0 = 4500, alegem
ca ipoteza alternativa < 0 = 4500.
Determinam valoarea critica c astfel nct P ( T < cj = 4500) = = 0:05. Folosind Anexa 3 determinam
c = 1:75.
Valoarea observata a variabilei aleatoare T n cazul esantionului selectat este t = 4482p1154500 = 0:626. Deoarece
16
t= 0:626 > 1:75 = c, acceptam ipoteza nula = 0 = 4500 kg.
2
9.5 Test pentru dispersia a unei populatii normale
2
Presupunem c
a populatia X 2 N ; este normal
a si dorim s
a test
am
2 2
H0 : = 0
2 2
H1 : 6 = 0
(cazul ipotezelor alternative 2 < 20 , respectiv 2

> 2
0 este similar).
Vom considera n acest caz statistica
(n 1) S 2
Y = 2 :
0
2
Dac
a ipoteza nul
a este adev
arat
a, atunci populatia X are dispersie 0, si deci
n 2
(n 1) S 2 X Xi X
Y = 2 =
0 i=1 0
are o distributie 2 cu n 1 grade de libertate.

2
Consideram punctele =2;n 1 si 1 =2;n 1 alese astfel ariile de sub densitatea cu n 1 grade de libertate,
la dreapta acestor puncte, sunt 2 , respectiv 1 2 , adic
a
F =2;n 1 =1 si F 1 =2;n 1 = ;
2 2
unde F reprezint a functia de distributie a variabilei 2 cu n 1 grade de libertate (Anexa 4).
Pentru un nivel de semnicatie xat, testul este urm atorul:
q pentru valori observate x1 ; : : : ; xn ale selectiei
(n 1)s2 Pn 2
X1 ; : : : ; Xn se calculeaza valoarea y = 2 , unde s = 1
n 1 i=1 (xi x) si x = x1 +:::+x
n
n
. Daca y 2 =
0
2 2
1 =2;n 1; =2;n 1 se respinge ipoteza nul
a = 0, iar n caz contrar aceasta este acceptat
a.
66
Exemplul 9.4 Folosind un esantion dintr-o populatie normala, de volum n = 15 avnd dispersie s2 = 13, sa se
testeze ipoteza nula 2 = 20 = 10 n cazul ipotezei alternative 2 = 21 = 20.
Consideram un nivel de semnicatie = 5%. Daca ipoteza nula este adevarata, atunci variabila aleatoare
S2 S2
Y = (n 1) 2 = 14 = 1:4S 2
0 10
este o variabila aleatoare 2 cu n 1 = 14 grade de libertate.

Folosind Anexa 4 cu n 1 = 14 grade de libertate determinam valoarea constantei c astfel nct P (Y > c) =
= 0:05, sau echivalent P (Y c) = 1 = 0:95. Obtinem c = 23:86.
n cazul esantionului selectat obtinem valoarea y = 1:4s2 = 1:4 13 = 18:2 < 23:86 = c, si deci n acest caz
acceptam ipoteza nula 2 = 20 = 10.
Observatia 9.5 Att n cazul testului pentru media unei populatii normale cu dispersie necunoscuta, ct si n cazul
testului pentru dispersia unei populatii normale, pentru a calcula puterea testului este nevoie de tabele suplimentare
(pentru distributia Student, respectiv pentru distributia 2 ). n acest curs nu vom studia aceste probleme.
9.6 Test pentru proportia unei populatii

Presupunem c a suntem interesati n testarea unei anumite caracteristici a populatiei X. Pentru o selectie X1 ; : : : ; Xn
a populatiei, notnd cu N num arul de observatii ce ndeplinesc caracteristica respectiv a si cu p proportia necunoscut a
a populatiei ce veric a caracteristica de interes, rezult a ca variabila aleatoare N 2 Bin (n; p) are o distributie
populatia binomial a cu parametrii n si p, si din teorema limita central
a rezult
a c
a pentru valori n mari ale volumului
selectiei, variabila aleatoare
N np
Z=p
np (1 p)
este aproximativ o variabil
a aleatoare normal
a standard.
Pentru a testa deci ipoteza
H0 : p = p0
H1 : p=6 p0
procednd ca si n cazurile anterioare, obtinem urmatorul test.

Pentru valori observate ale esantionului si pentru un nivel de semnicatie xat, se calculeaz a valoarea core-
atoare z = p N np0
spunz a variabilei aleatoare z; dac
a z 2= z =2 ; z =2 se respinge ipoteza nul
a, iar n caz
np0 (1 p0 )
contrar se aceasta este acceptat
a.
67
10 Regresia liniar
a
n sectiunile anterioare am considerat experimente pentru care am observat o singur a cantitate (variabil a) aleatoare,
iar esantioanele respective au constat din date reprezentate de numere reale x1 ; : : : ; xn . n aceast a sectiune vom
considera experimente n care suntem interesati de doua cantit ati (variabile) aleatoare, si deci esantioanele respective
vor reprezentate de perechi de numere reale (x1 ; y1 ) ; : : : ; (xn ; yn ).
Vom distinge dou a tipuri de experimente:
1. n analiza de corelatie ambele cantit ati sunt variabile aleatoare si suntem interesati de relatiile dintre
acestea. Spre exemplu, leg atura dintre variabilele aleatoare X si Y reprezentnd uzura rotilor din fat a ale
unei masini, ntre notele X la Matematica si notele Y la Fizic
a ale studentilor, etc.
2. n analiza regresiv a una din cele doua variabile (spre exemplu x) este privita ca o variabil
a ce poate
masurata (determinata) cu precizie, numit
a variabila independent a, si suntem interesati de modul cum
cealalt
a variabil
a (numita variabila dependent a) depinde de aceasta. Spre exemplu suntem interesati de
modul cum depinde tensiunea Y n functie de vrsta x, de aportul de crestere Y al animalelor n functie de
cantitatea zilnic
a de hrana x, etc.
n general, ntr-un anumit experiment alegem valorile x1 ; : : : ; xn si apoi observ am valorile y1 ; : : : ; yn ale unei
variabile aleatoare Y , obtinnd astfel un esantion (x1 ; y1 ) ; : : : ; (xn ; yn ). n analiza regresiv
a suntem interesati de
dependenta variabilei aleatoare Y de x, mai precis de dependenta mediei = (x) a variabilei aleatoare Y de x.
Vom considera cazul cel mai simplu, si anume cazul unei dependente liniare
(x) = k0 + k1 x; (60)
unde k0 si k1 sunt constante ce urmeaza a determinate folosind datele de esantionare.

Pentru aceasta, reprezent am grac punctele (x1 ; y1 ) ; : : : ; (xn ; yn ) rezultate din esantionare, si determin
am
dreapta ce aproximeaz a cel mai bine aceste puncte, obtinnd astfel valorile k0 si k1 din (60). Pentru a deter-
mina dreapta care aproximeaz a cel mai bine cele n puncte vom folosi metoda numit a metoda celor mai mici
p
atrate.
10.1 Metoda celor mai mici p

atrate
Metoda celor mai mic p atrate este datorat a matematicianului Carl Friedrich Gauss, si presupune determinarea
dreptei astfel nct suma p atratelor distantelor punctelor (n directia vertical a) la dreapt a este minima.
Observ am c a spre exemplu n cazul esantionului (0; 1) ; (0; 1), pentru orice dreapt a de forma y = k1 x suma
p
atratelor distantelor celor dou a puncte (n directia vertical a) la aceast a dreapt a este minim a (minimum este n
acest caz 2), si deci solutia nu este unic
a (exist a o innitate de astfel de drepte). Pentru ca solutia problemei s a e
unic
a, vom presupune c a cele n valori x1 ; : : : ; xn ale esantionului (x1 ; y1 ) ; : : : ; (xn ; yn ) nu sunt toate egale.
Cu aceast a ipotez a, putem acum determina ecuatia dreptei
y = k0 + k1 x; (61)
numit
a dreapt a de regresie, astfel nct suma p atratelor distantelor punctelor (n directia vertical
a) la aceast
a
dreapt
a s
a e minim a.
Pentru aceasta, observ am ca distanta punctului (xi ; yi ) (n directia vertical
a) la dreapta y = k0 + k1 x este
jyi k0 k1 xi j, si deci suma p
atratelor acestor distante este
n
X 2
D= (yi k0 k1 xi ) :
i=1
Pentru a obtine minimul acestei expresii, conform teoremei lui Fermat derivatele n raport cu k0 si k1 trebuie
s
a e nule, de unde obtinem sistemul
@D
@k0 = 0 ;
@D
@k1 = 0
sau echivalent Pn
2 Pi=1 (yi k0 k1 xi ) = 0
n :
2 i=1 xi (yi k0 k1 xi ) = 0
68
Sistemul anterior se mai poate scrie sub forma
Pn Pn
k0 nP+ k1 i=1 xP
i = i=1 yiP
n n n :
k0 i=1 xi + k1 i=1 x2i = i=1 xi yi
Determinantul acestui sistem liniar (n necunoscutele k0 si k1 ) este

P X X 2 X
n
P P x2i = n 2
x2i xi = n (xi x) 6= 0;
xi xi
datorita ipotezei c
a cele n valori x1 ; : : : ; xn nu sunt toate egale. Rezult a deci c
a sistemul anterior are solutie unic
a,
si observ
am ca din prima ecuatie a sistemului, prin mp artire cu n obtinem
n n
1X 1X
k0 = yi k1 xi = y k1 x;
n i=1 n i=1
unde
x1 + : : : + xn y1 + : : : + yn
x= si y= :
n n
Pentru a-l determina pe k1 , folosind regula lui Cramer, avem
P
n
P P yi P P P
P P P
xi xi yi n xi yi xi yi xi yi n1 xi yi (n 1) sxy sxy
k1 = P 2 = P 2 = P 2 = = 2 ;
n (xi x) n (xi x) (xi x) (n 1) sxx sx
unde
n
X X
1 1 1X X
sxy = (xi x) (yi y) = xi yi xi yi
n 1 i=1
n 1 n
Xn X
1 2 1 1 X 2
s2x = (xi x) = x2i xi :
n 1 i=1
n 1 n
Am obtinut astfel urm

atoarea.
Propozitia 10.1 Dreapta de regresie are ecuatia
y y = k1 (x x) (62)
unde
x1 + : : : + xn y1 + : : : + yn
x= si y= (63)
n n
si
sxy
k1 = ; (64)
s2x
cu
1 X 1X X 1 X 1 X 2
sxy = xi yi xi yi si s2x = x2i xi : (65)
n 1 n n 1 n
Exemplul 10.2 Scaderea volumului y (n procente) pentru diferite valori x ale presiunii (n atmosfere) a fost
determinata conform tabelului urmator.
xi yi
4; 000 2:3
6; 000 4:1
8; 000 5:7
10; 000 6:9
Folosind formulele din propozitia anterioara determinam
x1 + : : : + x4 28; 000 y1 + : : : + y4 19:0
x= = = 7; 000 , y= = = 4:75;
4 4 4 4
69
si
1 28; 0002 20; 000; 000 1 28; 000 19:0 15; 400
s2x = 216; 000; 000 = , sxy = 148; 400 = ;
3 4 3 3 4 3
si deci
sxy 15; 400
k1 = = = 0:00077:
s2x 20; 000; 000
Ecuatia dreptei de regresie este deci
y 4:75 = 0:00077 (x 7; 000) () y = 0:00077x 0:64:
Ecuatia obtinuta arata ca dependenta procentului mediu al scaderii volumului Y n raport cu presiunea x este
(x) = 0:00077x 0:64.
10.2 Analiz
a de corelatie
n aceasta sectiune suntem interesati de determinarea relatiei dintre dou a variabile aleatoare X si Y folosind un
esantion (x1 ; y1 ) ; : : : ; (xn ; yn ).
Vom folosi
x1 + : : : + xn y1 + : : : + yn
x= si y=
n n
pentru mediile esantioanelor,
n
X n
X
1 2 1 2
s2x = (xi x) si s2y = (yi y)
n 1 i=1
n 1 i=1
pentru dispersiile esantioanelor, si

n
X
1
sxy = (xi x) (yi y)
n 1 i=1
pentru covarianta esantioanelor.
Pentru a masura legatura dintre valorile x si y introducem coecientul de corelatie r prin
sxy
r= : (66)
sx sy
Avantajul acestei denitii (fat
a de sxy , care este de asemenea o m
asura a leg
aturii dintre valorile x si y) este c
a
valoarea lui r nu se schimb a daca nmultim valorile x si y cu o anumit
a constanta (spre exemplu trecnd de la o
unitate de masur
a la alta). Are loc urm atoarea.
Teorema 10.3 Coecientul de corelatie r verica
1 r 1;
si n plus r = 1 sau r = 1 daca si numai daca punctele (x1 ; y1 ) ; : : : ; (xn ; yn ) se aa pe o dreapta.
Teorema anterioar a arata c
a dac a coecientul de corelatie r are o valoare apropiat a de 1 sau de 1, atunci exista
o dependent
a (liniar
a) ntre valorile x1 ; : : : ; xn si y1 ; : : : ; yn . Se poate ar
ata c
a dac
a r are o valoare apropiat
a de 0,
atunci nu exista o astfel de relatie ntre valorile respective.
n mod analog denitiei coecientului de corelatie r, introducem coecientul de corelatie a dou a variabile
aleatoare X si Y prin
XY
= ;
X Y
unde h i h i
2 2 2 2
X = M (X M (x)) si Y = M (Y M (Y ))
sunt dispersiile variabilelor aleatoare X si Y , si
XY = M [(X M (X)) (Y M (Y ))] = M (XY ) M (X) M (Y )

este covarianta variabilelor aleatoare X si Y .
Similar teoremei anterioare, se poate demonstra urm
atoarea.
70
Teorema 10.4 Coecientul de corelatie a doua variabile aleatoare X si Y verica
1 1;
si n plus = 1 sau = 1 daca si numai daca punctele variabilele aleatoare X si Y sunt linear dependente (adica
Y = mX + n sau X = mY + n pentru anumite valori m; n 2 R).
Spunem c a variabilele aleatoare X si Y sunt necorelate dac a = 0 (coecientul de corelatie este egal cu 0).
Se poate ar ata c
a daca variabilele aleatoare X si Y sunt independente, atunci ele sunt necorelate (adic a = 0).
Reciproca acestui rezultat nu este n general adev arat a (adic
a dou
a variabile aleatoare necorelate nu sunt n general
independente).
Dac a ns
a n plus variabilele aleatoare X si Y sunt si normale, atunci reciproca este adev arat
a, si deci pentru
variabile aleatoare normale X si Y avem
X si Y sunt independente () = 0:
Folosind aceste rezultate, putem elabora un test statistic pentru a determina dac
a dou
a variabile aleatoare
normale X si Y sunt independente.
Pentru a testa ipoteza = 0 cu ipoteza alternativ
a > 0 proced am astfel.
1. Alegem un nivel de semnicatie (spre exemplu = 5% sau = 1%)

2. Determin
am valoarea critic
a c din ecuatia
P (T c) = F (c) = 1
(F (x) reprezint
a aici functia de distributie Student cu n 2 grade de libertate - se va folosi Anexa 3)
3. Se calculeaz
a valoarea coecientului de corelatie r din formula (66) corespunz
atoare esantionului (x1 ; y1 ) ; : : : ; (xn ; yn ).
4. Se calculeaz
a r
n 2
t=r :
1 r2
Daca t c se accept a ipoteza = 0 (adic
a X si Y sunt variabile aleatoare independente), iar n caz contrar
se respinge aceast
a ipotez
a.
Exemplul 10.5 Consideram X si Y variabilele aleatoare reprezentnd numarul de greseli n asamblare n prima
parte, respectiv n a doua parte a unui anumit proces de fabricatie.
Prespunem ca valoarea coecientul de corelatie r pentru un anumit esantion (x1 ; y1 ) ; : : : ; (x10 ; y10 ) de volum
n = 10 a fost r = 0:6. Alegnd un nivel de semnicatie = 5%, folosind Anexa 3 cu n 2 = 8 grade de libertate
determinam valoarea qcritica c din ecuatia F (c) = 1 = 0:95, si gasim c = 1:86.
8
Obtinem t = 0:6 0:64 = 2:12 > 1:86 = c. Respingem deci ipoteza nula = 0 si acceptam ipoteza > 0 (aceasta
nseamna o corelatie pozitiv a a variabilelor aleatoare X si Y ). Practic, aceasta arata ca exista o anumita legatura
ntre numarul de greseli de fabricatie din prima si din a doua parte a procesului de fabricatie (daca un muncitor
face multe/puine greseli n prima parte a procesului de fabricatie, el face de asemenea multe/putine greseli n a
doua parte a procesului de fabricatie).
Exercitii
S
a se determine si s
a se reprezinte grac dreapta de regresie si esantionul corespunz
ator n urm
atoarele cazuri.
Exercitiul 10.1 (2; 12) ; (5; 24) ; (9; 33) ; (14; 50)
Exercitiul 10.2 ( 2; 3:5) ; (0; 1:5) ; (2; 1:0) ; (4; 0:5) ; (6; 1:0)
Exercitiul 10.3 (Legea lui Ohm)
Voltaj x (volti) 30 30 60 60 90 90
Curent y (amperi) 3:1 3:2 6:3 6:5 10:0 10:1
71
Exercitiul 10.4 (Legea lui Hooke)
Forta x (kg) 1 2 3 4
Deplasare y (cm) 3:1 5:9 8:8 12:1
Exercitiul 10.5 (Conductivitatea termic

a a apei)
Temperatura x 1 10 35 60 91
Conductivitate y 0:337 0:345 0:365 0:380 0:395
Folosind formula gasita sa se determine valoarea y corespunzatoare temperaturii x = 18.
Exercitiul 10.6 (Distanta de frnare a unei masini)
Viteza x (mph) 30 40 50 60
Distanta y (ft) 160 240 330 435
Exercitiul 10.7 Sa se determine dreapta de regresie a lui y n functie de x n cazul esantionului
(10; 0:8) ; (20; 1:6) ; (30; 2:3) ; (40; 2:8) :
Exercitiul 10.8 Sa se determine dreapta de regresie a lui y n functie de x n cazul esantionului
(0; 4) ; (2; 0) ; (4; 5) ; (6; 9) ; (8; 10) :
S
a se determine media, dispersia si abaterea p
atratic
a medie a urm
atoarelor esantioane.
Exercitiul 10.9 21:0; 21:6; 19:9; 19:6; 15:6; 20:6; 22:1; 22:2
Exercitiul 10.10 0:28; 1:5; 1:2; 0:15; 2:0; 0:69; 1:2; 0:50; 0:47; 0:087
Exercitiul 10.11 Numarul de carti mprumutate de la o biblioteca a fost de 500 n ziua de Luni, 450 Marti, 480
Miercuri, 460 Joi, si 510 Vineri. Sa se testeze ipoteza ca ca numarul de carti mprumutate de la biblioteca nu
depinde de ziua saptamnii, folosind un nivel de semnicatie = 5%.
72
11 Observatii privind estimatorul S 2 al dispersiei 2
al unei populatii
normale N ; 2
Pentru a determina un estimator al dispersiei unei populatii normale si a intervalelor de ncredere pentru aceasta,
am folosit faptul c
a daca X1 ; : : : ; Xn sunt variabile aleatoare normale N ; 2 identic distribuite cu medie si
dispersie 2 , atunci estimatorul dispersiei S 2 denit prin
Pn 2
i=1 Xi X
S2 = ; (67)
n 1
1
Pn
unde X = n i=1 Xi este estimatorul mediei , are proprietatea c
a
n
X
(n 1) S 2 2 2
2
= Xi X 2 (n 1)
i=1
2
este o distributie cu n 1 grade de libertate. Prezent
am n continuare o demonstratie a acestui rezultat.
Propozitia 11.1 Daca X1 ; : : : ; Xn 2 N ; 2 sunt variabile aleatoare normale independente cu medie si dis-
Pn Pn 2
persie 2 , atunci X = n1 i=1 Xi si S 2 = n 1 1 i=1 Xi X sunt de asemenea variabile aleatoare independente,
si variabila aleatoare
n
X
(n 1) S 2 2
2
= Xi X 2 2 (n 1)
i=1
2
are o distributie cu n 1 grade de libertate.
t
Demonstratie. Pentru n > 1 arbitrar xat, consider am vectorul e1 = p1n ; : : : ; p1n 2 Rn . Cum dimensiunea
spatiului vectorial Rn este n, se pot determina vectorii e2 ; : : : ; en 2 Rn astfel nct e1 ; e2 ; : : : ; e0n formeaz
1 a o baz a
e1
B e2 C
ortonormal a n Rn (adic a ei ej = ij , pentru i; j 2 f1; : : : ; ng). Considernd matricea U = B @
C avnd ca
A
en
linii vectorii e1 ; : : : ; en , rezult
a c
a matricea U este o matrice ortogonal a (adica U U t = U t U = In este matricea
unitate n Mn n (R)): elementul corespunz ator liniei i si coloanei j din matricea U U t este de fapt produsul scalar
ei ej = ij conform alegerii vectorilor ortonormali e1 ; : : : ; en , si deci U = (uij )1 i;j n = ( ij )1 i;j n = In este
matricea unitate.
Consider am variabilele aleatoare Y1 ; : : : ; Yn denite prin
0 1 0 1 0 1
Y1 X1 u11 X1 + : : : + u1n Xn
B Y2 C B C B C
B C = U B X2 C = B u21 X1 + : : : + u2n Xn C ;
@ A @ A @ A
Yn Xn un1 X1 + : : : + unn Xn
0 1 0 1
X1 Y1
B X2 C B C
sau n form a matriceal a Y = U X, unde X = B C si Y = B Y2 C.
@ A @ A
Xn Yn
Observ am ca ind o combinatie liniar a de variabile aleatoare independente, Y1 ; : : : ; Yn sunt de asemenea variabile
aleatoare normale. Putem determina usor media si dispersia variabilelor aleatoare Yi :
0 1
X n Xn Xn
M (Yi ) = M @ uij Xj A = uij M (Xj ) = uij ; (68)
j=1 j=1 j=1
si 0 1
Xn n
X n
X n
X
Var (Yi ) = 2 @ uij Xj A = 2
(uij Xj ) = u2ij 2
(Xj ) = 2
u2ij = 2
; (69)
j=1 j=1 j=1 j=1
73
t
folosind independenta variabilelor
Pn aleatoare X1 ; : : : ; Xn 2 N ; 2 si faptul c
a ei = ui1 ui2 : : : uin este
2
un vector unitar (si deci j=1 uij = ei ei = 1).
Deoarece Y1 ; : : : ; Yn sunt variabile aleatoare normale, pentru a verica independenta lor este sucient s
a veric
am
c
a ele sunt necorelate. Avem
Cov (Yi ; Yj ) = M ((Yi M (Yi )) (Yj M (Yj )))

= M (Yi Yj ) M (Yi ) M (Yj )
n n
! n
! n
!
X X X X
= M uik Xk ujl Xl uik ujl
k=1 l=1 k=1 l=1
n
X n
X
2
= (uik ujl M (Xk Xl )) uik ujl :
k;l=1 k;l=1
Observ
am c
a dac
a k 6= l, atunci datorit
a independentei variabilelor aleatoare Xk si Xl avem
2
M (Xk Xl ) = M (Xk ) M (Xl ) = = ;
iar dac
a k = l avem
M (Xk Xl ) = M Xk2
2
= M (Xk + )
2 2
= M (Xk ) + 2 M (Xk )+
2 2
= M (Xk ) + 2 (M (Xk ) )+
2 2
= +2 ( )+
2
= + 2:
Putem combina ntr-o singur

a formul
a cele dou
a expresie anterioare folosind simbolul Kronecker kl astfel
2 2
M (Xkl ) = + kl ; k; l 2 f1; : : : ng :
Obtinem deci
n
X n
X
2
Cov (Yi ; Yj ) = (uik ujl M (Xk Xl )) uik ujl
k;l=1 k;l=1
Xn n
X
2 2 2
= uik ujl + kl uik ujl
k;l=1 k;l=1
Xn n
X n
X
2 2 2
= (uik ujl ) + (uik ujl kl ) uik ujl
k;l=1 k;l=1 k;l=1
Xn
2
= (uik ujl )
k=1
2
= ei ej
2
= ij ;
ceea ce arat
a c
a Y1 ; : : : ; Yn sunt necorelate: cov (Yi ; Yj ) = 0 pentru i 6= j. Cum Y1 ; : : : ; Yn sunt variabile aleatoare
normale, aceasta arat a c a Y1 ; : : : ; Yn sunt si independente.
t
S
a observ
am c
a din alegerea lui e1 = p1 ; : : : ; p1 si din denitia variabilei aleatoare Y1 avem
n n
1 1 X1 + : : : + Xn p
Y1 = u11 X1 + : : : + u1n Xn = p X1 + : : : + p Xn = p = nX: (70)
n n n
74
S
a mai observ a S 2 admite reprezentarea echivalent
am c a
n
X
2 2
(n 1) S = Xi X (71)
i=1
Xn
2
= Xi2 2Xi X + X
i=1
n
X n
X 2
= Xi2 2X Xi + nX
i=1 i=1
n
X 2
= Xi2 2XnX + nX
i=1
n
X 2
= Xi2 nX :
i=1
De asemenea, din denitia variabilelor aleatoare Y1 ; : : : ; Yn si folosind faptul ca U este o matrice ortogonal
a,
obtinem
Xn X n
t
Yi2 = Yt Y = (U X) (U X) = Xt U t U X = Xt X = Xi2 : (72)
i=1 i=1
Folosind ultimele trei relatii de mai sus, obtinem

n
X n
X
(n 1) S 2 = Yi2 Y12 = Yi2 : (73)
i=1 i=2
Relatia (70) arat a c

a X este o functie de Y1 , iar relatia (73) arat a S 2 este o functie de Y2 ; : : : ; Yn . Cum
a c
Y1 ; : : : ; Yn sunt independente, rezult a Y1 si Y2 ; : : : ; Yn sunt independente, si deci X si S 2 sunt independente,
a c
ncheind astfel prima parte a demontratiei.
2
Pentru a ar a variabila aleatoare (n 1)S
ata c 2 are o distributie 2 cu n 1 grade de libertate, observ am c a din
relatia anterioar a avem echivalent
Xn 2
(n 1) S 2 Yi
2
= : (74)
i=2
Folosind din nou faptul ca U este o matrice ortogonal a avnd elementele primei linii egale cu p1 , comparnd
n
atii U U t = In se obtine
elementele primei coloane din cei doi membrii ai egalit
n
X n
X
1 p
uij p = i1 () uij = n i1 ; i 2 f1; : : : ; ng :
j=1
n j=1
Pn p
n particular, j=1 uij = n i1 = 0 oricare ar i 2 f2; : : : ; ng, si folosind relatiile (68) (69) rezult
a c
a
Yi
2 N (0; 1), i 2 f2; : : : ; ng, sunt variabile aleatoare normale standard. Deoarece conform demonstratiei anterioare
(n 1)S 2
ele sunt si independente, din reprezentarea (74) rezult
a c
a variabila aleatoare 2 este o sum
a de p
atrate a n 1
(n 1)S 2 2
variabile aleatoare normale standard independente, si deci conform denitiei 2 2 (n 1) este o variabil
a
aleatoare 2 cu n 1 grade de libertate.
75
Observatii
Pn 2 2
1. Ash, pag. 275 ( i=1 Xi X 2 (n 1))
76

Stat PDF

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Stat PDF

Încărcat de

Drepturi de autor:

Formate disponibile

Statistic

3 Distributii discrete clasice 19

4 Distributii continue clasice 26

6 Notiuni de teoria estimatiei 42

9 Testarea ipotezelor statistice 61

11 Observatii privind estimatorul S 2 al dispersiei 2

Denitia 1.1 Data ind o multime nevida 6= ;, numim algebr

1. F este nchisa la complementara, adica

2. F este nchisa la reuniuni numarabile, adica

Exemplul 1.2 Pentru o multime 6= ?, se verica usor ca F1 = f;; g ( -algebra minimal a) si F2 = P( ) =

unde F1 = f;; g este -algebra minimala si F2 = P( ) este -algebra maximala pe .

B = B (R) = (fA R : A multime deschisa n Rg) ; (1)

numita si -algebra Boreliana pe R.

Cteva din propriet

Propozitia 1.5 Daca F este o algebra pe , atunci au loc urmatoarele:

Denitia 1.6 Numim m

Denitia 1.7 Numim spatiu de probabilitate un triplet ( ; F; P ) unde

1. 6= ; este multimea evenimentelor elementare;

Cteva din propriet

Propozitia 1.8 Daca ( ; F; P ) este un spatiu de probabilitate, atunci au loc urmatoarele:

= f(B; B) ; (B; S) ; (S; B) ; (S; S)g

Exercitiul 1.1 Data ind o familie de multimi S P ( ), sa se demonstreze ca

este o -algebra ce contine pe S, ce coincide cu (S) ( -algebra minimala ce contine pe S).

Denitia 1.1 Dat ind sirul de evenimente A1 ; A2 ; : : : F, denim evenimentele

Are loc urm

Propozitia 1.3 Oricare ar evenimentele A1 ; A2 ; : : : 2 F are loc incluziunea

lim inf An lim sup An : (4)

Demonstratie. Pentru orice m; n 1 are loc dubla incluziune

Reunind incluziunile obtinute pentru n = 1; 2; : : :, obtinem

lim An = lim inf An = lim sup An .

iar daca (An )n 1 este un sir descrescator de evenimente atunci

Ultima armatie se demonstreaz ator de evenimente(Acn )n

Inegalitatea lim inf P (An ) lim sup P (An ) rezult

P (X 2 (a; b]) = P (a < X b) = F (b) F (a) : (10)

de unde prin scaderea lui F (a) se obtine relatia (10).

Are loc urm

1. Este nedescrescatoare, adica F (x) F (y) oricare ar x; y 2 R cu x < y.

Demonstratie. Implicatia directa - exercitiu.

X (!) = sup fy 2 R : F (y) < !g ; !2 ;

f! 2 : X (!) xg = f! 2 :! F (x)g : (11)

Daca ! F (x), din denitia variabilei aleatoare X (si faptul c

2.1 Variabile aleatoare discrete

Daca x1 ; x2 ; x3 ; : : : sunt valorile posibile (distincte) ale lui X si p1 = P (X = x1 ), p2 = P (X = x2 ) ; p3 =

Observatia 2.6 Daca X este o variabila aleatoare discreta ce ia valorile x1 ; x2 ; x3 ; : : : cu probabilitatile p1 ; p2 ; p3 ; : : :,

2. Probabilitatea ca variabila aleatoare X sa ia valori ntr-un interval I = (a; b] este data de

Motivul este urmatorul:

Dac a X este o variabil

Gracul unei distributii discrete este o functie n scar

Functia de probabilitate corespunzatoare este

2.2 Variabile aleatoare continue

spunem ca X este o variabil

1. Daca I este un interval de numere reale, atunci

2. Probabilitatea ca variabila aleatoare X sa ia valori ntr-un interval I = (a; b] este data de

3. Integrala densitatii f (x) este egala cu 1, adica

Motivul este urmatorul: Z 1

ii) Daca 1<x 1; atunci

iii) Daca x > 1 atunci

Alternativ, putem folosi relatia (23), adica

1 1 1 1 0:75 0:25 0:75 0:25

Exercitiul 2.1 Desenati gracul functiei de probabilitate

si a functiei de distributie corespunzatoare.

Exercitiul 2.7 n exercitiul anterior, sa se determine valoarea lui c astfel nct:

Exercitiul 2.20 Aratati ca daca a < b atunci P (X a) P (X b).