Documente Academic
Documente Profesional
Documente Cultură
CONSTANTIN CHILĂRESCU
OVIDIU CIORÎCĂ CIPRIAN ŞIPOŞ
STATISTICĂ
MANUAL DIDACTIC
ANUL I
2
CONTRIBUŢIE AUTORI:
3
4
CUPRINS
5
CAPITOLUL 6. ESTIMAŢII. INTERVALE DE ÎNCREDERE 91
6.1. Noţiuni de teoria estimaţiei 91
6.2. Estimarea parametrilor unei populaţii statistice 96
6.2.1. Estimarea punctuală a mediei şi varianţei 97
6.2.2. Estimarea mediei prin interval de încredere 99
6.2.3. Estimarea varianţei şi a abaterii standard prin interval de încredere 101
Probleme rezolvate şi propuse 102
BIBLIOGRAFIE 155
ANEXE 157
6
CAPITOLUL 1.
INTRODUCERE ÎN STATISTICĂ
7
În activitatea de marketing, în cercetarea pieţelor de desfacere,
producătorul este interesat dacă produsele sale au o piaţă asigurată şi cât de
mare este această piaţă. În scopul obţinerii acestor informaţii vitale, va organiza
o cercetare în rândurile posibililor beneficiari, cărora li se va solicita opinia în
legătură cu produsele în cauză. Din această cercetare efectuată asupra unui
număr limitat de beneficiari, se va putea deduce, cu ajutorul metodelor specifice
statisticii, care este cererea reală pentru produsele respective, ce preţ poate
suporta piaţa acestor produse şi multe altele.
Diversităţii acestor activităţi luate în considerare îi este opusă o trăsătură
comună a lor: ele se referă la un număr foarte mare de date, iar cercetarea se
efectuează doar pe o anumită parte, adică interesul îl prezintă fenomenul
cercetat ca atare, cu toate elementele sale, dar studierea lui se realizează luând
în considerare numai o parte din aceste elemente. Se deduce de aici că statistica
abordează fenomenul în ansamblul său, fără însă a-l cerceta în întregime.
Elementul fundamental al acestei cercetări îl reprezintă, deci, o mulţime
de individualităţi ale căror caracteristici vor fi supuse analizei şi care poartă
numele de populaţie statistică.
Populaţia sau colectivitatea statistică reprezintă totalitatea manifestărilor
sau a elementelor de aceeaşi natură, de aceeaşi esenţă calitativă ce compun un
fenomen ori proces economic bine individualizat. Populaţia statistică specifică
vieţii social – economice are un caracter obiectiv, concret şi finit, strict
determinat în timp şi în spaţiu.1
Populaţia statistică este compusă din ansamblul unităţilor statistice.
Unitatea statistică reprezintă forma individuală de manifestare obiectivă a
fenomenelor şi proceselor supuse cercetării. Definiţia unităţilor statistice trebuie
să conţină cel puţin caracteristicile de identificare referitoare la concretizarea
obiectivă a unităţii (obiect, fenomen etc.), precum şi la localizarea temporală şi
spaţială a acesteia. De exemplu, dacă o unitate statistică se defineşte ca fiind o
persoană care în data de 1 ianuarie 2007 locuieşte în România, atunci înseamnă
că au fost fixate caracteristicile de identificare: concret – persoana, temporal – 1
ianuarie 2007, iar spaţial – România.
Fiecare din unităţile unei populaţii statistice are anumite trăsături, însuşiri
sau proprietăţi, numite caracteristici statistice. În general, unităţile statistice
posedă un număr foarte mare de însuşiri, dar în cadrul analizei statistice se reţin
numai acelea care prezintă interes pentru cercetarea întreprinsă.
După modul de exprimare, caracteristicile statistice pot fi cantitative
(numerice) sau calitative (atributive).
1
T. Baron, C. Anghelache, Emilia Ţiţan, Statistică, Editura Economică, Bucureşti, 1996, pag. 18
8
Caracteristicile cantitative se măsoară (cifra de afaceri, producţia,
consumul etc.), se numără (numărul de muncitori, numărul de utilaje etc.) sau se
calculează.
Caracteristicile calitative se disting prin faptul că li se observă frecvenţa
realizării (starea socială, profesia, calitatea produselor etc.).
Diferenţierea între o caracteristică exprimată cantitativ şi o caracteristică
atributivă este, uneori, convenţională. Unei caracteristici numerice i se pot
atribui, dacă se doreşte, expresii calitative, precum şi caracteristicile calitative
pot fi cuantificate numeric, pe baza unor convenţii.
După numărul valorilor posibile pe care unităţile statistice le pot
înregistra, caracteristicile sunt alternative şi nealternative.
Caracteristicile nealternative pot lua diferite valori diferite pentru
fiecare unitate în parte, în timp ce caracteristicile alternative (binomiale sau
bernoulliene) au caracter dihotomic, pot lua numai două valori (admis – respins,
da – nu etc.).2
Partea din populaţia statistică ce face obiectul cercetării statisticii se
numeşte selecţie sau eşantion şi este o submulţime reprezentativă a populaţiei.
Dacă populaţia statistică este de dimensiuni relativ mici, eşantionul se poate
confunda cu aceasta, dar acest lucru se întâmplă destul de rar în practică.
Eşantionul reprezintă ansamblul unităţilor statistice ale căror caracteristici
sunt înregistrate în planul cercetării statistice, al cărui volum este, de regulă,
considerabil mai mic decât cel al populaţiei studiate. Pentru a înţelege mai exact
noţiunea de eşantion vom da un exemplu: un producător de componente
electronice este interesat în a şti care este ponderea componentelor cu defecte în
totalul producţiei realizate. În acest scop, se va recurge la verificarea doar a unei
părţi mici din producţie, deoarece procesul de testare este distructiv. În cazul
acesta, populaţia statistică este formată din totalitatea componentelor electronice
fabricate, în timp ce eşantionul este format numai din componentele verificate.
Procesul de obţinere a eşantionului poartă numele de selecţie sau sondaj
statistic şi trebuie să îndeplinească o serie de condiţii care să asigure
reprezentativitatea acestuia, adică la o scară mai mică, eşantionul trebuie să
reproducă trăsăturile populaţiei din care provine.
Aplicarea calculelor statistice asupra datelor empirice obţinute prin
observarea statistică a populaţiei supusă cercetării, permite desprinderea
legităţilor statistice care acţionează la nivelul populaţiei respective. Acestea
exprimă numai comportamentul ansamblului de unităţi statistice şi nu a fiecărei
unităţi în parte.
2
Elisabeta Jaba, Statistica, Editura Sedcom Libris, Iaşi, 1996, pag. 19 – 20
9
Prin ordonarea şi gruparea datelor statistice după una sau mai multe
caracteristici, se obţin seriile statistice.
După conţinutul caracteristicii de grupare, seriile statistice sunt de trei
tipuri: serii de repartiţie (de distribuţie sau de frecvenţă), serii de timp (dinamice
sau cronologice) şi serii de spaţiu (teritoriale).
Seria de repartiţie după variaţia unei caracteristici numerice poate fi
discretă (pe variante) sau continuă (pe intervale). Întrucât caracteristica de
grupare ia diferite valori de la o unitate statistică la alta, ea se mai numeşte
variabilă aleatoare. Variabila aleatoare exprimă variaţia unei caracteristici
întâmplătoare pusă în evidenţă de seria statistică de repartiţie sau, pe scurt, de
repartiţia variabilei aleatoare. Cuvântul „aleator‖ semnifică faptul că nu se
poate preciza dinainte valoarea pe care o va lua variabila respectivă. Având în
vedere că fiecare eveniment, elementar sau complex, este caracterizat de o
anumită probabilitate de apariţie, valorile variabilei aleatoare vor fi însoţite de
probabilităţile asociate apariţiei lor.3
Seria de timp, dinamică sau cronologică prezintă variaţia unei
caracteristici în funcţie de timp. După timpul la care se referă datele prezentate,
pot fi serii dinamice de intervale şi serii dinamice de momente.
Seria de spaţiu este aceea în care centralizarea frecvenţelor sau a valorii
individuale ale caracteristicii studiate se face în funcţie de variaţia teritorială.
Cunoaşterea statistică a evoluţiei fenomenelor şi proceselor economice
depinde de existenţa unor informaţii pe baza cărora se face o analiză a situaţiei
reale şi se fundamentează strategiile de urmat de către factorii de decizie.
Culegerea datelor şi valorificarea informaţiilor rezultate din prelucrarea şi
analiza statistică a acestora poartă numele de cercetare statistică şi reprezintă
un proces de cunoaştere a fenomenelor de masă cu ajutorul metodelor şi
tehnicilor statistice.
Procesul de cercetare statistică reprezintă un ansamblu unitar de activităţi,
sintetizate într-un program de cercetare statistică, ce cuprinde principiile şi
problemele care trebuie rezolvate în fiecare etapă în parte.
3
C. Şipoş, C. Preda, Statistică economică, Editura Mirton, Timişoara, 2004, pag. 12 – 13
10
Capitolul 2
VARIABILE ALEATOARE
Noţiunea de variabilă aleatoare este una dintre cele mai importante concepte ale
teoriei probabilităţilor. Primul care a introdus această noţiune a fost Cebâşev
(1821-1884), pe la mijlocul secolului al XIX-lea. El a definit variabila aleatoare
astfel: ‖o variabilă reală care ia diferite valori cu diferite probabilităţi.‖
11
Probabilitatea oricărui eveniment de forma {X = s} se notează cu P (X = s) şi
din reprezentările de mai sus rezultă:
2 3 4
P (X = 3) = ,P (X = 4) = ,P (X = 5) = .
36 36 36
deoarece cele trei evenimente din reuniune sunt două câte două incompatibile.
Analog pot fi determinate şi alte probabilităţi de forma P (X = s) sau P (a ≤ X ≤
b), a, b є N. Din cele de mai sus rezultă că X este o funcţie care ia, într-adevăr,
diverse valori cu diverse probabilităţi şi ea constituie un prim exemplu de
variabilă aleatoare.
12
mediul funcţiei X).
Sintetizăm acum câteva din ideile de mai sus în următoarea definiţie generală a
variabilelor aleatoare cu valori în R.
{X<x}єA, (V)x є R.
13
K = {Ω, Ø, {1, 2}, {3, 4}}. (2.8)
1 dacă A
ϕA : Ω → {0, 1}, ϕA(ω) = 0 dacă A
1) {X<x}єK, Vx є Q;
14
2) {X ≤ x}єK, Vx є R;
3) {X>x}єK, Vx є R;
4) {a ≤ X<b}єK, Va, b є R, a ≤ b;
5) {a ≤ X ≤ b}єK, Va, b є R, a ≤ b;
6) {X є D}єK, VD єD (mulţimea deschiselor în R);
7) {X є F }єK, VF єF (mulţimea închiselor în R).
Definiţie. Vom spune că X este o variabilă aleatoare discretă dacă X(Ω) este cel
mult numărabilă. Dacă X ia doar un număr finit de valori o vom numi variabilă
aleatoare simplă.
Definiţie. Dacă X este o variabilă aleatoare reală discretă ale cărei valori
ordonate crescător sunt
x0,x1, … ,xn,…
şi dacă
p0,p1, … ,pn,…
x0 x1... xn
X
pn
(2.1)
p0 p1...
15
pi dacă pi daca x xi, i 0, 1,...
f(x)= P (X = x) =
0 daca x R \ {xi | i 0, 1,...},
(2.2)
se numeşte funcţie de frecvenţe sau funcţie de probabilitate.
xi
X (2.3)
pi iJ
x1 x 2... xn
X
pn
(2.4)
p1 p 2...
xi
X
pi iJ n
unde Jn = {1,...,n}.
pn 1
nN
16
Exemplu. Să revenim la variabila aleatoare X descrisă în exemplul de mai sus.
Conform definiţiilor anterioare, X este o variabilă aleatoare simplă. După ce
evaluăm într-o manieră similară cu cea dată în exemplul precizat mai sus toate
probabilităţile cu care X ia fiecare din cele 11 valori, se obţine următorul tablou
2 3 4 5 6 7 8 9 10 11 12
X 1 2 3 4 5 6 5 4 3 2 1
36 36 36 36 36 36 36 36 36 36 36
n
X= xiAi
i 1
m
Teorema Dacă Y= yjBj , yj є R şi Bj єK, j=1,...,m, atunci Y este o
j 1
17
Operaţiile elementare cu funcţii se transpun în mod natural şi la variabilele
aleatoare.
De exemplu, pentru cazul variabilelor aleatoare simple, avem următoarea
caracterizare:
Până acum am discutat doar despre variabile aleatoare reale, insăîntr-o manieră
similară pot fi definite şi variabile aleatoare care iau valori în spaţii mult mai
n
generale, ca de exemplu în R sau într-un spaţiu metric oarecare.
n
Pentru a nu complica prea mult lucrurile, ne vom mărgini doar la cazul lui R (n
є N). Tot de dragul simplităţii, vom construi noile noţiuni pe baza noţiunii de
variabilă aleatoare reală deja introdusă mai sus.
n
Fie (Ω, K,P ) un câmp de probabilitate şi fie X :Ω → R o funcţie. Notăm cu
X1,X2, ..., Xn cele n componente reale ale aplicaţiei X, adică
n
Xi :Ω → R , Vi =1, . . . , n,
şi
X(ω)=(X1(ω),X2(ω), ..., Xn(ω)), (V)ω є Ω.
Vom scrie prescurtat
X =(X1,X2, ..., Xn).
Definiţie. Vom spune că X este un vector aleator n dimensional dacă toate cele
n componente ale sale sunt variabile aleatoare reale.
La fel ca şi în cazul variabilelor aleatoare, vom spune că un vector aleator X :Ω
n
→ R este discret (respectiv simplu) dacă X(Ω) este o mulţime cel mult
n
numărabilă (respectiv finită) din R .
18
2.1 Funcţii de repartiţie
F (x)=
xi x
f(xi), Vx є R.
0, x x1
p1, x ( x1, x 2]
FX ( x) p1 p 2, x ( x 2, x3]
....
1, x xn
19
următoarele proprietăţi:
Definiţie. Vom spune despre două sau mai multe variabile aleatoare că sunt
identic repartizate (sau identic distribuite) dacă ele au aceeaşi funcţie de
repartiţie.
Un caz banal în care avem de-a face cu două variabile X, Y identic distribuite
este acela în care probabilitatea ca X să fie diferit de Y este 0, adică
P (X Y )= P ({ω|X(ω)= Y (ω)})=0,
sau, echivalent,
P (X = Y )=1.
Vom spune atunci că X coincide (sau este egal) cu Y aproape sigur şi vom nota
X = Y a.s.
20
Definiţie. Dacă o anumită proprietate P a unui sistem aleator are loc cu
probabilitatea 1, vom spune că P are loc aproape sigur şi notăm
Pa.s.
{a ≤ X ≤ b} = {a ≤ X<b}U{X = b}
şi că această reuniune este formată din evenimente incompatibile, obţinem
P (a ≤ X ≤ b)= P (a ≤ X<b)+ P (X = b)= F (b) − F (a)+ P (X = b).
Analog se demonstrează şi următoarele două proprietăţi. Pentru ultima
proprietate, folosind faptul că F este monotonă, avem
1
lim F (x + )= F (x+)
n
şi prin urmare
1
P ({X = x})=P( x X x n )
n 1
1 1
=limP( x X x )=lim(Ff( x )-Ff(x))=
n n
=Ff(x+)-Ff(x)
21
Şi în cazul vectorilor aleatori se poate defini noţiunea de funcţie de repartiţie în
felul următor:
n
Definiţie. Dacă X =(X1,X2, ..., Xn):Ω → R este un vector aleator n-
n
dimensional, atunci funcţia F : R → [0, 1], dată prin
F (x)= P (X1 <x1,X2 <x2,...,Xn <xn)
= P ({X1 <x1}∩{X2 <x2}∩ ... ∩{Xn <xn}),
n
pentru orice x =(x1,x2, ..., xn) є R , poartă numele de funcţia de repartiţie a
vectorului aleator X.
Teorema următoare rezumă principalele proprietăţi ale funcţiilor de repartiţie
asociate vectorilor aleatori:
1h12h 2 ......nhn F ( x) 0 ,
unde x =(x1,...,xn), h =(h1,...,hn),
nhn F (x) = F (x1,...xn−1,xn + hn) − F (x1,...xn−1,xn)
22
numărabilă de valori, variabilele continue iau, în general, toate valorile dintr-un
subinterval sau dintr-o reuniune de subintervale ale dreptei reale. Exemple de
astfel de variabile aleatoare: timpul de aşteptare al unui tramvai într-o staţie,
abscisa unui punct ales la întâmplare într-un interval [a, b](a<b) etc.
Ne vom ocupa în continuare mai ales de acele variabile aleatoare continue a
căror funcţie de repartiţie are proprietăţie de regulariate suplimentare care să
permită definirea noţiunii de densitate cât şi a unor caracteristici numerice foarte
utile în practică.
f(t)dt=1
b
F (b) − F (a)= P (a ≤ X<b)=
a
f(t)dt
Observaţie. Se poate obtine usor faptul ca pentru cazul unei variabile continue
X avem
P (X = x)= F (x+) − F (x) = 0, Vx є R şi că
P (a ≤ X<b)= P (a<X ≤ b)= P (a<X<b)
= P (a ≤ X ≤ b)= F (b) − F (a), Va, b є R,a ≤ b.
23
Propoziţie. Dacă variabila aleatoare reală X admite densitatea de repartiţie f,
atunci
‗
F = f a.p.t.
xi yi
X X
' respectiv Y Y ,
pi iJ 1 p j jJ 2
J1,J2 N.
În acest caz, independenţa acestor variabile se mai poate caracteriza astfel:
24
Observaţie. Dacă X, Y sunt variabile aleatoare discrete cu tablourile de
repartiţie de mai sus, atunci putem uşor determina tablourile de repartiţie ale
m n
variabilelor X + Y , X · Y , X − Y , X · Y (m, n єN ), αX + βY (α, β є R) etc.
De exemplu, pentru αX + βY şi X · Y vom aplica formulele:
P (αX + βY = t)=
xi yi t
P (X = xi,Y = yj)
=
xi yi t
P(X=xi)P(Y=yi),
P (X · Y = u)=
xiyi u
P (X = xi,Y = yj)
=
xiyi u
P(X=xi)P(Y=yi),
unde însumarea se face după toate perechile de valori (xi,yj) pentru care αxi
+βyj = t, respectiv xi · yj = u.
10 1 0 1
X 1 3 1 si Y 3 1
5 5 5 4 4
1 1 3 3 10 1
P (X = −1)P (Y = 1)+ P (X = 0)P (Y =0)= ,
5 4 5 4 20 2
31 13 6 3
P (X = 0)P (Y = 1)+ P (X = 1)P (Y =0)= ,
5 4 5 4 20 10
25
11 1
P (X + Y = 2) = P (X =1,Y = 1) = P (X = 1)P (Y =1)= ,
5 4 20
1 0 1 2
X+Y 3 1 3 1
20 2 10 20
In situaţiile mai complicate, faptul că suma probabilităţilor dintr-un tablou de
repartiţie este 1 ne poate ajuta la determinarea mai rapidă a ultimei probabilităţi
de calculat din acel tablou.
În mod analog se poate defini noţiunea de independenţă şi pentru mai multe
variabile aleatoare.
P (X1 <x1,X2 <x2,...,Xn <xn)= P (X1 <x1) · P (X2 <x2) ··· P (Xn <xn),
xi
X , J N
pi iJ
26
urmează că:
xi p
iJ
i
M(X)= x p
iJ
i i
r
µr (X)= M(X )= xir · pi.
iJ
r r
µr(X)= M((X − M(X)) )= (xi − M(X)) · pi
iJ
27
Observaţie. Primele două proprietăţi din teorema precedentă mai sunt
cunoscute sub denumirea de proprietatea de liniaritate a operatorului de medie,
iar a treia proprietate mai poartă numele de proprietatea de monotonie a opera-
torului de medie.
|x|· f(x)dx < ∞.
r
µ‘r (X)= M(X )=
xr · f(x)dx
28
Se mai folosesc notaţiile Mr(X), αr(X).
r r
v‘r (X)= M(|X| )=
|x| · f(x)dx
Prin urmare,
2
VAR(X)= M[X − M(X)] .
29
2 2 2 2 2
VAR(X)= M[X − M(X)] = M[X − 2XM(X)+[M(X)] ]= = M(X ) − [M(X)] .
Definiţie. Dacă X este o variabilă aleatoare care are varianta finită atunci
rădăcina pătrată a variantei este numită abaterea medie pătratică (sau ecart tip
sau deviaţie standard) şi este notată cu σ(X).
Formula c) se poate generaliza pentru cazul în care avem mai multe variabile
aleatoare în felul următor:
n
VAR ( aiXi ) =
i 1
a VAR X , (V)ai,...,an є R.
i 1
2
i i
30
Fie X, Y două variabile aleatoare reale definite pe câmpul de probabilitate (Ω,
K,P ).
Definiţie. Covarianţa variabilelor X şi Y se defineşte prin relaţia:
Cov(X, Y )= M [(X − M(X)) · (Y − M(Y )) ]
Cov(X, Y )=0.
31
Demonstraţie. Se ştie că pentru variabile independente media produsului este
produsul mediilor, prin urmare, utilizând formula de calcul a covariantei, se
obţine concluzia dorită.
Cov( X , Y )
( X ,Y )
VAR ( X ) VAR (Y )
a 1 daca a0
ρ(X, Y ) = =
a 1 daca a0
Prin urmare, dacă corelaţia a două variabile aleatoare este în modul foarte
aproape de 1, putem spune că între cele două variabile există o dependenţă
foarte puternică, poate chiar de tip liniar, ceea ce se poate constata în practică pe
baza unor estimaţii statistice concrete.
Pentru două variabile independente X, Y corelaţia are sens si evident
ρ(X, Y )=0.
32
Definiţie. Fie X şi Y două variabile aleatoare cu dispersii finite. Vom spune că
X şi Y sunt necorelate dacă Cov(X, Y )=0. In caz contrar, vom spune că ele sunt
corelate.
PROBLEME PROPUSE
3 2 1 0 1 2 3
X :
0,1 0,2 0,2 0,2 0,1 01 0,1
2 2
Să se determine repartiţiile variabilelor aleatoare Y = X +1 şi Z =(X −1) .
0 1 0 1
X : 1 1 , Y :1 4
2 2 5 5
2
Să se determine repartiţiile variabilelor aleatoare: X + Y ; X − Y ; X · Y ; X −
2
Y .
33
1
k)= ,
N
k =1, ..., N, i =1, ..., n. Să se afle repartiţia variabilelor aleatoare
a) Zp=max(X1p,….,Xnp), p 1,2
b) Yp=min(X1p,….,Xnp), p 1,2
34
articol e defect, atunci fabrica va plăti magazinului o sumă de bani S. Fie X
variabila aleatoare care dă numărul de zile care au trecut până când fabrica a
plătit pentru prima dată suma S. Ştiind că proporţia de produse defecte din
fiecare lot adus zilnic la magazin este q, q є (0, 1), să se determine:
(a) Repartiţia lui X
M ( X ) P( X n).
n 1
1
12. Se consideră două evenimente A, B pentru care P (A) = , P (B|A) =p, P
4
1
(A|B)= şi variabilele aleatoare X, Y definite prin:
4
a , 0 x 1
14. Dacă X are densitatea de repartiţie f(x)= să se determine
0, in rest
constanta pozitivă a şi să se calculeze densităţile de repartiţie ale variabilelor
α
aleatoare cX (c> 0), X (α> 0), ln X, ex.
35
−|x|
15. Să se determine constanta k astfel încât f(x)= ke ,x є R să fie o densitate de
repartiţie.
(e x e x , daca x0
f(x)=
0, in rest
cx (1 x), 0 x 1
f(x)=
0, in rest
o densitate de repartiţie? Calculaţi valoarea medie şi varianţa acestei repartiţii.
20. Fie X o variabilă aleatoare nenegativă astfel încât X are moment de ordin α
(α ≥ 1) finit. Dacă F este funcţia ei de repartiţie, arătaţi că:
M ( X ) x 1 (1 F ( x)dx .
0
36
21. Dacă X1,X2,...,Xn sunt i.i.d. astel încât
1 1
X 1 1 , i 1
2 2
să se calculeze funcţia caracteristică şi funcţia generatoare de momente a
variabilei aleatoare X1 + ... + Xn.
37
38
Capitolul 3
REPARTIŢII DE PROBABILITATE
Repartiţia binomială
0 1 ... k ... n
X n n 1 k k nk
q npq ... C n p q ... p n
Denumirea acestei repartiţii provine, evident, de la schema clasică cu acelaşi
nume, pe baza căreia a fost construită.
0 1
X ,
q p
atunci X1 + X2 + ··· + Xn ~ Bi(n, p).
39
Propoziţie. Dacă X ~ Bi(n, p), atunci:
M(X)= np, VAR(X)= npq,
unde q =1 − p.
Demonstraţie. Fiind vorba despre o repartiţie importantă, vom da mai multe
variante de demonstrare.
Varianta 1. X fiind variabilă discretă, avem
n n
k
M ( X ) k C nk p k q nk np C nk p k 1 q n k
k 0 k 0 n
Dar
k k
C n C nk11
n
şi deci
n
M ( X ) np C nk 1 p k 1q nk np( p q) n1 np
k 0
Analog,
n n
k
M ( X 2 ) k 2 C nk1 p k q n k np k C nk p k 1 q n k
k 0 k 0 n
n n
np kCnk11 p k 1 q n k np (k 1)C nk11 p k 1 q n k
k 0 k 0
n
np C nk11 p k 1 q n 1 np(n 1 p np)
k 0
C
k 0
k
n 1 p k 1q n k ( p q) n 1 1
Prin urmare
2
M(X )= np(n − 1)p + np
şi deci
2 2
VAR(X)= M(X ) − M (X)= npq
40
Repartiţia Poisson
k
P( X k ) e , () k N
k!
0 1 ... n n ...
X
e e ... e ...
n!
M(X)= VAR(X)= λ.
Demonstraţie.. Cum X este o variabilă discretă, avem:
k
k 1
M ( x) k k ! e e k e ,
k
k 0 k 0 k! k 1 (k 1)!
deoarece
k 1
e
k 1 (k 1)!
2
Pentru calculul lui M(X ) vom proceda la fel ca în cazul repartiţiei binomiale:
k
k 1
M (X 2 ) k 2 k
k! e
k e e (k 1 1)
k 0 k 0 (k 1)! k 0 (k 1)!
k 2
k 1
2 e e 2 e e e e 2
k 2 ( k 2)! k 1 ( k 1)!
Prin urmare,
2 2 2 2
VAR (X)= M(X ) − M (X)= λ + λ − λ = λ.
41
Teorema Dacă X1,X2 sunt variabile aleatoare independente şi dacă X1 ~
Po(λ1) şi
X2 ~ Po(λ2), atunci X1 + X2 ~ Po(λ1 + λ2).
k
P (X1 + X2 = k)= j 0
P (X1 = j, X2 = k − j)
1j 1 2 k j
k k
e e2
P( X 1 j ) P( X 2 k j ) j! (k j )!
j 0 j 0
Repartiţia geometrică
0 1 ... k ...
X k
p pq ... pq ...
Denumirea acestei repartiţii provine din faptul că probabilităţile de pe linia a
doua a tabloului de mai sus formează o progresie geometrică de raţie q.
p
Propoziţie. Dacă X ~ Geom(p) (0 <p< 1), atunci M(X)= ,
q
q
VAR(X)= .
p2
42
3.2 Repartiţii continue
Repartiţia uniformă
1
f ( x) 1a ,b ( x).
ba
Se notează X ~ U(a, b).
0, xa
x a
F(x)= , x a, b .
b a
1, xb
43
Demonstraţie. Cu definiţiile uzuale avem:
ba
b
tdt
M(x)= ba
a
2
,
t 2 dt b 2 ab a 2
b
M(x2)= a b a 3
,
2 2 (b a 2 )
de unde VAR(X)= M(X ) − (M(X)) = .
12
Repartiţia Normală
Este una dintre cele mai importante repartiţii, pe ea bazându-se foarte multe
analize statistice
( xm)2
1 2 2
f ( x) e , xR
2
2
Vom nota X ~ N(m, σ ).
Dacă X ~ N(0, 1), vom spune că X are o repartiţie normală standard şi vom nota
densitatea ei cu φ(x), iar funcţia sa de repartiţie cu Φ(x), adică:
x2
1
( x) xR
2
e ,
2
u2
x
1
( x) du, () xR
2
e
2
Funcţia Φ mai poartă numele de funcţia lui Laplace.
44
2 X m
Propoziţie.Dacă X ~ N(m, σ ), atunci ~N(0,1)
Datorită acestui rol de referinţă a repartiţiei N(0, 1), pentru funcţia sa de
repartiţie Φ s-au întocmit tabele de valori, foarte utile atunci când avem de
calculat probabilităţi concrete ale repartiţiei normale sau când efectuăm testarea
anumitor ipoteze statistice bazate pe legea normală. Aceste tabele statistice cu
valorile lui Φ sunt în general întocmite doar pentru valorile pozitive ale lui x,
deoarece pentru aflarea celorlalte valori se poate utiliza:
Teorema. Dacă X1,X2, ··· ,Xn sunt n variabile aleatoare independente astfel
încât
2
Xi ~ N(mi,σi ), i =1, 2, ··· ,n, atunci
n n n
ai X i N ( ai mi , ai i ),
2 2
i 1 i 1 i 1
45
oricare ar fi a1,a2, ··· ,an numere reale.
Repartiţia Log-Normală
(ln x a ) 2
1
f ( x) e 2 2
,x 0
x 2
2
Vom nota X ~ LogN(a, σ ).
2 2
Propoziţie. Dacă X ~ LogN(a, σ ), atunci ln X ~ N(a, σ ).
2
Propoziţie. Dacă X ~ LogN(a, σ ), atunci
2
a
M ( x) e 2
VAR ( x) e 2 a (e 1)
2 2
2
a
M ( x) Y (1) e 2
M ( x 2 ) Y (2) e 2a 2
2
VAR ( x) M ( X 2 ) M 2 ( X ) e 2a (e 1)
2 2
Repartiţia Gamma
x
1
f ( x) e x 1 1R ( x), x R
( )
46
1
( )
2
Propoziţie. Dacă X ~ γ(α, β), atunci
M(X)= αβ,
2
VAR(X)= αβ
47
Repartiţia exponenţială
0, x0
f ( x) ax
ae , x 0
Vom nota X ~ Exp(a).
1
Observaţie. Se observă că repartiţia Exp(a) coincide cu repartiţia γ(1, ), prin
a
urmare proprietăţile de bază ale repartiţiei Exp(a) se pot deduce din cele ale
repartiţiei Gamma.
0, x0
F ( x) ax
1 ae , x 0
P(t X s t X ) P(t X s) F (s) F (t ) F (s t )
p(t X ) 1 F (t )
48
calcul direct pentru determinarea mediei şi variantei. Astfel, integrând prin
părţi, obţinem imediat:
1
M ( x) xae ax dx ,
0
a
xe ax dx
M ( X ) a x e
2 2 ax
dx x e 2 ax
2
0
0 0
2 xae ax dx 2 2
M (X ) 2
a0 a a
Prin urmare,
2 1 1
VAR ( x) 2
2 2
a a a
2
Repartiţia χ
2
Definiţie. Vom spune că o variabilă aleatoare reală X are repartiţia χ cu n grade
de libertate dacă densitatea sa de repartiţie este
x n
1 1
f(x)= e 2 x 2 1R ( x), x R
n
2 n/2
( )
2
2
Vom nota X ~ χ (n).
2
Observaţie. Se observă că repartiţia χ (n) coincide cu repartiţia γ(n\2, 2) şi prin
2
urmare, putem deduce proprietăţile de bază ale repartiţiei χ (n) din cele ale
repartiţiei Gamma. Vom rezuma în continuare aceste proprietăţi.
2
Propoziţie. Dacă X ~ χ (n), atunci
M(X)= n,
VAR(X)=2n,
49
n
( r)
M ( X r ) 2r 2 , r N
n
( )
2
Teorema Dacă X şi Y sunt două variabile aleatoare independente, care au
2 2
respectiv repartiţiile χ (n) şi χ (m), atunci variabila aleatoare X + Y este
2
repartizată χ (m + n).
2
Foarte mult utilizată în statistică este următoarea caracterizare a repartiţiei χ (n):
Atunci
n
X
i 1
i
2
~ x 2 ( n)
Definiţie. Dacă X1, ..., Xn sunt n variabile aleatoare independente astfel încât şi
identic repartizate,
Xi ~ N(mi, 1), Vi =1, . . . , n,
2 2
atunci repartiţia variabilei aleatoare X poartă numele de repartiţie χ descentrată
cu n grade de libertate şi parametrul de excentricitate
n
θ= m
i 1
2
i .
2
Notăm această repartiţie χ (n, θ).
In ce priveşte caracteristicile numerice de bază ale acestei repartiţii, avem
2
Propoziţie. Dacă X ~ χ (n, θ), atunci
50
Repartiţia Student
n 1
( ) n 1
2 x2 2
f ( x) (1 ) , x R
n 2 (n) n
Vom nota X ~ t(n).
Caracteristicile numerice esenţiale ale acestei repartiţii sunt:
M(X)=0 şi
n
VAR(X)= .
n2
Legătura repartiţiei Student cu alte repartiţii continue importante este dată de
teorema următoare.
Repartiţia Fisher-Snedecor
51
Propoziţie. Dacă X ~ F (m, n), atunci
n
M(X)= (n 2),
n2
2n 2 (n m 2)
VAR(X)= (n 2),
m(n 4)(n 2) 2
O altă caracterizare a repartiţiei F (m, n), foarte importantă din punct de vedere
statistic, este oferită de teorema următoare:
Teorema. Dacă X şi Y sunt două variabile aleatoare independente, repartizate
2 2
χ (m), respectiv χ (n), atunci
X
m ~ F (m,n)
Y
n
.Având în vedere acest rezultat, putem acum defini uşor repartiţiile F
descentrate:
PROBLEME PROPUSE
1. 30% din piesele produse de o maşină sunt defecte. Care este probabilitatea
ca dintre 10 produse alese la întâmplare:
(a) unul să fie defect;
(b) cel mult trei să fie defecte?
52
3. Un om iese în stare de ebrietate dintr-un bar. La fiecare pas el se mişcă la
dreapta cu un metru cu probabilitatea p sau la stânga cu probabilitatea 1-p. Fie
n X
X poziţia sa după n paşi. Arătaţi că ~ Bi(n, p). La câţi metri de intrarea
2
în bar ne aşteptăm să fie acest om după n paşi ?
X
Să se arate că variabila aleatoare Y
i 1
i are o repartiţie Poisson.
10. Fie (Xn)n≥1 un şir de variabile aleatoare discrete astfel încât Xn are tabloul
de repartitie
a k a 2k ... a nk
Xn 1 1 1
...
n n n
53
n 1 n2 1
unde a, k є R. Să se arate că M ( X n ) a K , 2 ( X n ) k2
2 12
şi să se studieze convergenţa în repartiţie a şirului de variabile
1
alatoare ( X n ) n1 .
n
11. Fie X variabila aleatoare care indică eroarea de măsurare a unui aparat.
Ştiind că X ~ N(0,1/25 ), determinaţi probabilitatea ca din 5 măsurători
independente, cel puţin două să fie din intervalul (−0.2, 0.2).
12. Fie X variabila aleatoare care indică eroarea de măsurare a unui aparat.
2
Ştiind că X ~ N(0,σ ), determinaţi (în funcţie de Φ) probabilitatea ca media
aritmetică a n măsurători independente să aprţină intevalului (−ε,ε ).
54
CAPITOLUL 4
55
atât pentru nevoile globale ale statului (cunoaşterea nivelului de dezvoltare
general sau pe ramuri, a nivelului de trai etc.), cât şi pentru analize şi previziuni
la nivel de firmă. Rezultatele observărilor permanente se concretizează în
diverse rapoarte sau publicaţii statistice (anuare, reviste, studii de specialitate),
unele de uz restrâns, altele cu caracter general, de informare publică.
Observările speciale se organizează în vederea acoperirii necesităţilor
legate de situaţii specifice, de tipul recensămintelor, anchetelor sau sondajelor
statistice.
După volumul de date obţinute în urma observării statistice, observarea
poate fi totală sau parţială.
Observarea totală presupune culegerea datelor de la toate unităţile
statistice care compun populaţia studiată, adică se înregistrează fiecare unitate
în parte cu nivelul caracteristicilor cuprinse în programul observării şi sunt de
tipul recensămintelor sau a rapoartelor statistice. Pe baza datelor obţinute în
urma observării totale se calculează indicatori statistici referitori la întreaga
populaţie statistică.
Observarea parţială constă în înregistrarea doar a unei părţi din totalul
unităţilor statistice ale populaţiei studiate, numită eşantion sau selecţie. Datorită
desfăşurării ample în timp şi spaţiu a majorităţii fenomenelor şi proceselor
economice, o largă utilizare în statistica economică o are această a doua
categorie de observare. Observarea parţială prezintă numeroase avantaje faţă de
cea totală, dintre care amintim: reducerea cheltuielilor de înregistrare şi de
prelucrare a datelor, reducerea timpului necesar efectuării cercetării statistice,
posibilitatea studierii populaţiilor statistice ale căror unităţi se distrug prin
observare, existenţa unor şanse sporite de cercetare în profunzime a
fenomenului etc. Cu toate acestea, observarea parţială nu poate substitui în
întregime observarea totală, deoarece o serie de indicatori statistici de volum
sau de structură nu pot fi determinaţi decât pe baza unor înregistrări totale.
După momentul efectuării observării, se pot întâlni observări statice sau
dinamice.
În cazul observărilor statice, datele referitoare la fenomenul cercetat se
limitează la un anumit moment al evoluţiei acestuia, în timp ce în cazul
observărilor dinamice, aceeaşi caracteristică a fenomenului este urmărită la
perioade de timp succesive.
În procesul obţinerii datelor statistice pot apare situaţii în care datele
înregistrate nu concordă cu realitatea. Aceste neconcordanţe ale rezultatelor
observării statistice cu datele reale poartă numele de erori de observare
(înregistrare). Ele se clasifică, de regulă, în erori întâmplătoare şi erori
sistematice.
56
Erorile de observare întâmplătoare sunt destul de numeroase şi nu pot fi
evitate. Ele se produc în ambele sensuri şi survin nepremeditat, în majoritatea
cazurilor datorită neatenţiei operatorului. Acest gen de erori afectează în mică
măsură rezultatele observării, deoarece, în cele mai multe cazuri, ele se
compensează. Repartiţia normală a erorilor întâmplătoare a fost pusă în evidenţă
de către K. F. Gauss4, care a dedus, între altele, şi o serie de relaţii de estimare a
preciziei măsurătorilor.
Erorile de observare sistematice produc abateri substanţiale de la
realitatea observată, deoarece se produc repetat şi în acelaşi sens. Ele trebuie
urmărite cu atenţie şi eliminate, pentru a nu denatura concluziile rezultate în
urma procesului de prelucrare şi analiză statistică a datelor culese. În
majoritatea cazurilor, erorile sistematice au la origine neînţelegerea corectă a
procedeelor de culegere a datelor sau aplicarea eronată a acestora.
O categorie aparte o reprezintă erorile premeditate, cauzate fie de către
cei care culeg datele, fie de către cei care le prelucrează şi care au efecte
negative semnificative asupra concluziilor cercetării.
Pe lângă categoriile de erori prezentate, în cazul observărilor parţiale, mai
poate apare şi un alt tip de eroare, şi anume, eroarea de reprezentativitate, care
se produce atunci când eşantionul studiat nu a fost bine ales şi, ca atare, nu este
reprezentativ, fie ca volum, fie ca structură, pentru populaţia statistică din care
provine. În funcţie de datele avute la dispoziţie, pot fi determinate fie ca erori
efective, fie ca erori probabile.
Pentru a evita apariţia tuturor acestor genuri de erori, este necesară
efectuarea unui control riguros în scopul asigurării autenticităţii datelor şi a unor
informaţii cât mai apropiate de realitate. În funcţie de specificul modalităţii de
verificare a informaţiilor rezultate în urma observării statistice, controlul poate
fi cantitativ sau calitativ.
Controlul cantitativ este realizat prin verificarea transmiterii datelor de
către toate unităţile statistice înregistrate sau dacă au fost completate toate
informaţiile cerute de cercetarea statistică.
Controlul calitativ poate fi realizat cu metode logice sau aritmetice, prin
aprecierea realităţii datelor din punct de vedere al concordanţei cu limitele
admisibile ale valorilor înregistrate sau prin compararea cu înregistrări efectuate
5
la unităţi similare ori la aceeaşi unitate în perioadele anterioare.
4
M.L. Berenson, D.M. Levine, T.C. Krehbiel, Basic Business Statistics. Concepts and
Applications, Ninth Edition, Pearson Prentice Hall, 2004, pag. 20–23
5
C. Şipoş, C. Preda, Statistică economică, Editura Mirton, Timişoara, 2004, pag. 17 – 18
57
4.2. Prelucrarea primară a datelor statistice
în care, xmax reprezintă nivelul maxim al caracteristicii, iar xmin este nivelul
minim al acesteia.
Următoarea etapă o reprezintă stabilirea dimensiunii optime a intervalului
de grupare h. Dacă se cunoaşte numărul de intervale, dimensiunea intervalului
58
de grupare se determină ca raport între amplitudine şi numărul de intervale 6. În
cazul populaţiilor de volum mare, grupate după caracteristici cu tendinţe de
variaţie sistematică şi cu o amplitudine de variaţie mare, dimensiunea optimă a
intervalelor de grupare (h) se poate determina conform formulei lui H. Sturges:
xmax xmin
h (4.2)
1 3,322 lg n
6
P. Newbold, W.L. Carlson, B. Thorne, Statistics for Business and Economics, Fifth Editon,
Pearson Prentice Hall, 2003, pag. 14–17
59
reprezintă frecvenţa de apariţie corespunzătoare. În acest caz, seria de date
poartă numele de serie de distribuţie. Dacă al doilea şir este constituit de
factorul timp, atunci seria se numeşte dinamică sau cronologică.
Simbolic, o serie de distribuţie se notează astfel:
x1 , x2 ,..., xi ,..., xk
X (4.3)
n1 , n2 ,..., ni ,..., nk
ni ni
fi , fi 100 (4.4)
n n
Suma frecvenţelor relative este fie 1, dacă sunt exprimate sub formă de
coeficient, fie 100%, dacă se exprimă procentual:
k k
fi 1 ,
i 1
f
i 1
i 100% (4.5)
i
N i nm (4.6)
m1
i
Fi f m (4.7)
m 1
60
4. Prezentarea datelor sub formă de tabele statistice are drept scop
ordonarea datelor în vederea aplicării metodelor de calcul şi de interpretare
statistică şi trebuie să cuprindă următoarele elemente de bază:
titlul general sau subiectul tabelului, care redă într-o formă concisă
populaţia statistică studiată şi componentele sale şi care, de regulă, se notează
deasupra tabelului;
titlurile interioare sau predicatul tabelului, care reprezintă titulaturile
coloanelor ce definesc populaţia studiată şi caracteristicile de grupare luate în
considerare;
unitatea de măsură, care e specificată în titlul general, atunci când
este aceeaşi pentru toate elementele tabelului, sau în titlurile interioare, atunci
când în tabel sunt cuprinse elemente exprimate în unităţi de măsură diferite;
notele tabelului servesc la interpretarea corectă a datelor din acesta,
sunt indicate, de regulă, prin asterisc şi se înscriu imediat sub tabel;
sursele datelor, care trebuie riguros citate, deoarece acest lucru
permite verificarea exactităţii şi corectitudinii datelor înregistrate în tabel.
Tabelele statistice sunt extrem de variate şi se folosesc în toate etapele
cercetării statistice. Din punctul de vedere al scopului elaborării lor, tabelele pot
fi descriptive (enumerative) sau de prelucrare (de lucru). În funcţie de numărul
de caracteristici prezentate în tabel, există tabele simple, tabele pe grupe, tabele
cu dublă intrare (de corelaţie sau de asociere) etc.
În general, între modalitatea de grupare a datelor şi tabelul statistic ce
serveşte la prezentarea acestora trebuie să existe o corespondenţă.
5. Reprezentarea grafică a seriilor statistice este o metodă larg întâlnită
de prezentare a datelor unei serii, sub forma unei imagini spaţiale, într-un sistem
de coordonate specificat.
Aceasta permite vizualizarea rapidă a distribuţiei seriei de date în raport
cu una sau mai multe caracteristici fundamentale, cum ar fi ordinea de mărime,
tendinţa de evoluţie în timp, spaţiu sau din punct de vedere calitativ etc.
Elementele de bază ale unei reprezentări grafice sunt:
titlul graficului, care, similar cu tabelele statistice, indică populaţia
statistică studiată, locul şi perioada cercetării şi care trebuie să fie clar şi concis;
axele de coordonate, care sunt, de regulă, coordonate rectangulare şi
servesc la reprezentarea punctelor graficului în sisteme bidimensionale (Ox, Oy)
ori tridimensionale (Ox, Oy, Oz);
scara graficului, care reprezintă diviziunile graficului, şi poate fi
uniformă (aritmetică) sau neuniformă (progresivă, regresivă, logaritmică etc.);
reţeaua graficului, care este formată din linii paralele, orizontale şi
verticale, ce servesc la determinarea locului unor puncte, simboluri sau figuri,
fără a îngreuna citirea graficului;
61
legenda, care explică semnificaţia notaţiilor folosite în grafic. Se
amplasează alături sau sub figură şi reproduce la scară redusă elementele
utilizate în reprezentarea grafică;
notele şi sursele datelor, trebuie, de asemenea specificate, similar cu
cele prezentate în cazul tabelelor statistice.
Cele mai des întâlnite tipuri de grafice în reprezentarea seriilor statistice
sunt diagramele. Acestea pot fi reprezentate prin benzi sau prin coloane.
În cazul diagramelor prin benzi, se utilizează un sistem de axe rectangular
bidimensional. Benzile sunt de fapt dreptunghiuri, ale căror baze se reprezintă
pe axa Oy, în timp ce, pe axa Ox se reprezintă nivelul valoric al caracteristicii
studiate.
Diagramele prin coloane sunt, de asemenea, dreptunghiuri, cu diferenţa
că, de această dată, bazele dreptunghiurilor se reprezintă pe axa Ox, iar nivelul
valoric al caracteristicii studiate se reprezintă pe axa Oy.
În ambele cazuri, dacă bazele dreptunghiurilor sunt egale, atunci
lungimea unei benzi, respectiv, înălţimea unei coloane sunt proporţionale cu
dimensiunea numerică a caracteristicii reprezentate grafic.
Dacă bazele dreptunghiurilor nu sunt egale, atunci suprafaţa benzii,
respectiv, a coloanei trebuie să fie proporţională cu dimensiunea numerică a
caracteristicii.
Pentru reprezentarea grafică a seriilor de distribuţie se utilizează trei
tipuri de grafice:
1. Histograma este o reprezentare grafică sub formă de dreptunghiuri,
similară diagramelor prin coloane, cu deosebirea că bazele reprezentate pe axa
Ox sunt formate din intervalele de grupare, iar înălţimile reprezentate pe axa Oy
sunt formate din frecvenţele absolute sau relative de apariţie. Dacă intervalele
de grupare sunt egale, înălţimea coloanelor histogramei este proporţională cu
frecvenţele de apariţie, iar dacă intervalele nu sunt egale, suprafaţa coloanelor
este proporţională cu frecvenţele.
2. Poligonul frecvenţelor se poate uşor construi după ce a fost realizată
histograma, prin unirea cu segmente de dreaptă, în mod succesiv, a mijloacelor
bazelor superioare ale dreptunghiurilor histogramei.
3. Curba cumulativă a frecvenţelor (poligonul frecvenţelor cumulate) se
trasează reprezentând pe axa Ox intervalele de grupare, similar cu histograma şi
poligonul frecvenţelor, iar pe axa Oy frecvenţele cumulate absolute sau relative.
Toate aceste reprezentări grafice sunt utilizate pentru compararea seriei
de date studiate cu graficul unor repartiţii cunoscute, de regulă, cea normală,
indicându-se cât de aproape sau de departe este fenomenul cercetat faţă de unul
cu repartiţia respectivă. În realizarea acestor comparaţii, trebuie avut în vedere
62
faptul că marea majoritate a fenomenelor economice, cel puţin teoretic, au o
repartiţie normală.
PROBLEME REZOLVATE
Exemplul 4.1.
Pe baza unui eşantion format din 50 de date referitoare la vânzările zilnice
realizate de un magazin, se prezintă modalitatea de grupare a acestora pe
intervale de frecvenţă. Valorile înregistrate sunt:
Tabelul 4.1
165 168 164 185 201
156 180 156 195 181
159 170 189 186 173
167 166 138 201 193
170 180 153 165 164
146 161 180 175 160
140 171 160 187 200
151 169 172 177 142
164 179 142 166 184
158 191 155 165 149
Având în vedere că valoarea maximă este xmax = 201, iar valoarea minimă
este xmin = 138, dimensiunea optimă a intervalului de grupare este următoarea:
201 138
h 9 ,482 10
1 3,322 lg 50
După cum rezultă din relaţia de mai sus, dimensiunea intervalului s-a
aproximat la cea mai apropiată valoare superioară întreagă, astfel încât
variaţia caracteristicii de grupare să poată fi observată uşor.
Variantele de grupare posibile sunt:
a) Dacă se consideră că vânzările sunt exprimate în milioane lei,
caracteristica de grupare este continuă şi vor exista două variante de grupare:
63
Varianta 1 (în interval este Varianta 2 (în interval este
inclusă limita inferioară) inclusă limita superioară)
64
Exemplul 4.2.
Să se determine frecvenţele relative şi frecvenţele cumulate.
Luând în considerare gruparea pe intervale de frecvenţă a datelor din exemplul
4.1 (punctul a, varianta II), frecvenţele relative şi cele cumulate se determină
astfel:
Tabelul 4.6
Intervale Frecvenţe Frecvenţe Frecvenţe absolute Frecvenţe relative
de vânzări absolute (ni) relative (fi) cumulate (Ni) cumulate (Fi)
135 – 145 4 4/50 = 0,08 4 0,08
145 – 155 5 5/50 = 0,10 4+5=9 0,08 + 0,10 = 0,18
155 – 165 13 13/50 = 0,26 9 + 13 = 22 0,18 + 0,26 = 0,44
165 – 175 11 11/50 = 0,22 22 + 11 = 33 0,44 + 0,22 = 0,66
175 – 185 8 8/50 = 0,16 33 + 8 = 41 0,66 + 0,16 = 0,82
185 – 195 6 6/50 = 0,12 41 + 6 = 47 0,82 + 0,12 = 0,94
195 – 205 3 3/50 = 0,06 47 + 3 = 50 0,94 + 0,06 = 1,00
TOTAL 50 50/50 = 1 – –
Exemplul 4.3.
Se presupune că nivelurile producţiei de-a lungul a 5 ani au fost următoarele:
110; 130; 120; 100; 110 milioane lei.
Diagrama prin benzi se reprezintă în felul următor:
Anii
5
4
3
2
1
65
Exemplul 4.4.
Utilizând datele din exemplul 4.3, diagrama prin coloane se reprezintă astfel:
Producţi
a
130
120
110
100
0 1 2 3 4 5 Anii
Exemplul 4.5.
Dacă se utilizează datele din tabelul 4.6, histograma, poligonul frecvenţelor
absolute şi curba cumulativă a frecvenţelor sunt următoarele:
Frecvenţe
absolute
13
11
66
Frecvenţe
absolute
13
11
0
135 145 155 165 175 185 Vânzări
195 205
Frecvenţe
absolute
cumulate
50
47
41
33
22
9
4
0
135 145 155 165 175 185 Vânzări
195 205
67
PROBLEME PROPUSE
An 1 An 2 An 3
4,9 3,0 2,3
7,2 2,9 3,7
3,8 6,4 3,8
2,7 4,8 4,8
2,3 5,3 1,8
1,3 5,1 2,8
1,3 1,7 4,3
0,6 1,2 1,8
2,7 3,2 2,8
3,9 4,2 2,8
1,9 4,0 2,8
2,2 2,9 2,5
Se cere:
a) Să se grupeze datele pe intervale şi să se determine distribuţia de
frecvenţă;
b) Să se traseze histograma şi poligonul frecvenţelor absolute şi
cumulate.
68
An 1 An 2 An 3
25 37 33
34 29 37
36 31 39
28 22 25
34 28 21
29 36 29
41 39 30
20 40 28
26 25 24
33 28 26
29 27 28
24 31 34
69
70
CAPITOLUL 5
71
să fie reprezentative pentru toţi termenii seriei la care se referă, cu
condiţia, desigur, ca populaţia studiată să fie omogenă. Dacă populaţia nu e
omogenă, atunci ea trebuie separată pe grupe omogene şi se determină mărimile
medii pentru fiecare grupă în parte;
să fie relativ uşor de calculat şi să se preteze la calcule algebrice
ulterioare;
să fie stabile, puţin influenţate de fluctuaţiile selecţiei, adică,
indiferent de eşantioanele care sunt utilizate pentru cercetarea statistică a
populaţiei respective, mărimile medii să fie aproximativ aceleaşi.
Este de la sine înţeles că toate aceste condiţii nu pot fi îndeplinite
cumulativ de către orice mărime medie, dar este foarte important să se
cunoască, pentru fiecare valoare medie în parte, ce condiţii nu sunt satisfăcute.
Mărimile medii pot fi clasificate după numeroase criterii, dintre care
cele mai importante sunt după rol şi după modul de calcul.
După rolul lor, mărimile medii sunt mărimi utilizate pentru calcul
(media aritmetică, media geometrică, media pătratică etc.) şi mărimi medii de
poziţie (mediana, modul, quantilele, etc.).
În funcţie de modul de calcul, mărimile medii pot fi simple (în cazul
seriilor simple de date) sau ponderate (în cazul seriilor grupate pe intervale de
frecvenţă).
În afară de mărimile de calcul (în special media), prezentate pe larg în
capitolul 2, pentru a studia tendinţa centrală se mai determină şi mărimile de
poziţie, dintre care cele mai cunoscute sunt mediana, modul şi quantilele.
Prin mediana (Me) unei serii de distribuţie se înţelege acea valoare
pentru care probabilitatea ca variabila aleatoare X să ia valori inferioare lui Me
este egală cu probabilitatea ca X să ia valori superioare lui Me, conform relaţiei:
Mediana este, deci, valoarea centrală a unei serii ordonate crescător sau
descrescător, care împarte repartiţia în două părţi egale.
A. Pentru date negrupate, mediana se determină în două variante9:
dacă numărul unităţilor observate este impar, de forma n = 2p + 1,
atunci mediana este egală cu valoarea unităţii situate în mijlocul seriei de date
(de rang p + 1), adică:
ME = XP+1 (5.2)
9
D.M. Levine, D. Stephan, T.C. Krehbiel, M.L. Berenson, Statistics for Managers using
Microsoft Excel, Third Edition, Prentice Hall, 2002, pag. 112–114
72
dacă numărul unităţilor observate este par, de forma n = 2p, atunci
mediana este egală cu media aritmetică simplă a celor două valori situate în
mijlocul seriei de date (de rang p, respectiv, p + 1), conform relaţiei:
x p x p1
Me (5.3)
2
n
N e1
Me le he 2 (5.4)
ne
10
Andrei T., Stancu S., op. cit., pag. 88–93
73
Quartilele sunt în număr de trei, notate de obicei Q1, Q2 şi Q3. Quartila
mijlocie (Q2) este chiar mediana, iar celelalte două se determină tot prin
interpolare, conform relaţiilor:
n
N Q1 1
Q1 lQ1 hQ1 4 (5.5)
nQ1
3n
N Q3 1
Q3 lQ 3 hQ 3 4 (5.6)
nQ 3
1
Mo lo h0 (5.7)
1 2
11
Berenson M.L., Levine D.M., Krehbiel T.C., Basic Busines Statistics. Concepts and
Applications, Ninth Edition, Pearson Prentice Hall, 2004, pag. 91
74
Δ2 este diferenţa dintre frecvenţa intervalului modal şi frecvenţa
intervalului următor acestuia.
Dacă există mai multe intervale cu frecvenţa maximă de apariţie, atunci
modul nu poate fi determinat ca valoare unică a seriei de date, adică seria
respectivă este plurimodală.
Ca aplicabilitate practică, modul poate înlocui media, atunci când aceasta
nu poate fi calculată, sau determinarea ei nu are sens (de exemplu, determinarea
modelului mediu al automobilelor vândute nu are sens, astfel încât se va lua în
considerare ca valoare centrală modelul cel mai frecvent vândut).
Într-o repartiţie de date perfect simetrică şi unimodală, cei trei parametri
fundamentali ai tendinţei centrale – media, mediana şi modul – au aceeaşi
valoare, între ei existând relaţia de egalitate:
x = ME = MO (5.8)
În cazul repartiţiilor asimetrice, cele trei valori centrale sunt diferite, iar
relaţia dintre ele se poate exprima astfel:
x – MO = 3 ( x – ME) (5.9)
12
C. Şipoş, C. Preda, Statistică Economică, Editura Mirton, Timişoara, 2004, pag. 46 – 47
75
5.2. Parametrii variaţiei
76
Amplitudinea variaţiei în mărime relativă (A%) se determină ca raport
procentual între amplitudinea absolută şi media aritmetică a variabilei studiate,
astfel:
A x xmin
A% 100 max 100 (5.11)
x x
di = xi – x (5.12)
di x x
d %i 100 i 100 (5.13)
x x
n n
di d %i 0 (5.14)
i 1 i 1
77
Ei pot fi determinaţi ca mărimi medii sau relative (coeficienţi) şi sunt:
abaterea medie liniară; varianţa (dispersia); abaterea standard (abaterea medie
pătratică) şi coeficientul de variaţie. Această categorie de parametri a fost
prezentată în capitolul 2 în cadrul caracteristicilor numerice ale variabilelor
aleatoare.
13
Tehnica ANOVA este prezentată pe larg în: M.L. Berenson, D.M. Levine, T.C. Krehbiel, op.
cit., pag. 387–432; P. Newbold, W.L. Carlson, B. Thorne, op. cit., 579–620; Elisabeta Jaba, op.
cit., pag. 303–320
78
x x j nij x x j nij
m m
2 2
i i
2j i 1
m
i 1
(5.15)
n
nj
ij
i 1
j 1
2
j nj
2 k (5.16)
n j 1
j
x x nj
k
2
j
j 1
2 k (5.17)
nj
j 1
79
Varianţa totală (generală) se calculează ca o medie aritmetică ponderată
a pătratelor abaterilor valorilor faţă de media populaţiei statistice, după relaţia:
x i x ni
2
02 i 1
m (5.18)
ni
i 1
1 m k
Cov x, y xi x yi y nij (5.19)
n i 1 j 1
14
C. Chilărescu, O. Ciorîcă, C. Preda, C. Şipoş, N. Surulescu, op. cit., pag. 99–103
80
Tabelul 5.1
Valori ale Frecvenţele de apariţie
caracteristicii Absolute Relative
N1 n1
p
Da: x1 = 1 n
N – n1 n n1
q
Nu: x2 = 0 n
Total N P+q=1
xn i i
1 n1 0 n n1 n1
x i
p
n
(5.20)
i n n
i
2 = p q = p (1–p) (5.21)
p1 p (5.22)
81
5.4. Parametrii asimetriei şi ai boltirii
As x Mo (5.23)
As 3( x Me ) (5.24)
Dacă media este mai mică decât modul şi mediana, atunci As 0 şi curba
este înclinată spre dreapta, iar dacă media este mai mare decât celelalte valori
centrale, atunci As 0 şi curba este înclinată spre stânga.
2. Coeficientul de asimetrie Pearson (Cas) se determină ca raport între
asimetria absolută şi abaterea standard, astfel:
x Mo
Cas (5.25)
Acest coeficient ia valori în intervalul (–1, 1) şi se interpretează astfel:
dacă cele două valori centrale sunt foarte apropiate, Cas 0 şi atunci
distribuţia studiată este simetrică;
dacă media este mai mică decât modul, atunci Cas 0 şi distribuţia
este înclinată spre dreapta;
dacă media este mai mare decât modul, atunci Cas 0 şi distribuţia
este înclinată spre stânga;
82
dacă Cas 0,3 atunci seria este uşor asimetrică, iar dacă Cas
0,3 atunci seria este pronunţat asimetrică.
3. Coeficientul de asimetrie se mai poate determina în cazul seriilor uşor
asimetrice cu un volum mare de date conform relaţiei:
3( x Me )
Cas (5.26)
Acest coeficient ia valori în intervalul (–3, 3), iar interpretarea sa este
similară cu cea a coeficientului anterior.
Parametrii boltirii arată în ce măsură curba repartiţiei empirice este mai
înaltă sau mai aplatizată în raport cu curba repartiţiei normale. În acest sens, mai
des utilizaţi sunt doi coeficienţi:
1. Coeficientul boltirii Pearson (), care se determină pe baza
momentelor centrate, astfel:
4 4
22 2 2
(5.27)
xi x ni
n
4
4 i 1
(5.28)
n
4
=–3= –3 (5.29)
22
83
Interpretarea lui este următoarea:
dacă = 0, repartiţia empirică are o boltire normală;
dacă 0, curba repartiţiei empirice este mai plată decât cea normală;
dacă 0, curba repartiţiei empirice este mai înaltă decât cea
normală;
PROBLEME REZOLVATE
Exemplul 5.1.
Au fost înregistrate vânzările lunare ale unei firme (V) pe o perioadă de 15 luni
(mil. lei):
V 13 18 15 12 16 18 14 11 6 7 13 9 15 14 17
V 11 12 13 13 14 14 15 15 16 16 17 17 18 18 19
Rang 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Având în vedere faptul că volumul seriei de date este impar (15 valori),
mediana va fi egală cu valoarea situată pe poziţia din mijloc, adică valoarea de
rang 8:
Me = x8 = 15 mil. lei
Exemplul 5.2.
Au fost înregistrate vânzările lunare ale aceleiaşi firme (V) pe o perioadă de 16
luni (mil. lei):
V 13 18 15 12 16 18 14 11 16 17 13 19 15 14 17 18
V 11 12 13 13 14 14 15 15 16 16 17 17 18 18 18 19
Rang 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
84
Având în vedere faptul că volumul seriei de date este, de această dată, par
(16 valori), mediana va fi egală cu media aritmetică simplă a valorilor situate pe
poziţiile din mijloc, adică a celor de rang 8, respectiv 9:
x8 x9 15 16
ME = = 15,5 mil. lei
2 2
Exemplul 5.3.
Se iau în considerare datele grupate pe intervale de frecvenţă din tabelul 5.3.
Pentru calculul medianei se determină frecvenţele cumulate absolute, astfel:
Tabelul 5.3
Vânzări (xi) ni Frecvenţele cumulate
– mil. lei – absolute (Ni )
135 – 145 4 4
145 – 155 4 8
155 – 165 11 19
165 – 175 13 32
175 – 185 8 40
185 – 195 6 46
195 – 205 4 50
TOTAL 50 –
25 19
Me = 165 + 10 = 169,61 mil. lei
13
Exemplul 5.4.
Luând în considerare datele din tabelul 5.4, intervalele quartilice sunt:
85
Tabelul 5.4
Vânzări (xi) ni Frecvenţele cumulate
– mil. lei – absolute (Ni )
135 – 145 4 4
145 – 155 4 8
155 – 165 11 19
165 – 175 13 32
175 – 185 8 40
185 – 195 6 46
195 – 205 4 50
TOTAL 50 –
12 ,5 8
Q1 = 155 + 10 = 159,09 mil. lei
11
37 ,5 32
Q3 = 175 + 10 = 181,87 mil. lei
8
Exemplul 5.5.
Se iau în considerare datele grupate pe intervale de frecvenţă din tabelul 5.5. În
vederea determinării modului se construieşte un nou tabel, astfel:
86
Tabelul 5.5
Vânzări (xi) ni
135 – 145 4
145 – 155 4
155 – 165 11
165 – 175 13
175 – 185 8
185 – 195 6
195 – 205 4
TOTAL 50
Intervalul modal este cel a cărui frecvenţă de apariţie este maximă, adică
intervalul de la 165 la 175 (n4 = 13), iar modul se va calcula astfel:
13 11
Mo = 165 + 10
13 11 13 8
= 167,85 mil. lei
Exemplul 5.6.
Dacă se iau în considerare datele referitoare la vânzările unei firme, prezentate
în tabelul de mai jos, parametrii simpli ai variaţiei se determină astfel:
V 13 8 15 9 16 18 14 11
A = 19 – 11 = 8 MIL. LEI
Amplitudinea relativă a variaţiei este:
19 11
A% = 100 51,61%
15 ,5
Abaterile individuale absolute sunt:
d1 = 13 – 15,5 = – 2,5 d5 = 16 – 15,5 = + 0,5
d2 = 18 – 15,5 = + 2,5 d6 = 18 – 15,5 = + 2,5
d3 = 15 – 15,5 = – 0,5 d7 = 14 – 15,5 = – 1,5
d4 = 19 – 15,5 = + 3,5 d8 = 11 – 15,5 = – 4,5
87
Se observă că: d1 + d2 + d3 + d4 + d5 + d6 + d7 + d8 = 0
Se observă că: d%1 + d%2 + d%3 + d%4 + d%5 + d%6 + d%7 + d%8 = 0
PROBLEME PROPUSE
An 1 An 2 An 3
3,3 4,5 4,8
4,1 4,5 4,6
4,6 4,1 4,2
3,6 4,9 3,1
3,2 4,8 3,7
3,3 4,1 3,4
3,4 5,1 3,6
3,1 4,7 3,5
3,5 4,1 4,3
3,5 4,9 4,7
4,4 4,7 4,8
4,3 4,3 4,5
88
2. Un institut de cercetări doreşte să studieze evoluţia ratei şomajului. Pentru
aceasta a fost selectat un eşantion format din 30 de valori lunare ale ratei
şomajului, astfel:
89
90
CAPITOLUL 6
91
obţinute, în cercetările de marketing, în determinarea productivităţii muncii şi
salarizarea personalului, în previzionarea evoluţiei preţurilor etc. În agricultură,
sondajul este utilizat pentru estimarea recoltelor în funcţie de condiţiile
existente, în determinarea pierderilor probabile, în verificarea rezultatelor
recensămintelor animalelor etc. În comerţ, cercetarea prin sondaj serveşte la
estimarea cererii de mărfuri în funcţie de variaţia factorilor de influenţă, la
cunoaşterea opţiunilor cumpărătorilor cu privire la produsele comercializate, la
verificarea încadrării loturilor de produse în standardele cerute etc.
În general, cercetarea prin sondaj este utilă în verificarea ipotezelor
ştiinţifice şi evaluarea influenţei diferiţilor factori asupra fenomenelor cercetate
din cele mai diverse domenii – sociologie, politologie, administraţie publică,
15
medicină, fizică, biologie şi altele.
Cercetarea parţială are drept scop estimarea, pe baza rezultatelor
prelucrării datelor obţinute la nivel de eşantion, folosind principiile teoriei
probabilităţilor, a parametrilor caracteristici populaţiei statistice studiate. În
acest sens, se culeg şi se prelucrează datele aferente unităţilor statistice incluse
în eşantionul studiat, obţinându-se diverşi indicatori absoluţi, relativi sau medii
ori indici statistici, care descriu în detaliu respectivul eşantion. Apoi, indicatorii,
respectiv, indicii obţinuţi la nivel de eşantion se extrapolează, cu o anumită
probabilitate, la nivelul întregii populaţii statistice, în scopul caracterizării
acesteia.
Într-o cercetare prin sondaj, deoarece există două categorii studiate, pe de
o parte, populaţia statistică care se doreşte a fi cunoscută, iar pe de altă parte,
eşantionul observat în vederea obţinerii unor estimaţii ale parametrilor
populaţiei, se întâlnesc o serie de noţiuni perechi, care au acelaşi conţinut
metodologic, dar diferă din punct de vedere al informaţiei pe care o cuprind.
Astfel, populaţia statistică sau colectivitatea generală este alcătuită din
totalitatea unităţilor ce compun fenomenul supus cercetării, iar volumul său se
notează, de regulă, cu N, iar în cazul variabilelor alternative, cu M.
Colectivitatea parţială – colectivitatea de selecţie, eşantionul, proba,
mostra, populaţia observată etc. – reprezintă subansamblul de unităţi extrase
din colectivitatea generală în vederea culegerii datelor şi a generalizării la
nivelul întregii populaţii statistice a rezultatelor obţinute din prelucrarea
acestora. Volumul eşantionului se notează cu n, iar pentru variabile alternative,
cu m. Întotdeauna, în cazul cercetării parţiale va fi valabilă relaţia: n N, iar în
cazul cercetării totale n = N.
Dintr-o anumită populaţie statistică pot fi prelevate mai multe eşantioane,
care să difere între ele ca volum şi structură, fapt pentru care, parametrii
15
C. Şipoş, C. Preda, Statistică Economică, Editura Mirton, Timişoara, 2004, pag. 69 – 71
92
statistici ce caracterizează eşantionul pot fi consideraţi variabile aleatoare de
diverse repartiţii, în timp ce media şi varianţa populaţiei studiate au valori unice
în condiţii date de timp şi spaţiu.
Valorile statistice (de selecţie) reprezintă indicatori ai repartiţiei studiate
calculaţi la nivel de eşantion. Ele se determină prin prelucrarea datelor rezultate
din observarea eşantionului de volum n şi sunt valori calculate la nivelul
acestuia.
Valorile estimate ale parametrilor populaţiei statistice sunt indicatori ai
repartiţiei studiate estimaţi la nivel de populaţie statistică. Ele nu reprezintă
valori calculate, ci se estimează prin inferenţă statistică pe baza valorilor de
selecţie obţinute la nivel de eşantion. Un parametru al populaţiei statistice are o
valoare fixă, adevărată, necunoscută, dar estimabilă şi se notează, în general, cu
.
Valorile de selecţie folosite pentru estimarea parametrilor populaţiei
statistice se numesc estimatori şi sunt notate cu semnul ― ‖ deasupra
parametrului respectiv. Astfel, pentru un parametru , estimatorul său este notat
cu ̂ .
Media şi varianţa, valori tipice pentru populaţia statistică şi pentru
eşantion, se notează şi se determină diferit, în funcţie de nivelul la care se
referă, conform tabelului 6.1.1:
Tabelul 6.1.1
Denumirea La nivel de La nivel de
indicatorului populaţie statistică eşantion (selecţie)
N n
Media xi x i
m i 1
x i 1
N n
N n
x m x x
2 2
i i
Varianţa 2 i 1
s2 i 1
N n
93
sondaj. Alături de acestea, mai pot fi întâlnite erori datorate unei baze
incomplete de cercetare sau non-răspunsurilor.
Erorile de înregistrare apar, de obicei, într-un număr mic de cazuri şi pot
fi înlăturate cu uşurinţă printr-un control riguros al activităţii de observare.
Specifice, însă, cercetării prin sondaj sunt erorile de reprezentativitate,
care, după sursa de provenienţă, pot fi sistematice sau întâmplătoare.
Erorile sistematice de reprezentativitate sunt abateri care se produc într-
un singur sens ca urmare a influenţei subiective a celor care efectuează selecţia
şi care nu respectă strict metodologia de eşantionare. Dintre cauzele cele mai
frecvente care duc la apariţia acestor erori putem aminti: selectarea intenţionată
doar a acelor unităţi care deţin caracteristici de natură să conducă la rezultatul
dorit de cercetător; substituirea unor unităţi reprezentative cu altele
asemănătoare din motive de comoditate; cuprinderea incompletă în cercetare a
unităţilor pentru a realiza economie de timp şi cost ş.a.m.d.
Erorile întâmplătoare de reprezentativitate sunt abateri care se produc în
ambele sensuri ca urmare a acţiunii a diverşi factori cu caracter aleator. Ele pot
apare chiar şi în condiţiile în care regulile de eşantionare sunt respectate cu
stricteţe. Din cauza lor, eşantionul nu poate niciodată reproduce identic
populaţia statistică din care face parte şi, drept urmare, nu se poate face o
estimare absolut corectă a parametrilor populaţiei. Erorile întâmplătoare de
reprezentativitate, deşi nu pot fi evitate, pot fi determinate cu o anumită
probabilitate şi, astfel, estimarea parametrilor populaţiei statistice se va putea
face cu o eroare care poate fi încadrată într-un anumit interval probabilistic. În
aceste condiţii, fiecărui parametru al populaţiei i se va ataşa eroarea sa de
reprezentativitate, pentru a putea fi generalizat la nivelul întregului ansamblu
studiat. Problema esenţială a cercetării prin sondaj o constituie, dealtfel, tocmai
stabilirea preciziei estimaţiilor, a limitelor de încredere pentru valorile estimate
ale parametrilor populaţiei statistice.
Măsurarea erorilor de reprezentativitate se realizează, de regulă, cu
ajutorul a trei indicatori: eroarea efectivă, eroarea medie probabilă şi eroarea
limită.
Eroarea efectivă de reprezentativitate (d) – deplasarea sau distorsiunea –
se determină atunci când se cunosc parametrii şi structura populaţiei statistice.
Ea se calculează ca diferenţă între media a unei valori de selecţie, M( ̂ ) şi
valoarea reală a parametrului populaţiei statistice, , conform relaţiei:
d = M( ̂ ) – (6.1)
94
eşantioanelor, exprimate sintetic cu ajutorul mediei mediilor de selecţie ( x ),
precum şi media populaţiei statistice (m). Eroarea efectivă de reprezentativitate
va fi:
x m
dx = x – m, sau d x % 100 (6.2)
m
95
x = z ˆ (6.4)
ˆ z ˆ ˆ z ˆ (6.5)
16
C. Şipoş, C. Preda, op. cit., pag. 76 – 77
96
Se spune că un estimator este nedeplasat sau fără distorsiune atunci când
media sa este egală cu valoarea reală a parametrului corespunzător: M( ̂ ) = .
Valoarea estimatorului este cu atât mai apropiată de valoarea reală a
parametrului populaţiei statistice, cu cât volumul eşantionului este mai mare (n
N).
Un estimator este deplasat sau cu distorsiune dacă: M( ̂ ) = + d , unde
d reprezintă deplasarea estimatorului (eroarea de reprezentativitate).
Estimatorul convergent sau consistent reprezintă estimatorul a cărui
varianţă tinde spre zero (VAR( ̂ ) 0), atunci când volumul eşantionului tinde
către volumul populaţiei statistice (n N). Acest lucru înseamnă că
probabilitatea ca estimatorul să difere de valoarea reală a parametrului scade pe
măsură ce volumul eşantionului creşte, conform relaţiei:
lim P ˆ 1
n N
(6.6)
1 n 1 n 1 n 1 n
M x M xi M xi M xi m n m m (6.7)
1
n i 1 n i 1 n i 1 n i 1 n
97
Media de selecţie x este un estimator convergent în cazul unei populaţii
infinite, deoarece atunci când n N şi N , varianţa mediilor de selecţie
2
VAR( x ) = 2
x va tinde către 0.
n
În concluzie, media de selecţie ( x ) este un estimator absolut corect al
mediei populaţiei statistice (m).
Dacă varianţa necunoscută a populaţiei statistice se notează cu 2, iar
estimatorul său, calculat la nivelul unui eşantion de volum n, se notează cu s2,
atunci se poate demonstra că s2 este un estimator deplasat al lui 2: E(s2) 2.
Pentru aceasta, se porneşte de la faptul că se poate demonstra existenţa
relaţiei17:
n n
În aceste condiţii:
1 n 2 1 n 2
M s 2 M xi x M xi m x m
2
n i1 n i1
1 2
n n
M xi m M x m M xi m M x m
2 1 2 2
n i 1 n i 1
2 n 1 2
VAR xi VAR x 2 (6.9)
n n
2 n x i x
2
xi x
s n 1
ˆ 2
2 i 1
(6.10)
n 1 n 1 n i 1 n 1
n
17
Elisabeta Jaba, Statistica, Editura Sedcom Libris, Iaşi, 1996, pag. 289
98
Estimarea punctuală a parametrilor populaţiei statistice este eficientă
numai pentru eşantioane de volum foarte mare, fapt pentru care, în practica
economică se preferă estimarea parametrilor pe baza unui interval de valori,
numit interval de încredere, care se poate determina şi pe baza unor eşantioane
de volum mai redus.
Li = ̂ – x (6.11)
Ls = ̂ + x (6.12)
99
P x z m x z 1 = 2(z) (6.14)
n n
s s
P x t m x t 1 (6.15)
n n
x – 3 m x + 3 (6.16)
18
C. Şipoş, C. Preda, op. cit., pag. 84
100
Dacă se cunoaşte abaterea standard () la nivelul populaţiei statistice,
atunci, conform repartiţiei Laplace: 2(3) = 0,9973 (conform anexei 1). Acest
lucru înseamnă că, indiferent de volumul eşantionului ales, probabilitatea ca
media să se situeze în intervalul de încredere determinat cu această metodă este
p = 99,73%, iar probabilitatea ca media să nu se regăsească în acest interval
este de numai 0,27%.
Dacă abaterea standard la nivelul populaţiei statistice nu se cunoaşte, dar
se utilizează estimatorul ei, calculat la nivel de eşantion (s), atunci
probabilitatea ca media să se situeze în interiorul intervalului de încredere
variază în funcţie de volumul eşantionului (cu cât acesta este mai mare, cu atât
coeficientul de încredere p este mai mare).
2
n 1 s 2
(6.17)
2
unde: 2 reprezintă o valoare tabelară a repartiţiei 2 cu = n –1 grade de
libertate;
n este volumul eşantionului;
s2 reprezintă estimatorul varianţei, calculat pe baza datelor din eşantion;
2 este varianţa necunoscută a populaţiei statistice.
Dacă se alege un coeficient de încredere p = 1 – , se pot determina două
valori tabelare 2 şi 2 (anexa 3), astfel încât:
1
2 2
P 2
n 1 s 2 2 1
(6.18)
1 2 2 2
sau
101
n 1 s 2 n 1 s 2
P 2 1 (6.19)
2
2
1
2 2
n 1 s 2 n 1 s 2 1
P
2 2
(6.20)
1
2 2
PROBLEME REZOLVATE
Exemplul 6.1.
Într-o întreprindere industrială, producţiile obţinute se abat în plus sau în minus
faţă de capacitatea nominală, datorită unor factori aleatori. Pentru a controla
producţia obţinută (tone), s-a verificat o linie tehnologică, timp de 60 de zile,
alese aleator, şi s-au obţinut următoarele date:
Tabelul 6.1
22,5 23,4 26,9 28,7 24,6 29,4 27,5 21,6 22,6 22,8
19,9 25,4 27,6 23,6 27,9 21,2 19,8 20,3 23,3 21,7
20,6 24,8 26,1 20,4 28,1 22,5 28,7 24,6 23,1 24,5
22,5 23,3 26,7 28,5 23,6 27,3 25,5 21,6 24,6 24,8
19,7 25,3 25,6 23,6 25,7 21,2 27,8 22,3 23,4 21,5
21,3 23,8 26,1 20,3 28,1 22,5 28,5 23,6 23,7 23,5
102
n
x i
1450
x i 1
24 ,16 tone/zi , iar 2 15 3,87
n 60
3,87 3,87
P 24 ,16 1,96 m 24 ,16 1,96 0 ,95
60 60
Exemplul 6.2.
Într-o întreprindere, calitatea produselor obţinute se abate în plus sau în minus
faţă de normative, datorită influenţei unor factori aleatori. Pentru a controla
calitatea produselor obţinute, s-a verificat un număr de 20 de produse (procesul
este distructiv şi implică mari costuri), alese aleator, obţinându-se următoarele
date (nr. ore funcţionare produs):
Tabelul 6.2
429,3 427,4 421,7 422,4 423,4
427,2 419,8 420,3 423,3 421,7
428,5 427,4 428,9 426,7 425,6
419,4 425,4 427,6 423,6 429,9
n n
xi 8499 ,5 x i x
2
x i 1
424 ,975 ore , iar s i 1
3,347
n 20 n 1
103
Din tabelele repartiţiei Student (anexa 2) se determină pentru
probabilitatea /2 = (1 – 0,95)/2 = 0,025 şi = n – 1 = 19 grade de libertate o
valoare tabelară t = 2,433. În aceste condiţii, limitele intervalului de încredere,
conform relaţiei 6.15, vor fi:
3,347 3,347
P 424 ,975 2 ,433 m 424 ,975 2 ,433 0 ,95
20 20
P423,15 m 426 ,79 0 ,95
Exemplul 6.3.
Luând în considerare datele din exemplul 6.2, se cere să se estimeze cu o
probabilitate de 95% câte un interval de încredere pentru varianţa, respectiv,
abaterea standard a numărului de ore de funcţionare a produselor.
Se calculează, în primul rând, estimatorul varianţei:
x i x
2
s2 i 1
11,206
n 1
Apoi, din tabelele repartiţiei 2 (anexa 3), se iau valorile tabelare 2, în
funcţie de = 0,05 şi = n –1 = 20 – 1 = 19 grade de libertate, astfel:
02,025;19 32,85 şi 02,975;19 8 ,91
Intervalul de încredere pentru varianţă va fi:
19 11,206 19 11,206
P 2 0 ,95
32 ,85 8 ,91
P 6 ,48 23,89 0 ,95
2
Se poate spune, deci, cu o probabilitate de 95%, că varianţa numărului de
ore de funcţionare a produselor realizate se încadrează între 6,48 şi 23,89.
În aceste condiţii, intervalul de încredere pentru abaterea standard este:
104
P 6 ,48 23,89 0 ,95 P2,54 4,88 0,95
Abaterea standard a numărului de ore de funcţionare (variaţia lor faţă de
medie) se va încadra, cu o probabilitate de 95%, între 2,54 şi 4,88 ore.
PROBLEME PROPUSE
12 15 18 14 11 13 12 14 10 14 15 11
105
3. O firmă doreşte să estimeze evoluţia vânzărilor. În acest scop au fost
înregistrate vânzările timp de 15 săptămâni, alese aleator, obţinându-se
următoarele date (mii RON):
V
125,8
131,1
129,7
131,3
135,2
138,1
126,9
128,3
130,6
132,5
133,3
136,2
127,7
129,6
133,4
106
CAPITOLUL 7
107
Regiunea de acceptare reprezintă intervalul în care ipoteza nulă H0 este
acceptată ca urmare a efectuării unui test statistic şi are probabilitatea asociată p
= 1 – , numită nivel (prag) de încredere.
Complementar, regiunea de respingere se defineşte ca interval de
respingere a ipotezei nule H0 ca urmare a efectuării testului statistic şi are
probabilitatea asociată , numită nivel (prag) de semnificaţie. De regulă, cea
care se stabileşte în cadrul testului este regiunea de respingere, pentru un nivel
de semnificaţie considerat acceptabil de către analist.
Pentru testul bilateral (H0: =0; H1: 0), regiunea de respingere
corespunde unui interval împărţit în două subintervale, delimitate la un capăt de
câte o valoare critică (tabelată) – una inferioară (Li) şi una superioară (Ls) – iar
la celălalt capăt de , conform figurii 7.1:
Zonă de acceptare H0
(p = 1 – )
Zonă de Zonă de
respinger respinger
e e
H0 H0
(/2) (/2)
Li Media de selecţie Ls
108
Zonă de acceptare H0
(p = 1 – )
Zonă de
respinger
e
H0
()
Lcritic Media de
selecţie
Figura 7.2. Regiunea de acceptare şi regiunea de respingere a h0 în
cazul testului unilateral la stânga
Zonă de acceptare H0
(p = 1 – )
Zonă de
respinger
e
H0
()
109
Eroarea prin care se respinge o ipoteză adevărată se numeşte eroare de
ordinul întâi, iar probabilitatea asociată acesteia poartă numele de risc de
ordinul întâi şi este notată cu .
Eroarea prin care se acceptă o ipoteză falsă poartă numele de eroare de
ordinul doi, iar probabilitatea asociată acesteia se numeşte risc de ordinul doi şi
este notată cu .
Etapa a II-a. Alegerea nivelului de semnificaţie () al testului. În această
etapă se stabileşte, în funcţie de specific, nivelul de semnificaţie, adică
întinderea regiunii de respingere a testului. În practica economică, în cele mai
multe cazuri, nivelul de semnificaţie se alege ca fiind: = 0,05 sau = 5%.
Etapa aIIIi-a. Alegerea testului statistic şi determinarea valorii calculate
aferente acestuia. Testele statistice se aleg în funcţie de ipoteza verificată şi de
repartiţia populaţiei statistice studiate. Cel mai des utilizate în practică sunt
testele (criteriile): Laplace (z), Student (t), Helmert (2) şi Fisher (f). Valorile
calculate aferente acestor teste se determină conform metodologiei specifice
fiecărui test în parte.
Etapa a IV-a. Alegerea valorii critice (tabelare) aferente testului utilizat.
Fiecărui test statistic îi corespunde o repartiţie de valori, prezentate, de regulă,
sub formă tabelară. Din tabelele aferente repartiţiei respective se alege, în
funcţie de anumite criterii, valoarea critică sau tabelară a testului.
Etapa a V-a. Compararea valorii calculate a testului cu cea critică şi
luarea deciziei. Aceasta reprezintă ultima etapă a verificării unei ipoteze
statistice şi constă în compararea valorii calculate cu cea critică, iar în urma
acestei comparaţii, conform regulilor stabilite, se decide dacă ipoteza nulă h0 se
acceptă sau se respinge. Indiferent de decizia luată, aceasta va avea o
probabilitate de eroare egală cu nivelul de semnificaţie al testului, .
Acest tip de test este utilizat pentru a verifica dacă media populaţiei
statistice studiate, m, are sau nu o anumită valoare, m0, având la dispoziţie
datele aferente unui eşantion de volum n. Verificarea ipotezei presupune
calcularea mediei de selecţie ( x ) pe baza datelor eşantionului, precum şi
deţinerea unor informaţii referitoare la varianţa populaţiei statistice (2). În
funcţie de aceste elemente, există două tipuri de teste referitoare la media
populaţiei statistice:
110
I. Dacă varianţa populaţiei statistice (2) este cunoscută, situaţie
întâlnită în special în cazul controlului proceselor de producţie, având, la rândul
său, două variante:
I-a) dacă volumul eşantionului este mai mare de 30 de unităţi (n 30),
înseamnă că testul are le bază o repartiţie normală centrată redusă (funcţia
laplace), iar verificarea ipotezei referitoare la media populaţiei statistice va
parcurge următoarele etape:
1. Se formulează ipoteza nulă, conform căreia media populaţiei statistice
studiate (m) ia o anumită valoare (m0): H0: m = m0, cu ipoteza alternativă (testul
este, de regulă, bilateral): H1: m m0;
2. Se stabileşte nivelul de semnificaţie al testului (regiunea de respingere
a ipotezei nule), . De regulă, în prelucrarea statistică a datelor referitoare la
fenomene sau procese economice, valoarea nivelului de semnificaţie se alege ca
fiind = 0,05 (sau 5%);
3. Se determină valoarea calculată (numerică) a testului Laplace (zc),
după relaţia:
x m0
zc n (7.2)
4. Din tabelele statistice aferente funcţiei Laplace (anexa 1) se obţine, în
funcţie de nivelul de semnificaţie, = 1 – 2(z), valoarea critică (tabelară) a
testului (z);
5. Se compară valoarea calculată a testului cu cea critică şi se ia decizia
de acceptare sau de respingere a ipotezei nule, astfel:
– dacă valoarea calculată este mai mică sau egală cu valoarea critică (zc
z), atunci ipoteza nulă h0 se acceptă şi se poate spune cu probabilitatea p = 1 –
că media populaţiei statistice studiate, m, are valoarea m0, eventualele
diferenţe fiind întâmplătoare;
– dacă valoarea calculată este mai mare decât valoarea critică (zc z),
atunci ipoteza nulă h0 se respinge şi se poate spune cu probabilitatea p = 1 –
că media populaţiei statistice studiate, m, nu are valoarea m0, diferenţele fiind
semnificative.
I-b) dacă volumul eşantionului este mai mic de 30 de unităţi (n 30),
înseamnă că testul are la bază o repartiţie student cu = n – 1 grade de libertate,
iar verificarea ipotezei referitoare la media populaţiei statistice va presupune
parcurgerea următoarelor etape:
111
1. Se formulează aceeaşi ipoteză nulă, conform căreia media populaţiei
statistice studiate, m, ia o anumită valoare, m0: H0: m = m0, cu ipoteza
alternativă: H1: m m0;
2. Se stabileşte nivelul de semnificaţie al testului (regiunea de respingere
a ipotezei nule), ;
3. Se determină valoarea calculată (numerică) a testului Student (tc), de
această dată, conform relaţiei:
x m0
tc n (7.3)
4. Din tabelele statistice aferente repartiţiei Student (anexa 2) se alege, în
funcţie de nivelul de semnificaţie, /2 şi = n – 1 grade de libertate, valoarea
critică a testului student (t/2;);
5. Se compară valoarea calculată cu cea critică şi se ia decizia de
acceptare sau de respingere a ipotezei nule, astfel:
– dacă valoarea calculată este mai mică sau egală cu valoarea critică (tc
t/2;), atunci ipoteza nulă H0 se acceptă şi se poate spune cu probabilitatea p = 1
– că media populaţiei statistice studiate, m, are valoarea m0, eventualele
diferenţe fiind întâmplătoare;
– dacă valoarea calculată este mai mare decât valoarea critică (tc t/2;),
atunci ipoteza nulă H0 se respinge şi se poate spune cu probabilitatea p = 1 –
că media populaţiei statistice studiate, m, nu are valoarea m0, diferenţele fiind
semnificative.
II. Dacă varianţa populaţiei statistice (2) nu este cunoscută, situaţia
cel mai des întâlnită în activitatea economică, atunci, în locul abaterii standard
la nivelul populaţiei statistice (), se va utiliza estimatorul acesteia (s),
determinat pe baza datelor eşantionului, conform relaţiei:
x x
n
2
i
i 1
s (7.4)
n1
112
1. Se formulează ipoteza nulă, conform căreia media populaţiei statistice
studiate, m, ia valoarea m0: H0: m = m0, cu ipoteza alternativă: H1: m m0;
2. Se stabileşte nivelul de semnificaţie al testului, ;
3. Se determină valoarea calculată a testului Student (tc), după relaţia:
x m0
tc n (7.5)
s
x x
n
2
i
i 1
s2 (7.6)
n1
113
Testul statistic utilizat în realizarea acestei verificări are la bază repartiţia
. Etapele care trebuie parcurse în vederea efectuării testului sunt următoarele:
2
n 1 s 2
2
(7.7)
c
02
114
Pentru compararea mediilor a două populaţii statistice se utilizează mai
multe tipuri de teste, în funcţie de informaţiile care se deţin despre varianţele
populaţiilor respective şi în raport de dimensiunile eşantioanelor avute al
dispoziţie, astfel:
I. Dacă varianţele celor două populaţii statistice (12, respectiv, 22)
sunt cunoscute şi volumele celor două eşantioane sunt mai mari de câte 30 de
unităţi fiecare (n1 30 şi n2 30), înseamnă că testul are le bază o repartiţie
normală centrată redusă (funcţia Laplace), iar compararea mediilor celor două
populaţii statistice va parcurge următoarele etape:
1. Se formulează ipoteza nulă, conform căreia mediile celor două
populaţii statistice sunt egale: H0: m1 = m2, cu ipoteza alternativă (testul este
bilateral): H1: m1 m2;
2. Se stabileşte nivelul de semnificaţie al testului (regiunea de respingere
a ipotezei nule), . Similar cu testele de verificare a ipotezelor referitoare la
medie sau la varianţă, şi în cazul testelor de comparare a două medii nivelul de
semnificaţie se alege, de regulă, ca fiind = 0,05 (sau 5%);
3. Se determină valoarea calculată (numerică) a testului Laplace (zc), după
relaţia:
x1 x2
zc (7.8)
12 22
n1 n2
115
celor două eşantioane sunt mai mici de câte 30 de unităţi fiecare (n1 30 şi n2
30), înseamnă că testarea sa va realiza cu ajutorul repartiţiei student.
Deoarece varianţele nu sunt cunoscute şi nu se ştie dacă ele sunt egale sau
diferite, înainte de a începe testul student de comparare a mediilor, trebuie să se
efectueze un test Fisher (F) de comparare a varianţelor a două populaţii
statistice, care presupune parcurgerea următoarelor etape:
1. Se formulează ipoteza nulă, conform căreia varianţele celor două
populaţii statistice sunt egale: H0: 12 =22, cu ipoteza alternativă: H1: 12 22;
2. Se stabileşte nivelul de semnificaţie al testului = 1 – p;
3. Se determină valoarea calculată a testului Fisher, ca raport al
estimatorilor varianţelor, calculaţi pe baza eşantioanelor (s12, respectiv, s22),
conform relaţiei:
s12
F 2 (7.9)
s2
116
2. Se stabileşte nivelul de semnificaţie al testului (regiunea de respingere
a ipotezei nule), = 1 – p;
3. Se determină valoarea calculată a testului Student (tc), după relaţia:
x1 x2
tc (7.10)
1 1
s
n1 n2
următoarelor etape:
1. Se formulează ipoteza nulă, conform căreia mediile celor două
populaţii statistice sunt egale: H0: m1 = m2, cu ipoteza alternativă: H1: m1 m2;
2. Se stabileşte nivelul de semnificaţie al testului, = 1 – p;
3. Se determină valoarea calculată a testului student (tc), după relaţia:
x1 x2
tc (7.11)
s12 s22
n1 n2
117
4. Din tabelele statistice aferente repartiţiei Student (anexa 2) se obţine
valoarea critică a testului (t/2;), în funcţie de nivelul de semnificaţie /2 şi de
grade de libertate, determinate conform relaţiei:
1
, (7.12)
c2
1 c 2
n1 1 n2 1
s12 / n1
în care: c 2 (7.13)
s1 / n1 s22 / n2
PROBLEME REZOLVATE
Exemplul 7.1.
Capacitatea nominală de producţie a unei linii tehnologice este de 75 tone/zi.
Datorită factorilor aleatori care acţionează de-a lungul procesului de producţie,
valorile reale ale producţiei se abat în plus sau în minus faţă de capacitatea
nominală. Pentru a controla producţia obţinută, s-a verificat linia tehnologică,
timp de 60 de zile, alese aleator, şi s-au obţinut următoarele date:
Tabelul 7.1
77,5 73,4 76,9 78,7 74,6 79,4 77,5 71,6 77,6 77,8
69,9 75,4 77,6 73,6 77,9 71,7 69,8 70,3 73,3 71,7
70,6 74,8 76,1 70,4 78,1 77,5 78,7 74,6 73,1 74,5
77,5 73,3 76,7 78,5 73,6 77,3 75,5 71,6 74,6 74,8
69,7 75,3 75,6 73,6 75,7 71,7 77,8 77,3 73,4 71,5
71,3 73,8 76,1 70,3 78,1 77,5 78,5 73,6 73,7 73,5
118
Presupunând că, din experienţa anterioară, se cunoaşte varianţa procesului
de producţie, 2 = 10, se cere să se verifice, cu o probabilitate de 95%, dacă
media producţiei realizate efectiv (m) respectă capacitatea nominală de
producţie (m0).
Se determină, într-o primă fază, media de selecţie ( x ) şi abaterea
standard a populaţiei statistice (), astfel:
x i
4486
x i 1
74 ,76 tone/zi , iar 2 10 3,16
n 60
74 ,76 75
zc 60 0 ,588
3,16
Exemplul 7.2.
Diametrul unui reper component al unui utilaj trebuie să fie de 100 milimetri.
Datorită factorilor aleatori care acţionează în procesul de fabricaţie, valorile
reale ale diametrului reperului se abat în plus sau în minus faţă de valoarea
standard. Pentru a controla calitatea reperelor realizate, s-au ales aleator 20
dintre ele şi s-au obţinut următoarele date:
119
Tabelul 7.2
100,7 100,9 99,2 101,3 98,9 100,5 100 99,4 99,1 100,8
98,7 101,1 100 100,4 100,7 99,3 98,8 99,3 100 101,2
x
i 1
i
2000 ,3
x 100 ,015 mm , iar
n 20
2 0 ,8 0 ,894 mm
120
Exemplul 7.3.
Se consideră datele de la exemplul 7.2, cu diferenţa că varianţa populaţiei
statistice nu este cunoscută.
În aceste condiţii, se determină, mai întâi, media de selecţie ( x = 100,
015 milimetri) şi estimatorul abaterii standard a populaţiei statistice (s),
conform relaţiei 7.4, astfel:
14,305
s 0 ,867
19
Exemplul 7.4.
Se consideră datele de la exemplul 7.2 (varianţa populaţiei statistice nu
este cunoscută) şi se cere să se verifice cu o probabilitate de 95% dacă varianţa
diametrelor reperelor fabricate este de 02 = 2.
Pentru aceasta, se determină, mai întâi, estimatorul varianţei populaţiei
statistice (s2), astfel:
14 ,305
s2 0 ,752
19
121
Apoi, se parcurg etapele testului 2:
1. Se formulează ipoteza nulă, conform căreia varianţa diametrelor
reperelor realizate, 2, ia valoarea presupusă: H0: 2 = 02 = 2, cu ipoteza
alternativă: H1: 2 2;
2. Se stabileşte nivelul de semnificaţie: = 1 – p = 0,05;
3. Se determină valoarea calculată a testului 2, conform relaţiei 7.7:
20 1 0 ,752
c2 7 ,144
2
4. Din tabelele statistice aferente repartiţiei 2 (anexa 3) se aleg, în funcţie
de nivelul de semnificaţie şi de = n – 1 grade de libertate, cele două valori
critice: 20,975;19 = 8,91 şi 20,025;19 = 32,85;
5. Se compară valoarea calculată cu cea critică şi se observă că c2
[8,91; 32,85], ceea ce înseamnă că ipoteza nulă H0 se respinge şi se poate spune
cu probabilitatea de 95% că varianţa diametrelor reperelor realizate, 2, diferă
semnificativ de 2.
Exemplul 7.5.
O firmă a lansat o campanie promoţională cu ajutorul mijloacelor mass-media şi
doreşte să studieze impactul acesteia asupra vânzărilor obţinute. În acest sens, s-
au înregistrat aleator vânzările în 40 de zile înainte de campanie (x1), respectiv,
în 40 de zile de după aceasta (x2), obţinându-se următoarele date (mil. lei):
Tabelul 7.5
X1 86,7 88,9 84,6 83,1 79,8 80,4 81,2 78,5 85,5 86,2
84,6 81,3 82,9 78,4 81,9 82,9 77,6 80,9 83,7 88,4
80,1 87,4 83,2 81,5 83,3 84,2 81,3 82,6 84,1 85,2
78,5 82,2 79,4 80,4 81,6 79,4 80,5 81,7 81,6 82,4
X2 85,4 87,9 88,4 89,4 91,2 85,3 84,3 88,7 87,9 85,9
86,4 87,8 89,5 83,4 86,4 82,3 83,9 79,7 87,6 86,3
87,3 83,4 87,6 79,4 83,3 81,9 88,4 82,4 85,2 81,4
81,2 84,2 81,7 88,6 84,5 78,7 82,7 83,6 86,4 79,6
122
Trebuie să se determine, în primul rând, mediile celor două eşantioane
( x1 şi x2 ):
3298 ,1 3399 ,2
x1 82 ,45 mil. lei şi x2 84 ,98 mil. lei
40 40
82 ,45 84 ,98
zc 4 ,433
8 5
40 40
Exemplul 7.6.
O companie a lansat o nouă linie de produse şi doreşte să studieze impactul
acesteia asupra vânzărilor totale obţinute. În acest sens, s-au înregistrat aleator
vânzările în 20 de zile înainte de lansare (X1), respectiv, în 20 de zile de după
aceasta (X2), obţinându-se următoarele date (mil. lei):
123
Tabelul 7.6
X1 53,7 55,9 54,6 53,1 59,5 50,4 51,2 51,2 55,5 56,2
54,6 51,3 52,9 55,4 51,9 52,9 57,6 55,9 53,7 55,4
X2 55,4 57,9 55,4 59,4 61,2 55,3 54,3 55,7 57,9 55,9
56,4 57,5 59,5 53,4 56,4 52,3 53,9 59,7 57,6 56,3
n1 n2
x 1i x 2i
x1 i 1
54 ,14 mil. lei şi x2 i 1
56 ,57 mil. lei,
n1 n2
x1i x1 2
n
x x2
2
2i
respectiv, s12 i 1
5 ,55 şi s22 i 1
5 ,23
n1 1 n2 1
5 ,55
F 1,059
5 ,23
124
5. Se compară valoarea calculată cu cea critică şi se observă că F
F19;19;0,05, de unde rezultă că ipoteza nulă H0 se acceptă şi se poate spune cu
probabilitatea de 95% că varianţele celor două populaţii statistice studiate, 12,
respectiv, 22 sunt egale, eventualele diferenţe fiind întâmplătoare.
Astfel, în urma efectuării testului fisher de comparare a varianţelor celor
două populaţii statistice, s-a ajuns la concluzia că acestea sunt egale (12 = 22),
ceea ce înseamnă că testul student de comparare a mediilor poate fi parcurs în
varianta II-a):
1. Se formulează ipoteza nulă, conform căreia mediile celor două
populaţii statistice sunt egale: H0: m1 = m2, cu ipoteza alternativă: H1: m1 m2;
2. Se stabileşte nivelul de semnificaţie al testului, = 1 – p = 0,05;
3. Se determină valoarea calculată a testului Student, conform relaţiei
7.10, astfel:
125
Tabelul 7.7
V1 7,32 8,56 6,59 10,45 8,79 9,47 7,06 5,48 9,33 10,89
11,50 9,47 15,36 8,56 9,50 7,65 4,32 12,36 10,45 11,57
8,93 9,00 7,82 9,84 15,25 16,57 9,67 11,38 8,64 9,81
V2 8,54 7,63 8,38 12,49 11,38 6,91 8,09 5,92 6,48 7,29
9,52 14,83 15,87 9,25 10,50 17,56 20,21 8,56 12,28 8,80
7,53 12,57 11,28 14,82 13,55 12,96 19,50 6,51 5,54 6,25
n1 n2
x1i x 2i
x1 i 1
9 ,72 mil. Lei şi x2 i 1
10 ,7 mil. Lei,
n1 n2
x x2
n
x1i x1
2 2
2i
respectiv, s1
i 1
7 ,31 şi s2 i 1
16 ,47
2 2
n1 1 n2 1
16 ,47
F 2 ,25
7 ,31
126
5. Se compară valoarea calculată cu cea critică şi se observă că F
F19;19;0,05 de unde rezultă că ipoteza nulă h0 se respinge şi se poate spune cu
probabilitatea de 95% că varianţele celor două populaţii statistice studiate, 12
şi 22 diferă semnificativ una de cealaltă.
Astfel, în urma efectuării testului Fisher de comparare a varianţelor celor
două populaţii statistice, s-a ajuns la concluzia că acestea sunt diferite (12
22), ceea ce înseamnă că testul Student de comparare a mediilor trebuie parcurs
în varianta II-b), după cum urmează:
1. Se formulează ipoteza nulă, conform căreia mediile celor două
populaţii statistice sunt egale: H0: m1 = m2, cu ipoteza alternativă: H1: m1 m2;
2. Se stabileşte nivelul de semnificaţie al testului, = 1 – p = 0,05;
3. Se determină valoarea calculată a testului Student, conform relaţiei
7.11, astfel:
9 ,72 10 ,7 0 ,979
tc 1,081
7 ,31 16 ,47 0 ,905
29 29
s12 / n1
c 0 ,307
s12 / n1 s22 / n2
1
28
c 2
1 c 2
n1 1 n2 1
127
adică o gamă de venituri mai eterogenă decât primul, aceasta însemnând
diferenţieri mai accentuate între diferitele categorii de familii analizate.
PROBLEME PROPUSE
Se cere:
a) să se determine cu o probabilitate de 95% dacă media vânzărilor de după
lansarea noilor produse (x2) este m0 = 440 mil. Lei, şi dacă varianţa acestora
este 02 = 35 utilizând testele z, t şi 2.
b) Să se determine cu aceeaşi probabilitate de 95% dacă lansarea noii linii de
produse a influenţat sau nu vânzările, comparând mediile şi varianţele celor
două populaţii statistice, utilizând testele z, t şi f.
128
V1 V2
125,8 131,3
131,1 130,9
129,7 132,5
131,3 133,3
135,2 137,1
138,1 139,8
126,9 130,7
128,3 132,6
130,6 131,3
132,5 137,5
133,3 138,4
136,2 139,1
127,7 138,7
129,6 132,9
133,4 137,3
129
130
CAPITOLUL 8
131
8.1. Indicatori ai nivelului şi ai variaţiei unui fenomen în timp
n
V yi (8.1)
i 1
19
C. Şipoş, C. Preda, Statistică economică, Editura Mirton, Timişoara, 2004, pag. 182 – 184
132
c) Sporul absolut () reprezintă indicatorul variaţiei care arată cu cât s-
a modificat, în mărimi absolute, fenomenul studiat de la o perioadă la alta. În
statistica economică, sporul absolut poate fi interpretat ca o creştere absolută
sau excedent, ori ca o scădere absolută, care uneori poate avea sensul de deficit,
iar alteori pate însemna economie de resurse. Interpretarea economică a acestui
indicator se realizează în funcţie de conţinutul şi de tendinţa obiectivă de
evoluţie a variabilei studiate.
Determinarea sporului absolut diferă în funcţie de modalitatea de stabilire
a bazei de referinţă, astfel:
– Sporul absolut cu bază fixă (i/1) reprezintă diferenţa dintre un termen
oarecare al seriei (yi) şi nivelul absolut luat ca bază de referinţă, care de obicei
este termenul iniţial al seriei (y1), conform relaţiei:
i/1 = yi – y1 (8.2)
n
i / i1 n / 1 (8.4)
i 2
133
8.1.2. Indicatori exprimaţi în mărimi relative
yi y
Ii / 1 sau I %i / 1 i 100 (8.6)
y1 y1
yi y
I i / i 1 sau I %i / i 1 i 100 (8.7)
yi 1 yi 1
134
n
I i / i 1 I n / 1 (8.8)
i 2
Ii / 1
I i / i 1 (8.9)
I i 1 / 1
i / 1 yi y1 yi
Ri / 1 1 I i / 1 1 sau
y1 y1 y1
i / 1 y y1 y
R%i / 1 100 i 100 i 100 100 I %i / 1 100 (8.10)
y1 y1 y1
i / i1 yi yi 1 y
Ri / i 1 i 1 I i / i 1 1 sau
yi 1 yi 1 yi 1
135
i / i1 yi yi 1 y
R%i / i 1 100 100 i 100 100
yi 1 yi 1 yi 1
i / 1 yi y1 y
Ai / 1 1 (8.12)
R%i / 1 yi y1
100 100
y1
Acest indicator arată câte unităţi fizice revin unui procent de creştere în
perioada ti faţă de nivelul bazei de raportare menţinute constantă. Se observă că,
indiferent de perioada pentru care este calculată, valoarea absolută a unui
procent de variaţie cu bază fixă este aceeaşi, deoarece baza nu se modifică.
– Valoarea absolută a unui procent de variaţie cu bază mobilă (în lanţ)
reprezintă raportul dintre sporul absolut cu bază mobilă şi ritmul sporului cu
bază mobilă exprimat procentual, conform relaţiei:
i / i 1 yi yi 1 y
Ai / i 1 i 1 (8.13)
R%i / i 1 yi yi 1
100 100
yi 1
20
C. Şipoş, C. Preda, op. cit., pag. 186 – 188
136
Acest indicator face legătura între indicatorii absoluţi şi cei relativi,
ajutând la interpretarea corectă a acestora.
Indicatorii absoluţi şi relativi prezentaţi mai sus se determină, în marea
lor majoritate, prin compararea termenilor individuali ai seriei de date, luaţi doi
câte doi. Astfel, aceşti indicatori arată nivelul şi gradul de variabilitate al tuturor
termenilor, influenţate de toate cauzele şi condiţiile ce determină evoluţia
fenomenului studiat. În caracterizarea fenomenelor şi proceselor economice
trebuie, însă, să se analizeze şi tendinţa de evoluţie a întregii serii de timp, care
apare ca rezultat al acţiunii factorilor esenţiali, prin anihilarea efectelor
factorilor întâmplători. Această problemă poate fi rezolvată cu ajutorul
indicatorilor medii.
n
yi
y i 1
(8.14)
n
137
y1 y
y2 ... yn1 n
y 2 2 (8.15)
n 1
y1 y 2 y y3 y yn
t1 2 t 2 ... n1 t n1
y 2 2 2 (8.16)
n 1
ti
i 1
t1 t t t t t
y1 y2 1 2 ... yn1 n2 n1 yn n1
y 2 2 2 2 (8.17)
n 1
ti
i 1
n
i / i 1 y n y1
i 2 (8.18)
n 1 n 1
138
c) Indicele sau ritmul mediu de variaţie ( I ) arată de câte ori s-a
modificat în medie nivelul unui fenomen pe o anumită perioadă de timp. De
obicei, el se calculează ca o medie geometrică a indicilor de variaţie cu bază în
lanţ, astfel:
n yn
I n1 I i / i 1 n1 I n / 1 n1 (8.19)
i 2 y1
21
Elisabeta Jaba, Statistica, Editura Sedcom Libris, Iaşi, 1996, pag. 375 – 376
139
8.2. Indicatori statistici agregaţi
Indicatorii simpli, aşa cum s-a văzut până aici, studiază evoluţia în timp a
unei singure variabile economice. Uneori, această modalitate de analiză se
dovedeşte a fi insuficientă, datorită deosebitei complexităţi a unor fenomene sau
procese economice. Multe variabile economice sunt compuse dintr-o serie de
alte variabile, fiecare cu o anumită pondere.
În aceste condiţii, indicatorii simpli nu ilustrează suficient de complet
realitatea economică, fapt pentru care se apelează la indicatorii agregaţi sau de
grup.
Atunci când variabilele care compun fenomenul complex studiat se
îmbină în proporţii egale, indicatorul agregat se obţine prin raportarea sumelor
variabilelor, înregistrate în momentul iniţial (yi(0)) şi în momentul final (yi(t)),
conform relaţiei:
n
yi
(t )
I (t ) i 1
n
100 (8.21)
y
(0 )
i
i 1
Cel mai cunoscut indicator agregat cu ponderi egale este indicele de preţ
agregat neponderat (Ip(t))22, care se determină pe baza evoluţiei preţurilor unui
coş de produse cu ponderi egale. El se calculează cu formula:
n
pi
(t )
I (pt ) i 1
n
100 (8.22)
p
(0 )
i
i 1
22
M.L. Berenson, D.M. Levine, T.C. Krehbiel, Basic Business Statistics. Concepts and
Applications, Ninth Edition, Pearson Prentice Hall, 2004, pag. 679 – 681
140
unde t este perioada de timp studiată;
n reprezintă numărul total de bunuri ce compun coşul de produse analizat;
n
pi
(t )
e suma preţurilor plătite pentru cele n produse la momentul t;
i 1
n
pi
(0 )
e suma preţurilor plătite pentru cele n produse la momentul 0;
i 1
Se observă, deci, faptul că indicele de preţ agregat se determină pe baza
evoluţiei preţurilor la toate produsele analizate, nu pe seama unui singur produs,
ca în cazul indicilor simpli.
De cele mai multe ori, însă, variabilele care compun fenomenul complex
studiat se îmbină în proporţii diferite, situaţie în care indicatorul agregat se
obţine prin raportarea sumelor ponderate ale variabilelor, înregistrate în
momentul iniţial şi în momentul final, conform relaţiei:
n
yi f
(t ) (t )
I (t ) i 1
n
100 (8.23)
y
(0 )
i f (0 )
i 1
n
pi qi
(t ) (0 )
IL i 1
n
100 (8.24)
p
(0 )
i q (0 )
i
i 1
23
M.L. Berenson, D.M. Levine, T.C. Krehbiel, op. cit, pag. 681 – 683
141
Practic, indicele Laspeyres arată evoluţia generală a preţurilor pe baza
modificării preţurilor bunurilor din coşul analizat, în condiţiile păstrării
constante a ponderilor (cantităţilor din fiecare produs i) înregistrate la momentul
iniţial al analizei.
Indicele Paasche se calculează după formula:
n
pi qi
(t ) (t )
IP i 1
n
100 (8.25)
p
(0 )
i q
(t )
i
i 1
24
C. Şipoş, C. Preda, op. cit., pag. 203 – 205
142
Alţi indici agregaţi cunoscuţi sunt cei din domeniul financiar din Statele
Unite (Dow Jones Industrial Index, Standard&Poor’s 500, NASDAQ Index etc.)
sau de pe pieţele financiare internaţionale (Nikkei în Japonia, DAX în Germania
etc.).
PROBLEME REZOLVATE
Exemplul 8.1.
Produsul Intern Brut al României a înregistrat următoarele valori în perioada
1990 – 2003:
Tabelul 8.1
Anii P.I.B.
– mld. lei –
1990 859,9
1991 2.203,9
1992 6.029,2
1993 20.035,7
1994 49.773,2
1995 72.135,5
1996 108.919,6
1997 252.925,7
1998 373.798,2
1999 545.730,2
2000 803.773,1
2001 1.167.687,0
2002 1.512.616,8
2003 1.890.778,3
143
Pentru a rezolva această problemă, trebuie să ţinem seama de faptul că
valorile PIB sunt date în preţuri curente (în termeni nominali), adică aşa cum au
fost ele înregistrate în anii respectivi.
Având în vedere ratele înalte ale inflaţiei din România în perioada
analizată, valorile nominale nu pot fi comparate direct una cu cealaltă, deoarece
o astfel de comparaţie ar fi irelevantă.
De aceea, PIB-ul trebuie exprimat în termeni reali (în preţuri comparabile
sau constante) în raport cu un an de referinţă şi cu ajutorul deflatorului PIB (rata
de actualizare a PIB-ului). Valorile deflatorului (di) în perioada 1990 – 2003
sunt prezentate în tabelul 8.2:
Tabelul 8.2
Anii Deflator PIB
% coeficient
1990 – –
1991 295,1 2,951
1992 300,0 3,000
1993 327,4 3,274
1994 239,1 2,391
1995 135,3 1,353
1996 145,3 1,453
1997 247,3 2,473
1998 155,2 1,552
1999 147,8 1,478
2000 144,3 1,443
2001 137,4 1,374
2002 123,4 1,234
2003 119,2 1,192
Sursa: Rapoartele lunare şi anuale ale Băncii Naţionale a României
Anul de referinţă poate fi primul sau ultimul an al seriei de date, mai rar
se alege un an din interiorul seriei. Vom determina PIB-ul în preţuri constante,
atât cu baza de referinţă anul 1990, cât şi cu baza de referinţă anul 2003.
Valorile PIB-ul în preţuri constante 1990 (PIBct’90i) se calculează astfel:
– pentru anul 1990, valoarea în preţuri constante este egală cu valoarea
PIB în preţuri curente, deoarece este anul de referinţă (de bază):
144
PIBct’901990 = PIB1990 = 859,9 mld. lei
PIB1991 2.203,9
PIBct '901991 746,83 mld. lei
d 1991 2,951
PIB1992 6.029,2
PIBct '901992 681,03 mld. lei
d1992 d1991 3,000 2,951
PIB1993 20.035,7
PIBct '901993 691,25
d1993 d1992 d1991 3,274 3,000 2,951
mld. lei
145
PIB2003 1.890.778,3
PIBct '902003 2003
838,87 mld. lei
di 2.253,96
i 1991
Tabelul 8.3
Anii P.I.B.ct‘90
– mld. lei –
1990 859,90
1991 746,83
1992 681,03
1993 691,25
1994 718,20
1995 769,31
1996 799,45
1997 750,68
1998 714,84
1999 706,12
2000 720,72
2001 762,03
2002 799,94
2003 838,87
146
PIBct’032002 = PIB2002 d 2003 = 1.512.616,8 1,192 = 1.803.039,2 mld. lei
– pentru anul 2001, PIB-ul în preţuri constante este egal cu valoarea PIB
în preţuri curente din anul 2001 înmulţită cu produsul deflatorilor aferenţi anilor
2003 şi 2002 (produs care arată creşterea de preţuri din anul 2003 faţă de 2001):
2003
PIBct’032001 = PIB2001 d i = 1.167.687,0 1,192 1,234 =
i 2002
= 1.717.583,50 mld. lei
– pentru anul 2000, PIB-ul în preţuri constante este egal cu valoarea PIB
în preţuri curente din anul 2000 înmulţită cu produsul deflatorilor aferenţi anilor
2003, 2002 şi 2001 (produs care arată creşterea de preţuri din anul 2003 faţă de
2000):
2003
PIBct’032000 = PIB2000 d i = 803.773,1 1,192 1,234 1,374 =
i 2001
= 1.624.469,70 mld. lei
2003
PIBct’031990 = PIB1990 d i = 1.938.183,19 mld. lei
i 1991
147
Tabelul 8.4
Anii P.I.B.ct‘03
– mld. lei –
1990 1.938.183,19
1991 1.683.331,10
1992 1.535.027,28
1993 1.558.053,10
1994 1.618.801,96
1995 1.734.001,25
1996 1.801.941,90
1997 1.692.012,59
1998 1.611.224,73
1999 1.591.557,99
2000 1.624.469,70
2001 1.717.583,50
2002 1.803.039,23
2003 1.890.778,30
2003
VPIB = PIBi 10.559,18 mld. lei
i 1990
148
Sporurile absolute sunt prezentate în tabelul 8.5:
Tabelul 8.5
PIBi/1990 PIBi/i-1
Anii – mld. lei – – mld. lei –
1990 – –
1991 –113,07 –113,07
1992 –178,87 –65,80
1993 –168,65 10,22
1994 –141,70 26,95
1995 –90,59 51,11
1996 –60,45 30,14
1997 –109,22 –48,77
1998 –145,06 –35,84
1999 –153,78 –8,73
2000 –139,18 14,60
2001 –97,87 41,31
2002 –59,96 37,91
2003 –21,03 38,93
Valorile negative ale sporului absolut cu bază fixă arată că, în termeni
reali, toate valorile PIB-ului României din perioada 1991 – 2003 au fost mai
mici decât nivelul anului 1990. Cea mai mică distanţă faţă de anul 1990 s-a
înregistrat în 2003, ceea ce înseamnă că doar după 15 ani se ajunge din nou la
nivelul înregistrat în anul de bază.
Valorile sporului absolut cu bază mobilă (în lanţ) sunt fie pozitive (atunci
când PIB-ul a crescut în mărime absolută de la un an la altul), fie negative
(atunci când PIB-ul a scăzut în mărime absolută de la un an la altul). Suma
acestor sporuri este egală cu sporul cu bază fixă din anul 2003. Valoarea fiind
negativă, rezultă o scădere în termeni reali faţă de anul 1990.
Se observă, pe datele din tabelul 8.5 că se verifică şi relaţia conform
căreia diferenţa dintre două sporuri absolute cu bază fixă consecutive este egală
cu sporul absolut cu bază mobilă corespunzător.
149
2. Indicatori relativi:
a) Indicii de variaţie, cu bază fixă (baza de referinţă este anul 1990) şi în
lanţ, atât procentual, cât şi sub formă de coeficienţi, sunt prezentaţi în tabelul
8.6:
Tabelul 8.6
Anii I PIBi/1990 I PIBi/i-1
coeficient % coeficient %
1990 – – – –
1991 0,87 87 0,87 87
1992 0,79 79 0,91 91
1993 0,80 80 1,02 102
1994 0,84 84 1,04 104
1995 0,89 89 1,07 107
1996 0,93 93 1,04 104
1997 0,87 87 0,94 94
1998 0,83 83 0,95 95
1999 0,82 82 0,99 99
2000 0,84 84 1,02 102
2001 0,89 89 1,06 106
2002 0,93 93 1,05 105
2003 0,98 98 1,05 105
150
b) Ritmurile sporului cu bază fixă (baza este anul 1990) şi cu bază în
lanţ, determinate atât procentual, cât şi sub formă de coeficienţi, sunt prezentate
în tabelul 8.7:
Tabelul 8.7
Anii R PIBi/1990 R PIBi/i-1
coeficient % coeficient %
1990 – – – –
1991 –0,13 –13 –0,13 –13
1992 –0,21 –21 –0,09 –9
1993 –0,20 –20 0,02 2
1994 –0,16 –16 0,04 4
1995 –0,11 –11 0,07 7
1996 –0,07 –7 0,04 4
1997 –0,13 –13 –0,06 –6
1998 –0,17 –17 –0,05 –5
1999 –0,18 –18 –0,01 –1
2000 –0,16 –16 0,02 2
2001 –0,11 –11 0,06 6
2002 –0,07 –7 0,05 5
2003 –0,02 –2 0,05 5
Valorile negative ale ritmului sporului cu bază fixă arată că, în termeni
reali, toate valorile PIB-ului României din perioada 1991 – 2003 au fost mai
mici cu diverse procente decât nivelul anului 1990. Cea mai mică distanţă faţă
de anul 1990 (de – 0,02 sau – 2%) s-a înregistrat în anul 2003, fapt relevat şi de
ceilalţi indicatori.
Se observă că ritmurile sporului cu bază mobilă sunt fie pozitive (atunci
când PIB-ul a crescut procentual de la un an la altul), fie negative (atunci când
PIB-ul a scăzut procentual de la un an la altul).
3. Indicatori medii:
a) Nivelul mediu ( P IB ) se determină ca o medie aritmetică simplă a
termenilor seriei (deoarece este o serie de intervale), astfel:
2003
PIBi 10.559,18
P IB i 1990 754,23 mld. lei
n 14
151
Valoarea medie anuală a PIB-ului real al României, exprimat în preţurile
anului 1990, a fost în perioada studiată de 754,23 mld. lei.
b) Sporul mediu ( PIB ) reflectă variaţia medie anuală înregistrată de PIB-
ul României în perioada 1990 – 2003. Se calculează astfel:
PIB2003 838,87
I PIB n 1 13 0,9981
PIB1990 859,90
152
PROBLEME PROPUSE
Se cere:
a) Să se exprime salariile în preţuri comparabile (constante) luând ca
bază anul 1;
b) Să se exprime salariile în preţuri comparabile (constante) luând ca
bază anul 12;
c) Să se analizeze evoluţia salariilor în preţuri constante cu ajutorul
indicatorilor statistici
153
154
BIBLIOGRAFIE
1. Andrei T., Stancu S., Statistica. Teorie şi aplicaţii, Editura ALL, Bucureşti,
1995
2. Anderson D.R., Williams Th.A., Sweeney D.J., Statistics for Business and
Economics, West Publishing Company, 1990
7. Chilărescu C., Ciorîcă O., Preda C., Şipoş C., Surulescu N., Bazele
statisticii, Editura Universităţii de Vest, Timişoara, 2002
10. Iman R.L., Conover W.J., Modern Business Statistics, John Wiley & Sons,
Second Edition, 1989
155
12. Levine D.M., Berenson M.L., Stephan D., Statistics for Managers using
Microsoft Excel, Second Edition, Prentice Hall, 1999
13. Levine D.M., Stephan D., Krehbiel T.C., Berenson M.L., Statistics for
Managers using Microsoft Excel, Third Edition, Prentice Hall,
2002
14. Mihăilă N., Popescu O., Matematici speciale aplicate în economie, Editura
Didactică şi Pedagogică, Bucureşti, 1978
15. Newbold P., Carlson W.L., Thorne B., Statistics for Business and
Economics, Fifth Edition, Pearson Prentice Hall, 2003
17. Purcaru I., Berbec F., Sorin D., Matematici financiare & Decizii în afaceri,
Editura Economică, Bucureşti, 1996
18. Resa I.D., Lighezan V., Probleme de statistică, Tipografia Universităţii din
Timişoara, 1982
19. Resa I.D., Petrescu Şt., Precupaş M., Câra Al., Probleme de statistică
rezolvate pe calculator, Editura Facla, Timişoara, 1984
21. Şipoş C., Preda C., Statistică economică, Editura Mirton, Timişoara, 2004
***
23. Anuarul Statistic al României, anii 2000 – 2005
***
24. Rapoartele anuale şi lunare ale Băncii Naţionale a României, anii 2000
– 2007
156
Anexa 1. Distribuţia normală. Funcţia lui Laplace
z (z) z (z) z (z) z (z)
0,00 0,00000 0,40 0,15542 0,80 0,28814 1,20 0,38493
0,01 0,00399 0,41 0,15910 0,81 0,29103 1,21 0,38686
0,02 0,00798 0,42 0,16276 0,82 0,29389 1,22 0,38877
0,03 0,01197 0,43 0,16640 0,83 0,29673 1,23 0,39065
0,04 0,01595 0,44 0,17003 0,84 0,29955 1,24 0,39251
0,05 0,01994 0,45 0,17364 0,85 0,30234 1,25 0,39435
0,06 0,02392 0,46 0,17724 0,86 0,30511 1,26 0,39617
0,07 0,02790 0,47 0,18082 0,87 0,30785 1,27 0,39796
0,08 0,03188 0,48 0,18439 0,88 0,31057 1,28 0,39973
0,09 0,03586 0,49 0,18793 0,89 0,31327 1,29 0,40147
0,10 0,03983 0,50 0,19146 0,90 0,31594 1,30 0,40320
0,11 0,04380 0,51 0,19497 0,91 0,31859 1,31 0,40490
0,12 0,04776 0,52 0,19847 0,92 0,32121 1,32 0,40658
0,13 0,05172 0,53 0,20194 0,93 0,32381 1,33 0,40824
0,14 0,05567 0,54 0,20540 0,94 0,32639 1,34 0,40988
0,15 0,05962 0,55 0,20884 0,95 0,32894 1,35 0,41149
0,16 0,06356 0,56 0,21226 0,96 0,33147 1,36 0,41308
0,17 0,06749 0,57 0,21566 0,97 0,33398 1,37 0,41466
0,18 0,07142 0,58 0,21904 0,98 0,33646 1,38 0,41621
0,19 0,07535 0,59 0,22240 0,99 0,33891 1,39 0,41774
0,20 0,07926 0,60 0,22575 1,00 0,34134 1,40 0,41924
0,21 0,08317 0,61 0,22907 1,01 0,34375 1,41 0,42073
0,22 0,08706 0,62 0,23237 1,02 0,34614 1,42 0,42220
0,23 0,09095 0,63 0,23565 1,03 0,34849 1,43 0,42364
0,24 0,09483 0,64 0,23891 1,04 0,35083 1,44 0,42507
0,25 0,09871 0,65 0,24215 1,05 0,35314 1,45 0,42647
0,26 0,10257 0,66 0,24537 1,06 0,35543 1,46 0,42785
0,27 0,10642 0,67 0,24857 1,07 0,35769 1,47 0,42922
0,28 0,11026 0,68 0,25175 1,08 0,35993 1,48 0,43056
0,29 0,11409 0,69 0,25490 1,09 0,36214 1,49 0,43189
0,30 0,11791 0,70 0,25804 1,10 0,36433 1,50 0,43319
0,31 0,12172 0,71 0,26115 1,11 0,36650 1,51 0,43448
0,32 0,12552 0,72 0,26424 1,12 0,36864 1,52 0,43574
0,33 0,12930 0,73 0,26730 1,13 0,37076 1,53 0,43699
0,34 0,13307 0,74 0,27035 1,14 0,37286 1,54 0,43822
0,35 0,13683 0,75 0,27337 1,15 0,37493 1,55 0,43943
157
– continuare Anexa 1 –
z (z) z (z) z (z) z (z)
0,36 0,14058 0,76 0,27637 1,16 0,37698 1,56 0,44062
0,37 0,14431 0,77 0,27935 1,17 0,37900 1,57 0,44179
0,38 0,14803 0,78 0,28230 1,18 0,38100 1,58 0,44295
0,39 0,15173 0,79 0,28524 1,19 0,38298 1,59 0,44408
1,60 0,44520 2,00 0,47725 2,40 0,49180 2,80 0,49744
1,61 0,44630 2,01 0,47778 2,41 0,49202 2,81 0,49752
1,62 0,44738 2,02 0,47831 2,42 0,49224 2,82 0,49760
1,63 0,44845 2,03 0,47882 2,43 0,49245 2,83 0,49767
1,64 0,44950 2,04 0,47932 2,44 0,49266 2,84 0,49774
1,65 0,45053 2,05 0,47982 2,45 0,49286 2,85 0,49781
1,66 0,45154 2,06 0,48030 2,46 0,49305 2,86 0,49788
1,67 0,45254 2,07 0,48077 2,47 0,49324 2,87 0,49795
1,68 0,45352 2,08 0,48124 2,48 0,49343 2,88 0,49801
1,69 0,45449 2,09 0,48169 2,49 0,49361 2,89 0,49807
1,70 0,45543 2,10 0,48214 2,50 0,49379 2,90 0,49813
1,71 0,45637 2,11 0,48257 2,51 0,49396 2,91 0,49819
1,72 0,45728 2,12 0,48300 2,52 0,49413 2,92 0,49825
1,73 0,45818 2,13 0,48341 2,53 0,49430 2,93 0,49831
1,74 0,45907 2,14 0,48382 2,54 0,49446 2,94 0,49836
1,75 0,45994 2,15 0,48422 2,55 0,49461 2,95 0,49841
1,76 0,46080 2,16 0,48461 2,56 0,49477 2,96 0,49846
1,77 0,46164 2,17 0,48500 2,57 0,49492 2,97 0,49851
1,78 0,46246 2,18 0,48537 2,58 0,49506 2,98 0,49856
1,79 0,46327 2,19 0,48574 2,59 0,49520 2,99 0,49861
1,80 0,46407 2,20 0,48610 2,60 0,49534 3,00 0,49865
1,81 0,46485 2,21 0,48645 2,61 0,49547 3,01 0,49869
1,82 0,46562 2,22 0,48679 2,62 0,49560 3,02 0,49874
1,83 0,46638 2,23 0,48713 2,63 0,49573 3,03 0,49878
1,84 0,46712 2,24 0,48745 2,64 0,49585 3,04 0,49882
1,85 0,46784 2,25 0,48778 2,65 0,49598 3,05 0,49886
1,86 0,46856 2,26 0,48809 2,66 0,49609 3,06 0,49889
1,87 0,46926 2,27 0,48840 2,67 0,49621 3,07 0,49893
1,88 0,46995 2,28 0,48870 2,68 0,49632 3,08 0,49896
1,89 0,47062 2,29 0,48899 2,69 0,49643 3,09 0,49900
1,90 0,47128 2,30 0,48928 2,70 0,49653 3,10 0,49903
1,91 0,47193 2,31 0,48956 2,71 0,49664 3,11 0,49906
158
– continuare Anexa 1 –
z (z) z (z) z (z) z (z)
1,92 0,47257 2,32 0,48983 2,72 0,49674 3,12 0,49910
1,93 0,47320 2,33 0,49010 2,73 0,49683 3,13 0,49913
1,94 0,47381 2,34 0,49036 2,74 0,49693 3,14 0,49916
1,95 0,47441 2,35 0,49061 2,75 0,49702 3,15 0,49918
1,96 0,47500 2,36 0,49086 2,76 0,49711 3,16 0,49921
1,97 0,47558 2,37 0,49111 2,77 0,49720 3,17 0,49924
1,98 0,47615 2,38 0,49134 2,78 0,49728 3,18 0,49926
1,99 0,47670 2,39 0,49158 2,79 0,49736 3,19 0,49929
3,20 0,499313 3,56 0,499815 3,92 0,499956 4,28 0,499991
3,21 0,499336 3,57 0,499821 3,93 0,499958 4,29 0,499991
3,22 0,499359 3,58 0,499828 3,94 0,499959 4,30 0,499991
3,23 0,499381 3,59 0,499835 3,95 0,499961 4,31 0,499992
3,24 0,499402 3,60 0,499841 3,96 0,499963 4,32 0,499992
3,25 0,499423 3,61 0,499847 3,97 0,499964 4,33 0,499993
3,26 0,499443 3,62 0,499853 3,98 0,499966 4,34 0,499993
3,27 0,499462 3,63 0,499858 3,99 0,499967 4,35 0,499993
3,28 0,499481 3,64 0,499864 4,00 0,499968 4,36 0,499993
3,29 0,499499 3,65 0,499869 4,01 0,499970 4,37 0,499994
3,30 0,499517 3,66 0,499874 4,02 0,499971 4,38 0,499994
3,31 0,499533 3,67 0,499879 4,03 0,499972 4,39 0,499994
3,32 0,499550 3,68 0,499883 4,04 0,499973 4,40 0,4999946
3,33 0,499566 3,69 0,499888 4,05 0,499974 4,41 0,4999948
3,34 0,499581 3,70 0,499892 4,06 0,499975 4,42 0,4999951
3,35 0,499596 3,71 0,499896 4,07 0,499976 4,43 0,4999953
3,36 0,499610 3,72 0,499900 4,08 0,499977 4,44 0,4999955
3,37 0,499624 3,73 0,499904 4,09 0,499978 4,45 0,4999957
3,38 0,499638 3,74 0,499908 4,10 0,499979 4,46 0,4999959
3,39 0,499650 3,75 0,499912 4,11 0,499980 4,47 0,4999961
3,40 0,499663 3,76 0,499915 4,12 0,499981 4,48 0,4999963
3,41 0,499675 3,77 0,499918 4,13 0,499982 4,49 0,4999964
3,42 0,499687 3,78 0,499922 4,14 0,499983 4,50 0,4999966
3,43 0,499698 3,79 0,499925 4,15 0,499983 4,60 0,4999979
3,44 0,499709 3,80 0,499928 4,16 0,499984 4,70 0,4999987
3,45 0,499720 3,81 0,499930 4,17 0,499985 4,80 0,4999992
3,46 0,499730 3,82 0,499933 4,18 0,499985 4,90 0,4999995
3,47 0,499740 3,83 0,499936 4,19 0,499986 5,00 0,4999997
159
– continuare Anexa 1 –
z (z) z (z) z (z) z (z)
3,48 0,499749 3,84 0,499938 4,20 0,499987
3,49 0,499758 3,85 0,499941 4,21 0,499987
3,50 0,499767 3,86 0,499943 4,22 0,499988
3,51 0,499776 3,87 0,499946 4,23 0,499988
3,52 0,499784 3,88 0,499948 4,24 0,499989
3,53 0,499792 3,89 0,499950 4,25 0,499989
3,54 0,499800 3,90 0,499952 4,26 0,499990
3,55 0,499807 3,91 0,499954 4,27 0,499990
160
Anexa 2. Distribuţia Student. Valorile lui t în funcţie de probabilitatea şi
numărul de grade de libertate (test bilateral)
161
Anexa 3. Distribuţia 2. Valorile lui 2 în funcţie de probabilitatea şi de
numărul de grade de libertate
162
Anexa 4. Distribuţia Fisher. Valorile lui F în funcţie de probabilitatea =
0,01 şi numărul de grade de libertate 1 şi 2
1 1 2 3 4 5 6 8 10 15
2
1 4052 4999 5404 5624 5764 5859 5981 6056 6157
2 98,502 99,000 99,164 99,251 99,302 99,331 99,375 99,397 99,433
3 34,116 30,816 29,457 28,710 28,237 27,911 27,489 27,228 26,872
4 21,198 18,000 16,694 15,977 15,522 15,207 14,799 14,546 14,198
5 16,258 13,274 12,060 11,392 10,967 10,672 10,289 10,051 9,722
6 13,745 10,925 9,780 9,148 8,746 8,466 8,102 7,874 7,559
7 12,246 9,547 8,451 7,847 7,460 7,191 6,840 6,620 6,314
8 11,259 8,649 7,591 7,006 6,632 6,371 6,029 5,814 5,515
9 10,562 8,022 6,992 6,422 6,057 5,802 5,467 5,257 4,962
10 10,044 7,559 6,552 5,994 5,636 5,386 5,057 4,849 4,558
11 9,646 7,206 6,217 5,668 5,316 5,069 4,744 4,539 4,251
12 9,330 6,927 5,953 5,412 5,064 4,821 4,499 4,296 4,010
13 9,074 6,701 5,739 5,205 4,862 4,620 4,302 4,100 3,815
14 8,862 6,515 5,564 5,035 4,695 4,456 4,140 3,939 3,656
15 8,683 6,359 5,417 4,893 4,556 4,318 4,004 3,805 3,522
16 8,531 6,226 5,292 4,773 4,437 4,202 3,890 3,691 3,409
17 8,400 6,112 5,185 4,669 4,336 4,101 3,791 3,593 3,312
18 8,285 6,013 5,092 4,579 4,248 4,015 3,705 3,508 3,227
19 8,185 5,926 5,010 4,500 4,171 3,939 3,631 3,434 3,153
20 8,096 5,849 4,938 4,431 4,103 3,871 3,564 3,368 3,088
21 8,017 5,780 4,874 4,369 4,042 3,812 3,506 3,310 3,030
22 7,945 5,719 4,817 4,313 3,988 3,758 3,453 3,258 2,978
23 7,881 5,664 4,765 4,264 3,939 3,710 3,406 3,211 2,931
24 7,823 5,614 4,718 4,218 3,895 3,667 3,363 3,168 2,889
25 7,770 5,568 4,675 4,177 3,855 3,627 3,324 3,129 2,850
26 7,721 5,526 4,637 4,140 3,818 3,591 3,288 3,094 2,815
27 7,677 5,488 4,601 4,106 3,785 3,558 3,256 3,062 2,783
28 7,636 5,453 4,568 4,074 3,754 3,528 3,226 3,032 2,753
29 7,598 5,420 4,538 4,045 3,725 3,499 3,198 3,005 2,726
30 7,562 5,390 4,510 4,018 3,699 3,473 3,173 2,979 2,700
50 7,171 5,057 4,199 3,720 3,408 3,186 2,890 2,698 2,419
100 6,895 4,824 3,984 3,513 3,206 2,988 2,694 2,503 2,223
500 6,686 4,648 3,821 3,357 3,054 2,838 2,547 2,356 2,075
1000 6,660 4,626 3,801 3,338 3,036 2,820 2,529 2,339 2,056
163
– continuare Anexa 4 –
1 20 24 30 40 60 100 300 500 1000
2
1 6209 6234 6260 6286 6313 6334 6355 6360 6363
2 99,448 99,455 99,466 99,477 99,484 99,491 99,499 99,499 99,499
3 26,690 26,597 26,504 26,411 26,316 26,241 26,163 26,148 26,137
4 14,019 13,929 13,838 13,745 13,652 13,577 13,501 13,486 13,475
5 9,553 9,466 9,379 9,291 9,202 9,130 9,057 9,042 9,032
6 7,396 7,313 7,229 7,143 7,057 6,987 6,916 6,901 6,891
7 6,155 6,074 5,992 5,908 5,824 5,755 5,685 5,671 5,660
8 5,359 5,279 5,198 5,116 5,032 4,963 4,894 4,880 4,869
9 4,808 4,729 4,649 4,567 4,483 4,415 4,346 4,332 4,321
10 4,405 4,327 4,247 4,165 4,082 4,014 3,944 3,930 3,920
11 4,099 4,021 3,941 3,860 3,776 3,708 3,638 3,624 3,613
12 3,858 3,780 3,701 3,619 3,535 3,467 3,397 3,382 3,372
13 3,665 3,587 3,507 3,425 3,341 3,272 3,202 3,187 3,176
14 3,505 3,427 3,348 3,266 3,181 3,112 3,040 3,026 3,015
15 3,372 3,294 3,214 3,132 3,047 2,977 2,905 2,891 2,880
16 3,259 3,181 3,101 3,018 2,933 2,863 2,790 2,775 2,764
17 3,162 3,083 3,003 2,920 2,835 2,764 2,691 2,676 2,664
18 3,077 2,999 2,919 2,835 2,749 2,678 2,604 2,589 2,577
19 3,003 2,925 2,844 2,761 2,674 2,602 2,528 2,512 2,501
20 2,938 2,859 2,778 2,695 2,608 2,535 2,460 2,445 2,433
21 2,880 2,801 2,720 2,636 2,548 2,476 2,400 2,384 2,372
22 2,827 2,749 2,667 2,583 2,495 2,422 2,345 2,329 2,317
23 2,780 2,702 2,620 2,536 2,447 2,373 2,296 2,280 2,268
24 2,738 2,659 2,577 2,492 2,403 2,329 2,251 2,235 2,223
25 2,699 2,620 2,538 2,453 2,364 2,289 2,210 2,194 2,182
26 2,664 2,585 2,503 2,417 2,327 2,252 2,173 2,156 2,144
27 2,632 2,552 2,470 2,384 2,294 2,218 2,138 2,122 2,109
28 2,602 2,522 2,440 2,354 2,263 2,187 2,106 2,090 2,077
29 2,574 2,495 2,412 2,325 2,234 2,158 2,077 2,060 2,047
30 2,549 2,469 2,386 2,299 2,208 2,131 2,049 2,032 2,019
50 2,265 2,183 2,098 2,007 1,909 1,825 1,733 1,713 1,698
100 2,067 1,983 1,893 1,797 1,692 1,598 1,490 1,466 1,447
500 1,915 1,829 1,735 1,633 1,517 1,408 1,268 1,232 1,201
1000 1,897 1,810 1,716 1,613 1,495 1,383 1,235 1,195 1,159
164
Anexa 4. Distribuţia Fisher. Valorile lui F în funcţie de probabilitatea =
0,05 şi numărul de grade de libertate 1 şi 2
1 1 2 3 4 5 6 8 10 15
2
1 161,45 199,50 215,71 224,58 230,16 233,99 238,88 241,88 245,95
2 18,513 19,000 19,164 19,247 19,296 19,329 19,371 19,396 19,429
3 10,128 9,552 9,277 9,117 9,013 8,941 8,845 8,785 8,703
4 7,709 6,944 6,591 6,388 6,256 6,163 6,041 5,964 5,858
5 6,608 5,786 5,409 5,192 5,050 4,950 4,818 4,735 4,619
6 5,987 5,143 4,757 4,534 4,387 4,284 4,147 4,060 3,938
7 5,591 4,737 4,347 4,120 3,972 3,866 3,726 3,637 3,511
8 5,318 4,459 4,066 3,838 3,688 3,581 3,438 3,347 3,218
9 5,117 4,256 3,863 3,633 3,482 3,374 3,230 3,137 3,006
10 4,965 4,103 3,708 3,478 3,326 3,217 3,072 2,978 2,845
11 4,844 3,982 3,587 3,357 3,204 3,095 2,948 2,854 2,719
12 4,747 3,885 3,490 3,259 3,106 2,996 2,849 2,753 2,617
13 4,667 3,806 3,411 3,179 3,025 2,915 2,767 2,671 2,533
14 4,600 3,739 3,344 3,112 2,958 2,848 2,699 2,602 2,463
15 4,543 3,682 3,287 3,056 2,901 2,790 2,641 2,544 2,403
16 4,494 3,634 3,239 3,007 2,852 2,741 2,591 2,494 2,352
17 4,451 3,592 3,197 2,965 2,810 2,699 2,548 2,450 2,308
18 4,414 3,555 3,160 2,928 2,773 2,661 2,510 2,412 2,269
19 4,381 3,522 3,127 2,895 2,740 2,628 2,477 2,378 2,234
20 4,351 3,493 3,098 2,866 2,711 2,599 2,447 2,348 2,203
21 4,325 3,467 3,072 2,840 2,685 2,573 2,420 2,321 2,176
22 4,301 3,443 3,049 2,817 2,661 2,549 2,397 2,297 2,151
23 4,279 3,422 3,028 2,796 2,640 2,528 2,375 2,275 2,128
24 4,260 3,403 3,009 2,776 2,621 2,508 2,355 2,255 2,108
25 4,242 3,385 2,991 2,759 2,603 2,490 2,337 2,236 2,089
26 4,225 3,369 2,975 2,743 2,587 2,474 2,321 2,220 2,072
27 4,210 3,354 2,960 2,728 2,572 2,459 2,305 2,204 2,056
28 4,196 3,340 2,947 2,714 2,558 2,445 2,291 2,190 2,041
29 4,183 3,328 2,934 2,701 2,545 2,432 2,278 2,177 2,027
30 4,171 3,316 2,922 2,690 2,534 2,421 2,266 2,165 2,015
50 4,034 3,183 2,790 2,557 2,400 2,286 2,130 2,026 1,871
100 3,936 3,087 2,696 2,463 2,305 2,191 2,032 1,927 1,768
500 3,860 3,014 2,623 2,390 2,232 2,117 1,957 1,850 1,686
1000 3,851 3,005 2,614 2,381 2,223 2,108 1,948 1,840 1,676
165
– continuare Anexa 4 –
1 20 24 30 40 60 100 300 500 1000
2
1 248,02 249,05 250,10 251,14 252,20 253,04 253,89 254,06 254,19
2 19,446 19,454 19,463 19,471 19,479 19,486 19,492 19,494 19,495
3 8,660 8,638 8,617 8,594 8,572 8,554 8,536 8,532 8,529
4 5,803 5,774 5,746 5,717 5,688 5,664 5,640 5,635 5,632
5 4,558 4,527 4,496 4,464 4,431 4,405 4,378 4,373 4,369
6 3,874 3,841 3,808 3,774 3,740 3,712 3,683 3,678 3,673
7 3,445 3,410 3,376 3,340 3,304 3,275 3,245 3,239 3,234
8 3,150 3,115 3,079 3,043 3,005 2,975 2,943 2,937 2,932
9 2,936 2,900 2,864 2,826 2,787 2,756 2,723 2,717 2,712
10 2,774 2,737 2,700 2,661 2,621 2,588 2,555 2,548 2,543
11 2,646 2,609 2,570 2,531 2,490 2,457 2,422 2,415 2,410
12 2,544 2,505 2,466 2,426 2,384 2,350 2,314 2,307 2,302
13 2,459 2,420 2,380 2,339 2,297 2,261 2,225 2,218 2,212
14 2,388 2,349 2,308 2,266 2,223 2,187 2,150 2,142 2,136
15 2,328 2,288 2,247 2,204 2,160 2,123 2,085 2,078 2,072
16 2,276 2,235 2,194 2,151 2,106 2,068 2,030 2,022 2,016
17 2,230 2,190 2,148 2,104 2,058 2,020 1,981 1,973 1,967
18 2,191 2,150 2,107 2,063 2,017 1,978 1,938 1,929 1,923
19 2,155 2,114 2,071 2,026 1,980 1,940 1,899 1,891 1,884
20 2,124 2,082 2,039 1,994 1,946 1,907 1,865 1,856 1,850
21 2,096 2,054 2,010 1,965 1,916 1,876 1,834 1,825 1,818
22 2,071 2,028 1,984 1,938 1,889 1,849 1,806 1,797 1,790
23 2,048 2,005 1,961 1,914 1,865 1,823 1,780 1,771 1,764
24 2,027 1,984 1,939 1,892 1,842 1,800 1,756 1,747 1,740
25 2,007 1,964 1,919 1,872 1,822 1,779 1,735 1,725 1,718
26 1,990 1,946 1,901 1,853 1,803 1,760 1,714 1,705 1,698
27 1,974 1,930 1,884 1,836 1,785 1,742 1,696 1,686 1,679
28 1,959 1,915 1,869 1,820 1,769 1,725 1,679 1,669 1,662
29 1,945 1,901 1,854 1,806 1,754 1,710 1,663 1,653 1,645
30 1,932 1,887 1,841 1,792 1,740 1,695 1,647 1,637 1,630
50 1,784 1,737 1,687 1,634 1,576 1,525 1,469 1,457 1,448
100 1,676 1,627 1,573 1,515 1,450 1,392 1,323 1,308 1,296
500 1,592 1,539 1,482 1,419 1,345 1,275 1,183 1,159 1,138
1000 1,581 1,528 1,471 1,406 1,332 1,260 1,161 1,134 1,110
166