BIOSTATISTICĂ

Elemente de teoria probabilităţilor

Cursul 1

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 1

 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 2
 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 3
 Experimente şi evenimente
Statistica
Teoria
probabilităților
Biostatistica

Eveniment Experiment
Fenomene – deterministe
– aleatoare
Experiment = proces repetabil, cu rezultat măsurabil sau identificabil
Experiment aleator = experiment în care rezultatul nu este unic şi nu
poate fi prezis cu precizie
Eveniment elementar = rezultatul posibil al unui experiment aleator.
Eveniment = colecţie de evenimente elementare
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 4
 Experimente şi evenimente
Eveniment E  eveniment complementar ( E), eveniment
sigur (1), eveniment imposibil (), conjuncţia
evenimentelor ( E F ), disjuncţia evenimentelor ( E F)
Exemplu: Măsurarea diamentrului unei celule.
[a,b], a<b E =diametru[a,b], E =diametru[a,b]
[c,d], c<d F=diametru[c,d], F =diametru[c,d]
E F =diametru[c,b]

E F = E şi F exclusive
E F = diametru[a,d]

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 5

 Experimente şi evenimente
Reprezentarea evenimentelor
ca părţi ale unui univers U.

Operaţii cu evenimente:
• Complement
• Conjuncţie
• Disjuncţie
E1 , E2 ,, En o familie finită de evenimente.
n

 Ei = evenimetul sigur  familie exhaustivă

i 1
Ei  E j  , i  j , ()i, j  evenimente mutual exclusive
Familia exhaustivă + evenimente mutual exclusive= familie completă
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 6
 Conținutul acestui curs:
Experimente şi evenimente
Probabilități
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 7
 Probabilităţi
Probabilitate = sorţi de izbândă
Engleză: probablility of event, likelihood of a
hypothesis, odds, chances
Eveniment E  P(E)[0,1] probabilitate.
E=evenimentul sigur  P(E)=1
E=evenimentul imposibil  P(E)=0
E=orice alt eveniment  P(E) nu se cunoaşte, se
estimează.
Metode de estimație: - practică
- logică
- computaţională
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 8
 Probabilităţi
Metoda practică: repetarea experimentului
nr aparitiilor lui E frecvenţa relativă
f 
nr total de incercari
Metoda logică: raţionamente asupra condiţiilor
geometrice şi fizice
Metoda computaţională: presupune cunoaşterea
probabilităţilor altor evenimente legate de
evenimentul respectiv.
P( E)  1  P(E)
aria(U)=1

P(E F)  P(E)  P(F) - P(E F)

P(E F)  P(E)  P(F), P(E F)  
P(U)  1 aria totală
P(E) aria părţii corespunzătoare lui E
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 9
 Probabilităţi
P(E) probalilitatea lui E
P(E)
O(E) cota lui E O(E) 
1  P(E)

Relaţia între probabilitate şi cotă:

O(E)
P(E) 
1  O(E)

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 10

 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiționate şi probabilitățile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 11
Evenimente condiţionate şi probabilităţile lor
Noţiunea de probabilitate are sens doar “în viitor”. Odata
ce evenimentul a apărut probabilitatea îşi pierde sensul.
E condiţionat de A (E|A)

Exemplu: E = pacientul suferă de maladia M

A = testul T este pozitiv
E|A : Pacientul suferă de maladia M în condiţiile
în care testul T a ieşit pozitiv.
P(E A) Realizarea lui A restrânge
P(E | A)  universul U la A.
P( A)
E şi F independente P(E|F)=P(E) şi P(F|E)=P(F). P( E F)  P(E)  P(F)
(realizarea a priori a unuia nu modifică probabilitatea celuilalt)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 12
 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 13
 Teorema lui Bayes
Fie D1 , D2 ,..., Dn o familie completă de evenimente pentru care
se cunosc probabilităţile a priori P( D1 ), P( D2 ),...,P( Dn ) şi S un
alt eveniment pentru care se cunosc toate probabilităţile
condiţionate P( S | D1 ), P( S | D2 ),...,P( S | Dn ), atunci probabi-
lităţile condiţionate inverse P( Di | S ) se pot determina cu
ajutorul formulei:
P( Di )  P( S | Di )
P( Di | S ) 
P( D1 )  P( S | D1 )  ...  P( Dn )  P( S | Dn )
Scop: reevaluarea probabilităţilor diferitelor ipoteze de
diagnostic.
D1 , D2 ,..., Dn ipoteze de diagnostic, P( Di ) probabilităţi a priori,
S un test sau simptom  probabilităţi a posteriori P( Di | S ).

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 14

 Teorema lui Bayes
Exemplu: D1 pacientul are TBC (familie completă)
D2 pacientul nu are TBC
S test pozitiv in radiografie pulmonară
P( D1 )  0.03 din recensământ, P( D2 )  0.97
P( S | D1 )  0.90 din experienţa medicală, P( S | D2 )  0.01
0.03  0.90
P( D1 | S )   0.736
0.03  0.90  0.97  0.01
3  şanse de TBC  test pozitiv  73.6  şanse de TBC
Condiţii pt teorema Bayes:
– maladiile trebuie să fie mutual exclusive
– simptomele trebuie să fie independente

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 15

 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparații şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 16
 Comparaţii şi paradoxuri
Paradoxul lui Simpson: Se consideră 2 medicamente A şi
B pentru creşterea imunităţii. Care este “mai bun”?
nr indivizilor cu crestere semnificat iva a imunitatii
rata de succes 
nr total de indivizi
Creşt. semnif.
Stagnare Total Rata de succes
a imunitații
Medicamentul A a
a c nA=a+c rA 
ac
Medicamentul B b
b d nB=b+d rB 
bd
rA  rB
ab distribuţie normală standard
 1 1  r
r(1  r)   nA  nB p_value= riscul asumat la
 nA nB  ordonarea rA>rB
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 17
 Comparaţii şi paradoxuri
Creşt. semnif. Rata de succes
Stagnare
a imunitații (p_value=0.725)
Medicamentul A 24 26 0.48
Medicamentul B 22 28 0.44
Stratificare după sex:
Creşt. semnif.
Barbați Stagnare Rata de succes
a imunitații
Medicamentul A 20 15 0.57
Medicamentul B 10 5 0.66
Creşt. semnif.
Femei Stagnare Rata de succes
a imunitații
Medicamentul A 4 11 0.26
Medicamentul B 12 23 0.34

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 18

 Comparaţii şi paradoxuri
Creşt. semnif. Rata de succes
Stagnare
a imunitații (p_value=0.725)
Medicamentul A 24 26 0.48
Medicamentul B 22 28 0.44
Stratificare după sex:
Creşt. semnif.
Barbați Stagnare Rata de succes
a imunitații
Medicamentul A 20 15 0.57
Medicamentul B 10 5 0.66
Creşt. semnif.
Femei Stagnare Rata de succes
a imunitații
Medicamentul A 4 11 0.26
Medicamentul B 12 23 0.34
Deciziile care nu sunt bine fundamentate luate la nivel global într-o populaţie
neomogenă pot fi în contradicţie cu ceea ce se obţine la nivelul straturilor!
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 19
 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuții
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 20
 Variabile aleatoare şi distribuţii
Variabile aleatoare, distribuţii = modalităţi de
descriere (numerică) a unui experiment aleator.
Variabile aleatoare – discrete
– continue
X variabilă aleatoare discretă: x1 , x2 ,..., xn valori posibile
Distribuţie de probabilitate:
 x1 x2  xn   pi  0
 
 p1 p2  pn  p1  p 2 ...  pn  ...  1
pi  P( X  xi ) xn

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 21

 Variabile aleatoare şi distribuţii
Pentru distribuţia de probabilitate
 x1 x2  xn   E( X )  p1 x1  p2 x2  ...  pn xn  ...
 
 p1 p2  pn  E( X ) media varibilei X
“centrul” valorilor
E – esperance, expectation
Operaţii cu variabile aleatoare:
• Adunarea
• Înmulţirea (ridicarea la putere).
X, Y variabile aleatoare discrete x1 , x2 ,..., xn ,... , y , y ,..., y
1 2 m
,...
X, Y independente
P( X  x  Y  y )  P( X  x )  P(Y  y )
i j i j
()i  1, n, j  1, m
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 22
 Variabile aleatoare şi distribuţii
Adunarea
 x1  y1 x1  y2  x1  ym  x2  y1  xn  ym 
X  Y :  
 r11 r12  r1m  r21  rnm 
rij  P( X  xi  Y  yi )  P( X  xi )  P(Y  yi )
P( X  Y  s )   P( X  x  Y  y )
x ys
Ridicarea la putere
E( X 2 )  x12 p1  x22 p2  ...  x22 p2  ...
 x12 x22  xn2  
  E( X 2 )  (E( X )) 2  Var ( X )
p p2  pn 
 1
E(( X  E( X )) 2 )  Var ( X )
Proprietăţi:
E( X  Y )  E( X )  E(Y )
Var ( X  Y )  Var ( X )  Var (Y )
Var ( X  Y )  Var ( X )  Var (Y ), X , Y independente
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 23
 Variabile aleatoare şi distribuţii
Exemplu:
X \ Y Astm (1) Non-astm(2)  1 2 
Fumător (1) 21 419 440 X :  440 1160 
 
Nefumător (2) 9 1151 1160  1600 1600 
30 1570 1600  1 2 
Y :  30 1570 
 2 4   
3  1600 1600 
X  Y :  21 428 1151 
 
 1600 1600 1600 
21
P( X  Y  2)  P( X  1  Y  1) 
1600
9 419
P( X  Y  3)  P( X  1  Y  2)  P( X  2  Y  1)  
1600 1600
1151
P( X  Y  4)  P( X  2  Y  2) 
1600
 1 2 4 
X  Y :  21 428 1151 
 
 1600 1600 1600 
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 24
 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuții binomiale
Distribuţii Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 25
 Distribuţii binomiale
Variabila aleatoare cu 2 valori (succes=1, eşec=0)
= variabilă Bernoulli
Notaţie: Be(p), p=parametru
 0 1 E(Be ( p))  p
Be( p) :  
1  p p Var(Be ( p))  p(1  p)
Generalizare: X1, X 2 ,...X n variabile aleatoare Bernoulli inde-
pendente una de cealaltă cu acelaşi parametru p.
X 1  X 2  ...  X n  b(n, p) este o variabilă aleatoare binomială şi
reprezintă nr de “succese” obţinute în n încercări.
Probabilitatea de a obţine k succese:
P(b(n, p)  k )  Cnk p k (1  p) n  k
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 26
 Distribuţii binomiale
Condiţii pentru experiment ( distribuţie binomială):
1. n încercări
2. rezultatul de tip “succes” sau “eşec”
3. probabilitatea de succes este aceeaşi
4. încercările sunt independente
Valorile variabilei aleatoare binomiale reprezintă nr de
“succese” obţinute în n încercări.
Proprietăţi: E(b(n, p))  np
Var(b(n, p))  np(1  p)
Excel: BINOMDIST cu argumente: nr de succese, nr de
încercări, prob. de succes, parametru pt distribuţia
cumulată
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 27
 Distribuţii binomiale
Exemplu: 4 monede aruncate simultan.
Fie X nr de apariţie a stemelor. X este o variabilă
aleatoare cu distribuţia:
0 1 2 3 4
1 4 6 4 1
 
 16 16 16 16 16 
1 1 1 1 1
(0,0,0,0)     
2 2 2 2 16
1 1 1 1 4
(1,0,0,0)  (0,1,0,0)  (0,0,1,0)  (0,0,0,1)     
16 16 16 16 16
1
  1  1 1
4 1
1 1
3
4 p  ,n  4
P b 4,   1  C4 1    4     
1
2
  2  2 2 2  2 16
k 1
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 28
 Distribuţii binomiale
n=15, p=0.25

n=25, p=0.2

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 29

 Distribuţii binomiale
Exemplu: Test cu 15 întrebări, o întrebare are 5 răspunsuri
posibile din care doar unul corect. Să se determine
probabilitatea ca o persoană, care răspunde la întâmplare, să
obţină 8 puncte. Să se determine media răspunsurilor corecte
pe care le obţin persosnele care răspund la întâmplare.
Soluţie: Avem o distribuţie binomială cu n=15 şi p=1/5=0.2
k=8 nr de raspunsuri corecte. Se cere P(b(15,0.2)  8)  ?
P(b(15,0.2)  8)  0.00034 deci mai puţin de 1‰ şanse!
E(b(15,0.2))  15  0.2  (1  0.2)  5  0.2  0.8  3

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 30

 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuții Poisson
Distribuţii continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 31
 Distribuţii Poisson
Variabila aleatoare Poisson reprezintă nr de apariţii rare care
au loc într-un interval de timp sau spaţial (regiune, domeniu)
bine delimitat.
Condiţii pentru experiment ( distribuţie Poisson):
1. nr de apariţii dintr-un interval este independent de nr de
apariţii din alt interval
2. probabilitatea unei apariţii singulare din interval
depinde de lungimea intervalului
3. probabilitatea mai multor apariţii într-un interval tinde
la 0 când lungimea intervalului tinde la 0.
Valorile variabilei aleatoare Poisson reprezintă nr de
apariţii într-un interval în condiţiile unui experiment
Poisson.
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 32
 Distribuţii Poisson
n
Distribuţia Poisson: Po( ), P( Po( )  n)  en
n!
Proprietăţi: E( Po( ))   Var ( Po( ))  
Excel: POISSON
Exemplu: O echipă SMURD primeşte (în medie) 12
apeluri pe lună. Elicopterul poate efectua cel mult 3
zboruri. Se se calculeze probabilitatea ca într-o zi să
apară mai mult de 3 apeluri.
Soluţie: Avem o distribuţie Poisson cu =12/30=0.4,
considerând ca o lună are 30 zile.
P( Po( )  3)  1  P( Po( )  3)  0.00077 adică o dată la 3 ani!
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 33
 Distribuţii Poisson

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 34

 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuții continue
Distribuţii normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 35
 Distribuţii continue
Distribuțiile continue=distribuţii în care variabilele aleatoare iau
valori într-un domeniu continuu (interval pe axa reală).
Caracterizarea distribuţiilor continue:
Densitatea de probabilitate=funcţie reală, continuă, f cu
proprietăţile: 


(1) f ( x)  0, () x   şi (2) f ( x)dx  1

c b
Legătura cu
probabilităţile:
P( X  c) 

 f ( x)dx  f ( x)dx
P ( a  X  b) 
a x
Funcţia de distribuţie: F :   [0,1] F ( x)  P( X  x)   f ( z )dz
F continuă 
Relația între densitatea de probabilitate şi funcţia de distribuţie:
f ( x)  F ' ( x), () x in care F este derivabila
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 36
 Distribuţii continue

Densitatea de probabilitate Funcţie de distribuţie

Valoarea f(x) a unei funcţii F(x)
densitate de probabilitate
nu este o probabilitate !

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 37

 Distribuţii continue

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 38

 Distribuţii discrete - Distribuţii continue
Caracterizare Caracterizare
 x1 x2  xn   - Densitatea de probabilitate
 
 p1 p2  pn  f : 
f ( x)  0, () x    f ( x )dx  1
pi  P( X  xi ) pi  0 
- Funcţia de distribuţie
p1  p 2 ...  pn  ...  1 F :   [0,1] x
F ( x)  P( X  x )   f ( z )dz

Legatura cu probabilităţile
k
Legatura cu probabilitățile
P( X  xk )   pi
c

i 1
P( X  c )   f ( x )dx
k 
P( x j  X  xk )   pi , j  k b
P( a  X  b)   f ( x )dx
i  j 1
a
Media Media

E( X )  p1 x1  p2 x2  ...  pn xn  ... E( X )   xf ( x )dx


IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 39

 Conținutul acestui curs:
Experimente şi evenimente
Probabilităţi
Evenimente condiţionate şi probabilităţile lor
Teorema lui Bayes
Comparaţii şi paradoxuri
Variabile aleatoare şi distribuţii
Distribuţii binomiale
Distribuţii Poisson
Distribuţii continue
Distribuții normale (Gauss)
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 40
 Distribuţii normale (Gauss)
Este caracterizată de parametrii  şi 2 . Este caracterizată de
densitatea de probabilitate:  x   2
1 
f ( x)  e 2
2

 2
Notaţie: N( ,2).
Proprietăţi:
E( N (  ,  2 ))    = media teoretică
Var ( N (  ,  2 ))   2 2 = varianţa teoretică (dispersia)
 = deviaţia standard teoretică (abaterea) >0
Grafic: în formă de clopot, simetric în jurul valorii x=,, întinderea
clopotului depinde de mărimea lui . Aria totală de sub curbă este 1.
Standardizare: x
z x
 P( X  x)  P( Z  )
N ( , 2 )  N (0,1) 
standardizare
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 41
 Distribuţii normale (Gauss)
Funcţii Excel:
NORMDIST, NORMINV – pentru N(,2)
NORMSDIST, NORMSINV – pentru N(0,1)

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 42

 Distribuţii normale (Gauss)
Densitatea şi funcția de distribuție: interpretare

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 43

 Distribuţii normale (Gauss)
Aproximativ 68% din arie se afla
. in interiorul intervalului
determinat de o (1) deviatie
68% standard

μ  3σ μ  2σ μ  σ μ μ  σ μ  2σ μ  3σ
= valoarea
masurată
Aproximativ 95% din arie se afla in = eroarea
interiorul intervalului determinat N( , 2 )
cuantifică erorile
de 2 deviatii standard
care apar în
masurători
Aproximativ 99.7% din arie se afla in interiorul
intervalului determinat de 3 deviatii standard
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 44
 Distribuţii normale (Gauss)
Importanța:
• Modelează “bine” valorile numerice “care
apar în practică” în legătură cu “populaţiile
mari”
• Aproximează “bine” alte distribuţii (binomiala)
• Constituie fundamentul interenţei statistice
(reprezintă distribuţia estimărilor
parametrului unei populaţii, estimările fiind
obţinute din toate eşantioanele posibile)

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 45

 Distribuţii normale (Gauss)
Aproximarea distribuţiei binomiale cu o normală:
Condiţii: p=0.5  b(n,p) simetrică
b(n,p) aproximată de normală dacă np5 sau n(1-p)5.
 =np şi 2=np(1-p) parametrii normalei
Exemplu: 100 delegaţi trebuie să aleagă un consiliu de 20 membrii.
Un delegat va vota selectând 20 de nume din 100, iar comisia va
delara aleşi pe acei candidaţi care au 51 de voturi “pentru”. Ce şanse
sunt în alegerea consiliului de 20 membrii?
Pp ca un delegat alege la întâmplare  p=20/100=0.2 probabilitatea de succes
pentru un candidat. Pp ca toate buletinele de vot sunt valide  nr de voturi
obţinute de un candidat este o variabilă aleatoare b(100,0.2).
=np=1000.2=20, 2=np(1-p)=200.8=16, =4  N(20,4) pentru aproximare.
(-3, +3)=(8, 32) interval care conţine 99.5% din rezult. obţinute de un
candidat!
Practic şanse nule în alegerea consiliului!
IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 46
 Bibliografie
• Freund E.J. & Simon G.A. Modern Elementary Statistics,
Prentice-Hall Inc., New Jersey, 1997.
• Glenn A. Walker, Common Statistical Methods for Clinical
Research with SAS- Examples, Second Edition, SAS Publishing,
2002.
• Evans Hastings and Peacock, Statistical Distributions, 3rd. Ed.,
John Wiley and Sons, 2000.
• Iosifescu M., Moineagu C., Trebici V., Ursianu E., Mică
enciclopedie de statistică, Ed. Ştiinţifică şi Enciclopedică,
Bucureşti, 1985.

IM&Bs UMF "C. Davila" Biostatistica - cursul 1- 2011 47