MATEMATICI SPECIALE I E

si
I C
i le
e ri
. I.s
.T
. T
aE
CURSULte12
l t a
cu
F a
REPARTIŢII c i a l e FOLOSITE ȊN
e
i c STATISTICĂ
i s p
a t
a tem
e M
l d
rs u
Cu
 Repartiţia normală I E
si
I C
Prin definiţie, o variabilă continuă X are ioile
repartiţie normală, sau repartiţie Gauss –. sLaplace, e r
. I
dacă funcţia de repartiţie a variabilei TX.Teste dată de
E .
relația: e a
t a t
l
2 cu
x

 t mF a
1
F  x   ecia l2e 2
dt , x  , m  ,  0 ,
 2 spe
c i
a ti
unde m şi atsunt em parametrii funcţiei de repartiţie.
Funcţia de e Mrepartiţie normală se notează de obicei prin
l d
r su
Cu
N  m,  iar faptul că v.a. X urmează această
2 I E
si
repartiție se exprimă prin X N  m,  . I C 2
i l e
ri emedia și
Parametrii repartiţiei normale semnifică I.
s
.
dispersia variabilei X. Mai precis, .T.T
a E
2tat
e 2
m  M  X  , ul  D  X .
a c
e F
i a l
Din acest motiv putem e c spune că repartiţia normală
  s p
N m, are media
2
ti c i m şi dispersia  2
.
ma
a t e
e M
l d
r su
Cu
Observații: 1) Pentru calcul efectiv al valorilor i I E
s
funcţiei de repartiţie corespunzătoare unei variabile I C
 2

normale N m, putem utiliza funcţia Excel
se ri i l e
. I .
. T
. T  t m 
2

a1
E x

NORMDIST  x, m, ,TRUE  lta t e
 e 2 2
dt ,
c u  2 
F a
l e
c ia
x  , m  ,  0, spsau e funcţiile similare ale altor
i c i
utilitare specializate a t pe rezolvarea problemelor de
e m
statistică, cum a t ar fi cele oferite de MATLAB de
exemplu. e M
Noi am prezentat funcţia NORMDIST din
l d
Excelr s deoarece utilitarul Excel este mai răspândit în
u
Cu
rândul utilizatorilor. Pentru mai multă claritate,i Icu E
s
alegerea făcută anterior, dacă N este o v.a. supusă I C legii
N  m,   , m  ,   0, atunci
2 i l e
e ri
. s
. I
. T
T
P  N  x   NORMDIST  x, m,  a E,TRUE  , x  .
.
a t e
u lt
a c
2) Media și dispersia ldetermină e F în mod unic
repartiția normală. ecia
p
Repartiţia normală i c i sN  0,1 se numeşte repartiţia
a t
normală redusă, t e m repartiţia normală normată, sau
repartiţiae M a
normală standard. O v.a. repartizată după
legea uN l d 0,1 se notează de obicei cu Z şi este
r s
Cu
cunoscută sub denumirea de variabilă Z, variabilă i I E
s
normală redusă, etc. Orice variabilă X repartizată I C
 2

normal N m, poate fi transformată într-o
se
i l e
ri v.a.
repartizată N  0,1 prin transformarea.T(de
.
.I normare,
. T
sau de standardizare) a E
t e
X lm
t a
Z  ac . u
e F
i a l
e c
s p
3) Pentru calculul i c i efectiv al valorilor funcţiei de
repartiţie corespunzătoarea t unei variabile normale
e m
N  0,1 putem M
a t utiliza fie tabele special calculate, fie
d e
funcţia u l Excel
r s
Cu
 x

t2 I E
1
NORMDIST  x,0,1,TRUE  
i
2   2
e dt , x C
e I
 .
s
ii l
e r
. s
I
Mai clar, dacă z este o v.a. supusă legii . TN  0,1, atunci
.
. T
E
P  z  x   NORMDIST  x,0,1,TRUE t e a  , x  .
l t a
c u
F a
l e
Repartiția
e c i a  2

s p
c i
Repartiția definită a ti prin densitatea de probabilitate
t e m
a
e M
l d
r su
Cu
  n
 
x
I E
1 1 i
 x 2
e 2
, pentru x  0 C
s
 n/2  n  I
fn  x    2    rii,l en  1,
  2
. se
. I
0, pentru T . Tx  0
E .
t e a
t a
se numește repartiția  cu nc grade de libertate.
2
u l
F a
Această repartiție, descoperită a l e inițial de către Helmert,
a fost pusă în evidență c i
p e de către K. Pearson. Vom nota
s
cu   n  mulțimea
2
ti i
c tuturor v.a. care au densitatea de
a
m mai sus.
repartiție definită
a t e
Dacă eXM1 , X 2 ,.., X n , cu n  1, este un șir de v.a.
d
l
independente,
r su de repartiție normală N  0,1, atunci
Cu
 2  n   X 12  X 22  ..  X n2 , este o v.a. supusă repartiției
si I E
 2  n  cu n grade de libertate. e I C
ii l
e r
. s
Observație: Pentru calcul efectiv al probabilitaţii . I
. T
P     0 , unde  este o v.a. supusă . T
2 2 2
a E repartiţiei
t e
  n  cu n  1 grade de libertate,
2
c u l t a iar  2
0 , este un
a
F pe lângă posibilităţile
număr real strict pozitiv ldat, e
oferite de tabelele special c ia întocmite în acest scop,
p e
putem utiliza funcţia i s Excel
ti c
ma
a t e
e M
l d
r su
Cu
 1
 n
1 
t
I E
CHIDIST  x, n    2
t 2
e dt , x  0, n  C
s*i,
 n  I
2n/2    x ii l e
  2 e r
. s
. I
. T
P     0   CHIDIST   0 , n . a E
2 2 2 . T
a t e
u lt
a c
F
Repartiția a l e Student
c i
p e
Repartiția definită i s prin densitatea de probabilitate
ti c
ma
a t e
e M
l d
r su
Cu
  n 1 I E
   x2  2 
n 1
C
si
fn  x  
1  2 
1  I
, x  iil,en  1,

n   n   n se r
  . I .
 2 . T
. T
a E
a t e
se numește repartiția Student ucu lt n grade de libertate.
Această repartiție a fost descoperită a c și pusă în evidență
e F
de către W. Gosset, "Student", ia l reprezentând
e c
pseudonimul sub care p
s ilustrul matematician își semna
c i
lucrările. Vommnota a cu t  n  mulțimea tuturor v.a. care
ti
t e
au densitatea M
a de repartiție definită mai sus.
d e
u l
r s
Cu
Dacă X 1 , X 2 ,.., X n , cu n  1, este un șir de v.a. I E
si
independente, de repartiție normală N m,  2 e, Iatunci   i l
C
e ri
. s
X m . I
. T
t , .T
1 n t2ea E

n i c1u
Xta i
l
F a
l e
c ia
este o v.a. supusă repartiției p e Student cu n grade de
i s
libertate. ti c
ma
a t e
Observații: e M 1) Pentru calcul efectiv al probabilitaţii
d
P  t rsu  , unde t este o v.a. supusă repartiţiei Student
l
Cu
t  n  , cu n  1 grade de libertate, iar  , este un număr I E
si
real pozitiv dat, pe lângă posibilităţile oferite deI C
i l e
tabelele special întocmite în acest scop, putem e ri utiliza
. s
funcţia Excel . I
. T
. T
E
 n a1te
a
  ult   
n 1
1  c 2   x 2
 2
TDIST  , n,1  e F a
  1  dx ,
ncial   n    n 
e  
i s p 2
ti c
ma
  0, n  1, aP  t     TDIST  , n,1.
t e
e M
l d
r su
Cu
 2) Pentru calcul efectiv al probabilitaţii P  t  si I, E
unde t este o v.a. supusă repartiţiei Student t  ne I,Ccu
ii l
n  1 grade de libertate, iar  , este un număr se r real
. .
I de tabelele
pozitiv dat, pe lângă posibilităţile oferite . T
special întocmite în acest scop, putem . T utiliza funcţia
a E
Excel a t e
u lt
a c
F
a l  n 1
e
e c i      
n 1
p
1  2    x 2
 2
TDIST  , n, 2  tici s
  1   dx 
a n   n     n 
t e m   
M
a 2
d e
u l
r s
Cu
  n  1  I E
 
n 1
     
n 1 i
s
 x  2 2
 2  2   x I C
2 2
  1   dx     1  iile dx ,
  n   n   n   e rn 
  
I . s
 2  .T .
. T
a E
  0, n  1, P  t     TDISTlt , n, 2  . a t e
c u
F a
l e
c ia
Repartiția p e Fisher - Snedecor
i s
ti c
Repartiția Snedecor m a cu  1  1,  2  1, grade de
a te
libertate, se M defineștre prin densitatea de repartiție
d e
u l
r s
Cu
      I E
1 1 i 2
 
1 2
 1  s2
 1  2
 2  2 1   1 I C
f1 , 2  x     x 1  iilxe  ,
 2   1     2   . ser2 
    . I
   
2 2 . T
. T
a E
t e
0  x  ,  1 ,  2  1. u lt a
a c
e F
l
Vom nota cu FS  1 ,pec2  mulțimea tuturor v.a. care au
i a
i s
densitatea de repartiție ti c definită mai sus.
a
Dacă v.a. tte aparține clasei t  n  , atunci v.a. t
m 2
a
aparținedeclasei M FS 1, n .
u l
r s
Cu
 Dacă     1  și     2  sunt două v.a.i I E
2 2 2 2
1 2 s
1 /  1
2
I C
independente, atunci 2  FS  1 ,  2  . iile
2 / 2 se r
.
Dacă F  FS  1 ,  2 , atunci   lim 2
.
. I
T  1 F aparține
. T 2 
E
clasei   1  .
2
a t e a
u lt 1
Dacă F  FS  1 ,  2 , atunci F a c  FS  2 ,  1 .
a l e F
c i
e
p calcul efectiv al probabilitaţii
Observații: 1) Pentru i s
c
P  F  x  , undeaF ti este o v.a. supusă repartiţiei Fisher -
e m
Snedecor M FSa  1 ,  2 , cu n  1 grade de libertate, iar x,
t
e
este un l d
număr real strict pozitiv dat, pe lângă
r su
Cu
posibilităţile oferite de tabelele special întocmite îni I E
s
acest scop, putem utiliza funcţia Excel I C
i l e
ri
FDIST  x, 1 , 2   se
. I .
. T
. T
E
  1  2  t e a
1
   t
 ul1
a 
1  2
 1  2
 2 1 
 Fa x 2 1  1 x
c   2
 
  2     1   cia2l  x
e  
 2 
 dx ,
  pe 
 2 is  2 
ti c
m a
x  0, n  1, aP  F  x   FDIST  x, 1 , 2 .
t e
e M
l d
r su
Cu
 Repartiția Fisher I E
si
I C
Repartiția Fisher cu  1  1,  2  1, grade deiillibertate, e
e r
se defineștre prin densitatea de repartițieI. s
T .
T .
E .
1   1   2 tea  
  t
a  1 2
1  1  2  l     2
f1 , 2  x   2  
2 u 
F a c e 1 x
 1  1 2
e  x
,
e  2   l e       
cia    
1 2 2

p e 2   2 
i s
ti c
ma
a t e x  ,  1 ,  2  1.
e M
l d
r su
Cu
 1 E
Dacă F  FS  v1 , 2 , atunci v.a.   ln F , urmează
I
si
2 I C
repartiția Fisher. i l e
e ri
. s
. I
. T
. T
a E
a t e
u lt
a c
e F
i a l
e c
s p
c i
a ti
t e m
a
e M
l d
r su
Cu
 E
DEFINIȚII DE BAZĂ ȊN STATISTICA si
I
I C
i l e
ri
DESCRIPTIVĂ . se
. I
. T
. T
Inferenţa statistică a E
a t e
l t
Prin inferenţă statistică se a c înţelege obţinerea de
u
concluzii bazate pe o evidenţă e F statistică, adică pe
i a l
informaţii derivate dintr-un p e c eşantion. Concluziile trase
privesc anumiți parametrii i s ai caracteristicii
ti c
(caracteristicilor) ma populaţiei din care provine
a t e
eşantionul.M
d e
u l
r s
Cu
 Inferenţa statistică implică considerarea a trei i I E
s
distribuţii asociate cu caracteristica studiată: I C
- distribuţia populaţiei; i l e
e ri
- distribuţia de sondaj; . s
. I
- distribuţia eşantionului. . T
. T
a E
a t e
Prin distribuţie a populaţiei u ltse înţelege distribuţia
a c
pe care o are caracteristica l e Fpopulației studiate (sau v.a.
asociată acestei caracteristici). c i a
p e
s
Prin distribuţiaicieşantionului se înţelege distribuţia
a t
pe care o are caracteristica studiată în eşantionul
t e m
disponibilMîn studiu.
a
d e
u l
r s
Cu
 Prin distribuţia de sondaj a unei statistici se I E
si
înţelege distribuţia pe care o are statistica în mulţimea I C
tuturor eşantioanelor de un volum dat. i l e
e ri
. s
. I
Inferenţa statistică se realizează în.Tgeneral .T după
E
următorul algoritm: t e a
t a
- din populația originală se c u lprelevează un eşantion
cât mai reprezentativ scopului F a propus;
a l e
- pe baza datelor din i
c acest eșantion se calculează
p e
acea valoare tipică i s
a populației pentru care s-a demarat
ti c
studiul; ma
t e
- utilizând M
a repartiţia de sondaj a statisticii, se pot
face evaluări
d e ale erorilor de estimaţie.
l
r su
Cu
 De exemplu, dacă En   x1 ,.., xn  este un eșantion I E
si
de volum n prelevat dintr-o populație normală de I C
l e
parametrii m și  , atunci media de sondaj eri
2 i
s
x1    xn . I .
x a eșantionului considerat T . T va urma
n E .
repartiția normală de parametriitate a
l
 u   
 
2 2
a c
M x  m, D x  2
F altfel zis x N  m,
, esau  .
ncial  n 
p e
i s
ti c
ma
a t e
e M
l d
r su
Cu
 Estimaţii statistice I E
si
I C
Se numeşte estimator statistic orice mărime i l e
e ri
obținută pe baza unor date de sondaj prinI. care s se
.
urmărește aproximarea valorii unui parametru T . T statistic.
E .
t e a
De exemplu, media aritmetică l t a a valorilor
c u
caracteristicii unei populații F adate cuprinse într-un
l e
eșantion oarecare poateciaconstitui un estimator pentru
e
media teoretică  ai spopulaţiei din care a fost prelevat
p
ti c
eșantionul. Demasemenea, a abaterea standard de sondaj,
a t e
s , poate constitui
M un estimator pentru abaterea
standard d eteoretică  a populaţiei pe care s-a efectuat
u l
r s
sondajul, etc.
Cu
 I E
si
După natura lor, în statistică se utilizează două I C
i l e
tipuri de estimaţii: punctuale și sub formă sde eri
intervalle, sau regiuni de încredere. .T . I .
. T
Prin estimaţie punctuală înțelegem a E un număr care
a t e
aproximează cu o probabilitate u ltdată valoarea
a c
parametrului estimat. F
a l e
Prin estimaţie subpeformă c i de înterval, sau de regiune
i s
de încredere, înțelegem ti c un interval al axei reale, sau o
regiune a unui a
mspațiu multidimensional, care acoperă
a t e
cu o probabilitate
M dată, valoarea necunoscută a
d e
parametrului
u l estimat.
r s
Cu
 I E
si
Exemplul 1: Intervale de încredere pentru medie I C
i l e
e ri
Considerăm o populaţie statistică de .caracteristică .I s x
repartizată normal, cu parametrii  şi.T.T 2 . Presupunem
E
că dintr-un eşantion de volum n ts-au e obţinut, media de
a
a
lt 2
sondaj x şi dispersia de sondaj u
c s . Pentru un prag de
F a
semnificație egal cu  ,iaintervalul l e de încredere pentru
media populaţiei este e c
s p
i
 ti c 
x zm1   / 2     x 
a z 1   / 2  ,
nate n
e M
l d
r su
Cu
dacă dispersia,  este cunoscută, unde z 1   / 2 ,i I E
2
s
 IC
este quantila (valoarea critică) de ordinul 1 iile a
e r2
s
repartiţiei normale standard N  0,1, și T.I .
T .
E .
t e a
s a s
x t 1   / 2    cu x l t t 1   / 2  ,
n F a n
l e
dacă dispersia,  , nueceste 2 ia cunoscută, unde t 1   / 2 ,
s p
c i 
este quantila (valoarea a ti critică) de ordinul 1  a
t e m 2
repartiţiei M a
Student cu   n  1 grade de libertate.
d e
u l
r s
Cu
 I E
si
I C
Exemplul 2: Intervale de încredere pentru dispersie i l e
e ri
. s
. I
Considerăm o populaţie normală, Tsau .T aproximativ
.
normală, de parametrii  şi  necunoscuţi. 2
e a E Se
a t
demonstrează că, pentru un prag u lt de încredere
c
satatistică de 1   , intervalul e
a
F de încredere bilateral
a l
pentru dispersia populaţiei e c i studiate este dat de
inegalitățile s p
i c i
a t
t e m
a
e M
l d
r su
Cu
 E
 n  1 s  n  1 s
2 2
I
  2
2
, IC si
 1   / 2,  
2
  / 2,  ile
i e r
.s . I 2
. T
unde n este volumul eşantionului utilizat, E . T s este
dispersia de sondaj, iar   / 2, 2
a t 
e a  şi  1   / 2,  
2
lt
a c u 
sunt quantilele (valorile critice) e F de ordin , respectiv
i a l 2
 e c
1  , ale repartiţiei s p 2
 cu   n  1 grade de libertate.
c i
2 a ti
t e m
a
e M
l d
r su
Cu