Control statistic s, i fiabilitate

Curs
Versiunea 2.1

S, . L. Mihail-Ioan Pop

2019
2
Cuprins

Introducere 5

1 Probabilităt, i s, i statistică matematică 7

1.1 Elemente de teoria probabilităt, ilor . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Variabile aleatoare. Mărimi caracteristice . . . . . . . . . . . . . . . . . . 10
1.3 Variabile aleatoare multidimensionale . . . . . . . . . . . . . . . . . . . . 14
1.4 Tipuri de repartit, ii de probabilitate . . . . . . . . . . . . . . . . . . . . . . 15
1.5 Estimat, ii statistice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.6 Intervale de ı̂ncredere s, i ipoteze statistice . . . . . . . . . . . . . . . . . . 23
1.7 Control statistic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2 Teoria fiabilităt, ii 33
2.1 Funct, ia de fiabilitate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.2 Fiabilitatea sistemelor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.3 Arbori de defectare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

Bibliografie 41

3
4
Introducere

Versiunea 1 - preliminară
Versiunea 2
- corecturi
- adăugări: control statistic; figuri
Versiunea 2.1
- corectura operatiilor la portile logice pt. arbori de defectare
- completari minore

5
6
Capitolul 1

Probabilităt, i s, i statistică
matematică

1.1 Elemente de teoria probabilităt, ilor

Probabilitatea unui eveniment reprezintă o măsură a s, ansei ca acel eveniment să se
producă. În mod intuitiv un eveniment imposibil are probabilitatea zero. Un eveniment
sigur primes, te probabilitatea 1. Există s, i evenimente ı̂ntre aceste extreme - evenimente
aleatoare (ı̂ntâmplătoare), a caror probabilitate de producere este ı̂ntre 0 s, i 1.
Probabilitatea asociată unui eveniment poate fi definită ı̂n mai multe feluri. O
definit, ie poate fi dată pe baza numărului total de evenimente posibile s, i a numărului
acelor evenimente care duc la producerea evenimentului dorit. Pentru aceasta să con-
siderăm că ı̂ntr-o situat, ie dată s-au putut identifica o serie de evenimente elementare
(cele mai simple evenimente posibile) e1 , e2 , ..., en . Presupunem că acestea au aceeas, i
s, ansă să se producă, deci aceeas, i probabilitate (sunt echiprobabile). Atunci mult, imea
E = {e1 , e2 , ..., en } se numes, te spat, iul evenimentelor elementare. Mult, imea E este ı̂n
acelas, i timp un eveniment compus, care poate fi exprimat ca E =”Se produce eveni-
mentul e1 sau evenimentul e2 ... sau evenimentul en ”. Deoarece acestea sunt toate
evenimentele elementare posibile rezultă că E este chiar evenimentul sigur. Probabili-
tatea lui va fi atunci P (E) = 1. Dar cum evenimentele ei sunt echiprobabile rezultă că
probabilitatea lor trebuie să fie P (ei ) = 1/n. Orice eveniment posibil A poate fi expri-
mat ca o mult, ime de evenimente elementare, de forma A = {ei1 , ei2 , ..., eim }, unde indicii
i1 , i2 , ..., im au valori ı̂ntre 1 s, i n. As, adar mult, imea A poate fi exprimată prin producerea
a m din cele n evenimente elementare. Atunci are sens să se calculeze probabilitatea sa
ca:
Xm
P (A) = P (eij ), (1.1)
j=1

m
P (A) = (1.2)
n
În felul acesta putem calcula probabilităt, ile oricărui eveniment cu condit, ia să identi-

7
ficăm toate evenimentele elementare echiprobabile care se pot produce. În practică nu
ı̂ntotdeauna este posibil acest lucru.
Exemplul 1. Se aruncă un zar. Care sunt probabilităt, ile de producere a avenimentelor:
A=”Se obt, ine o fat, ă pară”
B=”Se obt, ine un număr mai mic decât 3”
C=”Se obt, ine fat, a 7”
În cazul unui zar este us, or să identificăm evenimentele elementare. Spat, iul aces-
tora va fi E = {e1 , e2 , e3 , e4 , e5 , e6 }, unde evenimentul ei =”Se obt, ine fat, a i”. Atunci
probabilitatea fiecărui eveniment elementar este P (ei ) = 1/6. Pe scurt ei = {i} s, i
E = {1, 2, 3, 4, 5, 6}.
Evenimentul A = {2, 4, 6}=”Se obt, ine fat, a 2 sau fat, a 4 sau fat, a 6”. Probabilitatea
sa este P (A) = 3/6 = 1/2. La fel B = {1, 2}, P (B) = 2/6 = 1/3. Evenimentul C nu
poate fi scris in termeni de evenimente elementare, chiar daca le-am identificat pe toate,
deoarece C este un eveniment imposibil: P (C) = 0.
O abordare experimentală de calcul a probabilităt, ii unui eveniment se bazează pe
numărul de aparit, ii a evenimentului respectiv dintr-un număr total de ı̂ncercări. Con-
siderăm un experiment ı̂n care se urmăres, te aparit, ia unui anumit eveniment A. Se
execută experimentul ı̂n condit, ii identice de N ori. Se constată că evenimentul A apare
de n ori. Atunci se poate defini frecvent, a de aparit, ie a evenimentului A ca f (A) = n/N .
În practică se constată că:
lim f (A) = P (A). (1.3)
N →∞
As, adar repetând experimentul de un număr mare de ori se poate aproxima probabilitatea
evenimentului A prin frecvent, a sa de aparit, ie.
O abordare mult mai riguroasă de definire a probabilităt, ii se face pe baza unor
axiome. Nu vom folosi ı̂nsă această abordare.
După cum am văzut deja evenimentele pot fi exprimate ca mult, imi de evenimente el-
ementare. Acestora li se pot aplica operat, iile obis, nuite pe mult, imi (reuniune, intersect, ie,
diferent, ă, mult, imea contrarie). Dar evenimentele au s, i o interpretare literală, care poate
fi exprimată prin propozit, ii, pentru care se pot aplica operat, ii logice. Astfel, operat, iilor
pe mult, imi li se pot asocia operat, ii logice (sau, s, i, negare etc.). Dacă neglijăm diferent, a
dintre exprimarea unui eveniment ca mult, ime sau propozit, ie atunci are loc echivalent, a
operat, iilor pentru evenimentele A s, i B:

A ∪ B = ”Are loc A sau B” = A + B, (1.4)

A ∩ B = ”Au loc A s, i B” = A · B, (1.5)
A = ”Nu are loc A”, (1.6)
A \ B = A ∩ B = ”Are loc A, dar nu B”. (1.7)

Aici operat, iile logice ”sau”, ”s, i” s-au notat cu ”+”, ”·”.
Mult, imile s, i operat, iile lor pot fi reprezentate grafic prin diagrame Venn-Euler. Pen-
tru aceasta considerăm spat, iul evenimentelor elementare E si reprezentăm toate eveni-
mentele compuse ca mult, imi care includ evenimentele elementare care duc la realizarea

8
 Figura 1.1: Diagrama Venn-Euler pentru un eveniment A.

Figura 1.2: Diagrame Venn-Euler pentru operat, ii pe evenimente.

acestor evenimente compuse (fig. 1.1). Operat, iile pe evenimente (mult, imi) pot fi
reprezentate us, or (fig. 1.2).
În continuare vom vedea cum se calculează probabilitatea unui eveniment obt, inut
din alte evenimente prin operat, ii logice (operat, ii pe mult, imi).
Dacă considerăm 2 evenimente A s, i B ale căror probabilităt, i P (A), P (B) sunt cunos-
cute, să calculăm probabilitatea P (A ∪ B) = P (A + B) a evenimentului ”are loc A sau
B”. Dacă A s, i B sunt mult, imi disjuncte (A ∩ B = ∅) atunci din definit, ia probabilităt, ii
(1.2) rezultă:
P (A ∪ B) = P (A + B) = P (A) + P (B). (1.8)
Dacă ı̂nsă mult, imile A, B nu sunt disjuncte atunci se poate exprima A∪B = A∪(B\A) =
A ∪ (B \ (A ∩ B)), unde mult, imile A s, i B \ A = B \ (A ∩ B) sunt disjuncte. Atunci
probabilitatea lui A ∪ B se poate calcula ca:

P (A ∪ B) = P (A) + P (B \ (A ∩ B)) = P (A) + P (B) − P (A ∩ B). (1.9)

sau
P (A + B) = P (A) + P (B) − P (A · B). (1.10)
Două mult, imi disjuncte reprezintă două evenimente dintre care doar unul se poate
realiza la un moment dat, niciodată ambele. Dacă ı̂nsă mult, imile nu sunt disjuncte este
posibil să se realizeze ambele evenimente asociate ı̂n acelas, i timp; aceasta se ı̂ntâmplă
când se realizează evenimentul dat de A ∩ B.

9
Definit, ia 1. Două evenimente se numesc incompatibile dacă producerea unuia exclude
producerea celuilalt. Două evenimente care se pot realiza ı̂n acelas, i timp se numesc
compatibile.
As, adar 2 mult, imi disjuncte caracterizează evenimente incompatibile.
Definit, ia 2. Două evenimente se numesc independente dacă producerea unuia nu modifică
probabilitatea de producere a celuilalt.
Pentru 2 evenimente independente A, B probabilitatea intersect, iei lor este:

P (A ∩ B) = P (A · B) = P (A) · P (B). (1.11)

Dacă ı̂nsă evenimentele nu sunt idependente atunci producerea evenimentului A va mod-

ifica probabilitatea producerii evenimentului B. Atunci va fi o diferent, ă ı̂ntre probabil-
itatea producerii evenimentului B P (B) s, i probabilitatea producerii evenimentului B
dacă s-a produs deja evenimentul A P (B|A). Ultima probabilitate se numes, te probabil-
itate condit, ionată. Atunci relat, ia de mai sus devine:

P (A · B) = P (A) · P (B|A) = P (B) · P (A|B). (1.12)

Dacă se cunosc probabilităt, ile evenimentelor P (A) s, i P (B) s, i probabilitatea ca să se

producă ambele evenimente P (A · B) atunci se pot calcula probabilităt, ile condit, ionate
ca să se producă unul din evenimente dacă s-a produs celălalt:
P (A · B) P (A · B)
P (A|B) = , P (B|A) = . (1.13)
P (B) P (A)
Dacă evenimentele A, B sunt independente atunci P (A|B) = P (A) s, i P (B|A) = P (B).

1.2 Variabile aleatoare. Mărimi caracteristice

Dacă E este spat, iul probabilităt, ilor elementare, care poate avea un număr infinit
de evenimente elementare, atunci se pot defini funct, ii pe acest spat, iu cu valori ı̂ntr-o
mult, ime de numere.
Definit, ia 3. O variabilă aleatoare este o funct, ie:

X : E −→ Rn . (1.14)

Astfel o variabilă aleatoare poate fi multidimensională (n > 1) sau unidimensională

(n = 1). Valorile sale pot fi numere reale, dar s, i complexe etc. Pentru simplitate vom
considera o variabilă aleatoare unidimensională cu valori reale:

X : E −→ R. (1.15)

Variabilele aleatoare pot fi discrete sau continue după cum mult, imea valorilor pe care le
iau X(E) este o mult, ime discretă (cum e mult, imea numerelor naturale N) sau o mult, ime
continuă (cum e R).

10
 Deoarece evenimentele elementare pot avea asociate niste probabilităt, i prin inter-
mediul unei funct, ii de probabilitate P , acestea se transferă s, i valorilor variabilei aleatoare.
Astfel, dacă pentru un eveniment e ∈ E, P (e) = p s, i variabila aleatoare asociază fiecărui
eveniment elementar o unică valoare numerică (adică este funct, ie injectivă), atunci se
poate spune că valoarea x = X(e) apare cu aceeas, i probabilitate: P (x) = P (e) = p. În
general ı̂nsă o variabilă aleatoare poate asocia aceeas, i valoare numerică mai multor eveni-
mente elementare, astfel ı̂ncât probabilitatea unei valori nu este egală cu probabilitatea
unui eveniment elementar.
Probabilităt, ile asociate fiecărei valori a variabilei aleatoare formează repartit, ia de
probabilitate (numită uneori distribut, ia de probabilitate) a variabilei aleatoare. Pentru o
variabilă aleatoare discretă care ia valori xi cu probabilităt, ile P (xi ) = pi , i = 1, 2, 3, ...
repartit, ia sa poate fi reprezentată ca un tablou cu valorile pe prima linie s, i probabilităt, ile
asociate pe a doua linie:
   
x1 x2 x3 ... xi
X: = (1.16)
p1 p2 p3 ... pi i=1,2,3,...

Probabilităt, ile ı̂ndeplinesc condit, ia de normare:

X
pi = 1. (1.17)
i

Dacă X este o variabilă aleatoare continuă, atunci va lua valori ı̂ntr-o mult, ime con-
tinuă de numere, care poate fi un interval sau toată mult, imea numerelor reale. Atunci
repartit, ia sa de probabilitate nu mai poate fi dată ca un tablou care să cuprindă toate
valorile posibile. Mai mult, probabilitatea ca să apară o anumită valoare x nu mai este
un număr finit p, deoarece ı̂n acel caz suma tuturor probabilităt, ilor ar fi calculată pe un
interval continuu de valori si ar fi infinită. Probabilitatea asociată unei valori x trebuie
atunci să fie o mărime infinitezimală dP (x) = dF (x), iar suma devine o integrală, astfel
ı̂ncât condit, ia de normare devine:
ˆ ∞
dF (x) = 1. (1.18)
−∞

Funct, ia F (x) se numes, te funct, ie de repartit, ie (funct, ie de distribut, ie) a variabilei aleatoare
X. Aceasta poate fi definită ca:
ˆ x
F (x) = P (X < x) = dF (x0 ). (1.19)
−∞

Dacă F (x) admite derivată:

dF (x)
f (x) = (1.20)
dx
atunci f (x) se numes, te densitatea de probabilitate a variabilei aleatoare X. F (x) sau f (x)
caracterizează repartit, ia de probabilitate a variabilei aleatoare. Atunci dF (x) = f (x)dx
s, i condit, ia de normare devine: ˆ ∞
f (x)dx = 1. (1.21)
−∞

11
Figura 1.3: Densitatea de probabilitate s, i funct, ia de repartit, ie pentru o repartit, ie con-
tinuă.

Dacă X nu ia valori ı̂n toată mult, imea R atunci se poate considera că f (x) = 0 ı̂n afara
intervalului de valori. În general probabilitatea ca variabila aleatoare să ia valori ı̂ntr-un
interval [a; b) se poate calcula ca:
ˆ b
P (X ∈ [a; b)) = f (x)dx. (1.22)
a

Dacă f (x) este o funct, ie continuă atunci nu contează cum se iau capetele intervalului
(deschise sau ı̂nchise), deoarece relat, ia de mai sus rămâne valabilă.
Densitatea de probabilitate ia valori f (x) ≥ 0. Funct, ia de repartit, ie ia valori
F (x) ∈ [0; 1]. F (x) este o funct, ie crescătoare cu proprietăt, ile: limx→−∞ F (x) = 0,
limx→∞ F (x) = 1.
Mărimi caracteristice ale variabilelor aleatoare
Pe lângă repartit, ia de probabilitate variabilele aleatoare au o serie de mărimi car-
acteristice. Acestea reprezintă valori numerice care poartă o informat, ie referitoare la
variabila aleatoare X. Vom prezenta pe scurt cele mai importante mărimi cu formule
atât pentru variabile discrete (cu sume) cât s, i continue (cu integrale).
1. Media unei variabile aleatoare X este definită ca
X
m = M (X) = xi p i , (1.23)
i
ˆ ∞
m = M (X) = xf (x)dx. (1.24)
−∞
Media reprezintă o măsură a valorii tipice a variabilei aleatoare.
2. Mediana Me reprezintă valoarea lui X care separă intervalul de valori ı̂n 2 părt, i
care au aceeas, i probabilitate:

P (X < Me ) = P (X >= Me ) = 1/2, (1.25)

12
 ˆ Me ˆ ∞
xf (x)dx = xf (x)dx = 1/2. (1.26)
−∞ Me
3. Modul, atunci când există, reprezintă o valoare a variabilei aleatoare cu o prob-
abilitate maximă de aparit, ie:
P (Mo ) = max ., (1.27)
f (Mo ) = max . (1.28)
4. Momentul de ordinul n reprezintă media lui X n :
X
Mn (X) = M (X n ) = xni pi , (1.29)
i
ˆ ∞
n
Mn (X) = M (X ) = xn f (x)dx. (1.30)
−∞
Media este atunci momentul de ordinul 1: M (X) = M1 (X).
5. Momentul centrat de ordinul n este momentul de ordinul n al lui X − m:
X
µn (X) = M ((X − m)n ) = (xi − m)n pi , (1.31)
i
ˆ ∞
µn (X) = M ((X − m)n ) = (x − m)n f (x)dx. (1.32)
−∞
6. Dispersia este momentul centrat de ordinul 2:
X
D(X) = σ 2 (X) = µ2 (X) = (xi − m)2 pi , (1.33)
i
ˆ ∞
2
D(X) = σ (X) = µ2 (X) = (x − m)2 f (x)dx. (1.34)
−∞
7. Abaterea medie pătratică (abaterea standard):
p
σ(X) = D(x). (1.35)
Abaterea medie pătratică reprezintă o măsură a ı̂mprăs, tierii valorilor variabilei aleatoare
X ı̂n jurul mediei.
8. Coeficientul de variat, ie (abaterea relativă) reprezintă o măsură a ı̂mprăs, tierii
valorilor relativ la valoarea mediei:
σ(X)
CV (X) = ε(X) = . (1.36)
M (X)
9. Coeficientul de asimetrie (skewness) reprezintă o măsură a asimetriei repartit, iei
fat, ă de pozit, ia mediei:
µ3 (X)
skew(X) = 3 . (1.37)
σ (X)
10. Coeficientul de exces (aplatizare - kurtosis) reprezintă o măsură a turtirii
repartit, iei:
µ4 (X)
kurt(X) = 4 − 3. (1.38)
σ (X)

13
1.3 Variabile aleatoare multidimensionale
O variabilă aleatoare multidimensională ia un vector de valori:

X : E −→ Rn , (1.39)

X(e) = (X1 (e), X2 (e), ..., Xn (e)) , (1.40)

unde
Xi : E −→ R. (1.41)
Funct, ia sa de repartit, ie este:

F (x1 , x2 , ..., xn ) = P (X1 < x1 , X2 < x2 , ..., Xn < xn ). (1.42)

Dacă există, densitatea de probabilitate este:

∂ n F (x1 , x2 , ..., xn )
f (x1 , x2 , ..., xn ) = , (1.43)
∂x1 ∂x2 ...∂xn
astfel ı̂ncât
ˆ x1 ˆ x2 ˆ xn
F (x1 , x2 , ..., xn ) = ... f (x01 , x02 , ..., x0n )dx01 dx02 ...dx0n . (1.44)
−∞ −∞ −∞

Repartit, iile variabilelor Xi luate separat se numesc repartit, ii marginale ale variabilei
multidimensionale X s, i sunt date de funct, iile de repartit, ie marginale:

Fi (xi ) = F (∞, ∞, ..., ∞, xi , ∞, ..., ∞) (1.45)

cu xi pe pozit, ia i s, i de densităt, ile de probabilitate marginale:

ˆ ∞ ˆ ∞ ˆ ∞ ˆ ∞ ˆ ∞
fi (xi ) = dx01 dx02 ... dx0i−1 dx0i+1 ... dx0n f (x01 , ..., x0i−1 , xi , x0i+1 , ..., x0n ),
−∞ −∞ −∞ −∞ −∞
(1.46)
unde nu se integrează ı̂n raport cu xi .
Dacă considerăm o variabilă aleatoare bidimensională (X, Y ), unde X, Y sunt vari-
abile aleatoare unidimensionale, atunci se definesc mărimile caracteristice:

Definit, ia 4. Corelat, ia (covariant, a) variabilelor aleatoare X, Y este:

C(X, Y ) = cov(X, Y ) = M [(X − M (X)) · (Y − M (Y ))] . (1.47)

Raportul (coeficientul) de corelat, ie al variabilelor aleatoare X, Y este:

C(X, Y )
r(X, Y ) = . (1.48)
σ(X)σ(Y )
Definit, ia 5. Variabilele aleatoare X, Y sunt independente dacă evenimentele ”X < x”
s, i ”Y < y” sunt independente pentru orice x, y ∈ R.

14
 Dacă X, Y sunt independente, atunci din definit, ia de mai sus rezultă:

P (X < x, Y < y) = P (X < x) · P (Y < y) ⇒ F (x, y) = FX (x) · FY (y), (1.49)

unde F (x, y) este funct, ia de repartit, ie a variabilei aleatoare bidimensionale (X, Y ) s, i

FX (x), FY (y) sunt funct, iile de repartit, ie ale X, Y . Dacă derivăm ı̂n relat, ia de mai sus
după x s, i y se obt, ine pentru densităt, ile de probabilitate dacă X, Y sunt independente:

f (x, y) = fX (x) · fY (y). (1.50)

Propozit, ia 1. Dacă variabilele aleatoare X, Y sunt independente atunci:

i) M (X · Y ) = M (X) · M (Y ); (1.51)
ii) C(X · Y ) = 0. (1.52)

Din ultima relat, ie se vede că corelat, ia s, i raportul de corelat, ie pot fi folosite uneori ca
măsuri ale independent, ei a 2 variabile aleatoare. Trebuie ı̂nsă t, inut cont că implicat, ia
inversă celei din propozit, ie nu are loc ı̂n general: dacă C(X, Y ) = 0 nu este obligatoriu
ca X, Y sa fie independente. Raportul de corelat, ie ia valori r(X, Y ) ∈ [−1; 1] s, i dacă
X, Y sunt independente atunci r(X, Y ) = 0.

1.4 Tipuri de repartit, ii de probabilitate

Repartit, ii discrete
Repartit, ia binomială (Bernoulli)
Repartit, ia binomială descrie aparit, ia unui eveniment ı̂n mai multe probe dacă se
cunoas, te probabilitatea sa de aparit, ie ı̂ntr-o singură probă. Astfel, dacă un eveniment
A are probabilitatea de aparit, ie ı̂ntr-o ı̂ncercare P (A) = p s, i probabilitatea să nu apară
P (A) = q = 1 − p, atunci făcând n ı̂ncercări ı̂n aceleas, i condit, ii probabilitatea ca
evenimentul A să se producă de k ori s, i să nu se producă de n − k ori este:

P (n, k) = Cnk pk q n−k . (1.53)

Aici variabila aleatoare ia valorile k = 0, 1, 2, ..., n. Repartit, ia binomială are media s, i

dispersia:
M (k) = np, (1.54)

D(k) = npq. (1.55)

Exemplul 2. Un lot de 100 piese cont, ine 3 piese defecte. Se fac 10 extrageri a câte 1
piesă din lot, care este utilizată s, i apoi reintrodusă ı̂n lot, ı̂naintea următoarei extrageri
(pentru ca extragerile să se desfăs, oare ı̂n condit, ii identice). Care este probabilitatea ca
ı̂n cele 10 extrageri să se folosească o piesă defectă de 4 ori?

15
 Probabilitatea ca o piesă să fie defectă este q = 3/100. Probabilitatea ca să fie bună
este p = 97/100. Se fac n = 10 extrageri. Vrem să determinăm probabilitatea ca piesa
extrasă să fie bună de k = 6 ori s, i defectă de n − k = 4 ori. Aceasta este:
 6  4
97 3
6
P (n, k) = P (10, 6) = C10 ' 1, 42 · 10−4 .
100 100

Repartit, ia hipergeometrică
Dacă ı̂ntr-un lot de N piese, dintre care a sunt bune s, i b defecte, N = a + b, se extrag
n piese fără ca să fie repuse ı̂napoi ı̂n lot, probabilitatea să se obt, ină k piese bune s, i
n − k piese defecte este:
C k C n−k
P (n, k) = a nb . (1.56)
Ca+b
Repartit, ia Poisson
Aceasta reprezintă repartit, ia evenimentelor rare. Dacă un eveniment are probabil-
itatea de aparit, ie ı̂n unitatea de timp λ = dP/dt mică atunci probabilitatea ca eveni-
mentul să apară de k ori ı̂n timpul t este:

(λt)k −λt
P (k) = e , (1.57)
k!
unde k = 0, 1, 2, .... Aceasta are proprietatea:

M (k) = D(k) = λt = m. (1.58)

Repartit, ia se mai poate scrie atunci:

mk −m
P (k) = e . (1.59)
k!

Repartit, ii continue
Repartit, ia uniformă
Aceasta este dată de o densitate de probabilitate constantă pe un interval:
1
f (x) = , x ∈ [a; b]. (1.60)
b−a
Se consideră că f (x) = 0 dacă x ∈
/ [a; b]. Funct, ia de repartit, ie este:

 0, x<a
x−a
F (x) = , x ∈ [a; b] (1.61)
 b−a
1, x>b

Media s, i dispersia sunt:

a+b
M (X) = , (1.62)
2

16
 (b − a)2
D(X) = . (1.63)
12
Repartit, ia exponent, ială
Densitatea sa de probabilitate este:

f (x) = λe−λx , x ≥ 0, (1.64)

unde λ > 0 este parametrul repartit, iei. Funct, ia de repartit, ie s, i mărimile sale caracter-
istice sunt:
F (x) = 1 − e−λx , x ≥ 0, (1.65)
1
M (X) = σ(X) = . (1.66)
λ
Repartit, ia normală (gaussiană)
Aceasta este repartit, ia valorilor măsurate de aparatele de măsură asupra cărora
act, ionează un număr mare de factori perturbatori. Densitatea sa de probabilitate este:

1 (x−m)2
f (x) = √ e− 2σ2 , x ∈ R. (1.67)
σ 2π

Funct, ia de repartit, ie nu are o expresie analitică:

ˆ x
1 (x0 −m)2
F (x) = √ e− 2σ 2 dx0 . (1.68)
σ 2π −∞

Media s, i dispersia sunt date de parametrii m s, i σ:

M (X) = m, D(X) = σ 2 , σ(X) = σ. (1.69)

De asemenea skew(X) = 0, kurt(X) = 0. Dacă X este o variabilă aleatoare cu repartit, ie

normală cu media m s, i dispersia σ 2 atunci se mai scrie X ∈ N (m, σ 2 ). Atunci variabila
aleatoare X0 = X−mσ ∈ N (0, 1) s, i se zice că are repartit, ie normală normată (redusă).
Densitatea de probabilitate s, i funct, ia de repartit, ie normate sunt:

1 x20
f0 (x0 ) = √ e− 2 , (1.70)
2π
ˆ x0
1 x02
F0 (x0 ) = √ e− 2 dx0 . (1.71)
2π −∞

Dacă X ∈ N (m, σ 2 ) atunci funct, ia sa de repartit, ie se poate calcula pe baza funct, iei de
repartit, ie normate:
 
x−m
F (x) = F0 (x0 ) = F0 . (1.72)
σ

17
Teorema 1. (Teorema limită centrală) Dacă X1 , X2 , ..., Xn , ... sunt variabile aleatoare
independente s, i identic distribuite (cu aceeas, i repartit, ie), cu media M (Xi ) = m s, i dis-
persia D(Xi ) = σ 2 atunci variabila aleatoare Sn = X1 + X2 + ... + Xn are proprietatea:
Sn → N (nm, nσ 2 ) (1.73)
când n → ∞.
Consecint, a 1. În condit, iile din teorema limită centrală media variabilelor aleatoare Xi
are proprietatea:
σ2
 
Sn
Xn = → N m, (1.74)
n n
când n → ∞.
As, adar media aritmetică a unui număr mare de valori ale unei variabile aleatoare este
tot o variabilă aleatoare cu repartit, ie aproximativ normală, cu aceeas, i medie ca variabila
√
aleatoare s, i cu abaterea medie pătratică σ/ n, care scade la 0 pe măsură ce numărul de
valori cres, te la infinit. As, adar cu cât media este calculată cu mai multe valori cu atât
aceasta este mai bine estimată.
Repartit, ia Student
Repartit, ia Student este dată de densitatea de probabilitate:
− ν+1
1 Γ ν+1


2 x2 2
f (x) = √ + 1 , x ∈ R. (1.75)
νπ Γ ν2


ν
Parametrul ν > 0 reprezintă numărul gradelor de libertate al repartit, iei Student. Repartit, ia
Student are media s, i dispersia M (X) = 0, D(X) = ν/(ν − 2).
Repartit, ia χ2 (chi pătrat)
Aceasta are densitatea de probabilitate:
1 ν x
f (x) = ν

x 2 −1 e− 2 , x > 0, (1.76)
2ν/2 Γ 2

unde ν > 0 este numărul gradelor de libertate al repartit, iei χ2 . Media s, i dispersia sa sunt
M (X) = ν, D(X) = 2ν. P Dacă variabilele aleatoare Xi ∈ N (0, 1), i = 1, 2, ..., ν atunci
variabila aleatoare S 2 = νi=1 Xi2 are repartit, ie χ2 cu ν grade de libertate. Repartit, ia
χ2 apare astfel ca repartit, ie a dispersiei de estimat, ie a unei variabile aleatoare normale
reduse.
Repartit, ia Weibull
Densitatea de probabilitate a repartit, iei Weibull este:
b  x b−1 −( x )b
f (x) = e a , x > 0, (1.77)
a a
unde a > 0 este un parametru de scară s, i b > 0 un parametru de formă. Uneori se mai
introduce s, i un parametru de pozit, ie x0 > 0:

b x − x0 b−1 − x−x
   b
0
f (x) = e a
, x > x0 . (1.78)
a a

18
Aceasta dă repartit, ia Weibull ı̂n forma generală. Pentru x0 = 0 funct, ia de repartit, ie,
media s, i dispersia repartit, iei Weibull sunt:
x b
F (x) = 1 − e−( a ) , x > 0, (1.79)
 
a 1
M (X) = Γ , (1.80)
b b
    
2 2 2 1
D(X) = a Γ +1 −Γ +1 . (1.81)
b b
Repartit, ia Weibull este aplicată ı̂n teoria fiabilităt, ii, fiind un model de repartit, ie pentru
timpul de bună funct, ionare al aparatelor. Dacă b = 1 repartit, ia Weibull devine repartit, ia
exponent, ială cu parametrul λ = 1/a.

1.5 Estimat, ii statistice

O estimare statistică reprezintă determinarea valorilor parametrilor unei repartit, ii de
probabilitate (medie, dispersie etc.) pe baza unor valori experimentale. Un parametru
estimat se mai numes, te estimat, ie statistică.
Să considerăm că avem la dispozit, ie o populat, ie (un lot) de piese ı̂n număr foarte
mare. O anumită proprietate X a acestora poate fi considerată ca o variabilă aleatoare
care depinde de o serie de parametri θ1 , θ2 , ..., θp (parametrii repartit, iei variabilei X):
X = X (θ1 , θ2 , ..., θp ). Estimat, iile acesotra le notăm cu θ̃1 , θ̃2 , ..., θ̃p .
Ca să estimăm parametrii extragem un es, antion (select, ie) de piese din populat, ie, ı̂n
număr mai mic. Procesul de extract, ie a es, antionului se mai numes, te sondaj. Sondajul
poate fi făcut ı̂n mai multe feluri: poate fi sondaj pur aleator dacă piesele sunt extrase la
ı̂ntâmplare, sondaj dirijat dacă aplicăm un principiu la extragerea pieselor astfel ı̂ncât
să evităm diverse influent, e reciproce sau sondaj mixt dacă mai ı̂ntâi ı̂mpărt, im piesele
din populat, ie ı̂n clase (tipuri) (facem o stratificare a populat, iei) s, i apoi extragem piese
ı̂n mod aleator din fiecare clasă. Sondajul poate fi repetat dacă fiecare piesă extrasă
este reintrodusă ı̂n populat, ie după măsurarea caracteristicii X s, i ı̂nainte de următoarea
extragere (extragere cu ı̂ntoarcere) sau nerepetat dacă piesa nu mai este reintrodusă ı̂n
populat, ie (extragere fără ı̂ntoarcere).
Numărul n de piese din es, antion se mai numes, te volumul es, antionului. În practică se
poate considera că un es, antion are volum mic dacă n ≤ 30 s, i volum mare dacă n > 30.
Estimat, iile statistice pot fi obt, inute ı̂n diverse forme. În general există estimat, ii
punctuale (estimat, ia este o valoare numerică care aproximează parametrul estimat)
s, i estimat, ii cu interval de ı̂ncredere (se obt, ine un interval ı̂n care se găses, te valoarea
parametrului cu o anumită probabilitate). În această sect, iune vom discuta estimat, iile
punctuale, iar intervalele de ı̂ncredere vor fi analizate ı̂n sect, iunea următoare.
Estiat, iile punctuale, ca aproximări ale parametrului repartit, iei, pot fi mai bune sau
mai put, in bune. În general acestea sunt mai bune dacă odată cu cres, terea numărului de
măsurători (a volumului es, antionului) estimat, ia aproximează mai bine valoarea reală a
parametrului.

19
Figura 1.4: Densitatea de probabilitate pentru câteva repartit, ii de probabilitate continue.

20
 O estimat, ie statistică θ̃ a unui parametru θ poate fi de mai multe tipuri:
- estimat, ie consistentă dacă θ̃ → θ când n → ∞;
- estimat, ie corectă (deplasată) dacă M (θ̃) → θ s, i D(θ̃) → 0 când n → ∞;
- estimat, ie absolut corectă (nedeplasată) dacă M (θ̃) = θ s, i D(θ̃) → 0 când n → ∞;
- estimat, ie eficientă dacă este absolut corectă s, i D(θ̃) = min .;
- estimat, ie suficientă (exhaustivă) dacă estimarea utilizează ı̂ntreaga informat, ie cont, inută
ı̂n es, antion.
Estimatori ai mediei s, i dispersiei
Considerăm o variabilă aleatoare X cu M (X) = m, D(X) = σ 2 necunoscute. Se
face un sondaj pur aleator, se măsoară X pe o select, ie de volum n s, i se obt, in valorile
experimentale x1 , x2 , ..., xn . Trebuie estimată media s, i dispersia pe baza acestei select, ii.
În continuare vom trata x1 , x2 , ..., xn ca nis, te variabile aleatoare independente cu aceeas, i
repartit, ie ca X.
Ca estimator al mediei putem alege media aritmetică a valorilor experimentale:
n
1X
m̃ = x = xi . (1.82)
n
i=1

Vom calcula media s, i dispersia estimatorului m̃ ca să vedem de ce tip este. Pentru
aceasta vom folosi următoarele proprietăt, i ale mediei s, i dispersiei:
Propozit, ia 2. Dacă X, Y sunt două variabile aleatoare care admit medii s, i dispersii s, i
a ∈ R atunci au loc următoarele:
i) M (X + Y ) = M (X) + M (Y );
ii) M (a · X) = a · M (X);
iiii) dacă X, Y sunt independente atunci D(X + Y ) = D(X) + D(Y );
iv) D(a · X) = a2 · D(X).
Atunci avem:
n n n
!
1X 1X 1X
M (x) = M xi = M (xi ) = m = m,
n n n
i=1 i=1 i=1
n n
!
1X 1 X 1 2 σ2
D(x) = D xi = D(x i ) = · nσ =
n n2 n2 n
i=1 i=1
s, i D(x) → 0 când n → ∞. Rezultă că m̃ = x este un estimator absolut corect (nede-
plasat). Aceasta ı̂nseamnă că indiferent câte valori experimentale folosim media lui x
va fi egală cu valoarea teoretică m, dar cu cât folosim mai multe valori experimentale
cu atât valoarea lui x va estima mai bine valoarea lui m. Estimatorul x (1.82) se mai
numes, te medie de select, ie.
Dispersia poate fi estimată ı̂n mod asemănător. Dat fiind că dispersia teoretică este
D(X) = M [(X − m)2 ], estimatorul dispersiei poate fi ales:
n
1X
D̃0 (X) = (xi − x)2 .
n
i=1

21
Media sa este:
n−1 2
M (D̃0 (X)) = σ .
n
As, adar D̃0 (X) este cel mult un estimator corect (deplasat). Un estimator absolut corect
este:
n
2 1 X
D̃(X) = s̃ = (xi − x)2 . (1.83)
n−1
i=1
Acesta se mai numes q, te dispersie de select, ie. Abaterea medie pătratică σ este estimată
de obicei prin s̃ = D̃(X), dar trebuie t, inut cont că acesta nu mai este un estimator
absolut corect.
Metode de estimare
Pentru estimarea parametrilor θ1 , θ2 , ..., θp ai repartit, iei de probabilitate a variabilei
aleatoare X, pe baza unei select, ii x1 , x2 , ..., xn , se pot folosi mai multe metode. Se
obt, in estimatorii θ̃1 , θ̃2 , ..., θ̃p . Considerăm mai departe că se cunoas, te expresia densităt, ii
de probabilitate a lui X f (x) = f (x, θ1 , θ2 , ..., θp ), dar valorile parametrilor θj sunt
necunoscute.
1. Metoda momentelor
În această metodă se calculează primele p momente ale variabilei X atât teoretic,
cât s, i experimental. Momentele teoretice de ordinul k sunt:
ˆ ∞
Mk (X) = M (X k ) = xk f (x)dx = Mk (θ1 , θ2 , ..., θp ), (1.84)
−∞

unde k = 1, 2, 3, ..., p. Momentele experimentale (de select, ie) de ordinul k se calculează

ca medii aritmetice ale valorilor experimentale xki :
n
1X k
M̃k = xk = xi . (1.85)
n
i=1

Egalând mediile teoretice cu cele experimentale se obt, ine un sistem de p ecuat, ii cu p

necunoscute θ1 , θ2 , ..., θp :

Mk (θ1 , θ2 , ..., θp ) = M̃k , k = 1, 2, 3, ..., p. (1.86)

Rezolvând sistemul se obt, in estimat, iile θ̃1 , θ̃2 , ..., θ̃p .

2. Metoda verosimilităt, ii maxime
În această metodă se construies, te o funct, ie de verosimilitate:
n
Y
L= f (xi , θ1 , θ2 , ..., θp ) = L(θ1 , θ2 , ..., θp ). (1.87)
i=1

Se pune condit, ia ca aceasta să fie maximă L(θ1 , θ2 , ..., θp ) = max ., de unde rezultă:
∂L
= 0, j = 1, 2, 3, ..., p, (1.88)
∂θj

22
care reprezintă un sistem de p ecuat, ii. Rezolvându-l se obt, in valorile estimatorilor θ̃j .
Pentru simplitate se foloses, te ca funct, ie de verosimilitate:
n
X
ln L = ln f (xi , θ1 , θ2 , ..., θp ) (1.89)
i=1

s, i se rezolvă sistemul:
∂ ln L
= 0, j = 1, 2, 3, ..., p, (1.90)
∂θj

de unde se obt, in estimatorii θ̃j .

1.6 Intervale de ı̂ncredere s, i ipoteze statistice

Intervale de ı̂ncredere
Considerăm o variabilă aleatoare X, a cărei repartit, ie depinde de un parametru θ
(pot fi s, i mai mult, i). Un interval de ı̂ncredere pentru θ este un interval (θ1 ; θ2 ) astfel
ı̂ncât:
P (θ ∈ (θ1 ; θ2 )) = β = 1 − α, (1.91)

unde α (β) este dat. As, adar un interval de ı̂ncredere este un interval ocupat de parametru
cu o anumită probabilitate. Intervalul de ı̂ncredere (θ1 ; θ2 ) se obt, ine pe baza unei select, ii
x1 , x2 , ..., xn de valori ale variabilei X. Intervalul complementar R \ (θ1 ; θ2 ) se numes, te
interval critic. Probabilitatea β a ocupării intervalului de ı̂ncredere se numes, te nivel de
ı̂ncredere, iar probabilitatea α ca θ să fie ı̂n afara intervalului de ı̂ncredere se numes, te
nivel de semnificat, ie.
Dacă parametrul θ este estimat pe baza select, iei de valori experimentale, estimat, ia
sa θ̃ se comportă ca o variabilă aleatoare. Considerăm că aceasta este continuă.
Intervalele de ı̂ncredere sunt de mai multe tipuri, după cum este pozit, ionat intervalul
critic (care dă riscul ca θ să nu fie ı̂n intervalul de ı̂ncredere). Astfel, pot exista intervale
de ı̂ncredere cu risc bilateral de forma (θ1 ; θ2 ) sau unilateral dacă θ1 = −∞ (risc la
dreapta) sau θ2 = ∞ (risc la stânga). Dacă P (θ < θ1 ) = P (θ > θ2 ) = α/2 atunci avem
risc simetric; altfel riscul este asimetric.
1. Intervalul pentru medie dacă se cunoas, te dispersia
Fie X ∈ N (m, σ 2 ) o variabilă aleatoare normală de medie m s, i dispersie σ 2 , unde σ
este cunoscută. Media m este necunoscută. Pe baza unei select, ii de valori experimentale
x1 , x2 , ..., xn ale X se poate estima m prin media aritmetică a valorilor măsurate x.
Aceasta este tot o variabilă aleatoare normală x ∈ N (m, σ 2 /n). Dacă o normăm obt, inem
variabila aleatoare:
m−x
z= √ ∈ N (0, 1). (1.92)
σ/ n
a) Interval cu risc bilateral simetric

23
 Figura 1.5: Interval cu risc bilateral simetric.

Rezultă că se poate găsi un interval simetric pentru z care să fie ocupat cu probabil-
itatea β:
P (z ∈ (−zα/2 ; zα/2 )) = β = 1 − α, (1.93)
astfel ı̂ncât P (z ≤ −zα/2 ) = P (z ≥ zα/2 ) = α/2 (risc bilateral simetric) (fig. 1.5). Dar
√
aceasta este echivalentă, luând m = x + zσ/ n, cu:
  
σ σ
P m ∈ x − zα/2 √ ; x + zα/2 √ = β = 1 − α. (1.94)
n n

Acesta este intervalul de ı̂ncredere pentru m cu nivelul de semnificat, ie α. Parametrul

zα/2 poate fi determinat t, inând cont că funct, ia de repart, it, ie normală normată F0 (z) a
lui z ı̂ndeplines, te condit, ia:

F0 (zα/2 ) = P (z < zα/2 ) = 1 − P (z ≥ zα/2 ) = 1 − α/2, (1.95)

de unde rezultă:
zα/2 = F0−1 (1 − α/2), (1.96)
unde F0−1 este inversa funct, iei F0 . Aceasta se calculează de obicei numeric cu calcula-
torul.
b) Interval cu risc bilateral asimetric

24
 Se poate găsi un interval pentru z de forma:

P (z ∈ (−zαi ; zαs )) = β = 1 − α (1.97)

astfel ı̂ncât P (z ≤ −zαi ) = αi , P (z ≥ zαs ) = αs (risc bilateral asimetric) s, i αi + αs = α.

Se obt, ine atunci intervalul de ı̂ncredere pentru m cu probabilitatea:
  
σ σ
P m ∈ x − z αi √ ; x + z αs √ =β =1−α (1.98)
n n

unde
zαi = −F0−1 (αi ), zαs = F0−1 (1 − αs ). (1.99)
c) Interval cu risc unilateral
De mai sus rezultă intervalul cu risc la stânga:
 
σ
P (z > −zα ) = P m > x − zα √ = β = 1 − α, zα = −F0−1 (α) (1.100)
n

sau intervalul cu risc la dreapta:

 
σ
P (z < zα ) = P m < x + zα √ = β = 1 − α, zα = F0−1 (1 − α). (1.101)
n

Pentru m se foloses, te ı̂n general intervalul bilateral simetric.

2. Intervalul pentru medie dacă nu se cunoas, te dispersia
Se procedează la fel ca mai sus, cu diferent, a că dacă dispersia σ 2 nu este cunoscută
atunci se aproximează prin dispersia de select, ie s2 s, i variabila aleatoare

m−x
t= √ ∈ Student(n − 1) (1.102)
s/ n

unde Student(n − 1) este repartit, ia Student cu ν = n − 1 grade de libertate. Atunci

intervalul bilateral simetric pentru m este dat de:
 
s s
P m ∈ (x − tα/2 √ ; x + tα/2 √ ) = β = 1 − α, (1.103)
n n
−1
tα/2 = FStudent(n−1) (1 − α/2) (1.104)
cu funct, ia de repartit, ie a repartit, iei Student.
2. Intervalul pentru dispersie
Dacă X ∈ N (m, σ 2 ) e o variabilă aleatoare cu m s, i σ necunoscute, atunci estimăm
pe baza unei select, ii x1 , x2 , ..., xn de valori ale X: m ' x s, i σ ' s, iar variabila aleatoare
n 
xi − x 2 (n − 1)s2
X 
2
χ = = ∈ χ2 (n − 1) (1.105)
σ σ2
i=1

25
are o repartit, ie χ2 cu ν = n − 1 grade de libertate. Putem găsi un interval cu risc
bilateral simetric pentru dispersia σ 2 cu nivelul de semnificat, ie α specificat:

(n − 1)s2 (n − 1)s2
  
2
χ2i ; χ2s 2



P χ ∈ =P σ ∈ ; = β = 1 − α, (1.106)
χ2s χ2i

astfel ı̂ncât P (χ2 ≤ χ2i ) = P (χ2 ≥ χ2s ) = α/2 (risc bilateral simetric) s, i

χ2i = Fχ−1 2 −1
2 (n−1) (α/2), χs = Fχ2 (n−1) (1 − α/2), (1.107)

unde Fχ2 (n−1) este funct, ia de repartit, ie a repartit, iei χ2 s, i Fχ−1

2 (n−1) funct
, ia sa inversă. Se
2
pot gasi s, i intervale de ı̂ncredere unilaterale pentru σ ı̂n mod asemănător cu intervalele
pentru medie.

Teste statistice de ipoteză

O ipoteză este o presupunere pe care o facem asupra unor repartit, ii sau a valorilor
parametrilor acestora. Un test statistic poate spune dacă ipoteza este corectă sau nu
pe baza unor valori experimentale. Totus, i testele statistice pot gres, i; apar astfel erori
ı̂n verificarea ipotezelor. Probabilitatea ca testul să dea gres, este acceptată din start
s, i valoarea sa poate fi fixată. Pot apărea astfel erori de genul I, când ı̂n urma testului
se respinge o ipoteză adevărată, sau erori de genul II, când se acceptă o ipoteză falsă.
Probabilitatea ca să facem o eroare de genul I se notează cu α s, i se numes, te nivelul de
semnificat, ie al testului. Aceasta este fixată la ı̂nceputul testului.
Un test asupra valorii unui parametru θ al unei variabile aleatoare X se face asupra
unei perechi de ipoteze, astfel ı̂ncât una din ele s, i numai una este ı̂ntotdeauna adevărată.
De exemplu dacă vrem să testăm egalitatea parametrului cu o valoare dată ipotezele pot
fi:

H0 : θ = θ0
H1 : θ 6= θ0 .

H0 se numes, te ipoteza nulă s, i pe aceasta vrem să o testăm, iar H1 se numes, te ipoteza
alternativă. Ca să testăm ipoteza nulă trebuie aleasă o funct, ie discriminantă (sau statis-
tică) u = u(θ) s, i trebuie găsită o regiune de acceptare A pentru u astfel ı̂ncât probabili-
tatea condit, ionată verifică relat, ia:

P (u(θ) ∈ A|H0 ) = 1 − α. (1.108)

Testul constă ı̂n calcularea pe baza unei select, ii x1 , x2 , ..., xn de valori ale X a unei
estimat, ii θ̃ a parametrului θ. Dacă ũ = u(θ̃) ∈ A atunci acceptăm ipoteza nulă H0 ; dacă
ũ 6∈ A atunci respingem ipoteza H0 s, i acceptăm ipoteza alternativă H1 . În ultimul caz
ı̂nsă trebuie să t, inem cont că ipoteza H0 poate fi totus, i adevărată cu o probabilitate α.
Statistica u poate fi o variabilă aleatoare redusă iar regiunea de acceptare poate fi un
interval asemănător cu intervalele de ı̂ncredere. Putem avea astfel teste cu specificare

26
unilaterală (date de intervale mărginite la 1 capăt) sau cu specificare bilaterală (date de
intervale mărginite la ambele capete).
1. Testul de egalitate a mediei
Fie X ∈ N (m, σ 2 ) o variabilă aleatoare cu media m necunoscută. Pe baza select, iei
x1 , x2 , ..., xn a X se poate estima m ' x. Testăm ipotezele:

H0 : m = m0
H1 : m 6= m0

unde m0 este o valoare posibilă a mediei, de exemplu x.

Presupunem că σ este cunoscut. Prin normare se obt, ine variabila aleatoare, pe care
o vom folosi ca o funct, ie de discriminare:
x−m
u(m) = z = √ ∈ N (0, 1). (1.109)
σ/ n
Ca să testăm ipoteza nulă fixăm probabilitatea α a unei erori de genul I la o valoare
de obicei mică s, i calculăm funct, ia de discriminare ı̂n valoarea presupusă a mediei u0 =
u(m0 ) = z0 . Dacă ipoteza nulă este adevărată atunci z0 ∈ N (0, 1) s, i are loc:

P (z0 ∈ (−zα/2 ; zα/2 )) = 1 − α, (1.110)

unde
zα/2 = F0−1 (1 − α/2). (1.111)
As, adar dacă z0 ∈ (−zα/2 ; zα/2 ) acceptăm ipoteza nulă H0 ; dacă z0 6∈ (−zα/2 ; zα/2 ),
atunci o respingem s, i acceptăm ipoteza alternativă H1 .
Dacă ipoteza nulă este de forma: H0 : m ≥ m0 sau m ≤ m0 atunci vom folosi un
interval cu risc unilateral.
Dacă σ este necunoscut atunci σ ' s, unde s2 este dispersia de select, ie. Atunci:
x−m
u(m) = t = √ ∈ Student(n − 1). (1.112)
s/ n
−1
Calculăm u0 = u(m0 ) = t0 s, i tα/2 = FStudent(n−1) (1 − α/2). Dacă t0 ∈ (−tα/2 ; tα/2 )
acceptăm ipoteza nulă H0 ; dacă nu, o respingem.
În mod asemănător se poate face un test pentru valoarea dispersiei.

1.7 Control statistic

Controlul statistic al echipamentelor s, i proceselor se referă ı̂n special la metodele
statistice care pot fi aplicate pentru detectarea funct, ionării defectuoase a echipamentelor
sau devierea proceselor de la parametrii nominali, prescris, i pentru o funct, ionare corectă.
Odată detectată funct, ionarea ı̂n afara parametrilor nominali, se poate căuta cauza
posibilă s, i se poate decide după caz oprirea echipamentului sau procesului s, i reglarea,
repararea sau ı̂nlocuirea echipamentului sau componentelor sale.

27
 Funct, ionarea corectă a unui echipament este caracterizată ı̂n general de 2 proprietăt, i
ale sale: acuratet, ea s, i precizia. Acuratet, ea reprezintă proprietatea echipamentului de
a functiona cât mai aproape de punctul de lucru nominal. Precizia reprezintă pro-
prietatea acestuia de a avea deviat, ii cât mai mici ı̂n funct, ionare. Aceste proprietăt, i de
regulă se referă la o caracteristică numerică a echipamentului (mărimi de intrare s, i ies, ire,
parametri interni). Din acest punct de vedere, pentru o mărime numerică (cantitate)
X care caracterizează echipamentul acuratet, ea este măsurată de media acestei mărimi
M (X) s, i precizia este măsurată de abaterea medie pătratică a mărimii σ(X). As, adar
un echipament funct, ionează cu atât mai bine ı̂n raport cu mărimea X cu cât M (X) este
mai apropiată de valoarea nominală a lui X s, i σ(X) este mai apropiată de 0. Mărimea
X poate fi considerată o variabilă aleatoare, având o repartit, ie de probabilitate. De
multe ori se presupune repartit, ia normală (gaussiană) pentru X.
Diagrame de control (Shewhart)
Vom descrie o serie de metode generale folosite la detect, ia funct, ionării necorespunzătoare
a unui echipament pe baza unor probe luate ı̂n timpul lucrului s, i a reprezentării grafice a
unor mărimi statistice sub forma unor diagrame. Procesul general de realizare s, i aplicare
a diagramelor de control are mai multe etape. Le vom discuta ı̂n raport cu o mărime
numerică X care caracterizează funct, ionarea echipamentului.
În timpul fuct, ionării echipamentului se fac periodic măsurători de control asupra
mărimii X pentru detectarea deviat, iilor anormale ale acesteia. Se obt, in de regulă
es, antioane de măsurători cu un anumit volum n (număr de valori ale lui X), mai mare
sau mai mic. De exemplu pentru un utilaj care produce piese se pot măsura ı̂n mod
periodic un anumit număr de piese obt, inute, ales ı̂n mod convenabil, pot fi 3, 4, 5, 10, 20
etc. piese, dar de regulă acelas, i număr de piese la fiecare test. Se obt, in astfel es, antioane
de măsurători ale lui X de volume egale, ordonate cronologic după un indice i=1,2,3,...
(ordinea ı̂n care au fost luate).
Pentru fiecare es, antion se calculează nis, te mărimi caracteristice pentru acuratet, ea
s, i precizia echipamentului, de exemplu M (X) s, i σ(X) (calculate ca mărimi de select, ie).
Există diverse proceduri (tipuri de diagrame) care pot folosi alte mărimi caracteris-
tice. De exemplu precizia poate fi măsurată prin intervalul valorilor dintr-un es, antion
max(X) − min(X) iar acuratet, ea prin valoarea centrală (max(X) + min(X))/2. Aceste
mărimi se reprezintă pe 2 diagrame ı̂n funct, ie de timp (indicele i) (fig. 1.6).
Se consideră apoi nis, te valori centrale sau normale s, i nis, te limite naturale pentru
aceste mărimi t, inând cont că X este o variabilă aleatoare. Se reprezintă grafic pe dia-
grame s, i aceste valori ca linii orizontale. De exemplu pentru X se poate considera ca
valoare normală o valoare centrală XC obt, inută ca medie a lui X pentru un număr mare
de măsurători (es, antioane) pentru care se poate considera că echipamentul a funct, ionat
la parametri nominali. Pentru media valorilor dintr-un es, antion M (X) se pot alege nis, te
√
limite naturale de forma XC ± k · σ(M X) = XC ± k · σ(X)/ n cu k = 1, 2, 3. Dacă X
are o repartit, ie normală atunci probabilitatea ca M (X) obt, inut ı̂n urma unui test să fie
√ √
ı̂n intervalul [XC − k · σ(X)/ n; XC + k · σ(X)/ n] este aproximativ 0,68 pentru k = 1;
0,95 pentru k = 2 s, i 0,9973 pentru k = 3; probabilitatea ca M (X) să nu fie ı̂n respec-
tivele intervale (nivelul de semnificat, ie pentru intervalele de ı̂ncredere respective) este

28
α ' 0,32; 0,05 s, i respectiv 0,0027. Pentru σ(X) se pot considera nis, te limite superioare
cu aceleas, i valori ale nivelului de semnificat, ie.
Se urmăres, te evolut, ia valorilor de select, ie pe cele 2 diagrame. Ultimele limite (cele
mai depărtate de valoarea centrală sau normală, pentru k = 3) se consideră ca limite
de control; limitele interioare sunt limite de sigurant, ă. În principiu dacă s-au depăs, it
limitele de control 1 singură dată se poate decide reglajul sau repararea echipamentului
ı̂n privint, a caracteristicii afectate (acuratet, e pentru depas, irea lui M (X), precizie pentru
depăs, irea lui σ(X)). În practică ı̂nsă se aplica o serie de reguli care pot duce la decizia
reglajului s, i ı̂n raport cu limitele de sigurant, ă. Totodată trebuie t, inut cont că o depăs, ire
a unei limite poate fi un fenomen statistic, aleator s, i sa nu se datoreze unui defect al
echipamentului. Astfel, limita de control pentru k = 3 poate fi depăs, ită de M (X) ı̂n
mod aleator cu probabilitatea α ' 0, 0027, adică ı̂n medie ı̂n 1/0, 0027 ' 370 cazuri
(teste).
Există diverse seturi de reguli care pot fi folosite pentru luarea deciziei reglării echipa-
mentului. De exemplu regulile dezvoltate de Western Electric Company precizează, pen-
tru valorile de select, ie obt, inute pe fiecare es, antion, următoarele cazuri ı̂n care echipa-
mentul se poate comporta anormal:
1. 1 valoare a depăs, it limita pentru k = 3;
2. 2 din ultimele 3 valori au depăs, it limita pentru k = 2;
3. 4 din ultimele 5 valori au depăs, it limita pentru k = 1;
4. 8 valori consecutive sunt de aceeas, i parte a lui XC;
5. 6 valori consecutive merg ı̂n aceeas, i direct, ie (ı̂n sus sau ı̂n jos) indică o deviere
sistematică;
6. 14 valori consecutive merg alternativ ı̂n sus s, i ı̂n jos indică oscilat, ii ı̂n comportarea
echipamentului.
Aplicând aceste reguli pentru M (X) s, i σ(X) se pot detecta momentele când echipa-
mentul pierde acuratet, e sau precizie. Totus, i e posibil ca aceste comportamente să apară
pur aleator, fara ca echipamentul sa fi suferit o pierdere ı̂n calitate. Pentru toate regulile
de mai sus, acest lucru se ı̂ntâmplă ı̂n 1 caz din aproximativ 92 de teste.

29
Figura 1.6: Diagrame Shewhart pentru M (X) s, i σ(X). Pentru M (X) limitele superioare
√ √
s, i inferioare sunt LIk = XC − k · σ(X)/ n, LSk = XC + k · σ(X)/ n. Pentru σ(X)
acestea pot fi calculate la acelas, i nivel de semnificat, ie ca intervalele date de limitele
pentru M (X).

30
31
32
Capitolul 2

Teoria fiabilităt, ii

2.1 Funct, ia de fiabilitate

Fie T > 0 timpul de bună funct, ionare al unui aparat, dispozitiv etc., adică timpul
de funct, ionare ı̂nainte de prima defectare. Acesta este ı̂n general o variabilă aleatoare.
Definit, ia 6. Funct, ia de fiabilitate (fiabilitatea) unui aparat este funct, ia de timp:

R : [0; ∞) → [0; 1],

R(t) = P (T ≥ t). (2.1)

Se mai definesc următoarele funct, ii:
- funct, ia de repartit, ie a T (funct, ia căderilor): F (t) = P (T < t) = 1 − R(t);
- densitatea de probabilitate a T : f (t) = dFdt(t) = − dR(t) dt ;
f (t) 1 dF (t)
- rata căderilor (rata defectărilor sau rata de defectare): λ(t) = R(t) = R(t) · dt =
dR(t)
− R(t)dt ;
´∞
- media timpului de bună funct, ionare: M T BF = M (T ) = 0 tf (t)dt.
Fiabilitatea, fiind complementara funct, iei de repartit, ie, este o funct, ie descrescătoare
cu R(0) = 1 s, i limt→∞ R(t) = 0. Cantitatea λ(t)dt reprezintă probabilitatea (infinitezi-
mală) ca un aparat să se defecteze la momentul t condit, ionată de faptul că a funct, ionat
până la t. Media timpului de bună funct, ionare este timpul mediu până la prima defectare
(cădere) sau timpul mediu ı̂ntre 2 defectări succesive dacă echipamenul este reparat.
Din rata căderilor se obt, ine, folosind faptul că R(0) = 1:
ˆ t
dR t
= −λdt ⇒ ln R(t)|0 = − λdt ⇒
R 0
´t
⇒ R(t) = e− 0 λ(t)dt
, (2.2)
´t
F (t) = 1 − e− 0 λ(t)dt
; (2.3)
dR(t) ´t
f (t) = − ⇒ f (t) = λ(t)e− 0 λ(t)dt ⇒
dt

33
 ⇒ f (t) = λ(t)R(t); (2.4)
Alte relat, ii utile sunt:
ˆ t ˆ ∞
F (t) = f (t)dt, R(t) = f (t)dt; (2.5)
0 t
ˆ ∞ ˆ ∞ ˆ ∞
dR(t)
M T BF = tf (t)dt = − t dt = −tR(t)|∞
0 + R(t)dt ⇒
0 0 dt 0
ˆ ∞
⇒ M T BF = R(t)dt. (2.6)
0

În multe cazuri practice graficul ratei căderilor λ(t) are o formă tipică asemănătoare
cu o cadă de baie (fig. 2.1). Aceasta apare din cauza diferitelor mecanisme care duc la
defectarea unui aparat, echipament etc. Astfel, viat, a unui aparat poate fi ı̂mpărt, ită ı̂n
3 etape: etapa infantilă (EI) ı̂n care pot apărea defecte precoce care pot fi defecte de
fabricat, ie care au rămas ascunse, etapa viet, ii utile (EV) ı̂n care apar defecte accidentale
(aleatorii) astfel ı̂ncât rata căderilor este aproximativ constantă s, i etapa uzurii (EU) ı̂n
care se manifestă tot mai mult uzura alături de defectele accidentale. Etapa infantilă
poate fi evitată ı̂n exploatare dacă aparatele sunt testate ı̂n condit, ii normale de lucru
pentru o anumită perioada de timp (perioadă de rodaj) astfel ı̂ncât defectele de fabricat, ie
să se manifeste s, i aparatele afectate să fie eliminate sau reparate ı̂nainte de utilizarea lor
propriu-zisă.
Unele repartit, ii de probabilitate folosite ı̂n teoria fiabilităt, ii sunt:
Repartit, ia exponent, ială
Aceasta are rata căderilor λ = const. s, i funct, iile caracteristice:

f (t) = λe−λt , (2.7)

R(t) = e−λt , (2.8)

−λt
F (t) = 1 − e , (2.9)
1
M T BF = M (T ) = σ(T ) = , (2.10)
λ
de unde se mai poate scrie:
1 t
f (t) = e− M T BF , (2.11)
M T BF
t
R(t) = e− M T BF . (2.12)
Se observă că repartit, ia exponent, ială descrie aproximativ comportarea unui aparat
ı̂n etapa viet, ii utile (EV), când λ ' const.
Repartit, ia Weibull
Rata căderilor este dată de:
d t b b t b−1
   
λ(t) = = , (2.13)
dt a a a

34
 Figura 2.1: Curba de tip ”cadă de baie” a ratei căderilor.

de unde densitatea de probabilitate este:

 b−1
b t t b
f (t) = e−( a ) , t ≥ 0, (2.14)
a a

unde a > 0 este un parametru de scară s, i b > 0 un parametru de formă. Fiabilitatea s, i

funct, ia de repartit, ie sunt:
t b
R(t) = e−( a ) , (2.15)
t b
F (t) = 1 − e−( a ) . (2.16)
Repartit, ia Weibull poate fi folosită pentru descrierea defectării unui aparat ı̂n etapa
infantilă (EI) luând b < 1 s, i ı̂n etapa uzurii (EU) cu b > 1.

2.2 Fiabilitatea sistemelor

În general un aparat este format din mai multe componente s, i defectarea aparat-
ului este dată de defectarea unor componente. O componentă poate fi esent, ială ı̂n
funct, ionarea aparatului, aparatul funct, ionând doar dacă funct, ionează s, i componenta re-
spectivă; există ı̂nsă s, i componente neesent, iale fără care aparatul poate ı̂ncă funct, iona.
De multe ori este util ca un aparat să fie construit astfel ı̂ncât să funct, ioneze chiar dacă

35
 Figura 2.2: Sisteme serie s, i paralel.

o parte din componente s-au defectat. De exemplu componentele cu timp de viat, ă scurt
pot fi grupate astfel ı̂ncât o parte din ele să poată prelua funct, iile celorlalte componente
dacă s-au defectat.
În continuare vom vedea câteva tipuri de structuri de fiabilitate ale unor sisteme
formate din mai multe componente. Aceste structuri nu reflectă gruparea fizică a com-
ponentelor, ci ordinea componentelor care asigură buna funct, ionare a sistemului. În
schemele asociate se poate considera că probabilitatea ca sistemul să funct, ioneze ”curge”
de la un capăt la altul; sistemul funct, ionează dacă există o cale continuă de la un capăt
al sau la celălalt printr-o parte din componentele sale.
Sisteme serie
Acestea sunt sisteme ı̂n care defectarea unei componente atrage defectarea ı̂ntregului
sistem. Din punctul de vedere al fiabilităt, ii, sistemul serie poate fi reprezentat ca o legare
ı̂n serie a componentelor (fig. 2.2). Considerăm că fiecare componentă are rata căderilor
λi = const. s, i repartit, ia exponent, ială pentru timpul de bună funct, ionare. Atunci prob-
abilitatea ca sistemul să funct, ioneze la timpul t este egală cu probabilitatea ca toate
componentele sale să funct, ioneze la t:
Y P X
Rs (t) = Ri (t) = e− i λi t
= e−λs t ⇒ λs = λi . (2.17)
i i

Dacă sistemul are n componente s, i λi = λ atunci λs = nλ s, i:

1 M T BFi
M T BFs = = , (2.18)
nλ n

Rs (t) = Rin (t) = e−nλt . (2.19)

Se observă că M T BFs < M T BFi , deci sistemul serie este mai slab decât componentele
sale ı̂n raport cu timpul de funct, ionare.
Sisteme paralel
În acest caz sistemul funct, ionează dacă mai funct, ionează măcar o componentă. Sis-
temul paralel poate fi reprezentat ca o legare ı̂n paralel a componentelor sale (fig. 2.2).

36
 Figura 2.3: Sisteme mixte.

Sistemul se defectează dacă se defectează toate componentele sale. În termeni de prob-
abilitate la timpul t aceasta ı̂nseamnă:
Y Y
1 − Rp (t) = (1 − Ri (t)) ⇒ Rp (t) = 1 − (1 − Ri (t)). (2.20)
i i

Pentru un sistem cu n componente identice:

Rp (t) = 1 − (1 − Ri (t))n . (2.21)

În acest caz M T BFp ≥ M T BFi s, i sistemul paralel e mai bun decât componentele sale.
Sistemul paralel prezintă redundant, ă (funct, ionarea este asigurată de mai multe com-
ponente ı̂n acelas, i timp). În general redundant, a poate fi activă dacă toate componentele
funct, ionează ı̂n acelas, i timp sau pasivă dacă fiecare componentă intră ı̂n funct, iune la
defectarea altei componente, iar celelalte componente sunt t, inute ı̂n rezervă.
Sisteme mixte
Acestea sunt combinat, ii de sisteme serie s, i sisteme paralel (fig. 2.3). Fiabilitatea se
calculează ca o combinat, ie a fiabilităt, ilor sistemelor serie s, i paralel.
a) Sisteme serie-paralel
Acestea sunt formate din m×n componente, câte n legate ı̂n serie, formând m ramuri

37
care apoi sunt legate ı̂n paralel. Fiabilitatea ramurii i este:
n
Y
Ri = Rij (2.22)
j=1

iar fiabilitatea sistemului este:

 
m
Y m
Y n
Y
Rsp = 1 − (1 − Ri ) = 1 − 1 − Rij  . (2.23)
i=1 i=1 j=1

a) Sisteme paralel-serie
Acestea sunt formate din n grupări paralel de câte m componente, grupările fiind
legate ı̂n serie. Fiabilitatea grupării j este:
m
Y
Rj = 1 − (1 − Rij ) (2.24)
i=1

iar fiabilitatea sistemului este:

n n m
!
Y Y Y
Rps = Rj = 1 − (1 − Rij ) . (2.25)
j=1 j=1 i=1

2.3 Arbori de defectare

Arborii de defectare sunt reprezentări ale căilor prin care un sistem se poate defecta
ı̂n raport cu defectarea componentelor sale. Dacă se identifică modurile de defectare a
componentelor acestea pot fi ordonate ı̂ntr-o structură de tip arbore, prin port, i logice,
ducând la defectarea ı̂ntregului sistem. Simbolurile mai des folosite ı̂ntr-un arbore de
defectare sunt prezentate in figura 2.4.
Arborele este parcurs de jos ı̂n sus, de la defectarea componentelor către defectarea
sistemului. În partea de jos se pun evenimentele de bază (defectarea componentelor).
Se pot pune s, i evenimente externe sistemului analizat sau evenimente care nu sunt dez-
voltate mai departe. Port, ile de transfer sunt de obicei folosite pentru saltul de pe o
pagină pe alta pentru arbori mai mari.
Dacă evenimentele de bază au asociate nis, te probabilităt, i (probabilităt, ile de defectare
ale componentelor), atunci se poate calcula probabilitatea de defectare a sistemului.
Pentru aceasta se pot folosi proprietăt, ile probabilităt, ilor aplicate la operat, ii pe mult, imi:
reuniunea (poarta ”sau”, notată cu operat, ia de adunare) s, i intersect, ia (poarta ”s, i”,
notată cu operat, ia de ı̂nmult, ire). Pe lângă acestea, se folosesc 2 simplificări: se consideră
că probabilităt, ile de defectare sunt foarte mici, astfel ı̂ncât produsul a 2 probabilităt, i
poate fi neglijat ı̂ntr-o sumă, iar defectările se produc ı̂n mod independent una de alta
(sunt evenimente independente). Rezultă atunci:

P (A · B) = P (A) · P (B|A) ' P (A) · P (B), (2.26)

38
Figura 2.4: Simboluri folosite ı̂n arborii de defectare.

39
 Figura 2.5: Schema unui filtru.

Tabelul 2.1: Parametrii fiabilităt, ii componentelor din fig. 2.5. Valorile calculate au fost
rotunjite.

Componentă MTBF Rata defectare Prob. defectare

(ani) (1/an) (1/lună)
R 20 0,05 4, 17 · 10−3
L 10 0,10 8, 33 · 10−3
C 15 0,067 5, 56 · 10−3
Ce 3 0,33 27, 78 · 10−3

P (A+B) = P (A)+P (B)−P (A·B) = P (A)+P (B)−P (A)·P (B) ' P (A)+P (B). (2.27)
Din probabilitatea de defectare a sistemului se poate estima apoi fiabilitatea acestuia.

Exemplul 3. Un filtru are schema din figura 2.5. Se cunoas, te media timpului de
bună funct, ionare a componentelor M T BFi (tabelul 2.1). De aici se poate calcula rata
de defectare a componentelor, presupunând că este constantă ı̂n timp (timpul de bună
funct, ionare are o repartit, ie exponent, ială) λi = 1/M T BFi . Ne interesează care este prob-
abilitatea de defectare a filtrului ı̂ntr-o perioadă de 1 lună. Probabilitatea de defectare
a componentelor ı̂ntr-o lună este:

Pdef.i = 1 − e−λi t ' λi t, (2.28)

unde aproximarea este făcută ı̂n ipoteza că λi t  1 cu t = 1 lună = 1/12 ani. Aceste
date sunt calculate ı̂n tabel.
Mai ı̂ntâi vom obt, ine schema de fiabilitate a filtrului s, i apoi arborele de defectare
(fig. 2.6). În funct, ie de rolul pe care trebuie să ı̂l joace filtrul vom considera 2 cazuri:
Cazul 1. Toate componentele sunt esent, iale pentru buna funct, ionare: În
acest caz schema de fiabilitate a filtrului va fi cu legare ı̂n serie. Filtrul este defect dacă
oricare din componente este defectă. Arborele de defectare este cu o singură poartă
”sau” (fig. 2.6). Deoarece probabilităt, ile de defectare ale componentelor ı̂n 1 lună sunt
relativ mici, probabilitatea de defectare a sistemului se poate calcula ca suma acestora:

Pdef. sistem ' Pdef. R + Pdef. L + Pdef. C + Pdef. Ce .

Se obt, ine Pdef. sistem ' 45, 83 · 10−3 ' 0, 046.

40
Figura 2.6: Schemele de fiabilitate s, i arborii de defectare pentru filtru ı̂n cele 2 cazuri.

Cazul 2. R, L s, i unul din condensatori sunt necesari pentru buna funct, ionare:
Acest caz apare atunci când funct, ia de transfer a filtrului nu este impusă stringent.
Schema de fiabilitate este cea din figura 2.6. Filtrul este defect dacă este defectă R sau
L sau blocul C+Ce; ultimul este defect dacă atât C cât s, i Ce sunt defecte. Din arborele
de defectare rezultă:
Pdef. bloc C+Ce ' Pdef. C · Pdef. Ce ,
Pdef. sistem ' Pdef. R + Pdef. L + Pdef. bloc C+Ce = Pdef. R + Pdef. L + Pdef. C · Pdef. Ce .

Se obt, ine Pdef. sistem ' 12, 65 · 10−3 ' 0, 012. Probabilitatea de defectare a sistemului
este mai mică decât ı̂n cazul precedent deoarece acum există o redundant, ă ı̂n schema de
fiabilitate (cei 2 condensatori ı̂ndeplinesc aceeas, i funct, ie).
Probabilitatea de defectare poate fi calculată s, i din fiabilitatea sistemului, care se
obt, ine aplicând schemei de fiabilitate regulile de calcul de la sistemele serie s, i paralel.

41
42
Bibliografie

[1] Cristina Cismas, iu, Adela Zară, Matematici pentru economis, ti: teoria proba-
bilităt, ilor s, i statistică matematică, Editura Universităt, ii Transilvania Bras, ov, 2002.

[2] M. Iosifescu, Gh. Mihoc, R. Theodorescu, Teoria probabilităt, ilor s, i statistică

matematică, Editura Tehnică, 1966.

[3] Marius Iosifescu, Costache Moineagu, Vladimir Trebici, Emiliana Ursianu, Mică
enciclopedie de statistică, Editura S, tiint, ifică s, i Enciclopedică, 1985.

[4] Gheorghe Mihoc, Aneta Muja, Eugeniu Diatcu, Bazele matematice ale teoriei fia-
bilităt, ii, Editura Dacia, Cluj-Napoca, 1976.

[5] Valter Olariu, Valeriu Prepelit, ă, Matematici speciale, Editura Didactică s, i Peda-
gogică, Bucures, ti, 1985.

[6] I. Gh. S, abac, P. Cocârlan, O. Stănăs, ilă, A. Topală, Matematici speciale, Vol. II,
Editura Didactică s, i Pedagogică, Bucures, ti, 1983.

[7] Gabriel V. Orman, Handbook of Limit Theorems and Stochastic Approximation,

Transilvania University Press, Bras, ov, 2003.

[8] Gheorghe Chit, ea, Biostatistica, Editura Universităt, ii ”Transilvania” Bras, ov, 1997.

[9] Gh. Mihoc, N. Micu, Teoria probabilităt, ilor s, i statistică matematică, Editura Di-
dactică s, i Pedagogică, Bucures, ti, 1980.

[10] Val. Gh. Panaite, Radu I. Munteanu, Control statistic s, i fiabilitate, Editura Didac-
tică s, i Pedagogică, Bucures, ti, 1982.

[11] Ciobanu, Lucian, Control statistic s, i fiabilitate: Baze teoretice s, i aplicat, ii ı̂n elec-
trotehnică, Universitatea Tehnică ”Gh. Asachi” Ias, i, 1999.

[12] W.E. Vesely, F.F. Goldberg, N.H. Roberts, D.F. Haasl, Fault Tree Handbook,
U.S. Nuclear Regulatory Commission, 1981, https://www.nrc.gov/reading-rm/
doc-collections/nuregs/staff/sr0492/

[13] NIST/SEMATECH e-Handbook of Statistical Methods, http://www.itl.nist.

gov/div898/handbook/, 6 mai 2019.

43
[14] Eric W. Weisstein, MathWorld - A Wolfram Web Resource, http://mathworld.
wolfram.com

[15] Wikipedia, https://en.wikipedia.org, https://fr.wikipedia.org

44