Sunteți pe pagina 1din 21

Probabilit µi ³i Statistic 

1 Probleme propuse

P1: O echip  de 5 persoane ce trebuie s  conµin  3 b rbaµi ³i 2 femei este aleas  dintre 8 b rbaµi ³i 7
femei. Câte echipe diferite pot  selectate?
R = C83 · C72

P2: În câte moduri pot  aranjate 3 femei ³i 4 b rbaµi împreun , într-un acela³i ³ir la teatru, astfel încât
toate cele trei femei s  e mereu a³ezate al turi una de cealalt .
R = 3! · 5!
P3: O moned  ideal  este aruncat  de 100 de ori, iar X este variabila aleatoare ce reprezint  num rul
de feµe cu stema ap rute.
(a) Care este probabilitatea de a obµine exact 52 de steme?
(b) S  se calculeze P (45 ≤ X ≤ 55).

(a) X este o variabil  aleatoare repartizat  binomial B(100, 0.5).
52
P = P = P (X = 52) = C100 · (0.5)52 · (0.5)48 = 0.0735.

(b) Not m cu FX funcµia de repartiµie pentru X . Atunci,


P (45 ≤ X ≤ 55) = P (X ≤ 55) − P (X < 45)
= FX (55) − FX (44)
X55
k
= C100 · (0.5)k · (0.5)100−k = 0.7287.
k=45

În Matlab:

P1 = nchoosek(100,52)*(0.5)^52*(0.5)^48
P2 = binocdf(55,100,0.5) - binocdf(44,100,0.5) √

P4: Cineva a înregistrat zilnic timpul între dou  sosiri succesive ale tramvaiului într-o anumit  staµie ³i
a g sit c , în medie, acesta este de 20 de minute. Se ³tie c  acest timp este distribuit exponenµial. Dac  o
persoan  a ajuns în staµie exact când tramvaiul pleca, aaµi care sunt ³ansele ca ea s  a³tepte cel puµin 15
minute pân  vine urm torul tramvai.

Not m cu T timpul de a³teptare în staµie între dou  sosiri succesive ale tramvaiului ³i cu FT funcµia
sa de repartiµie. “tim c  T ∼ exp(λ), unde λ = 20. A³adar, avem de calculat P (T ≥ 15), care este:
P (T ≥ 15) = 1 − P (T < 15) = 1 − FT (15),

³i aceasta este
1 - cdf('exp',15, 20) = 0.4724,
Probleme propuse [Dr. Iulian Stoleriu] 2

ceea ce implic  47.24% ³anse. √

P5: Un sondaj preliminar a determinat c  42% dintre persoanele cu drept de vot dintr-o anumit  µar 
ar vota candidatul C pentru pre³edinµie. Alegem la întâmplare 200 de votanµi. Care este probabilitatea ca
un procent dintre ace³tia, situat între 40% ³i 50%, îl vor vota pe C la pre³edinµie?

S  not m cu p = 0.42 ³i cu X variabila aleatoare ce reprezint  num rul de votanµi ce au ales candidatul
C , din selecµia aleatoare de volum n = 200 considerat . Este clar c  X ∼ B(n, p). Se cere probabilitatea
P (80 ≤ X ≤ 100) (deoarece 40% din 200 înseamn  80 etc). Deoarece X este o variabil  aleatoare discret ,
avem c :
P = P (80 ≤ X ≤ 100) = P (X ≤ 100) − P (X < 80) = FX (100) − FX (79),
unde FX este funcµia de repartiµie a lui X .
În Matlab:
P = binocdf(100, 200, 0.42) - binocdf(79, 200, 0.42) = 0.7303. √

P6: Care este probabilitatea de apariµie pentru prima oar  a feµei cu 6 puncte la aruncarea unui zar
ideal în cel mult 3 arunc ri? Dar în exact 3 arunc ri?

Not m cu X v.a. variabil  aleatoare ale c rei valori reprezint  num rul de e³ecuri avute pân  la primul
succes. Aceasta urmeaz  repartiµia geometric  Geo(1/6). În consecinµ , num rul de arunc ri necesare
obµinerii feµei pentru prima dat  este Y = X + 1. Probabilitatea de a obµine pentru prima oar 
aceast  faµ  din cel mult 3 arunc ri este totuna cu probabilitatea de a avea cel mult 2 e³ecuri pân  la
apariµia acestei feµe. A³adar, avem:

P1 = P (Y ≤ 3) = P (X ≤ 2) = 0.4213.

Probabilitatea de a obµine pentru prima oar  faµa din exact 3 arunc ri este:

P2 = P (Y = 3) = P (X = 2) = 0.1157.

În Matlab scriem:

P1 = geocdf(2,1/6);
P2 = geopdf(2,1/6); √

P7: Dintre spectatorii prezenµi pe un anumit stadion la un meci de fotbal, un procent de 20% sunt femei.
La o tombola organizat  pentru spectatori, un computer alege la întâmplare numerele a 7 bilete de intrare
³i se premiaz  posesorii.
(i) Care este probabilitatea ca m car 3 dintre spectatorii premiaµi s  e femei?
(ii) Care este probabilitatea ca nicio femeie s  nu câ³tige la tombol ?
(iii) Dac  selecµia biletelor câ³tig toare ar  fost realizat  prin alegerea a 7 spectatori ce erau a³ezaµi în ³ir,
pe un acela³i rând ales la întâmplare, argumentaµi dac  probabilit µile g site la (i) si (ii) r mân acelea³i.

Fie X variabila aleatoare ce reprezint  num rul de femei ce apar la alegerea la întâmplare a 7 spectatori.
Atunci X ∼ B(7, 0.2). Fie p = 0.2.
(i) P (X ≥ 3) = 1 − P (X < 3) = 1 − P (X ≤ 2) = 1 − FX (2) = 0.1480.
În Matlab,
P1 = 1-binocdf(2,7,0.2).
(ii) P (X = 0) = C70 p0 (1 − p)7 = 0.2097.
Probleme propuse [Dr. Iulian Stoleriu] 3

În Matlab,
P2 = binopdf(0,7,0.2).
(iii) În acest caz, X nu ar mai  o v.a. binomial , deoarece alegerea spectatorilor nu mai este aleatorie
(spectatorii a³ezaµi al turi pot  cuno³tinte, prieteni etc.). √

P8: Not m cu Sn suma numerelor ce apar în n arunc ri independente ale unui zar ideal.
(a) Calculaµi probabilitatea P = P (S2 ≥ 6).
(b) Calculaµi probabilitatea obµinerii unui num r par.
P9: Într-un lot de 100 piese 8 sunt defecte, iar în alt lot de 120 piese 9 sunt defecte. Din unul din aceste
dou  loturi, ales la întâmplare, se iau 10 piese. Care este probabilitatea ca între piesele alese s  e 8 piese
bune ³i 2 defecte?
P10: (i) Care e probabilitatea de a ghici toate cele 6 numere, jucand o varianta simpla la LOTTO 6 / 49 ?
(ii) Un cetatean optimist joaca in ecare saptamana cate o varianta simpla la LOTTO 6 / 49 .
Estimati numarul mediu de saptamani pana obtine pentru prima oara 6 numere castigatoare.
[Indiciu pentru (ii):
numarul de ordine al saptamanii in care va striga pentru prima oara úρηκα este o v.a. Y = X + 1, cu X ∼ Geo(p)]
P11: Consideram functia f : R −→ R, data prin
(
a e−x , x > 0;
f (x) =
0 , x ≤ 0.

(i) Gasiti valoarea parametrului a pentru care f (x) este o densitate de repartitie;
(ii) Fie X v.a. ce are densitatea de repartitie gasita. Calculati probabilit µile P (X = 1) ³i P (X > 1);

P12: (a) Determinaµi num rul de permut ri distincte ale literelor cuvântului MISSISSIPPI.
(b) Determinaµi num rul de aranjamente distincte care pot  obµinute din literelor cuvântului STATISTICS.
P13: Un cofraj conµine 10 ou , dintre care dou  sunt sparte. Dac  se aleg 5 ou  la întâmplare, care este
probabilitatea ca dintre cele cinci: (a) niciunul s  nu e spart; (b) un ou s  e spart.
P14: Un grup de perechi soµ-soµie este aranjat la întâmplare de un fotograf. Care este probabilitatea ca
ecare soµie s   fost a³ezate lâng  soµul ei? Dar probabilitatea ca m car o soµie s  nu  fost a³ezat  lâng 
soµul ei?
P15: O moned  este aruncat  de 10 ori.
(a) Câte secvenµe diferite care s  conµin  6 steme ³i 4 capete pot ap rea?
(b) Care este probabilitatea de a obµine 6 steme ³i 4 capete?
P16: Un zar corect este aruncat de 9 ori. Determinaµi probabilitatea de a obµine:
(a) trei de 6; (b) cel puµin doi de 3; (c) cel mult un 5; (d) un num r par.
P17: Not m cu Sn suma numerelor ce apar în n arunc ri independente ale unui zar ideal.
(a) Calculaµi probabilitatea P1 = P (S2 ≥ 6).
(b) Calculaµi probabilitatea P2 = P (S3 = 5).
P18: (i) În faµa unui oponent de acela³i calibru la tenis de mas , care eveniment este mai probabil: s 
câ³tigi 3 partide din 4, sau s  câ³tigi 5 partide din 8? Justicaµi r spunsul.
(ii) Se menµine rezultatul anterior dac , în loc de tenis de mas , cei doi s-ar întrece la ³ah? Presupunem
c  ³i la ³ah competenµii sunt de aceea³i valoare. Justicaµi r spunsul.
Probleme propuse [Dr. Iulian Stoleriu] 4

P19: Un sondaj arat  c , dac  o persoan  sufer  de TBC, atunci ea este descoperit  în 73.3% dintre
cazuri în urma unei radiograi. De asemenea, sondajul arat  c , chiar dac  o persoan  este s n toas ,
radiagraa indic  semne de TBC în 2.8% dintre cazuri. Într-un studiu recent dintr-o anumit  µar , s-a
estimat c  rata persoanelor care sunt bolnavi de TBC este de 1.7%.
(a) Care este probabilitatea ca, pentru o persoan  aleas  la întâmplare din acea µar , testul s  e pozitiv?
(b) Care este probabilitatea ca o persoan  s  aib  TBC atunci când rezultatul testului a fost pozitiv?
P20: Doi persoane joac  un joc care este câ³tigat de cel care ajunge primul la trei victorii. Dac , din
anumite motive, jocul se întrerupe la scorul de 2 : 1, cum trebuie împ rµit  miza pus  în joc? (miza va 
împ rµit  proporµional cu ³ansele ec rui juc tor de a ajunge la trei victorii)
P21: În anumite familii, p rinµii continu  s  aib  copii pâna au cel puµin câte un copil de ecare sex. S 
presupunem c  probabilitatea de a avea un copil, indiferent de sex, este 0.5. Pentru astfel de familii, care
este probabilitatea de a avea 4 copii?
P22: Trei întreprinderi trimit acela³i tip de piese într-un depozit central, în proporµie de 5, 3, 2. Cele
trei întreprinderi au rebuturi în proporµie de, respectiv, 1%, 3%, 2%. Valoarea pieselor ce s-au dovedit a 
rebuturi este de 3600 RON. Cum ar trebui împ rµit  aceast  sum  între cele 3 întreprinderi?
P23: Pentru evaluarea rezultatelor obtinute la teza de Matematica de catre elevii unei anumite scoli, se
face un sondaj de volum 35 printre elevii scolii, iar notele lor sunt sumarizate in Tabelul 1.
note 4 5 6 7 8 9 10
frecventa 3 6 7 8 5 4 2

Tabela 1: Medii generale si frecvente

(i) Sa se scrie si sa se reprezinte grac functia de repartitie pentru aceasta selectie;


(ii) Notam cu X variabila aleatoare care guverneaza populatia. Utilizand selectia de mai sus, sa se apro-
ximeze probabilitatea P (6 ≤ X ≤ 8).
P24: Dac  un ceas se opre³te la întâmplare, care este probabilitatea ca limba care indic  orele s  se
opreasc  între 7 ³i 10?
P25: Pe segmentul AB se alege un punct P la întâmplare, în mod uniform.
(i) Care este probabilitatea ca distanµa de la punctul P la A s  e cel puµin de dou  ori mai mare ca
distanµa de la P la B ?
(ii) Care este probabilitatea ca punctul P s  împart  segmentul în dou  p rµi ce p streaz  proporµia 2 : 1?
P26: Consider m funcµia f : R −→ R, dat  prin

 2 x e− xλ2 , x > 0;
f (x) = λ
0 , x ≤ 0.

(a) Pentru ce valori ale parametrului λ, funcµia f este o densitate de repartiµie?


(S  not m cu X variabila aleatoare ce are aceast  densitate de repartiµie)
(b) Calculaµi EX ³i D2 (X).
(c) Dac  λ = 2, calculaµi P (X ≥ 2).
P27: Durata de funcµionare continu  a unui anumit tip de baterii este o variabil  aleatoare normal ,
de medie 10h ³i dispersie 3.2. Care este probabilitatea ca o baterie aleas  la întâmplare s  aib  durata de
funcµionare continu  cuprins  între 9.5h ³i 10.5h ?
Probleme propuse [Dr. Iulian Stoleriu] 5

P28: În drumul Mariei de acas  pân  la serviciu se a  dou  semafoare. Not m cu X1 v.a. ce reprezint 
num rul de semafoare pe care Maria le prinde pe ro³u, ³i presupunem c  repartiµia lui X1 este urm toarea:

x 0 1 2
p(x) 0.2 0.5 0.3

De asemenea, e X2 num rul de semafoare pe care Maria le prinde pe ro³u pe drumul de întoarcere spre
cas . Presupunem c  X2 ³i X1 sunt independente ³i identic repartizate.
(a) Determinaµi repartiµia, media ³i dispersia variabilei aleatoare X = X1 + X2
(b) Care e probabilitatea ca Maria s  prind  cel puµin 2 semafoare pe ro³u de acas  la serviciu ³i retur?
P29: Distanµa X la care sunt aruncate mingile aruncate de o ma³in  automat  de servit mingi de tenis
este o variabil  aleatoare repartizat  normal. Media distanµei este necunoscut , dar deviaµia standard este
1.2 m.
(a) “tiind c  P (X ≤ 20) = 0.95, s  se g seasc  valoarea a³teptat  a distanµei (adic , E(X)).
X − 18
(b) Stabiliµi repartiµia variabilei aleatoare Z = ³i calculaµi probabilitatea P (Z 2 ≤ 20).
1.2
P30: Presupunem ca inaltimea unei persoane este o v.a. repartizata normal. Media de inaltime a
jucatorilor unei echipe de baschet masculin este 195 cm, cu deviatia standard 5 cm. Inaltimea usii de la
vestiarul echipei este de 2 metri.
(a) Determinati procentul dintre jucatorii echipei care sunt prea inalti pentru a trece de aceasta usa fara
sa se aplece. (Presupunem ca se apleaca doar daca inaltimea lor este mai mare de 2m).
(b) Sa se determine probabilitatea ca inaltimile jucatorilor sa e intre 190 cm si 210 cm.

P31: Masa (in grame) a unui anumit tip de franzele produse de o masina intr-o brutarie este o variabila
aleatoare N (400, 10). Pentru a controla daca masina respecta standardele cantitative, s-au cantarit la
intamplare 50 dintre franzelele produse de respectiva masina intr-o zi.
Painile care au masa sub 380g sau peste 420g nu sunt conforme cu standardul CTC. Sa se gaseasca proportia
de paini care nu respecta standardul masei.
P32: Doi tr g tori trag asupra unei µinte. Probabilitatea ec ruia dintre ei de a atinge µinta este 1/3.
Câ³tig  cel care atinge µinta pentru prima oar . S  se precizeze variabila aleatoare care modeleaz  num rul
de trageri necesare pentru ca µinta s  e lovit  ³i s  se calculeze media ³i dispersia sa.
P33: S  not m cu X num rul de ou  depuse de o bufniµ  uliu (Bubo Bubo) într-un anumit an. X este
o variabil  aleatoare ce are repartiµia:
 
1 2 3 4
X: .
0.1 0.1 0.3 0.5

Pentru ecare ou, probabilitatea ca din el s  iasa un pui este 0.8, independent de toate celelalte ou . S 
not m cu Y num rul de pui ce apar într-un cuib luat la întâmplare. G siµi repartiµia v. a. Y .
P34: Consider m o v.a. X ∼ U − π2 , π
. Determinaµi densitatea de repartiµie a v.a. Y = tan X .

2

P35: Consider m funcµia (


a sin x , x ∈ [0, π];
f (x) =
0 , x 6= [0, π].
(a) Pentru ce valori ale parametrului a, funcµia f este o densitate de repartiµie?
(S  not m cu X variabila aleatoare ce are aceast  densitate de repartiµie)
Probleme propuse [Dr. Iulian Stoleriu] 6

(b) Calculaµi EX ³i D2 (X).


(c) Calculaµi P (0 ≤ X < π6 ).
(d) Determinaµi funcµia de repartiµie a lui X ;
(e) Calculaµi mediana M e(X).
P36: Consider m o v.a. X de tip continuu, având funcµia de repartiµie

0   , x ≤ 0;



x  4
F (x) = 1 + ln , x ∈ [(0, 4];

 4 x

1 , x > 4.

Calculaµi:
(a) P (X ≤ 1), P (X = 1);
(b) E(X);
(c) P (1 ≤ X < 3).
P37: Care dintre urm toarele dou  evenimente are probabilitatea mai mare: s  obµinem m car o dat 
faµa cu 6 puncte din 4 arunc ri succesive ale unui zar ideal, sau s  obµinem cel puµin o dubl  (6, 6) aruncând
dou  zaruri ideale simultan de 24 de ori?
Anexa 1 [Dr. Iulian Stoleriu] 7

2 Anexa 1

Repartiµii probabilistice în Matlab


Funcµia de probabilitate (pentru v.a. discrete) ³i densitatea de repartiµie (pentru v.a. continue) (ambele
notate anterior prin f (x)) se introduc în Matlab cu ajutorul comenzii pdf, astfel:

pdf('LEGE', x, <param>) sau LEGEpdf(x, <param>).

Funcµia de repartiµie F (x) a unei variabile aleatoare se poate introduce în Matlab cu ajutorul comenzii
cdf, astfel:

cdf('LEGE', x, <param>) sau LEGEcdf(x, <param>).

Inversa funcµiei de repartiµie pentru repartiµii continue, F −1 (y), se introduce cu comanda icdf, astfel:

icdf('LEGE', y, <param>) sau LEGEinv(y, <param>).

În comenzile de mai sus, LEGE poate  oricare dintre legile de repartiµie din Tabelul 2, x este un scalar sau
vector pentru care se calculeaz  f (x) sau F (x), y este un scalar sau vector pentru care se calculeaz  F −1 (y),
iar <param> este un scalar sau un vector ce reprezint  parametrul (parametrii) repartiµiei considerate.

Observaµia 1 Fie X o variabil  aleatoare ³i F (x, θ) funcµia sa de repartiµie, θ ind parametrul repartiµiei.
Pentru un x ∈ R, relaµia matematic 
P (X ≤ x) = F (x)
o putem scrie astfel în Matlab:
cdf('numele repartiµiei lui X',x,θ). (1)
Problema poate aparea la evaluarea în Matlab a probabilit µii P (X < x). Dac  repartiµia considerat 
este una continu , atunci corespondentul în Matlab este tot (1), deoarece în acest caz
P (X ≤ x) = P (X < x) + P (X = x) = P (X < x).

De exemplu, dac  X ∼ N (5, 2), atunci


P (X < 4) = cdf('norm', 4, 5, 2).

Dac  X este de tip discret, atunci


(
P (X ≤ [x]) , x nu e întreg
P (X < x) =
P (X ≤ m − 1) , x = m ∈ Z,
Anexa 1 [Dr. Iulian Stoleriu] 8

unde [x] este partea întreag  a lui x.


De exemplu, dac  X ∼ B(10, 0.3), atunci

P (X < 5) = P (X ≤ 4)
= cdf('bino', 4, 10, 0.3) = 0.8497.

Tabelul 2 conµine câteva repartiµii uzuale ³i funcµiile corespunz toare în Matlab.

repartiµii probabilistice discrete repartiµii probabilistice continue

norm: repartiµia normal  N (µ, σ)


bino: repartiµia binomial  B(n, p) unif: repartiµia uniform  continu  U(a, b)
nbin: repartiµia binomial  negativ  BN (n, p) exp: repartiµia exponenµial  exp(λ)
poiss: repartiµia Poisson P(λ) gam: repartiµia Gamma Γ(a, λ)
unid: repartiµia uniform  discret  U(n) beta: repartiµia Beta β(m, n)
geo: repartiµia geometric  Geo(p) logn: repartiµia lognormal  logN (µ, σ)
hyge: repartiµia hipergeometric  H(n, a, b) chi2: repartiµia χ2 (n)
t: repartiµia student t(n)
f: repartiµia Fisher F(m, n)
wbl: repartiµia Weibull W bl(k, λ)

Tabela 2: Repartiµii uzuale în Matlab


Anexa 1 [Dr. Iulian Stoleriu] 9

3 Anexa 2

Scurt  introducere în Matlab


Matlab este un pachet comercial de programe de înalt  performanµ  produs de The MathWorks, Inc.,
dedicat calculului numeric ³i reprezent rilor grace în domeniul ³tiinµelor ³i ingineriei. Elementul de baz 
cu care opereaz  Matlab-ul este matricea (Matlab este acronim de la MATrix LABoratory). Matlab
este un software standard în mediile universitare, precum ³i în domeniul cercet rii ³i rezolv rii practice a
problemelor legate de procesarea semnalelor, identicarea sistemelor, calculul statistic, prelucrarea datelor
experimentale, matematici nanciare, matematici aplicate în diverse domenii etc. Cea mai important 
caracteristic  a Matlab-ului este u³urinµa cu care poate  extins. La programele deja existente în Matlab,
utilizatorul poate ad uga propriile sale coduri, dezvoltând aplicaµii specice domeniului în care lucreaz .
Matlab-ul include aplicaµii specice, numite Toolbox-uri. Acestea sunt colecµii extinse de funcµii Matlab
(³iere M) care dezvolt  mediul de programare de la o versiune la alta, pentru a rezolva probleme din domenii
variate. Structural, Matlab-ul este realizat sub forma unui nucleu de baz , cu interpretor propriu, în jurul
c ruia sunt construite toolbox-urile.
Prezent m mai jos o scurt  introducere în Matlab a principalelor funcµii ³i comenzi folosite în aceast 
lucrare. Pentru o tratare mai detaliat , puteµi consulta un manual de utilizare sau [9]. Mai menµion m aici
³i lucrarea [1], unde puteµi g si diverse modalit µi de implementare în Matlab ale unor noµiuni de Teoria
Probabilit µilor ³i Statistic  matematic .
Folosind comanda demo din Matlab, puteµi urm ri o demonstraµie a principalelor facilit µi din Matlab,
cât ³i a pachetelor de funcµii (toolbox) de care aµi putea  interesaµi. Dintre acestea, amintim Statistics
Toolbox, care este o colecµie de funcµii folosite pentru analiza, modelarea ³i simularea datelor. Conµine:
analiza gracelor (GUI), diverse repartiµii probabilistice (beta, binomial , Poisson, χ2 ), generarea numerelor
aleatoare, analiza regresional , descrieri statistice.

• Comenzile Matlab pot  scrise în ³iere cu extensia .m, ce urmeaz  apoi a  compilate. Un ³ier-m
const  dintr-o succesiune de instrucµiuni, cu posibilitatea apel rii altor ³iere-M precum ³i a apel rii
recursive. De asemenea, Matlab poate  folosit ca pe un mediu computaµional interactiv, caz în
care ecare linie este prelucrat  imediat. Odat  introduse expresiile, acestea pot  vizualizate sau
evaluate imediat. De exemplu, introducând la linia de comand 

>> a = sqrt((sqrt(5)+1)/2)

Matlab dene³te o variabil  de memorie a, c reia îi atribuie valoarea


a =
1.2720

• Variabilele sunt denite cu ajutorul operatorului de atribuire, =, ³i pot  utilizate f r  a declara de
ce tip sunt. Valoarea unei variabile poate : o constant , un ³ir de caractere, poate reie³i din calculul
unei expresii sau al unei funcµii.
• Pentru a g si informaµii imediate despre vreo funcµie predenit , comanda help va vine în ajutor. De
exemplu,
Anexa 1 [Dr. Iulian Stoleriu] 10

>> help length

a³eaz  urm toarele:

LENGTH Length of vector.


LENGTH(X) returns the length of vector X. It is equivalent
to MAX(SIZE(X)) for non-empty arrays and 0 for empty ones.
See also numel.

• Comanda help poate  utilizat  doar dac  se cunoa³te exact numele funcµiei. Altfel, folosirea comen-
zii lookfor este recomandat . De exemplu, comanda

>> lookfor length

produce:

NAMELENGTHMAX Maximum length of MATLAB function or variable name.


VARARGIN Variable length input argument list.
VARARGOUT Variable length output argument list.
LENGTH Length of vector.

• Matlab este un mediu computaµional orientat pe lucru cu vectori ³i matrice. O linie de cod de forma
>> v = [1,3,5,7,9] % sau v = [1 3 5 7 9]

dene³te un vector linie ce are componentele 1, 3, 5, 7, 9. Aceasta poate  realizat  ³i folosind co-
manda v = 1:2:9 adic  a³eaz  numerele de la 1 la 9, cu pasul 2. Pentru un vector coloan , folosim
punct-virgul  între elemente, adic 

>> v = [1;3;5;7;9] % vector coloana

O alt  variant  de a deni un vector este

>> v = linspace(x1,x2,n)

adic  v este un vector linie cu n componente, la intervale egale între x1 ³i x2.


• Denirea matricelor se poate face prin introducerea explicit  a elementelor sale sau prin instrucµiuni
³i funcµii. La denirea explicit , trebuie µinut cont de urm toarele: elementele matricei sunt cuprinse
între paranteze drepte ([ ]), elementele unei linii trebuie separate prin spaµii libere sau virgule, liniile
se separ  prin semnul punct-virgul . De exemplu, comanda

>> A = [1 2 3; 4, 5, 6]
Anexa 1 [Dr. Iulian Stoleriu] 11

dene³te matricea
A =
1 2 3
4 5 6

• Apelul elementelor unei matrice se poate face prin comenzile A(i,j) sau A(:,j) (elementele de
coloan  j ) sau A(i,:) (elementele de linia i);
• Funcµia Matlab
ones(m,n) dene³te o matrice m × n, având toate componentele egale cu 1. Funcµia
zeros(m,n) dene³te o matrice zero m × n. Funcµia eye(n) dene³te matricea unitate de ordin n.
• Dup  cum vom vedea mai jos, Matlab permite denirea unor funcµii foarte complicate prin scrierea
unui cod. Dac  funcµia ce o avem de denit este una simpl , atunci avem varianta utiliz rii comenzii
inline. Spre exemplu, denim funcµia f (x, y) = e5x sin 3y :

>> f = inline('exp(5*x).*sin(3*y)')
f =
Inline function:
f(x,y) = exp(5*x).*sin(3*y)

Putem apoi calcula f (7, π) prin

>> f(7,pi)
0.5827

• Un program Matlab poate  scris sub forma ³ierelor script sau a ³ierelor de tip funcµie.
Ambele
tipuri de ³iere sunt scrise în format ASCII. Aceste tipuri de ³iere permit crearea unor noi funcµii, care
le pot completa pe cele deja existente. Un ³ier script este un ³ier extern care conµine o secvenµ  de
comenzi Matlab. Prin apelarea numelui ³ierului, se execut  secvenµa Matlab conµinut  în acesta.
Dup  execuµia complet  a unui ³ier script, variabilele cu care acesta a operat r mân în zona de
memorie a aplicaµiei. Fi³ierele script sunt folosite pentru rezolvarea unor probleme care cer comenzi
succesive atât de lungi, încât ar putea deveni greoaie pentru lucrul în mod interactiv, adic  în modul
linie de comand .

Pentru a introduce date în Matlab, putem copia datele direct într-un ³ier Matlab, prin denirea unui
vector sau a unei matrice de date. De exemplu, urm toarele date au fost introduse prin "copy-paste" în
matricea data:

>> data = [ % atribuirea valorilor matricei data


21.3 24.1 19.9 21.0 % prima linie a datelor copiate
18.4 20.5 17.5 23.2
22.1 16.6 23.5 19.7 % ultima linie a datelor copiate
]; % inchidem paranteza ce defineste matricea de date

Datele din Matlab pot  salvate astfel:


Anexa 1 [Dr. Iulian Stoleriu] 12

>> cd('c:\fisierul_de_lucru'); % alegem fisierul unde salvam datele


>> save Timpi_de_reactie data; % salveaza in fisierul Timpi_de_reactie.mat

Datele pot  reînc rcate folosind comanda

load Timpi_de_reactie % incarca datele din fisier


Timpi_de_reactie % afiseaza datele incarcate

Fi³ierele funcµie

Matlab creaz  cadrul propice extinderii funcµiilor sale, prin posibilitatea cre rii de noi ³iere. Astfel, dac 
prima linie a ³ierului .m conµine cuvântul function, atunci ³ierul respectiv este declarat ca ind ³ier
funcµie. Variabilele denite ³i manipulate în interiorul ³ierului funcµie sunt localizate la nivelul acesteia.
Prin urmare, la terminarea execuµiei unei funcµii, în memoria calculatorului nu r mân decât variabilele de
ie³ire ale acesteia. Forma general  a primei linii a unui ³ier este:

function[param_iesire] = nume_functie(param_intrare)

unde:

• function este este cuvântul care declar  ³ierul ca ³ier funcµie;

• nume_functie este numele funcµiei, care este totuna cu numele sub care se salveaz  ³ierul;

• param_iesire sunt parametrii de ie³ire;

• param_intrare sunt parametrii de intrare.

Comenzile ³i funcµiile care sunt utilizate de nou  funcµie sunt înregistrate într-un ³ier cu extensia .m.

Exemplu 2 Fisierul medie.m calculeaz  media aritmetic  a sumei p tratelor componentelor unui vector
X (alternativ, aceast lucru poate  realizat prin comanda mean(X.^2)):

function m2 = medie(X)
n = length(X); m2 = sum(X.^2)/n;

Matlab-ul include aplicaµii specice, numite Toolbox-uri. Acestea sunt colecµii extinse de funcµii Matlab
(³iere-m) care dezvolt  mediul de programare de la o versiune la alta, pentru a rezolva probleme din
domenii variate. Statistics Toolbox reprezint  o colecµie de funcµii folosite pentru analiza, modelarea ³i
simularea datelor ³i conµine: generarea de numere aleatoare; distribuµii, analiza grac  interactiv  (GUI),
analiza regresional , descrieri statistice, teste statistice.
În Tabelul 3 am adunat câteva comenzi utile în Matlab.
Anexa 1 [Dr. Iulian Stoleriu] 13

% % permite adaugarea de comentarii in cod


help rand % help specic pentru funcµia rand
lookfor normal % cauta intrarile în Matlab pentru normal
X=[2 4 6 5 2 7 10] % vector linie cu 7 elemente
X=[3; 1; 6.5 ;0 ;77] % vector coloan  cu 5 elemente
X = -10:2:10 % vector cu numerele intregi de la −10 la 10, din 2 în 2
length(X) % lungimea vectorului X
t=0:0.01:3*pi % dene³te o diviziune a [0, 3π] cu diviziunea 0.01
X.^2 % ridic  toate componentele vectorului X la puterea a doua
X.*Y % produsul a doi vectori
cumsum(X) % suma cumulat  a elementelor vectorului X
cumprod(X) % produsul cumulativ al elementelor vectorului X
min(X) % realizeaz  minimum dintre componentele lui X
max(X) % realizeaz  maximum dintre componentele lu X
sort(X) % ordoneaz  componentele lui X în ordine crescatoare
sort(X, 'descend') % ordoneaz  componentele lui X în ordine descrescatoare
erf(X) % funcµia eroare
exp(x) % calculeaz  exponenµial  ex
log(x) % calculeaz  logaritmul natural ln(x)
sqrt(x) % calculeaz  radicalul ordinului doi dintr-un num r
num2str(x) % furnizeaz  valoarea numeric  a lui x
factorial(n) % n!
A = ones(m,n) % A e matrice m × n, cu toate elementele 1
B = zeros(m,n) % matrice m × n zero
I = eye(n) % matrice unitate, n × n
A = [3/2 1 3 7; 6 5 8 8; 3 6 9 12] % matrice 3 × 3
size(A) % dimensiunea matricei A
det(A) % determinantul matricei A
inv(A) % inversa matricei A
A' % transpusa matricei A
A(:,7) % coloana a 7-a a matricei A
A(1:20,1) % scoate primele 20 de linii ale lui A
nchoosek(n,k) % combin ri de n luate câte k
1e5 % numarul 105
exp(1) % numarul e
bar(X) sau barh(X) % reprezentarea prin bare
hist(X) % reprezentarea prin histograme
hist3(x,y,z) % reprezentarea prin histograme 3-D
plot(X(1:5),'*m') % deseneaz  primele 5 componente ale lui X , cu * magenta
plot(t,X,'-') % deseneaz  gracul lui X versus t, cu linie continua
plot3(X,Y,Z) % deseneaz  un grac în 3-D
stairs(X) % deseneaz  o funcµie scara
subplot(m,n,z) % împarte gracul în m × n zone & deseneaz  în zona z
semilogx ³i semilogy % logaritmeaz  valorile de pe absci , resp., ordonata
hold on % reµine gracul pentru a realiza o nou  gura
clf % ³terge gura
clear all % ³terge toate variabilele denite
title('Graficul functiei') % adaug  titlu gurii
find % g se³te indicii elementelor nenule ale unui vector
legend % ata³eaz  o legend  la un grac

Tabela 3: Funcµii Matlab utile


Anexa 2 [Dr. Iulian Stoleriu] 14

4 Anexa 3

Exemple de repartiµii discrete

În dreptul ec rei repartiµii, în parantez , apare numele cu care aceasta care poate  apelat  în Matlab.
(1) Repartiµia uniform  discret , U(n) (unid)

Scriem c  X ∼ U(n), dac  valorile lui X sunt {1, 2, . . . , n}, cu probabilit µile


1
P (X = k) = , k = 1, 2, . . . , n.
n
Media ³i dispersia sunt: E(X) = n+1
2
2 , D2 (X) = n 12−1 .
Exemplu: num rul de puncte care apar la aruncarea unui zar ideal este o valoare aleatoare repartizat  U(6).

(2) Repartiµia Bernoulli1 , B(1, p) (bino)

Scriem X ∼ B(1, p). V.a. de tip Bernoulli poate lua doar dou  valori, X = 1 (succes) sau X = 0 (insucces),
cu probabilit µile P (X = 1) = p; P (X = 0) = 1 − p.
Media ³i dispersia sunt: E(X) = p; D2 (X) = p(1 − p).
Exemplu: aruncarea o singur  dat  a unei monede ideale poate  modelat  ca ind o v.a. B(1, 0.5).

(3) Repartiµia binomial , B(n, p): (bino)

Scriem X ∼ B(n, p) (schema bilei revenite sau schema extragerilor cu repetiµie) (n > 0, p ∈ (0, 1)), dac 
valorile lui X sunt {0, 1, . . . , n}, cu probabilit µile
P (X = k) = Cnk pk (1 − p)n−k , k = 0, 1, . . . , n.

Media ³i dispersia sunt: E(X) = np; D2 (X) = np(1 − p).


n
Dac  (Xk )k=1,n ∼ B(1, p) ³i (Xk )k independente stochastic, atunci X = Xk ∼ B(n, p).
X

k=1
Exemplu: aruncarea de 15 ori a unei monede ideale poate  modelat  ca ind o v.a. binomial  B(15, 0.5).

(4) Repartiµia hipergeometric , H(n, a, b) (hyge)

X ∼ H(n, a, b) (schema bilei nerevenite sau schema extragerilor f r  repetiµie) (n, a, b > 0) dac 

Cak Cbn−k
P (X = k) = n , pentru orice k ce satisface max(0, n − b) ≤ k ≤ min(a, n).
Ca+b
1
Jacob Bernoulli (1654 − 1705), matematician elveµian
Anexa 2 [Dr. Iulian Stoleriu] 15
n
a+b−n
Media ³i dispersia sunt: EX = .
X
E(Xi ) = np; D2 (X) = np(1 − p)
a+b−1
i=0

Observaµia 3 (i) Dac  (Xk )k=0,n ∼ B(1, n), cu p = a


a+b (v.a. dependente stochastic), atunci
n
X
X= Xi ∼ H(n, a, b).
i=1
n
În cazul schemei bilei nerevenite, nu mai putem scrie egalitate între D2 (X) ³i D2 (Xi ), deoarece (Xi )i
X

i=0
nu sunt independente stochastic.
(ii) Pentru N = a + b  n, putem face aproximarea a+b−n
a+b−1 ≈ a+b−n
a+b =1− N,
n
de unde
 n
D2 (X) ≈ np(1 − p) 1 − . (2)
N
Observ m c  repartiµiile binomial  ³i hipergeometric  au aceea³i medie, îns  dispersiile difer  prin termenul
N −1 . În cazul în care num rul de bile este mult mai mare decât num rul de extrageri (N  n), atunci
N −n

acest termen devine aproximativ 1 − N . În plus, dac  N este foarte mare, atunci trecând N → ∞ în (2),
n


g sim c  ³i dispersiile celor dou  repartiµii coincid. Cu alte cuvinte, când num rul de bile din urn  este
foarte mare, nu mai conteaz  dac  extragerea bilelor se face cu repetiµie sau nu. Acest fapt îl vom utiliza
în Teoria selecµiei, când extragerile se fac dintr-o colectivitate de volum foarte mare.

(5) Repartiµia Poisson2 , P(λ) (poiss)

Valorile sale reprezint  num rul evenimentelor spontane (cu intensitatea λ) realizate într-un anumit interval
de timp. Pentru un λ > 0, spunem c  X ∼ P(λ) (legea evenimentelor rare) dac  X ia valori naturale, cu
probabilit µile
λk
P (X = k) = e−λ , ∀k ∈ N.
k!
E(X) = λ; D2 (x) = λ.

(6) Repartiµia geometric , Geo(p) (geo)

Valorile sale reprezint  num rul de insuccese avute pân  la obµinerea primului succes,
stiind probabilitatea de obµinere a unui succes, p.
Spunem c  X ∼ Geo(p), (p ∈ (0, 1)) dac  X ia valori în N, cu probabilit µile

P (X = k) = p(1 − p)k , pentru orice k ∈ N, unde p ≥ 0.


1−p 1−p
E(X) = ; D2 (X) = .
p p2

Observaµia 4 Dac  X ∼ Geo(p), atunci variabila aleatoare Y = X +1 reprezint  a³teptarea pân  la primul
succes.
2
Siméon-Denis Poisson (1781 − 1840), matematician ³i zician francez, student al lui Laplace
Anexa 2 [Dr. Iulian Stoleriu] 16

(7) Repartiµia binomial  cu exponent negativ, BN (m, p) (nbin)

Valorile sale reprezint  num rul de insuccese obµinute înainte de a se realiza succesul de rang m.
În cazul particular m = 1, obµinem repartiµia geometric .
Pentru m ≥ 1, p ∈ (0, 1), spunem c  X ∼ BN (m, p) dac  X ia valorile {m, m + 1, m + 2, . . . }, cu
probabilit µile
m−1
P (X = k) = Cm+k−1 pm (1 − p)k , ∀k ≥ m, p ≥ 0.
m(1 − p) m(1 − p)
Media ³i dispersia sunt: E(X) = ; D2 (X) = .
p p2

Exemple de repartiµii continue

(1) Repartiµia uniform , U(a, b) (unif)

V.a. X ∼ U(a, b) (a < b) dac  funcµia sa de densitate este


1
, dac  x ∈ (a, b)

f (x; a, b) = b−a
0 , altfel.
a+b (b − a)2
E(X) = , D2 (X) = .
2 12

Exemplu: Alegerea la întâmplare a unei valori din intervalul (0, 1), în cazul în care orice valoare are aceea³i
³ans  de a  aleas , urmeaz  o repartiµie U(0, 1). Comanda rand din Matlab realizeaz  acest experiment
(vezi capitolul urm tor).

(2) Repartiµia normal , N (µ, σ) (norm)

Spunem c  X ∼ N (µ, σ), dac  X are densitatea:


1 (x−µ)2
f (x; µ, σ) = √ e− 2σ2 , x ∈ R.
σ 2π
E(X) = µ ³i D2 (X) = σ 2 .
Se mai nume³te ³i repartiµia gaussian . În cazul µ = 0, σ 2 = 1 densitatea de repartiµie devine:
1 x2
f (x) = √ e− 2 , x ∈ R. (3)

În acest caz spunem c  X urmeaz  repartiµia normal  standard, N (0, 1).
Gracul densit µii de repartiµie pentru repartiµia normal  este clopotul lui Gauss (vezi Figura 1). Din
grac (pentru σ = 1), se observ  c  majoritatea valorilor nenule ale repartiµiei normale standard se a  în
intervalul (µ − 3σ, µ + 3σ) = (−3, 3). Aceast  armaµie se poate demonstra cu ajutorul relaµiei (??).
Dac  Z ∼ N (0, 1), atunci X = σZ + µ ∼ N (µ, σ). În mod similar, dac  X ∼ N (µ, σ), atunci Z = X−µ σ ∼
N (0, 1). Pentru o v.a. N (0, 1) funcµia de repartiµie este tabelat  (valorile ei se g sesc în tabele) ³i are o
notaµie special , Θ(x). Ea e denit  prin:
Z x
1 y2
Θ(x) = √ e− 2 dy. (4)
2π −∞
Anexa 2 [Dr. Iulian Stoleriu] 17

Figura 1: Clopotul lui Gauss pentru X ∼ N (0, σ), (σ = 1, 2, 3)

Funcµia de repartiµie a lui X ∼ N (µ, σ) este dat  prin


x−µ
F (x) = Θ( ), x ∈ R. (5)
σ

(3) Repartiµia log-normal , logN (µ, σ) (logn)

Repartiµia log-normal  este foarte util  în Matematicile Financiare, reprezentând o repartiµie de preµuri
viitoare pentru un activ nanciar. Dac  X ∼ N (µ, σ), atunci Y = eX este o v.a. nenegativ , având
densitatea de repartiµie
(ln x−µ)2
(
f (x; µ, σ) = xσ
1


e− 2σ 2 , dac  x > 0
0 , dac  x ≤ 0
A³adar, Y ∼ logN (µ, σ) dac  ln Y ∼ N (µ, σ).
Media ³i dispersia sunt date de E(X) = eµ+σ /2 , D2 (X) = e2µ+σ (eσ − 1).
2 2 2

(4) Repartiµia exponenµial , exp(λ) (exp)

Valorile sale sunt timpi realizaµi între dou  valori spontane repartizate P(λ).
Spunem c  X ∼ exp(λ) (λ > 0) dac  are densitatea de repartiµie
λe−λx , dac  x > 0

f (x; λ) =
0 , dac  x ≤ 0
1 1
Media ³i dispersia sunt: E(X) = ³i D2 (X) = 2 .
λ λ

Observaµia 5 Repartiµia exponenµial  satisface proprietatea a³a-numitei lips  de memorie, i.e.,


P ({X > x + y}|{X > y}) = P ({X > x}), ∀x, y ≥ 0.
Anexa 2 [Dr. Iulian Stoleriu] 18

Este unica distribuµie continu  cu aceast  proprietate. Distribuµia geometric  satisface o variant  discret 
a acestei propriet µi. [Vericaµi!]

(5) Repartiµia Gamma, Γ(a, λ) (gam)

O v.a. X ∼ Γ(a, λ), a, λ > 0, dac  densitatea sa de repartiµie este:


λa a−1 −λx
, dac  x > 0,
(
Γ(a) x e
f (x; a, λ) =
0 , dac  x ≤ 0.
unde Γ este funcµia lui Euler,
Z ∞
Γ : (0, ∞) → (0, ∞), Γ(a) = xa−1 e−x dx.
0

a a
Media ³i dispersia sunt: E(X) = , D2 (X) = .
λ λ2

Observaµia 6 (i) Γ(1, λ) ≡ exp(λ).


n
(ii) Dac  v.a. {Xk }k=1,n ∼ exp(λ) sunt independente stochastic, atunci suma lor Xk ∼ Γ(n, λ).
X

k=1

(6) Repartiµia Weibull3 , W bl(k, λ) (wbl)

Aceast  repartiµie este asem n toare cu repartiµia exponenµial  (aceast  obµinându-se în cazul particular
k = 1) ³i poate modela repartiµia m rimii particulelor. Când k = 3.4, distribuµia Weibull este asem n toare
cu cea normal . Când k → ∞, aceast  repartiµie se apropie de funcµia lui Dirac.
Vom spune c  X ∼ W bl(k, λ) (k > 0, λ > 0) dac  are densitatea de repartiµie
(
x k
x k−1 −( λ )
k
, dac  x ≥ 0

f (x; k, λ) = λ λ e
0 , dac  x < 0.
 
1
Media pentru repartiµia X ∼ W bl(k, λ) este E(X) = λΓ 1 + .
k

(7) Repartiµia χ2 , χ2 (n) (chi2)

O v.a. X ∼ χ2 (n) (se cite³te repartiµia hi-p trat cu n grade de libertate) dac  densitatea sa de repartiµie
este: 
 1 n x n2 −1 e− x2 , dac  x > 0,
n
f (x; n) = 2 Γ( 2 )2
0 , dac  x ≤ 0.
unde Γ este funcµia lui Euler. Gracul acestei repartiµii (pentru diverse valori ale lui n) este reprezentat în
Figura 2.
Media ³i dispersia sunt: E(χ2 ) = n, D2 (χ2 ) = 2n.
3
Ernst Hjalmar Waloddi Weibull (1887 − 1979), matematician ³i inginer suedez
Anexa 2 [Dr. Iulian Stoleriu] 19

Observaµia 7 (a) Repartiµia χ2 (n) este, de fapt, repartiµia Γ( n2 , 21 ).


(b) Dac  v.a. independente Xk ∼ N (0, 1) pentru k = 1, 2, . . . , n, atunci

X12 + X22 + · · · + Xn2 ∼ χ2 (n).

În particular, dac  X ∼ N (0, 1), atunci X 2 ∼ χ2 (1).

Figura 2: Repartiµia χ2 (n) pentru patru valori ale lui n.

(8) Repartiµia Student (W. S. Gosset4 ), t(n) (t)

Spunem c  X ∼ t(n) (cu n grade de libertate) dac  densitatea de repartiµie este:


− n+1
Γ n+1
 
2 x2 2
f (x; n) = √ 1 + , x ∈ R.
nπ Γ n2

n
n
E(X) = 0, D2 (X) = .
n−2

(9) Repartiµia Fisher5 , F(m, n) (f)

Spunem c  X ∼ F(m, n) (cu m, n grade de libertate) dac  densitatea de repartiµie este:


 m m m+n
 ( n ) 2 Γ( 2 ) m2 −1 m
− m+n
Γ( m Γ n
x 1+ n x 2
, x > 0;
f (x) = 2 ) (2)
0 , x ≤ 0.

n 2n2 (n + m − 2)
E(X) = , D2 (X) = .
n−2 m(n − 2)2 (n − 4)
4
William Sealy Gosset (1876 − 1937), statistician britanic, care a publicat sub pseudonimul Student
5
Sir Ronald Aylmer Fisher (1890 − 1962), statistician, eugenist, biolog ³i genetician britanic
Anexa 2 [Dr. Iulian Stoleriu] 20

(10) Repartiµia Cauchy6 , C(λ, µ) (f r  corespondent în Matlab)


Spunem c  X ∼ C(λ, µ) dac  densitatea de repartiµie este:
λ
f (x; λ, µ) = , x ∈ R.
π[(x − µ)2 + λ2 ]

NU admite medie, dispersie sau momente!!!

6
Augustin Louis Cauchy (1789 − 1857), matematician francez
Bibliografie [Dr. Iulian Stoleriu] 21

5 Bibliograe

Bibliograe
[1] Petru Blaga, Statistic . . . prin Matlab, Presa universitar  clujean , Cluj-Napoca, 2002.
[2] David Brink, Statistics compendium, David Brink & Ventus Publishing ApS, 2008.
[3] David Brink, Statistics exercises, David Brink & Ventus Publishing ApS, 2008.
[4] Gheorghe Ciucu, Virgil Craiu, Teoria estimaµiei ³i vericarea ipotezelor statistice, Editura Didactic 
³i Pedagogic , Bucure³ti, 1968.
[5] Steve Dobbs, Jane Miller, Statistics 1, Cambridge University Press, Cambridge 2000.
[6] Jay L. DeVore, Kenneth N. Berk, Modern Mathematical Statistics with Applications (with CD-ROM),
Duxbury Press, 2006.
[7] Robert V. Hogg, Allen Craig, Joseph W. McKean, Introduction to Mathematical Statistics, Prentice
Hall, 6th edition, 2004.
[8] Marius Iosifescu, Costache Moineagu, Vladimir Trebici, Emiliana Ursianu, Mic  enciclopedie de sta-
tistic , Editura ³tiinµic  ³i enciclopedic , Bucure³ti, 1985.
[9] http://www.mathworks.com
[10] Gheorghe Mihoc, N. Micu, Teoria probabilit µilor ³i statistica matematic , Bucuresti, 1980.
[11] Elena Nenciu, Lecµii de statistic  matematic , Universitatea A. I. Cuza, Ia³i, 1976.
[12] Octavian Petru³, Probabilit µi ³i Statistica matematic  - Computer Applications, Ia³i, 2000.
[13] Sanford Weisberg, Applied Linear Regression, Wiley series in Probability and Statistics, 3rd ed., 2005.
[14] Larry J. Stephens, Theory and problems of Beginning Statistics, Schaum's Outline Series, 2nd ed., The
McGraw-Hill Companies, Inc., 1998.
[15] Dominick Salvatore, Derrick Reagle, Theory and problems of Statistics and Econometrics, Schaum's
Outline Series, 2nd ed., The McGraw-Hill Companies, Inc., 2002.
[16] Iulian Stoleriu, Statistic  prin Matlab. MatrixRom, Bucure³ti, 2010.
[17] Gábor Székely, Paradoxes in Probability Theory and Mathematical Statistics, (Mathematics and its
Applications), Springer Verlag, 1987.
[18] David Williams, Weighing the Odds: A Course in Probability and Statistics, Cambridge University
Press, 2001.