Algebră s, i elemente de statistică matematică

Curs 10

Adela Sasu, Ph.D.

asasu@unitbv.ro Curs 10 1 / 26
Elemente de teoria selecţiei

Selecţie. Repartiţie empirică

Colectivitate (populaţie) statistică – o mulţime de elemente (indivizi)
ce au ı̂n comun o proprietate, o trăsătură.
Caracteristica unei populaţii statistice este proprietatea, trăsătura care
se studiază din punct de vedere statistic la populaţia aflată ı̂n studiu.
Caracteristica se asimilează cu o variabilă aleatoare numită teoretică şi
notată cu X. Legile de repartiţie, valorile tipice ale caracteristicii X se
numesc legi de repartiţie teoretice respectiv valorile tipice teoretice.
Selecţia (eşantion, sondaj) este o colectivitate parţială obţinută prin
extragerea la ı̂ntâmplare din populaţia statistică a unui număr n limitat de
indivizi şi măsurarea lor din punctul de vedere al caracteristicii studiate.
Numărul n reprezintă volumul selecţiei.
asasu@unitbv.ro Curs 10 2 / 26
Elemente de teoria selecţiei

Selecţie repetată – individul extras din populaţie şi supus măsurării din
punct de vedere al caracteristicii studiat se reintroduce ı̂n colectivitate
ı̂nainte de a se extrage următorul.
Selecţie nerepetată – cazul contrar selecţiei repetate. Dacă volumul n al
selecţiei este foarte mic ı̂n raport cu volumul populaţiei aflat ı̂n studiu nu
se mai fac distincţii ı̂ntre cele două tipuri de selecţie.
Într-o selecţie realizată, valorile x1 , x2 , . . . , xn observate (măsurate) pe
indivizii selecţiei pot fi considerate ca valori a n variabile aleatoare
independente X1 , X2 , . . . , Xn având aceiaşi repartiţie teoretică cu cea a
caracteristicii X studiate. Variabilele X1 , X2 , . . . , Xn se numesc variabile de
selecţie.
asasu@unitbv.ro Curs 10 3 / 26
Elemente de teoria selecţiei

Frecvenţa absolută νi a valorii xi , obţinută ı̂ntr-o selecţie realizată de

volum n, reprezintă numărul de apariţie a valorii xi ı̂n cadrul selecţiei
realizate.
Frecvenţa relativă fi a valorii xi , obţinută ı̂ntr-o selecţie realizată de
volum n, reprezintă raportul dintre frecvenţa absolută νi corespunzătoare
valorii xi şi volumul n al selecţiei,

νi
fi =
n

Descrierea şi sistematizarea datelor de selecţie se face prin aşa zisa

repartiţie a selecţiei numită repartiţie empirică a variabilei de selecţie sau
a variabilei empirice notată cu X ∗ .
asasu@unitbv.ro Curs 10 4 / 26
Elemente de teoria selecţiei

Se disting următoarele modalităţi de definire a repartiţiei empirice:

 
x1 x2 . . . xn 
1) X ∗   dacă volumul n al selecţiei nu este prea mare
1 1 1
n n . . . n
şi toate valorile xi ale variabilelor de selecţie sunt distincte, fiecare

având aceiaşi frecvenţă relativă fi = n1 , i = 1, n.

 
x1 x2 . . . xk  νi Pk
2) X ∗  , cu fi = , i = 1, k, i=1 fi = 1
n
f1 f2 . . . fk
 
[a
 i−1 i , a )
3) X ∗   ı̂n cazul ı̂n care valorile rezultate ı̂n urma unei selecţii
fi
realizate, sunt situate ı̂ntr-un interval [a, b] al axei reale.
asasu@unitbv.ro Curs 10 5 / 26
Elemente de teoria selecţiei

În acest caz se consideră o ı̂mpărţire a intervalului [a, b] ı̂n r subintervale

de lungime de obicei egală cu h, [a, a1 ), [a1 , a2 ), [a2 , a3 ), . . . , [ak−1 , b) cu

a1 –a = a2 –a3 = . . . = b–ak − 1 = h, iar frecvenţa absolută νi reprezintă ı̂n

acest caz numărul valorilor xi ale variabilelor de selecţie ce cad ı̂n

[ai−1 , ai ). O reprezentare mai puţin exactă a repartiţiei variabilei empirice

X ∗ ı̂n acest caz, poate fi şi

   
ci  ai−1 + ai ci 
4) X ∗   unde ci = sau X ∗  , i = 1, k
2
νi fi

asasu@unitbv.ro Curs 10 6 / 26
Funcţia empirică de repartiţie

Funcţia empirică de repartiţie Fn∗ (x)

 
x1 x2 . . . xn 
1) X ∗   =⇒
1 1 1
n n . . . n





 0 , x ≤ x1


Fn∗ (x) = i − 1 , xi−1 < x ≤ xi , i = 2, n


 n


1

, x > xn

asasu@unitbv.ro Curs 10 7 / 26
Funcţia empirică de repartiţie

 
x1 x2 . . . xk 
2) X ∗   =⇒
f1 f2 . . . fk


0 , x ≤ x1






i−1
Fn∗ (x) =
P
fj , xi−1 < x ≤ xi , i = 2, k


 j=1



1
 , x > xk

asasu@unitbv.ro Curs 10 8 / 26
Funcţia empirică de repartiţie

 
[ai−1 , ai )
3) X ∗   =⇒
fi


0 , x ≤ a = a0






i−1
x − ai−1
Fn∗ (x) =
P
fj + fi , ai−1 < x ≤ ai , i = 2, k,
j=1
 h




1
 , x > b = ak
unde h = ai − ai−1

asasu@unitbv.ro Curs 10 9 / 26
Funcţia empirică de repartiţie. Reprezentarea grafică



0 , x ≤ a = a0


  


ci 

i−1
4) X ∗   =⇒ Fn∗ (x) =
P
fj , ai−1 < x ≤ ai , i = 2, k
fi j=1





1
 , x > ak = b
Reprezentarea grafică

Poligonul frecveţelor absolute (respectiv relative) Pe axa absciselor se

măsoară valorile xi , iar pe axa ordonatelor valorile frecvenţelor absolute νi

(respectiv relative fi ). Unind punctele (xi , νi ) (respectiv (xi , fi )) se obţine

poligonul frecvenţelor.

asasu@unitbv.ro Curs 10 10 / 26
Reprezentarea grafică

Histograma
Se utilizează ı̂n cazul ı̂n care valorile de selecţie obţinute sunt situate
ı̂ntr-un interval [a, b], când se impune gruparea valorilor xi obţinute pe
subintervale (clase) [ai−1 , ai ) de lungimi egale.
Pe axa absciselor se consideră subintervalele [ai−1 , ai ) de lungimi egale cu
h. Pe fiecare subinterval [ai−1 , ai ) considerat ca bază, se ridică un
νi fi
dreptunghi a cărui latură (ı̂nălţime) este egală cu respectiv . În acest
h h
fel, aria unui dreptunghi va fi νi respectiv fi . Pentru o selecţie de volum
mare, conturul superior al histogramei, ne oferă o imagine suficient de
exactă a graficului densităţii de repartiţie teoretice f (x) a variabilei
aleatoare (caracteristicii) teoretice X.
asasu@unitbv.ro Curs 10 11 / 26
Valori tipice (empirice) de selecţie

Media (empirică) de selecţie

n
∗ 1X
m = m1∗ = X̄ = xi
n
i=1
k
X
X̄ = xi fi
i=1
Xk
X̄ = ci fi
i=1

asasu@unitbv.ro Curs 10 12 / 26
Valori tipice (empirice) de selecţie

Momentul iniţial (empiric) de selecţie de ordin r, r ∈ R

n
1X r
mr∗ = xi
n
i=1
Xk
mr∗ = xir fi
i=1
Xk
mr∗ = cir fi
i=1

asasu@unitbv.ro Curs 10 13 / 26
Valori tipice (empirice) de selecţie

Momentul centrat de selecţie de ordin r, r ∈ R

n
1X
µ∗r = (xi − X̄ )r
n
i=1
k
X
µ∗r = (xi − X̄ )r fi
i=1
Xk
µ∗r = (ci − X̄ )r fi
i=1

asasu@unitbv.ro Curs 10 14 / 26
Valori tipice (empirice) de selecţie

Dispersia de selecţie

n
2 1X
S = (xi − X̄ )2
n
i=1
k
X
S2 = (xi − X̄ )2 fi
i=1
Xk
S2 = (ci − X̄ )2 fi
i=1

asasu@unitbv.ro Curs 10 15 / 26
Valori tipice (empirice) de selecţie

Există şi alte moduri de a defini dispersia de selecţie şi anume:

n
1X
S∗2 = (xi − m)2
n
i=1
k
X
S∗2 = (xi − m)2 fi
i=1
Xk
S∗2 = (ci − m)2 fi
i=1

dacă media teoretică m = M(X ) este cunoscută.

asasu@unitbv.ro Curs 10 16 / 26
Valori tipice (empirice) de selecţie

Dacă volumul selecţiei este mic, n ≤ 50 atunci:

n
1 X
s2 = (xi − X̄ )2
n−1
i=1

n
Raportul se numeşte corecţia lui Bessel şi avem relaţia
n−1

n
s2 = S2
n−1

asasu@unitbv.ro Curs 10 17 / 26
Aplicaţii

Exemplul 1: Într-un studiu statistic al rezultatelor obţinute la examenul

de matematică de studenţii anului I ai unei Facultăţi de Ştiinţe Economice,

s-a ales o grupă formată din 35 de studenţi. Menţionând că pentru cei

absenţi de la examen, s-a convenit nota 0, situaţia notelor obţinute la

examenul de matematică este prezentată ı̂n tabelul de mai jos:

Nota(xi ) 0 1 2 3 4 5 6 7 8 9 10

Nr. stud(νi ) 3 0 0 2 5 3 5 5 6 3 3

asasu@unitbv.ro Curs 10 18 / 26
Aplicaţii

Determinaţi:

a) frecvenţa relativă a fiecărei note

b) repartiţia variabilei empirice

c) funcţia empirică de repartiţie

d) poligonul frecvenţelor relative

e) media şi dispersia de selecţie

asasu@unitbv.ro Curs 10 19 / 26
Aplicaţii

νi
a) fi = , i = 0, 10, n = 35
n
3 2 5 3 5 5
f0 = , f1 = 0, f2 = 0, f3 = , f4 = , f5 = , f6 = , f7 = , f8 =
35 35 35 35 35 35
6 3 3
, f9 = , f10 =
35  35 35
xi 
b) X ∗   =⇒
fi

 
0 1 2 3 4 5 6 7 8 9 10 
X∗  3 2 5 3 5 5 6 3 3
0 0
35 35 35 35 35 35 35 35 35

asasu@unitbv.ro Curs 10 20 / 26
Aplicaţii



0, x ≤ 0




3/35, 0 < x ≤ 1




3/35, 1 < x ≤ 2




3/35, 2 < x ≤ 3




5/35, 3 < x ≤ 4

10/35, 4 < x ≤ 5
c) Fn∗ (x) =
13/35, 5 < x ≤ 6



18/35, 6 < x ≤ 7







23/35, 7 < x ≤ 8




29/35, 8 < x ≤ 9
32/35, 9 < x ≤ 10






1, x > 10

asasu@unitbv.ro Curs 10 21 / 26
Aplicaţii
d)

Figure: Poligonul frecvenţelor relative

asasu@unitbv.ro Curs 10 22 / 26
Aplicaţii

e)
P10 6 20 15 30 35 48 27 30 211
X̄ = i=0 fi xi =+ + + + + + + = = 6, 03
35 35 35 35 35 35 35 35 35
3 2
S 2 = 10 2 (0 − 6, 03)2 + (3 − 6, 03)2 + . . .
P
i=0 fi (xi − X̄ ) =
35 35

asasu@unitbv.ro Curs 10 23 / 26
Elemente de teoria selecţiei

Exemplul 2: Urmărindu-se ı̂nălţimea a 110 recruţi s-au obţinut

următoarele valori grupate din 10 ı̂n 10 cm:
Înălţimea(cm) 135 145 155 165 175 185
[ai−1 , ai ) 145 155 165 175 185 195
Nr.persoane(νi ) 2 7 16 37 40 8

Determinaţi:
ci
a) Repartiţia variabilei empirice X ∗


fi i=1,6
[ai−1 ,ai )

b) Funcţia de repartiţie empirică pentru variabila X ∗ fi i=1,6

c) Histograma şi poligonul frecvenţelor relative

d) Media de selecţie
asasu@unitbv.ro Curs 10 24 / 26
Elemente de teoria selecţiei

Rezolvare: !
140 150 160 170 180 190
a) X ∗ 2 7 16 37 40 8
110 110 110 110 110 110
b) 


 0, x ≤ 135
x−135 2

10 · 110 , 135 < x ≤ 145




2 x−145 7

110 + 10 · 110 , 145 < x ≤ 155




 9 + x−155 · 16 , 155 < x ≤ 165

Fn∗ (x) = 11025
10
x−165
110
37
 110

 + 10 · 110 , 165 < x ≤ 175
62
+ x−175 40

10 · 110 , 175 < x ≤ 185

 110


 102 x−185 8
110 + 10 · 110 , 185 < x ≤ 195





1, x > 195

asasu@unitbv.ro Curs 10 25 / 26
Elemente de teoria selecţiei

c)

1
d) X̄ = (2 · 140 + 7 · 150 + 16 · 160 + 37 · 170 + 40 · 180 + 8 · 190) =
110
1910
= 173, 65
11
asasu@unitbv.ro Curs 10 26 / 26