Documente Academic
Documente Profesional
Documente Cultură
AESM - Curs10 (Teoria Selectiei)
AESM - Curs10 (Teoria Selectiei)
Curs 10
asasu@unitbv.ro Curs 10 1 / 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
νi
fi =
n
asasu@unitbv.ro Curs 10 6 / 26
Funcţia empirică de repartiţie
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 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
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
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
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
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
asasu@unitbv.ro Curs 10 16 / 26
Valori tipice (empirice) de selecţie
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
s-a ales o grupă formată din 35 de studenţi. Menţionând că pentru cei
Nr. stud(νi ) 3 0 0 2 5 3 5 5 6 3 3
asasu@unitbv.ro Curs 10 18 / 26
Aplicaţii
Determinaţi:
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)
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
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
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